CN115082443B - 基于智能监控平台的混凝土制品质量检测方法 - Google Patents
基于智能监控平台的混凝土制品质量检测方法 Download PDFInfo
- Publication number
- CN115082443B CN115082443B CN202210873764.6A CN202210873764A CN115082443B CN 115082443 B CN115082443 B CN 115082443B CN 202210873764 A CN202210873764 A CN 202210873764A CN 115082443 B CN115082443 B CN 115082443B
- Authority
- CN
- China
- Prior art keywords
- gray
- image
- scale
- concrete product
- string
- 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
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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/005—Statistical coding, e.g. Huffman, run length coding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/10024—Color image
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及基于智能监控平台的混凝土制品质量检测方法。方法包括:根据各历史混凝土制品图像中各像素点各通道的值,得到各历史混凝土制品图像的各第一尺度灰度图像,进而得到第一尺度灰度共生矩阵;根据第一尺度灰度共生矩阵,得到各历史混凝土制品图像对应的各目标尺度灰度图像;根据各目标尺度灰度图像中的各灰度值和各灰度值串的概率,构建霍夫曼树,进而得到各灰度值串对应的编码效率;根据编码效率,得到所有灰度值和各灰度值串对应的压缩编码,进而对待检测混凝土制品图像进行压缩传输;服务器根据接收到的待检测混凝土制品图像对待检测混凝土制品的质量进行检测。本发明提高了混凝土质量检测的效率。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于智能监控平台的混凝土制品质量检测方法。
背景技术
混凝土是指由水泥胶凝材料将砂、石等集料胶结成整体的工程复合材料。混凝土制品是以混凝土为基本材料制成的产品,一般由工厂预制,然后运到施工现场铺设或安装。混凝土制品广泛应用于建筑、交通、水利、农业、电力和采矿等行业;在混凝土制品生产过程中,可能会因为工艺不当导致出现麻面、露筋、蜂窝、裂缝、孔洞、缺角等质量问题。由于混凝土的质量问题会带来建筑、交通、水利等方面的安全隐患,因此需要对生产线上混凝土制品质量进行监控,以便拣选合格品出厂,避免安全隐患;同时根据混凝土制品质量问题来调整工艺,提高产品的合格率。
现有的往往通过智能监控平台拍摄生产线上混凝土制品的图像,并将图像传输至后台服务器进行混凝土质量检测;但由于生产线上混凝土制品生产速度块,混凝土制品数量众多,若对混凝土制品的图像直接传输,传输速度慢,效率低;因此如何对混凝土制品的图像进行压缩传输,以提高混凝土质量检测的效率是非常重要的。
发明内容
为了解决如何对混凝土制品的图像进行压缩传输,以提高混凝土质量检测的效率的问题,本发明的目的在于提供一种基于智能监控平台的混凝土制品质量检测方法,所采用的技术方案具体如下:
本发明提供了一种基于智能监控平台的混凝土制品质量检测方法包括以下步骤:
获取多个历史混凝土制品图像;根据各历史混凝土制品图像中各像素点对应的R、G、B通道的值,得到各历史混凝土制品图像的各第一尺度灰度图像;
根据所述各第一尺度灰度图像,得到第一尺度灰度共生矩阵;根据所述各第一尺度灰度图像和第一尺度灰度共生矩阵,将所述各第一尺度灰度图像中对应的各像素点进行合并,得到各历史混凝土制品图像对应的各目标尺度灰度图像;所述目标尺度灰度图像包括像素点和像素点串,所述像素点串由多个相邻的像素点合并而成,像素点串对应的值为多个相邻的像素点对应的灰度值构建的灰度值串;
根据所述各目标尺度灰度图像中存在的各灰度值和各灰度值串出现的概率,构建对应的霍夫曼树;根据所述霍夫曼树中各灰度值串对应的霍夫曼编码,得到各灰度值串对应的编码效率;根据各灰度值串对应的编码效率,得到所有灰度值和各灰度值串对应的压缩编码;
根据所有灰度值和各灰度值串对应的压缩编码,对待检测混凝土制品图像进行压缩传输;服务器根据接收到的待检测混凝土制品图像对待检测混凝土制品的质量进行检测。
优选的,所述历史混凝土制品图像的各第一尺度灰度图像包括以历史混凝土制品图像中各像素点对应的R通道的值为灰度值构建R通道对应的第一尺度灰度图像、以历史混凝土制品图像中各像素点对应的G通道的值为灰度值构建G通道对应的第一尺度灰度图像和以历史混凝土制品图像中各像素点对应的B通道的值为灰度值构建B通道对应的第一尺度灰度图像。
优选的,根据所述各第一尺度灰度图像和第一尺度灰度共生矩阵,将所述各第一尺度灰度图像中对应的各像素点进行合并,得到各历史混凝土制品图像对应的各目标尺度灰度图像,包括:
获取第一尺度灰度共生矩阵中大于等于第一阈值的元素,将大于等于第一阈值的元素记为第一目标元素;将第一尺度灰度共生矩阵中的各第一目标元素的值从大到小进行排序,记作第一目标元素序列;
根据第一目标元素序列中每个第一目标元素对应的两个灰度值,对所述各第一尺度灰度图像中对应的像素点进行合并,得到各历史混凝土制品图像对应的各第二尺度灰度图像;所述第二尺度灰度图像包括没有被合并的像素点和合并后的像素点串;
获取第二尺度灰度共生矩阵中大于等于第一阈值的元素,记为第二目标元素;根据各第二目标元素的值进行排序,得到第二目标元素序列;按照第二目标元素序列中第二目标元素的排列顺序,分别根据各第二目标元素对应的灰度值或灰度值串,将所述各第二尺度灰度图像中对应的像素点或像素点串进行合并,得到各历史混凝土制品图像对应的各第三尺度灰度图像;
以此类推,继续对所述各第三尺度灰度图像中对应的像素点或像素点串进行合并,直至得到的灰度共生矩阵中的各元素的值均小于第一阈值为止;将最终的尺度灰度图像作为各历史混凝土制品图像对应的各目标尺度灰度图像。
优选的,所述根据第一目标元素序列中每个第一目标元素对应的两个灰度值,对所述各第一尺度灰度图像中对应的像素点进行合并,包括:
对于任一第一目标元素:获取该第一目标元素对应的两个灰度值在每个第一尺度灰度图像中方向上相邻的所有位置,将这些位置上相邻的两个像素点合并;将合并后的两个像素点作为像素点串;若任意位置上相邻的两个像素点中已经有一个像素点与其他像素点合并,则这两个像素点不合并。
优选的,根据所述霍夫曼树中各灰度值串对应的霍夫曼编码,得到各灰度值串对应的编码效率,包括:
获取所述各灰度值串对应的多种组合方式;
对于任一灰度值串对应的编码效率的计算公式为:
其中,为灰度值串(i,j,u,v)的编码效率指标,为灰度值串为(i,j,u,v)的霍夫曼编码的长度;为灰度值串(i,j)的霍夫曼编码的长度,为灰度值串(u,v)的霍夫曼编码的长度,为灰度值串(j,u,v)的霍夫曼编码的长度,为最小值,和为该灰度值串对应的任意两种组合方式对应的编码长度;若任一灰度值串不在所述霍夫曼树中,则该灰度值串对应的霍夫曼编码的长度为。
优选的,所述根据各灰度值串对应的编码效率,得到所有灰度值和各灰度值串对应的压缩编码,包括:
将所述各灰度值串编码效率指标大于等于1的灰度值串进行拆分,并将所述各目标尺度灰度图像中对应的像素点串进行相应的拆分;将拆分后的目标尺度灰度图像记为目标灰度图像,所述目标灰度图像不包括所述编码效率指标大于等于1的灰度值串;
统计各历史混凝土制品图像对应的各目标灰度图像中各像素点和各像素点串对应的概率;根据所述各目标灰度图像中存在的各像素点和各像素点串对应的概率构建霍夫曼树,记为第一霍夫曼树;
判断第一霍夫曼树中的各灰度值中是否包含0-255的所有灰度值,若不包含,则获取所有缺失的灰度值;根据所述所有缺失的灰度值在所述各第一尺度灰度图像中出现的频率进行排序;根据排序结果将所述所有缺失的灰度值依次补充到第一霍夫曼树的末端,得到目标霍夫曼树;
根据目标霍夫曼树,得到所有灰度值和各灰度值串对应的压缩编码,所述压缩编码为对应的霍夫曼编码。
优选的,将所述各灰度值串编码效率指标大于等于1的灰度值串进行拆分,并将所述各目标尺度灰度图像中对应的像素点串进行相应的拆分,包括:
对于所述各灰度值串中的任一灰度值串:
若该灰度值串对应的编码效率指标大于等于1,则获取该灰度值串对应的多种组合方式中编码长度最小的组合方式;将该灰度值串拆分成所述编码长度最小的组合方式对应的灰度值或灰度值串,并将所述目标尺度灰度图像中该灰度值串对应的像素点串进行相应的拆分。
优选的,根据所有灰度值和各灰度值串对应的压缩编码,对待检测混凝土制品图像进行压缩传输;服务器根据接收到的待检测混凝土制品图像对待检测混凝土制品的质量进行检测,包括:
根据所有灰度值和各灰度值串对应的压缩编码,得到压缩编码字典;
将待检测凝土制品图像拆分成R、G、B三个通道对应的灰度图像;根据压缩编码字典,分别对所述三个通道对应的灰度图像进行编码,得到三个通道对应的灰度图像对应的压缩结果;将所述压缩结果传输到服务器;
服务器根据压缩编码字典对接收到的所述压缩结果进行解压,得到待检测混凝土制品图像;
根据所述待检测混凝土制品图像和训练好的DNN神经网络,对待检测混凝土制品的质量进行检测;所述DNN神经网络用于检测混凝土制品图像中存在的缺陷。
本发明具有如下有益效果:
本发明首先根据各历史混凝土制品图像中各像素点对应的R、G、B通道的值,得到各历史混凝土制品图像的各第一尺度灰度图像,进而得到第一尺度灰度共生矩阵;然后根据所述各第一尺度灰度图像和第一尺度灰度共生矩阵,将所述各第一尺度灰度图像中对应的各像素点进行合并,得到各历史混凝土制品图像对应的各目标尺度灰度图像;接着根据所述各目标尺度灰度图像中存在的各灰度值和各灰度值串出现的概率,构建对应的霍夫曼树,并根据所述霍夫曼树中各灰度值串对应的霍夫曼编码,得到各灰度值串对应的编码效率;最后根据各灰度值串对应的编码效率,得到所有灰度值和各灰度值串对应的压缩编码;本发明根据所有灰度值和各灰度值串对应的压缩编码,对待检测混凝土制品图像进行压缩传输,使得服务器根据接收到的待检测混凝土制品图像对待检测混凝土制品的质量进行检测。本发明结合混凝土制品图像特征,对混凝土制品图像进行压缩传输,以增强对图像的压缩程度和传输效率,进而提高了混凝土质量检测的效率。
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为本发明提供的一种基于智能监控平台的混凝土制品质量检测方法的流程图;
图2为灰度图像中像素点合并示意图。
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能效果,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智能监控平台的混凝土制品质量检测方法进行详细说明如下。
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智能监控平台的混凝土制品质量检测方法的具体方案。
基于智能监控平台的混凝土制品质量检测方法实施例:
如图1所示,本实施例的一种基于智能监控平台的混凝土制品质量检测方法包括以下步骤:
步骤S1,获取多个历史混凝土制品图像;根据各历史混凝土制品图像中各像素点对应的R、G、B通道的值,得到各历史混凝土制品图像的各第一尺度灰度图像。
考虑到混凝土制品在生产过程中,可能会由于工艺不当造成混凝土质量差的问题,为建筑、交通等带来安全隐患,本实施例利用智能监控平台来对混凝土制品的质量检测;所述智能监控平台由相机、前端、后台服务器组成,通过相机拍摄混凝土制品图像并反馈给智能监控平台前端,智能监控平台前端对混凝土制品图像进行压缩,并传输给智能监控平台后台服务器,后台服务器对混凝土制品图像进行解压,并根据混凝土制品图像进行混凝土制品的质量检测。
本实施例在传送带上方架设智能监控平台的相机,利用相机俯视拍摄传输带上的待检测混凝土制品的RGB图像,记为待检测混凝土制品图像;图像中包含混凝土制品及传送带,然后将待检测混凝土制品图像反馈给智能监控平台前端进行压缩和传输。
若直接对混凝土制品图像进行传输,传输速度慢,效率低;因此本实施例将待检测混凝土制品图像进行压缩后传输,可提高传输效率。现有的图像压缩方法,如霍夫曼编码是基于图像中像素值出现的频率进行压缩的,使得出现频率高的像素值使用较短的编码,出现频率低的像素值使用较长的编码,使得编码后的平均码长降低,以达到较高的压缩率,但传统的霍夫曼编码针对单个像素值,对于存在一定规律性的图像,编码效率难以进一步提升;本实施例在霍夫曼编码的基础上,结合灰度共生矩阵,使图像中规律出现的像素值进一步被压缩,这种方法相较于传统霍夫曼编码具有更大的压缩程度,进而提高图像的传输效率。
混凝土制品上存在颗粒感,其灰度变化存在一定的规律性,因此本实施例结合灰度共生矩阵,获取图像中的规律性,将两个或多个像素值编码成一个结果,以进一步提高压缩率,确保每个混凝土制品的图像可及时传输至智能监控平台后台服务器进行质量检测。
为了对待检测混凝土制品图像进行压缩,本实施例根据大量的历史图片获取压缩编码字典,后续智能监控平台根据压缩编码字典就可以对待检测混凝土制品图像进行压缩和解压;接下来,本实施例对获取压缩编码字典的过程进行分析。
本实施例首先获取多幅历史的混凝土制品的RGB图像,记为历史混凝土制品图像;对于任一历史混凝土制品图像:根据该历史混凝土制品图像中各像素点对应的R、G、B三个通道的值,得到R、G、B三个通道对应的灰度图像,记为第一尺度灰度图像,具体的,以该历史混凝土制品图像中各像素点对应的R通道的值为灰度值构建R通道对应的第一尺度灰度图像,以该历史混凝土制品图像中各像素点对应的G通道的值为灰度值构建G通道对应的第一尺度灰度图像,以该历史混凝土制品图像中各像素点对应的B通道的值为灰度值构建B通道对应的第一尺度灰度图像。
至此,本实施例能够得到各历史混凝土制品图像对应的三个通道的第一尺度灰度图像,即各历史混凝土制品图像对应的各第一尺度灰度图像(一个历史混凝土制品图像对应三个第一尺度灰度图像)。
步骤S2,根据所述各第一尺度灰度图像,得到第一尺度灰度共生矩阵;根据所述各第一尺度灰度图像和第一尺度灰度共生矩阵,将所述各第一尺度灰度图像中对应的各像素点进行合并,得到各历史混凝土制品图像对应的各目标尺度灰度图像;所述目标尺度灰度图像包括像素点和像素点串,所述像素点串由多个相邻的像素点合并而成,像素点串对应的值为多个相邻的像素点对应的灰度值构建的灰度值串。
考虑到混凝土制品上存在颗粒感,其灰度变化存在一定的规律性;本实施例通过灰度共生矩阵获取混凝土制品图像中灰度变化的规律性。具体的:
本实施例综合所有第一尺度灰度图像(即各历史混凝土制品图像对应的各第一尺度灰度图像)中方向上的像素点,获取方向上的灰度共生矩阵,记为第一尺度灰度共生矩阵;所述第一尺度灰度共生矩阵中任意元素的值表示该元素在矩阵中所在行对应的灰度值(即该元素对应的行灰度值)以及所在列对应的灰度值(即该元素对应的列灰度值)在所有第一尺度灰度图像中方向上相邻的概率(本实施例中方向上相邻是指:行对应的灰度值在左,列对应的灰度值在右,且两个灰度值相邻)。例如,第一尺度灰度图像中任一元素在第一尺度灰度共生矩阵中的第1行第3列,所述第1行对应的灰度值为1,第3列对应的灰度值为3,则该元素表示的是灰度值为3和1的像素点在所有第一尺度灰度图像中相邻存在的概率(所述相邻存在为灰度值为3的像素点在左,灰度值为1的像素点在右);因此第一尺度灰度共生矩阵中的一个元素对应两个灰度值。
获取第一尺度灰度共生矩阵中大于等于第一阈值的元素,将大于等于第一阈值的元素记为第一目标元素;将第一尺度灰度共生矩阵中的各第一目标元素的值从大到小进行排序,记作第一目标元素序列;按照顺序获取第一目标元素序列中每个第一目标元素,根据每个第一目标元素对应的两个灰度值对所有第一尺度灰度图像中的像素点进行处理,第一阈值的大小需根据实际需要来设置;对于任一第一目标元素:
根据该第一目标元素对应的两个灰度值构建对应的灰度值串;获取该第一目标元素对应的两个灰度值在每个第一尺度灰度图像中方向上相邻的所有位置,将这些位置上相邻的两个像素点合并(这些位置上相邻的两个像素点的灰度值分别为该第一目标元素对应的两个灰度值,左边的像素点对应的灰度值为第一目标元素对应的行灰度值,右边的像素点对应的灰度值为第一目标元素对应的列灰度值),将合并后的两个像素点作为像素点串(将像素点串看成一个整体,即当作一个像素点),此时像素点串的值为对应的该第一目标元素对应的灰度值串,即像素点串对应的灰度值串是由组成像素点串的像素点的灰度值构成的;若有些位置上相邻的两个像素点中已经有一个像素点与其他像素点合并,则这两个像素点不合并。例如,该第一目标元素对应的行灰度值为1,列灰度值为3,则该第一目标元素对应的灰度值串为(1,3);获取灰度值为1的像素点和灰度值为3的像素点在每个第一尺度灰度图像中方向上相邻的位置,然后将这些位置上的两个像素点合并为像素点串,这些像素点串对应的灰度值串为(1,3)。
