CN112561891B - 图像质量检测方法、装置、设备及存储介质 - Google Patents

图像质量检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112561891B
CN112561891B CN202011511551.6A CN202011511551A CN112561891B CN 112561891 B CN112561891 B CN 112561891B CN 202011511551 A CN202011511551 A CN 202011511551A CN 112561891 B CN112561891 B CN 112561891B
Authority
CN
China
Prior art keywords
image quality
quality detection
image
model
training
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
Application number
CN202011511551.6A
Other languages
English (en)
Other versions
CN112561891A (zh
Inventor
韩浩瀚
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.)
Shenzhen Saiante Technology Service Co Ltd
Original Assignee
Shenzhen Saiante Technology Service 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 Shenzhen Saiante Technology Service Co Ltd filed Critical Shenzhen Saiante Technology Service Co Ltd
Priority to CN202011511551.6A priority Critical patent/CN112561891B/zh
Publication of CN112561891A publication Critical patent/CN112561891A/zh
Application granted granted Critical
Publication of CN112561891B publication Critical patent/CN112561891B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

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

Abstract

本发明涉及人工智能领域，提供一种图像质量检测方法、装置、设备及存储介质，能够将张量范数特征引入神经网络，丰富了神经网络的形态，从而丰富了神经网络的特征空间，并改进了网络的泛化能力，增加了模型的表达能力，从而改善了模型的效果，获取图像质量检测模型的输出数据作为图像质量检测结果，进而基于改进的模型自动进行图像质量检测，有效保证了检测效果，为解决机器视觉问题提供有力的数据基础。本发明还可以应用于智慧交通、智慧安防等场景中，从而推动智慧城市的建设。此外，本发明还涉及区块链技术，图像质量检测结果可存储于区块链节点中。

Description

图像质量检测方法、装置、设备及存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种图像质量检测方法、装置、设备及存储介质。
背景技术
现有的神经网络设计多在网络结构上进行创新，或者在激活函数上进行创新。前者是在宏观结构上进行的，而后者是在组成单元上进行的。但组成单元(即神经元)还有一部分是线性单元，主要采用内积的计算方法，但内积在表达相似性时需要模板(即神经元的参数)的指导，而模板就存在着分量对齐的问题。
并且，由于采用了内积线性单元，当前的神经网络在应用于CV(Computer Vision，计算机视觉)问题时总是会面临诸多问题的困扰，如尺度问题、旋转不变性问题等。内积线性单元与多样化的信号间存在一定的不匹配，是当前网络参数量通常大于训练数据的诱因之一，同时也在一定程度上影响了网络的表达能力和泛化能力。
图像质量检测作为CV问题的重要领域，重要应用的是统计特征，但神经网络具有万能逼近特性，如果最佳特征是几种统计量，由深度学习来训练要搭建很多层网络才能实现，训练难度较高。
发明内容
鉴于以上内容，有必要提供一种图像质量检测方法、装置、设备及存储介质，能够有效保证图像质量检测效果，为解决机器视觉问题提供有力的数据基础。
本申请一方面提出一种图像质量检测方法，所述图像质量检测方法包括：
响应于图像质量检测指令，解析所述图像质量检测指令，得到解析结果，并根据所述解析结果获取初始模型；
采用张量范数特征构建目标神经元；
识别所述初始模型中的线性单元，并以所述目标神经元替换所述线性单元，得到中间模型；
获取训练数据，并以所述训练数据对所述中间模型进行训练，得到图像质量检测模型；
当接收到待检测图像时，对所述待检测图像进行特征截取，得到目标图像；
将所述目标图像输入至所述图像质量检测模型，并获取所述图像质量检测模型的输出数据作为所述待检测图像的图像质量检测结果。
根据本发明优选实施例，所述解析所述图像质量检测指令，得到解析结果，并根据所述解析结果获取初始模型包括：
解析所述图像质量检测指令的方法体，得到所述图像质量检测指令所携带的信息；
获取预设标签；
根据所述预设标签构建正则表达式；
利用所述正则表达式在所述图像质量检测指令所携带的信息中进行遍历，并将遍历到的数据确定为所述初始模型的标识；
根据所述初始模型的标识获取所述初始模型。
根据本发明优选实施例，所述方法还包括：
采用张量范数特征根据下述公式构建目标神经元：
其中，x为输入，为范数算子，f为激活函数，y为所述目标神经元。
根据本发明优选实施例，所述获取训练数据包括：
确定检测的图像类型；
采用网络爬虫技术，基于所述图像类型进行数据的爬取，得到所述训练数据；及/或
采用指定工具，根据所述图像类型进行视频模拟，得到初始视频，获取所述初始视频所包含的所有帧图片，并对所述所有帧图片进行特征提取，得到所述训练数据。
根据本发明优选实施例，所述对所述所有帧图片进行特征截取，得到所述训练数据包括：
将所述所有帧图片中的每张帧图片输入至YOLOv3网络中进行识别，得到每张帧图片的目标区域；
根据每张帧图片的目标区域截取对应的每张帧图片，得到每个子样本；
整合得到的子样本作为所述训练数据。
根据本发明优选实施例，所述以所述训练数据对所述中间模型进行训练，得到图像质量检测模型包括：
将所述训练数据按照预设比例进行拆分，得到训练集及验证集；
采用梯度下降及反向传播算法，根据所述训练集训练所述中间模型；
当所述中间模型的损失值达到收敛时，根据所述验证集对所述中间模型进行验证；
当所述中间模型通过验证时，停止训练，得到所述图像质量检测模型。
根据本发明优选实施例，在获取所述图像质量检测模型的输出数据作为所述待检测图像的图像质量检测结果后，所述方法还包括：
当所述图像质量检测结果为目标结果时，确定所述待检测图像的采集设备；
连接至所述采集设备，并获取所述采集设备的参数配置模式；
记录所述采集设备的参数配置模式，并将所述参数配置模式发送至指定终端设备。
本申请另一方面还提出一种图像质量检测装置，所述图像质量检测装置包括：
解析单元，用于响应于图像质量检测指令，解析所述图像质量检测指令，得到解析结果，并根据所述解析结果获取初始模型；
构建单元，用于采用张量范数特征构建目标神经元；
替换单元，用于识别所述初始模型中的线性单元，并以所述目标神经元替换所述线性单元，得到中间模型；
训练单元，用于获取训练数据，并以所述训练数据对所述中间模型进行训练，得到图像质量检测模型；
截取单元，用于当接收到待检测图像时，对所述待检测图像进行特征截取，得到目标图像；
检测单元，用于将所述目标图像输入至所述图像质量检测模型，并获取所述图像质量检测模型的输出数据作为所述待检测图像的图像质量检测结果。
本申请另一方面还提出一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现所述图像质量检测方法。
本申请另一方面还提出一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现所述图像质量检测方法。
由以上技术方案可以看出，本发明能够响应于图像质量检测指令，解析所述图像质量检测指令，得到解析结果，并根据所述解析结果获取初始模型，采用张量范数特征构建目标神经元，识别所述初始模型中的线性单元，并以所述目标神经元替换所述线性单元，得到中间模型，将张量范数特征引入神经网络，丰富了神经网络的形态，从而丰富了神经网络的特征空间，并改进了网络的泛化能力，增加了模型的表达能力，从而改善了模型的效果，获取训练数据，并以所述训练数据对所述中间模型进行训练，得到图像质量检测模型，当接收到待检测图像时，对所述待检测图像进行特征截取，得到目标图像，将所述目标图像输入至所述图像质量检测模型，并获取所述图像质量检测模型的输出数据作为所述待检测图像的图像质量检测结果，进而能够基于改进的模型自动进行图像质量检测，有效保证了检测效果，为解决机器视觉问题提供有力的数据基础。
附图说明
图1是本发明图像质量检测方法的一实施例的流程图。
图2是本发明图像质量检测装置的一实施例的功能模块图。
图3是本发明实现图像质量检测方法的一实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明图像质量检测方法的一实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述图像质量检测方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital SignalProcessor，DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
S10，响应于图像质量检测指令，解析所述图像质量检测指令，得到解析结果，并根据所述解析结果获取初始模型。
在本发明的至少一个实施例中，所述图像检测指令可以由管控图像质量的监管人员触发，也可以由负责采集图像的工作人员触发，还可以由利用采集的图像进行分析的相关工程师触发，本发明不限制。
进一步地，所述初始模型可以包括resnet50等，本发明不限制。
在本发明的至少一个实施例中，所述解析所述图像质量检测指令，得到解析结果，并根据所述解析结果获取初始模型包括：
解析所述图像质量检测指令的方法体，得到所述图像质量检测指令所携带的信息；
获取预设标签；
根据所述预设标签构建正则表达式；
利用所述正则表达式在所述图像质量检测指令所携带的信息中进行遍历，并将遍历到的数据确定为所述初始模型的标识；
根据所述初始模型的标识获取所述初始模型。
具体地，所述图像质量检测指令实质上是一条代码，在所述图像质量检测指令中，根据代码的编写原则，{}之间的内容被称之为所述方法体。
所述预设标签可以进行自定义配置，所述预设标签与模型具有一一对应的关系，例如：所述预设标签可以是MID，进一步以所述预设标签建立正则表达式MID()，并以MID()进行遍历。
具体地，所述利用所述正则表达式在所述图像质量检测指令所携带的信息中进行遍历包括：采用所述正则表达式逐个检测所述图像质量检测指令所携带的信息中的每个数据，并找到与所述正则表达式对应的数据。例如：当以MID()进行遍历时，检测到标识12345，则生成MID(12345)，其中，12345就是遍历到的数据。
通过上实施方式，能够基于正则表达式及预设标签快速确定初始模型。
S11，采用张量范数特征构建目标神经元。
在面对CV(Computer Vision，计算机视觉)问题时，图像质量是直接影响最终图像处理结果的关键因素，因此，需要对图像进行有效的质量检测，而决定图像质量的统计特征影响巨大，却不能在现有的深度学习网络下被简捷地表达。
具体而言，深度学习有多个层，每层又有多个神经元，每个神经元有与输入相匹配的参数，每个神经元与输入作内积运算，并使用激活函数对内积进行变换。由此可见，深度学习的基本运算单元是由输入和参数相互作用的结果，而常见的统计计算都是在输入上进行，无需参数。虽然一阶原点距(均值)的计算可以在需要时由神经网络通过调整参数为1/N(其中，N为输入个数)得到，但是二阶中心距(方差)需要在一阶原点距的基础上逐元素求平方，再求一阶原点距才能近似得到，其中的平方操作在现有的神经网络操作中是不存在的，通过万能逼近需要足够深的网络才能近似实现，高阶原点距更是需要特征值对自身操作才能得到。而特征值的平方，乃至多次方在传统机器学习领域是升维作特征变换的有力工具。
因此，针对上述问题，有必要对深度学习的基本构件进行扩充，将内积运算扩增到更加一般的范数运算，从而增加深度学习网络的表达能力和特征提取能力。下面将具体阐述将内积运算扩增到更加一般的范数运算的方式。
具体地，所述方法还包括：
采用张量范数特征根据下述公式构建目标神经元：
其中，x为输入，φ为范数算子，f为激活函数，y为所述目标神经元。
需要说明的是，所述范数算子可以包括均值算子及均方差算子。
例如：构建的所述目标神经元可以为如下形式：
y＝ReLU(F(ω*x)
其中，x是神经元的输入；ω是尺度系数，与x具有相同的形状；ω*x是ω与x对应元素相乘后保留原位置的结果；y为神经元的输出；F代表张量范数，如均值、方差、多阶原点矩、多阶中心矩、0-范数、1-范数、2-范数等；ReLU为激活函数。当然，在其他实施例中，ReLU可使用其他激活函数进行替换。
需要说明的是，现有的神经网络中主要采用线性单元，形式如下：
m＝J(W·n+b)
其中，W为参数，m为输入，b为偏置，J为激活函数，n为输出。
不同于现有网络结构中通常采用线性单元的特征提取方式，本实施方式将张量范数特征引入神经网络，丰富了神经网络的形态，从而丰富了神经网络的特征空间，并改进了网络的泛化能力。
S12，识别所述初始模型中的线性单元，并以所述目标神经元替换所述线性单元，得到中间模型。
例如：对于卷积神经网络构成的所述初始模型，当识别到前三层网络结构为线性单元时，将网络中的前三层替换为所述目标神经元，得到所述中间模型。
通过上述实施方式，改进了传统网络结构中的神经元，增加了模型的表达能力，从而改善了模型的效果。
S13，获取训练数据，并以所述训练数据对所述中间模型进行训练，得到图像质量检测模型。
在本发明的至少一个实施例中，所述获取训练数据包括：
确定检测的图像类型；
采用网络爬虫技术，基于所述图像类型进行数据的爬取，得到所述训练数据；及/或
采用指定工具，根据所述图像类型进行视频模拟，得到初始视频，获取所述初始视频所包含的所有帧图片，并对所述所有帧图片进行特征提取，得到所述训练数据。
例如：所述图像类型可以包括：人脸图像、动物图像等。
所述指定工具是指可以用于视频模拟的工具，如：Easy Video Splitter、DaVinciResolve等，本发明不限制。
通过上述实施方式，结合网络爬虫技术及视频模拟，有效解决了现有技术中数据量不足的问题，以充足的数据进行模型的训练，能够使模型的训练效果更佳。
进一步地，所述对所述所有帧图片进行特征截取，得到所述训练数据包括：
将所述所有帧图片中的每张帧图片输入至YOLOv3网络中进行识别，得到每张帧图片的目标区域；
根据每张帧图片的目标区域截取对应的每张帧图片，得到每个子样本；
整合得到的子样本作为所述训练数据。
其中，所述目标区域可以是需要进行图像处理的区域，如：人脸区域等。
通过上述实施方式，由于YOLOv3网络本身具备较高的稳定精度，因此，以YOLOv3网络进行特征的截取，能够得到准确的样本进行训练。同时，由于首先进行了指定特征的截取，也提高了后续模型训练的速度及准确度。
进一步地，所述以所述训练数据对所述中间模型进行训练，得到图像质量检测模型包括：
将所述训练数据按照预设比例进行拆分，得到训练集及验证集；
采用梯度下降及反向传播算法，根据所述训练集训练所述中间模型；
当所述中间模型的损失值达到收敛时，根据所述验证集对所述中间模型进行验证；
当所述中间模型通过验证时，停止训练，得到所述图像质量检测模型。
其中，所述预设比例可以根据实际需求进行自定义配置，如8∶2。
通过上述实施方式，以训练集及验证集分别进行模型的训练及验证，能够使训练的模型更加准确，保证模型的训练效果。
S14，当接收到待检测图像时，对所述待检测图像进行特征截取，得到目标图像。
在本发明的至少一个实施例中，所述对所述待检测图像进行特征截取，得到目标图像包括：
将所述待检测图像输入至YOLOv3网络中进行识别，得到所述待检测图像的目标区域；
根据所述待检测图像的目标区域截取所述待检测图像，得到所述目标图像。
通过上述实施方式，能够首先对所述待检测图像进行特征截取，提高检测效率。
S15，将所述目标图像输入至所述图像质量检测模型，并获取所述图像质量检测模型的输出数据作为所述待检测图像的图像质量检测结果。
通过上述实施方式，能够基于改进的模型自动进行图像质量检测，有效保证了检测效果，为解决机器视觉问题提供有力的数据基础。
在本发明的至少一个实施例中，在获取所述图像质量检测模型的输出数据作为所述待检测图像的图像质量检测结果后，所述方法还包括：
当所述图像质量检测结果为目标结果时，确定所述待检测图像的采集设备；
连接至所述采集设备，并获取所述采集设备的参数配置模式；
记录所述采集设备的参数配置模式，并将所述参数配置模式发送至指定终端设备。
在本实施例中，所述指定终端设备可以包括负责进行数据采集的相关人员的终端设备。
在本实施例中，所述图像质量检测结果可以包括：所述目标结果及非目标结果。
其中，所述目标结果表示图像质量较高，便于后续针对图像进行分析及处理，所述非目标检测结果表示图像质量较差，不适合用来分析计算。
因此，作为机器视觉系统的重要组成部分之一的图像处理等的相关应用，图像质量直接影响着图像处理的效果，因此，记录高质量图像的采集模式，能够为后续的图像采集提供参考依据，使采集到的图像的可用性更强，为解决机器视觉问题提供有力的数据基础。
需要说明的是，为了进一步保证数据的安全性，可以将所述待检测图像的图像质量检测结果存储于区块链，以避免数据被恶意篡改。
由以上技术方案可以看出，本发明能够响应于图像质量检测指令，解析所述图像质量检测指令，得到解析结果，并根据所述解析结果获取初始模型，采用张量范数特征构建目标神经元，识别所述初始模型中的线性单元，并以所述目标神经元替换所述线性单元，得到中间模型，将张量范数特征引入神经网络，丰富了神经网络的形态，从而丰富了神经网络的特征空间，并改进了网络的泛化能力，增加了模型的表达能力，从而改善了模型的效果，获取训练数据，并以所述训练数据对所述中间模型进行训练，得到图像质量检测模型，当接收到待检测图像时，对所述待检测图像进行特征截取，得到目标图像，将所述目标图像输入至所述图像质量检测模型，并获取所述图像质量检测模型的输出数据作为所述待检测图像的图像质量检测结果，进而能够基于改进的模型自动进行图像质量检测，有效保证了检测效果，为解决机器视觉问题提供有力的数据基础。
如图2所示，是本发明图像质量检测装置的一实施例的功能模块图。所述图像质量检测装置11包括解析单元110、构建单元111、替换单元112、训练单元113、截取单元114、检测单元115。本发明所称的模块/单元是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机程序段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
响应于图像质量检测指令，解析单元110解析所述图像质量检测指令，得到解析结果，并根据所述解析结果获取初始模型。
在本发明的至少一个实施例中，所述图像检测指令可以由管控图像质量的监管人员触发，也可以由负责采集图像的工作人员触发，还可以由利用采集的图像进行分析的相关工程师触发，本发明不限制。
进一步地，所述初始模型可以包括resnet50等，本发明不限制。
在本发明的至少一个实施例中，所述解析单元110解析所述图像质量检测指令，得到解析结果，并根据所述解析结果获取初始模型包括：
解析所述图像质量检测指令的方法体，得到所述图像质量检测指令所携带的信息；
获取预设标签；
根据所述预设标签构建正则表达式；
利用所述正则表达式在所述图像质量检测指令所携带的信息中进行遍历，并将遍历到的数据确定为所述初始模型的标识；
根据所述初始模型的标识获取所述初始模型。
具体地，所述图像质量检测指令实质上是一条代码，在所述图像质量检测指令中，根据代码的编写原则，{}之间的内容被称之为所述方法体。
所述预设标签可以进行自定义配置，所述预设标签与模型具有一一对应的关系，例如：所述预设标签可以是MID，进一步以所述预设标签建立正则表达式MID()，并以MID()进行遍历。
具体地，所述利用所述正则表达式在所述图像质量检测指令所携带的信息中进行遍历包括：采用所述正则表达式逐个检测所述图像质量检测指令所携带的信息中的每个数据，并找到与所述正则表达式对应的数据。例如：当以MID()进行遍历时，检测到标识12345，则生成MID(12345)，其中，12345就是遍历到的数据。
通过上实施方式，能够基于正则表达式及预设标签快速确定初始模型。
构建单元111采用张量范数特征构建目标神经元。
在面对CV(Computer Vision，计算机视觉)问题时，图像质量是直接影响最终图像处理结果的关键因素，因此，需要对图像进行有效的质量检测，而决定图像质量的统计特征影响巨大，却不能在现有的深度学习网络下被简捷地表达。
具体而言，深度学习有多个层，每层又有多个神经元，每个神经元有与输入相匹配的参数，每个神经元与输入作内积运算，并使用激活函数对内积进行变换。由此可见，深度学习的基本运算单元是由输入和参数相互作用的结果，而常见的统计计算都是在输入上进行，无需参数。虽然一阶原点距(均值)的计算可以在需要时由神经网络通过调整参数为1/N(其中，N为输入个数)得到，但是二阶中心距(方差)需要在一阶原点距的基础上逐元素求平方，再求一阶原点距才能近似得到，其中的平方操作在现有的神经网络操作中是不存在的，通过万能逼近需要足够深的网络才能近似实现，高阶原点距更是需要特征值对自身操作才能得到。而特征值的平方，乃至多次方在传统机器学习领域是升维作特征变换的有力工具。
因此，针对上述问题，有必要对深度学习的基本构件进行扩充，将内积运算扩增到更加一般的范数运算，从而增加深度学习网络的表达能力和特征提取能力。下面将具体阐述将内积运算扩增到更加一般的范数运算的方式。
具体地，所述构建单元111采用张量范数特征根据下述公式构建目标神经元：
其中，x为输入，φ为范数算子，f为激活函数，y为所述目标神经元。
需要说明的是，所述范数算子可以包括均值算子及均方差算子。
例如：构建的所述目标神经元可以为如下形式：
y＝ReLU(F(ω*x)
其中，x是神经元的输入；ω是尺度系数，与x具有相同的形状；ω*x是ω与x对应元素相乘后保留原位置的结果；y为神经元的输出；F代表张量范数，如均值、方差、多阶原点矩、多阶中心矩、0-范数、1-范数、2-范数等；ReLU为激活函数。当然，在其他实施例中，ReLU可使用其他激活函数进行替换。
需要说明的是，现有的神经网络中主要采用线性单元，形式如下：
m＝J(W·n+b)
其中，W为参数，m为输入，b为偏置，J为激活函数，n为输出。
不同于现有网络结构中通常采用线性单元的特征提取方式，本实施方式将张量范数特征引入神经网络，丰富了神经网络的形态，从而丰富了神经网络的特征空间，并改进了网络的泛化能力。
替换单元112识别所述初始模型中的线性单元，并以所述目标神经元替换所述线性单元，得到中间模型。
例如：对于卷积神经网络构成的所述初始模型，当识别到前三层网络结构为线性单元时，将网络中的前三层替换为所述目标神经元，得到所述中间模型。
通过上述实施方式，改进了传统网络结构中的神经元，增加了模型的表达能力，从而改善了模型的效果。
训练单元113获取训练数据，并以所述训练数据对所述中间模型进行训练，得到图像质量检测模型。
在本发明的至少一个实施例中，所述训练单元113获取训练数据包括：
确定检测的图像类型；
采用网络爬虫技术，基于所述图像类型进行数据的爬取，得到所述训练数据；及/或
采用指定工具，根据所述图像类型进行视频模拟，得到初始视频，获取所述初始视频所包含的所有帧图片，并对所述所有帧图片进行特征提取，得到所述训练数据。
例如：所述图像类型可以包括：人脸图像、动物图像等。
所述指定工具是指可以用于视频模拟的工具，如：Easy Video Splitter、DaVinciResolve等，本发明不限制。
通过上述实施方式，结合网络爬虫技术及视频模拟，有效解决了现有技术中数据量不足的问题，以充足的数据进行模型的训练，能够使模型的训练效果更佳。
进一步地，所述对所述所有帧图片进行特征截取，得到所述训练数据包括：
将所述所有帧图片中的每张帧图片输入至YOLOv3网络中进行识别，得到每张帧图片的目标区域；
根据每张帧图片的目标区域截取对应的每张帧图片，得到每个子样本；
整合得到的子样本作为所述训练数据。
其中，所述目标区域可以是需要进行图像处理的区域，如：人脸区域等。
通过上述实施方式，由于YOLOv3网络本身具备较高的稳定精度，因此，以YOLOv3网络进行特征的截取，能够得到准确的样本进行训练。同时，由于首先进行了指定特征的截取，也提高了后续模型训练的速度及准确度。
进一步地，所述训练单元113以所述训练数据对所述中间模型进行训练，得到图像质量检测模型包括：
将所述训练数据按照预设比例进行拆分，得到训练集及验证集；
采用梯度下降及反向传播算法，根据所述训练集训练所述中间模型；
当所述中间模型的损失值达到收敛时，根据所述验证集对所述中间模型进行验证；
当所述中间模型通过验证时，停止训练，得到所述图像质量检测模型。
其中，所述预设比例可以根据实际需求进行自定义配置，如8∶2。
通过上述实施方式，以训练集及验证集分别进行模型的训练及验证，能够使训练的模型更加准确，保证模型的训练效果。
当接收到待检测图像时，截取单元114对所述待检测图像进行特征截取，得到目标图像。
在本发明的至少一个实施例中，所述截取单元114对所述待检测图像进行特征截取，得到目标图像包括：
将所述待检测图像输入至YOLOv3网络中进行识别，得到所述待检测图像的目标区域；
根据所述待检测图像的目标区域截取所述待检测图像，得到所述目标图像。
通过上述实施方式，能够首先对所述待检测图像进行特征截取，提高检测效率。
检测单元115将所述目标图像输入至所述图像质量检测模型，并获取所述图像质量检测模型的输出数据作为所述待检测图像的图像质量检测结果。
通过上述实施方式，能够基于改进的模型自动进行图像质量检测，有效保证了检测效果，为解决机器视觉问题提供有力的数据基础。
在本发明的至少一个实施例中，在获取所述图像质量检测模型的输出数据作为所述待检测图像的图像质量检测结果后，当所述图像质量检测结果为目标结果时，确定所述待检测图像的采集设备；
连接至所述采集设备，并获取所述采集设备的参数配置模式；
记录所述采集设备的参数配置模式，并将所述参数配置模式发送至指定终端设备。
在本实施例中，所述指定终端设备可以包括负责进行数据采集的相关人员的终端设备。
在本实施例中，所述图像质量检测结果可以包括：所述目标结果及非目标结果。
其中，所述目标结果表示图像质量较高，便于后续针对图像进行分析及处理，所述非目标检测结果表示图像质量较差，不适合用来分析计算。
因此，作为机器视觉系统的重要组成部分之一的图像处理等的相关应用，图像质量直接影响着图像处理的效果，因此，记录高质量图像的采集模式，能够为后续的图像采集提供参考依据，使采集到的图像的可用性更强，为解决机器视觉问题提供有力的数据基础。
需要说明的是，为了进一步保证数据的安全性，可以将所述待检测图像的图像质量检测结果存储于区块链，以避免数据被恶意篡改。
由以上技术方案可以看出，本发明能够响应于图像质量检测指令，解析所述图像质量检测指令，得到解析结果，并根据所述解析结果获取初始模型，采用张量范数特征构建目标神经元，识别所述初始模型中的线性单元，并以所述目标神经元替换所述线性单元，得到中间模型，将张量范数特征引入神经网络，丰富了神经网络的形态，从而丰富了神经网络的特征空间，并改进了网络的泛化能力，增加了模型的表达能力，从而改善了模型的效果，获取训练数据，并以所述训练数据对所述中间模型进行训练，得到图像质量检测模型，当接收到待检测图像时，对所述待检测图像进行特征截取，得到目标图像，将所述目标图像输入至所述图像质量检测模型，并获取所述图像质量检测模型的输出数据作为所述待检测图像的图像质量检测结果，进而能够基于改进的模型自动进行图像质量检测，有效保证了检测效果，为解决机器视觉问题提供有力的数据基础。
如图3所示，是本发明实现图像质量检测方法的一实施例的电子设备的结构示意图。
所述电子设备1可以包括存储器12、处理器13和总线，还可以包括存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如图像质量检测程序。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，所述电子设备1既可以是总线型结构，也可以是星形结构，所述电子设备1还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置，例如所述电子设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是，所述电子设备1仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。
其中，存储器12至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，存储器12还可以既包括电子设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如图像质量检测程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是所述电子设备1的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备1的各个部件，通过运行或执行存储在所述存储器12内的程序或者模块(例如执行图像质量检测程序等)，以及调用存储在所述存储器12内的数据，以执行电子设备1的各种功能和处理数据。
所述处理器13执行所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个图像质量检测方法实施例中的步骤，例如图1所示的步骤。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述电子设备1中的执行过程。例如，所述计算机程序可以被分割成解析单元110、构建单元111、替换单元112、训练单元113、截取单元114、检测单元115。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块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、计算机设备，或者网络设备等)或处理器(processor)执行本发明各个实施例所述图像质量检测方法的部分。
所述电子设备1集成的模块/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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指示相关的硬件设备来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器等。
进一步地，计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，在图3中仅用一根箭头表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器13逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
图3仅示出了具有组件12-13的电子设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
结合图1，所述电子设备1中的所述存储器12存储多个指令以实现一种图像质量检测方法，所述处理器13可执行所述多个指令从而实现：
响应于图像质量检测指令，解析所述图像质量检测指令，得到解析结果，并根据所述解析结果获取初始模型；
采用张量范数特征构建目标神经元；
识别所述初始模型中的线性单元，并以所述目标神经元替换所述线性单元，得到中间模型；
获取训练数据，并以所述训练数据对所述中间模型进行训练，得到图像质量检测模型；
当接收到待检测图像时，对所述待检测图像进行特征截取，得到目标图像；
将所述目标图像输入至所述图像质量检测模型，并获取所述图像质量检测模型的输出数据作为所述待检测图像的图像质量检测结果。
具体地，所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。
另外，在本发明各个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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照一实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (9)

1.一种图像质量检测方法，其特征在于，所述图像质量检测方法包括：
响应于图像质量检测指令，解析所述图像质量检测指令，得到解析结果，并根据所述解析结果获取初始模型；
采用张量范数特征构建目标神经元，包括：采用所述张量范数特征根据下述公式构建目标神经元：
y＝f(φ(x))
其中，x为输入，φ为范数算子，f为激活函数，y为所述目标神经元；
识别所述初始模型中的线性单元，并以所述目标神经元替换所述线性单元，得到中间模型；
获取训练数据，并以所述训练数据对所述中间模型进行训练，得到图像质量检测模型；
当接收到待检测图像时，对所述待检测图像进行特征提取，得到目标图像；
将所述目标图像输入至所述图像质量检测模型，并获取所述图像质量检测模型的输出数据作为所述待检测图像的图像质量检测结果。
2.如权利要求1所述的图像质量检测方法，其特征在于，所述解析所述图像质量检测指令，得到解析结果，并根据所述解析结果获取初始模型包括：
解析所述图像质量检测指令的方法体，得到所述图像质量检测指令所携带的信息；
获取预设标签；
根据所述预设标签构建正则表达式；
利用所述正则表达式在所述图像质量检测指令所携带的信息中进行遍历，并将遍历到的数据确定为所述初始模型的标识；
根据所述初始模型的标识获取所述初始模型。
3.如权利要求1所述的图像质量检测方法，其特征在于，所述获取训练数据包括：
确定检测的图像类型；
采用网络爬虫技术，基于所述图像类型进行数据的爬取，得到所述训练数据；及/或
采用指定工具，根据所述图像类型进行视频模拟，得到初始视频，获取所述初始视频所包含的所有帧图片，并对所述所有帧图片进行特征提取，得到所述训练数据。
4.如权利要求3所述的图像质量检测方法，其特征在于，所述对所述所有帧图片进行特征提取，得到所述训练数据包括：
将所述所有帧图片中的每张帧图片输入至YOLOv3网络中进行识别，得到每张帧图片的目标区域；
根据每张帧图片的目标区域截取对应的每张帧图片，得到每个子样本；
整合得到的子样本作为所述训练数据。
5.如权利要求1所述的图像质量检测方法，其特征在于，所述以所述训练数据对所述中间模型进行训练，得到图像质量检测模型包括：
将所述训练数据按照预设比例进行拆分，得到训练集及验证集；
采用梯度下降及反向传播算法，根据所述训练集训练所述中间模型；
当所述中间模型的损失值达到收敛时，根据所述验证集对所述中间模型进行验证；
当所述中间模型通过验证时，停止训练，得到所述图像质量检测模型。
6.如权利要求1所述的图像质量检测方法，其特征在于，在获取所述图像质量检测模型的输出数据作为所述待检测图像的图像质量检测结果后，所述方法还包括：
当所述图像质量检测结果为目标结果时，确定所述待检测图像的采集设备；
连接至所述采集设备，并获取所述采集设备的参数配置模式；
记录所述采集设备的参数配置模式，并将所述参数配置模式发送至指定终端设备。
7.一种图像质量检测装置，其特征在于，所述图像质量检测装置包括实现如权利要求1至6中任意一项所述的图像质量检测方法的单元，所述图像质量检测装置包括：
解析单元，用于响应于图像质量检测指令，解析所述图像质量检测指令，得到解析结果，并根据所述解析结果获取初始模型；
构建单元，用于采用张量范数特征构建目标神经元；
替换单元，用于识别所述初始模型中的线性单元，并以所述目标神经元替换所述线性单元，得到中间模型；
训练单元，用于获取训练数据，并以所述训练数据对所述中间模型进行训练，得到图像质量检测模型；
截取单元，用于当接收到待检测图像时，对所述待检测图像进行特征提取，得到目标图像；
检测单元，用于将所述目标图像输入至所述图像质量检测模型，并获取所述图像质量检测模型的输出数据作为所述待检测图像的图像质量检测结果。
8.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现如权利要求1至6中任意一项所述的图像质量检测方法。
9.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现如权利要求1至6中任意一项所述的图像质量检测方法。
CN202011511551.6A 2020-12-18 2020-12-18 图像质量检测方法、装置、设备及存储介质 Active CN112561891B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011511551.6A CN112561891B (zh) 2020-12-18 2020-12-18 图像质量检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011511551.6A CN112561891B (zh) 2020-12-18 2020-12-18 图像质量检测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112561891A CN112561891A (zh) 2021-03-26
CN112561891B true CN112561891B (zh) 2024-04-16

Family

ID=75030510

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011511551.6A Active CN112561891B (zh) 2020-12-18 2020-12-18 图像质量检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112561891B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113643265A (zh) * 2021-08-19 2021-11-12 深圳赛安特技术服务有限公司 基于人工智能的质量等级确定方法、装置、设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104992167A (zh) * 2015-07-28 2015-10-21 中国科学院自动化研究所 一种基于卷积神经网络的人脸检测方法及装置
CN110659563A (zh) * 2019-08-12 2020-01-07 国网湖南省电力有限公司 基于改进YOLOv3网络的电网调度图纸自动识别方法、系统及介质
CN111179235A (zh) * 2019-12-23 2020-05-19 沈阳先进医疗设备技术孵化中心有限公司 图像检测模型的生成方法及装置、应用方法及装置
CN111770317A (zh) * 2020-07-22 2020-10-13 平安国际智慧城市科技股份有限公司 用于智慧社区的视频监控方法、装置、设备及介质
CN111815640A (zh) * 2020-07-21 2020-10-23 江苏经贸职业技术学院 一种基于忆阻器的rbf神经网络医学图像分割算法
CN111985504A (zh) * 2020-08-17 2020-11-24 中国平安人寿保险股份有限公司 基于人工智能的翻拍检测方法、装置、设备及介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11645835B2 (en) * 2017-08-30 2023-05-09 Board Of Regents, The University Of Texas System Hypercomplex deep learning methods, architectures, and apparatus for multimodal small, medium, and large-scale data representation, analysis, and applications
US11625554B2 (en) * 2019-02-04 2023-04-11 International Business Machines Corporation L2-nonexpansive neural networks

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104992167A (zh) * 2015-07-28 2015-10-21 中国科学院自动化研究所 一种基于卷积神经网络的人脸检测方法及装置
CN110659563A (zh) * 2019-08-12 2020-01-07 国网湖南省电力有限公司 基于改进YOLOv3网络的电网调度图纸自动识别方法、系统及介质
CN111179235A (zh) * 2019-12-23 2020-05-19 沈阳先进医疗设备技术孵化中心有限公司 图像检测模型的生成方法及装置、应用方法及装置
CN111815640A (zh) * 2020-07-21 2020-10-23 江苏经贸职业技术学院 一种基于忆阻器的rbf神经网络医学图像分割算法
CN111770317A (zh) * 2020-07-22 2020-10-13 平安国际智慧城市科技股份有限公司 用于智慧社区的视频监控方法、装置、设备及介质
CN111985504A (zh) * 2020-08-17 2020-11-24 中国平安人寿保险股份有限公司 基于人工智能的翻拍检测方法、装置、设备及介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A novel finger vein image quality evaluation method based on triangular norm;Jialiang Peng等;《2014 tenth international conference on intelligent information hiding and multimedia signal processing》;20141129;239-242 *
基于图像相异性的水印印刷图像质量评价方法研究;王娟娟;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20150115(第01期);B024-397 *
基于数据挖掘的集成预测方法对东北地区降水的预测;范雅秋;《中国优秀硕士学位论文全文数据库 基础科学辑》;20170415(第04期);A009-2 *

Also Published As

Publication number Publication date
CN112561891A (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
CN111694840B (zh) 数据同步方法、装置、服务器及存储介质
CN111816301A (zh) 医疗问诊辅助方法、装置、电子设备及介质
CN111949708B (zh) 基于时序特征提取的多任务预测方法、装置、设备及介质
CN112231586A (zh) 基于迁移学习的课程推荐方法、装置、设备及介质
CN111666415A (zh) 话题聚类方法、装置、电子设备及存储介质
CN112559535B (zh) 基于多线程的异步任务处理方法、装置、设备及介质
CN111950621B (zh) 基于人工智能的目标数据检测方法、装置、设备及介质
CN113806434B (zh) 大数据处理方法、装置、设备及介质
CN111797351A (zh) 页面数据管理方法、装置、电子设备及介质
CN112561891B (zh) 图像质量检测方法、装置、设备及存储介质
CN112052409B (zh) 地址解析方法、装置、设备及介质
CN111950707B (zh) 基于行为共现网络的行为预测方法、装置、设备及介质
CN112101191A (zh) 基于边框注意力网络的表情识别方法、装置、设备及介质
CN112132037B (zh) 基于人工智能的人行道检测方法、装置、设备及介质
CN111933241B (zh) 医疗数据解析方法、装置、电子设备及存储介质
CN112528265A (zh) 基于在线会议的身份识别方法、装置、设备及介质
CN116701233A (zh) 基于高并发报单模拟的交易系统测试方法、设备及介质
CN112101192B (zh) 基于人工智能的伪装检测方法、装置、设备及介质
CN112559940B (zh) 页面标注方法、装置、设备及介质
CN115346095A (zh) 视觉问答方法、装置、设备及存储介质
CN112330080B (zh) 基于连通图的因子筛选方法、装置、设备及介质
CN114332599A (zh) 图像识别方法、装置、计算机设备、存储介质和产品
CN115037790A (zh) 异常注册识别方法、装置、设备及存储介质
CN114238296A (zh) 产品指标数据展示方法、装置、设备及存储介质
CN112183347A (zh) 基于深度空间梯度的活体检测方法、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
GR01 Patent grant
GR01 Patent grant