CN112013962B - 一种基于cnn神经网络的mrtd参数测试方法 - Google Patents
一种基于cnn神经网络的mrtd参数测试方法 Download PDFInfo
- Publication number
- CN112013962B CN112013962B CN201910468159.9A CN201910468159A CN112013962B CN 112013962 B CN112013962 B CN 112013962B CN 201910468159 A CN201910468159 A CN 201910468159A CN 112013962 B CN112013962 B CN 112013962B
- Authority
- CN
- China
- Prior art keywords
- neural network
- layer
- cnn
- image
- cnn neural
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 85
- 238000012360 testing method Methods 0.000 title claims abstract description 56
- 238000013527 convolutional neural network Methods 0.000 title abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims description 19
- 238000011176 pooling Methods 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 11
- 238000001931 thermography Methods 0.000 description 5
- 238000010998 test method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000005457 Black-body radiation Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/80—Calibration
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J2005/0077—Imaging
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于CNN神经网络的MRTD参数测试方法,首先采集同一型号的热像仪在不同温度下、不同空间频率下的系列四杆靶图像数据,对获取的系列四杆靶图像进行裁剪,提取感兴趣的区域,将处理后的四杆靶图像数据分两部分,一部分用作CNN神经网络的训练,一部分用作CNN神经网络的测试,训练CNN神经网络,直到测试正确率在95%以上,用训练好的CNN神经网络去测试红外热像仪的MRTD值。本发明利用训练好的CNN神经网络对四杆靶图像进行判读,消除了由测试人员的不同状态导致的误判,测试结果更稳定,具有客观判读、重复性好、正确率高、测试时间短等优点。
Description
技术领域
本发明属于红外测试领域,特别是一种基于CNN神经网络的MRTD参数测试方法。
背景技术
在热成像系统中,MRTD(最小可分辨温差)是综合评价系统温度分辨力和空间分辨力的重要参数,它不仅包括了系统特性还包括了观察者的主观因素。传统的主观MRTD测试方法是将特定频率的四杆靶图案放置于均匀的黑体辐射背景中,由多名通过专门训练过的观察员(3人以上)独立观察热成像系统的显示屏幕,首先对四杆靶加大一个大的温差,然后缓慢降低,当超过半数的人认为四杆靶图像有75%的分辨概率时的温差则为此空间频率下的最小可分辨温差。为避免温度漂移影响,这个过程通常以正温差和负温差分别测量后取绝对值的均值。热成像系统作为直接观察系统,这种主观测试方法易于受到人们接受,但它极易受到测试人员在操作时状态的影响,不同人的测试结果通常有50%的测试误差;且主观测试过程耗时时间长,容易使观察者疲劳造成判断失误。尤其是对于多台同类型的热像仪进行评价,工作量非常大,测试结果波动范围大。
在论文《应用神经网络智能测量热成像系统MRTD》(孙军月.应用神经网络智能测量热成像系统MRTD[D].中国科学院研究生院(长春光学精密机械与物理研究所),2006.)中作者提出了利用BP神经网络客观判断MRTD图像的测试方法。该方法以四杆靶图像的对比度、表示正温差或负温差图像的类别量、四杆靶图像条纹像素宽度三个特征值作为神经网络的输入,以人眼能分辨四杆靶图像(100)、阈值图像(010)、人眼分辨不出图像(001)作为输出,使用了两层隐层,隐层转移函数为tansig,输出层转移函数为logsig。在专利《一种红外热像仪MRTD客观评测方法》(公开号:CN101275870A)中作者也采用了BP神经网络,不过使用了均值对比度、背景极值对比度、相邻极值差对比度三个特征值作为BP神经网络输入。BP神经网络以图像特征值作为输入,但图像特征值无法完整反映四杆靶图像的完整信息,尤其是局部图像信息,这导致BP神经网络输出结果与实际值有一定的误差。
CNN神经网络早在1998年就被提出,因CNN神经网络具有权值共享、局部感受野等优势在图像识别领域有着独特的优势。时至今日CNN神经网络经过了LeNet、AlexNet、VGGNet、GoogleNet等多种网络架构的发展,其中LeNet网络结构(Lecun Y,Bottou L,Bengio Y,et al.Gradient-based learning applied to document recognition[J].Proceedings ofthe IEEE,1998,86(11):2278-2324.),首先提出了卷积层、池化层、激活函数、损失函数、全连接层等重要概念,具有重要的开创作用,其他网络架构都是在其基础上演进而来。针对MRTD测试中所使用的四杆靶图像特点,本发明在LeNet网络结构的基础上,通过改进网络结构参数达到了识别四杆靶图像准确测试MRTD参数的目的。
发明内容
本发明的目的在于提供一种基于CNN神经网络的MRTD参数测试方法,通过改进网络结构实现识别四杆靶图像准确测试MRTD参数。
实现本发明目的的技术方案为:一种基于CNN神经网络的MRTD参数测试方法,步骤如下:
步骤一,采集同一型号的热像仪在不同温度下、不同空间频率下的系列四杆靶图像数据,对每一幅图像数据做相应的标签,标签的分类有人眼可分辨出四杆靶图像、人眼不可分辨出四杆靶图像、阈值图像;
步骤二,对获取的系列四杆靶图像进行裁剪处理,提取感兴趣的区域,即以四杆靶形状为中心,裁剪一个大小为32*32的图像,该图像完整包含了四杆靶形状信息;
步骤三,将处理后的图像平均分为两组,存在两个不同的文件夹内,分别命名为train和test,用文件夹train内的图像数据训练CNN网络,文件夹为test内的图像数据测试CNN网络,训练CNN神经网络,直到测试正确率在95%以上;
步骤四,用训练好的CNN神经网络去测试红外热像仪的MRTD值。
本发明与现有技术相比,主要优点为:(1)与传统的主观测试方法相比,CNN神经网络测试方法解放了测试人员的数量、消除了由测试人员的不同状态导致的误判,测试结果更稳定。传统的主观测试不同观测人员之间甚至会出现50%的偏差,本发明的测试结果的偏差在5%以内。(2)与以特征值作为网络输入的BP神经网络相比,CNN神经网络以整幅图像作为输入,通过多层卷积核进行特征提取,可以有效反映图像的形状特征,增加判读正确率。BP神经网络的正确率一般不会超过90%,本发明的CNN神经网络在对MRTD的判读中,正确率可以达到95%。(3)与LeNet网络结构相比,本发明采用的CNN神经网络采用了改进的激活函数,使用了交叉熵损失函数作为代价函数,优化了卷积核数量,使用边缘填充使图像卷积后保持形状不变,减少了全连接层数量,使得MRTD的判读效果得到了很大的改善。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为基于CNN神经网络的MRTD参数测试方法的流程图。
图2为四杆靶图像。
图3为CNN神经网络的结构图。
具体实施方式
结合图1,本发明基于CNN神经网络的MRTD参数测试方法采用了CNN神经网络来实现对MRTD参数的客观测量,CNN神经网络是一种多层的卷积神经网络,它可以感知图像的局部相关信息,抽象出图像的具体特征。在MRTD参数测试中,我们关注的是四杆靶的识别概率,四杆靶图像是由若干个边缘条纹组合而成,CNN卷积神经网络通过多层卷积核的特征提取,可以有效的识别四杆靶图像的边缘,既避免了主观测量带来的测试结果波动,又避免了BP神经网络的由于特征值不足导致的误差,具体测试步骤为:
步骤1,针对同一类型的红外热像仪,更换不同空间频率的四杆靶靶标,设置不同的温度差,采集在不同空间频率、不同温度差下的系列四杆靶图像。设同一类型的红外热像仪的奈奎斯特频率为f0,则不同的空间频率要在0.5f0~1.5f0之间,步长为0.1f0;不同温度差在-2℃~+2℃之间,步长为0.01℃。这些参数确保在该空间频率、温差范围内,对每一个特定的空间频率、特定的温差下的四杆靶图像进行采集,保证采集到的四杆靶图像数据一般为数百张,如500张。
对采集到的系列四杆靶图像做标签分类,如图2所示,标签的分类共有三种:图2(a)是人眼可分辨出四杆靶图像(标签值为数字0),图2(b)是人眼不可分辨出四杆靶图像(标签值为数字1),图2(c)是阈值图像(标签值为数字2),阈值图像的定义为观察者有75%的概率分辨出四杆靶图像。
步骤2,对系列四杆靶图像做裁剪处理,提取感兴趣的区域。感兴趣的区域定义为以四杆靶形状为中心,裁剪一个大小为32*32的图像,该图像完整包含了四杆靶形状信息,且排除了周围背景干扰。
步骤3,将处理后的图像平均分为两组,存在两个不同的文件夹内,分别命名为train和test。用文件夹train内的图像数据训练CNN网络,文件夹为test内的图像数据测试CNN网络。把文件名为train内的图像数据作为CNN神经网络的训练输入,CNN神经网络的结构如图3所示。与LeNet网络结构相比,本发明采用的CNN神经网络共有5层网络结构,第一层为卷积层,卷积核大小为5*5,卷积核个数为5个,滑动步长为1,对输入图像上下左右边界填充2层,输出图像与输入图像大小不变,维数变为5维,经第一层卷积层后输出大小为5*32*32;第二层为池化层,采用最大池化策略,核大小为2*2,滑动步长为2,经池化后输出为5*16*16;第三层为卷积层,卷积核大小为5*5,卷积核个数为7个,滑动步长为1,对输入图像上下左右边界填充2层,输出图像与输入图像大小不变,维数变为7维,经第三层卷积层后输出大小为7*16*16;第四层为池化层,同样采用最大池化策略,核大小为2*2,滑动步长为2,经第四层池化后输出为7*8*8;全连接层为最终输出,大小为3*1,最终输出为三个数值对应标签的分类,分别为0(对应人眼可分辨出四杆靶图像)、1(对应人眼不可分辨出四杆靶图像)、2(对应阈值图像)。
从第一层到第五层,所有层之间使用的激活函数为公式1)中改进的非线性ReLu函数,即
在公式1)中,当x大于0时,f(x)与x成斜率为λ(λ>1,一般在1~2之间做调节)的线性递增;当x小于0时,f(x)与x成斜率为λk(其中k=0.01,确保斜率小,递增缓慢)的线性递增。该公式采用了线性变化,取消了指数变化,降低了计算量,同时区分了x大于0与x小于0的情况,在x大于0时激活,x小于0时因为斜率很小起到了抑制作用。
步骤4,训练CNN神经网络。训练过程如下:在训练前初始化CNN神经网络权值,每批次训练train文件夹内十张不同的四杆靶图像,十张四杆靶图像经过CNN神经网络的顺序执行得到十组预测值,将该预测值与四杆靶图像的实际标签值通过交叉熵损失函数进行比较处理,交叉熵损失函数如公式2)所示。公式2)中a为CNN神经网络的预测值,y为实际标签值,x为训练输入,n为训练数据的总数,H即为交叉熵损失值。然后将交叉熵损失值作为误差依据进行反向传播,更新CNN神经网络的权值与偏置。反向传播的过程中权值更新如公式3)所示,偏置更新如公式4)所示。公式3)中为第L-1层中第k个神经元对第L层中第j个神经元的权值,为更新后的值,为第L-1层第k个神经元的输出,为第L层第j个神经元的输出,yj为实际标签值;公式4)中为第L层中第j个神经元的偏置,为更新后的偏置,为第L层第j个神经元的输出,yj为实际标签值。
接着再以train文件夹内另外十张不同的四杆靶图像作为CNN神经网络的输入,继续训练CNN神经网络,直至将train文件夹内的所有图像训练完成,得到此次训练完成后的CNN网络结构。
利用该次训练完成后的CNN网络结构去预测test文件夹内的图像数据,预测过程是依次选取十张四杆靶图像作为该次训练完成后的CNN网络结构的输入,比较预测值与真实标签值是否相匹配,最终把test文件夹内的所有图像的预测值与真实标签值比较完毕,若匹配的正确率低于95%,则将此次训练完成后的CNN网络结构作为初始值继续重复训练train文件夹内的图像数据,直至正确率高于95%。
步骤5,用在步骤四中训练好的正确率大于95%的CNN神经网络对状态未知的红外热像仪测试对象进行客观判读,判读方法为首先采集该红外热像仪在特定空间频率下(空间频率范围在0.5f0~1.5f0内),在-2℃~+2℃不同温差下的四杆靶图像数据,将采集到的四杆靶图像数据作为训练好的正确率大于95%的CNN神经网络的输入,可以获得人眼可分辨出四杆靶图像(对应输出值为0)、人眼不可分辨出四杆靶图像(对应输出值为1)和阈值图像(对应输出值为2)三种客观评测结果,输出结果为阈值图像(对应输出值为2)所对应的温差值即为该红外热像仪的在该特定空间频率下的MRTD值。该方法减少了测试人员人眼的主观误差,具有重复性好、测试时间短等优点。
对标定过的国营559厂自产红外热像仪的MRTD参数进行判读,在空间频率为1.0cyc/mard下,利用传统的主观测试方法,测试时间为6分钟,测试结果为360mK;利用本发明中训练好的CNN神经网络,测试时间仅为1分钟,测试结果为352mK。国营559厂自产红外热像仪的MRTD实际值为350mK,可见,本发明从测试时间和测试准确度上都得到了很大的改善。
Claims (5)
1.一种基于CNN神经网络的MRTD参数测试方法,其特征在于步骤如下:
步骤一,采集同一型号的热像仪在不同温度下、不同空间频率下的系列四杆靶图像数据,对每一幅图像数据做相应的标签,标签的分类有人眼可分辨出四杆靶图像、人眼不可分辨出四杆靶图像、阈值图像,阈值图像的定义为观察者有75%的概率分辨出四杆靶图像;
步骤二,对获取的系列四杆靶图像进行裁剪处理,提取感兴趣的区域,即以四杆靶形状为中心,裁剪一个大小为32*32的图像,该大小为32*32的图像完整包含了四杆靶形状信息;
步骤三,将处理后的图像平均分为两组,存在两个不同的文件夹内,分别命名为train和test,用文件夹train内的图像数据训练CNN网络,文件夹为test内的图像数据测试CNN网络,训练CNN神经网络,直到测试正确率在95%以上,训练CNN神经网络的过程如下:
在训练前初始化CNN神经网络权值,每批次训练train文件夹内十张不同的四杆靶图像,十张四杆靶图像经过CNN神经网络的顺序执行得到十组预测值,将该预测值与四杆靶图像的实际标签值通过交叉熵损失函数进行比较处理,交叉熵损失函数如公式2)所示;公式2)中a为CNN神经网络的预测值,y为实际标签值,x为训练输入,n为训练数据的总数,H即为交叉熵损失值;
然后将交叉熵损失值作为误差依据进行反向传播,更新CNN神经网络的权值与偏置,反向传播的过程中权值更新如公式3)所示,偏置更新如公式4)所示,公式3)中为CNN神经网络中第L-1层中第k个神经元对第L层中第j个神经元的权值,为更新后的值,为第L-1层第k个神经元的输出,为第L层第j个神经元的输出,yj为实际标签值;公式4)中为第L层中第j个神经元的偏置,为更新后的偏置,为第L层第j个神经元的输出,yj为实际标签值:
接着再以train文件夹内另外十张不同的四杆靶图像作为CNN神经网络的输入,继续训练CNN神经网络,直至将train文件夹内的所有图像训练完成,得到此次训练完成后的CNN网络结构;
利用该次训练完成后的CNN网络结构去预测test文件夹内的图像数据,预测过程是依次选取十张四杆靶图像作为该次训练完成后的CNN网络结构的输入,比较预测值与真实标签值是否相匹配,最终把test文件夹内的所有图像的预测值与真实标签值比较完成,若匹配的正确率低于95%,则将此次训练完成后的CNN网络结构作为初始值继续重复训练train文件夹内的图像数据,直至正确率高于95%;
步骤四,用训练好的CNN神经网络去测试红外热像仪的MRTD值。
2.根据权利要求1所述的方法,其特征在于步骤一中,设同一类型的红外热像仪的奈奎斯特频率为f0,则不同的空间频率要在0.5f0~1.5f0之间,步长为0.1f0;不同温度差在-2℃~+2℃之间,步长为0.01℃。
3.根据权利要求1所述的方法,其特征在于步骤三中,采用的CNN神经网络共有5层网络结构,即2个卷积层、2个池化层以及1个全连接层,第一层为卷积层,卷积核大小为5*5,卷积核个数为5个,滑动步长为1,对输入图像上下左右边界填充2层,输出图像与输入图像大小不变,维数变为5维,经第一层卷积层后输出大小为5*32*32;第二层为池化层,采用最大池化策略,核大小为2*2,滑动步长为2,经池化后输出为5*16*16;第三层为卷积层,卷积核大小为5*5,卷积核个数为7个,滑动步长为1,对输入图像上下左右边界填充2层,输出图像与输入图像大小不变,维数变为7维,经第三层卷积层后输出大小为7*16*16;第四层为池化层,同样采用最大池化策略,核大小为2*2,滑动步长为2,经第四层池化后输出为7*8*8;第五层为全连接层,全连接层为最终输出,大小为3*1,最终输出为三个数值对应标签的分类,分别为0、1、2。
5.根据权利要求1所述的方法,其特征在于步骤四中,用在步骤三中训练好的正确率大于95%的CNN神经网络对状态未知的红外热像仪测试对象进行客观判读,判读方法为首先采集该红外热像仪在设定空间频率下,在-2℃~+2℃不同温差下的四杆靶图像数据,将采集到的四杆靶图像数据作为训练好的正确率大于95%的CNN神经网络的输入,获得人眼可分辨出四杆靶图像、人眼不可分辨出四杆靶图像和阈值图像三种客观评测结果,输出结果为阈值图像所对应的温差值即为该红外热像仪的在该设 定空间频率下的MRTD值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910468159.9A CN112013962B (zh) | 2019-05-31 | 2019-05-31 | 一种基于cnn神经网络的mrtd参数测试方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910468159.9A CN112013962B (zh) | 2019-05-31 | 2019-05-31 | 一种基于cnn神经网络的mrtd参数测试方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112013962A CN112013962A (zh) | 2020-12-01 |
CN112013962B true CN112013962B (zh) | 2022-11-04 |
Family
ID=73502070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910468159.9A Active CN112013962B (zh) | 2019-05-31 | 2019-05-31 | 一种基于cnn神经网络的mrtd参数测试方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112013962B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5640725A (en) * | 1979-09-11 | 1981-04-17 | Mitsubishi Electric Corp | Infrared-ray type pickup device |
CN101241028A (zh) * | 2007-02-07 | 2008-08-13 | 南京理工大学 | 红外焦平面阵列成像演示系统 |
CN103942831A (zh) * | 2014-04-11 | 2014-07-23 | 北京理工大学 | 一种新的基于景物空间频率的红外图像纹理仿真方法 |
CN107764407A (zh) * | 2017-11-27 | 2018-03-06 | 中国计量大学 | 一体式红外成像设备测试装置 |
WO2019042139A1 (zh) * | 2017-08-29 | 2019-03-07 | 京东方科技集团股份有限公司 | 图像处理方法、图像处理装置、神经网络的训练方法 |
CN109614970A (zh) * | 2018-12-05 | 2019-04-12 | 中国人民解放军火箭军工程大学 | 一种红外目标隐身效能的评估方法及系统 |
-
2019
- 2019-05-31 CN CN201910468159.9A patent/CN112013962B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5640725A (en) * | 1979-09-11 | 1981-04-17 | Mitsubishi Electric Corp | Infrared-ray type pickup device |
CN101241028A (zh) * | 2007-02-07 | 2008-08-13 | 南京理工大学 | 红外焦平面阵列成像演示系统 |
CN103942831A (zh) * | 2014-04-11 | 2014-07-23 | 北京理工大学 | 一种新的基于景物空间频率的红外图像纹理仿真方法 |
WO2019042139A1 (zh) * | 2017-08-29 | 2019-03-07 | 京东方科技集团股份有限公司 | 图像处理方法、图像处理装置、神经网络的训练方法 |
CN107764407A (zh) * | 2017-11-27 | 2018-03-06 | 中国计量大学 | 一体式红外成像设备测试装置 |
CN109614970A (zh) * | 2018-12-05 | 2019-04-12 | 中国人民解放军火箭军工程大学 | 一种红外目标隐身效能的评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112013962A (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112084974B (zh) | 一种基于元学习的多标签滚动轴承故障诊断方法 | |
CN112052755B (zh) | 基于多路注意力机制的语义卷积高光谱图像分类方法 | |
CN113095409B (zh) | 基于注意力机制和权值共享的高光谱图像分类方法 | |
CN110717368A (zh) | 一种纺织品定性分类方法 | |
CN108447057B (zh) | 基于显著性和深度卷积网络的sar图像变化检测方法 | |
CN112001270A (zh) | 基于一维卷积神经网络的地面雷达自动目标分类识别方法 | |
CN112966667B (zh) | 海面目标一维距离像降噪卷积神经网络识别方法 | |
Miao et al. | Classification of farmland images based on color features | |
CN108229551B (zh) | 一种基于紧凑字典稀疏表示的高光谱遥感图像分类方法 | |
CN105678734B (zh) | 一种图像匹配系统的异源测试图像标定方法 | |
CN113392931A (zh) | 基于自监督学习及多任务学习的高光谱开放集分类方法 | |
CN116754511B (zh) | 基于光谱技术的吲哚菁绿检测方法及系统 | |
CN110082738B (zh) | 基于高斯混合和张量循环神经网络的雷达目标识别方法 | |
CN113049500B (zh) | 水质检测模型训练和水质检测方法、电子设备及存储介质 | |
CN114972885B (zh) | 基于模型压缩的多模态遥感图像分类方法 | |
CN116310510A (zh) | 一种基于小样本深度学习的高光谱图像分类方法 | |
CN109724703A (zh) | 基于模式识别的复杂场景下的温度矫正方法 | |
CN104680169A (zh) | 一种面向高空间分辨率遥感图像专题信息提取的半监督诊断性特征选择方法 | |
CN109523514A (zh) | 对逆合成孔径雷达isar的批量成像质量评估方法 | |
Chou et al. | SHM data anomaly classification using machine learning strategies: A comparative study | |
CN112013962B (zh) | 一种基于cnn神经网络的mrtd参数测试方法 | |
CN112947080B (zh) | 一种基于场景参数变换的智能决策模型性能评估系统 | |
CN111624606B (zh) | 一种雷达图像降雨识别方法 | |
CN116312860B (zh) | 基于监督迁移学习的农产品可溶性固形物预测方法 | |
Zhang et al. | Hyperspectral images classification based on multi-scale residual network |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |