CN114299037B - 一种对象检测结果的质量评估方法、装置、电子设备及计算机可读存储介质 - Google Patents
一种对象检测结果的质量评估方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN114299037B CN114299037B CN202111653802.9A CN202111653802A CN114299037B CN 114299037 B CN114299037 B CN 114299037B CN 202111653802 A CN202111653802 A CN 202111653802A CN 114299037 B CN114299037 B CN 114299037B
- Authority
- CN
- China
- Prior art keywords
- detected
- confidence coefficient
- image
- sub
- confidence
- 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
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明的实施例提供了一种对象检测结果的质量评估方法、装置、电子设备及计算机可读存储介质,方法包括:获取待检测的图像数据集,图像数据集包括多个第一子图像,在多个第一子图像中,确定存在待检测对象的多个目标图像,确定多个目标图像的待检测对象的检测结果,确定每个第一子图像的置信度和每个目标图像中待检测对象的颜色信息,基于每个第一子图像的置信度和每个目标图像中待检测对象的颜色信息,确定图像数据集的评估参数,从而依据评估参数对图像数据集的检测结果进行质量评估。实现了对待检测图像数据集的检测结果的自动化评估,降低了评估的处理时长,提高了评估效率。
Description
技术领域
本发明涉及数据处理技术领域,具体而言,涉及一种对象检测结果的质量评估方法、装置、电子设备及计算机可读存储介质。
背景技术
在农业科技快速发展的时代,农业无人机对提高农田作业人员工作效率有着巨大的贡献,但是在对不同的对象进行作业时,需要先确定无人机的飞行策略。无人机的飞行策略又与拍摄对象的图像相关,需要确定拍摄图像中对象的位置,才可以基于对象的位置确定无人机的飞行策略。
由于拍摄对象的图像是否可以准确确定到对象的位置,决定了无人机的飞行策略是否正确,因此拍摄对象的图像通过目标检测模型后得到对象位置准确性好坏,对无人机的飞行策略至关重要。
现有技术中,对于图像数据经过目标检测模型得到待检测对象的坐标,对于待检测对象的检测结果是否准确,通常是采用人工审核的方式进行评估,其存在耗费时间长、效率低的问题。
发明内容
有鉴于此,本发明的目的在于提供一种对象检测结果的质量评估方法、装置、电子设备及计算机可读存储介质,以降低对待检测对象的检测结果进行评估的处理时长,提高评估效率。
为了实现上述目的,本发明实施例采用的技术方案如下:
第一方面,本发明实施例提供了一种对象检测结果的质量评估方法,所述方法包括:
获取待检测的图像数据集,其中,所述图像数据集包括多个第一子图像;
在多个所述第一子图像中,确定存在待检测对象的多个目标图像;
确定多个所述目标图像的待检测对象的检测结果;
确定每个所述第一子图像的置信度和每个所述目标图像中待检测对象的颜色信息;
基于每个所述第一子图像的置信度和每个所述目标图像中待检测对象的颜色信息,确定所述图像数据集的评估参数;
依据所述评估参数对所述图像数据集的检测结果进行质量评估。
在可选的实施方式中,所述基于每个所述第一子图像的置信度和每个所述目标图像中待检测对象的颜色信息,确定所述图像数据集的评估参数的步骤,包括:
基于每个所述第一子图像的置信度,得到所述图像数据集对应的第一置信度集合;
根据所述第一置信度集合,确定所述图像数据集的第一评估参数;
基于每个所述目标图像中待检测对象的颜色信息,确定所述图像数据集的第二评估参数。
在可选的实施方式中,所述根据所述第一置信度集合,确定所述图像数据集的第一评估参数的步骤,包括:
将所述第一置信度集合中的每个元素与第一预设阈值进行比较;
将所述第一置信度集合中小于所述第一预设阈值的元素删除,得到第二置信度集合;
将所述第二置信度集合中的每个元素与第二预设阈值进行比较;
获取所述第二置信度集合中大于所述第二预设阈值的各元素,得到第三置信度集合;
根据所述第三置信度集合中元素的第一数量和所述第二置信度集合中元素的第二数量,得到所述第一数量和所述第二数量的比值;
计算所述第三置信度集合的平均置信度;
将所述比值和所述平均置信度作为所述第一评估参数。
在可选的实施方式中,所述方法还包括获得所述第二预设阈值的步骤,该步骤包括:
获取N份待检测对象的图像数据集,其中,每份所述待检测对象的图像数据集包括多个第二子图像;
确定每份所述待检测对象的图像数据集中各所述第二子图像的置信度,得到N份第四置信度集合;
将N份所述第四置信度集合作为第一整体置信度集合;
基于高斯分布拟合,得到所述第一整体置信度集合的第一标准差和第一期望值;
根据所述第一标准差和所述第一期望值,对每份所述第四置信度集合进行数据过滤,得到N份第五置信度集合;
将N份所述第五置信度集合作为第二整体置信度集合;
基于高斯分布拟合,得到所述第二整体置信度集合的第二期望值;
将所述第二期望值作为第二预设阈值。
在可选的实施方式中,每个所述目标图像中待检测对象的颜色信息通过以下步骤确定:
基于目标图像的待检测对象的检测结果中待检测对象的中心坐标和尺寸信息,确定所述待检测对象的RGB信息。
在可选的实施方式中,所述基于每个所述目标图像中待检测对象的颜色信息,确定所述图像数据集的第二评估参数的步骤,包括:
基于全部所述目标图像中待检测对象的RGB信息,计算所述RGB信息的方差和标准差;
将所述方差和所述标准差,作为所述图像数据集的第二评估参数。
在可选的实施方式中,所述依据所述评估参数对所述图像数据集的检测结果进行质量评估的步骤,包括:
根据所述第一评估参数和所述第二评估参数,对所述图像数据集的检测结果进行质量评估。
