CN113706590A - 基于强化学习的自动对焦方法、系统及其应用设备 - Google Patents
基于强化学习的自动对焦方法、系统及其应用设备 Download PDFInfo
- Publication number
- CN113706590A CN113706590A CN202111183413.4A CN202111183413A CN113706590A CN 113706590 A CN113706590 A CN 113706590A CN 202111183413 A CN202111183413 A CN 202111183413A CN 113706590 A CN113706590 A CN 113706590A
- Authority
- CN
- China
- Prior art keywords
- image data
- target image
- reinforcement learning
- training
- definition
- 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
- 230000002787 reinforcement Effects 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 75
- 238000013139 quantization Methods 0.000 claims abstract description 33
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000001537 neural effect Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000010845 search algorithm Methods 0.000 abstract description 9
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 238000001914 filtration Methods 0.000 abstract 1
- 230000006872 improvement Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000009194 climbing Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (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)
- Computer Vision & Pattern Recognition (AREA)
- Studio Devices (AREA)
Abstract
本发明提供基于强化学习的自动对焦方法，包括第一步，基于设备采集终端获取目标图像数据；第二步，对目标图像数据进行非线性量化，获取目标图像数据的聚焦值与其量化步长的对应比例，从而得到在当前聚焦值下的目标图像数据的锐度评价系数；第三步，预设清晰度网络训练模型，依据锐度评价系数以对目标图像数据的清晰度值进行初始识别；第四步，对清晰度网络训练模型进行强化调整，得到强化学习网络模型。通过采用浅层神经网络学习图像清晰度，并通过非线性量化清晰度值，过滤噪声等原因导致的影响，同时对焦搜索算法采用强化学习方案，具备学习最佳搜索路径，提升对焦速度的优点。
Description
技术领域
本发明涉及图像处理技术领域，具体为基于强化学习的自动对焦方法、系统及其应用设备。
背景技术
目前自动对焦方法主要有两种：反差式对焦和相位对焦。其中，反差式对焦具有对硬件要求低、弱光环境适应性好等优点，被广泛使用。对焦算法一般运行在Camera的DSP芯片上，需要算法具有高实时性。目前通用方案主要有：传统清晰度算子+对焦搜索算法，以及CNN深度学习的去模糊算法两大方向。
以GAN为代表的深度学习去模糊算法具有很好的效果，但由于计算量大，无法做到实时性。传统清晰度算子速度较快，但由于对焦搜索算法在搜索过程中容易陷入局部极值点导致对焦失败。