对于第一尺度灰度共生矩阵中小于第一阈值的元素,认为这些元素对应的两个灰度值在所有第一尺度灰度图像中方向上相邻出现的概率较小,因此无需进行合并。例如,如图2所示,图中白色的小方块为像素点,白色的小方块中的数为像素点的灰度值,具有灰色阴影的每个块为像素点串,具有灰色阴影的块中的数为灰度值串,图中1为任意的第一尺度灰度图像,2为经过第一次合并后的第二尺度灰度图像。
本实施例将每个合并后的第一尺度灰度图像看作一幅新的图像,记为第二尺度灰度图像,即得到各历史混凝土制品图像对应的各第二尺度灰度图像(即一个历史混凝土制品图像的每个通道对应一个第二尺度灰度图像);第二尺度灰度图像中包括单个像素点和由两个像素点合并而来的像素点串,每个像素点串对应的值为对应的灰度值串。
然后本实施例基于各历史混凝土制品图像对应的各第二尺度灰度图像(即所有第二尺度灰度图像),再次获取方向上的灰度共生矩阵,记为第二尺灰度共生矩阵(第二尺灰度共生矩阵的每一行或每一列代表的可能是一个灰度值,也可能是一个灰度值串);第二尺灰度共生矩阵的每个元素表示的是在矩阵中所在行对应的灰度值或灰度值串以及所在列对应的灰度值或灰度值串在所有第二尺度灰度图像中方向上相邻的概率(同样的,此时的相邻为行对应的灰度值或灰度值串在左,列对应的灰度值或灰度值串在右,即灰度值和灰度值串相邻、灰度值和灰度值相邻、灰度值串和灰度值相邻以及灰度值串和灰度值串相邻)。
同样的获取第二尺灰度共生矩阵中大于等于第一阈值的元素,记为第二目标元素;若不存在第二目标元素,则将第二尺度灰度图像记为目标尺度灰度图像;若存在第二目标元素,则根据各第二目标元素的值进行排序,得到第二目标元素序列;按照第二目标元素序列中第二目标元素的排列顺序,分别根据各第二目标元素对应的灰度值或灰度值串,将所有第二尺度灰度图像中对应的像素点或像素点串进行合并,所述合并的可能为相邻的两个像素点、相邻的像素点和像素点串以及相邻的两个像素点串。具体合并的方法与第一次合并的方法相同,在此就不再赘述。
将对第二尺度灰度图像中的像素点或像素点串合并后的图像记为第三尺度灰度图像,第三尺度灰度图像中的像素点串可能由两个像素点组成,也可能由三个像素点组成,也可能由四个像素点组成,此时的像素点串对应的灰度值串同样是由组成像素点串的像素点的灰度值构成。
同理以此类推,继续对各第三尺度灰度图像中对应的像素点或像素点串进行合并,直到得到的灰度共生矩阵中的各元素的值均小于第一阈值为止,若完成了五次合并后灰度共生矩阵中仍存在大于等于第一阈值的元素,则停止合并,将最终合并得到的灰度图像记为目标尺度灰度图像,即得到各历史混凝土制品图像对应的各目标尺度灰度图像。本实施例考虑到当合并的次数越多时,灰度值串的可能的组合就越多,得到的灰度共生矩阵就会越大(即行和列的数量越多),则后续得到的霍夫曼树就会越深,若霍夫曼树过深,要保存霍夫曼树中所有灰度值或灰度值串的编码,就需要消耗大量的空间,因此,本实施例限定灰度图像合并的次数为5,具体可根据实际需要来设置。
至此,本实施例得到了各历史混凝土制品图像对应的各目标尺度灰度图像(一个历史混凝土制品图像对应的三个目标尺度灰度图像),所述目标尺度灰度图像包括像素点和像素点串,所述像素点串由多个相邻的像素点合并而成,像素点串对应的值为多个相邻的像素点对应的灰度值构建的灰度值串。
本实施例中灰度共生矩阵中较大概率的元素对应的两个灰度值或灰度值串一定程度上表示了混凝土制品图像中灰度变化的规律性。
步骤S3,根据所述各目标尺度灰度图像中存在的各灰度值和各灰度值串出现的概率,构建对应的霍夫曼树;根据所述霍夫曼树中各灰度值串对应的霍夫曼编码,得到各灰度值串对应的编码效率;根据各灰度值串对应的编码效率,得到所有灰度值和各灰度值串对应的压缩编码。
本实施例根据步骤S2得到了各历史混凝土制品图像对应的各目标尺度灰度图像;接下来,本实施例统计各历史混凝土制品图像对应的各目标尺度灰度图像中存在的每个灰度值和每个灰度值串出现的概率,记为各灰度值和各灰度值串对应的概率;然后根据各灰度值和各灰度值串对应的概率,构建霍夫曼树,进而得到各灰度值和各灰度值串对应的霍夫曼编码;本实施例在构建霍夫曼树的过程中,当存在灰度值或灰度值串的概率大小一致时,优先将较长的灰度值串构建至二叉树较顶端;至此本实施例初步得到了霍夫曼树。本实施例中构建霍夫曼树得到霍夫曼编码的过程为现有技术,在此就不再赘述。
长的灰度值串是由短的灰度值串或灰度值合并而来,如灰度值串(i,j,u,v)可能是由i和(j,u,v)合并而来,或由(i,j,u)和v合并而来,或由(i,j)和(u,v)合并而来,或由(i,j)、u和v合并而来,或由i和j、(u,v)合并而来,或由i、j、u、v合并而来;即一个灰度值串会对应多种组合方式。
当灰度值串的编码长度小于组成其的灰度值串或灰度值的霍夫曼编码的长度之和时,该灰度值串的编码可达到进一步压缩的效果;反之当灰度值串的编码长度大于或等于组成其的灰度值串或灰度值的霍夫曼编码的长度之和时,该灰度值串的编码达不到进一步压缩的效果,甚至压缩效率较之前更低;因此为了衡量灰度值串编码的好坏,本实施例根据各灰度值串对应的多种组合方式,计算了各灰度值串对应的编码效率指标,对于任一灰度值串的编码效率指标的计算公式为:
其中,为灰度值串(i,j,u,v)的编码效率指标,为灰度值串为(i,j,u,v)的霍夫曼编码的长度;为灰度值串(i,j)的霍夫曼编码的长度,若灰度值串(i,j)在霍夫曼树中不存在,则将其霍夫曼编码的长度记为;同理,为灰度值串(u,v)的霍夫曼编码的长度,为灰度值串(j,u,v)的霍夫曼编码的长度,为组成灰度值串(i,j,u,v)的一种组合方式对应的编码长度(即将该组合方式中的各灰度值或灰度值串的霍夫曼编码的长度的之和),为组成灰度值串(i,j,u,v)的一种组合方式对应的编码长度,为最小值,为组成灰度值串(i,j,u,v)的所有组合方式对应的编码长度中最小值。