第二方面,本发明实施例提供了一种对象检测结果的质量评估装置,所述装置包括:
获取模块,用于获取待检测的图像数据集,其中,所述图像数据集包括多个第一子图像;
第一确定模块,用于在多个所述第一子图像中,确定存在待检测对象的多个目标图像;
第二确定模块,用于确定多个所述目标图像的待检测对象的检测结果;
第三确定模块,用于确定每个所述第一子图像的置信度和每个所述目标图像中待检测对象的颜色信息;
第四确定模块,用于基于每个所述第一子图像的置信度和每个所述目标图像中待检测对象的颜色信息,确定所述图像数据集的评估参数;
评估模块,用于依据所述评估参数对所述图像数据集的检测结果进行质量评估。
第三方面,本发明实施例提供了一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现所述对象检测结果的质量评估方法的步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述对象检测结果的质量评估方法的步骤。
本发明具有以下有益效果:
本发明实施例提供的对象检测结果的质量评估方法、装置、电子设备及计算机可读存储介质,通过获取待检测的图像数据集,在多个第一子图像中,确定存在待检测对象的多个目标图像,确定多个目标图像的待检测对象的检测结果,确定每个第一子图像的置信度和每个目标图像中待检测对象的颜色信息,基于每个第一子图像的置信度和每个目标图像中待检测对象的颜色信息,确定图像数据集的评估参数,最终依据评估参数对图像数据集的检测结果进行质量评估。实现了对待检测图像数据集的检测结果的自动化评估,降低了评估的处理时长,提高了评估效率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例提供的电子设备的方框示意图;
图2为本发明实施例提供的一种对象检测结果的质量评估方法的步骤流程图之一;
图3为本发明实施例提供的一种对象检测结果的质量评估方法的步骤流程图之二;
图4为本发明实施例提供的一种对象检测结果的质量评估方法的步骤流程图之三;
图5为本发明实施例提供的一种对象检测结果的质量评估方法的步骤流程图之四;
图6为本发明实施例提供的一种对象检测结果的质量评估装置的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
此外,若出现术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
经过发明人大量研究发现,在农业科技快速发展的时代,农业无人机对提高农田作业人员工作效率有着巨大的贡献,但是在复杂的对象,如果树所处场景中,无人机的飞行航线与飞行策略会受到巨大的影响。其中,拍摄对象的图像通过目标检测模型后得到对象的检测结果的准确性好坏对无人机的飞行策略至关重要,因此需要对拍摄图像的检测结果的质量进行评估,从而决定采用何种飞行策略。
目前,通常是采用人工审核的方式对通过目标检测模型后得到图像数据集的检测结果进行质量评估,采用人工的方式进行质量评估会花费大量的时间,导致评估效率低,并且人工审核存在差异性,没有统一的评估标准,导致质量评估不准确。
有鉴于对上述问题的发现,本实施例提供了一种对象检测结果的质量评估方法、装置、电子设备及计算机可读存储介质,能够自动对待检测的图像数据集的检测结果进行质量评估,降低了评估的处理时长,提高了评估效率,下面对本实施例提供的方案进行详细阐述。
本实施例提供一种可以对对象检测结果的质量进行评估的电子设备。在一种可能的实现方式中,所述电子设备可以为用户终端,例如,电子设备可以是,但不限于,服务器、智能手机、个人电脑(PersonalComputer,PC)、平板电脑、个人数字助理(Personal DigitalAssistant,PDA)、移动上网设备(Mobile Internet Device,MID)等。
请参照图1,图1是本发明实施例提供的电子设备100的结构示意图。所述电子设备100还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
所述电子设备100包括对象检测结果的质量评估装置110、存储器120及处理器130。
所述存储器120及处理器130各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述对象检测结果的质量评估装置110包括至少一个可以软件或固件(firmware)的形式存储于所述存储器120中或固化在所述电子设备100的操作系统(operating system,OS)中的软件功能模块。所述处理器130用于执行所述存储器120中存储的可执行模块,例如所述对象检测结果的质量评估装置110所包括的软件功能模块及计算机程序等。
其中,所述存储器120可以是,但不限于,随机存取存储器(RandomAccess Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable ProgrammableRead-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable ProgrammableRead-Only Memory,EEPROM)等。其中,存储器120用于存储程序,所述处理器130在接收到执行指令后,执行所述程序。
请参照图2,图2为应用于图1的电子设备100的一种对象检测结果的质量评估方法的流程图,以下将方法包括的各个步骤进行详细阐述。
步骤201:获取待检测的图像数据集。
其中,图像数据集包括多个第一子图像。
待检测的图像数据集的获取方式有多种,可以由电子设备从数据库获取,可以由用户输入,也可以通过图像采集装置进行采集。其中,图像采集装置可以为无人机,例如:基于无人机对某一对象区域进行图像数据集的采集。由于对象区域的面积较大,可能无法一次性对对象区域中的图像采集完全,因此,待检测的图像数据集可以包含多张图像,即图像数据集包含多个第一子图像。多张第一子图像构成整个对象区域的图像。其中,待检测的图像数据集可以由包括某一对象区域的所有第一子图像构成,或者待检测的图像数据集还可以由无人机同一架次采集到的所有图像数据构成。
可选地,待检测的图像数据集可以为果树区域的图像数据集、水稻区域的图像数据集、小麦区域的图像数据集、房屋区域的图像数据集等。
步骤202:在多个第一子图像中,确定存在待检测对象的多个目标图像。
该步骤中存在待检测对象的多个目标图像,可以理解为多个目标图像中包含相同的待检测对象。例如:待检测对象为果树时,多个目标图像中均包含果树。
例如:第一目标图像中包含A对象和B对象,第二目标图像中包含A对象和C对象,第三目标图像中包含A对象和D对象,A对象为待检测对象。
由于拍摄的多个第一子图像中,可能并不是所有第一图像均包括待检测对象。因此需要在多个第一子图像中,确定存在待检测对象的多个目标图像。
其中,基于各第一子图像,确定多个目标图像的方式有多种:
在一示例中,可以通过图像识别技术,识别每个第一子图像中是否包含待检测对象,并获取包含待检测对象的第一子图像,作为目标图像。
在另一示例中,可以将多个第一子图像输入至目标检测模型中,输出各第一子图像是否包含待检测对象的检测结果,并将包含有待检测对象的第一子图像作为目标图像,其中检测结果至少还包括该第一子图像对应的置信度、待检测对象的中心坐标以及尺寸信息,尺寸信息可以为对象的半径大小或其他长宽参数。
需要说明的是,目标检测模型可以为Faster R-CNN模型、SSD模型以及YOLO模型。基于上述模型可以直接确定第一子图像中是否包含待检测对象。
步骤203:确定多个目标图像的待检测对象的检测结果。
其中,待检测对象的检测结果至少包括待检测对象的中心坐标、尺寸信息以及置信度,其中所述待检测对象的中心坐标信息可以是通过目标检测模型自动识别出的目标图像中待检测对象的中心坐标,还可以是通过人工对目标图像中待检测对象的中心坐标进行标注。
示例性的,将目标图像输入至目标检测模型中,输出目标图像中待检测对象的中心坐标、尺寸信息以及置信度。
步骤204:确定每个第一子图像的置信度和每个目标图像中待检测对象的颜色信息。
置信度可以表示第一子图像中的对象是否属于待检测对象的概率,其可以用[0,1]区间内任意小数来表示。例如,当检测到第一子图像中不存在待检测对象时,该第一子图像对应的置信度为0;当检测到第一子图像中存在待检测对象时,该第一子图像对应的置信度为大于0且小于或等于1。需要说明的是,该置信度的表示方式可以根据实际需求灵活设计,本发明实施例不作限定。
示例性的,当待检测对象为果树时,每个第一子图像的置信度指示第一子图像中的待检测对象为果树的概率。
对第一子图像的置信度的确定,可以将每个第一子图像输入至目标检测模型中,输出每个第一子图像的置信度。目标检测模型为对待检测对象进行检测的模型。例如,当待检测对象为果树时,目标检测模型可以为果树目标检测模型,当待检测对象为小麦时,则目标检测模型为小麦目标检测模型。
为了确定图像数据集的评估参数,除了需要确定每个第一子图像的置信度,还需要确定目标图像中待检测对象的颜色信息。
确定目标图像中待检测对象的颜色信息的方式有多种,在一示例中,可以确定每张目标图像中待检测对象的像素区域,并获取像素区域中各像素点的颜色信息,将像素区域中各像素点的颜色信息加权求和,得到待检测对象的像素区域的颜色信息。
需要说明的是,待检测对象的颜色信息可以采用RGB信息。
在另一示例中,可以将各目标图像输入至像素模型中,输出得到每个目标图像中待检测对象的颜色信息。其中,像素模型的输入为包含待检测对象的图像,输出为待检测对象的颜色信息。
本发明实施例提供了一种确定每个目标图像的待检测对象的颜色信息的实现方式:
基于目标图像的待检测对象的检测结果中待检测对象的中心坐标以及尺寸信息,确定待检测对象的RGB信息。
基于步骤203确定的待检测对象的检测结果,待检测对象的检测结果包括待检测对象的中心坐标以及尺寸信息,其中,尺寸信息可以为以待检测对象的中心坐标为圆心的半径。
由于确定的多个目标图像数量较多,且目标图像中可能包含不同待检测对象,为了提高确定待检测对象的RGB信息的效率,可以由待检测对象目标检测模型确定待检测对象在目标图像中的中心坐标和尺寸信息。示例的,待检测对象的中心坐标和尺寸信息的表示方式可以为P(x,y,r),x为待检测对象的横坐标,y为待检测对象的纵坐标,(x,y)为待检测对象的中心坐标,r为待检测对象的半径。
示例性的,当待检测对象为果树时,基于目标检测模型确定果树在目标图像中的中心坐标和尺寸信息,基于待检测对象的中心坐标和尺寸信息,确定待检测对象在目标图像中的像素区域,获取像素区域中各像素点的RGB信息,将多个RGB信息求平均值,最终将平均值作为待检测对象的RGB信息。
步骤205:基于每个第一子图像的置信度和每个目标图像中待检测对象的颜色信息,确定图像数据集的评估参数。
步骤206:依据评估参数对图像数据集的检测结果进行质量评估。
基于每个第一子图像的置信度和每个目标图像中对象的颜色信息,得到图像数据集的评估参数。图像采集装置采集的待检测的图像数据集,待检测图像数据集经过目标检测模型后得到的图像数据集的检测结果,检测结果包括但不限于待检测的图像数据集中是否包含待检测对象、待检测对象的中心坐标以及待检测对象的尺寸信息,这个评估参数可以理解为检测上述检测结果是否准确。
对图像数据集的检测结果进行质量评估的目的,是为了使得制定无人机的飞行策略更加准确,将待检测的图像数据集输入至待检测对象目标检测模型中,得到图像数据集的检测结果,在检测结果准确,无人机可以直接基于检测结果的待检测对象的中心坐标、尺寸信息等,确定飞行策略,以对待检测对象进行作业。因此,在确定无人机的飞行策略时,待检测的图像数据集的检测结果的质量至关重要。
本发明实施例提供的对象检测结果的质量评估方法、装置、电子设备及计算机可读存储介质,通过获取待检测的图像数据集,在多个第一子图像中,确定存在待检测对象的多个目标图像,确定多个目标图像的待检测对象的检测结果,确定每个第一子图像的置信度和每个目标图像中待检测对象的颜色信息,基于每个第一子图像的置信度和每个目标图像中待检测对象的颜色信息,确定图像数据集的评估参数,最终依据评估参数对图像数据集的检测结果进行质量评估。实现了对待检测的图像数据集的检测结果质量的自动化评估,降低了评估的处理时长,提高了评估效率。
