CN115293053B - 基于电场强度分布云图色度信息的电极设计方法 - Google Patents
基于电场强度分布云图色度信息的电极设计方法 Download PDFInfo
- Publication number
- CN115293053B CN115293053B CN202211199254.1A CN202211199254A CN115293053B CN 115293053 B CN115293053 B CN 115293053B CN 202211199254 A CN202211199254 A CN 202211199254A CN 115293053 B CN115293053 B CN 115293053B
- Authority
- CN
- China
- Prior art keywords
- electric field
- electrode
- cloud
- distribution
- field intensity
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于电场强度分布云图色度信息的电极设计方法,属于电气工程和机器学习领域,包括:仿真获取不同电极形状参数下电极之间的电场分布;根据电场分布中各处的电场强度生成相应的云图,计算云图中空间分布色度信息的统计特征量;以得到的统计特征量为特征、相应的电极形状参数为标签,建立图像库,以机器学习算法优化训练预先构建的电极参数生成模型;根据目标均匀电场分布生成相应的单色云图,并计算单色云图中空间分布色度信息的统计特征量;将得到的统计特征量输入优化训练后的电极参数生成模型,得到与目标均匀电场分布对应的最优电极形状参数。为电极间局部场强优化提供一种新的精准、高效、简便且低成本的解决方案。
Description
技术领域
本发明属于电气工程和机器学习领域,更具体地,涉及一种基于电场强度分布云图色度信息的电极设计方法。
背景技术
工程中为了降低设备附近的电场强度,或者均匀化电极间的电场分布,需要进行电场优化设计。为了维持两个平板电极间的场强尽可能均匀,需要对畸变电场最严重的区域即平板边缘进行优化设计。
电极之间电场强度优化方法目前主要是传统的电磁场数值计算方法,包括有限元法、模拟电荷法,和几种近似解析计算方法——罗果夫电极设计方法等,它们主要通过直接比较不同电极形状参数下电极边缘最大和最小电场强度的计算结果,逐步调整电极局部形状参数,一步一步修正,使最大电场和最小电场逐渐接近,来实现电极表面电场强度优化,存在优化区域小、计算复杂、耗时较长、成本较高等问题。
发明内容
针对现有技术的缺陷和改进需求,本发明提供了一种基于电场强度分布云图色度信息的电极设计方法,其目的在于为电极间局部场强优化提供一种新的精准、高效、简便且低成本的解决方案。
为实现上述目的,按照本发明的一个方面,提供了一种基于电场强度分布云图色度信息的电极设计方法,包括训练阶段和设计阶段,训练阶段包括S1-S3,设计阶段包括S4-S5;S1,仿真获取不同电极形状参数下电极之间的电场分布;S2,对于每一电场分布,根据所述电场分布中各处的电场强度生成相应的云图,计算所述云图中空间分布色度信息的统计特征量,建立图像库;S3,以所述S2中得到的统计特征量为特征、相应的电极形状参数为标签,以机器学习算法优化训练预先构建的电极参数生成模型;S4,根据目标均匀电场分布生成相应的单色云图,并计算所述单色云图中空间分布色度信息的统计特征量;S5,将所述S4中得到的统计特征量输入优化训练后的电极参数生成模型,得到与所述目标均匀电场分布对应的最优电极形状参数。
更进一步地,所述根据所述电场分布中各处的电场强度生成相应的云图包括:将所述电场分布中最大电场强度处设为第一预设颜色,最小电场强度处设为第二预设颜色;根据最大电场强度、最小电场强度、第一预设颜色和第二预设颜色,自动生成其他电场强度处的颜色,以得到所述云图,颜色与电场强度的对应关系在各云图中保持一致。
更进一步地,所述统计特征量包括:云图中所有像素点RGB三通道的均值、偏度、峰值、标准差、众数和中位数,以及云图灰度频率分布直方图的峰值、云图灰度频率的上alpha分位点和云图灰度频率的下alpha分位点。
更进一步地,所述电极形状参数包括:电极截面平直部分的长度、电极边缘的抛物线二次项系数以及电极与电极对中轴线之间的距离。
更进一步地,所述S1中通过数值仿真获取所述电场分布,所述S2包括:将所述电场分布中各处电场强度的值转换为相应的RGB值,并根据转换得到的RGB值生成相应的云图;提取所述云图中的空间分布色度信息,并将提取的空间分布色度信息转化为相应的统计特征量。
更进一步地,所述S2中还包括:剔除所述云图中RGB值小于RGB阈值的区域;所述S2中计算所述云图中空间分布色度信息的统计特征量包括:计算区域剔除后所述云图剩余区域中空间分布色度信息的统计特征量。
