CN114998339A - 一种平面镜成像评分方法、装置、设备及可读存储介质 - Google Patents
一种平面镜成像评分方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN114998339A CN114998339A CN202210924398.2A CN202210924398A CN114998339A CN 114998339 A CN114998339 A CN 114998339A CN 202210924398 A CN202210924398 A CN 202210924398A CN 114998339 A CN114998339 A CN 114998339A
- Authority
- CN
- China
- Prior art keywords
- image
- plane mirror
- imaging
- scoring
- template
- 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
- 238000003384 imaging method Methods 0.000 title claims abstract description 186
- 238000013077 scoring method Methods 0.000 title claims abstract description 22
- 238000002474 experimental method Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000011156 evaluation Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000013136 deep learning model Methods 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims description 61
- 230000003287 optical effect Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 230000011218 segmentation Effects 0.000 description 21
- 238000004891 communication Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000005236 sound signal Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000149 penetrating effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种平面镜成像评分方法、装置、设备及可读存储介质,涉及图像处理技术领域,包括基于待评分人员操作平面镜成像实验的操作录像中,确定所述平面镜成像实验所包含的每一评分点所对应的视频帧;对所述视频帧中的待检测平面镜成像图像进行预处理;根据训练好的深度学习模型,得到各个对象的位置关系;确定所述评分点的评判数据;计算所述待评分人员关于所述平面镜成像实验的评分结果。本发明有益效果为提高了识别正确率;排除或减少人为因素如技术水平、操作方法、图像质量、人眼分辨能力、疲劳程度带来的诊断差异,鲁棒性更好,泛化能力更强;消除了因个体差异而导致评分精确度较低的问题,进而提高了评分的准确率。
Description
技术领域
本发明涉及图像处理技术领域,具体而言,涉及平面镜成像评分方法、装置、设备及可读存储介质。
背景技术
目前,在人们的工作和学习生活中,常常需要通过实验来验证或者测试理论知识,那么在实验过程,避免不了的需要对实验操作进行打分。例如,在现有的教学模式中,为了保证学生的全面发展,不仅只关注学生的笔试成绩,而且还会结合学生的实验成绩,来考核学生的动手能力。通常在学生进行实验时,由老师进行监督并根据学生的实验过程和实验结果进行打分。
但是,由于个体的差异,不同的用户在实验过程中动作不同,那么对于不同的用户做出的评分点动作也或多或少存在一定差异。
发明内容
本发明的目的在于提供一种平面镜成像评分方法、装置、设备及可读存储介质,以改善上述问题。为了实现上述目的,本发明采取的技术方案如下:
第一方面,本申请提供了一种平面镜成像评分方法,包括:
基于待评分人员操作平面镜成像实验的操作录像中,确定所述平面镜成像实验所包含的每一评分点所对应的视频帧;其中,任一所述评分点对应的视频帧符合所述评分点对应的预定条件,所述预定条件包括:存在与所述评分点相关的各个对象,且各个所述对象的位置关系为所述待评分人员所调整完毕的位置关系,各个所述对象的位置关系为所述评分点对应的位置关系;
对所述视频帧中的待检测平面镜成像图像进行预处理,得到预处理后的所述平面镜成像图像;
根据训练好的深度学习模型,对所述平面镜成像图像进行检测,得到各个对象的位置关系;基于所述位置关系,确定所述评分点的评判数据,其中,所述评分点的所述评判数据与各个所述对象的位置关系有关;
针对每一个所述评分点和所述评判数据,计算所述待评分人员关于所述平面镜成像实验的评分结果。
第二方面,本申请还提供了一种平面镜成像评分装置,包括确定模块、预处理模块、检测模块和计算模块,其中:
确定模块:用于基于待评分人员操作平面镜成像实验的操作录像中,确定所述平面镜成像实验所包含的每一评分点所对应的视频帧;其中,任一所述评分点对应的视频帧符合所述评分点对应的预定条件,所述预定条件包括:存在与所述评分点相关的各个对象,且各个所述对象的位置关系为所述待评分人员所调整完毕的位置关系,各个所述对象的位置关系为所述评分点对应的位置关系;
预处理模块:用于对所述视频帧中的待检测平面镜成像图像进行预处理,得到预处理后的所述平面镜成像图像;
检测模块:用于根据训练好的深度学习模型,对所述平面镜成像图像进行检测,得到各个对象的位置关系;基于所述位置关系,确定所述评分点的评判数据,其中,所述评分点的所述评判数据与各个所述对象的位置关系有关;
计算模块:用于针对每一个所述评分点和所述评判数据,计算所述待评分人员关于所述平面镜成像实验的评分结果。
第三方面,本申请还提供了一种平面镜成像评分设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现所述平面镜成像评分方法的步骤。
第四方面,本申请还提供了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述基于平面镜成像评分方法的步骤。
本发明的有益效果为:
根据图像的像素位置信息和像素灰度值信息,对图像进行滤波处理,生成滤波图像,然后根据所述滤波图像的局部像素信息和整体像素信息,对所述滤波图像进行增强处理,生成增强图像,再根据所述增强图像,生成类梯度图,并对所述类梯度图进行二值化处理,生成二值图像。通过上述方法,由于对图像进行了以上的预处理操作,在抑制图像噪声的同时,增强了原始图像中包含的文字信息的清晰度和对比度,因此,后续可对预处理后的二值图像中包含的文字信息进行图像识别,提高了识别正确率;排除或减少人为因素如技术水平、操作方法、图像质量、人眼分辨能力、疲劳程度、认知经验不同等差异带来的诊断差异,缩减人为观察、思考及进行评分所需的时间,鲁棒性更好,泛化能力更强;消除了因个体差异而导致评分精确度较低的问题,进而提高了评分的准确率。
通过图像采集设备获取学生操作目标实验的操作录像,进而,由电子设备基于该操作录像自动获取该学生的关于该目标实验的评分结果。这样,便可以极大地减少对待评分人员进行评分的实验操作进行评分的工作量。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
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为本发明实施例中所述的平面镜成像评分方法流程示意图;
图2为本发明实施例中所述的平面镜成像评分装置结构示意图;
图3为本发明实施例中所述的平面镜成像评分设备结构示意图。
图中:701、确定模块;702、预处理模块;7021、获取单元;7022、处理单元;7023、第一生成单元;70231、第四生成单元;70232、滤波单元;70233、第五生成单元;70234、第六生成单元;7024、第二生成单元;7025、第三生成单元;7026、获得特征单元;7027、输入单元;7028、处理结果单元;7029、评分单元;703、检测模块;7031、筛选单元;7032、确定单元;7033、判断单元;7034、对应单元;7035、确定评判单元;7036、计算结果单元;704、计算模块;800、平面镜成像评分设备;801、处理器;802、存储器;803、多媒体组件;804、I/O接口;805、通信组件。
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。同时,在本发明的描述中,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。
实施例1:
本实施例提供了一种平面镜成像评分方法。
参见图1,图中示出了本方法包括步骤S100、步骤S200、步骤S300和步骤S400。
S100、基于待评分人员操作平面镜成像实验的操作录像中,确定所述平面镜成像实验所包含的每一评分点所对应的视频帧;其中,任一所述评分点对应的视频帧符合所述评分点对应的预定条件,所述预定条件包括:存在与所述评分点相关的各个对象,且各个所述对象的位置关系为所述待评分人员所调整完毕的位置关系,各个所述对象的位置关系为所述评分点对应的位置关系;
可以理解的是,在本步骤中, 针对每一评分点,基于该评分点对应的视频帧中对象的姿态信息,确定该评分点的评分;其中,所述对象为:与该评分点相关的各个对象中,用于评判该评分点对应操作是否正确的对象。
以上可见,应用本发明实施例提供的方案,在对待评分人员实验操作情况进行评分时,不需要在旁边观察待评分人员的实验操作过程,并基于所观察的内容进行评分,而是可以通过图像采集设备获取待评分人员操作目标实验的操作录像,进而,由电子设备基于该操作录像自动获取该待评分人员的关于该目标实验的评分结果。这样,便可以极大地减少对待评分人员的实验操作进行评分的工作量。
其中,需要说明的是,本发明实施例提供的一种基于视频的评分方法可以应用于任意电子设备,例如,可以是平板电脑、笔记本电脑、台式电脑、手机等,在此不做具体限定,以下简称电子设备。
S200、对所述视频帧中的待检测平面镜成像图像进行预处理,得到预处理后的所述平面镜成像图像;
可以理解的是,在S200步骤中包括S201、S202、S203、S204和S205,其中:
S201、获取待处理的实验成像图像,所述实验成像图像为摄像头所采集实验平台的成像图像;
需要说明的是,实验成像图像为数字图像,由多个像素组成。其中,每个像素都包含有自身的灰度值,灰度值反应了像素的亮度,取值范围一般为0~255(0为最暗灰度值,对应于黑色,255为最亮灰度值,对应于白色)。一般的,对于数字图像的进行处理时,可将数字图像转换为灰度值图像,由于在灰度值图像中是用像素的灰度值表示该像素,因此,后续可很方便地基于灰度值对数字图像进行处理。
S202、根据所述实验成像图像的像素位置和像素灰度值信息,对所述实验成像图像进行滤波处理,其中包括根据所述实验成像图像的像素位置信息,生成高斯模板;
S203、根据所述实验成像图像的像素灰度值信息,生成灰度值差分模板,其中,所述高斯模板与所述灰度值差分模板的大小相同;将所述高斯模板中的模板系数与所述灰度值差分模板中对应位置的模板系数相乘,将乘积作为生成的滤波系数模板中对应位置的模板系数;使用所述滤波系数模板,对所述实验成像图像进行滤波处理,得到滤波图像;
一般的,可以对实验成像图像进行高斯滤波。高斯滤波是一种根据原始图像的像素位置信息进行滤波的处理方法,具体的,高斯滤波的步骤是:生成高斯模板,然后采用该高斯模板对原始图像做卷积运算,其运算的结果是针对原始图像的每个像素,用该像素的既定邻域范围内所有像素的灰度值的加权均值代替了该像素原来的灰度值,从而可以使原始图像变得平滑,并滤除一部分图像噪声。其中,所述的高斯模板可根据预设的高斯函数和原始图像的像素位置信息生成,所述的像素位置信息是原始图像中像素与该像素既定邻域范围内其他像素之间的空间距离,所述的既定邻域范围是在该原始图像上,以该像素为中心,与高斯模板的大小和形状相同的区域,高斯模板确定了既定邻域范围内所有像素的灰度值的加权权重。
S204、根据处理后的所述滤波图像的局部像素信息和整体像素信息,对所述滤波图像进行增强处理,生成增强图像;
需要说明的是,生成滤波图像后,还可对该滤波图像进行增强处理(也即,对该滤波图像中的各像素的灰度值进行增强),以增强该滤波图像的清晰度。但是,一般的增强算法只考虑待增强的图像的整体像素信息,从而会对待增强的图像中的各像素都以同样的增强系数进行增强,那么,虽然增强后的图像中包含的文字信息对应的像素比增强前更清晰,但是由于该滤波图像中的背景对应的像素也相应地增强了,反而可能带入很多背景噪声,不利于后续识别。
S205、根据所述增强图像,生成类梯度图;对所述类梯度图进行二值化处理,生成二值图像;其中,所述类梯度图是所述增强图像的离散函数,将所述二值图像记作预处理后的所述平面镜成像图像。
需要说明的是,根据实验成像图像的像素位置信息和像素灰度值信息,对实验成像图像进行滤波处理,生成滤波图像,然后根据所述滤波图像的局部像素信息和整体像素信息,对所述滤波图像进行增强处理,生成增强图像,再根据所述增强图像,生成类梯度图,并对所述类梯度图进行二值化处理,生成二值图像。通过上述方法,由于对实验成像图像进行了以上的预处理操作,在抑制图像噪声的同时,增强了实验成像图像中包含的文字信息的清晰度和对比度,因此,后续可对预处理后的二值图像中包含的文字信息进行图像识别,提高了识别正确率。
需要说明的是,S203中包括S2031、S2032、S2033和S2034,其中:
S2031、根据所述实验成像图像的像素位置信息和像素灰度值信息,生成滤波系数模板;
需要说明的是,在生成滤波系数模板时,可先根据该原始图像的像素位置信息,生成高斯模板,并根据该原始图像的像素灰度值信息,生成灰度值差分模板,其中,生成的高斯模板与灰度值差分模板的大小相同,然后,将该高斯模板中的模板系数与该灰度值差分模板中对应位置的模板系数相乘,将乘积作为生成的滤波系数模板中对应位置的模板系数。则生成的滤波系数模板,兼具了高斯模板和灰度值差分模板的优点,使用该滤波系数模板对原始图像进行滤波,可以在滤除一部分图像噪声的同时,较好地保持原始图像的前景边缘。
更进一步的,在实际应用中,也可以直接使用生成的滤波系数模板对该原始图像进行滤波处理,而不是分别对该原始图像进行行滤波和列滤波。但是,需要说明的是,后者方法更优,在此进行简单说明:生成的滤波系数模板是一个二维矩阵,若直接用该滤波系数模板对原始图像进行滤波处理,则会用该二维矩阵卷积该原始图像,计算量较大,耗时较多。而根据本申请实施例提供的滤波方法,可分别对该原始图像进行行滤波和列滤波,则会用根据该滤波系数模板生成的一维向量卷积该原始图像,可以减少计算量,耗时较少。
S2032、使用所述滤波系数模板,对所述实验成像图像进行行滤波,并对行滤波结果进行列滤波,生成第一中间图像;
S2033、使用所述滤波系数模板,对原始图像进行列滤波,并对列滤波结果进行行滤波,生成第二中间图像;
S2034、根据所述第一中间图像和所述第二中间图像,生成滤波图像。
需要说明的是,针对第一中间图像中的每个像素,确定该像素的灰度值与第二中间图像中对应位置的像素的灰度值的均值,将该均值作为生成的滤波图像中对应位置的像素的灰度值,生成的滤波图像也用像素的灰度值进行表示。当然,根据应用场景的不同,也可以用其他方法生成滤波图像,例如,假定期望生成的滤波图像更大程度地保持平滑,则可以针对第一中间图像中的每个像素,先将该像素的灰度值乘以一个大于1的系数,再确定乘以系数后的灰度值与第二中间图像中对应位置的像素的灰度值的均值,将该均值作为生成的滤波图像中对应位置的像素的灰度值,这样的话,在确定均值时,实际上已提高了第一中间图像中像素的灰度值的权重,因此,生成的滤波图像更接近第一中间图像,也即,更加平滑,同时前景边缘损失更多;类似的,假定期望生成的滤波图像更大程度地保持前景边缘,则可以将第二中间图像中像素的灰度值乘以一个大于1的系数,再进行类似的取均值处理,这样的话,在确定均值时,实际上已提高了第二中间图像中像素的灰度值的权重,因此,生成的滤波图像更接近第二中间图像,也即,前景边缘保持得更好,同时平滑程度损失更多。
优选地,S200之后包括S2001、S2002、S2003和S2004,其中:
S2001、将预处理后的所述平面镜成像图像输入预设的编码器中,获得预处理后的所述平面镜成像图像的图像特征;
所述编码器包括第一卷积模块、全局特征融合模块和第二卷积模块。
S2002、将所述图像特征输入解码器中获得所述预处理后的所述平面镜成像图像的第一分割结果,所述第一分割结果为经过预处理的图像数据所包含的所有帧对应的分割结果;和/或将所述图像特征输入预设的分类器中,获得所述预处理后的所述平面镜成像图像的第一分类结果,所述第一分类结果为经过预处理的图像数据所包含的所有帧对应的分类结果;
预处理的平面镜成像图像输入神经网络模型中,经过神经网络模型的处理,神经网络模型同时输出第一分类结果和第一分割结果,第一分类结果和第一分割结果是同时获得的。
S2003、根据训练好的处理模型,对所述第一分类结果和所述第一分割结果进行处理,得到所述平面镜成像图像的第二分割结果和所述第二分类结果;
S2004、基于所述第二分割结果和所述第二分类结果,对所述平面镜成像图像进行评分。
需要说明的是,第一分类结果和第一分割结果,经过后处理模型的处理,生成第二分类结果和第二分割结果,因此,所述第二分割结果与所述第二分类结果是同时从所述分割模型中获得的结果,亦即预处理的平面镜成像图像输入分割模型后,会同时获得预处理的平面镜成像图像或者待处理的平面镜成像图像中用于评分的目标帧对应的第二分割结果和第二分类结果。采用本说明书实施例提供的方法同时获得分割结果与分类结果,相比分别获取分割结果和分类结果的方法,具有较快的处理速度,较佳的处理结果,获得的分割结果和分类结果的准确性更高,鲁棒性更好,泛化能力更强。
S300、根据训练好的深度学习模型,对所述平面镜成像图像进行检测,得到各个对象的位置关系;基于所述位置关系,确定所述评分点的评判数据,其中,所述评分点的所述评判数据与各个所述对象的位置关系有关;
可以理解的是,在本步骤中包括S3001、S3002和S3003,其中:
S3001、基于所述深度学习模型,从所述平面镜成像图像中提取出满足第一条件、满足第二条件和满足第三条件的图像;其中,所述第一条件包括至少两个光具的位置关系,所述第二条件包括至少两个所述光具到平面镜的距离,所述第三条件包括至少两个所述光具进行成像的条件;其中,所述光具包括蜡烛;
需要说明的是,只需要根据实验过程中的实际操作即可确定平面镜成像规律的实现的最终评分,消除了因个体差异而导致评分精确度较低的问题,进而提高了评分的准确率。
S3002、从所述平面镜成像图像中,确定所述光具的中心点的位置信息,以及两个支架在刻度尺上对应的刻度,两个所述支架移动用于安装所述光具;
S3003、根据两个所述光具距离平面镜的位置信息,从所述平面镜成像图像中确定满足所述第一条件、满足所述第二条件和满足所述第三条件的图像。
需要说明的是,评分设备可以在确定平面镜成像规律的实验的评分时从待检测图像中确定满足第一条件的图像、满足第二条件的图像和满足第三条件的图像,也可以在每获取一帧图像时确定该帧图像是否为满足第一条件的图像、满足第二条件的图像或者满足第三条件的图像。
另外,本申请实施例中,当确定出满足第一条件的图像、满足第二条件的图像和满足第三条件的图像后,可以将其分别标记或存储,以便后续能够进行平面镜成像规律的实验的评分。
优选地,S300还包括S3004、S3005和S3006,其中:
S3004、所述平面镜成像实验所包括的评分点包括:第一评分点、第二评分点和第三评分点,其中,所述第一评分点为:平面镜在两个蜡烛的中间的评分点,所述第二评分点为:透过平面镜两个蜡烛火焰的中心在同一高度上的评分点,所述第三评分点为:蜡烛到平面镜的距离和蜡烛成像到平面镜的距离;所述第一评分点、所述第二评分点和所述第三评分点所对应的视频帧为不同的视频帧;
每个评分点代表正确操作后获得相对应的评分,公平公正。
S3005、根据所述第一评分点、第二评分点和第三评分点确定所述评分点的评判数据;
S3006、根据所述评判数据和预设的目标检测模型计算所述待评分人员关于所述平面镜成像实验的评分结果。
待评分人员在每一个评分点获得的评分可以表明该人员对该评分点对应的知识内容的掌握情况,因此,便可以根据该人员在每个评分点所获得的评分确定该人员关于目标实验的评分结果。这样,便可以通过该评分结果反映该人员操作目标实验的情况,进而,反映该人员对目标实验所对应的知识内容的掌握情况。
S400、针对每一个所述评分点和所述评判数据,计算所述待评分人员关于所述平面镜成像实验的评分结果。
可以理解的是,在本步骤中,整合评分点和评判数据,综合评价所述待评分人员关于所述平面镜成像实验的评分结果。
实施例2:
如图2所示,本实施例提供了一种平面镜成像评分装置,参见图2所述装置包括确定模块701、预处理模块702、检测模块703和计算模块704,其中:
确定模块701:用于基于待评分人员操作平面镜成像实验的操作录像中,确定所述平面镜成像实验所包含的每一评分点所对应的视频帧;其中,任一所述评分点对应的视频帧符合所述评分点对应的预定条件,所述预定条件包括:存在与所述评分点相关的各个对象,且各个所述对象的位置关系为所述待评分人员所调整完毕的位置关系,各个所述对象的位置关系为所述评分点对应的位置关系;
预处理模块702:用于对所述视频帧中的待检测平面镜成像图像进行预处理,得到预处理后的所述平面镜成像图像;
检测模块703:用于根据训练好的深度学习模型,对所述平面镜成像图像进行检测,得到各个对象的位置关系;基于所述位置关系,确定所述评分点的评判数据,其中,所述评分点的所述评判数据与各个所述对象的位置关系有关;
计算模块704:用于针对每一个所述评分点和所述评判数据,计算所述待评分人员关于所述平面镜成像实验的评分结果。
具体地,所述预处理模块702,其中包括获取单元7021、处理单元7022、第一生成单元7023、第二生成单元7024和第三生成单元7025,其中:
获取单元7021:用于获取待处理的实验成像图像,所述实验成像图像为摄像头所采集实验平台的成像图像;
处理单元7022:用于根据所述实验成像图像的像素位置和像素灰度值信息,对所述实验成像图像进行滤波处理,其中包括根据所述实验成像图像的像素位置信息,生成高斯模板;
第一生成单元7023:用于根据所述实验成像图像的像素灰度值信息,生成灰度值差分模板,其中,所述高斯模板与所述灰度值差分模板的大小相同;将所述高斯模板中的模板系数与所述灰度值差分模板中对应位置的模板系数相乘,将乘积作为生成的滤波系数模板中对应位置的模板系数;使用所述滤波系数模板,对所述实验成像图像进行滤波处理,得到滤波图像;
第二生成单元7024:用于根据处理后的所述滤波图像的局部像素信息和整体像素信息,对所述滤波图像进行增强处理,生成增强图像;
第三生成单元7025:用于根据所述增强图像,生成类梯度图;对所述类梯度图进行二值化处理,生成二值图像;其中,所述类梯度图是所述增强图像的离散函数,将所述二值图像记作预处理后的所述平面镜成像图像。
具体地,所述第一生成单元7023,包括第四生成单元70231、滤波单元70232、第五生成单元70233和第六生成单元70234,其中:
第四生成单元70231:用于根据所述实验成像图像的像素位置信息和像素灰度值信息,生成滤波系数模板;
滤波单元70232:用于使用所述滤波系数模板,对所述实验成像图像进行行滤波,并对行滤波结果进行列滤波,生成第一中间图像;
第五生成单元70233:用于使用所述滤波系数模板,对原始图像进行列滤波,并对列滤波结果进行行滤波,生成第二中间图像;
第六生成单元70234:用于根据所述第一中间图像和所述第二中间图像,生成滤波图像。
具体地,所述检测模块703,包括筛选单元7031、确定单元7032和判断单元7033,其中:
筛选单元7031:用于基于所述深度学习模型,从所述平面镜成像图像中提取出满足第一条件、满足第二条件和满足第三条件的图像;其中,所述第一条件包括至少两个光具的位置关系,所述第二条件包括至少两个所述光具到平面镜的距离,所述第三条件包括至少两个所述光具进行成像的条件;其中,所述光具包括蜡烛;
确定单元7032:用于从所述平面镜成像图像中,确定所述光具的中心点的位置信息,以及两个支架在刻度尺上对应的刻度,两个所述支架移动用于安装所述光具;
判断单元7033:用于根据两个所述光具距离平面镜的位置信息,从所述平面镜成像图像中确定满足所述第一条件、满足所述第二条件和满足所述第三条件的图像。
具体地,所述预处理模块702,之后包括获得特征单元7026、输入单元7027、处理结果单元7028和评分单元7029,其中:
获得特征单元7026:用于将预处理后的所述平面镜成像图像输入预设的编码器中,获得预处理后的所述平面镜成像图像的图像特征;
输入单元7027:用于将所述图像特征输入解码器中获得所述预处理后的所述平面镜成像图像的第一分割结果,所述第一分割结果为经过预处理的图像数据所包含的所有帧对应的分割结果;和/或将所述图像特征输入预设的分类器中,获得所述预处理后的所述平面镜成像图像的第一分类结果,所述第一分类结果为经过预处理的图像数据所包含的所有帧对应的分类结果;
处理结果单元7028:用于根据训练好的处理模型,对所述第一分类结果和所述第一分割结果进行处理,得到所述平面镜成像图像的第二分割结果和所述第二分类结果;
评分单元7029:用于基于所述第二分割结果和所述第二分类结果,对所述平面镜成像图像进行评分。
具体地,所述检测模块703,其中包括:对应单元7034、确定评判单元7035和计算结果单元7036,其中:
对应单元7034:用于所述平面镜成像实验所包括的评分点包括:第一评分点、第二评分点和第三评分点,其中,所述第一评分点为:平面镜在两个蜡烛的中间的评分点,所述第二评分点为:透过平面镜两个蜡烛火焰的中心在同一高度上的评分点,所述第三评分点为:蜡烛到平面镜的距离和蜡烛成像到平面镜的距离;所述第一评分点、所述第二评分点和所述第三评分点所对应的视频帧为不同的视频帧;
确定评判单元7035:用于根据所述第一评分点、第二评分点和第三评分点确定所述评分点的评判数据;
计算结果单元7036:用于根据所述评判数据和预设的目标检测模型计算所述待评分人员关于所述平面镜成像实验的评分结果。
需要说明的是,关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
实施例3:
相应于上面的方法实施例,本实施例中还提供了一种平面镜成像评分设备,下文描述的一种平面镜成像评分设备与上文描述的一种平面镜成像评分方法可相互对应参照。
图3是根据示例性实施例示出的一种平面镜成像评分设备800的框图。如图3所示,该平面镜成像评分设备800可以包括:处理器801,存储器802。该平面镜成像评分设备800还可以包括多媒体组件803,I/O接口804,以及通信组件805中的一者或多者。
其中,处理器801用于控制该平面镜成像评分设备800的整体操作,以完成上述的平面镜成像评分方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该平面镜成像评分设备800的操作,这些数据例如可以包括用于在该平面镜成像评分设备800上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-OnlyMemory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-OnlyMemory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该平面镜成像评分设备800与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件805可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,平面镜成像评分设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的平面镜成像评分方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的平面镜成像评分方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器802,上述程序指令可由平面镜成像评分设备800的处理器801执行以完成上述的平面镜成像评分方法。
实施例4:
相应于上面的方法实施例,本实施例中还提供了一种可读存储介质,下文描述的一种可读存储介质与上文描述的一种平面镜成像评分方法可相互对应参照。
一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的平面镜成像评分方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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。
以上所述,仅为本发明的具体实施方式,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以权利要求的保护范围为准。
Claims (10)
1.一种平面镜成像评分方法,其特征在于,包括:
基于待评分人员操作平面镜成像实验的操作录像中,确定所述平面镜成像实验所包含的每一评分点所对应的视频帧;其中,任一所述评分点对应的视频帧符合所述评分点对应的预定条件,所述预定条件包括:存在与所述评分点相关的各个对象,且各个所述对象的位置关系为所述待评分人员所调整完毕的位置关系,各个所述对象的位置关系为所述评分点对应的位置关系;
对所述视频帧中的待检测平面镜成像图像进行预处理,得到预处理后的所述平面镜成像图像;
根据训练好的深度学习模型,对所述平面镜成像图像进行检测,得到各个对象的位置关系;基于所述位置关系,确定所述评分点的评判数据,其中,所述评分点的所述评判数据与各个所述对象的位置关系有关;
针对每一个所述评分点和所述评判数据,计算所述待评分人员关于所述平面镜成像实验的评分结果。
2.根据权利要求1所述的平面镜成像评分方法,其特征在于,对所述视频帧中的待检测平面镜成像图像进行预处理,得到预处理后的所述平面镜成像图像,其中包括:
获取待处理的实验成像图像,所述实验成像图像为摄像头所采集实验平台的成像图像;
根据所述实验成像图像的像素位置和像素灰度值信息,对所述实验成像图像进行滤波处理,其中包括根据所述实验成像图像的像素位置信息,生成高斯模板;
根据所述实验成像图像的像素灰度值信息,生成灰度值差分模板,其中,所述高斯模板与所述灰度值差分模板的大小相同;将所述高斯模板中的模板系数与所述灰度值差分模板中对应位置的模板系数相乘,将乘积作为生成的滤波系数模板中对应位置的模板系数;使用所述滤波系数模板,对所述实验成像图像进行滤波处理,得到滤波图像;
根据处理后的所述滤波图像的局部像素信息和整体像素信息,对所述滤波图像进行增强处理,生成增强图像;
根据所述增强图像,生成类梯度图;对所述类梯度图进行二值化处理,生成二值图像;其中,所述类梯度图是所述增强图像的离散函数,将所述二值图像记作预处理后的所述平面镜成像图像。
3.根据权利要求2所述的平面镜成像评分方法,其特征在于, 所述对所述实验成像图像进行滤波处理,得到滤波图像,其中包括:
根据所述实验成像图像的像素位置信息和像素灰度值信息,生成滤波系数模板;
使用所述滤波系数模板,对所述实验成像图像进行行滤波,并对行滤波结果进行列滤波,生成第一中间图像;
使用所述滤波系数模板,对原始图像进行列滤波,并对列滤波结果进行行滤波,生成第二中间图像;
根据所述第一中间图像和所述第二中间图像,生成滤波图像。
4.根据权利要求1所述的平面镜成像评分方法,其特征在于,所述根据训练好的深度学习模型,对所述平面镜成像图像进行检测,得到各个对象的位置关系,其中包括:
基于所述深度学习模型,从所述平面镜成像图像中提取出满足第一条件、满足第二条件和满足第三条件的图像;其中,所述第一条件包括至少两个光具的位置关系,所述第二条件包括至少两个所述光具到平面镜的距离,所述第三条件包括至少两个所述光具进行成像的条件;其中,所述光具包括蜡烛;
从所述平面镜成像图像中,确定所述光具的中心点的位置信息,以及两个支架在刻度尺上对应的刻度,两个所述支架移动用于安装所述光具;
根据两个所述光具距离平面镜的位置信息,从所述平面镜成像图像中确定满足所述第一条件、满足所述第二条件和满足所述第三条件的图像。
5.一种平面镜成像评分装置,其特征在于,包括:
确定模块:用于基于待评分人员操作平面镜成像实验的操作录像中,确定所述平面镜成像实验所包含的每一评分点所对应的视频帧;其中,任一所述评分点对应的视频帧符合所述评分点对应的预定条件,所述预定条件包括:存在与所述评分点相关的各个对象,且各个所述对象的位置关系为所述待评分人员所调整完毕的位置关系,各个所述对象的位置关系为所述评分点对应的位置关系;
预处理模块:用于对所述视频帧中的待检测平面镜成像图像进行预处理,得到预处理后的所述平面镜成像图像;
检测模块:用于根据训练好的深度学习模型,对所述平面镜成像图像进行检测,得到各个对象的位置关系;基于所述位置关系,确定所述评分点的评判数据,其中,所述评分点的所述评判数据与各个所述对象的位置关系有关;
计算模块:用于针对每一个所述评分点和所述评判数据,计算所述待评分人员关于所述平面镜成像实验的评分结果。
6.根据权利要求5所述的平面镜成像评分装置,其特征在于,所述预处理模块,其中包括:
获取单元:用于获取待处理的实验成像图像,所述实验成像图像为摄像头所采集实验平台的成像图像;
处理单元:用于根据所述实验成像图像的像素位置和像素灰度值信息,对所述实验成像图像进行滤波处理,其中包括根据所述实验成像图像的像素位置信息,生成高斯模板;
第一生成单元:用于根据所述实验成像图像的像素灰度值信息,生成灰度值差分模板,其中,所述高斯模板与所述灰度值差分模板的大小相同;将所述高斯模板中的模板系数与所述灰度值差分模板中对应位置的模板系数相乘,将乘积作为生成的滤波系数模板中对应位置的模板系数;使用所述滤波系数模板,对所述实验成像图像进行滤波处理,得到滤波图像;
第二生成单元:用于根据处理后的所述滤波图像的局部像素信息和整体像素信息,对所述滤波图像进行增强处理,生成增强图像;
第三生成单元:用于根据所述增强图像,生成类梯度图;对所述类梯度图进行二值化处理,生成二值图像;其中,所述类梯度图是所述增强图像的离散函数,将所述二值图像记作预处理后的所述平面镜成像图像。
7.根据权利要求6所述的平面镜成像评分装置,其特征在于,所述第一生成单元,其中包括:
第四生成单元:用于根据所述实验成像图像的像素位置信息和像素灰度值信息,生成滤波系数模板;
滤波单元:用于使用所述滤波系数模板,对所述实验成像图像进行行滤波,并对行滤波结果进行列滤波,生成第一中间图像;
第五生成单元:用于使用所述滤波系数模板,对原始图像进行列滤波,并对列滤波结果进行行滤波,生成第二中间图像;
第六生成单元:用于根据所述第一中间图像和所述第二中间图像,生成滤波图像。
8.根据权利要求5所述的平面镜成像评分装置,其特征在于,所述检测模块,其中包括:
筛选单元:用于基于所述深度学习模型,从所述平面镜成像图像中提取出满足第一条件、满足第二条件和满足第三条件的图像;其中,所述第一条件包括至少两个光具的位置关系,所述第二条件包括至少两个所述光具到平面镜的距离,所述第三条件包括至少两个所述光具进行成像的条件;其中,所述光具包括蜡烛;
确定单元:用于从所述平面镜成像图像中,确定所述光具的中心点的位置信息,以及两个支架在刻度尺上对应的刻度,两个所述支架移动用于安装所述光具;
判断单元:用于根据两个所述光具距离平面镜的位置信息,从所述平面镜成像图像中确定满足所述第一条件、满足所述第二条件和满足所述第三条件的图像。
9.一种平面镜成像评分设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至4任一项所述平面镜成像评分方法的步骤。
10.一种可读存储介质,其特征在于:所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述平面镜成像评分方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210924398.2A CN114998339A (zh) | 2022-08-03 | 2022-08-03 | 一种平面镜成像评分方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210924398.2A CN114998339A (zh) | 2022-08-03 | 2022-08-03 | 一种平面镜成像评分方法、装置、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114998339A true CN114998339A (zh) | 2022-09-02 |
Family
ID=83022184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210924398.2A Pending CN114998339A (zh) | 2022-08-03 | 2022-08-03 | 一种平面镜成像评分方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114998339A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740876A (zh) * | 2014-12-10 | 2016-07-06 | 阿里巴巴集团控股有限公司 | 一种图像预处理方法及装置 |
CN111062836A (zh) * | 2018-10-16 | 2020-04-24 | 杭州海康威视数字技术股份有限公司 | 一种基于视频的评分方法、装置及电子设备 |
CN111223147A (zh) * | 2020-03-07 | 2020-06-02 | 上海中科教育装备集团有限公司 | 一种凸透镜成像原理实验的智能评分系统及方法 |
CN111899615A (zh) * | 2019-05-06 | 2020-11-06 | 杭州海康威视数字技术股份有限公司 | 实验的评分方法、装置、设备及存储介质 |
CN112801996A (zh) * | 2021-02-05 | 2021-05-14 | 强联智创(北京)科技有限公司 | 一种评分方法、装置以及设备 |
CN113988563A (zh) * | 2021-10-21 | 2022-01-28 | 上海大风实验室设备有限公司 | 一种用于平面镜成像实验的智能赋分系统 |
-
2022
- 2022-08-03 CN CN202210924398.2A patent/CN114998339A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740876A (zh) * | 2014-12-10 | 2016-07-06 | 阿里巴巴集团控股有限公司 | 一种图像预处理方法及装置 |
CN111062836A (zh) * | 2018-10-16 | 2020-04-24 | 杭州海康威视数字技术股份有限公司 | 一种基于视频的评分方法、装置及电子设备 |
CN111899615A (zh) * | 2019-05-06 | 2020-11-06 | 杭州海康威视数字技术股份有限公司 | 实验的评分方法、装置、设备及存储介质 |
CN111223147A (zh) * | 2020-03-07 | 2020-06-02 | 上海中科教育装备集团有限公司 | 一种凸透镜成像原理实验的智能评分系统及方法 |
CN112801996A (zh) * | 2021-02-05 | 2021-05-14 | 强联智创(北京)科技有限公司 | 一种评分方法、装置以及设备 |
CN113988563A (zh) * | 2021-10-21 | 2022-01-28 | 上海大风实验室设备有限公司 | 一种用于平面镜成像实验的智能赋分系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9779492B1 (en) | Retinal image quality assessment, error identification and automatic quality correction | |
CN106960202B (zh) | 一种基于可见光与红外图像融合的笑脸识别方法 | |
US20190294921A1 (en) | Field identification in an image using artificial intelligence | |
KR20200087297A (ko) | 인공신경망 기반의 영상 분할을 이용한 불량 검출 방법 및 불량 검출 장치 | |
CN108229418B (zh) | 人体关键点检测方法和装置、电子设备、存储介质和程序 | |
Yuan et al. | A method for the evaluation of image quality according to the recognition effectiveness of objects in the optical remote sensing image using machine learning algorithm | |
CN111626249B (zh) | 题目图像中几何图形的识别方法、装置和计算机存储介质 | |
KR102141302B1 (ko) | 회귀 딥러닝 모델 기반의 영상 객체 검출 방법 및 영상처리장치 | |
CN106650670A (zh) | 活体人脸视频的检测方法及装置 | |
CN114549993A (zh) | 实验中线段图像的评分方法、系统、设备及可读存储介质 | |
CN108288064B (zh) | 用于生成图片的方法和装置 | |
CN112052730A (zh) | 一种3d动态人像识别监控设备及方法 | |
CN110751004A (zh) | 二维码检测方法、装置、设备及存储介质 | |
Aza et al. | Face recognition using local binary pattern histogram for visually impaired people | |
CN113436735A (zh) | 基于人脸结构度量的体重指数预测方法、设备和存储介质 | |
Navada et al. | Design of Mobile Application for Assisting Color Blind People to Identify Information on Sign Boards. | |
CN114998339A (zh) | 一种平面镜成像评分方法、装置、设备及可读存储介质 | |
CN110824451A (zh) | 雷达回波图的处理方法、装置、计算机设备及存储介质 | |
CN112634382B (zh) | 一种非自然对象的图像识别、替换方法和装置 | |
US11205064B1 (en) | Measuring quality of depth images in real time | |
CN113870280A (zh) | 预测以细胞为基质的抗体核型类别的方法、设备和介质 | |
CN112308067A (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN110781884A (zh) | 一种实现电表数据智能读取的方法 | |
RU2774624C1 (ru) | Способ и система определения синтетических изменений лиц в видео | |
CN116168398B (zh) | 基于图像识别的试卷审批方法、装置和设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220902 |
|
RJ01 | Rejection of invention patent application after publication |