本发明实施例提供的一种实现方式是对于第一子图像的置信度对应的第一评估参数和目标图像中待检测对象的颜色信息对应的第二评估参数,两个维度来共同对待检测的图像数据集的检测结果进行质量评估。请参照图3,将图2中步骤S204所包含的步骤进行介绍。
步骤204-1:基于每个第一子图像的置信度,得到图像数据集对应的第一置信度集合。
步骤204-2:根据第一置信度集合,确定图像数据集的第一评估参数。
步骤204-3:基于每个目标图像中待检测对象的颜色信息,确定图像数据集的第二评估参数。
基于上述步骤204,确定每个第一子图像的置信度,得到图像数据集对应的第一置信度集合。
对第一置信度集合进行第一预设处理,得到图像数据集的第一评估参数。需要说明的是,第一预设处理可以为对第一置信度集合中,将小于某一阈值的元素进行删除,通过将第一置信度集合与阈值比较并删除满足条件的元素,从而实现对第一置信度集合筛选和过滤。使得处理后的第一置信度集合中元素不会出现异常值,再计算处理后的第一置信度集合的均值、第一置信度集合的方差、标准差等参数,将上述参数作为图像数据集对应的第一评估参数,使得图像数据集对应的第一评估参数更加的准确。
除了确定图像数据集的第一评估参数以外,为了保证对图像数据集的质量评估的准确性,还需要确定图像数据集的第二评估参数。
图像数据集的第二评估参数基于每个目标图像中待检测对象的颜色信息确定。
基于每个目标图像中待检测对象的颜色信息,由颜色信息确定图像数据集的第二评估参数的方式有多种:
在一示例中,当目标图像中待检测对象的颜色信息可以为RGB信息时,可以基于全部RGB信息,计算均值、标准差、方差等参数,并将均值、标准差、方差等参数作为图像数据集的第二评估参数。
在另一示例中,当目标图像中待检测对象的颜色信息可以为灰度值信息、分辨率信息、白平衡信息等,可以基于全部的灰度值信息或分辨率信息或白平衡信息,计算均值、方差、标准差,并将均值、方差以及标准差作为图像数据集的第二评估参数。除此之外,还可以基于上述灰度值信息、分辨率信息、白平衡信息的均值、方差、标准差进行加权求和后,得到加权求和的均值、方差以及标准差,从而将加权求和的均值、方差以及标准差作为图像数据集的第二评估参数。
最终基于根据第一评估参数和第二评估参数,对图像数据集的检测结果进行质量评估。
基于第一评估参数和第二评估参数对图像数据集的检测结果进行质量评估的方式有多种。
在一示例中,可以确定第一评估参数对应的第一分值,确定第二评估参数对应的第二分值,基于第一分值和第二分值,确定图像数据集的检测结果的最终分值,将最终分值与预设分值比较,在最终分值大于预设分值的情况下,确定图像数据集的检测结果的质量较佳,可以使用该图像数据集的检测结果中的待检测对象的中心坐标和待检测对象的尺寸信息确定无人机的飞行策略。
在另一示例中,可以确定第一评估参数对应的第一分值,确定第二评估参数对应的第二分值,计算第一分值和第一权重的第一乘积,计算第二分值和第二权重的第二乘积,最终基于第一乘积和第二乘积对图像数据集的检测结果的质量进行质量评估。其中,第一权重为对第一评估参数设置的权重值,第二权重为对第二评估参数设置的权重值。
基于第一乘积和第二乘积对图像数据集的检测结果的质量进行评估的方式也有多种,示例一:可以计算第一乘积和第二乘积的和,基于计算的和,与预设阈值进行比较,在大于预设阈值时,则表明图像数据集的检测结果质量佳。示例二:可以确定第一乘积和第二乘积的和所属的评分等级区间,基于评分等级区间,确定图像数据集的检测结果的等级。
可以预先设置第一评分等级区间,第二评分等级区间以及第三评分等级区间,设置不同评分等级区间的分值。
需要说明的是,上述实施例已经大致介绍了如何基于第一置信度集合确定第一评估参数,和基于目标图像中待检测对象的颜色信息确定图像数据集的第二评估参数,下面将对基于第一置信度集合确定第一评估参数的实现方式进行详细介绍。请参照图4,将图3中步骤204-2所包含的步骤进行介绍。
步骤204-2-1:将第一置信度集合中的每个元素与第一预设阈值进行比较。
步骤204-2-2:将第一置信度集合中小于第一预设阈值的元素删除,得到第二置信度集合。
需要说明的是,第一预设阈值可以为0.1、0.2、0.3等,本领域技术人员可以根据实际情况对第一预设阈值进行设定,本发明实施例对此不做具体限制。
将第一置信度集合中每个元素,分别与第一预设阈值进行比较,在第一置信度集合中的某一元素小于第一预设阈值时,则将该元素删除,最终基于删除后的集合,得到第二置信度集合。需要说明的是,第一预设阈值的设定的目的是为了对第一置信度集合中异常数据进行剔除。
步骤204-2-3:将第二置信度集合中的每个元素与第二预设阈值进行比较。
步骤204-2-4:获取第二置信度集合中大于第二预设阈值的各元素,得到第三置信度集合。
为了保证第二置信度集合中数据不存在异常数据,将第二置信度集合中的每个元素与第二预设阈值进行比较。并获取第二置信度集合中大于第二预设阈值的各元素,得到第三置信度集合。
其中,第二预设阈值可以由以下方式确定:
获取N份待检测对象的图像数据集,其中,每份待检测对象的图像数据集包括多个第二子图像;确定每份待检测对象的图像数据集中各第二子图像的置信度,得到N份第四置信度集合;将N份第四置信度集合作为第一整体置信度集合;基于高斯分布拟合,得到第一整体置信度集合的第一标准差和第一期望值,将第一期望值作为第二预设阈值。
需要说明的是,获取的N份待检测对象的图像数据集为历史图像数据,或者实时拍摄获取的待检测对象的图像数据集。每份待检测对象的图像数据集均包含多张第二子图像,具体包含多张第二子图像的解释与待检测的图像数据集包含多张第一子图像的描述类似,在此不再赘述。
将每份待检测对象的图像数据集中各第二子图像,通过图像识别技术或者将各第二子图像输入至目标检测模型中,得到每份待检测对象的图像数据集中各第二子图像的置信度,并得到N份第四置信度集合。
将N份第四置信度集合作为一个整体集合,即第一整体置信度集合,对第一整体置信度集合进行高斯分布拟合,得到第一整体置信度集合的第一标准差和第一期望值,将第一期望值确定为第二预设阈值。
为了更进一步保证确定的第二预设阈值,使得确定的第三置信度集合中不存在异常数据,对于第二预设阈值的确定方式还可以在基于高斯分布拟合,得到第一整体置信度集合的第一标准差和第一期望值之后,根据第一标准差和第一期望值,对每份第四置信度集合进行数据过滤,得到N份第五置信度集合,将N份第五置信度集合作为第二整体置信度集合,基于高斯分布拟合,得到第二整体置信度集合的第二期望值,将第二期望值作为第二预设阈值。
基于第一标准差和第一期望值,对每份第四置信度集合进行数据过滤,得到N份第五置信度集合的方式有多种,在一示例中,可以将每个第四置信度集合中每个元素与第一标准差或第一期望值进行比较,从而剔除每个第四置信度集合中不满足第一标准差或第一期望值的元素,得到N份第五置信度集合。在另一示例中,将第一标准差和第一期望值相加,得到目标值,将每个第四置信度集合中每个元素与目标值进行比较,从而剔除每个第四置信度集合中不满足目标值的元素,得到N份第五置信度集合。
最终基于高斯分布拟合,得到第二整体置信度集合的第二期望值,将第二期望值作为第二预设阈值。通过上述方式计算得到的第二预设阈值,保证第三置信度集合中数据不存在异常数据。
步骤204-2-5:根据第三置信度集合中元素的第一数量和第二置信度集合中元素的第二数量,得到第一数量和第二数量的比值。
其中,第一数量为第三置信度集合中元素的个数,第二数量为第二置信度集合中元素的个数。
步骤204-2-6:计算第三置信度集合的平均置信度。
需要说明的是,第三置信度集合的平均置信度可以用来衡量高置信度占比的偏移。
步骤204-2-7:将比值和平均置信度作为第一评估参数。根据第三置信度集合中元素的第一数量和第二置信度集合中元素的第二数量,得到第一数量和第二数量的比值,该比值用来评估待检测对象的检测结果是否准确。
需要说明的是,上述实施例已经大致介绍了如何基于第一置信度集合确定第一评估参数,和基于目标图像中待检测对象的颜色信息确定图像数据集的第二评估参数,下面将对基于每个目标图像中待检测对象的颜色信息,确定图像数据集的第二评估参数的实现方式进行详细介绍。请参照图5,将图3中步骤204-3所包含的步骤进行介绍。
步骤204-3-1:基于全部目标图像中待检测对象的RGB信息,计算RGB信息的方差和标准差。
步骤204-3-2:将方差和标准差,作为图像数据集的第二评估参数。
对于第二评估参数的确定,除了可以基于全部目标图像中待检测对象的RGB信息以外,还可以基于全部目标图像中待检测对象的灰度值信息、分辨率信息、白平衡信息等,确定图像数据集的第二评估参数。
在基于待检测对象的RGB信息时,将全部RBG信息进行归一化处理,将RGB信息的数值变为(0,1)之间的小数,以便于后续对方差和标准差的计算。
基于图像数据集中待检测图像的RGB信息,确定第二评估参数,第二评估参数是为了评估待检测对象的中心坐标和尺寸信息是否准确。请参照图6,本发明实施例还提供了一种应用于图1所述电子设备100的对象检测结果的质量评估装置110,所述对象检测结果的质量评估装置110包括:
获取模块111,用于获取待检测的图像数据集,其中,所述图像数据集包括多个第一子图像;
第一确定模块112,用于在多个所述第一子图像中,确定存在待检测对象的多个目标图像;
第二确定模块113,用于确定多个所述目标图像的待检测对象的检测结果;
第三确定模块114,用于确定每个所述第一子图像的置信度和每个所述目标图像中待检测对象的颜色信息;
第四确定模块115,用于基于每个所述第一子图像的置信度和每个所述目标图像中待检测对象的颜色信息,确定所述图像数据集的评估参数;
评估模块116,用于依据所述评估参数对所述图像数据集的检测结果进行质量评估。
可选地,所述第四确定模块115具体用于:
基于每个所述第一子图像的置信度,得到所述图像数据集对应的第一置信度集合;
根据所述第一置信度集合,确定所述图像数据集的第一评估参数;
基于每个所述目标图像中待检测对象的颜色信息,确定所述图像数据集的第二评估参数。
可选地,所述第四确定模块115还用于:
将所述第一置信度集合中的每个元素与第一预设阈值进行比较;
将所述第一置信度集合中小于所述第一预设阈值的元素删除,得到第二置信度集合;
将所述第二置信度集合中的每个元素与第二预设阈值进行比较;
获取所述第二置信度集合中大于所述第二预设阈值的各元素,得到第三置信度集合;
根据所述第三置信度集合中元素的第一数量和所述第二置信度集合中元素的第二数量,得到所述第一数量和所述第二数量的比值;
计算所述第三置信度集合的平均置信度;
将所述比值和所述平均置信度作为所述第一评估参数。
可选地,所述第四确定模块115还用于:
获取N份待检测对象的图像数据集,其中,每份所述待检测对象的图像数据集包括多个第二子图像;
确定每份所述待检测对象的图像数据集中各所述第二子图像的置信度,得到N份第四置信度集合;
将N份所述第四置信度集合作为第一整体置信度集合;
基于高斯分布拟合,得到所述第一整体置信度集合的第一标准差和第一期望值;
根据所述第一标准差和所述第一期望值,对每份所述第四置信度集合进行数据过滤,得到N份第五置信度集合;
将N份所述第五置信度集合作为第二整体置信度集合;
基于高斯分布拟合,得到所述第二整体置信度集合的第二期望值;
将所述第二期望值作为第二预设阈值。
可选地,所述第三确定模块114还用于:
基于目标图像的待检测对象的检测结果中待检测对象的中心坐标和尺寸信息,确定所述待检测对象的RGB信息。
可选地,所述第四确定模块115还用于:
基于全部所述目标图像中待检测对象的RGB信息,计算所述RGB信息的方差和标准差;
将所述方差和所述标准差,作为所述图像数据集的第二评估参数。
可选地,所述评估模块116具体用于:
根据所述第一评估参数和所述第二评估参数,对所述图像数据集的检测结果进行质量评估。
综上所述,本发明实施例提供的对象检测结果的质量评估方法、装置、电子设备及计算机可读存储介质,通过获取待检测的图像数据集,在多个第一子图像中,确定存在待检测对象的多个目标图像,确定多个目标图像的待检测对象的检测结果,确定每个第一子图像的置信度和每个目标图像中待检测对象的颜色信息,基于每个第一子图像的置信度和每个目标图像中待检测对象的颜色信息,确定图像数据集的评估参数,最终依据评估参数对图像数据集的检测结果进行质量评估。实现了对待检测图像数据集的检测结果的自动化评估,降低了评估的处理时长,提高了评估效率。
本发明还提供一种电子设备100,电子设备100包括处理器130以及存储器120。存储器120存储有计算机可执行指令,计算机可执行指令被处理器130执行时,实现该对象检测结果的质量评估方法。
本发明实施例还提供一种计算机可读存储介质,存储介质存储有计算机程序,计算机程序被处理器130执行时,实现该对象检测结果的质量评估方法。
在本发明所提供的实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。所述功能如果以软件功能模块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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品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,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述,仅为本发明的各种实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (7)
1.一种对象检测结果的质量评估方法,其特征在于,所述方法包括:
获取待检测的图像数据集,其中,所述图像数据集包括多个第一子图像;
在多个所述第一子图像中,确定存在待检测对象的多个目标图像;
确定多个所述目标图像的待检测对象的检测结果;
确定每个所述第一子图像的置信度和每个所述目标图像中待检测对象的颜色信息;
基于每个所述第一子图像的置信度和每个所述目标图像中待检测对象的颜色信息,确定所述图像数据集的评估参数;
依据所述评估参数对所述图像数据集的检测结果进行质量评估;所述基于每个所述第一子图像的置信度和每个所述目标图像中待检测对象的颜色信息,确定所述图像数据集的评估参数的步骤,包括:
基于每个所述第一子图像的置信度,得到所述图像数据集对应的第一置信度集合;
根据所述第一置信度集合,确定所述图像数据集的第一评估参数;
基于每个所述目标图像中待检测对象的颜色信息,确定所述图像数据集的第二评估参数;所述根据所述第一置信度集合,确定所述图像数据集的第一评估参数的步骤,包括:
将所述第一置信度集合中的每个元素与第一预设阈值进行比较;
将所述第一置信度集合中小于所述第一预设阈值的元素删除,得到第二置信度集合;
将所述第二置信度集合中的每个元素与第二预设阈值进行比较;
获取所述第二置信度集合中大于所述第二预设阈值的各元素,得到第三置信度集合;
根据所述第三置信度集合中元素的第一数量和所述第二置信度集合中元素的第二数量,得到所述第一数量和所述第二数量的比值;
计算所述第三置信度集合的平均置信度;
将所述比值和所述平均置信度作为所述第一评估参数;
所述方法还包括获得所述第二预设阈值的步骤,获得所述第二预设阈值包括:
获取N份待检测对象的图像数据集,其中,每份所述待检测对象的图像数据集包括多个第二子图像;
确定每份所述待检测对象的图像数据集中各所述第二子图像的置信度,得到N份第四置信度集合;
将N份所述第四置信度集合作为第一整体置信度集合;
基于高斯分布拟合,得到所述第一整体置信度集合的第一标准差和第一期望值;
根据所述第一标准差和所述第一期望值,对每份所述第四置信度集合进行数据过滤,得到N份第五置信度集合;
将N份所述第五置信度集合作为第二整体置信度集合;
基于高斯分布拟合,得到所述第二整体置信度集合的第二期望值;
将所述第二期望值作为第二预设阈值;
或者,获得所述第二预设阈值包括:
获取N份待检测对象的图像数据集,其中,每份待检测对象的图像数据集包括多个第二子图像;确定每份待检测对象的图像数据集中各第二子图像的置信度,得到N份第四置信度集合;将N份第四置信度集合作为第一整体置信度集合;基于高斯分布拟合,得到第一整体置信度集合的第一标准差和第一期望值,将第一期望值作为第二预设阈值。
2.根据权利要求1所述的方法,其特征在于,每个所述目标图像中待检测对象的颜色信息通过以下步骤确定:
基于目标图像的待检测对象的检测结果中待检测对象的中心坐标和尺寸信息,确定所述待检测对象的RGB信息。
3.根据权利要求2所述的方法,其特征在于,所述基于每个所述目标图像中待检测对象的颜色信息,确定所述图像数据集的第二评估参数的步骤,包括:
基于全部所述目标图像中待检测对象的RGB信息,计算所述RGB信息的方差和标准差;
将所述方差和所述标准差,作为所述图像数据集的第二评估参数。
4.根据权利要求1至3任意一项所述的方法,其特征在于,所述依据所述评估参数对所述图像数据集的检测结果进行质量评估的步骤,包括:
根据所述第一评估参数和所述第二评估参数,对所述图像数据集的检测结果进行质量评估。
5.一种对象检测结果的质量评估装置,其特征在于,所述装置包括:
获取模块,获取待检测的图像数据集,其中,所述图像数据集包括多个第一子图像;
第一确定模块,用于在多个所述第一子图像中,确定存在待检测对象的多个目标图像;
第二确定模块,用于确定多个所述目标图像的待检测对象的检测结果;
第三确定模块,用于确定每个所述第一子图像的置信度和每个所述目标图像中待检测对象的颜色信息;
第四确定模块,用于基于每个所述第一子图像的置信度和每个所述目标图像中待检测对象的颜色信息,确定所述图像数据集的评估参数;
评估模块,用于依据所述评估参数对所述图像数据集的检测结果进行质量评估;
其中,所述第四确定模块具体用于:
基于每个所述第一子图像的置信度,得到所述图像数据集对应的第一置信度集合;
根据所述第一置信度集合,确定所述图像数据集的第一评估参数;
基于每个所述目标图像中待检测对象的颜色信息,确定所述图像数据集的第二评估参数;
所述第四确定模块具体用于:
将所述第一置信度集合中的每个元素与第一预设阈值进行比较;
将所述第一置信度集合中小于所述第一预设阈值的元素删除,得到第二置信度集合;
将所述第二置信度集合中的每个元素与第二预设阈值进行比较;
获取所述第二置信度集合中大于所述第二预设阈值的各元素,得到第三置信度集合;
根据所述第三置信度集合中元素的第一数量和所述第二置信度集合中元素的第二数量,得到所述第一数量和所述第二数量的比值;
计算所述第三置信度集合的平均置信度;
将所述比值和所述平均置信度作为所述第一评估参数;
所述装置还包括第二阈值确定模块;
所述第二阈值确定模块用于:
获取N份待检测对象的图像数据集,其中,每份所述待检测对象的图像数据集包括多个第二子图像;
确定每份所述待检测对象的图像数据集中各所述第二子图像的置信度,得到N份第四置信度集合;
将N份所述第四置信度集合作为第一整体置信度集合;
基于高斯分布拟合,得到所述第一整体置信度集合的第一标准差和第一期望值;
根据所述第一标准差和所述第一期望值,对每份所述第四置信度集合进行数据过滤,得到N份第五置信度集合;
将N份所述第五置信度集合作为第二整体置信度集合;
基于高斯分布拟合,得到所述第二整体置信度集合的第二期望值;
将所述第二期望值作为第二预设阈值;
或者获取N份待检测对象的图像数据集,其中,每份待检测对象的图像数据集包括多个第二子图像;确定每份待检测对象的图像数据集中各第二子图像的置信度,得到N份第四置信度集合;将N份第四置信度集合作为第一整体置信度集合;基于高斯分布拟合,得到第一整体置信度集合的第一标准差和第一期望值,将第一期望值作为第二预设阈值。
6.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时,实现权利要求1至4中任一项所述的方法。
7.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,该计算机程序被处理器执行时,实现权利要求1至4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111653802.9A CN114299037B (zh) | 2021-12-30 | 2021-12-30 | 一种对象检测结果的质量评估方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111653802.9A CN114299037B (zh) | 2021-12-30 | 2021-12-30 | 一种对象检测结果的质量评估方法、装置、电子设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114299037A CN114299037A (zh) | 2022-04-08 |
CN114299037B true CN114299037B (zh) | 2023-09-01 |
Family
ID=80973362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111653802.9A Active CN114299037B (zh) | 2021-12-30 | 2021-12-30 | 一种对象检测结果的质量评估方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114299037B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714316A (zh) * | 2013-12-10 | 2014-04-09 | 小米科技有限责任公司 | 图像识别方法、装置及电子设备 |
CN109697719A (zh) * | 2019-03-05 | 2019-04-30 | 百度在线网络技术(北京)有限公司 | 一种图像质量评估方法、装置及计算机可读存储介质 |
CN111161205A (zh) * | 2018-10-19 | 2020-05-15 | 阿里巴巴集团控股有限公司 | 一种图像处理和人脸图像识别方法、装置及设备 |
CN111223143A (zh) * | 2019-12-31 | 2020-06-02 | 广州市百果园信息技术有限公司 | 关键点检测方法、装置及计算机可读存储介质 |
CN111401324A (zh) * | 2020-04-20 | 2020-07-10 | Oppo广东移动通信有限公司 | 图像质量评估方法、装置、存储介质及电子设备 |
CN111640090A (zh) * | 2020-05-12 | 2020-09-08 | 宁波蓝明信息科技有限公司 | 一种用于评估眼底图像质量的方法 |
WO2020206850A1 (zh) * | 2019-04-09 | 2020-10-15 | 华为技术有限公司 | 基于高维图像的图像标注方法和装置 |
CN111783775A (zh) * | 2020-06-30 | 2020-10-16 | 京东数字科技控股有限公司 | 一种图像采集方法、装置、设备和计算机可读存储介质 |
CN111915567A (zh) * | 2020-07-06 | 2020-11-10 | 浙江大华技术股份有限公司 | 一种图像质量评估方法、装置、设备及介质 |
CN112200187A (zh) * | 2020-10-16 | 2021-01-08 | 广州云从凯风科技有限公司 | 一种目标检测方法、装置、机器可读介质及设备 |
CN112307900A (zh) * | 2020-09-27 | 2021-02-02 | 北京迈格威科技有限公司 | 面部图像质量的评估方法、装置和电子设备 |
CN113065379A (zh) * | 2019-12-27 | 2021-07-02 | 深圳云天励飞技术有限公司 | 融合图像质量的图像检测方法、装置、电子设备 |
CN113643260A (zh) * | 2021-08-13 | 2021-11-12 | 北京百度网讯科技有限公司 | 用于检测图像质量的方法、装置、设备、介质和产品 |
-
2021
- 2021-12-30 CN CN202111653802.9A patent/CN114299037B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714316A (zh) * | 2013-12-10 | 2014-04-09 | 小米科技有限责任公司 | 图像识别方法、装置及电子设备 |
CN111161205A (zh) * | 2018-10-19 | 2020-05-15 | 阿里巴巴集团控股有限公司 | 一种图像处理和人脸图像识别方法、装置及设备 |
CN109697719A (zh) * | 2019-03-05 | 2019-04-30 | 百度在线网络技术(北京)有限公司 | 一种图像质量评估方法、装置及计算机可读存储介质 |
WO2020206850A1 (zh) * | 2019-04-09 | 2020-10-15 | 华为技术有限公司 | 基于高维图像的图像标注方法和装置 |
CN113065379A (zh) * | 2019-12-27 | 2021-07-02 | 深圳云天励飞技术有限公司 | 融合图像质量的图像检测方法、装置、电子设备 |
CN111223143A (zh) * | 2019-12-31 | 2020-06-02 | 广州市百果园信息技术有限公司 | 关键点检测方法、装置及计算机可读存储介质 |
CN111401324A (zh) * | 2020-04-20 | 2020-07-10 | Oppo广东移动通信有限公司 | 图像质量评估方法、装置、存储介质及电子设备 |
CN111640090A (zh) * | 2020-05-12 | 2020-09-08 | 宁波蓝明信息科技有限公司 | 一种用于评估眼底图像质量的方法 |
CN111783775A (zh) * | 2020-06-30 | 2020-10-16 | 京东数字科技控股有限公司 | 一种图像采集方法、装置、设备和计算机可读存储介质 |
CN111915567A (zh) * | 2020-07-06 | 2020-11-10 | 浙江大华技术股份有限公司 | 一种图像质量评估方法、装置、设备及介质 |
CN112307900A (zh) * | 2020-09-27 | 2021-02-02 | 北京迈格威科技有限公司 | 面部图像质量的评估方法、装置和电子设备 |
CN112200187A (zh) * | 2020-10-16 | 2021-01-08 | 广州云从凯风科技有限公司 | 一种目标检测方法、装置、机器可读介质及设备 |
CN113643260A (zh) * | 2021-08-13 | 2021-11-12 | 北京百度网讯科技有限公司 | 用于检测图像质量的方法、装置、设备、介质和产品 |
Non-Patent Citations (1)
Title |
---|
钟忺 等.一种基于纹理和颜色置信融合的运动目标检测方法.《计算机应用研究》.2017,第34卷(第7期),第2196-2201页. * |
Also Published As
Publication number | Publication date |
---|---|
CN114299037A (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110781756A (zh) | 基于遥感图像的城市道路提取方法及装置 | |
CN109726705B (zh) | 红树林信息的提取方法、装置及电子设备 | |
CN109685806B (zh) | 图像显著性检测方法及装置 | |
CN111144337B (zh) | 火灾检测方法、装置及终端设备 | |
CN110148117B (zh) | 基于电力图像的电力设备缺陷识别方法、装置与存储介质 | |
CN110909640A (zh) | 水位线的确定方法及装置、存储介质、电子装置 | |
CN111553302B (zh) | 关键帧选取方法、装置、设备及计算机可读存储介质 | |
CN111784665A (zh) | 基于傅里叶变换的oct图像质量评估方法、系统及装置 | |
CN114299037B (zh) | 一种对象检测结果的质量评估方法、装置、电子设备及计算机可读存储介质 | |
CN111860623A (zh) | 基于改进ssd神经网络的统计树木数量的方法及系统 | |
CN110245669B (zh) | 手掌关键点的识别方法、装置、终端及可读存储介质 | |
CN116416523A (zh) | 一种基于机器学习的水稻生长阶段的识别系统和方法 | |
CN116246161A (zh) | 领域知识引导下的遥感图像目标精细类型识别方法及装置 | |
CN113284066B (zh) | 遥感影像自动云检测方法和装置 | |
CN114820707A (zh) | 一种用于摄像头目标自动追踪的计算方法 | |
CN114782822A (zh) | 电力设备的状态检测方法、装置、电子设备及存储介质 | |
CN114494887A (zh) | 遥感图像分类方法、装置、计算机设备和可读存储介质 | |
CN113947730A (zh) | 遥感数据识别方法、装置、电子设备及可读存储介质 | |
CN113657179A (zh) | 图像识别及建模方法、装置、电子设备及存储介质 | |
AU2020219305A1 (en) | Harvest confirmation system and method | |
CN110827243A (zh) | 网格梁覆盖区域异常检测方法和装置 | |
CN110910379A (zh) | 一种残缺检测方法及装置 | |
CN116189023B (zh) | 基于无人机实现环境应急监测的方法及系统 | |
CN117349734B (zh) | 水表设备识别方法、装置、电子设备及存储介质 | |
CN117274310A (zh) | 多目标跟踪方法、装置、设备及计算机可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |