CN112378527A - 提升非接触式测温精度的方法及装置 - Google Patents

提升非接触式测温精度的方法及装置 Download PDF

Info

Publication number
CN112378527A
CN112378527A CN202011357420.7A CN202011357420A CN112378527A CN 112378527 A CN112378527 A CN 112378527A CN 202011357420 A CN202011357420 A CN 202011357420A CN 112378527 A CN112378527 A CN 112378527A
Authority
CN
China
Prior art keywords
temperature
temperature measurement
data
measured
module
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
CN202011357420.7A
Other languages
English (en)
Other versions
CN112378527B (zh
Inventor
陈玮
李骊
范东勇
李攀强
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.)
Tvt Digital Technology Co ltd
Original Assignee
Tvt Digital Technology 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 Tvt Digital Technology Co ltd filed Critical Tvt Digital Technology Co ltd
Priority to CN202011357420.7A priority Critical patent/CN112378527B/zh
Publication of CN112378527A publication Critical patent/CN112378527A/zh
Application granted granted Critical
Publication of CN112378527B publication Critical patent/CN112378527B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01J5/10—Radiation pyrometry, e.g. infrared or optical thermometry using electric radiation detectors
    • G01J5/12—Radiation pyrometry, e.g. infrared or optical thermometry using electric radiation detectors using thermoelectric elements, e.g. thermocouples
    • 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
    • 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
    • G01J5/10—Radiation pyrometry, e.g. infrared or optical thermometry using electric radiation detectors
    • G01J5/12—Radiation pyrometry, e.g. infrared or optical thermometry using electric radiation detectors using thermoelectric elements, e.g. thermocouples
    • G01J2005/123—Thermoelectric array

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Radiation Pyrometers (AREA)

Abstract

本发明公开了一种提升非接触式测温精度的方法及装置，其中方法包括获取环境温度数据以及测量物的原始测温数据；对环境温度数据和原始测温数据进行预处理；将预处理之后数据通过神经网络进行计算，以得到测量物的实际测量温度。本发明大幅度提升了非接触式测温的精度。

Description

提升非接触式测温精度的方法及装置
技术领域
本发明涉及测温技术领域，更具体地说是一种提升非接触式测温精度的方法及装置。
背景技术
由于近年突发公共卫生事件导致对非接触式测温的需求急剧增加。除了热成像测温以外，基于热电堆的非接触式测温产品也是不可缺少的非接触式测温设备，但现有这种非接触式测温产品的测温精度不高一直是一个难以解决的问题。
发明内容
本发明的目的在于克服现有技术的不足，提供提升非接触式测温精度的方法及装置。
为实现上述目的，本发明采用以下技术方案：
第一方面，提升非接触式测温精度的方法，所述方法包括：
获取环境温度数据以及测量物的原始测温数据；
对环境温度数据和原始测温数据进行预处理；
将预处理之后数据通过神经网络进行计算，以得到测量物的实际测量温度。
其进一步技术方案为：所述对环境温度数据和原始测温数据进行预处理的步骤中，所述预处理为归一化处理。
其进一步技术方案为：所述环境温度数据和测量物的原始测温数据通过非接触式测温物件测量获得。
其进一步技术方案为：所述非接触式测温物件为热电堆。
其进一步技术方案为：所述获取环境温度数据以及测量物的原始测温数据的步骤之后，还包括：
从原始测温数据中提取出多维温度特征，以得到物温特征向量。
其进一步技术方案为：所述将预处理之后数据通过神经网络进行计算，以得到测量物的实际测量温度的步骤之后，还包括：
对测量物的实际测量温度进行滤波处理。
第二方面，提升非接触式测温精度的装置，包括获取模块、特征前处理模块以及机器学习模块；
所述获取模块，用于获取环境温度数据以及测量物的原始测温数据；
所述特征前处理模块，用于对环境温度数据和原始测温数据进行预处理；
所述机器学习模块，用于将预处理之后数据通过神经网络进行计算，以得到测量物的实际测量温度。
其进一步技术方案为：所述装置还包括特征提取模块；
所述特征提取模块，用于从原始测温数据中提取出多维温度特征，以得到物温特征向量。
其进一步技术方案为：所述装置还包括滤波模块；
所述滤波模块，用于对测量物的实际测量温度进行滤波处理。
本发明与现有技术相比的有益效果是：本发明通过对获取的环境温度数据以及测量物的原始测温数据进行预处理之后在通过神经网络进行计算，得到测量物的实际测量温度，大幅度提升了非接触式测温的精度。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明技术手段，可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征及优点能够更明显易懂，以下特举较佳实施例，详细说明如下。
附图说明
图1为本发明提升非接触式测温精度的方法具体实施例的流程图；
图2为本发明提升非接触式测温精度的装置具体实施例的结构示意性框图；
图3为本发明具体实施例中采用黑体做被测物体的测温精度实验的示意图；
图4-5为本发明具体实施例中测量的实际温度与黑体真实温度的比较图表；
图6为本发明具体实施例中黑体标准温度在38摄氏度时，测量黑体的结果；
图7为本发明具体实施例中取当前测温点的3x3邻域的示意结果；
图8为本发明具体实施例中原始测温数据进行多维温度特征提取的流程图；
图9为取当前第#i个滤波器结果与历史第#i个滤波结果的最大值的操作流程。
具体实施方式
为了更充分理解本发明的技术内容，下面结合具体实施例对本发明的技术方案进一步介绍和说明，但不局限于此。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
本发明主要应用于非接触测温产品中，因为现有的非接触式测温产品存在测温精度较低的问题。下面通过具体的实施例来介绍本发明。
请参考图1，一种提升非接触式测温精度的方法，该方法包括以下步骤：
S10、获取环境温度数据以及测量物的原始测温数据；
S20、从原始测温数据中提取出多维温度特征，以得到物温特征向量；
S30、对环境温度数据和原始测温数据进行预处理；
S40、将预处理之后数据通过神经网络进行计算，以得到测量物的实际测量温度；
S50、对测量物的实际测量温度进行滤波处理。
具体的，请参考图3，本实施例中是以热电堆类型的非接触式测温器件为例来对黑体进行的。热电堆是一种热释红外线传感器，它是由热电偶构成的一种器件。它在耳式体温计、放射温度计、电烤炉、食品温度检测等领域中，作为温度检测器件获得了广泛的应用。黑体是吸收率接近1.0的恒温设备，可调温度的黑体可以作为测温设备的温度校验参考，一般的黑体有一个均匀温度面，因此黑体是一个远比人脸温度均匀、恒定的参考物体。
通过多点热电堆采集黑体的原始测温数据以及黑体周围的环境温度数据发给处理器，处理器对黑体的原始测温数据进行多维温度特征提取，以提取出具备代表性的测温特征向量，然后对测温特征向量和环境温度数据进行预处理(例如归一化处理)，再通过神经网络进行计算(本实施例中，采用的多层感知机进行计算的)，以得到黑体的实际测量温度。请参考图8，对于多点热电堆采集黑体的原始测温数据进行多维温度特征提取的过程如下：