与此同时，现有的自动对焦算法有如下：一类是直接计算图像梯度值，利用爬山搜索算法获得局部最佳焦平面位置，需要评价函数具有绝对的单峰性和极高的灵敏度，否则，算法容易将评价函数的局部极值当作最佳焦平面位置从而导致对焦失败，或者在离焦区域评价函数趋于平坦，导致电机迟迟得不到反转信号，最终进入死循环；另一类是利用深度学习算法，获取大量的训练集数据。而上述的两类自动对焦算法中，存在：第一类直接计算图像梯度值，由于爬山搜索算法对评价函数和电机驱动的要求非常高，否则电机迟迟得不到反转信号，最终进入死循环；第二类采用深度学习算法，此方法前期需要获取大量的训练集数据，同时需要较为良好的标注数据，增加了计算成本。
基于此，急需发明创造一种结合上面两种方案优点，采用浅层神经网络学习图像清晰度，并通过非线性量化清晰度值，过滤噪声等原因导致的影响，同时对对焦搜索算法采用强化学习方案，学习最佳搜索路径，提升对焦速度的技术方案。
发明内容
针对现有技术存在的不足，本发明目的是提供基于强化学习的自动对焦方法、系统及其应用设备，以解决上述背景技术中提出的问题，本发明通过采用强化学习算法替代了传统的对焦搜索方法，以及同步采用浅层CNN网络学习图像清晰度的方式，从而具备搜索效率更高、改进传统图像清晰度算子在焦点附近清晰度描述不准确情况的优点，解决了现有技术中的问题。
为了实现上述目的，本发明是通过如下的技术方案来实现：基于强化学习的自动对焦方法，包括以下步骤：
第一步，基于设备采集终端获取目标图像数据；
第二步，对目标图像数据进行非线性量化，获取目标图像数据的聚焦值与其量化步长的对应比例，从而得到在当前聚焦值下的目标图像数据的锐度评价系数；
第三步，预设清晰度网络训练模型，依据锐度评价系数以对所述目标图像数据的清晰度值进行识别；
第四步，对清晰度网络训练模型进行强化调整，得到强化学习网络模型，并基于强化学习网络模型输出的目标图像数据的清晰度值进行测试，完成对焦。
作为对本发明中所述基于强化学习的自动对焦方法的改进，第二步中，目标图像数据的聚焦值与其量化步长的对应比例的判断标准为：目标图像数据聚焦值与来量化步长呈正比例关系，在具体实施时，目标图像数据的失焦严重时，则表示量化步长越长，目标图像数据接近焦点时，则表示量化频率越高。
作为对本发明中所述基于强化学习的自动对焦方法的改进，第三步中，预设清晰度网络训练模型的具体实施方式为：
S3-1、获取训练样本，其中，所述训练样本中至少标注有一训练特征信息，每个所述训练特征信息用于表征在不同场景下获取的目标图像数据，其中，目标图像数据包括由失焦到对完焦的整个获取阶段中的所有子视频数据；
S3-2、采用所述训练特征信息输入至训练网络模型同时进行训练，得到清晰度网络训练模型，其中，训练网络模型为卷积神经浅层网络CNN模型；
S3-3、基于训练网络模型对经清晰度优化后的目标图像数据进行识别输出。
作为对本发明中所述基于强化学习的自动对焦方法的改进，第四步中，得到强化学习网络模型的步骤包括：
S4-1、以S3-3中输出的目标图像数据作为输入值，将此目标图像数据作为新的训练样本的训练特征信息，并代入至训练网络模型进行训练，得到新的训练网络模型；
S4-2、对此目标图像数据进行测试，若达到测试目标结果，则直接完成对焦；
反之，则顺序执行后续硬件对焦调整指令，直至达到测试目标结果后，直接输出。
进一步的，本发明的第四步中，采用强化学习算法以替代对焦搜索方法，用于对清晰度网络训练模型进行强化调整，得到强化学习网络模型，其中，所述强化学习算法的具体实施方式为：在以S3-3中输出的目标图像数据作为新的训练样本向训练网络模型作适应性输入时，基于训练网络模型且按照学习路径进行搜索，直至找到最优搜索路径结束，以用于提升对目标图像数据的对焦速度。
作为本发明的第二方面，提出了一种基于强化学习的自动对焦系统，包括图像获取模块、图像处理模块、图像清晰度值识别模块、图像清晰度值调整模块、图像输出模块，其中，
图像获取模块，用于从设备采集终端获取目标图像数据；
图像处理模块，对所获取的目标图像数据按照非线性量化进行划分，获取目标图像数据的聚焦值与其量化步长的对应比例；
图像清晰度值识别模块，对经非线性量化后的目标图像数据进行清晰度值的识别；
图像清晰度值调整模块连接所述图像清晰度值识别模块，用于优化所述目标图像清晰度值识别模块，以保证目标图像数据进行清晰度值的识别过程更为精确；
图像输出模块，连接外设系统，用于对经优化后且具备最佳目标图像数据清晰度值进行输出。
在本发明提出的一种基于强化学习的自动对焦系统可能实现的一种方式中，所述图像清晰度值识别模块对获取目标图像数据进行清晰度值的识别过程是基于卷积神经浅层网络CNN模型进行实施。
与此同时，在本发明提出的一种基于强化学习的自动对焦系统可能实现的一种方式中，所述图像清晰度值调整模块基于强化学习算法优化所述目标图像清晰度值识别模块，以得到强化学习网络模型，提升对目标图像数据的对焦速度。
进一步的，本发明提出的设备采集终端为sensor敏感元件探测设备，用于获取目标图像数据。
作为本发明的第三方面，一种基于强化学习的自动对焦设备，包括至少一个处理器以及与至少一个所述处理器建立信息交互通道的存储器，其中，
每个所述存储器存储有可被至少一个所述处理器执行的计算机程序；
所述计算机程序被至少一个所述处理器执行，以使至少一个所述处理器执行基于强化学习的自动对焦方法和/或基于强化学习的自动对焦系统。
与现有技术相比，本发明的有益效果：
1、本发明通过采用浅层神经网络学习图像清晰度，并通过非线性量化清晰度值，过滤噪声等原因导致的影响，同时对焦搜索算法采用强化学习方案，具备学习最佳搜索路径，提升对焦速度的优点；
2、与此同时，通过采用强化学习算法替代了传统的对焦搜索方法，以及采用浅层CNN网络学习图像清晰度的方式，区别于现有技术而具备搜索效率更高、改进传统图像清晰度算子在焦点附近清晰度描述不准确情况的优点。
附图说明
参照附图来说明本发明的公开内容。应当了解，附图仅仅用于说明目的，而并非意在对本发明的保护范围构成限制，在附图中，相同的附图标记用于指代相同的部件。其中：
图1为本发明一实施例中所提出基于强化学习的自动对焦方法的执行步骤示意图；
图2为本发明一实施例中所提出基于强化学习的自动对焦方法的流程框图；
图3为本发明一实施例中所提出基于强化学习的自动对焦系统的结构框图。
具体实施方式
容易理解，根据本发明的技术方案，在不变更本发明实质精神下，本领域的一般技术人员可以提出可相互替换的多种结构方式以及实现方式。因此，以下具体实施方式以及附图仅是对本发明的技术方案的示例性说明，而不应当视为本发明的全部或者视为对本发明技术方案的限定或限制。
如图1-3所示，作为本发明的一个实施例，本发明提供技术方案：基于强化学习的自动对焦方法，包括以下步骤：
第一步，基于设备采集终端获取目标图像数据，可以理解的是，设备采集终端为sensor敏感元件探测设备，用于获取目标图像数据；
第二步，对目标图像数据进行非线性量化，获取目标图像数据的聚焦值与其量化步长的对应比例，从而得到在当前聚焦值下的目标图像数据的锐度评价系数，需要说明的是，在此步骤中，目标图像数据的聚焦值与其量化步长的对应比例的判断标准为：目标图像数据聚焦值与来量化步长呈正比例关系，在具体实施时，目标图像数据的失焦严重时，则表示量化步长越长，目标图像数据接近焦点时，则表示量化频率越高；
第三步，预设清晰度网络训练模型，依据锐度评价系数以对目标图像数据的清晰度值进行识别，需要说明的是，预设清晰度网络训练模型的具体实施方式为：
S3-1、获取训练样本，其中，训练样本中至少标注有一训练特征信息，每个训练特征信息用于表征在不同场景下获取的目标图像数据，其中，目标图像数据包括由失焦到对完焦的整个获取阶段中的所有子视频数据；
S3-2、采用训练特征信息输入至训练网络模型同时进行训练，得到清晰度网络训练模型，其中，训练网络模型为卷积神经浅层网络CNN模型，可以理解的是，采用浅层神经网络学习图像清晰度，通过非线性量化清晰度值，可以达到过滤噪声等原因导致的影响；
S3-3、基于训练网络模型对经清晰度优化后的目标图像数据进行识别输出；
第四步，对清晰度网络训练模型进行强化调整，得到强化学习网络模型，并基于强化学习网络模型输出的目标图像数据的清晰度值进行测试，完成对焦，可以理解的是，得到强化学习网络模型的步骤包括：
S4-1、以S3-3中输出的目标图像数据作为输入值，将此目标图像数据作为新的训练样本的训练特征信息，并代入至训练网络模型进行训练，得到新的训练网络模型，并以此新的训练网络模型的目标图像数据进行识别输出；
S4-2、对此目标图像数据进行测试，若达到测试目标结果，则直接完成对焦；
反之，则顺序执行后续硬件对焦调整指令并返回第一步顺序执行，直至达到测试目标结果后，直接输出。
在本发明的一实施例中，为解决现有技术清晰度算子速度较快，但由于对焦搜索算法在搜索过程中容易陷入局部极值点导致对焦失败的问题，因此，在本发明的第四步中，采用强化学习算法以替代对焦搜索方法，用于对清晰度网络训练模型进行强化调整，得到强化学习网络模型，其中，强化学习算法的具体实施方式为：在以S3-3中输出的目标图像数据作为新的训练样本向训练网络模型作适应性输入时，基于训练网络模型且按照学习路径进行搜索，直至找到最优搜索路径结束，以用于提升对目标图像数据的对焦速度，此时，基于强化学习方法结合浅层CNN网络，学习以最小的代价(对焦次数)达到最优结果。从而区别于现有技术而具备搜索效率更高、改进传统图像清晰度算子在焦点附近清晰度描述不准确情况优点。
作为本发明实施的第二方面，提出了一种基于强化学习的自动对焦系统，包括图像获取模块、图像处理模块、图像清晰度值识别模块、图像清晰度值调整模块、图像输出模块，其中，
图像获取模块，用于从设备采集终端获取目标图像数据；
图像处理模块，对所获取的目标图像数据按照非线性量化进行划分，获取目标图像数据的聚焦值与其量化步长的对应比例；
图像清晰度值识别模块，对经非线性量化后的目标图像数据进行清晰度值的识别；
图像清晰度值调整模块连接图像清晰度值识别模块，用于优化目标图像清晰度值识别模块，以保证目标图像数据进行清晰度值的识别过程更为精确；
图像输出模块，连接外设系统，用于对经优化后且具备最佳目标图像数据清晰度值进行输出。
基于上述技术构思，一方面，本发明提出的图像清晰度值识别模块对获取目标图像数据进行清晰度值的识别过程是基于卷积神经浅层网络CNN模型进行实施，另一方面，图像清晰度值调整模块基于强化学习算法优化目标图像清晰度值识别模块，以得到强化学习网络模型，提升对目标图像数据的对焦速度，与此同时，本发明提出的设备采集终端为sensor敏感元件探测设备，用于获取目标图像数据。可以理解的是，本发明通过采用浅层神经网络学习图像清晰度，并通过非线性量化清晰度值，过滤噪声等原因导致的影响，同时对焦搜索算法采用强化学习方案，具备学习最佳搜索路径，提升对焦速度的优点。
作为本发明实施的第三方面，提出了一种基于强化学习的自动对焦设备，包括至少一个处理器以及与至少一个处理器建立信息交互通道的存储器，其中，
每个存储器存储有可被至少一个处理器执行的计算机程序；计算机程序被至少一个处理器执行，以使至少一个处理器执行基于强化学习的自动对焦方法和/或基于强化学习的自动对焦系统。
本发明的技术范围不仅仅局限于上述说明中的内容，本领域技术人员可以在不脱离本发明技术思想的前提下，对上述实施例进行多种变形和修改，而这些变形和修改均应当属于本发明的保护范围内。
Claims (10)
1.基于强化学习的自动对焦方法，其特征在于：包括以下步骤：
第一步，基于设备采集终端获取目标图像数据；
第二步，对目标图像数据进行非线性量化，获取目标图像数据的聚焦值与其量化步长的对应比例，从而得到在当前聚焦值下的目标图像数据的锐度评价系数；
第三步，预设清晰度网络训练模型，依据锐度评价系数以对所述目标图像数据的清晰度值进行初始识别；
第四步，对清晰度网络训练模型进行强化调整，得到强化学习网络模型，获取二次所述目标图像数据的清晰度值，并基于强化学习网络模型输出的目标图像数据的清晰度值进行测试，完成对焦。
2.根据权利要求1所述的基于强化学习的自动对焦方法，其特征在于：第二步中，目标图像数据的聚焦值与其量化步长的对应比例的判断标准为：目标图像数据聚焦值与来量化步长呈正比例关系，在具体实施时，目标图像数据的失焦严重时，则表示量化步长越长，目标图像数据接近焦点时，则表示量化频率越高。
3.根据权利要求1所述的基于强化学习的自动对焦方法，其特征在于：第三步中，预设清晰度网络训练模型的具体实施方式为：
S3-1、获取训练样本，其中，所述训练样本中至少标注有一训练特征信息，每个所述训练特征信息用于表征在不同场景下获取的目标图像数据，其中，目标图像数据包括由失焦到对完焦的整个获取阶段中的所有子视频数据；
S3-2、采用所述训练特征信息输入至训练网络模型同时进行训练，得到清晰度网络训练模型，其中，训练网络模型为卷积神经浅层网络CNN模型；
S3-3、基于训练网络模型对经清晰度优化后的目标图像数据进行识别输出。
4.根据权利要求1或3所述的基于强化学习的自动对焦方法，其特征在于：第四步中，得到强化学习网络模型的步骤包括：
S4-1、以S3-3中输出的目标图像数据作为输入值，将此目标图像数据作为新的训练样本的训练特征信息，并代入至训练网络模型进行训练，得到新的训练网络模型，并以此新的训练网络模型的目标图像数据进行识别输出；
S4-2、对此输出的目标图像数据进行测试，若达到测试目标结果，则直接完成对焦；
反之，则顺序执行后续硬件对焦调整指令并返回第一步顺序执行，直至达到测试目标结果后，直接输出。
5.根据权利要求4所述的基于强化学习的自动对焦方法，其特征在于：第四步中，采用强化学习算法以替代对焦搜索方法，用于对清晰度网络训练模型进行强化调整，得到强化学习网络模型，其中，所述强化学习算法的具体实施方式为：在以S3-3中输出的目标图像数据作为新的训练样本向训练网络模型作适应性输入时，基于训练网络模型且按照学习路径进行搜索，直至找到最优搜索路径结束，以用于提升对目标图像数据的对焦速度。
6.一种基于强化学习的自动对焦系统，根据权利要求1-5任一项所述的基于强化学习的自动对焦方法，其特征在于：
包括图像获取模块、图像处理模块、图像清晰度值识别模块、图像清晰度值调整模块、图像输出模块，其中，
图像获取模块，用于从设备采集终端获取目标图像数据；
图像处理模块，对所获取的目标图像数据按照非线性量化进行划分，获取目标图像数据的聚焦值与其量化步长的对应比例；
图像清晰度值识别模块，对经非线性量化后的目标图像数据进行清晰度值的识别；
图像清晰度值调整模块连接所述图像清晰度值识别模块，用于优化所述目标图像清晰度值识别模块，以保证目标图像数据进行清晰度值的识别过程更为精确；
图像输出模块，连接外设系统，用于对经优化后且具备最佳目标图像数据清晰度值进行输出。
7.根据权利要求6所述的一种基于强化学习的自动对焦系统，其特征在于：所述图像清晰度值识别模块对获取目标图像数据进行清晰度值的识别过程是基于卷积神经浅层网络CNN模型进行实施。
8.根据权利要求6所述的一种基于强化学习的自动对焦系统，其特征在于：所述图像清晰度值调整模块基于强化学习算法优化所述目标图像清晰度值识别模块，以得到强化学习网络模型，提升对目标图像数据的对焦速度。
9.根据权利要求6所述的一种基于强化学习的自动对焦系统，其特征在于：所述设备采集终端为sensor敏感元件探测设备，用于获取目标图像数据。
10.一种基于强化学习的自动对焦设备，其特征在于：包括至少一个处理器以及与至少一个所述处理器建立信息交互通道的存储器，其中，
每个所述存储器存储有可被至少一个所述处理器执行的计算机程序；
所述计算机程序被至少一个所述处理器执行，以使至少一个所述处理器执行权利要求1-5任一项所述的基于强化学习的自动对焦方法和/或如权利要求6-9任意一项所述的基于强化学习的自动对焦系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111183413.4A CN113706590A (zh) | 2021-10-11 | 2021-10-11 | 基于强化学习的自动对焦方法、系统及其应用设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111183413.4A CN113706590A (zh) | 2021-10-11 | 2021-10-11 | 基于强化学习的自动对焦方法、系统及其应用设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113706590A true CN113706590A (zh) | 2021-11-26 |
Family
ID=78662692
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111183413.4A Pending CN113706590A (zh) | 2021-10-11 | 2021-10-11 | 基于强化学习的自动对焦方法、系统及其应用设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113706590A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114760419A (zh) * | 2022-06-15 | 2022-07-15 | 深圳深知未来智能有限公司 | 一种基于深度学习的自动对焦方法及系统 |
