CN111832433A - 一种由图像提取物体特性的装置及其工作方法 - Google Patents

一种由图像提取物体特性的装置及其工作方法 Download PDF

Info

Publication number
CN111832433A
CN111832433A CN202010584919.5A CN202010584919A CN111832433A CN 111832433 A CN111832433 A CN 111832433A CN 202010584919 A CN202010584919 A CN 202010584919A CN 111832433 A CN111832433 A CN 111832433A
Authority
CN
China
Prior art keywords
image
value
physical parameters
streaming media
characteristic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010584919.5A
Other languages
English (en)
Other versions
CN111832433B (zh
Inventor
欧召辉
王杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Singularity Micro Shanghai Optoelectronic Technology Co ltd
Original Assignee
Keluoke Electronic Technology Shanghai Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Keluoke Electronic Technology Shanghai Co ltd filed Critical Keluoke Electronic Technology Shanghai Co ltd
Priority to CN202010584919.5A priority Critical patent/CN111832433B/zh
Publication of CN111832433A publication Critical patent/CN111832433A/zh
Application granted granted Critical
Publication of CN111832433B publication Critical patent/CN111832433B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种由图像提取物体特性的检测方法，至少一个图像传感器在至少一个角度且同一时刻采集实际物体的流媒体文件，在采集每一帧流媒体文件时控制模块获取所述图像传感器此时产生的物理参数，同时上传所述物理参数和流媒体文件至神经网络架构下的材料特征库；最后映射流媒体文件每一帧的图像与物理参数的对应关系，运算模块运算物理参数得出此时图像的光敏度和平面差异度后，与预定义规则的材质特征库调取的数值进行比对，判定此时图像呈现的材料特征属性，输出结果。本发明解决通过小的图像传感器和精简的算法，识别材料种类、物体表面的光滑程度参数，以提高智能控制的智能化水平。

