CN113936132A - 基于计算机视觉的化工厂水体污染检测方法与系统 - Google Patents
基于计算机视觉的化工厂水体污染检测方法与系统 Download PDFInfo
- Publication number
- CN113936132A CN113936132A CN202111535116.1A CN202111535116A CN113936132A CN 113936132 A CN113936132 A CN 113936132A CN 202111535116 A CN202111535116 A CN 202111535116A CN 113936132 A CN113936132 A CN 113936132A
- Authority
- CN
- China
- Prior art keywords
- image
- illumination
- pollution
- chemical plant
- computer vision
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及计算机视觉领域,具体涉及一种基于计算机视觉的化工厂水体污染检测方法与系统,该方法包括:采集化工厂连续帧水体表面图像,选取任一帧记为待分析水体表面图像,将待分析水体表面图像输入预测网络,输出预测光照参数;将待分析水体表面图像输入分级网络编码器中得到特征张量,将预测光照参数与特征张量组合输入分级网络解码器中得到污染分级图像;根据污染分级图像得到污染程度的评价指标。本发明能够提高水体污染检测的准确率。
Description
技术领域
本发明涉及计算机视觉领域,具体涉及一种基于计算机视觉的化工厂水体污染检测方法与系统。
背景技术
随着化工行业的发展,水体污染问题日趋严重,水资源的保护和水污染的治理成为现代社会比较关注的问题。在对水体进行治理前,需要对水体进行污染检测,一般来说对水质检测问题采用水质检测仪器,但是水质检测仪器运维成本较高。因此现有技术中提出视觉监测水质的方法,但该方法仅能对污染严重的水域进行分析,难以泛化到一般是水质污染检测中。同时并未考虑光照对于采集图像的影响,进而导致在一般水质情况下检测的准确率不高。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于计算机视觉的化工厂水体污染检测方法,所采用的技术方案具体如下:
采集连续帧水体表面图像,选取任一帧记为待分析水体表面图像,将待分析水体表面图像输入预测网络,输出预测光照参数;
将待分析水体表面图像输入分级网络编码器中得到特征张量,将预测光照参数与特征张量组合输入分级网络解码器中得到污染分级图像;
根据污染分级图像得到污染程度的评价指标。
优选地,所述预测网络的损失包括:
计算待分析表面图像与其他任一帧水体表面图像的差值,得到光照差异图像;根据预测光照参数进行图像重构,得到光照生成图像;
利用边缘检测算法分别对光照差异图像和光照生成图像进行纹理特征提取,得到光照差异特征图像和光照生成特征图像,分别获取两张特征图像的频谱信息,计算两频谱信息的纹理相似度得到光照差异图像和光照生成图像的纹理相似度;
分别获取光照差异图像和光照生成图像的像素值范围,将两张图像的像素值范围的交并比记为像素值范围的评价指标;
计算光照差异图像和光照生成图像的灰度直方图的欧氏距离,得到光照差异图像和光照生成图像的图像相似度;
所述纹理相似度、像素值范围的评价指标以及图像相似度构成预测网络的损失。
优选地,所述预测网络的损失具体为:
其中,α为纹理相似度,β为像素值范围的评价指标,γ为图像相似度,w1、w2、w3为权重系数,L为预测网络的损失函数。
优选地,所述根据预测光照参数进行图像重构具体为:
设置均值,并以预测光照参数为标准差构建高斯分布;根据所述高斯分布进行采样,并为各个像素点赋值,将赋值后的图像进行重构得到光照生成图像。
优选地,所述分级网络的训练具体为:
将在不同位置和不同光照条件下采集的化工厂连续帧水体表面图像作为训练数据集;利用传感器获取训练数据集的实际光照参数,将实际光照参数与特征张量组合进行训练。
优选地,所述污染程度的评价指标获取方法具体为:
其中,ϕ为污染程度的评价指标,I和J为污染分级图像的行数和列数,ci,j表示污染分级图像上像素坐标为(i,j)的像素点对应的污染等级。
优选地,所述将预测光照参数与特征张量组合具体为:将预测光照参数添加至特征张量中得到新的序列。
本发明还提供了一种基于计算机视觉的化工厂水体污染检测系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被处理器执行时实现一种基于计算机视觉的化工厂水体污染检测方法的步骤。
本发明实施例至少具有如下有益效果:
本发明将光照参数作为嵌入数据加入到分级网络中,可有效提高网络对于污染程度分级的准确性。同时,本发明根据通过预测光照参数得到的光照生成图像与光照差异图像进行对比分析,可以有效监督预测光照参数的生成。
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和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,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它附图。
图1为一种基于计算机视觉的化工厂水体污染检测方法的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于计算机视觉的化工厂水体污染检测方法与系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于计算机视觉的化工厂水体污染检测方法与系统的具体方案。
实施例1:
本发明所针对的具体场景为:化工厂排水水域场景,存在室外光照,且污染物不固定,加上光照的影响,难以用常规方式进行水体污染信息分割处理。
请参阅图1,其示出了本发明一个实施例提供的一种基于计算机视觉的化工厂水体污染检测方法的步骤流程图,该方法包括以下步骤:
首先,采集连续帧水体表面图像,选取任一帧记为待分析水体表面图像。构建预测网络,网络结构为编码器-全连接层,预测网络的输入为待分析水体表面图像,预测网络的输出为预测光照参数。
该步骤的目的是:获取室外光照的描述参数用于后续图像的重构。该步骤的有益效果为:通过光照参数对图像的光照信息进行描述,可基于图像有效量化室外光照信息。
需要说明的是,在某个光照参数下,由于水面存在波动,会导致水面出现无反射和镜面反射的区域,则认为两张图像间的差别与光照参数有关,即不同的光照参数下,对应的采集的图像不同;而差异图像就是通过两帧图像间的差异来表征无反射和镜面反射的区域的差异;再用基于预测光照参数生成光照生成图像,因为光照生成图像只有光照参数影响,所以生成的是一张预测的差异图像。
本实施例通过预测网络的损失进行监督网络的训练,使预测的差异图像与真实的差异图像保持一致,进而可得到正确的预测光照参数。
其中,所述预测网络的损失为:
具体地,在本实施例中,利用帧差法对待分析水体表面图像和其他任一帧水体表面图像进行处理得到光照差异图像。需要说明的是,水体表面随着时间变化会出现晃动的情况,导致成像中出现较大差异,这个差异主要来自于水体正常表面和水体镜面反射条件下表面的差异,因此根据帧差法可以提取出光照差异图像。
接着,根据预测光照参数构建高斯分布,在本实施例中,以0为均值,预测光照参数的1/3为标准差构建高斯分布。进一步的,基于高斯分布进行采样,并为各个像素点赋值,赋值后的图像通过编码器-解码器进行重构,得到光照生成图像。其中根据数据的概率分布(在本实施例中是高斯分布)进行采样为公知技术,在此不再过多赘述。
其次,采用基于梯度的边缘检测方法,如Sobel、Laplace算子,分别对光照生成图像和光照差异图像进行纹理特征提取,得到光照差异特征图像和光照生成特征图像,分别获取两张特征图像的频谱信息,计算两频谱信息的纹理相似度得到光照差异图像和光照生成图像的纹理相似度。具体地,在本实施例中,通过傅里叶变换将光照差异特征图像和光照生成特征图像转换至频域,计算频域内对应的两张特征图像的欧氏距离得到光照差异图像和光照生成图像的纹理相似度。
该步骤的有益效果为:将获取的纹理特征图像通过傅里叶变换转换至频域,更便于相似度对比,提高了计算效率。
进一步的,获取光照差异图像的像素值范围,在本实施例中,获取光照差异图像的像素值的最小值和最大值作为像素值范围的两个端点,即[min(pi,j),max(pi,j)],其中pi,j为光照差异图像上像素坐标为(i,j)的像素点的值。同时获取光照生成图像的像素值范围,在本实施例中,获取光照生成图像的像素值的最小值和最大值作为像素值范围的两个端点,即[min(qi,j),max(qi,j)],其中qi,j为光照生成图像上像素坐标为(i,j)的像素点的值,将两张图像的像素值范围的交并比记为像素值范围的评价指标。计算光照差异图像和光照生成图像的灰度直方图的欧氏距离,得到光照差异图像和光照生成图像的图像相似度。
所述纹理相似度、像素值范围的评价指标以及图像相似度构成预测网络的损失。
具体地,预测网络的损失的计算方法为:
其中,α为纹理相似度,β为像素值范围的评价指标,γ为图像相似度,w1、w2、w3为权重系数,在本实施例中,w1、w2、w3的取值分别为0.3、0.5、0.3,实施者可自行调整该权重系数以保证网络能够正常训练,但需要注意满足w2≥w1≥w3,其原因为:预测光照参数直接决定了像素值范围,因此对像素值范围的损失权重较大,而其他两项可能有采样因素的影响,因此损失权重相对较小。
进一步的,eα为纹理相似度α的损失,在本实施例中纹理相似度即为欧式距离,距离越大表示越不相似,则距离越大,损失越大,且呈指数形式上升,该项损失用于指导重构网络的训练,令其重构的图像满足水面的一般纹理。e(1-β)为像素值范围的评价指标β的损失,交并比理想值为1,交并比距离1越远,表示值域范围差异越大,则交并比越大,损失越大,且呈指数形式上升,该项损失用于指导预测网络的训练,令其输出的预测光照参数满足实际水面信息变化情况。eγ为图像相似度γ的损失,图像相似度即为欧式距离,距离越大表示越不相似,则距离越大,损失越大,且呈指数形式上升,该项损失用于指导重构网络训练,目的为令重构网络将像素点重新排列,而不改变像素值。