更进一步地,所述S3包括:将所述S2中图像库划分为训练集和验证集,利用所述训练集的统计特征量以及相应的电极形状参数标签,分别采用多种不同的机器学习算法训练所述电极参数生成模型;将所述验证集中的统计特征量输入优化训练后的各电极参数生成模型,得到相应的电极形状参数预测值,计算所述电极形状参数预测值与所述验证集中电极形状参数实际值之间的平均绝对误差和相关系数;根据所述平均绝对误差和所述相关系数确定优化训练效果最优的电极参数生成模型,并作为设计阶段所用电极参数生成模型。
更进一步地,所述平均绝对误差和所述相关系数分别为:
其中,MAE为所述平均绝对误差,为所述相关系数,n为所述验证集中的样本个
数,为所述验证集中第i个样本的电极形状参数实际值,为所述验证集中第i个样本的
电极形状参数预测值,为所述验证集中电极形状参数实际值的均值。
按照本发明的另一个方面,提供了一种如上所述的基于电场强度分布云图色度信息的电极设计方法得到的电极。
总体而言,通过本发明所构思的以上技术方案,能够取得以下有益效果:
(1)利用仿真软件得到电极场强的云图库,提取各云图中包含的色度信息,经过处理得到相应的统计特征量,再通过机器学习训练出最佳电极参数生成模型,以利用模型设计出均匀电场所需要的电极的形状参数,从而为电极间局部场强优化提供一种新的精准、高效、简便且低成本的解决方案;
(2)提供的9个统计特征量,基本包括色度分布的所有信息的统计指标,并包括灰度信息的统计指标,使其更为全面,且比直接采用所有像素点的色度信息、灰度信息更为经济,计算更为快速;
(3)对得到的云图进行统一截图处理,仅利用电极及其周围的云图来对模型进行优化训练,截图后将使得关注区域的信息占比提高,识别更准确,占据计算内存更小,计算更快,从而在保证模型优化训练效果的基础上,减少模型优化训练所需的资源。
附图说明
图1为本发明实施例提供的基于电场强度分布云图色度信息的电极设计方法的流程图。
图2为本发明实施例提供的轴对称电极模型示意图。
图3为本发明实施例提供的剔除云图中部分区域的示意图。
图4为本发明实施例提供的电极之间电场分布的云图以及从中截取的与目标均匀电场分布对应的单色云图。
图5为本发明实施例提供的各种机器学习算法优化训练后模型生成的电极形状参数预测值下,仿真得到的实际电场分布云图。
图6本发明实施例提供的评估优化设计电场效果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
在本发明中,本发明及附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
图1为本发明实施例提供的基于电场强度分布云图色度信息的电极设计方法的流程图。参阅图1,结合图2-图6,对本实施例中基于电场强度分布云图色度信息的电极设计方法进行详细说明,方法包括训练阶段和设计阶段,训练阶段包括操作S1-操作S3,设计阶段包括操作S4-操作S5。
操作S1,仿真获取不同电极形状参数下电极之间的电场分布。
本实施例中,通过数值仿真软件,采用二维轴对称模型计算两个电极间的电场分布,电极例如为圆板电极,如图2所示。电极结构及形状由以下三个电极形状参数确定:电极截面平直部分的长度L、电极边缘的抛物线二次项系数R以及电极与电极对中轴线之间的距离D。
具体地,操作S1中,根据工程中对于电极的具体要求,大致确定电极形状参数L、R、D各自的范围,在确定的电压下,采用电场数值计算软件计算电场分布。
本实施例中,设置的所有组合例如为:L(10种),0.02~0.029,间隔0.001,单位m;R(20种),150~245,间隔5,无单位;D(10种),0.006~0.015,间隔0.001,单位m。由此,便可得到2000个不同的电极形状参数,从而进一步得到2000张云图组成图像库。
操作S2,对于每一电场分布,根据电场分布中各处的电场强度生成相应的云图,计算云图中空间分布色度信息的统计特征量,建立图像库。
本实施例中,通过电场强度的云图反映电场分布,不同颜色对应不同电场强度的大小,将不同电极形状参数下计算得到的电场分布的云图组成一个图像库,并以电极形状参数(L,R,D)作为每个图像的标签。
本发明一实施例中,根据电场分布中各处的电场强度生成相应的云图的具体方式为:将电场分布中最大电场强度处设为第一预设颜色,最小电场强度处设为第二预设颜色;根据最大电场强度、最小电场强度、第一预设颜色和第二预设颜色,自动生成其他电场强度处的颜色,以得到云图。
本发明另一实施例中,根据电场分布中各处的电场强度生成相应的云图的具体方式为:将电场分布中各处电场强度的值转换为相应的RGB值,并根据转换得到的RGB值生成相应的云图。
根据本发明的实施例,计算云图中空间分布色度信息的统计特征量具体为:提取云图中的空间分布色度信息,并将提取的空间分布色度信息转化为相应的统计特征量。
电场计算边界需要大于电极几倍来保证仿真结果的准确,而实际用于模型优化训练的云图只需要电极及其周围部分,因此,本实施例中,可以对得到的云图进行统一截图处理,如图3所示,从而在保证模型优化训练效果的基础上,减少模型优化训练所需的资源。以图3为例,左边为电场分布云图的原图,右边为截图后的实际优化训练云图,图片像素由600*300变为截图后的200*100,截图后将使得关注区域的信息占比提高,识别更准确,占据计算内存更小,计算更快。