当小于时,表示该灰度值串的霍夫曼编码的长度小于该灰度值串对应的各组合方式对应的编码长度,则该灰度值串的霍夫曼编码可以达到进一步压缩的效果;且越小,进一步压缩的效果越好。反之当大于等于时,说明该灰度值串的霍夫曼编码达不到进一步压缩的效果,甚至压缩效率较合并之前更低,此时,本实施例则将该灰度值串进行拆分以达到更好的压缩效果,具体的,获取组成该灰度值串(i,j,u,v)的所有组合方式中编码长度最小的组合方式,将该灰度值串拆分成对应的编码长度最小的组合方式对应的灰度值串或灰度值(即将各历史混凝土制品图像对应的各目标尺度灰度图像中该灰度值串对应的像素点串进行相应的拆分);例如,组成该灰度值串的所有组合方式中编码长度最小的组合方式为(i,j,u)和,则将该灰度值串拆分成灰度值串(i,j,u)和灰度值v来表示,并将各历史混凝土制品图像对应的各目标尺度灰度图像中对应的像素点串进行相应的拆分,拆分成灰度值串(i,j,u)对应的像素点串和灰度值为v的像素点。
同理获取霍夫曼树中所有灰度值串对应的编码效率指标,将编码效率指标大于等于1的灰度值串进行相应的拆分,并将各历史混凝土制品图像对应的各目标尺度灰度图像中对应的像素点串进行相应的拆分,将拆分后的目标尺度灰度图像记为目标灰度图像,所述目标灰度图像包括像素点和像素点串,且目标灰度图像不包括上述被拆分的像素点串;统计拆分后的各历史混凝土制品图像对应的各目标灰度图像中存在的各像素点和各像素点串对应的概率(即在这些图像中出现的概率),根据各历史混凝土制品图像对应的各目标灰度图像中存在的各像素点和各像素点串对应的概率重新构建霍夫曼树,记为第一霍夫曼树。
接着,判断第一霍夫曼树中的各灰度值中是否包含0-255所有灰度值,若不包含,则可能出现新的图像中存在该灰度值,但第一霍夫曼树中不存在,导致该灰度值无法编码的问题;此时,本实施例获取所有缺失的灰度值,根据这些缺失的灰度值在所有第一尺度灰度图像中出现的频率进行排序,然后根据排序结果将这些缺失的灰度值依次补充到第一霍夫曼树的末端,进而得到目标霍夫曼树;目标霍夫曼树包括了所有的灰度值和各灰度值串。
根据目标霍夫曼树,可以得到所有灰度值对应霍夫曼编码和各灰度值串对应的霍夫曼编码;将所有灰度值对应霍夫曼编码和各灰度值串对应的霍夫曼编码作为所有灰度值和各灰度值串对应的压缩编码。
步骤S4,根据所有灰度值和各灰度值串对应的压缩编码,对待检测混凝土制品图像进行压缩传输;服务器根据接收到的待检测混凝土制品图像对待检测混凝土制品的质量进行检测。
本实施例根据步骤S3得到了所有灰度值和各灰度值串对应的压缩编码,进而能够得到压缩编码字典,所述压缩编码字典包含了所有灰度值对应的压缩编码和每个灰度值串对应的压缩编码。本实施例将压缩编码字典预先保存在智能监控平台前端及后台服务器中。
考虑到如果直接根据图像的灰度值对图像进行编码压缩,会导致图像的颜色信息的丢失,因此本实施例将步骤S1中获取的待检测混凝土制品图像也拆分成R、G、B三个通道对应的灰度图像,然后根据智能监控平台前端保存的压缩编码字典,分别对每个通道的灰度图像进行编码,编码时优先对灰度图像中编码长度短的灰度值串进行编码,以实现对待检测混凝土制品图像的压缩;通过编码可实现图像的无损压缩,本实施例的压缩方式可对图像中规律出现的灰度值进行进一步压缩,相较传统的霍夫曼编码,可以达到更高的压缩程度。
然后将压缩结果传输至智能监控平台后台服务器。智能监控平台后台服务器获取了待检测混凝土制品的压缩数据后,根据智能监控平台后台服务器中保存的压缩编码字典,对待检测混凝土制品压缩数据进行解压,获取待检测混凝土制品图像。
最后服务器根据接收到的待检测混凝土制品图像进行混凝土制品的质量检测,具体的:本实施例使用DNN神经网络,所述DNN神经网络的结构为Encoder-Decoder的结构;利用训练好的DNN神经网络对待检测混凝土制品图像中混凝土缺陷进行检测,所述缺陷如麻面、露筋、蜂窝、裂缝、孔洞、缺角等缺陷;所述DNN神经网络中用于检测混凝土制品图像中存在的缺陷及缺陷类别。
DNN神经网络的输入为待检测混凝土制品图像,输出为包围框中心点和回归出的包围框宽高尺寸,以及包围框对应的缺陷类别;网络训练所用数据集为混凝土制品图像数据集,网络的标签为混凝土制品缺陷对应的缺陷类别及包围框,包围框包括包围框中心点坐标和包围框的宽高尺寸,训练DNN神经网络的损失函数为均方差损失函数,所述DNN神经网络的训练过程为现有的,在此就不再赘述。
至此,本实施例根据训练好DNN神经网络完成对待检测混凝土制品缺陷的检测,然后根据检测结果,判断待检测混凝土制品的质量,当待检测混凝土制品无缺陷时,说明待检测混凝土制品质量合格;当待检测混凝土制品存在一种或一种以上缺陷时,待检测混凝土制品质量不合格。后续可根据待检测混凝土制品的缺陷类别,针对性调整混凝土制品生产工艺,以提高混凝土制品的合格率。
本实施例首先根据各历史混凝土制品图像中各像素点对应的R、G、B通道的值,得到各历史混凝土制品图像的各第一尺度灰度图像,进而得到第一尺度灰度共生矩阵;然后根据所述各第一尺度灰度图像和第一尺度灰度共生矩阵,将所述各第一尺度灰度图像中对应的各像素点进行合并,得到各历史混凝土制品图像对应的各目标尺度灰度图像;接着根据所述各目标尺度灰度图像中存在的各灰度值和各灰度值串出现的概率,构建对应的霍夫曼树,并根据所述霍夫曼树中各灰度值串对应的霍夫曼编码,得到各灰度值串对应的编码效率;最后根据各灰度值串对应的编码效率,得到所有灰度值和各灰度值串对应的压缩编码;本实施例根据所有灰度值和各灰度值串对应的压缩编码,对待检测混凝土制品图像进行压缩传输,使得服务器根据接收到的待检测混凝土制品图像对待检测混凝土制品的质量进行检测。本实施例结合混凝土制品图像特征,对混凝土制品图像进行压缩传输,以增强对图像的压缩程度和传输效率,进而提高了混凝土质量检测的效率。
需要说明的是: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 (6)
1.一种基于智能监控平台的混凝土制品质量检测方法,其特征在于,该方法包括以下步骤:
获取多个历史混凝土制品图像;根据各历史混凝土制品图像中各像素点对应的R、G、B通道的值,得到各历史混凝土制品图像的各第一尺度灰度图像;
根据所述各第一尺度灰度图像,得到第一尺度灰度共生矩阵;根据所述各第一尺度灰度图像和第一尺度灰度共生矩阵,将所述各第一尺度灰度图像中对应的各像素点进行合并,得到各历史混凝土制品图像对应的各目标尺度灰度图像;所述目标尺度灰度图像包括像素点和像素点串,所述像素点串由多个相邻的像素点合并而成,像素点串对应的值为多个相邻的像素点对应的灰度值构建的灰度值串;
根据所述各目标尺度灰度图像中存在的各灰度值和各灰度值串出现的概率,构建对应的霍夫曼树;根据所述霍夫曼树中各灰度值串对应的霍夫曼编码,得到各灰度值串对应的编码效率;根据各灰度值串对应的编码效率,得到所有灰度值和各灰度值串对应的压缩编码;
根据所有灰度值和各灰度值串对应的压缩编码,对待检测混凝土制品图像进行压缩传输;服务器根据接收到的待检测混凝土制品图像对待检测混凝土制品的质量进行检测;
其中,所述根据各历史混凝土制品图像中各像素点对应的R、G、B通道的值,得到各历史混凝土制品图像的各第一尺度灰度图像,包括:
以历史混凝土制品图像中各像素点对应的R通道的值为灰度值构建R通道对应的第一尺度灰度图像、以历史混凝土制品图像中各像素点对应的G通道的值为灰度值构建G通道对应的第一尺度灰度图像和以历史混凝土制品图像中各像素点对应的B通道的值为灰度值构建B通道对应的第一尺度灰度图像;
所述根据所述各第一尺度灰度图像和第一尺度灰度共生矩阵,将所述各第一尺度灰度图像中对应的各像素点进行合并,得到各历史混凝土制品图像对应的各目标尺度灰度图像,包括:
获取第一尺度灰度共生矩阵中大于等于第一阈值的元素,将大于等于第一阈值的元素记为第一目标元素;将第一尺度灰度共生矩阵中的各第一目标元素的值从大到小进行排序,记作第一目标元素序列;
根据第一目标元素序列中每个第一目标元素对应的两个灰度值,对所述各第一尺度灰度图像中对应的像素点进行合并,得到各历史混凝土制品图像对应的各第二尺度灰度图像;所述第二尺度灰度图像包括没有被合并的像素点和合并后的像素点串;
获取第二尺度灰度共生矩阵中大于等于第一阈值的元素,记为第二目标元素;根据各第二目标元素的值进行排序,得到第二目标元素序列;按照第二目标元素序列中第二目标元素的排列顺序,分别根据各第二目标元素对应的灰度值或灰度值串,将所述各第二尺度灰度图像中对应的像素点或像素点串进行合并,得到各历史混凝土制品图像对应的各第三尺度灰度图像;
以此类推,继续对所述各第三尺度灰度图像中对应的像素点或像素点串进行合并,直至得到的灰度共生矩阵中的各元素的值均小于第一阈值为止;将最终的尺度灰度图像作为各历史混凝土制品图像对应的各目标尺度灰度图像。
3.根据权利要求1所述的基于智能监控平台的混凝土制品质量检测方法,其特征在于,根据所述霍夫曼树中各灰度值串对应的霍夫曼编码,得到各灰度值串对应的编码效率,包括:
获取所述各灰度值串对应的多种组合方式;
对于任一灰度值串对应的编码效率的计算公式为:
4.根据权利要求3所述的基于智能监控平台的混凝土制品质量检测方法,其特征在于,所述根据各灰度值串对应的编码效率,得到所有灰度值和各灰度值串对应的压缩编码,包括:
将所述各灰度值串编码效率指标大于等于1的灰度值串进行拆分,并将所述各目标尺度灰度图像中对应的像素点串进行相应的拆分;将拆分后的目标尺度灰度图像记为目标灰度图像,所述目标灰度图像不包括所述编码效率指标大于等于1的灰度值串;
统计各历史混凝土制品图像对应的各目标灰度图像中各像素点和各像素点串对应的概率;根据所述各目标灰度图像中存在的各像素点和各像素点串对应的概率构建霍夫曼树,记为第一霍夫曼树;
判断第一霍夫曼树中的各灰度值中是否包含0-255的所有灰度值,若不包含,则获取所有缺失的灰度值;根据所述所有缺失的灰度值在所述各第一尺度灰度图像中出现的频率进行排序;根据排序结果将所述所有缺失的灰度值依次补充到第一霍夫曼树的末端,得到目标霍夫曼树;
根据目标霍夫曼树,得到所有灰度值和各灰度值串对应的压缩编码,所述压缩编码为对应的霍夫曼编码。
5.根据权利要求4所述的基于智能监控平台的混凝土制品质量检测方法,其特征在于,将所述各灰度值串编码效率指标大于等于1的灰度值串进行拆分,并将所述各目标尺度灰度图像中对应的像素点串进行相应的拆分,包括:
对于所述各灰度值串中的任一灰度值串:
若该灰度值串对应的编码效率指标大于等于1,则获取该灰度值串对应的多种组合方式中编码长度最小的组合方式;将该灰度值串拆分成所述编码长度最小的组合方式对应的灰度值或灰度值串,并将所述目标尺度灰度图像中该灰度值串对应的像素点串进行相应的拆分。
6.根据权利要求1所述的基于智能监控平台的混凝土制品质量检测方法,其特征在于,根据所有灰度值和各灰度值串对应的压缩编码,对待检测混凝土制品图像进行压缩传输;服务器根据接收到的待检测混凝土制品图像对待检测混凝土制品的质量进行检测,包括:
根据所有灰度值和各灰度值串对应的压缩编码,得到压缩编码字典;
将待检测凝土制品图像拆分成R、G、B三个通道对应的灰度图像;根据压缩编码字典,分别对所述三个通道对应的灰度图像进行编码,得到三个通道对应的灰度图像对应的压缩结果;将所述压缩结果传输到服务器;
服务器根据压缩编码字典对接收到的所述压缩结果进行解压,得到待检测混凝土制品图像;
根据所述待检测混凝土制品图像和训练好的DNN神经网络,对待检测混凝土制品的质量进行检测;所述DNN神经网络用于检测混凝土制品图像中存在的缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210873764.6A CN115082443B (zh) | 2022-07-25 | 2022-07-25 | 基于智能监控平台的混凝土制品质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210873764.6A CN115082443B (zh) | 2022-07-25 | 2022-07-25 | 基于智能监控平台的混凝土制品质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115082443A CN115082443A (zh) | 2022-09-20 |
CN115082443B true CN115082443B (zh) | 2022-11-08 |
Family
ID=83243440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210873764.6A Active CN115082443B (zh) | 2022-07-25 | 2022-07-25 | 基于智能监控平台的混凝土制品质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115082443B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115830023B (zh) * | 2023-02-16 | 2023-05-09 | 山东中都机器有限公司 | 基于图像处理的胶带输送机传输带缺陷检测方法 |
CN116668731B (zh) * | 2023-07-26 | 2023-11-10 | 深圳市君兰电子有限公司 | 一种卡拉ok机直播流传输方法 |
CN116760952B (zh) * | 2023-08-17 | 2023-10-20 | 山东欣晖电力科技有限公司 | 基于无人机的电力铁塔维护巡检方法 |
CN116910285B (zh) * | 2023-09-01 | 2023-12-15 | 山东卓硕北斗网络科技有限公司 | 基于物联网的智慧交通数据优化存储方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006005478A (ja) * | 2004-06-15 | 2006-01-05 | Canon Inc | 画像符号化装置及び画像復号装置 |
CN101478693A (zh) * | 2008-12-31 | 2009-07-08 | 中国资源卫星应用中心 | 一种对星载光学遥感图像压缩质量进行评价的方法 |
CN101969567A (zh) * | 2010-11-09 | 2011-02-09 | 北京工业大学 | 基于全变分的图像编码方法 |
AU2013100575A4 (en) * | 2013-04-23 | 2013-06-06 | Huang, Xu PROF | Efficient and Effective Compression Algorithm for Infrared (IR) Image Based on Wavelet |
CN104715265A (zh) * | 2015-04-10 | 2015-06-17 | 苏州闻捷传感技术有限公司 | 基于压缩采样与集成编码分类器的雷达场景分类方法 |
CN106791876A (zh) * | 2016-12-16 | 2017-05-31 | 浙江大学 | 一种基于3d‑hevc的深度图快速帧内预测方法 |
CN110401839A (zh) * | 2019-08-22 | 2019-11-01 | 上海无线电设备研究所 | 一种基于自适应分块压缩感知的星载遥感图像压缩方法 |
CN113158728A (zh) * | 2020-12-31 | 2021-07-23 | 杭州图歌科技有限公司 | 一种基于灰度共生矩阵的车位状态检测方法 |
CN114758017A (zh) * | 2022-04-24 | 2022-07-15 | 启东市恒通橡胶制品厂(普通合伙) | 用于橡胶密封圈异常检测的压缩传输方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379680B (zh) * | 2021-05-18 | 2023-05-23 | 上海闻泰信息技术有限公司 | 缺陷检测方法、装置、电子设备和计算机可读存储介质 |
CN114511471B (zh) * | 2022-04-18 | 2022-07-01 | 广州骏天科技有限公司 | 基于灰度共生矩阵的图像优化方法及系统 |
-
2022
- 2022-07-25 CN CN202210873764.6A patent/CN115082443B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006005478A (ja) * | 2004-06-15 | 2006-01-05 | Canon Inc | 画像符号化装置及び画像復号装置 |
CN101478693A (zh) * | 2008-12-31 | 2009-07-08 | 中国资源卫星应用中心 | 一种对星载光学遥感图像压缩质量进行评价的方法 |
CN101969567A (zh) * | 2010-11-09 | 2011-02-09 | 北京工业大学 | 基于全变分的图像编码方法 |
AU2013100575A4 (en) * | 2013-04-23 | 2013-06-06 | Huang, Xu PROF | Efficient and Effective Compression Algorithm for Infrared (IR) Image Based on Wavelet |
CN104715265A (zh) * | 2015-04-10 | 2015-06-17 | 苏州闻捷传感技术有限公司 | 基于压缩采样与集成编码分类器的雷达场景分类方法 |
CN106791876A (zh) * | 2016-12-16 | 2017-05-31 | 浙江大学 | 一种基于3d‑hevc的深度图快速帧内预测方法 |
CN110401839A (zh) * | 2019-08-22 | 2019-11-01 | 上海无线电设备研究所 | 一种基于自适应分块压缩感知的星载遥感图像压缩方法 |
CN113158728A (zh) * | 2020-12-31 | 2021-07-23 | 杭州图歌科技有限公司 | 一种基于灰度共生矩阵的车位状态检测方法 |
CN114758017A (zh) * | 2022-04-24 | 2022-07-15 | 启东市恒通橡胶制品厂(普通合伙) | 用于橡胶密封圈异常检测的压缩传输方法 |
Non-Patent Citations (4)
Title |
---|
Iris feature extraction using Gray Level Co-occurrence Matrix and Gabor Kernel filter its impact on iris Huffman compression image;R A Asmara et al;《Journal of Physics: Conference Series》;20191231;1-7 * |
Research on image compression technology based on Huffman coding;Shuyun Yuan et al;《journal of visual communication and image representation》;20190228;第59卷;33–38 * |
基于图像纹理特征的JPEG-XR帧内预测技术;邬春明 等;《东北师大学报(自然科学版)》;20160331;第48卷(第1期);54-59 * |
基于灰度共生矩阵和同步正交匹配追踪的分形图像压缩;杨蒙蒙 等;《计算机应用》;20210510;第41卷(第5期);1445-1449 * |
Also Published As
Publication number | Publication date |
---|---|
CN115082443A (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082443B (zh) | 基于智能监控平台的混凝土制品质量检测方法 | |
WO2023134791A2 (zh) | 一种环境安防工程监测数据管理方法及系统 | |
CN1316812C (zh) | 利用变长色码对调色板处理的彩色图像进行压缩 | |
CN112541369B (zh) | 一种信息码识别方法及系统 | |
CA2305572A1 (en) | System and method for fixed-rate block-based image compression with inferred pixel values | |
CN1309258C (zh) | 一种应用于实时传输的无损图像压缩方法 | |
RU2003135434A (ru) | Способ кодирования и декодирования данных трехмерных объектов и устройство для его осуществления | |
CN104780379A (zh) | 一种屏幕图像集合的压缩方法 | |
CN114782479B (zh) | 一种工业设备状态监控管理方法 | |
CN100425066C (zh) | 图像压缩的方法 | |
CN102353894A (zh) | 基于参考向量和位掩码的soc的测试方法 | |
Zhe et al. | Optimizing the bit allocation for compression of weights and activations of deep neural networks | |
CN115858832A (zh) | 一种用于钢绞线生产数据存储方法及系统 | |
CN103700121A (zh) | 一种复合图像的压缩方法及装置 | |
CN115955569A (zh) | 一种用于动物防疫检疫中心的监控视频数据传输方法 | |
CN115830023A (zh) | 基于图像处理的胶带输送机传输带缺陷检测方法 | |
US7286264B2 (en) | None-of-the-above digital halftone compression and decompression | |
CN115102934B (zh) | 点云数据的解码方法、编码方法、装置、设备及存储介质 | |
CN115866251A (zh) | 基于语义分割的图像信息快速传输方法 | |
CN105491384A (zh) | 调色板编码方法与解码方法以及电子装置 | |
CN115622571A (zh) | 一种基于数据处理的雷达目标识别方法 | |
GB2336736B (en) | Apparatus for encoding/decoding a binary shape signal | |
CN115662346A (zh) | Demura补偿值压缩方法和系统 | |
JPH03188768A (ja) | 画像圧縮装置 | |
CN103607588B (zh) | 一种基于模板的残差变换系数重要图编码方法 |
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 |