第一步：遍历所有的原始测温数据中的所有测温点。
图6为多点热电堆采集的黑体的原始测温数据，原始测温数据数据中包含了多个测温点，因此第一步是需要遍历所有测温点，为接下来做准备。
第二步：取得当前测温点以及当前测温点的3x3邻域的温度点。
所谓3x3邻域指的是：是以当前点为中心，按照左上、正上方、右上、左边、当前点、右边、左下、正下、右下的九个方位取出9个测温点。如图7所示，本实施例是以35.1测温点为中心，取得的另外的9个测温点。
第三步：在取到如图7所示的3x3邻域测温点后，对这个3x3邻域做滤波处理。
如图8中的中值滤波的计算公式是：
To＝Median(T-1，-1，T-1，0，T-1，1，T0，-1，T0，0，T0，1，T1，-1，T1，0，T1，1，)
上式中，To是中值滤波的结果，Median()函数表示对这9个数排序后取中间大小的那个数。
如图8中的高斯滤波的计算公式是：
Figure BDA0002802971810000061
其中，权重wi,j的计算公式如下：
Figure BDA0002802971810000062
上式中的σ就是图8中的sigma1或sigma2…；
图8中最右边的一个滤波器是从9个数中取最大值。
在遍历的过程中，每处理原始物温矩阵中的一个温度点，图8中的滤波器#1至滤波器#F0均会得到一个滤波结果，如此会有F0个滤波结果。这些滤波结果分属于某一个滤波器，记第i个滤波器的输出为To,i。如在遍历物温矩阵的过程中，在处理第一个物温点的时候，会得到记号为To,i的F0个滤波结果，并会暂存滤波结果，这就是图8中所说的历史的滤波结果。在处理第二个物温点的时候，也会得到F0个滤波结果，这些滤波结果和对应滤波器的历史滤波结果做比较，取两个较大的滤波结果用于更新历史滤波结果。其中取当前第#i个滤波器结果与历史第#i个滤波结果的最大值的操作过程如图9所示，图9取当前第#i个滤波器结果与历史第#i个滤波结果的最大值的操作。图8中所述的Rasterscan就是从左到右、从上到下的顺序。
请参考图4，图4中，环境温度为32度左右，黑体真实温度为33摄氏度的比较结果。图4中True To后面的数值表示黑体的真实温度值，Measured Ta是热电堆测量得到的环境温度，Measured Hottest Pixel是测量黑体得到的温度最高的测量值，Processed To是经过本发明处理后的得到的黑体的测温温度(即实际测量温度)，从图4中可以得出，经过本发明处理后，得到的黑体的实际测量温度与黑体的真实温度是非常接近的，因此，可以证明用过本发明处理之后测温精度有明显提高，本发明的处理方法是有效的。
请参考图5，图5中为环境温度为28度左右，黑体真实温度为34摄氏度的比较结果。图5是黑体模拟了人靠近了热电堆的情况，由于是模拟人靠近热电堆的情况，所有会出现物温跳跃的情况，属于正常现象。从图5中也可以看出，经过本发明处理后，黑体的实际测量温度与黑体的真实温度是非常接近的。
在某些实施例中，如果是针对单点测温的产品，那么测得的原始测温数据无需进行多维温度特征提取。
在某些实施例中，如果通过神经网络进行计算之后，得到测量物的实际测量温度跳动满足要求，则无需进行滤波处理。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
对应于上述的提升非接触式测温精度的方法，本发明具体实施例还提供了一种提升非接触式测温精度的装置，请参考图2，提升非接触式测温精度的装置1，包括获取模块11、特征提取模块12、特征前处理模块13、机器学习模块14以及滤波模块15；
获取模块11，用于获取环境温度数据以及测量物的原始测温数据；
特征提取模块12，用于从原始测温数据中提取出多维温度特征，以得到物温特征向量；
特征前处理模块13，用于对环境温度数据和原始测温数据进行预处理；
机器学习模块14，用于将预处理之后数据通过神经网络进行计算，以得到测量物的实际测量温度；
滤波模块15，用于对测量物的实际测量温度进行滤波处理。
在某些实施例中，如果是针对单点测温的产品，那么无需使用到特征提取模块。
在某些实施例中，如果通过神经网络进行计算之后，得到测量物的实际测量温度跳动满足要求，则无需通过滤波模块进行滤波处理。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明中各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将所述装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述装置中模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
上述仅以实施例来进一步说明本发明的技术内容，以便于读者更容易理解，但不代表本发明的实施方式仅限于此，任何依本发明所做的技术延伸或再创造，均受本发明的保护。本发明的保护范围以权利要求书为准。

Claims (9)

1.提升非接触式测温精度的方法，其特征在于，所述方法包括：
获取环境温度数据以及测量物的原始测温数据；
对环境温度数据和原始测温数据进行预处理；
将预处理之后数据通过神经网络进行计算，以得到测量物的实际测量温度。
2.根据权利要求1所述的提升非接触式测温精度的方法，其特征在于，所述对环境温度数据和原始测温数据进行预处理的步骤中，所述预处理为归一化处理。
3.根据权利要求1所述的提升非接触式测温精度的方法，其特征在于，所述环境温度数据和测量物的原始测温数据通过非接触式测温物件测量获得。
4.根据权利要求3所述的提升非接触式测温精度的方法，其特征在于，所述非接触式测温物件为热电堆。
5.根据权利要求1所述的提升非接触式测温精度的方法，其特征在于，所述获取环境温度数据以及测量物的原始测温数据的步骤之后，还包括：
从原始测温数据中提取出多维温度特征，以得到物温特征向量。
6.根据权利要求1所述的提升非接触式测温精度的方法，其特征在于，所述将预处理之后数据通过神经网络进行计算，以得到测量物的实际测量温度的步骤之后，还包括：
对测量物的实际测量温度进行滤波处理。
7.提升非接触式测温精度的装置，其特征在于，包括获取模块、特征前处理模块以及机器学习模块；
所述获取模块，用于获取环境温度数据以及测量物的原始测温数据；
所述特征前处理模块，用于对环境温度数据和原始测温数据进行预处理；
所述机器学习模块，用于将预处理之后数据通过神经网络进行计算，以得到测量物的实际测量温度。
8.根据权利要求7所述的提升非接触式测温精度的装置，其特征在于，所述装置还包括特征提取模块；
所述特征提取模块，用于从原始测温数据中提取出多维温度特征，以得到物温特征向量。
9.根据权利要求7所述的提升非接触式测温精度的装置，其特征在于，所述装置还包括滤波模块；
所述滤波模块，用于对测量物的实际测量温度进行滤波处理。
CN202011357420.7A 2020-11-27 2020-11-27 提升非接触式测温精度的方法及装置 Active CN112378527B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011357420.7A CN112378527B (zh) 2020-11-27 2020-11-27 提升非接触式测温精度的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011357420.7A CN112378527B (zh) 2020-11-27 2020-11-27 提升非接触式测温精度的方法及装置

Publications (2)

Publication Number Publication Date
CN112378527A true CN112378527A (zh) 2021-02-19
CN112378527B CN112378527B (zh) 2022-06-21

Family

ID=74588766

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011357420.7A Active CN112378527B (zh) 2020-11-27 2020-11-27 提升非接触式测温精度的方法及装置

Country Status (1)

Country Link
CN (1) CN112378527B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114544002A (zh) * 2022-02-17 2022-05-27 深圳市同为数码科技股份有限公司 测温跳变处理方法、装置、计算机设备及介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103728028A (zh) * 2013-12-31 2014-04-16 天津大学 红外热释电小波包能量人体热源特征提取与判别方法
CN104331735A (zh) * 2014-10-31 2015-02-04 国家电网公司 基于红外传感的有屏蔽罩结构gis触头温度计算方法
CN105509899A (zh) * 2016-01-26 2016-04-20 云南电网有限责任公司电力科学研究院 一种红外图像测温校准方法及系统
CN105763871A (zh) * 2014-12-18 2016-07-13 深圳市同为数码科技股份有限公司 一种摄像机清晰度的实时检测系统及检测方法
CN107576421A (zh) * 2017-08-23 2018-01-12 王沛 一种体温测量设备、方法及其装置
CN108682006A (zh) * 2018-04-25 2018-10-19 南京农业大学 非接触式罐装堆肥腐熟判断方法
CN110160670A (zh) * 2019-05-05 2019-08-23 深圳中集智能科技有限公司 人体体温检测装置
CN110288655A (zh) * 2019-06-28 2019-09-27 深圳市同为数码科技股份有限公司 一种自动识别chart图片中测试图案位置的方法及装置
CN111507124A (zh) * 2019-01-30 2020-08-07 北京入思技术有限公司 基于深度学习的非接触式视频测谎方法及系统
CN111765978A (zh) * 2020-06-19 2020-10-13 四川康佳智能终端科技有限公司 一种红外测温处理方法及系统、智能设备及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103728028A (zh) * 2013-12-31 2014-04-16 天津大学 红外热释电小波包能量人体热源特征提取与判别方法
CN104331735A (zh) * 2014-10-31 2015-02-04 国家电网公司 基于红外传感的有屏蔽罩结构gis触头温度计算方法
CN105763871A (zh) * 2014-12-18 2016-07-13 深圳市同为数码科技股份有限公司 一种摄像机清晰度的实时检测系统及检测方法
CN105509899A (zh) * 2016-01-26 2016-04-20 云南电网有限责任公司电力科学研究院 一种红外图像测温校准方法及系统
CN107576421A (zh) * 2017-08-23 2018-01-12 王沛 一种体温测量设备、方法及其装置
CN108682006A (zh) * 2018-04-25 2018-10-19 南京农业大学 非接触式罐装堆肥腐熟判断方法
CN111507124A (zh) * 2019-01-30 2020-08-07 北京入思技术有限公司 基于深度学习的非接触式视频测谎方法及系统
CN110160670A (zh) * 2019-05-05 2019-08-23 深圳中集智能科技有限公司 人体体温检测装置
CN110288655A (zh) * 2019-06-28 2019-09-27 深圳市同为数码科技股份有限公司 一种自动识别chart图片中测试图案位置的方法及装置
CN111765978A (zh) * 2020-06-19 2020-10-13 四川康佳智能终端科技有限公司 一种红外测温处理方法及系统、智能设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114544002A (zh) * 2022-02-17 2022-05-27 深圳市同为数码科技股份有限公司 测温跳变处理方法、装置、计算机设备及介质

Also Published As

Publication number Publication date
CN112378527B (zh) 2022-06-21

Similar Documents

Publication Publication Date Title
Rao et al. A residual convolutional neural network for pan-shaprening
Budzan et al. Face and eyes localization algorithm in thermal images for temperature measurement of the inner canthus of the eyes
Liang et al. Prediction of moisture content for congou black tea withering leaves using image features and nonlinear method
CN107430776A (zh) 模板制作装置和模板制作方法
CN105352998B (zh) 脉冲涡流红外热图像的独立成分个数确定方法
CN112378527B (zh) 提升非接触式测温精度的方法及装置
CN108573471A (zh) 图像处理装置、图像处理方法以及记录介质
CN110398291A (zh) 一种运动目标最高温检测方法及系统
Zhou et al. Intelligent reading recognition method of a pointer meter based on deep learning in a real environment
Liang et al. 3D plant modelling via hyperspectral imaging
CN111181634B (zh) 一种分布式光纤振动信号快速定位方法
CN107403161A (zh) 生物特征识别方法及装置
CN116958145B (zh) 图像处理方法、装置、视觉检测系统及电子设备
CN112200002A (zh) 一种体温测量方法、装置、终端设备及存储介质
Kim et al. ADOM: ADMM-based optimization model for stripe noise removal in remote sensing image
Wang et al. LBP-based edge detection method for depth images with low resolutions
Tanwong et al. Using digital image to classify phenotype of the rice grain quality under agricultural standards act
Molnár et al. ToFNest: Efficient normal estimation for time-of-flight depth cameras
CN115546271A (zh) 基于深度联合表征的视觉分析方法、装置、设备及介质
Qu et al. Feature-level fusion of dual-band infrared images based on gradient pyramid decomposition
CN115183884A (zh) 电热协同系统的红外测温补偿方法及装置
Lam A fast approach for detecting human faces in a complex background
Nuraini Implementasi Euclidean Distance dan Segmentasi K-Means Clustering Pada Identifikasi Citra Jenis Ikan Nila
Jiang et al. Homogeneous transformation based on deep-level features in heterogeneous remote sensing images
CN110930344B (zh) 一种目标的质量确定方法、装置、系统及电子设备

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