CN112766351A - 一种图像质量的评估方法、系统、计算机设备和存储介质 - Google Patents
一种图像质量的评估方法、系统、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112766351A CN112766351A CN202110039306.8A CN202110039306A CN112766351A CN 112766351 A CN112766351 A CN 112766351A CN 202110039306 A CN202110039306 A CN 202110039306A CN 112766351 A CN112766351 A CN 112766351A
- Authority
- CN
- China
- Prior art keywords
- image
- identified
- feature
- inputting
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 22
- 238000007689 inspection Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims 6
- 238000012423 maintenance Methods 0.000 abstract description 21
- 230000007547 defect Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000001303 quality assessment method Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06T7/0004—Industrial image inspection
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明示出一种图像质量的评估方法、系统、计算机设备和存储介质,涉及图像处理技术领域。解决特征识别网络的识别速度慢的问题。本发明示出的一种图像质量的评估方法,包括:获取待识别巡维图像,将待识别巡维图像输入特征识别网络的特征提取器,获取待识别巡维图像的待识别特征图像;将待识别特征图像输入特征识别网络的三个瓶颈层获取待识别特征图像的图像特征;将图像特征输入特征分类器,获取待识别巡维图像在每个预设分类的分数。本发明还公开一种图像质量评估系统、计算机设备和存储介质。本发明可以提升特征识别网络的识别速度,从而提高后端服务器将对巡维图片进行缺陷识别的效率,进而提高巡维的有效性和效率。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种图像质量的评估方法、系统、计算机设备和存储介质。
背景技术
在对待巡维输电线路进行巡维的过程中,巡维人员会将拍摄的巡维图片上传至任务平台,再由任务平台将巡维图片传至后端服务器,后端服务器对巡维图片进行缺陷识别,以判断待巡维输电线路是否需要维修。图像处理技术是视觉、分析和数据融合等实用技术的基础,在配电网领域有重要的应用价值,也因此被引入到后端服务器,用以对巡维图片进行缺陷识别。
但是,由于巡维人员可能并非专业的供电公司员工,拍摄的巡维图片可能不符合拍摄规定,导致后端服务器将对巡维图片进行缺陷识别时,识别困难,从而影响后端服务器的识别的效率,从而降低了巡维的有效性和效率。因此,在图像处理技术领域,提升特征识别网络的识别速度成为亟待解决的问题。
发明内容
针对现有技术存在的上述技术问题,本发明提供了一种图像质量的评估方法、系统、计算机设备和存储介质,解决了提升特征识别网络的识别速度问题。
本发明第一方面提供了一种图像质量的评估方法,包括:
获取待识别巡维图像,将待识别巡维图像输入特征识别网络的特征提取器,得到待识别巡维图像的待识别特征图像;
将待识别特征图像输入特征识别网络的三个瓶颈层,得到待识别特征图像的图像特征;
将图像特征输入特征分类器,得到图像特征在特征分类器的预设分类的分数。
进一步,特征提取器包括:卷积层、归一化层、激活函数层和最大池化层。
在一些实施例中,将图像特征输入特征分类器的步骤之前,还包括:
将图像特征与预设分类的标签做三元组损失。
优选地,获取待识别巡维图像在每个预设分类的分数的步骤之前,包括:
获取分类器输出的向量,将向量与标签进行交叉熵损失。
在一些实施例中,将图像特征输入特征分类器的步骤之前,包括:
获取标准电力图像数据,对标准电力图像数据进行图像低质量处理,得到低质量图像数据;
将标准电力图像数据和低质量图像数据组合成训练数据集;
将训练数据集进行训练,得到特征识别网络。
优选地,将训练数据集输入特征识别网络训练的步骤,包括:
通过Adam优化器优化特征识别网络,使得特征识别网络的学习率随着迭代次数的增加而改变。
具体来说,优化时的学习率随着迭代次数的增加而改变的步骤,包括:
在迭代的前10代使得学习率处于增长状态,在迭代的第10代之后使得学习率处于衰减状态。
本发明第二方面提供了一种图像质量评估系统,包括:
提取模块,用于获取待识别巡维图像,将待识别巡维图像输入特征识别网络的特征提取器,获取待识别特征图像的待识别特征图像;
特征模块,用于将待识别特征图像输入特征识别网络的三个瓶颈层获取待识别特征图像的图像特征;
分类模块,用于将图像特征输入特征分类器,获取待识别巡维图像在每个预设分类的分数。
本发明第三方面提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述图像质量评估方法的步骤。
本发明第四方面提供了一种存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述图像质量评估方法的步骤。
由上述技术方案可知,本发明提供了一种图像质量的评估方法、系统、计算机设备和存储介质,包括:将待识别巡维图像输入特征识别网络的特征提取器,获取待识别特征图像的待识别特征图像;将待识别特征图像输入特征识别网络的三个瓶颈层获取待识别特征图像的图像特征;将图像特征输入特征分类器,获取待识别巡维图像在每个预设分类的分数。本发明采用的特征识别网络结构简单,可以提升特征识别网络的识别速度,从而提高后端服务器将对巡维图片进行缺陷识别的效率,进而提高巡维的有效性和效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,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,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的一种图像质量的评估方法的一种实施例的流程示意图;
图2是本发明提供的一种残差网络RESNET50的结构示意图;
图3是本发明提供的特征识别网络的瓶颈层的结构示意图;
图4是本发明提供的特征识别网络的第一层瓶颈层的结构示意图;
图5本发明提供的一种图像质量的评估方法的另一种实施例的流程示意图;
图6是本发明提供的一种图像质量的评估系统的一种实施例的结构示意图;
图7是本发明提供的计算机设备的一种实施例的结构示意图;
图8是本发明提供的存储介质的一种实施例的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明实施例中的技术方案,并使本发明实施例的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明实施例中的技术方案作进一步详细的说明。
图1是本发明提供的一种图像质量的评估方法的一种实施例的流程示意图。如图1所示,本发明提供的种图像质量评估方法包括如下步骤:
S101:获取待识别巡维图像,将待识别巡维图像输入特征识别网络的特征提取器,得到待识别巡维图像的待识别特征图像。
在一个具体的实施场景中,巡维人员在执行巡维任务的过程中或者完成巡维任务后,将拍摄的巡维图片上传,将上传的巡维图片作为待识别巡维图像。将待识别巡维图像输入特征识别网络的特征提取器,获取待识别巡维图像的待识别特征图像。由于在本实施场景中不需要提取深层的具有更强语义的特征,而且高分辨率的特征具有丰富的信息,所以使用了一种轻量级的残差网络,这样能够提高模型的识别速度。
在本实施场景中,特征提取器包括64通道,则生成的待识别特征图像为64通道图像。通过特征提取器,可以至少提取出待识别巡维图像的部分特征信息,从而仅需要对提取出的64通道待识别特征图像进行细化的特征提取,避免对整个图像进行细化特征提取的工作量过大。
在本实施场景中,特征提取器包括卷积层、归一化层和线性整流函数层,待识别巡维图像经过3*3卷积、批量归一化和ReLUctant激活欧,经过最大池化层生成64通道待识别特征图像。
S102:将待识别特征图像输入特征识别网络的三个瓶颈层,得到待识别特征图像的图像特征。
在一个具体的实施场景中,将获取的64通道待识别特征图像输入特征提取网络的三个BottleNeck(瓶颈层),获得256通道的图像特征。
由网络结构可知,本实施场景中的特征识别网络使用了RESNET50的第一层。Resnet是残差网络(Residual Network)的缩写,该系列网络广泛用于目标分类等领域以及作为计算机视觉任务主干经典神经网络的一部分。图2是本发明提供的一种残差网络RESNET50的结构示意图。如图2所示,在本实施场景中,RESNET50的第一层包含了一个卷积层,一个BN(Batch Normalization,批量归一化)层(解决在训练过程中,中间层数据分布发生改变的问题,以防止梯度消失或爆炸、加快训练速度),一个ReLU(Rectified LinearUnits,激活函数)层,一个Maxpooling(最大池化)层和三个残差块(瓶颈层,BottleNeck)(包括6个卷积层、6个BN层、6个RELU层)。
图3是本发明提供的特征识别网络的瓶颈层的结构示意图。如图3所示,每个瓶颈层的公式如下:
y=relu(x+bn(cov1(relu(bn(cov3(relu(bn(cov1(x)))))))))
其中,cov1表示1*1卷积,cov3表示3*3卷积,bn表示批量归一化,relu表示relu激活函数。
进一步地,在其他实施场景中,特征识别网络包括三层瓶颈层,其中第一层瓶颈层与图3所示的瓶颈层不同。图4是本发明提供的特征识别网络的第一层瓶颈层的结构示意图。如图4所示,第一层瓶颈层的公式如下:
y=relu(bn(cov(x))+bn(cov1(relu(bn(cov3(relu(bn(cov1(x)))))))))
其中,cov1表示1*1卷积,cov3表示3*3卷积,bn表示批量归一化,relu表示relu激活函数。
S103:将图像特征输入特征分类器,获取图像特征在每个预设分类的分数。
在一个具体的实施场景中,把提取到的图像特征送入分类器,得到每个预设类别的分数,每个预设类别的标签都可以视为one-hot向量,为了防止过拟合,使用标签平滑的交叉熵损失(crossEntropyLabelSmooth)和三元组损失(TripletLoss)来对网络进行约束。其中,标签平滑的交叉熵损失公式如下:
在本实施场景中,一共有7个类别,则分类器D有7个神经元,q就表示对应每个预设类别的one-hot向量。
三元组损失如下:
其中,表示锚点样本,表示正样本,表示负样本,表示欧式距离,α表示锚点样本与正样本之间的距离和锚点样本与负样本之间的距离的边界距离。锚点与负样本的距离小于锚点与正样本的距离加上α大于0时,就会产生损失。经过梯度下降,损失逐渐变小,拉近锚点与正样本之间的距离,推远锚点与负样本之间的距离。
在本实施场景中,把提取到的图像特征与预设分类的标签做三元组损失,再把图像特征送入分类器,生成的向量与预设分类的标签做标签平滑的交叉熵损失,旨在约束特征识别网络能够识别图片的正确类别。
在本实施场景中,在获取到各个预设分类的得分之后,根据得分情况对图像特征所对应的待识别巡维图像进行评分,例如分为优良中差几个类别,或者给出具体的得分,或者是该巡维图像是否可以使用,若可以使用,则进一步判断是否存在设备缺陷。
通过上述描述可知,在本实施例中将待识别巡维图像输入特征识别网络的特征提取器,获取待识别巡维图像的待识别特征图像;将待识别特征图像输入特征识别网络的三个瓶颈层获取待识别特征图像的图像特征;把提取到的图像特征与预设分类的标签做三元组损失,再把图像特征送入分类器,生成的向量与预设分类的标签做标签平滑的交叉熵损失,旨在约束特征识别网络能够识别图片的正确类别,采用的特征识别网络结构简单,提高模型的识别速度。
图5为本发明提供的一种图像质量评的估方法的另一种实施例的流程示意图。如图5所示,本发明提供的种图像质量评估方法包括如下步骤:
S201:获取标准电力图像数据,对标准电力图像数据进行图像低质量处理,获取低质量图像数据。
在一个具体的实施场景中,由于拍摄环境、巡维人员素质等等原因可能会导致特征识别网络需要识别的巡维图像的质量不稳定,因此特征识别网络需要具有识别低质量巡维图像的能力。所以需要采用大量低质量的图像对特征识别网络进行训练。在本实施场景中,获取标准电力图像数据,电力标准数据包括拍摄质量较高的符合要求的巡维图像。对标准电力图像数据进行图像低质量处理,获取低质量图像数据,图像低质量处理包括高斯模糊、运动模糊、高斯噪声、椒盐噪声、提高对比度和亮度、降低对比度和亮度中的至少一项。
S202:将标准电力数据和低质量图像数据组合成训练数据集;
S203:将训练数据集进行训练,得到所述特征识别网络。
在一个具体的实施场景中,为了使特征识别网络能够识别出这些有问题的图片并筛选出来,将将标准电力数据和低质量图像数据组合成训练数据集,将训练数据集输入特征识别网络以及分类器进行训练。进一步地,为了提高训练速度,把训练数据集中的图片的分辨率固定在256*256。
在本实施场景中,使用Adam优化器对特征识别网络进行优化,迭代次数为120,我们对优化器使用一个3.5×10-5的初始学习率,在前10代学习率从3.5×10-5线性增长到3.5×10-4,然后在第40代学习率衰减到3.5×10-5,在第70代学习率衰减到3.5×10-6。学习率在迭代次数上的变化公式如下:
其中,lr为优化器的学习率,t为迭代次数。
S204:获取待识别巡维图像,将待识别巡维图像输入特征识别网络的特征提取器,获取待识别巡维图像的待识别特征图像。
S205:将待识别特征图像输入特征识别网络的三个瓶颈层获取待识别特征图像的图像特征。
S206:将图像特征输入特征分类器,获取待识别巡维图像在每个预设分类的分数。
在一个具体的实施场景中,步骤S204-S206与本发明提供的图像质量评估方法的第一实施例中的步骤S101-S103基本一致,此处不再进行赘述。
通过上述描述可知,在本实施例中,通过对标准电力图像数据进行图像低质量处理,获取低质量图像数据,将标准电力数据和低质量图像数据组合成训练数据集;将训练数据集输入特征识别网络进行训练,能够有效提升特征识别网络的分类能力。
图6是本发明提供的一种图像质量的评估系统的一种实施例的结构示意图。如图6所示,图像质量评估系统10包括提取模块11、特征模块12、分类模块13。
提取模块11用于获取待识别巡维图像,将待识别巡维图像输入特征识别网络的特征提取器,获取待识别巡维图像的待识别特征图像。特征模块12用于将待识别特征图像输入特征识别网络的三个瓶颈层获取待识别特征图像的图像特征。分类模块13用于将图像特征输入特征分类器,获取待识别巡维图像在每个预设分类的分数。
其中,特征提取器包括卷积层、归一化层、激活函数层和最大池化层。
分类模块13还用于将图像特征与预设分类的标签做三元组损失。
分类模块13还用于获取分类器输出的向量,将向量与标签进行交叉熵损失。
分类模块13还用于获取标准电力图像数据,对标准电力图像数据进行图像低质量处理,获取低质量图像数据;将标准电力数据和低质量图像数据组合成训练数据集;将训练数据集输入特征识别网络进行训练。
分类模块13还用于通过Adam优化器优化特征识别网络,优化时的学习率随着迭代次数的增加而改变。
分类模块13还用于在迭代的前10代使得学习率处于增长状态,在迭代的第10代之后使得学习率处于衰减状态。
通过上述描述可知,在本实施例中图像质量的评估系统将待识别巡维图像输入特征识别网络的特征提取器,获取待识别巡维图像的待识别特征图像;将待识别特征图像输入特征识别网络的三个瓶颈层获取待识别特征图像的图像特征;把提取到的图像特征与预设分类的标签做三元组损失,再把图像特征送入分类器,生成的向量与预设分类的标签做标签平滑的交叉熵损失,旨在约束特征识别网络能够识别图片的正确类别,采用的特征识别网络结构简单,提高模型的识别速度。
图7是本发明提供的计算机设备的一种实施例的结构示意图。如图7所示,计算机设备20包括处理器21、存储器22。处理器21耦接存储器22。存储器22中存储有计算机程序,处理器21在工作时执行该计算机程序以实现如图1、图5所示的方法。详细的方法可参见上述,在此不再赘述。
通过上述描述可知,在本实施例中计算机设备将待识别巡维图像输入特征识别网络的特征提取器,获取待识别特征图像的待识别特征图像;将待识别特征图像输入特征识别网络的三个瓶颈层获取待识别特征图像的图像特征;把提取到的图像特征与预设分类的标签做三元组损失,再把图像特征送入分类器,生成的向量与预设分类的标签做标签平滑的交叉熵损失,旨在约束特征识别网络能够识别图片的正确类别,采用的特征识别网络结构简单,提高模型的识别速度。
图8是本发明提供的存储介质的一种实施例的结构示意图。如图8所示,计算机可读存储介质30中存储有至少一个计算机程序31,计算机程序31用于执行处理器的命令,以实现如图1和图5所示的方法,详细的方法可参见上述,在此不再赘述。在一个实施例中,计算机可读存储介质30可以是终端中的存储芯片、硬盘或者是移动硬盘或者优盘、光盘等其他可读写存储的工具,还可以是服务器等等。
通过上述描述可知,在本实施例中,存储介质中的计算机程序可以用于将待识别巡维图像输入特征识别网络的特征提取器,获取待识别巡维图像的待识别特征图像;将待识别特征图像输入特征识别网络的三个瓶颈层获取待识别特征图像的图像特征;把提取到的图像特征与预设分类的标签做三元组损失,再把图像特征送入分类器,生成的向量与预设分类的标签做标签平滑的交叉熵损失,旨在约束特征识别网络能够识别图片的正确类别,采用的特征识别网络结构简单,提高模型的识别速度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种图像质量的评估方法,其特征在于,包括:
获取待识别巡维图像,将所述待识别巡维图像输入特征识别网络的特征提取器,得到所述待识别巡维图像的待识别特征图像;
将所述待识别特征图像输入所述特征识别网络的三个瓶颈层,得到所述待识别特征图像的图像特征;
将所述图像特征输入特征分类器,得到所述图像特征在所述特征分类器的预设分类的分数。
2.根据权利要求1所述的评估方法,其特征在于,所述特征提取器包括:卷积层、归一化层、激活函数层和最大池化层。
3.根据权利要求1所述的评估方法,其特征在于,所述将所述图像特征输入特征分类器的步骤之前,还包括:
将所述图像特征与所述预设分类的标签做三元组损失。
4.根据权利要求3所述的评估方法,其特征在于,所述获取所述待识别巡维图像在每个预设分类的分数的步骤之前,包括:
获取所述分类器输出的向量,将所述向量与所述标签进行交叉熵损失。
5.根据权利要求1所述的评估方法,其特征在于,所述将所述图像特征输入特征分类器的步骤之前,包括:
获取标准电力图像数据,对所述标准电力图像数据进行图像低质量处理,得到低质量图像数据;
将所述标准电力图像数据和所述低质量图像数据组合成训练数据集;
将所述训练数据集进行训练,得到所述特征识别网络。
6.根据权利要求5所述的评估方法,其特征在于,所述将所述训练数据集输入所述特征识别网络训练的步骤,包括:
通过Adam优化器优化所述特征识别网络,使得所述特征识别网络的学习率随着迭代次数的增加而改变。
7.根据权利要求6所述的评估方法,其特征在于,所述优化时的学习率随着迭代次数的增加而改变的步骤,包括:
在迭代的前10代使得学习率处于增长状态,在迭代的第10代之后使得学习率处于衰减状态。
8.一种图像质量的评估系统,其特征在于,包括:
提取模块,用于获取待识别巡维图像,将所述待识别巡维图像输入特征识别网络的特征提取器,获取所述待识别特征图像的待识别特征图像;
特征模块,用于将所述待识别特征图像输入所述特征识别网络的三个瓶颈层获取所述待识别特征图像的图像特征;
分类模块,用于将所述图像特征输入特征分类器,获取所述待识别巡维图像在每个预设分类的分数。
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
10.一种存储介质,其特征在于,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110039306.8A CN112766351A (zh) | 2021-01-12 | 2021-01-12 | 一种图像质量的评估方法、系统、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110039306.8A CN112766351A (zh) | 2021-01-12 | 2021-01-12 | 一种图像质量的评估方法、系统、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112766351A true CN112766351A (zh) | 2021-05-07 |
Family
ID=75699906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110039306.8A Pending CN112766351A (zh) | 2021-01-12 | 2021-01-12 | 一种图像质量的评估方法、系统、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766351A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113496485A (zh) * | 2021-06-24 | 2021-10-12 | 北京市遥感信息研究所 | 卫星遥感图像质量评价方法及装置 |
CN114862819A (zh) * | 2022-05-24 | 2022-08-05 | 深圳大学 | 基于非对称网络的图像质量评价方法、装置、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170032244A1 (en) * | 2015-07-31 | 2017-02-02 | International Business Machines Corporation | Learning a model for recognition processing |
CN109446898A (zh) * | 2018-09-20 | 2019-03-08 | 暨南大学 | 一种基于迁移学习和特征融合的行人重识别方法 |
CN110046652A (zh) * | 2019-03-18 | 2019-07-23 | 深圳神目信息技术有限公司 | 人脸质量评估方法、装置、终端及可读介质 |
CN111126346A (zh) * | 2020-01-06 | 2020-05-08 | 腾讯科技(深圳)有限公司 | 脸部识别方法、分类模型的训练方法、装置和存储介质 |
CN111598038A (zh) * | 2020-05-22 | 2020-08-28 | 深圳市瑞立视多媒体科技有限公司 | 脸部特征点检测方法、装置、设备及存储介质 |
CN111783688A (zh) * | 2020-07-02 | 2020-10-16 | 吉林大学 | 一种基于卷积神经网络的遥感图像场景分类方法 |
-
2021
- 2021-01-12 CN CN202110039306.8A patent/CN112766351A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170032244A1 (en) * | 2015-07-31 | 2017-02-02 | International Business Machines Corporation | Learning a model for recognition processing |
