CN113052821A - 一种电力设备巡检图片的质量评价方法 - Google Patents
一种电力设备巡检图片的质量评价方法 Download PDFInfo
- Publication number
- CN113052821A CN113052821A CN202110322179.2A CN202110322179A CN113052821A CN 113052821 A CN113052821 A CN 113052821A CN 202110322179 A CN202110322179 A CN 202110322179A CN 113052821 A CN113052821 A CN 113052821A
- Authority
- CN
- China
- Prior art keywords
- index
- picture
- pictures
- calculating
- quality
- 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
Links
Images
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
- G06T7/0004—Industrial image inspection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种电力设备巡检图片的质量评价方法,它包括:步骤1、使用图片评价方法对图片的各项指标进行数据计算;所述指标包括:图片的清晰度、亮度和色彩指标;步骤2、对图片的各项指标进行综合计算得到最终评分;所述最终评分是各项指标进行综合计算得到的一个数值;步骤3、根据所述最终评分对图片进行筛选得到合格图片;解决了现有技术采用单一图片质量的评价方法对于电力设备巡检图片的质量评价来说,单独使用某一种方法来对采集到的图片进行评价都是不全面的,不利于得到能用于图片识别的电力设备图像等技术问题。
Description
技术领域
本发明属于设备巡检图片质量评价技术,尤其涉及一种电力设备巡检图片的质量评价方法。
背景技术
随着无人机巡检和图片识别技术在电力设备巡检领域中的应用,日常的电力设备维护工作中产生了大量的设备图片,这些图片包含的信息如果能得到有效应用,将大大提高电力设备维护工作的工作效率。
然而,采集的图片中,有不少的一部分图片是不符合电力设备图片采集规范和业务使用要求的,这些图片通常存在的问题包括:对焦不准确或运动模糊导致的图片模糊问题,曝光异常问题,参数设置错误导致的白平衡异常等。
目前,已经有多种图片质量的评价方法,包括清晰度检测方法、亮度检测方法和色彩检测方法等。这些方法在各自的领域内已有成熟的算法。但对于电力设备巡检图片的质量评价来说,单独使用某一种方法来对采集到的图片进行评价都是不全面的,不利于得到能用于图片识别的电力设备图像。
发明内容
本发明要解决的问题是:提供一种电力设备巡检图片的质量评价方法,以解决现有技术采用单一图片质量的评价方法对于电力设备巡检图片的质量评价来说,单独使用某一种方法来对采集到的图片进行评价都是不全面的,不利于得到能用于图片识别的电力设备图像等技术问题。
本发明采用技术方案如下:
一种电力设备巡检图片的质量评价方法,它包括:
步骤1、使用图片评价方法对图片的各项指标进行数据计算;所述指标包括:
图片的清晰度、亮度和色彩指标;
步骤2、对图片的各项指标进行综合计算得到最终评分;所述最终评分是各项指标进行综合计算得到的一个数值;
步骤3、根据所述最终评分对图片进行筛选得到合格图片。
所述对图片进行筛选的方法为:设定一个评分阈值,若最终评分大于阈值,则对应的图片为合格图片;若最终评分小于阈值则对应的图片为不合格图片。所述综合计算的方法是根据绝对指标数值计算或在一组图片中的指标数值的排列位序计算得出。
所述清晰度的计算方法为:使用Tenengrad算法计算图像的清晰度,具体包括:
d)将图片转换成YUV格式,提取Y分量矩阵;
e)使用Sobel边缘检测算子卷积Y分量矩阵,得到边缘特征矩阵;
f)求边缘特征矩阵中所有元素的平均值,以该平均值作为所述图片的清晰度指标。
图片的亮度指标包括图片的亮度、过曝指标、欠曝指标和对比度;首先将图片转换成YUV格式;图片的亮度由计算整幅图片的平均亮度得到;过曝或欠曝指标由分别统计图片中亮度高于第一阈值或低于第二阈值的像素个数得到;对比度由计算整幅图片的Y值的方差得到。
图片的色彩指标指白平衡,具体的计算方法为:
c)先将图片转换成HSV格式,提取S分量矩阵;
d)求S分量矩阵中所有元素的平均值,以该平均值作为图片的白平衡指标。所述最终评分的计算方法为:
步骤S301、获取一组具有典型的缺陷的图片,并将图片按照典型缺陷进行分类;
步骤S302、将分类过的图片分别导入图片识别系统中,统计各类图片的识别率;所述识别率指识别结果正确的图片占本类图片的百分比;
步骤S303、根据各类图片的识别率,计算得出各类图片质量指标的权值;
具体的方法如下:
计算所有图片中的各指标的中位数,假设有指标1、2、3的中位数分别为a、b、c;
计算各指标的第一权值,具体计算公式为:
根据各类典型缺陷图片的识别率,计算各指标的第二权值,具体计算方法为:
假设指标1的典型缺陷图片的识别率为20%,则指标1的第二权值为
R1=(1-20%)=80%
步骤S304、对图片的各项指标进行加权平均得到最终评分;
图片的最终评分的计算公式为:
所述指标权值根据低位质量指标的统计结果进行更新;更新方法为:
步骤S401对筛选后的图片进行图片识别,统计未识别成功的图片的低位质量指标;所述低位质量指标是未识别成功的图片的各项质量指标中,处于所述筛选后图片的后20%的质量指标项目;统计低位质量指标数目;
步骤S402根据低位质量指标的统计结果,更新各项指标的权值;
具体的更新方法为:假设共有5项质量指标,其中低位质量指标的结果中指标1、指标2、指标3、指标4、指标5的项目数分别为a、b、c、d、0;则对各指标的权值作如下更新:
本发明的有益效果:
本发明的电路巡检图片的质量评价方法综合评价了各方面的图片评价方法的数值,比单一评价方法更加准确;并且进一步设计了评价方法的反馈优化机制,使本方法能够不断适应电力设备图片识别的业务需求,为方法带来一定时间上的扩展性;解决了现有技术采用单一图片质量的评价方法对于电力设备巡检图片的质量评价来说,单独使用某一种方法来对采集到的图片进行评价都是不全面的,不利于得到能用于图片识别的电力设备图像等技术问题。
附图说明
图1是本发明实施例一提供的图片质量评价方法的工作流程示意图;
图2是本发明实施例二提供的图片质量评价方法的工作流程示意图;
图3是本发明实施例三提供的图片质量评价方法的工作流程示意图;
图4是本发明实施例四提供的图片质量评价方法的工作流程示意图。
具体实施方式
请参照以下实施例,其中实施例一侧重于图片的质量评价方法的基础流程,实施例二侧重于图片的各项指标的计算方法,实施例三侧重于设计图片识别试验的方法,实施例四侧重于对筛选后的图片进行图片识别后进行反馈优化的方法。可以理解的是:虽然各实施例的侧重不同,但其设计思想是一致的。且,在某个实施例中没有详述的部分,可以参见说明书全文的详细描述,不再赘述。
可以理解的是:实施例二、实施例三是对实施例一的流程优化,其中实施例一的步骤以S10开头,实施例二中的优化步骤以S20开头,以此类推。
实施例一
请参阅图1,所示为电路巡检图片的质量评价方法的工作流程示意图,包括以下步骤:
步骤S101、使用各图片评价方法对图片的各项指标进行数据计算。
可以理解的是,所述图片的各项指标至少包括图像的清晰度,优选的,所述指标还包括图像的亮度、色彩指标。
步骤S102、对图片的各项指标进行综合计算得到最终评分;
可以理解的是,所述最终评分应该是各项指标进行综合计算得到的一个数值。所述综合计算的方法可以是根据绝对指标数值计算,也可以是在一组所述图片中的指标数值的排列位序计算得出。
步骤S103、根据所述最终评分对图片进行筛选。
所述筛选的方法是指设定一个评分阈值,若所述最终评分大于所述阈值,则对应的图片为合格图片;若所述最终评分小于所述阈值,则对应的图片为不合格图片。
实施例二
请参阅图2,所示为电路巡检图片的质量评价方法的工作流程示意图,包括以下步骤:
步骤S201、计算图片的清晰度。
使用Tenengrad算法计算图像的清晰度,具体做法如下:
g)所述图片转换成YUV格式,提取Y分量矩阵;
h)使用Sobel边缘检测算子卷积Y分量矩阵,得到边缘特征矩阵;
i)求边缘特征矩阵中所有元素的平均值,以该平均值作为所述图片的清晰度指标。
步骤S202、计算图片的亮度指标。
亮度指标包括图片的亮度、过曝或欠曝指标、对比度。首先将将图片转换成YUV格式。
图片的亮度由计算整幅图片的平均亮度得到。
过曝或欠曝指标由分别统计图片中亮度高于第一阈值或低于第二阈值的像素个数得到。
对比度由计算整幅图片的Y值的方差得到。
步骤S203、计算图片的色彩指标。
图片的色彩指标主要指白平衡,具体的计算方法如下:
e)将图片转换成HSV格式,提取S分量矩阵;
f)求S分量矩阵中所有元素的平均值,以该平均值作为图片的白平衡指标。步骤102、对图片的各项指标进行综合计算得到最终评分。
可以理解的是,所述各项指标是指以上步骤中得到的各类指标中的每一项具体指标值。
具体的综合计算方式是指根据给定的权值,对各项指标求加权平均值。步骤103、根据所述最终评分对图片进行筛选。
实施例三
请参阅图3,所示为电路巡检图片的质量评价方法的工作流程示意图,包括以下步骤:
步骤S301获取一组具有典型的缺陷的图片,并将图片按照典型缺陷进行分类。
其中,所述典型的缺陷图片是指图片的某一指标在本组的图片中处于低水平值(例如,清晰度处于本组图片的后20%),但其余指标均未低于水平值的图片。
步骤S302将所述分类过的图片分别导入图片识别系统中,统计各类图片的识别率。
可以理解的是,所述识别率指识别结果正确的图片占本类图片的百分比。步骤S303根据各类图片的识别率,计算得出各类图片质量指标的权值。
具体的方法如下:
a)计算所有图片中的各指标的中位数,为方便说明,假设有指标1、2、3的中位数分别为a、b、c;
b)计算各指标的第一权值,具体计算方法为:
可以理解的是,如果有更多的指标,第一权值的计算方法以此类推。
c)根据各类典型缺陷图片的识别率,计算各指标的第二权值,具体计算方法为:
假设指标1的典型缺陷图片的识别率为20%,则指标1的第二权值为R1=(1-20%)=80%
步骤S304对图片的各项指标进行加权平均得到最终评分。
某一图片的最终评分的计算公式为:
sn为单个指标得分。
步骤103、根据所述最终评分对图片进行筛选。
实施例四
请参阅图4,所示为电路巡检图片的质量评价方法的工作流程示意图。
可以理解的是,实施例四是对实施例三的流程优化,其中,实施例三的流程以S30开头,实施例四的流程以S40开头。
本发明实施例提供一种电路巡检图片的质量评价方法,包括以下步骤:
步骤S301获取一组具有典型的缺陷的图片,并将图片按照典型缺陷进行分类。
步骤S302将所述分类过的图片分别导入图片识别系统中,统计各类图片的识别率。
步骤S303根据各类图片的识别率,计算得出各类图片质量指标的权值。
步骤S304对图片的各项指标进行加权平均得到最终评分。
步骤S103、根据所述最终评分对图片进行筛选。
步骤S401对筛选后的图片进行图片识别,统计未识别成功的图片的低位质量指标。
其中,所述低位质量指标是所述未识别成功的图片的各项质量指标中,处于所述筛选后图片的后20%的质量指标项目。统计低位质量指标数目。
步骤S402根据低位质量指标的统计结果,更新各项指标的权值。
具体的更新方法为:假设共有5项质量指标,其中低位质量指标的结果中指标1、指标2、指标3、指标4、指标5的项目数分别为a、b、c、d、0。则对各指标的权值作如下更新:
可以理解的是,更新后的权值将用于之后的图片质量评价流程中。
Claims (8)
1.一种电力设备巡检图片的质量评价方法,它包括:
步骤1、使用图片评价方法对图片的各项指标进行数据计算;所述指标包括:图片的清晰度、亮度和色彩指标;
步骤2、对图片的各项指标进行综合计算得到最终评分;所述最终评分是各项指标进行综合计算得到的一个数值;
步骤3、根据所述最终评分对图片进行筛选得到合格图片。
2.根据权利要求1所述的一种电力设备巡检图片的质量评价方法,其特征在于:所述对图片进行筛选的方法为:设定一个评分阈值,若最终评分大于阈值,则对应的图片为合格图片;若最终评分小于阈值则对应的图片为不合格图片。
3.根据权利要求1所述的一种电力设备巡检图片的质量评价方法,其特征在于:所述综合计算的方法是根据绝对指标数值计算或在一组图片中的指标数值的排列位序计算得出。
4.根据权利要求1所述的一种电力设备巡检图片的质量评价方法,其特征在于:所述清晰度的计算方法为:使用Tenengrad算法计算图像的清晰度,具体包括:
a)将图片转换成YUV格式,提取Y分量矩阵;
b)使用Sobel边缘检测算子卷积Y分量矩阵,得到边缘特征矩阵;
c)求边缘特征矩阵中所有元素的平均值,以该平均值作为所述图片的清晰度指标。
5.根据权利要求1所述的一种电力设备巡检图片的质量评价方法,其特征在于:图片的亮度指标包括图片的亮度、过曝指标、欠曝指标和对比度;首先将图片转换成YUV格式;图片的亮度由计算整幅图片的平均亮度得到;过曝或欠曝指标由分别统计图片中亮度高于第一阈值或低于第二阈值的像素个数得到;对比度由计算整幅图片的Y值的方差得到。
6.根据权利要求1所述的一种电力设备巡检图片的质量评价方法,其特征在于:图片的色彩指标指白平衡,具体的计算方法为:
a)先将图片转换成HSV格式,提取S分量矩阵;
b)求S分量矩阵中所有元素的平均值,以该平均值作为图片的白平衡指标。
7.根据权利要求1所述的一种电力设备巡检图片的质量评价方法,其特征在于:所述最终评分的计算方法为:
步骤S301、获取一组具有典型的缺陷的图片,并将图片按照典型缺陷进行分类;
步骤S302、将分类过的图片分别导入图片识别系统中,统计各类图片的识别率;所述识别率指识别结果正确的图片占本类图片的百分比;
步骤S303、根据各类图片的识别率,计算得出各类图片质量指标的权值;具体的方法如下:
计算所有图片中的各指标的中位数,假设有指标1、2、3的中位数分别为a、b、c;
计算各指标的第一权值,具体计算公式为:
根据各类典型缺陷图片的识别率,计算各指标的第二权值,具体计算方法为:
假设指标1的典型缺陷图片的识别率为20%,则指标1的第二权值为
R1=(1-20%)=80%
步骤S304、对图片的各项指标进行加权平均得到最终评分;
图片的最终评分的计算公式为:
8.根据权利要求7所述的一种电力设备巡检图片的质量评价方法,其特征在于:所述指标权值根据低位质量指标的统计结果进行更新;更新方法为:
步骤S401对筛选后的图片进行图片识别,统计未识别成功的图片的低位质量指标;所述低位质量指标是未识别成功的图片的各项质量指标中,处于所述筛选后图片的后20%的质量指标项目;统计低位质量指标数目;
步骤S402根据低位质量指标的统计结果,更新各项指标的权值;
具体的更新方法为:假设共有5项质量指标,其中低位质量指标的结果中指标1、指标2、指标3、指标4、指标5的项目数分别为a、b、c、d、0;则对各指标的权值作如下更新:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110322179.2A CN113052821B (zh) | 2021-03-25 | 2021-03-25 | 一种电力设备巡检图片的质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110322179.2A CN113052821B (zh) | 2021-03-25 | 2021-03-25 | 一种电力设备巡检图片的质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113052821A true CN113052821A (zh) | 2021-06-29 |
CN113052821B CN113052821B (zh) | 2022-05-03 |
Family
ID=76515700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110322179.2A Active CN113052821B (zh) | 2021-03-25 | 2021-03-25 | 一种电力设备巡检图片的质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113052821B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116883414A (zh) * | 2023-09-08 | 2023-10-13 | 国网上海市电力公司 | 一种适用于输电线路运维的多系统数据选择方法和系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009060359A (ja) * | 2007-08-31 | 2009-03-19 | Seiko Epson Corp | 画像処理装置、画像処理方法および画像印刷装置 |
US20130308010A1 (en) * | 2012-05-18 | 2013-11-21 | Canon Kabushiki Kaisha | Image capturing apparatus and exposure control method |
CN104077493A (zh) * | 2014-07-12 | 2014-10-01 | 东北电力大学 | 一种电力继电保护系统状态评估指标体系的构建方法 |
CN105976351A (zh) * | 2016-03-31 | 2016-09-28 | 天津大学 | 基于中央偏移的立体图像质量评价方法 |
US20180350106A1 (en) * | 2017-06-05 | 2018-12-06 | Qualcomm Incorporated | Systems and methods for producing image feedback |
CN109089043A (zh) * | 2018-08-30 | 2018-12-25 | Oppo广东移动通信有限公司 | 拍摄图像预处理方法、装置、存储介质及移动终端 |
CN109815352A (zh) * | 2019-01-17 | 2019-05-28 | 网易传媒科技(北京)有限公司 | 封面图像选取方法、介质、装置和计算设备 |
CN111079740A (zh) * | 2019-12-02 | 2020-04-28 | 咪咕文化科技有限公司 | 图像的质量评价方法、电子设备和计算机可读存储介质 |
CN111598837A (zh) * | 2020-04-21 | 2020-08-28 | 中山大学 | 适用于可视化二维码的全参考图像质量评价方法及系统 |
CN112288010A (zh) * | 2020-10-30 | 2021-01-29 | 黑龙江大学 | 基于网络学习的指静脉图像质量评价方法 |
-
2021
- 2021-03-25 CN CN202110322179.2A patent/CN113052821B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009060359A (ja) * | 2007-08-31 | 2009-03-19 | Seiko Epson Corp | 画像処理装置、画像処理方法および画像印刷装置 |
US20130308010A1 (en) * | 2012-05-18 | 2013-11-21 | Canon Kabushiki Kaisha | Image capturing apparatus and exposure control method |
CN104077493A (zh) * | 2014-07-12 | 2014-10-01 | 东北电力大学 | 一种电力继电保护系统状态评估指标体系的构建方法 |
CN105976351A (zh) * | 2016-03-31 | 2016-09-28 | 天津大学 | 基于中央偏移的立体图像质量评价方法 |
US20180350106A1 (en) * | 2017-06-05 | 2018-12-06 | Qualcomm Incorporated | Systems and methods for producing image feedback |
CN109089043A (zh) * | 2018-08-30 | 2018-12-25 | Oppo广东移动通信有限公司 | 拍摄图像预处理方法、装置、存储介质及移动终端 |
CN109815352A (zh) * | 2019-01-17 | 2019-05-28 | 网易传媒科技(北京)有限公司 | 封面图像选取方法、介质、装置和计算设备 |
CN111079740A (zh) * | 2019-12-02 | 2020-04-28 | 咪咕文化科技有限公司 | 图像的质量评价方法、电子设备和计算机可读存储介质 |
CN111598837A (zh) * | 2020-04-21 | 2020-08-28 | 中山大学 | 适用于可视化二维码的全参考图像质量评价方法及系统 |
CN112288010A (zh) * | 2020-10-30 | 2021-01-29 | 黑龙江大学 | 基于网络学习的指静脉图像质量评价方法 |
Non-Patent Citations (1)
Title |
---|
张剑英等: "色度在评价增强图像时对传统算法的修正效果", 《电视技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116883414A (zh) * | 2023-09-08 | 2023-10-13 | 国网上海市电力公司 | 一种适用于输电线路运维的多系统数据选择方法和系统 |
CN116883414B (zh) * | 2023-09-08 | 2024-01-26 | 国网上海市电力公司 | 一种适用于输电线路运维的多系统数据选择方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113052821B (zh) | 2022-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107845087B (zh) | 液晶面板亮度不均匀缺陷的检测方法和系统 | |
CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
US11176408B2 (en) | Tire image recognition method and tire image recognition device | |
WO2006063268B1 (en) | Computer-implemented methods for detecting and/or sorting defects in a design pattern of a reticle | |
CN110555465A (zh) | 一种基于cnn与多特征融合的天气图像识别方法 | |
CN111079955A (zh) | 一种基于x射线成像的gis设备缺陷检测方法 | |
US8300937B2 (en) | Image segmentation method and system based on region features of pixels | |
CN111310850A (zh) | 车牌检测模型的构建方法及系统、车牌检测方法及系统 | |
CN109740553B (zh) | 一种基于识别的图像语义分割数据筛选方法及系统 | |
CN112534243A (zh) | 检查装置及方法 | |
CN108647696B (zh) | 图片颜值确定方法及装置、电子设备、存储介质 | |
CN111340041B (zh) | 一种基于深度学习的车牌识别方法及装置 | |
CN113052821B (zh) | 一种电力设备巡检图片的质量评价方法 | |
CN106910195A (zh) | 一种网页页面布局监测方法及装置 | |
JP2001188906A (ja) | 画像自動分類方法及び画像自動分類装置 | |
CN111833347A (zh) | 一种输电线路防振锤缺陷检测方法及相关装置 | |
CN116797913A (zh) | 一种图像质量评价方法、装置、电子设备及存储介质 | |
CN112102192A (zh) | 一种图像白平衡方法 | |
CN116958113A (zh) | 一种产品检测方法、装置、设备及存储介质 | |
CN110349119B (zh) | 基于边缘检测神经网络的路面病害检测方法和装置 | |
CN103366161B (zh) | 一种白粉虱数量的统计方法及系统 | |
CN116543414A (zh) | 多模型融合的舌质颜色分类及舌质红度和紫度量化方法 | |
CN115546141A (zh) | 一种基于多维度度量的小样本Mini LED缺陷检测方法及系统 | |
CN114677670A (zh) | 一种身份证篡改自动识别与定位的方法 | |
CN111476253B (zh) | 服装图像分类、图像分类方法、装置及设备 |
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 |