| CN115527100A (zh) * | 2022-10-09 | 2022-12-27 | 范孝徐 | 用于关联数据库的标识分析系统及方法 |
-
2021
- 2021-10-11 CN CN202111183413.4A patent/CN113706590A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114760419A (zh) * | 2022-06-15 | 2022-07-15 | 深圳深知未来智能有限公司 | 一种基于深度学习的自动对焦方法及系统 |
| CN114760419B (zh) * | 2022-06-15 | 2022-09-20 | 深圳深知未来智能有限公司 | 一种基于深度学习的自动对焦方法及系统 |
| CN115527100A (zh) * | 2022-10-09 | 2022-12-27 | 范孝徐 | 用于关联数据库的标识分析系统及方法 |
| CN115527100B (zh) * | 2022-10-09 | 2023-05-23 | 广州佳禾科技股份有限公司 | 用于关联数据库的标识分析系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111650210B (zh) | 高速高精度锂离子电池极片的毛刺检测方法及检测系统 | |
| CN113706590A (zh) | 基于强化学习的自动对焦方法、系统及其应用设备 | |
| CN105430279B (zh) | 摄像头快速自动聚焦方法及装置 | |
| CN102707545B (zh) | 一种基于dff的自动对焦方法 | |
| CN105578048B (zh) | 一种快速对焦方法和装置、移动终端 | |
| CN112347887B (zh) | 一种物体检测方法、物体检测装置及电子设备 | |
| CN105306825A (zh) | 一种新型红外图像调焦系统及其使用方法 | |
| CN110324536B (zh) | 一种用于显微相机的图像变化自动感知对焦方法 | |
| WO2016101092A1 (zh) | 一种数字显微镜及其聚焦方法 | |
| CN105592258B (zh) | 自动聚焦方法及装置 | |
| CN112949451B (zh) | 通过模态感知特征学习的跨模态目标跟踪方法及系统 | |
| CN105430277A (zh) | 自动聚焦控制方法和装置 | |
| CN103837828A (zh) | 一种摄像模组马达的行程曲线测试方法、系统及移动终端 | |
| CN113239975A (zh) | 一种基于神经网络的目标检测方法和装置 | |
| CN100440935C (zh) | 用于自动聚焦控制的设备、方法和摄像机 | |
| CN118212240A (zh) | 一种汽车齿轮生产缺陷检测方法 | |
| JP2019101359A (ja) | 観察装置および焦点検出方法 | |
| CN117590574A (zh) | 一种显微镜自动对焦方法、终端和系统 | |
| CN111147737A (zh) | 一种基于rbf神经网络的自动对焦方法及装置 | |
| CN113610054A (zh) | 一种水下结构病害深度检测方法、系统、装置及存储介质 | |
| JP2010154287A (ja) | 撮像装置及びその追尾方法 | |
| CN111242927A (zh) | 一种基于深度学习的正弦焊检测方法 | |
| CN107579028B (zh) | 一种残缺晶圆的边沿确定方法、装置及划片装置 | |
| CN113163112B (zh) | 一种聚变焦控制方法及系统 | |
| CN115273013A (zh) | 车道线检测方法、系统、计算机及可读存储介质 |
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 |