然后,将待分析水体表面图像输入分级网络编码器中得到特征张量,将预测光照参数与特征张量组合输入分级网络解码器中得到污染分级图像。该步骤的有益效果为:由于光照参数不同会导致在同一场景下获取的图像像素值有差异,而像素值的差异是图像的重要特征,进而会导致图像在进行分级时出现误差,将光照参数作为嵌入数据加入到分级网络中,可有效提高分级网络对于污染程度分级的准确性,同时避免了训练过程难以收敛的情况出现。
具体地,构建分级网络,本实施例中分级网络即为语义分割网络,网络结构为编码器-解码器,网络输入为待分析水体表面图像,输入编码器中提取特征,编码器输出为1*K尺寸的特征张量,将预测光照参数与所述特征张量进行组合,得到新的特征张量的尺寸为1*(K+1),再输入解码器后输出污染分级图像,比如特征张量是[1,1,1],把2这个光照参数concat进去得到新的特征张量[1,1,1,2]。
其中分级网络的训练具体为:
采用不同位置不同光照条件下所采集的连续帧水体表面图像作为训练数据集,利用传感器获取训练数据集的实际光照参数,将实际光照参数按照上述步骤与特征张量组合后进行训练。
本实施例还获取标签数据,用于监督网络的训练,其中,标签数据为人为标注的污染分级图像,将污染分级图像按照污染程度等级进行人为标注,在实施例中像素点类别标注为4类,即无污染、轻度污染、中度污染以及重度污染四个类别,标注需经过one-hot编码处理。
至此,通过上述步骤获取到训练好的预测网络,并且得到训练时添加了光照参数的分级网络。实施者在使用过程中,仅需将所采集图像输入预测网络获取预测光照参数,将预测光照参数添加到分级网络中,即可获得最终输出的分级结果。
最后,根据污染分级图像得到污染程度的评价指标。
具体地,污染程序的评价指标计算方式为:
其中,ϕ为污染程度的评价指标,I和J为污染分级图像的行数和列数,ci,j表示污染分级图像上像素坐标为(i,j)的像素点对应的污染等级。
需要说明的是,实施者可基于污染程度的评价指标设置辅助提醒阈值,当所采集的图像经上述步骤处理后得到的污染程度的评价指标大于等于辅助提醒阈值时,提醒化工厂管理人员进行及时实地检测,避免污染超标。
实施例2:
本实施例提供了一种基于计算机视觉的化工厂水体污染检测系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被处理器执行时实现一种基于计算机视觉的化工厂水体污染检测方法的步骤。由于实施例1已经对一种基于计算机视觉的化工厂水体污染检测方法进行了详细的介绍,此处不再过多介绍。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于计算机视觉的化工厂水体污染检测方法,其特征在于,该方法包括以下步骤:
采集连续帧水体表面图像,选取任一帧记为待分析水体表面图像,将待分析水体表面图像输入预测网络,输出预测光照参数;
将待分析水体表面图像输入分级网络编码器中得到特征张量,将预测光照参数与特征张量组合输入分级网络解码器中得到污染分级图像;
根据污染分级图像得到污染程度的评价指标。
2.根据权利要求1所述的一种基于计算机视觉的化工厂水体污染检测方法,其特征在于,所述预测网络的损失包括:
计算待分析表面图像与其他任一帧水体表面图像的差值,得到光照差异图像;根据预测光照参数进行图像重构,得到光照生成图像;
利用边缘检测算法分别对光照差异图像和光照生成图像进行纹理特征提取,得到光照差异特征图像和光照生成特征图像,分别获取两张特征图像的频谱信息,计算两频谱信息的纹理相似度得到光照差异图像和光照生成图像的纹理相似度;
分别获取光照差异图像和光照生成图像的像素值范围,将两张图像的像素值范围的交并比记为像素值范围的评价指标;
计算光照差异图像和光照生成图像的灰度直方图的欧氏距离,得到光照差异图像和光照生成图像的图像相似度;
所述纹理相似度、像素值范围的评价指标以及图像相似度构成预测网络的损失。
4.根据权利要求1所述的一种基于计算机视觉的化工厂水体污染检测方法,其特征在于,所述根据预测光照参数进行图像重构具体为:
设置均值,并以预测光照参数为标准差构建高斯分布;根据所述高斯分布进行采样,并为各个像素点赋值,将赋值后的图像进行重构得到光照生成图像。
5.根据权利要求1所述的一种基于计算机视觉的化工厂水体污染检测方法,其特征在于,所述分级网络的训练具体为:
将在不同位置和不同光照条件下采集的化工厂连续帧水体表面图像作为训练数据集;
利用传感器获取训练数据集的实际光照参数,将实际光照参数与特征张量组合进行训练。
7.根据权利要求1所述的一种基于计算机视觉的化工厂水体污染检测方法,其特征在于,所述将预测光照参数与特征张量组合具体为:将预测光照参数添加至特征张量中得到新的序列。
8.一种基于计算机视觉的化工厂水体污染检测系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述一种基于计算机视觉的化工厂水体污染检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111535116.1A CN113936132B (zh) | 2021-12-16 | 2021-12-16 | 基于计算机视觉的化工厂水体污染检测方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111535116.1A CN113936132B (zh) | 2021-12-16 | 2021-12-16 | 基于计算机视觉的化工厂水体污染检测方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113936132A true CN113936132A (zh) | 2022-01-14 |
CN113936132B CN113936132B (zh) | 2022-03-11 |
Family
ID=79289091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111535116.1A Active CN113936132B (zh) | 2021-12-16 | 2021-12-16 | 基于计算机视觉的化工厂水体污染检测方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113936132B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114758139A (zh) * | 2022-06-16 | 2022-07-15 | 成都鹏业软件股份有限公司 | 基坑积水检测方法 |
CN116630812A (zh) * | 2023-07-21 | 2023-08-22 | 四川发展环境科学技术研究院有限公司 | 基于可见光图像分析的水体特征检测方法及系统 |
CN117111450A (zh) * | 2023-10-19 | 2023-11-24 | 中国标准化研究院 | 环境污染处理设备的智能控制方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295653A (zh) * | 2016-07-29 | 2017-01-04 | 宁波大学 | 一种水质图像分类方法 |
CN109187534A (zh) * | 2018-08-01 | 2019-01-11 | 江苏凯纳水处理技术有限公司 | 水质检测方法及其水样图像识别装置 |
CN109934805A (zh) * | 2019-03-04 | 2019-06-25 | 江南大学 | 一种基于低照度图像和神经网络的水污染检测方法 |
CN110866900A (zh) * | 2019-11-05 | 2020-03-06 | 江河瑞通(北京)技术有限公司 | 水体颜色识别方法及装置 |
CN111611949A (zh) * | 2020-05-25 | 2020-09-01 | 陈金山 | 基于cim与区块链的智慧城市水域垃圾密度检测方法 |
CN112686876A (zh) * | 2021-01-05 | 2021-04-20 | 夏彬 | 基于人工智能的水体稳态视觉检测方法及系统 |
-
2021
- 2021-12-16 CN CN202111535116.1A patent/CN113936132B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295653A (zh) * | 2016-07-29 | 2017-01-04 | 宁波大学 | 一种水质图像分类方法 |
CN109187534A (zh) * | 2018-08-01 | 2019-01-11 | 江苏凯纳水处理技术有限公司 | 水质检测方法及其水样图像识别装置 |
CN109934805A (zh) * | 2019-03-04 | 2019-06-25 | 江南大学 | 一种基于低照度图像和神经网络的水污染检测方法 |
CN110866900A (zh) * | 2019-11-05 | 2020-03-06 | 江河瑞通(北京)技术有限公司 | 水体颜色识别方法及装置 |
CN111611949A (zh) * | 2020-05-25 | 2020-09-01 | 陈金山 | 基于cim与区块链的智慧城市水域垃圾密度检测方法 |
CN112686876A (zh) * | 2021-01-05 | 2021-04-20 | 夏彬 | 基于人工智能的水体稳态视觉检测方法及系统 |
Non-Patent Citations (5)
Title |
---|
ÁNGEL FERNÁNDEZ GAMBÍN等: "《Sustainable Marine Ecosystems: Deep Learning for Water Quality Assessment and Forecasting》", 《IEEE ACCESS》 * |
CHENG-LIANG LAI等: "《Using image processing technology for water quality monitoring system》", 《2011 INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND CYBERNETICS》 * |
KAREL HORAK等: "《Water quality assessment by image processing》", 《2015 38TH INTERNATIONAL CONFERENCE ON TELECOMMUNICATIONS AND SIGNAL PROCESSING (TSP)》 * |
卢新卫等: "《基于人工神经网络的水质污染综合评价方法》", 《工程勘察》 * |
孙鹏程等: "《基于贝叶斯网络的河流突发性水质污染事故风险评估》", 《环境科学》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114758139A (zh) * | 2022-06-16 | 2022-07-15 | 成都鹏业软件股份有限公司 | 基坑积水检测方法 |
CN116630812A (zh) * | 2023-07-21 | 2023-08-22 | 四川发展环境科学技术研究院有限公司 | 基于可见光图像分析的水体特征检测方法及系统 |
CN116630812B (zh) * | 2023-07-21 | 2023-09-26 | 四川发展环境科学技术研究院有限公司 | 基于可见光图像分析的水体特征检测方法及系统 |
CN117111450A (zh) * | 2023-10-19 | 2023-11-24 | 中国标准化研究院 | 环境污染处理设备的智能控制方法及系统 |
CN117111450B (zh) * | 2023-10-19 | 2023-12-22 | 中国标准化研究院 | 环境污染处理设备的智能控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113936132B (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113936132B (zh) | 基于计算机视觉的化工厂水体污染检测方法与系统 | |
CN111696094B (zh) | 免疫组化pd-l1膜染色病理切片图像处理方法、装置和设备 | |
CN110189255B (zh) | 基于两级检测的人脸检测方法 | |
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
Li et al. | A robust instance segmentation framework for underground sewer defect detection | |
CN109840483B (zh) | 一种滑坡裂缝检测与识别的方法及装置 | |
CN116485779B (zh) | 自适应晶圆缺陷检测方法、装置、电子设备及存储介质 | |
CN114170184A (zh) | 一种基于嵌入特征向量的产品图像异常检测方法及装置 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 | |
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 | |
CN115980050A (zh) | 排水口的水质检测方法、装置、计算机设备及存储介质 | |
CN115294332A (zh) | 一种图像处理方法、装置、设备和存储介质 | |
CN117115715A (zh) | 一种基于流重构和帧预测结合的视频异常检测方法 | |
CN113313678A (zh) | 一种基于多尺度特征融合的精子形态学自动分析方法 | |
CN113920208A (zh) | 图像处理方法及装置、计算机可读存储介质和电子设备 | |
CN112329793A (zh) | 基于结构自适应和规模自适应感受野的显著性检测方法 | |
CN111259926A (zh) | 肉品新鲜度检测方法、装置、计算设备和存储介质 | |
CN116523871A (zh) | 一种加工件缺陷检测方法、装置、电子设备及存储介质 | |
CN113192018B (zh) | 基于快速分割卷积神经网络的水冷壁表面缺陷视频识别方法 | |
CN118095971B (zh) | 一种ad钙奶饮料加工工艺评估方法、系统及介质 | |
CN116228769B (zh) | 一种适用于钢丝编织管瑕疵检测的装置及检测方法 | |
CN116977334B (zh) | 一种光缆表面瑕疵检测方法及装置 | |
CN116385414B (zh) | 零部件多尺度缺陷特征提取方法、计算设备及存储介质 | |
US20230377125A1 (en) | Defect detection of a semiconductor specimen | |
CN118247793A (zh) | 图像检测方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |