CN114581767B - 图像处理系统、方法及其计算机装置 - Google Patents
图像处理系统、方法及其计算机装置 Download PDFInfo
- Publication number
- CN114581767B CN114581767B CN202210059795.8A CN202210059795A CN114581767B CN 114581767 B CN114581767 B CN 114581767B CN 202210059795 A CN202210059795 A CN 202210059795A CN 114581767 B CN114581767 B CN 114581767B
- Authority
- CN
- China
- Prior art keywords
- feature
- feature map
- neural network
- loss function
- convolutional neural
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims description 23
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 105
- 238000004880 explosion Methods 0.000 claims abstract description 88
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 238000003672 processing method Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 59
- 238000009826 distribution Methods 0.000 claims description 50
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000010586 diagram Methods 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 14
- 238000001228 spectrum Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000001914 filtration Methods 0.000 abstract description 8
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 238000000926 separation method Methods 0.000 abstract 1
- 230000003595 spectral effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000000691 measurement method Methods 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000005422 blasting Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 102100033620 Calponin-1 Human genes 0.000 description 1
- 102100033591 Calponin-2 Human genes 0.000 description 1
- 102100033592 Calponin-3 Human genes 0.000 description 1
- 101000945318 Homo sapiens Calponin-1 Proteins 0.000 description 1
- 101000945403 Homo sapiens Calponin-2 Proteins 0.000 description 1
- 101000945410 Homo sapiens Calponin-3 Proteins 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
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
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本申请涉及智能图像处理的领域，其具体地公开了一种图像处理系统、方法及其计算机装置。所述基于无人机的图像处理系统以基于深度可分离的作为去噪生成器的卷积神经网络对由无人机采集的原始图像进行在多维度上的卷积操作以挖掘出所述原始图像的高维特征中的三维块结构，从而基于三维块匹配和过滤的原则来进行原始图像的去噪。并且，为了使得所述卷积神经网络能够更好地挖掘高维特征中的三维块结构，引入多光谱图像作为参考数据来促进所述卷积神经网络的参数更新，以修正所述特征图与所述参考数据的一致性。这样，可以使得对采场爆堆中的矿石粒度是否符合预设要求判断的准确性更高，从而为露天矿生产爆破提供决策依据。
Description
技术领域
本申请涉及智能图像处理的领域，且更为具体地，涉及一种图像处理系统、方法及其计算机装置。
背景技术
爆堆矿石粒度特征是衡量爆破效果的重要指标之一,矿石粒度分布合理不仅可以降低二次破碎工作量,减少采矿成本,而且还能够提高开采效率。通常爆堆粒度分析方法有筛分法、二次爆破岩块统计、爆堆直接测量等人工测定方法,这些方法耗时长,精度有限,效率低,不能满足工程需要。
有必要利用现代化信息技术手段,通过无人机快速采集采场爆堆图像信息,开发快速精准的矿石粒度辨识算法,为露天矿生产爆破提供决策依据。因此，期望一种基于无人机的图像处理系统以对采场爆堆中的矿石粒度是否符合预设要求进行准确地判断。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种图像处理系统、方法及其计算机装置，其中，所述基于无人机的图像处理系统以基于深度可分离的作为去噪生成器的卷积神经网络对由无人机采集的原始图像进行在多维度上的卷积操作以挖掘出所述原始图像的高维特征中的三维块结构，从而基于三维块匹配和过滤的原则来进行原始图像的去噪。并且，为了使得所述卷积神经网络能够更好地挖掘高维特征中的三维块结构，引入多光谱图像作为参考数据来促进所述卷积神经网络的参数更新，以修正所述特征图与所述参考数据的一致性。这样，可以使得对采场爆堆中的矿石粒度是否符合预设要求判断的准确性更高，从而为露天矿生产爆破提供决策依据。
根据本申请的一个方面，提供了一种基于无人机的图像处理系统，其包括：
训练模块，包括：
原始图像单元，用于通过部署于无人机的摄像模组获得采场爆炸堆的图像；
第一神经网络单元，用于将所述采场爆炸堆的图像输入作为去噪生成器的第一卷积神经网络以获得第一特征图，其中，所述第一卷积神经网络在卷积操作中，不同层的滤波器用于分别在两个空间维度W和H和通道维度C上进行卷积；
光谱图像单元，用于通过部署于所述无人机的光谱相机获得与所述采场爆炸堆的图像对应的多光谱图像；
第二神经网络单元，用于将所述多光谱图像中的每张光谱图像输入第二卷积神经网络以获得多个第二特征图；
类别概率计算单元，用于计算每个所述第二特征图相对于所有所述第二特征图的类别概率值，其中，所述类别概率值为以每个所述第二特征图中各个位置的特征值的负值为幂的自然指数函数值的加权和除以以所有所述第二特征图中各个位置的特征值的负值为幂的自然指数函数值的加权和；
类分布一致性损失函数值计算单元，用于计算所述第一特征图与每个所述第二特征图的类别概率值之间的类分布一致性损失函数值，其中，所述类分布一致性损失函数值与所述第一特征图通过分类器所获得的类别概率值和所述第二特征图的类别概率值有关；
交叉熵损失函数值计算单元，用于计算所述第一特征图与由每个所述第二特征图的类别概率值组成的类别概率特征向量之间的交叉熵损失函数值；
第三神经网络单元，用于将所述第一特征图输入作为特征提取器的第三卷积神经网络以获得第三特征图；
分类损失函数值计算单元，用于将所述第三特征图通过所述分类器以获得分类损失函数值；以及
训练单元，用于基于所述分类损失函数值、交叉熵损失函数值和所述类分布一致性损失函数值的加权和来训练所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络；以及
推断模块，包括：
待处理图像获取单元，用于通过部署于无人机的摄像模组获得采场爆炸堆的图像；
去噪单元，用于将所述采场爆炸堆的图像输入经训练模块训练完成的作为去噪生成器的第一卷积神经网络以获得第一特征图；
特征提取单元，用于将所述第一特征图通过经训练模块训练完成的作为特征提取器的第三卷积神经网络以获得分类特征图；
处理结果生成单元，用于将所述分类特征图通过所述分类器以获得分类结果，其中，所述分类结果用于表示所述采场爆堆中的矿石粒度是否符合预设要求。
根据本申请的另一个方面，提供了一种基于无人机的图像处理系统的处理方法，其包括：
训练阶段，包括：
通过部署于无人机的摄像模组获得采场爆炸堆的图像；
将所述采场爆炸堆的图像输入作为去噪生成器的第一卷积神经网络以获得第一特征图，其中，所述第一卷积神经网络在卷积操作中，不同层的滤波器用于分别在两个空间维度W和H和通道维度C上进行卷积；
通过部署于所述无人机的光谱相机获得与所述采场爆炸堆的图像对应的多光谱图像；
将所述多光谱图像中的每张光谱图像输入第二卷积神经网络以获得多个第二特征图；
计算每个所述第二特征图相对于所有所述第二特征图的类别概率值，其中，所述类别概率值为以每个所述第二特征图中各个位置的特征值的负值为幂的自然指数函数值的加权和除以以所有所述第二特征图中各个位置的特征值的负值为幂的自然指数函数值的加权和；
计算所述第一特征图与每个所述第二特征图的类别概率值之间的类分布一致性损失函数值，其中，所述类分布一致性损失函数值与所述第一特征图通过分类器所获得的类别概率值和所述第二特征图的类别概率值有关；
计算所述第一特征图与由每个所述第二特征图的类别概率值组成的类别概率特征向量之间的交叉熵损失函数值；
将所述第一特征图输入作为特征提取器的第三卷积神经网络以获得第三特征图；
将所述第三特征图通过所述分类器以获得分类损失函数值；以及基于所述分类损失函数值、交叉熵损失函数值和所述类分布一致性损失函数值的加权和来训练所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络；以及
推断阶段，包括：
通过部署于无人机的摄像模组获得采场爆炸堆的图像；
将所述采场爆炸堆的图像输入经训练模块训练完成的作为去噪生成器的第一卷积神经网络以获得第一特征图；
将所述第一特征图通过经训练模块训练完成的作为特征提取器的第三卷积神经网络以获得分类特征图；
将所述分类特征图通过所述分类器以获得分类结果，其中，所述分类结果用于表示所述采场爆堆中的矿石粒度是否符合预设要求。
与现有技术相比，本申请提供的图像处理系统、方法及其计算机装置，所述基于无人机的图像处理系统以基于深度可分离的作为去噪生成器的卷积神经网络对由无人机采集的原始图像进行在多维度上的卷积操作以挖掘出所述原始图像的高维特征中的三维块结构，从而基于三维块匹配和过滤的原则来进行原始图像的去噪。并且，为了使得所述卷积神经网络能够更好地挖掘高维特征中的三维块结构，引入多光谱图像作为参考数据来促进所述卷积神经网络的参数更新，以修正所述特征图与所述参考数据的一致性。这样，可以使得对采场爆堆中的矿石粒度是否符合预设要求判断的准确性更高，从而为露天矿生产爆破提供决策依据。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于无人机的图像处理系统的场景示意图。
图2为根据本申请实施例的基于无人机的图像处理系统的框图。
图3A为根据本申请实施例的基于无人机的图像处理系统的处理方法中训练阶段的流程图。
图3B为根据本申请实施例的基于无人机的图像处理系统的处理方法中推断阶段的流程图。
图4为根据本申请实施例的基于无人机的图像处理系统的处理方法中训练阶段的架构示意图。
图5为根据本申请实施例的基于无人机的图像处理系统的处理方法中推断阶段的架构示意图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如前所述，爆堆矿石粒度特征是衡量爆破效果的重要指标之一,矿石粒度分布合理不仅可以降低二次破碎工作量,减少采矿成本,而且还能够提高开采效率。通常爆堆粒度分析方法有筛分法、二次爆破岩块统计、爆堆直接测量等人工测定方法,这些方法耗时长,精度有限,效率低,不能满足工程需要。
因此,有必要利用现代化信息技术手段,通过无人机快速采集采场爆堆图像信息,开发快速精准的矿石粒度辨识算法,为露天矿生产爆破提供决策依据。
但是，设备在采集爆堆过程中，易受到雷电、地面电磁波、光照变化和无人机本身机械噪声的影响，其噪声对三维场景重建影响较大。当前对于无人机图像降噪并没有针对性方法，仍以传统图像降噪方法为主。因此，期望一种基于无人机的图像处理系统以对采场爆堆中的矿石粒度是否符合预设要求进行准确地判断。
具体地，在本申请的技术方案中，首先将原始图像输入作为去噪生成器的第一卷积神经网络以获得第一特征图，该网络为深度可分离卷积神经网络，其在卷积操作中，不同层的滤波器用于分别在两个空间维度W和H和通道维度C上进行卷积，也就是，卷积操作不仅发生在图像维度的空间，还在通道维度上进行，这样，可以挖掘高维特征中的三维块结构，从而基于三维块匹配和过滤(3D block-matching and filtering)的原则来进行原始图像的去噪。
并且，为了使得第一卷积神经网络能够更好地挖掘高维特征中的三维块结构，引入参考数据来促进第一卷积神经网络的参数更新。具体地，获取与原始图像对应的多光谱图像，并将多光谱图像中的每张光谱图像输入第二卷积神经网络以获得多个第二特征图，并计算每个第二特征图相对于所有第二特征图整体的类别概率值，即pi＝∑xj∈Fiexp(-xj)/∑xj∈Fi,Fi∈F exp(-xj)。
然后，计算第一特征图与以上获得的每个第二特征图的类别概率值之间的类分布一致性损失函数值，表示为：
其中pc为第一特征图通过分类器所获得的类别概率值，且cos(pi,pc)表示预先距离。
另外，计算第一特征图与每个第二特征图的类别概率值组成的类别概率特征向量之间的交叉熵损失函数值Lcross_entropy，以用于修正第一特征图的特征分布与参考数据的一致性。
并且，将第一特征图通过用作特征提取器的第三卷积神经网络得到第三特征图，再将第三特征图通过分类器得到分类损失函数值。并计算类分布一致性损失函数值、交叉熵损失函数值和分类损失函数值的加权和来训练第一、第二和第三卷积神经网络。
基于此，本申请提出了一种基于无人机的图像处理系统，其包括训练模块和推断模块。其中，训练模块，包括：原始图像单元，用于通过部署于无人机的摄像模组获得采场爆炸堆的图像；第一神经网络单元，用于将所述采场爆炸堆的图像输入作为去噪生成器的第一卷积神经网络以获得第一特征图，其中，所述第一卷积神经网络在卷积操作中，不同层的滤波器用于分别在两个空间维度W和H和通道维度C上进行卷积；光谱图像单元，用于通过部署于所述无人机的光谱相机获得与所述采场爆炸堆的图像对应的多光谱图像；第二神经网络单元，用于将所述多光谱图像中的每张光谱图像输入第二卷积神经网络以获得多个第二特征图；类别概率计算单元，用于计算每个所述第二特征图相对于所有所述第二特征图的类别概率值，其中，所述类别概率值为以每个所述第二特征图中各个位置的特征值的负值为幂的自然指数函数值的加权和除以以所有所述第二特征图中各个位置的特征值的负值为幂的自然指数函数值的加权和；类分布一致性损失函数值计算单元，用于计算所述第一特征图与每个所述第二特征图的类别概率值之间的类分布一致性损失函数值，其中，所述类分布一致性损失函数值与所述第一特征图通过分类器所获得的类别概率值和所述第二特征图的类别概率值有关；交叉熵损失函数值计算单元，用于计算所述第一特征图与由每个所述第二特征图的类别概率值组成的类别概率特征向量之间的交叉熵损失函数值；第三神经网络单元，用于将所述第一特征图输入作为特征提取器的第三卷积神经网络以获得第三特征图；分类损失函数值计算单元，用于将所述第三特征图通过所述分类器以获得分类损失函数值；以及，训练单元，用于基于所述分类损失函数值、交叉熵损失函数值和所述类分布一致性损失函数值的加权和来训练所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络。其中，推断模块，包括：待处理图像获取单元，用于通过部署于无人机的摄像模组获得采场爆炸堆的图像；去噪单元，用于将所述采场爆炸堆的图像输入经训练模块训练完成的作为去噪生成器的第一卷积神经网络以获得第一特征图；特征提取单元，用于将所述第一特征图通过经训练模块训练完成的作为特征提取器的第三卷积神经网络以获得分类特征图；处理结果生成单元，用于将所述分类特征图通过所述分类器以获得分类结果，其中，所述分类结果用于表示所述采场爆堆中的矿石粒度是否符合预设要求。
图1图示了根据本申请实施例的基于无人机的图像处理系统的场景示意图。如图1所示，在该应用场景的训练阶段中，首先，通过部署于无人机(例如，如图1中所示意的U)的摄像模组(例如，如图1中所示意的C)获得采场爆炸堆(例如，如图1中所示意的E)的图像，并且通过部署于所述无人机的光谱相机(例如，如图1中所示意的P)获得与所述采场爆炸堆的图像对应的多光谱图像。然后，将获得的所述采场爆炸堆的图像与所述多光谱图像输入至部署有基于无人机的图像处理算法的服务器(例如，如图1中所示意的S)中，其中，所述服务器能够基于基于无人机的图像处理算法以所述采场爆炸堆的图像与所述多光谱图像对基于无人机的图像处理系统的所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络进行训练。
在训练完成后，在推断阶段中，首先，通过部署于无人机(例如，如图1中所示意的U)的摄像模组(例如，如图1中所示意的C)获得采场爆炸堆(例如，如图1中所示意的E)的图像。然后，将所述采场爆炸堆的图像输入至部署有基于无人机的图像处理算法的服务器(例如，如图1中所示意的S)中，其中，所述服务器能够以基于无人机的图像处理算法对所述采场爆炸堆的图像进行处理，以生成用于表示所述采场爆堆中的矿石粒度是否符合预设要求的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图2图示了根据本申请实施例的基于无人机的图像处理系统的框图。如图2所示，根据本申请实施例的基于无人机的图像处理系统200，包括：训练模块210和推断模块220。其中，训练模块210，包括：原始图像单元2101，用于通过部署于无人机的摄像模组获得采场爆炸堆的图像；第一神经网络单元2102，用于将所述采场爆炸堆的图像输入作为去噪生成器的第一卷积神经网络以获得第一特征图，其中，所述第一卷积神经网络在卷积操作中，不同层的滤波器用于分别在两个空间维度W和H和通道维度C上进行卷积；光谱图像单元2103，用于通过部署于所述无人机的光谱相机获得与所述采场爆炸堆的图像对应的多光谱图像；第二神经网络单元2104，用于将所述多光谱图像中的每张光谱图像输入第二卷积神经网络以获得多个第二特征图；类别概率计算单元2105，用于计算每个所述第二特征图相对于所有所述第二特征图的类别概率值，其中，所述类别概率值为以每个所述第二特征图中各个位置的特征值的负值为幂的自然指数函数值的加权和除以以所有所述第二特征图中各个位置的特征值的负值为幂的自然指数函数值的加权和；类分布一致性损失函数值计算单元2106，用于计算所述第一特征图与每个所述第二特征图的类别概率值之间的类分布一致性损失函数值，其中，所述类分布一致性损失函数值与所述第一特征图通过分类器所获得的类别概率值和所述第二特征图的类别概率值有关；交叉熵损失函数值计算单元2107，用于计算所述第一特征图与由每个所述第二特征图的类别概率值组成的类别概率特征向量之间的交叉熵损失函数值；第三神经网络单元2108，用于将所述第一特征图输入作为特征提取器的第三卷积神经网络以获得第三特征图；分类损失函数值计算单元2109，用于将所述第三特征图通过所述分类器以获得分类损失函数值；以及，训练单元2110，用于基于所述分类损失函数值、交叉熵损失函数值和所述类分布一致性损失函数值的加权和来训练所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络。其中，推断模块220，包括：待处理图像获取单元221，用于通过部署于无人机的摄像模组获得采场爆炸堆的图像；去噪单元222，用于将所述采场爆炸堆的图像输入经训练模块训练完成的作为去噪生成器的第一卷积神经网络以获得第一特征图；特征提取单元223，用于将所述第一特征图通过经训练模块训练完成的作为特征提取器的第三卷积神经网络以获得分类特征图；处理结果生成单元224，用于将所述分类特征图通过所述分类器以获得分类结果，其中，所述分类结果用于表示所述采场爆堆中的矿石粒度是否符合预设要求。
具体地，在本申请实施例中，在训练模块210中，所述原始图像单元2101和第一神经网络单元2102，用于通过部署于无人机的摄像模组获得采场爆炸堆的图像，并将所述采场爆炸堆的图像输入作为去噪生成器的第一卷积神经网络以获得第一特征图，其中，所述第一卷积神经网络在卷积操作中，不同层的滤波器用于分别在两个空间维度W和H和通道维度C上进行卷积。如前所述，设备在采集爆堆过程中，易受到雷电、地面电磁波、光照变化和无人机本身机械噪声的影响，其噪声对三维场景重建影响较大。并且当前对于无人机图像降噪并没有针对性方法，仍以传统图像降噪方法为主。因此，在本申请的技术方案中，首先，通过部署于无人机的摄像模组获得采场爆炸堆的图像作为原始图像。然后，将获取的所述原始图像输入作为去噪生成器的第一卷积神经网络中进行处理，以挖掘出所述原始图像的局部特征在高维空间中的特征分布表示，从而获得第一特征图。
特别地，在一个具体示例中，所述第一卷积神经网络为深度可分离卷积神经网络，这里，所述深度可分离卷积神经网络的部分层在卷积操作中以卷积核对特征图分别在两个空间维度W和H上进行卷积，所述深度可分离卷积神经网络的另一部分层在卷积操作中以点卷积对特征图在通道维度C上进行卷积。也就是，卷积操作不仅发生在图像维度的空间，还在通道维度上进行，这样，可以挖掘高维特征中的三维块结构，从而基于三维块匹配和过滤的原则来进行所述原始图像的去噪。
具体地，在本申请实施例中，在训练模块210中，所述光谱图像单元2103和所述第二神经网络单元2104，用于通过部署于所述无人机的光谱相机获得与所述采场爆炸堆的图像对应的多光谱图像，并将所述多光谱图像中的每张光谱图像输入第二卷积神经网络以获得多个第二特征图。应可以理解，为了使得所述第一卷积神经网络能够更好地挖掘高维特征中的三维块结构，引入参考数据来促进所述第一卷积神经网络的参数更新。具体地，在本申请的技术方案中，首先，通过部署于所述无人机的光谱相机获得与所述采场爆炸堆的图像对应的多光谱图像。这里，所述多光谱图像反应的是被测目标的成分特征信息。然后，再将所述多光谱图像中的每张光谱图像输入第二卷积神经网络中进行处理，以挖掘出所述多光谱图像中的高维特征分布信息，从而获得多个第二特征图。
具体地，在本申请实施例中，在训练模块210中，所述类别概率计算单元2105，用于计算每个所述第二特征图相对于所有所述第二特征图的类别概率值，其中，所述类别概率值为以每个所述第二特征图中各个位置的特征值的负值为幂的自然指数函数值的加权和除以以所有所述第二特征图中各个位置的特征值的负值为幂的自然指数函数值的加权和。应可以理解，如果简单地将所述特征图进行级联来进行分类，就会使得级联后的特征图在分类时未考虑全局性的上下文关系，从而导致分类的准确性较低。因此，在本申请的技术方案中，在得到所述第二特征图后，进一步计算每个所述第二特征图相对于所有所述第二特征图的类别概率值，以便于后续对卷积神经网络进行训练。
更具体地，在本申请实施例中，所述类别概率计算单元，进一步用于：以如下公式计算每个所述第二特征图相对于所有所述第二特征图的类别概率值，其中，所述公式为：pi＝∑xj∈Fiexp(-xj)/∑xj∈Fi,Fi∈F exp(-xj)。
具体地，在本申请实施例中，在训练模块210中，所述类分布一致性损失函数值计算单元2106和所述交叉熵损失函数值计算单元2107，用于计算所述第一特征图与每个所述第二特征图的类别概率值之间的类分布一致性损失函数值，其中，所述类分布一致性损失函数值与所述第一特征图通过分类器所获得的类别概率值和所述第二特征图的类别概率值有关，并计算所述第一特征图与由每个所述第二特征图的类别概率值组成的类别概率特征向量之间的交叉熵损失函数值。也就是，在本申请的技术方案中，在得到所述类别概率值后，进一步计算所述第一特征图与每个所述第二特征图的类别概率值之间的类分布一致性损失函数值Lcategory_consistence。在一个具体示例中，所述类分布一致性损失函数值与所述第一特征图通过分类器所获得的类别概率值和所述第二特征图的类别概率值有关。然后，再计算所述第一特征图与由每个所述第二特征图的类别概率值组成的类别概率特征向量之间的交叉熵损失函数值Lcross_entropy，以用于修正所述第一特征图的特征分布与所述参考数据的一致性。
更具体地，在本申请实施例中，所述类分布一致性损失函数值计算单元，进一步用于：以如下公式计算所述第一特征图与每个所述第二特征图的类别概率值之间的类分布一致性损失函数值；
其中，所述公式为：
其中pc为所述第一特征图通过分类器所获得的类别概率值，且cos(pi,pc)表示预先距离。
具体地，在本申请实施例中，在训练模块210中，所述第三神经网络单元2108和所述分类损失函数值计算单元2109，用于将所述第一特征图输入作为特征提取器的第三卷积神经网络以获得第三特征图，并将所述第三特征图通过所述分类器以获得分类损失函数值。也就是，在本申请的技术方案中，进一步为了对所述卷积神经网络进行训练，还需要将所述第一特征图输入作为特征提取器的第三卷积神经网络中进行特征提取，以得到第三特征图。然后，再将所述第三特征图通过分类器中进行处理，从而获得用于训练的分类损失函数值。
更具体地，在本申请实施例中，所述分类损失函数值计算单元，包括：分类子单元，用于以如下公式对所述第三特征图进行处理以生成分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类特征图投影为分类特征向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵；以及，分类损失计算子单元，用于计算所述分类结果与真实值之间的交叉熵值作为所述分类损失函数值。
具体地，在本申请实施例中，在训练模块210中，所述训练单元2110，用于基于所述分类损失函数值、交叉熵损失函数值和所述类分布一致性损失函数值的加权和来训练所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络。
在完成训练之后，进入推断模块，也就是，将训练完成的所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络用于实际的推断过程中。
具体地，在本申请实施例中，在推断模块220中，所述待处理图像获取单元221和所述去噪单元222，用于通过部署于无人机的摄像模组获得采场爆炸堆的图像，并将所述采场爆炸堆的图像输入经训练模块训练完成的作为去噪生成器的第一卷积神经网络以获得第一特征图。也就是，在本申请的技术方案中，在推断过程中，类似地，首先，通过部署于无人机的摄像模组获得采场爆炸堆的图像。然后，将获得的所述采场爆炸堆的图像输入经训练模块训练完成的作为去噪生成器的第一卷积神经网络中进行处理，以获得第一特征图。
具体地，在本申请实施例中，在推断模块220中，所述特征提取单元223和所述处理结果生成单元224，用于将所述第一特征图通过经训练模块训练完成的作为特征提取器的第三卷积神经网络以获得分类特征图，并将所述分类特征图通过所述分类器以获得分类结果，其中，所述分类结果用于表示所述采场爆堆中的矿石粒度是否符合预设要求。也就是，进一步将得到的所述第一特征图通过经训练模块训练完成的作为特征提取器的第三卷积神经网络中进行特征提取，以获得用于分类的分类特征图。最后，将所述分类特征图通过分类器中进行处理，以生成用于表示所述采场爆堆中的矿石粒度是否符合预设要求的分类结果。
综上，基于本申请实施例的所述基于无人机的图像处理系统200被阐明，其基于深度可分离的作为去噪生成器的卷积神经网络对原始图像进行卷积操作，以挖掘出高维特征中的三维块结构，从而基于三维块匹配和过滤的原则来进行原始图像的去噪，并且，为了使得所述卷积神经网络能够更好地挖掘高维特征中的三维块结构，引入参考数据来促进所述卷积神经网络的参数更新，进一步再利用类分布一致性损失函数值与交叉熵损失函数值，以修正所述第一特征图的特征分布与所述参考数据的一致性。这样，可以使得对采场爆堆中的矿石粒度是否符合预设要求判断的准确性更高，从而为露天矿生产爆破提供决策依据。
如上所述，根据本申请实施例的基于无人机的图像处理系统200可以实现在各种终端设备中，例如基于无人机的图像处理算法的服务器等。在一个示例中，根据本申请实施例的基于无人机的图像处理系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于无人机的图像处理系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于无人机的图像处理系统200同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于无人机的图像处理系统200与该终端设备也可以是分立的设备，并且该基于无人机的图像处理系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法
图3A图示了根据本申请实施例的基于无人机的图像处理系统的处理方法中训练阶段的流程图。如图3A所示，根据本申请实施例的基于无人机的图像处理系统的处理方法，包括：训练阶段，包括步骤：S110，通过部署于无人机的摄像模组获得采场爆炸堆的图像；S120，将所述采场爆炸堆的图像输入作为去噪生成器的第一卷积神经网络以获得第一特征图，其中，所述第一卷积神经网络在卷积操作中，不同层的滤波器用于分别在两个空间维度W和H和通道维度C上进行卷积；S130，通过部署于所述无人机的光谱相机获得与所述采场爆炸堆的图像对应的多光谱图像；S140，将所述多光谱图像中的每张光谱图像输入第二卷积神经网络以获得多个第二特征图；S150，计算每个所述第二特征图相对于所有所述第二特征图的类别概率值，其中，所述类别概率值为以每个所述第二特征图中各个位置的特征值的负值为幂的自然指数函数值的加权和除以以所有所述第二特征图中各个位置的特征值的负值为幂的自然指数函数值的加权和；S160，计算所述第一特征图与每个所述第二特征图的类别概率值之间的类分布一致性损失函数值，其中，所述类分布一致性损失函数值与所述第一特征图通过分类器所获得的类别概率值和所述第二特征图的类别概率值有关；S170，计算所述第一特征图与由每个所述第二特征图的类别概率值组成的类别概率特征向量之间的交叉熵损失函数值；S180，将所述第一特征图输入作为特征提取器的第三卷积神经网络以获得第三特征图；S190，将所述第三特征图通过所述分类器以获得分类损失函数值；以及，S200，基于所述分类损失函数值、交叉熵损失函数值和所述类分布一致性损失函数值的加权和来训练所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络。
图3B图示了根据本申请实施例的基于无人机的图像处理系统的处理方法中推断阶段的流程图。图3B所示，根据本申请实施例的基于无人机的图像处理系统的处理方法，包括：推断阶段，包括步骤：S210，通过部署于无人机的摄像模组获得采场爆炸堆的图像；S220，将所述采场爆炸堆的图像输入经训练模块训练完成的作为去噪生成器的第一卷积神经网络以获得第一特征图；S230，将所述第一特征图通过经训练模块训练完成的作为特征提取器的第三卷积神经网络以获得分类特征图；以及，S240，将所述分类特征图通过所述分类器以获得分类结果，其中，所述分类结果用于表示所述采场爆堆中的矿石粒度是否符合预设要求。
图4图示了根据本申请实施例的基于无人机的图像处理系统的处理方法中训练阶段的架构示意图。如图4所示，在训练阶段中，在该网络架构中，首先，将获得的所述采场爆炸堆的图像(例如，如图4中所示意的P1)输入作为去噪生成器的第一卷积神经网络(例如，如图4中所示意的CNN1)以获得第一特征图(例如，如图4中所示意的F1)；接着，将获得的所述多光谱图像(例如，如图4中所示意的P2)中的每张光谱图像输入第二卷积神经网络(例如，如图4中所示意的CNN2)以获得多个第二特征图(例如，如图4中所示意的F2)；然后，计算每个所述第二特征图相对于所有所述第二特征图的类别概率值(例如，如图4中所示意的CPV)；接着，计算所述第一特征图与每个所述第二特征图的类别概率值之间的类分布一致性损失函数值(例如，如图4中所示意的CDV)，其中，所述类分布一致性损失函数值与所述第一特征图通过分类器(例如，如图4中所示意的分类器)所获得的类别概率值和所述第二特征图的类别概率值有关；然后，计算所述第一特征图与由每个所述第二特征图的类别概率值组成的类别概率特征向量(例如，如图4中所示意的VF)之间的交叉熵损失函数值(例如，如图4中所示意的CEV)；接着，将所述第一特征图输入作为特征提取器的第三卷积神经网络(例如，如图4中所示意的CNN3)以获得第三特征图(例如，如图4中所示意的F3)；然后，将所述第三特征图通过所述分类器以获得分类损失函数值(例如，如图4中所示意的CV)；以及，最后，基于所述分类损失函数值、交叉熵损失函数值和所述类分布一致性损失函数值的加权和来训练所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络。
图5图示了根据本申请实施例的基于无人机的图像处理系统的处理方法中推断阶段的架构示意图。如图5所示，在推断阶段中，在该网络架构中，首先，将获得的所述采场爆炸堆的图像(例如，如图5中所示意的Q)输入经训练模块训练完成的作为去噪生成器的第一卷积神经网络(例如，如图5中所示意的CN1)以获得第一特征图(例如，如图5中所示意的F1)；然后，将所述第一特征图通过经训练模块训练完成的作为特征提取器的第三卷积神经网络(例如，如图5中所示意的CN3)以获得分类特征图(例如，如图5中所示意的FC)；以及，最后，将所述分类特征图通过所述分类器(例如，如图5中所示意的分类器)以获得分类结果，其中，所述分类结果用于表示所述采场爆堆中的矿石粒度是否符合预设要求。
综上，基于本申请实施例的所述基于无人机的图像处理系统的处理方法被阐明，其以基于深度可分离的作为去噪生成器的卷积神经网络对由无人机采集的原始图像进行在多维度上的卷积操作以挖掘出所述原始图像的高维特征中的三维块结构，从而基于三维块匹配和过滤的原则来进行原始图像的去噪。并且，为了使得所述卷积神经网络能够更好地挖掘高维特征中的三维块结构，引入多光谱图像作为参考数据来促进所述卷积神经网络的参数更新，以修正所述特征图与所述参考数据的一致性。这样，可以使得对采场爆堆中的矿石粒度是否符合预设要求判断的准确性更高，从而为露天矿生产爆破提供决策依据。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
Claims (10)
1.一种基于无人机的图像处理系统，其特征在于，包括：
训练模块，包括：
原始图像单元，用于通过部署于无人机的摄像模组获得采场爆炸堆的图像；
第一神经网络单元，用于将所述采场爆炸堆的图像输入作为去噪生成器的第一卷积神经网络以获得第一特征图，其中，所述第一卷积神经网络在卷积操作中，不同层的滤波器用于分别在两个空间维度W和H和通道维度C上进行卷积；
光谱图像单元，用于通过部署于所述无人机的光谱相机获得与所述采场爆炸堆的图像对应的多光谱图像；
第二神经网络单元，用于将所述多光谱图像中的每张光谱图像输入第二卷积神经网络以获得多个第二特征图；
类别概率计算单元，用于计算每个所述第二特征图相对于所有所述第二特征图的类别概率值，其中，所述类别概率值为以每个所述第二特征图中各个位置的特征值的负值为幂的自然指数函数值的加权和除以以所有所述第二特征图中各个位置的特征值的负值为幂的自然指数函数值的加权和；
类分布一致性损失函数值计算单元，用于计算所述第一特征图与每个所述第二特征图的类别概率值之间的类分布一致性损失函数值，其中，所述类分布一致性损失函数值与所述第一特征图通过分类器所获得的类别概率值和所述第二特征图的类别概率值有关；
交叉熵损失函数值计算单元，用于计算所述第一特征图与由每个所述第二特征图的类别概率值组成的类别概率特征向量之间的交叉熵损失函数值；
第三神经网络单元，用于将所述第一特征图输入作为特征提取器的第三卷积神经网络以获得第三特征图；
分类损失函数值计算单元，用于将所述第三特征图通过所述分类器以获得分类损失函数值；以及
训练单元，用于基于所述分类损失函数值、交叉熵损失函数值和所述类分布一致性损失函数值的加权和来训练所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络；以及
推断模块，包括：
待处理图像获取单元，用于通过部署于无人机的摄像模组获得采场爆炸堆的图像；
去噪单元，用于将所述采场爆炸堆的图像输入经训练模块训练完成的作为去噪生成器的第一卷积神经网络以获得第一特征图；
特征提取单元，用于将所述第一特征图通过经训练模块训练完成的作为特征提取器的第三卷积神经网络以获得分类特征图；
处理结果生成单元，用于将所述分类特征图通过所述分类器以获得分类结果，其中，所述分类结果用于表示所述采场爆堆中的矿石粒度是否符合预设要求。
2.根据权利要求1所述的基于无人机的图像处理系统，其中，所述第一卷积神经网络为深度可分离卷积神经网络，其中，所述深度可分离卷积神经网络的部分层在卷积操作中以卷积核对特征图分别在两个空间维度W和H上进行卷积，所述深度可分离卷积神经网络的另一部分层在卷积操作中以点卷积对特征图在通道维度C上进行卷积。
3.根据权利要求2所述的基于无人机的图像处理系统，其中，所述类别概率计算单元，进一步用于以如下公式计算每个所述第二特征图相对于所有所述第二特征图的类别概率值，其中，所述公式为：pi＝∑xj∈Fiexp(-xj)/∑xj∈Fi,Fi∈Fexp(-xj)。
4.根据权利要求3所述的基于无人机的图像处理系统，其中，所述类分布一致性损失函数值计算单元，进一步用于以如下公式计算所述第一特征图与每个所述第二特征图的类别概率值之间的类分布一致性损失函数值；
其中，所述公式为：
其中pc为所述第一特征图通过分类器所获得的类别概率值，且cos(pi,pc)表示预先距离。
5.根据权利要求4所述的基于无人机的图像处理系统，其中，所述分类损失函数值计算单元，包括：
分类子单元，用于以如下公式对所述第三特征图进行处理以生成分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类特征图投影为分类特征向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵；以及
分类损失计算子单元，用于计算所述分类结果与真实值之间的交叉熵值作为所述分类损失函数值。
6.一种基于无人机的图像处理系统的处理方法，其特征在于，包括：
训练阶段，包括：
通过部署于无人机的摄像模组获得采场爆炸堆的图像；
将所述采场爆炸堆的图像输入作为去噪生成器的第一卷积神经网络以获得第一特征图，其中，所述第一卷积神经网络在卷积操作中，不同层的滤波器用于分别在两个空间维度W和H和通道维度C上进行卷积；
通过部署于所述无人机的光谱相机获得与所述采场爆炸堆的图像对应的多光谱图像；
将所述多光谱图像中的每张光谱图像输入第二卷积神经网络以获得多个第二特征图；
计算每个所述第二特征图相对于所有所述第二特征图的类别概率值，其中，所述类别概率值为以每个所述第二特征图中各个位置的特征值的负值为幂的自然指数函数值的加权和除以以所有所述第二特征图中各个位置的特征值的负值为幂的自然指数函数值的加权和；
计算所述第一特征图与每个所述第二特征图的类别概率值之间的类分布一致性损失函数值，其中，所述类分布一致性损失函数值与所述第一特征图通过分类器所获得的类别概率值和所述第二特征图的类别概率值有关；
计算所述第一特征图与由每个所述第二特征图的类别概率值组成的类别概率特征向量之间的交叉熵损失函数值；
将所述第一特征图输入作为特征提取器的第三卷积神经网络以获得第三特征图；
将所述第三特征图通过所述分类器以获得分类损失函数值；以及
基于所述分类损失函数值、交叉熵损失函数值和所述类分布一致性损失函数值的加权和来训练所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络；以及
推断阶段，包括：
通过部署于无人机的摄像模组获得采场爆炸堆的图像；
将所述采场爆炸堆的图像输入经训练模块训练完成的作为去噪生成器的第一卷积神经网络以获得第一特征图；
将所述第一特征图通过经训练模块训练完成的作为特征提取器的第三卷积神经网络以获得分类特征图；
将所述分类特征图通过所述分类器以获得分类结果，其中，所述分类结果用于表示所述采场爆堆中的矿石粒度是否符合预设要求。
7.根据权利要求6所述的基于无人机的图像处理系统的处理方法，其中，所述第一卷积神经网络为深度可分离卷积神经网络，其中，所述深度可分离卷积神经网络的部分层在卷积操作中以卷积核对特征图分别在两个空间维度W和H上进行卷积，所述深度可分离卷积神经网络的另一部分层在卷积操作中以点卷积对特征图在通道维度C上进行卷积。
8.根据权利要求6所述的基于无人机的图像处理系统的处理方法，其中，计算每个所述第二特征图相对于所有所述第二特征图的类别概率值，包括：
以如下公式计算每个所述第二特征图相对于所有所述第二特征图的类别概率值，其中，所述公式为：pi＝∑xj∈Fiexp(-xj)/∑xj∈Fi,Fi∈Fexp(-xj)。
9.根据权利要求6所述的基于无人机的图像处理系统的处理方法，其中，计算所述第一特征图与每个所述第二特征图的类别概率值之间的类分布一致性损失函数值，包括：
以如下公式计算所述第一特征图与每个所述第二特征图的类别概率值之间的类分布一致性损失函数值；
其中，所述公式为：
其中pc为所述第一特征图通过分类器所获得的类别概率值，且cos(pi,pc)表示预先距离。
10.根据权利要求6所述的基于无人机的图像处理系统的处理方法，其中，将所述第三特征图通过所述分类器以获得分类损失函数值，包括：
以如下公式对所述第三特征图进行处理以生成分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类特征图投影为分类特征向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵；以及
计算所述分类结果与真实值之间的交叉熵值作为所述分类损失函数值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210059795.8A CN114581767B (zh) | 2022-01-19 | 2022-01-19 | 图像处理系统、方法及其计算机装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210059795.8A CN114581767B (zh) | 2022-01-19 | 2022-01-19 | 图像处理系统、方法及其计算机装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114581767A CN114581767A (zh) | 2022-06-03 |
| CN114581767B true CN114581767B (zh) | 2024-03-22 |
Family
ID=81769895
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210059795.8A Active CN114581767B (zh) | 2022-01-19 | 2022-01-19 | 图像处理系统、方法及其计算机装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114581767B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114821201B (zh) * | 2022-06-28 | 2022-09-20 | 江苏广坤铝业有限公司 | 铝材加工的液压式撞角机及其使用方法 |
| CN115212790B (zh) * | 2022-06-30 | 2023-04-07 | 福建天甫电子材料有限公司 | 用于光阻剥离液生产的自动配料系统及其配料方法 |
| CN114833279B (zh) * | 2022-07-04 | 2022-09-23 | 江苏顺隆鸿泰电力设备有限公司 | 钢筋切割设备及其控制方法 |
| CN115063396B (zh) * | 2022-07-11 | 2023-04-18 | 浙江金汇华特种耐火材料有限公司 | 长寿命耐火砖的制备系统及其制备方法 |
| CN115564630B (zh) * | 2022-09-28 | 2023-05-30 | 华能伊敏煤电有限责任公司 | 轮斗挖掘机的挖掘流量自动控制方法及其系统 |
| CN115601318B (zh) * | 2022-10-10 | 2023-05-02 | 广东昱升个人护理用品股份有限公司 | 快吸收低反渗纸尿裤智能生产方法及其系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017215284A1 (zh) * | 2016-06-14 | 2017-12-21 | 山东大学 | 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法 |
| WO2020122753A1 (en) * | 2018-12-14 | 2020-06-18 | Intel Corporation | On the fly adaptive convolutional neural network for variable computational resources |
| CN113642447A (zh) * | 2021-08-09 | 2021-11-12 | 杭州弈胜科技有限公司 | 卷积神经网络级联的监控图像车辆检测方法及其系统 |
-
2022
- 2022-01-19 CN CN202210059795.8A patent/CN114581767B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017215284A1 (zh) * | 2016-06-14 | 2017-12-21 | 山东大学 | 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法 |
| WO2020122753A1 (en) * | 2018-12-14 | 2020-06-18 | Intel Corporation | On the fly adaptive convolutional neural network for variable computational resources |
| CN113642447A (zh) * | 2021-08-09 | 2021-11-12 | 杭州弈胜科技有限公司 | 卷积神经网络级联的监控图像车辆检测方法及其系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于卷积神经网络的多光谱图像多标签场景分类;李一松;;电子设计工程;20181205(第23期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114581767A (zh) | 2022-06-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114581767B (zh) | 图像处理系统、方法及其计算机装置 | |
| CN109934282B (zh) | 一种基于sagan样本扩充和辅助信息的sar目标分类方法 | |
| US20170076180A1 (en) | System and Method for Processing Images using Online Tensor Robust Principal Component Analysis | |
| CN110084159A (zh) | 基于联合多级空谱信息cnn的高光谱图像分类方法 | |
| CN109657610A (zh) | 一种高分辨率多源遥感影像的土地利用变化检测方法 | |
| CN111028327A (zh) | 一种三维点云的处理方法、装置及设备 | |
| CN112067129B (zh) | 一种高光谱处理方法及波段选择方法 | |
| CN115240072B (zh) | 一种基于多方向多尺度光谱-空间残差卷积神经网络的高光谱多类变化检测方法 | |
| CN105809182B (zh) | 一种图像分类的方法及装置 | |
| CN115561243B (zh) | 锂电池制备中极片质量监测系统及其方法 | |
| CN115013298A (zh) | 污水泵的实时性能在线监测系统及其监测方法 | |
| CN115861685A (zh) | 基于图像识别的自动对中控制系统及其方法 | |
| CN114627369B (zh) | 环境监测系统、方法及其计算机装置 | |
| CN115100427A (zh) | 锂电池制造的石墨矿石破碎装置及其处理方法 | |
| Podorozhniak et al. | Neural network approach for multispectral image processing | |
| CN113936214B (zh) | 一种基于融合空天遥感影像的岩溶湿地植被群落分类方法 | |
| CN112686815A (zh) | 一种基于卷积神经网络的无人机单幅图像去雨方法 | |
| CN110866552B (zh) | 基于全卷积空间传播网络的高光谱图像分类方法 | |
| CN109493279B (zh) | 一种大规模无人机图像并行拼接方法 | |
| CN113239829B (zh) | 基于空间占用概率特征的跨维度遥感数据目标识别方法 | |
| WO2022156652A1 (zh) | 交通工具运动状态评估方法、装置、设备以及介质 | |
| CN113284102B (zh) | 一种基于无人机的风机叶片损伤智能检测方法及装置 | |
| CN114627424A (zh) | 一种基于视角转化的步态识别方法和系统 | |
| CN115564709A (zh) | 一种对抗场景下电力算法模型鲁棒性的评估方法和系统 | |
| CN115018710A (zh) | 一种基于fpfh特征和深度神经网络的点云超分辨率方法 |
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 |