Description

一种由图像提取物体特性的装置及其工作方法
技术领域
本发明属于图像识别分析技术领域，具体涉及到一种由图像提取物体特性的装置及其工作方法。
背景技术
目前图像提取分析技术呈现爆发增长，用大尺寸的图像传感器拍摄图像，可根据大图像甚至要求彩色图像，1万以上像素点级别图像采用传统的模式识别方法，以图像值大小特征为基础的识别方法只能识别物体大的特性，类似与人眼的识别能力，能较好的分辨出物体的表面特性，如物体形状，物体大小及物体种类，如桌子，椅子，汽车和地板，但对桌子的材料是木头还是铁或者塑料等，则很难分辨。
现在判定物体的材质的方法有三种方式，第一种，基于传统的时域或频域方法来判断图像基本特征，但该方法对图像源数据要求比较高，且该技术需要傅里叶变换公式等计算方式，费时费力，只能识别图像的一部分特征。第二种：机械拉伸方法是判定软硬材料，需要机械部件参与；如牙咬来判断是金还是铜；第三种采用化学方法，如用火烧来判断是否为塑料还是合金材料等。
上述三种常规的方式无法应用于智能机器人领域对材料识别。故而图像处理提取材料特征方面还存在较多提高空间。
发明内容
本发明的目的在于解决通过小的图像传感器和精简的算法，识别材料种类、物体表面的光滑程度参数，用于智能机器人的分析及控制，提供一种由图像提取物体特性的装置及其工作方法。
为达到上述目的，本发明采用了下列技术方案：
第一方面，本发明实施例提供的一种由图像提取物体特性的检测方法，包括：
至少一个图像传感器在至少一个角度且同一时刻采集实际物体的流媒体文件，在采集每一帧流媒体文件时控制模块获取所述图像传感器此时产生的物理参数，同时上传所述物理参数和流媒体文件至神经网络架构下的材料特征库；最后映射流媒体文件每一帧的图像与物理参数的对应关系，运算模块运算物理参数得出此时图像的光敏度和平面差异度后，与预定义规则的材质特征库调取的数值进行比对，判定此时图像呈现的材料特征属性，输出结果。
在上述方法中，所述对应关系包括多个图像传感器在同一时刻获取的物理参数与图像具体位置关联。
在一种可能的实现方式中，所述材料特征库包括但不限于光敏度和平面差异度的对应关联的材料属性。
在上述方法中，所述物理参数包括曝光时长t、曝光时照明灯光的亮度值大小L。
在一种可能的实现方式中，所述图像的光敏度Q和平面差异度P计算过程为将图像以像素点大小分割为N*N型像素块，N≥1且N∈整数；
在上述方法中，所述图像的光敏度Q和平面差异度P计算过程为将图像以像素点为N*N型像素块，N≥1且N∈整数；
识别图像范围内获取像素块值W，所述W值为像素块内的像素点之和，求得W的极小值、中值和极大值，根据下列公式
Figure BDA0002554306710000021
其中，
Figure BDA0002554306710000022
且
Figure BDA0002554306710000023
得出逐一计算出所述极小值、中值和极大值的光敏感度Qmin、Qmed和Qmax
再再计算出第一平面差异度特征P1，指定一个像素块，取该像素块值W1乘以第一权重比ω1，以该像素块中心为基点围绕该基点的8个像素块，取其中每间隔一个像素块值的之和W2乘以第二权重比ω2，第二次取剩余的像素块值的之和W3乘以第三权重比ω3，其中，ω1＝ω2+ω3且ω1,ω2,ω3均为0-32；
即
Figure BDA0002554306710000031
由上述定义计算第二平面差异度特征P2,
Figure BDA0002554306710000032
其中，δ1+δ2+δ3＝1,δ∈[0,1]，
进一步求得第三平面差异度特征P3
P3＝P1×γ1+P2×γ2,γ1+γ2＝1,且γ∈[0,1]。
其中γ，ω，
Figure BDA0002554306710000033
δ其定义为权重比或百分比，其中按照预定义规则进行系统设定，再由机器学习进行优化。
第二方面，本实施例提供的一种由图像提取物体特性的装置，构建材料特征属性的特征库，初始化模型在人为经验建立后，经神经网络的自动机器学习完成的数据库模型，且该模型搭建云端，该装置还包括至少一个下列组件：
运算模块、
图像传感器、
控制模块、。
感光器件、
电流传感器、
和/或GPS定时钟。
第三方面，本发明实施例提供的一种检测装置，该装置包括：至少一个处理单元及至少一个存储单元，其中，所述存储单元存储有程序代码，当所述程序代码被所述处理单元执行时，使得所述处理单元执行第一方面任一所述方法的步骤。
第四方面，本发明实施例还提供一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述方法的步骤。
有益效果：与现有技术相比，本发明具有如下优点：
1)提取了图像更多的特征，跟有利于提高识别出物体材料类别及表面光滑度特征等信息；
2)有利于物理大小，形状，类别等基本特征的识别准确度；
3)在减少图像传感器像素阵列，直接降低了图像传感器的大小等硬件成本，提高系统集成度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的原始图像帧示意图。
图2为本申请实施例提供的图像块帧图。
图3为本申请实施例提供的特征识别流程示意图。
具体实施方式
为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。
实施例
本实施例提供了一种由图像提取物体特性的检测方法，该方法包括：
如图3所示，至少一个图像传感器在至少一个角度且同一时刻采集实际物体的流媒体文件，在采集每一帧流媒体文件时控制模块获取所述图像传感器此时产生的物理参数，同时上传所述物理参数和流媒体文件至神经网络架构下的材料特征库；最后映射流媒体文件每一帧的图像与物理参数的对应关系，运算模块运算物理参数得出此时图像的光敏度和平面差异度后，与预定义规则的材质特征库调取的数值进行比对，判定此时图像呈现的材料特征属性，输出结果。
所述对应关系包括多个图像传感器在同一时刻获取的物理参数与图像具体位置关联。
所述材料特征库包括但不限于光敏度和平面差异度的对应关联的材料属性。
所述物理参数包括曝光时长t、曝光时照明灯光的亮度值大小L。
所述图像的光敏度Q和平面差异度P计算过程为将图像以像素点为N*N型像素块，N≥1且N∈整数；
识别图像范围内获取像素块值W，所述W值为像素块内的像素点之和，求得W的极小值、中值和极大值，根据下列公式：
Figure BDA0002554306710000051
其中，
Figure BDA0002554306710000052
且
Figure BDA0002554306710000053
得出逐一计算出所述极小值、中值和极大值的光敏感度Qmin、Qmed和Qmax
再计算出第一平面差异度特征P1，指定一个像素块，取该像素块值Wn乘以第一权重比ω1，以该像素块中心为基点围绕该基点的8个像素块，取其中每间隔一个像素块值的之和∑W2n+1乘以第二权重比ω2，第二次取剩余的像素块值的之和∑W2n乘以第三权重比ω3，其中，ω1＝ω2+ω3且ω1,ω2,ω3均为0-32；
即
Figure BDA0002554306710000054
由上述定义计算第二平面差异度特征P2,
Figure BDA0002554306710000055
其中，δ1+δ2+δ3＝1,δ∈[0,1]，
进一步求得第三平面差异度特征P3，经验公式为P3＝P1×γ1+P2×γ2,γ1+γ2＝1,且γ∈[0,1]。
基于同一发明构思，本实施例还提供了一种由图像提取物体特性的装置，构建材料特征属性的特征库，初始化模型在人为经验建立后，经神经网络的自动机器学习完成的数据库模型，且该模型搭建云端，该装置还包括至少一个下列组件：
运算模块、
图像传感器、
控制模块、
感光器件、
电流传感器、
和/或GPS定时钟。
实施例2
如图1-2所示，结合实际案例具体地说计算步骤如下：
采用较小的图像传感器(最小可为4*4)，纯图像分析方式，以及较小的运算代价和较快的速度，实现材料细节特征的识别。
主要通过敏感度和平面差异度2个方面来提取其特征，
第一步骤：
光敏感度特征，分别计算小像素点，中值像素点，大值像素点：
1)量化曝光时间，即曝光时长，具体由控制模块给定值，
2)量化曝光强度，即曝光电流的大小及感光器件的灵敏度，
3)计算光敏感度
光敏感度＝像素块值/(曝光时间*权重因子1*曝光强度*权重因子2)
2个权重因子取值范围是0～1，可以为小数，但2者之和等于1；
4)分别使用一帧或多帧中最小的、中间的、最大的单个像素块，用1～3步骤分别计算小值、中值、大值光敏感度特征。
平面差异度特征
参考图2所示图像块帧示列，大小为3*3的像素块，从原始图像帧合并运算而来，每个像素块至少为1个或多个相邻像素点的和，
第一平面差异度特征计算的计算步骤：
平面差异度特征1＝B22*第一权重因子/((B11+B13+B31+B33)*第二权重因子+(B12+B21+B23+B32)*第三权重因子)
这里，3个权重因子分别取值，取值范围0—32，但需满足条件：权重因子1＝权重因子2+权重因子3
平面差异度特征2＝(小像素点光敏感度特征*权重因子1+大值像素点光敏感度特征*权重因子2)/(中值*权重因子3)
这里，3个权重因子分别取值，取值范围0～1，但需满足条件3者之和等于1.
平面差异特征3＝平面差异度特征1*权重因子1+平面差异度特征2*权重因子2
这里2个权重因子分别取值，取值范围0～1，但需满足条件：两者之和等于1。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (7)

1.一种由图像提取物体特性的检测方法，其特征在于，该方法包括：
至少一个图像传感器在至少一个角度且同一时刻采集实际物体的流媒体文件，在采集每一帧流媒体文件时控制模块获取所述图像传感器此时产生的物理参数，同时上传所述物理参数和流媒体文件至神经网络架构下的材料特征库；最后映射流媒体文件每一帧的图像与物理参数的对应关系，运算模块运算物理参数得出此时图像的光敏度和平面差异度后，与预定义规则的材质特征库调取的数值进行比对，判定此时图像呈现的材料特征属性，输出结果。
2.根据权利要求1所述的一种由图像提取物体特性的检测方法，其特征在于：所述对应关系包括至少一个图像传感器在同一时刻获取的物理参数与图像具体位置关联。
3.根据权利要求1所述的一种由图像提取物体特性的检测方法，其特征在于：所述材料特征库包括但不限于光敏度和平面差异度的对应关联的材料属性。
4.根据权利要求1所述的一种由图像提取物体特性的检测方法，其特征在于：所述物理参数包括曝光时长t、曝光时照明灯光的亮度值大小L。
5.根据权利要求3或4所述的一种由图像提取物体特性的检测方法，其特征在于：所述图像的光敏度Q和平面差异度P计算过程为将图像以像素点为N*N型像素块，N≥1且N∈整数；
识别图像范围内获取像素块值W，所述W值为像素块内的像素点之和，求得W的极小值、中值和极大值，根据下列公式
Figure FDA0002554306700000011
其中，
Figure FDA0002554306700000012
且
Figure FDA0002554306700000013
得出逐一计算出所述极小值、中值和极大值的光敏感度Qmin、Qmed和Qmax再计算出第一平面差异度特征P1，指定一个像素块，取该像素块值Wn乘以第一权重比ω1，以该像素块中心为基点围绕该基点的8个像素块，取其中每间隔一个像素块值的之和∑W2n+1乘以第二权重比ω2，第二次取剩余的像素块值的之和∑W2n乘以第三权重比ω3，其中，ω1＝ω2+ω3且ω1,ω2,ω3均为0-32；
即
Figure FDA0002554306700000021
由上述定义计算第二平面差异度特征P2,
Figure FDA0002554306700000022
其中，δ1+δ2+δ3＝1,δ∈[0,1]，
进一步求得第三平面差异度特征P3
P3＝P1×γ1+P2×γ2,γ1+γ2＝1,且γ∈[0,1]。
6.一种由图像提取物体特性的装置，构建材料特征属性的特征库，初始化模型在人为经验建立后，经神经网络的自动机器学习完成的数据库模型，且该模型搭建云端，其特征在于：该装置还包括至少一个下列组件：
运算模块、
图像传感器、
控制模块、
感光器件、
电流传感器、
和/或GPS定时钟。
7.一种计算机存储介质，其上存储有计算机程序，其特征在于：该程序被处理器执行时实现如权利要求1～6任一所述方法的步骤。
CN202010584919.5A 2020-06-24 2020-06-24 一种由图像提取物体特性的装置及其工作方法 Active CN111832433B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010584919.5A CN111832433B (zh) 2020-06-24 2020-06-24 一种由图像提取物体特性的装置及其工作方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010584919.5A CN111832433B (zh) 2020-06-24 2020-06-24 一种由图像提取物体特性的装置及其工作方法

Publications (2)

Publication Number Publication Date
CN111832433A true CN111832433A (zh) 2020-10-27
CN111832433B CN111832433B (zh) 2023-12-29

Family

ID=72898032

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010584919.5A Active CN111832433B (zh) 2020-06-24 2020-06-24 一种由图像提取物体特性的装置及其工作方法

Country Status (1)

Country Link
CN (1) CN111832433B (zh)

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005010627A2 (en) * 2003-07-24 2005-02-03 Cognitens Ltd. A system and method for monitoring and visualizing the output of a production process
CN101184176A (zh) * 2007-12-24 2008-05-21 北京中星微电子有限公司 互补金属氧化物半导体图像传感器的数字图像处理方法及装置
JP2008268076A (ja) * 2007-04-23 2008-11-06 Toshiba Corp 非破壊識別方法及び非破壊識別装置
US20090252295A1 (en) * 2008-04-03 2009-10-08 L-3 Communications Security And Detection Systems, Inc. Generating a representation of an object of interest
CN101646014A (zh) * 2008-08-05 2010-02-10 佳能株式会社 图像处理设备和图像处理方法
JP2014007032A (ja) * 2012-06-22 2014-01-16 Hitachi High-Technologies Corp 画像処理装置、画像処理方法及びプログラム
CN103605979A (zh) * 2013-12-03 2014-02-26 苏州大学张家港工业技术研究院 一种基于形状片段的物体识别方法及系统
CN105469079A (zh) * 2015-12-31 2016-04-06 中国科学院上海高等研究院 基于多传感器信息融合的物体材质识别方法
US9639960B1 (en) * 2016-11-04 2017-05-02 Loveland Innovations, LLC Systems and methods for UAV property assessment, data capture and reporting
CN107726990A (zh) * 2017-09-18 2018-02-23 西安电子科技大学 一种金属板料成形应变测量中点阵网格图像采集与识别方法
CN108564094A (zh) * 2018-04-24 2018-09-21 河北智霖信息科技有限公司 一种基于卷积神经网络和分类器组合的材质识别方法
CN108734079A (zh) * 2018-02-07 2018-11-02 陈波 图像大数据即时分析方法
CN108780594A (zh) * 2016-03-16 2018-11-09 凸版印刷株式会社 识别装置、识别方法、识别程序以及包含识别程序的计算机可读介质
CN110246101A (zh) * 2019-06-13 2019-09-17 Oppo广东移动通信有限公司 图像处理方法和装置
CN110298397A (zh) * 2019-06-25 2019-10-01 东北大学 基于压缩卷积神经网络的加热金属图像的多标签分类方法
CN110352431A (zh) * 2017-03-27 2019-10-18 株式会社日立高新技术 图像处理系统和用于进行图像处理的计算机程序
CN111133378A (zh) * 2017-09-28 2020-05-08 富士胶片株式会社 摄像装置、信息获取方法及信息获取程序

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005010627A2 (en) * 2003-07-24 2005-02-03 Cognitens Ltd. A system and method for monitoring and visualizing the output of a production process
JP2008268076A (ja) * 2007-04-23 2008-11-06 Toshiba Corp 非破壊識別方法及び非破壊識別装置
CN101184176A (zh) * 2007-12-24 2008-05-21 北京中星微电子有限公司 互补金属氧化物半导体图像传感器的数字图像处理方法及装置
US20090252295A1 (en) * 2008-04-03 2009-10-08 L-3 Communications Security And Detection Systems, Inc. Generating a representation of an object of interest
CN101646014A (zh) * 2008-08-05 2010-02-10 佳能株式会社 图像处理设备和图像处理方法
JP2014007032A (ja) * 2012-06-22 2014-01-16 Hitachi High-Technologies Corp 画像処理装置、画像処理方法及びプログラム
CN103605979A (zh) * 2013-12-03 2014-02-26 苏州大学张家港工业技术研究院 一种基于形状片段的物体识别方法及系统
CN105469079A (zh) * 2015-12-31 2016-04-06 中国科学院上海高等研究院 基于多传感器信息融合的物体材质识别方法
CN108780594A (zh) * 2016-03-16 2018-11-09 凸版印刷株式会社 识别装置、识别方法、识别程序以及包含识别程序的计算机可读介质
US9639960B1 (en) * 2016-11-04 2017-05-02 Loveland Innovations, LLC Systems and methods for UAV property assessment, data capture and reporting
CN110352431A (zh) * 2017-03-27 2019-10-18 株式会社日立高新技术 图像处理系统和用于进行图像处理的计算机程序
CN107726990A (zh) * 2017-09-18 2018-02-23 西安电子科技大学 一种金属板料成形应变测量中点阵网格图像采集与识别方法
CN111133378A (zh) * 2017-09-28 2020-05-08 富士胶片株式会社 摄像装置、信息获取方法及信息获取程序
CN108734079A (zh) * 2018-02-07 2018-11-02 陈波 图像大数据即时分析方法
CN108564094A (zh) * 2018-04-24 2018-09-21 河北智霖信息科技有限公司 一种基于卷积神经网络和分类器组合的材质识别方法
CN110246101A (zh) * 2019-06-13 2019-09-17 Oppo广东移动通信有限公司 图像处理方法和装置
CN110298397A (zh) * 2019-06-25 2019-10-01 东北大学 基于压缩卷积神经网络的加热金属图像的多标签分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
翟贺争;张进;吴香君;尹捍东;王鑫;王曼瑶;黄子祺;武权;: "基于MAGNETOM Skyra型磁共振（MRI）设备影像质量测试和分析", 中国辐射卫生, no. 03 *
钦杰等: "一种基于卷积神经网络的电涡流金属辨识方法", 《电子测量与仪器学报》, vol. 34, no. 4, pages 172 - 179 *

Also Published As

Publication number Publication date
CN111832433B (zh) 2023-12-29

Similar Documents

Publication Publication Date Title
CN108875935B (zh) 基于生成对抗网络的自然图像目标材质视觉特征映射方法
CN107767413B (zh) 一种基于卷积神经网络的图像深度估计方法
CN109584248B (zh) 基于特征融合和稠密连接网络的红外面目标实例分割方法
CN109583483B (zh) 一种基于卷积神经网络的目标检测方法和系统
CN112614077B (zh) 一种基于生成对抗网络的非监督低照度图像增强方法
CN109903331B (zh) 一种基于rgb-d相机的卷积神经网络目标检测方法
CN113065558A (zh) 一种结合注意力机制的轻量级小目标检测方法
WO2019136591A1 (zh) 基于弱监督时空级联神经网络的显著目标检测方法及系统
CN112308095A (zh) 图片预处理及模型训练方法、装置、服务器及存储介质
CN108921057B (zh) 基于卷积神经网络的对虾形态测量方法、介质、终端设备及装置
CN110879982B (zh) 一种人群计数系统及方法
CN110490252B (zh) 一种基于深度学习的室内人数检测方法及系统
CN111401324A (zh) 图像质量评估方法、装置、存储介质及电子设备
CN111738344A (zh) 一种基于多尺度融合的快速目标检测方法
CN111047543A (zh) 图像增强方法、装置和存储介质
CN113420794B (zh) 一种基于深度学习的二值化Faster R-CNN柑橘病虫害识别方法
CN116757988B (zh) 基于语义丰富和分割任务的红外与可见光图像融合方法
CN111127309A (zh) 肖像风格迁移模型训练方法、肖像风格迁移方法以及装置
CN110827312A (zh) 一种基于协同视觉注意力神经网络的学习方法
CN115311186A (zh) 一种红外与可见光图像跨尺度注意力对抗融合方法及终端
WO2022127814A1 (zh) 一种图像的显著性物体检测方法、装置、设备及存储介质
CN111275642B (zh) 一种基于显著性前景内容的低光照图像增强方法
CN113065506B (zh) 一种人体姿态识别方法及系统
WO2022120996A1 (zh) 视觉位置识别方法及装置、计算机设备及可读存储介质
CN116433822B (zh) 一种神经辐射场训练方法、装置、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230829

Address after: 201210 3rd floor, building 2, No. 200, zhangheng Road, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai

Applicant after: Singularity Micro (Shanghai) Optoelectronic Technology Co.,Ltd.

Address before: 201313 118, 20, 1-42 Lane 83, Hongxiang North Road, Wanxiang Town, Pudong New Area, Shanghai.

Applicant before: Keluoke Electronic Technology (Shanghai) Co.,Ltd.

GR01 Patent grant
GR01 Patent grant