CN109446898A (zh) * | 2018-09-20 | 2019-03-08 | 暨南大学 | 一种基于迁移学习和特征融合的行人重识别方法 |
CN110046652A (zh) * | 2019-03-18 | 2019-07-23 | 深圳神目信息技术有限公司 | 人脸质量评估方法、装置、终端及可读介质 |
CN111126346A (zh) * | 2020-01-06 | 2020-05-08 | 腾讯科技(深圳)有限公司 | 脸部识别方法、分类模型的训练方法、装置和存储介质 |
CN111598038A (zh) * | 2020-05-22 | 2020-08-28 | 深圳市瑞立视多媒体科技有限公司 | 脸部特征点检测方法、装置、设备及存储介质 |
CN111783688A (zh) * | 2020-07-02 | 2020-10-16 | 吉林大学 | 一种基于卷积神经网络的遥感图像场景分类方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113496485A (zh) * | 2021-06-24 | 2021-10-12 | 北京市遥感信息研究所 | 卫星遥感图像质量评价方法及装置 |
CN113496485B (zh) * | 2021-06-24 | 2022-12-02 | 北京市遥感信息研究所 | 卫星遥感图像质量评价方法及装置 |
CN114862819A (zh) * | 2022-05-24 | 2022-08-05 | 深圳大学 | 基于非对称网络的图像质量评价方法、装置、设备及介质 |
CN114862819B (zh) * | 2022-05-24 | 2023-02-03 | 深圳大学 | 基于非对称网络的图像质量评价方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110909803B (zh) | 图像识别模型训练方法、装置和计算机可读存储介质 | |
CN109583325B (zh) | 人脸样本图片标注方法、装置、计算机设备及存储介质 | |
US10719780B2 (en) | Efficient machine learning method | |
CN111368758B (zh) | 一种人脸模糊度检测方法、装置、计算机设备及存储介质 | |
CN111598182B (zh) | 训练神经网络及图像识别的方法、装置、设备及介质 | |
CN110705233B (zh) | 基于文字识别技术的笔记生成方法、装置和计算机设备 | |
EP3848888A1 (en) | Method and apparatus for generating vehicle damage image based on gan network | |
CN113128478B (zh) | 模型训练方法、行人分析方法、装置、设备及存储介质 | |
CN111368636A (zh) | 目标分类方法、装置、计算机设备和存储介质 | |
CN112766351A (zh) | 一种图像质量的评估方法、系统、计算机设备和存储介质 | |
CN112766170B (zh) | 基于簇类无人机图像的自适应分割检测方法及装置 | |
CN110599453A (zh) | 一种基于图像融合的面板缺陷检测方法、装置及设备终端 | |
CN115035418A (zh) | 一种基于改进DeepLabV3+网络的遥感图像语义分割方法及系统 | |
CN116012291A (zh) | 工业零件图像缺陷检测方法及系统、电子设备和存储介质 | |
CN116563868A (zh) | 文本图像的识别方法、装置、计算机设备及存储介质 | |
CN114782410A (zh) | 一种基于轻量化模型的绝缘子缺陷检测方法及其系统 | |
CN114882204A (zh) | 船名自动识别方法 | |
CN112926595B (zh) | 深度学习神经网络模型的训练装置、目标检测系统及方法 | |
CN109101984B (zh) | 一种基于卷积神经网络的图像识别方法及装置 | |
CN113128522A (zh) | 目标识别方法、装置、计算机设备和存储介质 | |
CN109543571B (zh) | 一种面向复杂产品异形加工特征的智能识别与检索方法 | |
CN116129158A (zh) | 一种输电线路铁塔小部件图像识别方法及装置 | |
CN113283388B (zh) | 活体人脸检测模型的训练方法、装置、设备及存储介质 | |
CN110472656B (zh) | 车辆图像分类方法、装置、计算机设备及存储介质 | |
CN112712550A (zh) | 一种图像质量评价方法及装置 |
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 |