具体优选地,操作S2中还包括:剔除云图电极区域的色度信息,即剔除RGB值小于RGB阈值的区域。此时,操作S2中计算云图中空间分布色度信息的统计特征量是指:计算区域剔除后云图剩余区域中空间分布色度信息的统计特征量。
应用程序将每张电场云图图片中每个像素点的RGB三通道的值提取出来,分析的统计特征量有9个,分别为:云图中所有像素点RGB三通道的均值、偏度、峰值、标准差、众数和中位数,以及云图灰度频率分布直方图的峰值、云图灰度频率的上alpha分位点和云图灰度频率的下alpha分位点。
操作S3,以操作S2中得到的统计特征量为特征、相应的电极形状参数为标签,以机器学习算法优化训练预先构建的电极参数生成模型。
优选地,本实施例中,采用多种不同的机器学习算法训练电极参数生成模型,并采用训练效果最好的模型进行电极形状参数设计。
具体地,操作S3包括子操作S31-子操作S33。
在子操作S31中,将图像库划分为训练集和验证集,利用训练集的统计特征量以及相应的电极形状参数标签,分别采用多种不同的机器学习算法训练电极参数生成模型。
在子操作S32中,将验证集中的统计特征量输入优化训练后的各电极参数生成模型,得到相应的电极形状参数预测值,计算电极形状参数预测值与验证集中电极形状参数实际值之间的平均绝对误差和相关系数。
根据本发明的实施例,平均绝对误差和相关系数分别为:
本实施例中,需要计算L预测值与验证集中L实际值之间的平均绝对误差和相关系数,计算R预测值与验证集中R实际值之间的平均绝对误差和相关系数,计算D预测值与验证集中D实际值之间的平均绝对误差和相关系数。
在子操作S33中,根据平均绝对误差和相关系数确定优化训练效果最优的电极参数生成模型,并作为设计阶段所用电极参数生成模型。平均绝对误差越小、相关系数越接近1,优化训练效果越好。
以采用的多种不同机器学习算法分别为K最邻近(K-Nearest Neighbor,KNN)算法、随机森林回归(Random Forest Regression,RFR)算法、决策树(Decision Tree,DT)算法、多输出支持向量回归算法(MOR-SVR)、多输出梯度回归算法(MOR-GBRT)、链式支持向量回归算法(RC-SVR)、链式梯度回归算法(RC-GBRT)为例,经过一系列优化训练,各机器学习算法的优化训练结果如表1所示。
参阅表1,可以看出,针对该组云图,优化训练效果较优的机器学习算法为KNN算法、RFR算法和MOR-SVR算法。
操作S4,根据目标均匀电场分布生成相应的单色云图,并计算单色云图中空间分布色度信息的统计特征量。
本发明的目的是得到一个尽可能均匀的电场,进行电极形状参数设计时需要先对设计的单色云图进行特征提取,然后使用优化训练后的电极参数生成模型进行电极形状参数预测。
本实施例中,例如从图像库中随机选取一张云图,如图4所示,从图4所示云图中截取电场较为均匀的中间区域作为目标均匀电场的代表,截取的单色云图如图4中虚线框部分所示。
计算单色云图中空间分布色度信息的统计特征量的过程及原理,与操作S2中计算云图中空间分布色度信息的统计特征量的过程及原理相同,此处不再赘述。
操作S5,将操作S4中得到的统计特征量输入优化训练后的电极参数生成模型,得到与目标均匀电场分布对应的最优电极形状参数。
优选地,操作S5中,将操作S4中得到的统计特征量输入优化训练效果最优的电极参数生成模型,来生成与目标均匀电场分布对应的最优电极形状参数。
本实施例中,采用不同机器学习算法优化训练的电极参数生成模型实现操作S5时,相应得到的最优电极形状参数如表2所示,基于表2所示参数,相应仿真得到的电场云图如图5所示。
参阅图5,对比原图下的电场分布,以及各机器学习算法优化训练的电极参数生成模型生成的电极形状参数下的电场分布,可以看到,电场分布都得到了明显改善,其中,MOR-SVR算法的优化效果最为明显。
进一步地,为了量化比较优化电场最后数值仿真计算出的电场强度的均匀度,本实施例以电极边缘周围的局部电场分布来进行比较,从而引入如下评价指标:电极边缘周围的局部区域平均电场模值(以下简称为平均电场模值)与中心点电场模值的比值,比值越接近1优化效果越好。
平均电场模值的区域示意图如图6中左边图所示,中心点电场模值的区域示意图如图6中右边图所示。采用不同机器学习算法优化训练的电极参数生成模型实现操作S5时,相应得到的平均电场模值、中心点电场模值以及二者的比值如表3所示。
参阅表3,可以看出,上述7种机器学习算法对电极局部场强都有显著的优化效果,其中MOV-SVR的优化效果最为明显。
本发明实施例还提供了一种电极,该电极由上面图1-图6中描述的基于电场强度分布云图色度信息的电极设计方法得到。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,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、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于电场强度分布云图色度信息的电极设计方法,其特征在于,包括训练阶段和设计阶段,训练阶段包括S1-S3,设计阶段包括S4-S5;
S1,仿真获取不同电极形状参数下电极之间的电场分布;
S2,对于每一电场分布,根据所述电场分布中各处的电场强度生成相应的云图,计算所述云图中空间分布色度信息的统计特征量,建立图像库;
S3,以所述S2中得到的统计特征量为特征、相应的电极形状参数为标签,以机器学习算法优化训练预先构建的电极参数生成模型;
S4,根据目标均匀电场分布生成相应的单色云图,并计算所述单色云图中空间分布色度信息的统计特征量;
S5,将所述S4中得到的统计特征量输入优化训练后的电极参数生成模型,得到与所述目标均匀电场分布对应的最优电极形状参数。
2.如权利要求1所述的基于电场强度分布云图色度信息的电极设计方法,其特征在于,所述根据所述电场分布中各处的电场强度生成相应的云图包括:
将所述电场分布中最大电场强度处设为第一预设颜色,最小电场强度处设为第二预设颜色;
根据最大电场强度、最小电场强度、第一预设颜色和第二预设颜色,自动生成其他电场强度处的颜色,以得到所述云图,颜色与电场强度的对应关系在各云图中保持一致。
3.如权利要求1所述的基于电场强度分布云图色度信息的电极设计方法,其特征在于,所述统计特征量包括:云图中所有像素点RGB三通道的均值、偏度、峰值、标准差、众数和中位数,以及云图灰度频率分布直方图的峰值、云图灰度频率的上alpha分位点和云图灰度频率的下alpha分位点。
4.如权利要求1所述的基于电场强度分布云图色度信息的电极设计方法,其特征在于,所述电极形状参数包括:电极截面平直部分的长度、电极边缘的抛物线二次项系数以及电极与电极对中轴线之间的距离。
5.如权利要求1所述的基于电场强度分布云图色度信息的电极设计方法,其特征在于,所述S1中通过数值仿真获取所述电场分布,所述S2包括:
将所述电场分布中各处电场强度的值转换为相应的RGB值,并根据转换得到的RGB值生成相应的云图;
提取所述云图中的空间分布色度信息,并将提取的空间分布色度信息转化为相应的统计特征量。
6.如权利要求1所述的基于电场强度分布云图色度信息的电极设计方法,其特征在于,所述S2中还包括:剔除所述云图中RGB值小于RGB阈值的区域;
所述S2中计算所述云图中空间分布色度信息的统计特征量包括:计算区域剔除后所述云图剩余区域中空间分布色度信息的统计特征量。
7.如权利要求1-6任一项所述的基于电场强度分布云图色度信息的电极设计方法,其特征在于,所述S3包括:
将所述S2中图像库划分为训练集和验证集,利用所述训练集的统计特征量以及相应的电极形状参数标签,分别采用多种不同的机器学习算法训练所述电极参数生成模型;
将所述验证集中的统计特征量输入优化训练后的各电极参数生成模型,得到相应的电极形状参数预测值,计算所述电极形状参数预测值与所述验证集中电极形状参数实际值之间的平均绝对误差和相关系数;
根据所述平均绝对误差和所述相关系数确定优化训练效果最优的电极参数生成模型,并作为设计阶段所用电极参数生成模型。
9.一种如权利要求1-8任一项所述的基于电场强度分布云图色度信息的电极设计方法得到的电极。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211199254.1A CN115293053B (zh) | 2022-09-29 | 2022-09-29 | 基于电场强度分布云图色度信息的电极设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211199254.1A CN115293053B (zh) | 2022-09-29 | 2022-09-29 | 基于电场强度分布云图色度信息的电极设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115293053A CN115293053A (zh) | 2022-11-04 |
CN115293053B true CN115293053B (zh) | 2022-12-27 |
Family
ID=83834576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211199254.1A Active CN115293053B (zh) | 2022-09-29 | 2022-09-29 | 基于电场强度分布云图色度信息的电极设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115293053B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109283439A (zh) * | 2018-08-29 | 2019-01-29 | 华中科技大学 | 一种基于三基色色度信息和机器学习的放电状态识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10691864B2 (en) * | 2017-11-14 | 2020-06-23 | Taiwan Semiconductor Manufacturing Co., Ltd. | Method of post optical proximity correction (OPC) printing verification by machine learning |
-
2022
- 2022-09-29 CN CN202211199254.1A patent/CN115293053B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109283439A (zh) * | 2018-08-29 | 2019-01-29 | 华中科技大学 | 一种基于三基色色度信息和机器学习的放电状态识别方法 |
Non-Patent Citations (4)
Title |
---|
Study on Corona Activity Using an Image Processing Approach;D. Shakthi Prasad;《IEEE》;20170831;全文 * |
基于图像处理技术的交流沿面放电状态诊断方法研究;王玉伟;《中国电机工程学报》;20210105;全文 * |
基于电磁场特性分析软件的静电传感器电极仿真方法;谷泓等;《广东工业大学学报》;20110915(第03期);全文 * |
电晕放电可见光数字图像的RGB色度研究;李飞行等;《中国电机工程学报》;20170516(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115293053A (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107679466B (zh) | 信息输出方法和装置 | |
CN107562805B (zh) | 一种以图搜图的方法及装置 | |
CN108734283B (zh) | 神经网络系统 | |
JP2021532434A (ja) | 顔特徴抽出モデル訓練方法、顔特徴抽出方法、装置、機器および記憶媒体 | |
CN112446302B (zh) | 一种人体姿态检测方法、系统、电子设备和存储介质 | |
CN106203461B (zh) | 一种图像处理方法及装置 | |
JP2016206837A5 (zh) | ||
CN112102424A (zh) | 车牌图像生成模型构建方法、生成方法及装置 | |
CN112017245B (zh) | 证件定位方法 | |
CN111045924A (zh) | 用户界面视觉验收的处理方法、装置及设备 | |
WO2018039667A1 (en) | Process to isolate object of interest in image | |
TWI628601B (zh) | 人臉影像處理方法及其系統 | |
CN114971433A (zh) | 基于工业互联网的质量管控方法、装置、设备及存储介质 | |
Chang et al. | Blind image quality assessment by visual neuron matrix | |
CN115293053B (zh) | 基于电场强度分布云图色度信息的电极设计方法 | |
CN109741315A (zh) | 一种基于深度强化学习的无参考图像质量客观评价方法 | |
CN114494739A (zh) | 基于人工智能的色粉混合效果检测方法 | |
CN112767038B (zh) | 基于美学特征的海报ctr预测方法及装置 | |
CN111753845A (zh) | 基于ai的验证码图片识别方法、装置、设备及存储介质 | |
CN111369633A (zh) | 设计图的评分方法、装置、计算机可读存储介质和设备 | |
Aisah et al. | Identifying pork raw-meat based on color and texture extraction using support vector machine | |
CN115457614B (zh) | 一种图像质量评价方法、模型训练方法及装置 | |
Liu et al. | A novel image segmentation algorithm based on visual saliency detection and integrated feature extraction | |
CN114140551A (zh) | 一种基于轨迹图像的高速道路分歧合流点推测方法及系统 | |
CN113870210A (zh) | 一种图像质量评估方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |