CN115908142B - 一种基于视觉识别的接触网微小部件验损方法 - Google Patents
一种基于视觉识别的接触网微小部件验损方法 Download PDFInfo
- Publication number
- CN115908142B CN115908142B CN202310014828.1A CN202310014828A CN115908142B CN 115908142 B CN115908142 B CN 115908142B CN 202310014828 A CN202310014828 A CN 202310014828A CN 115908142 B CN115908142 B CN 115908142B
- Authority
- CN
- China
- Prior art keywords
- super
- target image
- resolution processing
- resolution
- pixel
- 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
-
- 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
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于视觉识别的接触网微小部件验损方法,包括以下步骤:利用复杂网络的社团分析方法对目标图像进行像素点社团分析,以去除目标图像中的无效像素点,所述目标图像为接触网微小部件的视觉图像;利用所述超分辨率处理参量对目标图像进行超分辨率处理得到超分辨率目标图像。本发明在全局图像中去除无效像素点(背景、噪声),仅保留与完成微小部件的状态检测相关的像素点(部件像素点),提高检测结果的可靠性,并在后续进行超分辨率处理时,降低数据无效处理量,实现目标图像超分辨率处理的定制化设定以达到超分辨率处理的最优化,保证最佳处理效果,提高最终验损的效果。
Description
技术领域
本发明涉及接触网验损技术领域,具体涉及一种基于视觉识别的接触网微小部件验损方法。
背景技术
对于接触网缺陷识别作业来讲,通常会涉及到微小部件的验损识别,比如管帽、双耳连接器、承力索吊悬线夹、V拉线夹等微小目标的验损,由于待检测图像为接触网悬挂状态的全局图像,图元多且细节信息复杂,且管帽、双耳连接器、承力索吊悬线夹、V拉线夹等微小目标作为待检测目标而言都比较小,其可能存在的不良状态特征一般不明显,在全局图像中完成微小部件的状态检测难度很大,除此之外还有其他背景干扰元素和噪声的存在,这些都会导致检测结果的可靠性降低,数据无效处理量增大,或在后续进行超分辨率处理时,运用统一的超分辨率处理模板,难以保证得到最佳处理效果。
发明内容
本发明的目的在于提供一种基于视觉识别的接触网微小部件验损方法,以解决现有技术中在全局图像中完成微小部件的状态检测难度很大,除此之外还有其他背景干扰元素和噪声的存在,这些都会导致检测结果的可靠性降低,数据无效处理量增大,或在后续进行超分辨率处理时,运用统一的超分辨率处理模板,难以保证得到最佳处理效果的技术问题。
为解决上述技术问题,本发明具体提供下述技术方案:
一种基于视觉识别的接触网微小部件验损方法,包括以下步骤:
步骤S1、利用复杂网络的社团分析方法对目标图像进行像素点社团分析,以去除目标图像中的无效像素点,所述目标图像为接触网微小部件的视觉图像;
步骤S2、将步骤S1中得到的目标图像基于预设的超分辨率处理参量设定模型获取目标图像的超分辨率处理参量,利用所述超分辨率处理参量对目标图像进行超分辨率处理得到超分辨率目标图像,所述超分辨率处理参量设定模型用于实现目标图像超分辨率处理的定制化设定以达到超分辨率处理的最优化;
步骤S3、将超分辨率目标图像基于预设的验损模型得到所述接触网微小部件的验损结果,以实现接触网微小部件的模型化验损。
作为本发明的一种优选方案,所述利用复杂网络的社团分析方法对目标图像进行像素点社团分析,包括:
将目标图像的各个像素点的像素值进行灰度级量化得到每个像素点的灰度级;
将像素点作为网络节点,将任意两个相邻像素点间通过网络边进行连接,以构成表征目标图像的网络拓扑,并将像素点的灰度级作为网络节点的节点权重;
依次测算任意两个相邻像素点的像素相似度,并将两个相邻像素点的像素相似度作为两个相邻像素点对应的两个网络节点间网络边的边权重;
对具有节点权重和边权重的网络拓扑利用社团分析方法进行社团分析得到多个网络节点社团;
对每个网络节点社团中的中心网络节点对应的像素点进行像素识别,其中,
若中心网络节点对应的像素点为无效像素点,则将中心网络节点所属的网络节点社团中的对应的所有像素点标记为无效像素点;
若中心网络节点对应的像素点为有效像素点,则将中心网络节点所属的网络节点社团中的对应的所有像素点标记为有效像素点。
作为本发明的一种优选方案,所述灰度级量化公式为:
L=2k;
式中,L为灰度级,k为表征像素值的二进制位数;
所述像素相似度量化公式为:
;
式中,P ij 为第
i个像素点和第
j个像素点的像素相似度,G i 为第
i个像素点的像素值,G j 为第
j个像素点的像素值,||G i -G j ||2为G i 和G j 的欧几里得距离,
i,
j为计量常数。
作为本发明的一种优选方案,所述将步骤S1中得到的目标图像基于预设的超分辨率处理参量设定模型获取目标图像的超分辨率处理参量,包括:
将步骤S1中已剔除无效像素点的目标图像输入至超分辨率处理参量设定模型,由超分辨率处理参量设定模型输出目标图像的超分辨率处理参量。
作为本发明的一种优选方案,所述利用所述超分辨率处理参量对目标图像进行超分辨率处理得到超分辨率目标图像,包括:
依据目标图像的超分辨率处理参量对步骤S1中已剔除无效像素点的目标图像进行超分辨率处理,以实现将步骤S1中已剔除无效像素点的目标图像由低频重建为高分辨率的超分辨率目标图像。
作为本发明的一种优选方案,所述超分辨率处理参量设定模型的构建,包括:
选取多个接触网微小部件的视觉图像作为样本图像,并对每个样本图像的各个超分辨率处理参量在取值范围内进行逐一取用获得各个超分辨率处理参量取值组合,利用每个超分辨率处理参量取值组合对样本图像进行超分辨率处理得到样本图像的各个超分辨率样本图像;
对每个样本图像的各个超分辨率样本图像进行多组验损模型的验损识别,并统计出每个超分辨率样本图像的模型通用准确度,所述模型通用准确度为正确获得超分辨率样本图像中接触网微小部件验损结果的验损模型数量与验损模型总数量的比值;
将模型通用准确度最高的超分辨率样本图像对应的超分辨率处理参量取值组合作为对应的样本图像的超分辨率处理参量设定值;
将样本图像作为神经网络输入项,将样本图像的超分辨率处理参量设定值作为神经网络的输出项,并利用神经网络对所述输入项和输出项进行网络训练得到所述超分辨率处理参量设定模型;
所述超分辨率处理参量设定模型的模型表达式为:
[X]n=network(image);
式中,[X]n 为n个超分辨率处理参量的设定值,image为样本图像,network为神经网络。
作为本发明的一种优选方案,所述将超分辨率目标图像基于预设的验损模型得到所述接触网微小部件的验损结果,包括:
将超分辨率目标图像输入至验损模型,由验损模型输出目标图像中接触网微小部件的验损结果。
作为本发明的一种优选方案,所述验损模型由神经网络基于视觉图像进行大数据训练得到。
作为本发明的一种优选方案,所述目标图像和样本图像的图像规格一致。
作为本发明的一种优选方案,所述社团分析方法为小社团分析方法,以提高无效像素点的识别率。
本发明与现有技术相比较具有如下有益效果:
本发明利用复杂网络的社团分析方法对目标图像进行像素点社团分析,以去除目标图像中的无效像素点,利用所述超分辨率处理参量对目标图像进行超分辨率处理得到超分辨率目标图像,将超分辨率目标图像基于预设的验损模型得到所述接触网微小部件的验损结果,以实现接触网微小部件的模型化验损,在全局图像中去除无效像素点,仅保留与完成微小部件的状态检测相关的像素点,提高检测结果的可靠性,并在后续进行超分辨率处理时,降低数据无效处理量,实现目标图像超分辨率处理的定制化设定以达到超分辨率处理的最优化,保证最佳处理效果,提高最终验损的效果。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,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,还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的接触网微小部件验损方法流程图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做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。
如图1所示,本发明提供了一种基于视觉识别的接触网微小部件验损方法,包括以下步骤:
步骤S1、利用复杂网络的社团分析方法对目标图像进行像素点社团分析,以去除目标图像中的无效像素点,所述目标图像为接触网微小部件的视觉图像;
所述利用复杂网络的社团分析方法对目标图像进行像素点社团分析,包括:
将目标图像的各个像素点的像素值进行灰度级量化得到每个像素点的灰度级;
将像素点作为网络节点,将任意两个相邻像素点间通过网络边进行连接,以构成表征目标图像的网络拓扑,并将像素点的灰度级作为网络节点的节点权重;
依次测算任意两个相邻像素点的像素相似度,并将两个相邻像素点的像素相似度作为两个相邻像素点对应的两个网络节点间网络边的边权重;
对具有节点权重和边权重的网络拓扑利用社团分析方法进行社团分析得到多个网络节点社团;
对每个网络节点社团中的中心网络节点对应的像素点进行像素识别,其中,
若中心网络节点对应的像素点为无效像素点,则将中心网络节点所属的网络节点社团中的对应的所有像素点标记为无效像素点;
若中心网络节点对应的像素点为有效像素点,则将中心网络节点所属的网络节点社团中的对应的所有像素点标记为有效像素点。
所述灰度级量化公式为:
L=2k;
式中,L为灰度级,k为表征像素值的二进制位数;
所述像素相似度量化公式为:
;
式中,P ij 为第
i个像素点和第
j个像素点的像素相似度,G i 为第
i个像素点的像素值,G j 为第
j个像素点的像素值,||G i -G j ||2为G i 和G j 的欧几里得距离,
i,
j为计量常数。
将像素点利用复杂网络进行表达,再利用复杂网络的分析手段将像素点进行社团化分析,即将像素特征相似或一致的像素点划分至同一社团内,进而对处于同一社团内像素点利用中心点进行代表性分析,比如社团中心点为无效像素点,则该社团是由各个无效像素点构成的,同时因此可由中心点一个像素点的判定,间接判定出社团中多个像素点的类别,判断效率提升,其中为了提高判断准确度,将社团分析方法采用小社团分析方法,能够使得像素点社团规模不呈现巨大化,从而保证位于社团中心点对应的像素点与社团中剩余像素点的距离紧密,社团内度更高,进而社团中心点对应的像素点对社团中剩余像素点的代表性更强。
在全局图像中去除无效像素点(背景、噪声),仅保留与完成微小部件的状态检测相关的像素点(部件像素点),提高检测结果的可靠性,并在后续进行超分辨率处理时,降低数据无效处理量。
步骤S2、将步骤S1中得到的目标图像基于预设的超分辨率处理参量设定模型获取目标图像的超分辨率处理参量,利用所述超分辨率处理参量对目标图像进行超分辨率处理得到超分辨率目标图像,所述超分辨率处理参量设定模型用于实现目标图像超分辨率处理的定制化设定以达到超分辨率处理的最优化;
所述将步骤S1中得到的目标图像基于预设的超分辨率处理参量设定模型获取目标图像的超分辨率处理参量,包括:
将步骤S1中已剔除无效像素点的目标图像输入至超分辨率处理参量设定模型,由超分辨率处理参量设定模型输出目标图像的超分辨率处理参量。
所述利用所述超分辨率处理参量对目标图像进行超分辨率处理得到超分辨率目标图像,包括:
依据目标图像的超分辨率处理参量对步骤S1中已剔除无效像素点的目标图像进行超分辨率处理,以实现将步骤S1中已剔除无效像素点的目标图像由低频重建为高分辨率的超分辨率目标图像。
所述超分辨率处理参量设定模型的构建,包括:
选取多个接触网微小部件的视觉图像作为样本图像,并对每个样本图像的各个超分辨率处理参量在取值范围内进行逐一取用获得各个超分辨率处理参量取值组合,利用每个超分辨率处理参量取值组合对样本图像进行超分辨率处理得到样本图像的各个超分辨率样本图像;
对每个样本图像的各个超分辨率样本图像进行多组验损模型的验损识别,并统计出每个超分辨率样本图像的模型通用准确度,所述模型通用准确度为正确获得超分辨率样本图像中接触网微小部件验损结果的验损模型数量与验损模型总数量的比值;
将模型通用准确度最高的超分辨率样本图像对应的超分辨率处理参量取值组合作为对应的样本图像的超分辨率处理参量设定值;
将样本图像作为神经网络输入项,将样本图像的超分辨率处理参量设定值作为神经网络的输出项,并利用神经网络对所述输入项和输出项进行网络训练得到所述超分辨率处理参量设定模型;
所述超分辨率处理参量设定模型的模型表达式为:
[X]n=network(image);
式中,[X]n 为n个超分辨率处理参量的设定值,image为样本图像,network为神经网络。
接触网微小部件由于部件微小,直接使用原图像进行识别可能由于细节清晰度的问题降低验损准确度,超分辨率能够将低频像素转为高分辨率像素,进而提高目标图像的清晰度和可识别性,清晰度和可识别性关系着验损的准确度,因此利用超分辨率目标图像能够提高验损准确度。
构建出超分辨率处理参量设定模型,可以为各个目标图像选取取得最高验损效果的超分辨率处理参量,即根据模型选取的超分辨率处理参量可使得目标图像得到最佳的验损效果,避免使用统一的超分辨率处理模板,以实现对各个目标图像进行定制化设定,达到最佳验损效果。
步骤S3、将超分辨率目标图像基于预设的验损模型得到所述接触网微小部件的验损结果,以实现接触网微小部件的模型化验损。
所述将超分辨率目标图像基于预设的验损模型得到所述接触网微小部件的验损结果,包括:
将超分辨率目标图像输入至验损模型,由验损模型输出目标图像中接触网微小部件的验损结果。
所述验损模型由神经网络基于视觉图像进行大数据训练得到。
所述目标图像和样本图像的图像规格一致。
所述社团分析方法为小社团分析方法,以提高无效像素点的识别率。
本发明利用复杂网络的社团分析方法对目标图像进行像素点社团分析,以去除目标图像中的无效像素点,利用所述超分辨率处理参量对目标图像进行超分辨率处理得到超分辨率目标图像,将超分辨率目标图像基于预设的验损模型得到所述接触网微小部件的验损结果,以实现接触网微小部件的模型化验损,在全局图像中去除无效像素点(背景、噪声),仅保留与完成微小部件的状态检测相关的像素点(部件像素点),提高检测结果的可靠性,并在后续进行超分辨率处理时,降低数据无效处理量,实现目标图像超分辨率处理的定制化设定以达到超分辨率处理的最优化,保证最佳处理效果,提高最终验损的效果。
以上实施例仅为本申请的示例性实施例,不用于限制本申请,本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内,对本申请做出各种修改或等同替换,这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (8)
1.一种基于视觉识别的接触网微小部件验损方法,其特征在于,包括以下步骤:
步骤S1、利用复杂网络的社团分析方法对目标图像进行像素点社团分析,以去除目标图像中的无效像素点,所述目标图像为接触网微小部件的视觉图像;
步骤S2、将步骤S1中得到的目标图像基于预设的超分辨率处理参量设定模型获取目标图像的超分辨率处理参量,利用所述超分辨率处理参量对目标图像进行超分辨率处理得到超分辨率目标图像,所述超分辨率处理参量设定模型用于实现目标图像超分辨率处理的定制化设定以达到超分辨率处理的最优化;
步骤S3、将超分辨率目标图像基于预设的验损模型得到所述接触网微小部件的验损结果,以实现接触网微小部件的模型化验损;
所述利用复杂网络的社团分析方法对目标图像进行像素点社团分析,包括:
将目标图像的各个像素点的像素值进行灰度级量化得到每个像素点的灰度级;
将像素点作为网络节点,将任意两个相邻像素点间通过网络边进行连接,以构成表征目标图像的网络拓扑,并将像素点的灰度级作为网络节点的节点权重;
依次测算任意两个相邻像素点的像素相似度,并将两个相邻像素点的像素相似度作为两个相邻像素点对应的两个网络节点间网络边的边权重;
对具有节点权重和边权重的网络拓扑利用社团分析方法进行社团分析得到多个网络节点社团;
对每个网络节点社团中的中心网络节点对应的像素点进行像素识别,其中,
若中心网络节点对应的像素点为无效像素点,则将中心网络节点所属的网络节点社团中的对应的所有像素点标记为无效像素点;
若中心网络节点对应的像素点为有效像素点,则将中心网络节点所属的网络节点社团中的对应的所有像素点标记为有效像素点;
所述超分辨率处理参量设定模型的构建,包括:
选取多个接触网微小部件的视觉图像作为样本图像,并对每个样本图像的各个超分辨率处理参量在取值范围内进行逐一取用获得各个超分辨率处理参量取值组合,利用每个超分辨率处理参量取值组合对样本图像进行超分辨率处理得到样本图像的各个超分辨率样本图像;
对每个样本图像的各个超分辨率样本图像进行多组验损模型的验损识别,并统计出每个超分辨率样本图像的模型通用准确度,所述模型通用准确度为正确获得超分辨率样本图像中接触网微小部件验损结果的验损模型数量与验损模型总数量的比值;
将模型通用准确度最高的超分辨率样本图像对应的超分辨率处理参量取值组合作为对应的样本图像的超分辨率处理参量设定值;
将样本图像作为神经网络输入项,将样本图像的超分辨率处理参量设定值作为神经网络的输出项,并利用神经网络对所述输入项和输出项进行网络训练得到所述超分辨率处理参量设定模型;
所述超分辨率处理参量设定模型的模型表达式为:
[X]n=network(image);
式中,[X]n为n个超分辨率处理参量的设定值,image为样本图像,network为神经网络。
2.根据权利要求1所述的一种基于视觉识别的接触网微小部件验损方法,其特征在于:所述灰度级量化公式为:
L=2k;
式中,L为灰度级,k为表征像素值的二进制位数;
所述像素相似度量化公式为:
;
式中,Pij为第i个像素点和第j个像素点的像素相似度,Gi为第i个像素点的像素值,Gj为第j个像素点的像素值,||Gi-Gj||2为Gi和Gj的欧几里得距离,i,j为计量常数。
3.根据权利要求2所述的一种基于视觉识别的接触网微小部件验损方法,其特征在于:所述将步骤S1中得到的目标图像基于预设的超分辨率处理参量设定模型获取目标图像的超分辨率处理参量,包括:
将步骤S1中已剔除无效像素点的目标图像输入至超分辨率处理参量设定模型,由超分辨率处理参量设定模型输出目标图像的超分辨率处理参量。
4.根据权利要求3所述的一种基于视觉识别的接触网微小部件验损方法,其特征在于:所述利用所述超分辨率处理参量对目标图像进行超分辨率处理得到超分辨率目标图像,包括:
依据目标图像的超分辨率处理参量对步骤S1中已剔除无效像素点的目标图像进行超分辨率处理,以实现将步骤S1中已剔除无效像素点的目标图像由低频重建为高分辨率的超分辨率目标图像。
5.根据权利要求4所述的一种基于视觉识别的接触网微小部件验损方法,其特征在于,所述将超分辨率目标图像基于预设的验损模型得到所述接触网微小部件的验损结果,包括:
将超分辨率目标图像输入至验损模型,由验损模型输出目标图像中接触网微小部件的验损结果。
6.根据权利要求5所述的一种基于视觉识别的接触网微小部件验损方法,其特征在于,所述验损模型由神经网络基于视觉图像进行大数据训练得到。
7.根据权利要求6所述的一种基于视觉识别的接触网微小部件验损方法,其特征在于,所述目标图像和样本图像的图像规格一致。
8.根据权利要求7所述的一种基于视觉识别的接触网微小部件验损方法,其特征在于,所述社团分析方法为小社团分析方法,以提高无效像素点的识别率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310014828.1A CN115908142B (zh) | 2023-01-06 | 2023-01-06 | 一种基于视觉识别的接触网微小部件验损方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310014828.1A CN115908142B (zh) | 2023-01-06 | 2023-01-06 | 一种基于视觉识别的接触网微小部件验损方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115908142A CN115908142A (zh) | 2023-04-04 |
CN115908142B true CN115908142B (zh) | 2023-05-09 |
Family
ID=85732046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310014828.1A Active CN115908142B (zh) | 2023-01-06 | 2023-01-06 | 一种基于视觉识别的接触网微小部件验损方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115908142B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117061825B (zh) * | 2023-10-12 | 2024-01-26 | 深圳云天畅想信息科技有限公司 | 流媒体视频坏帧检测方法、装置及计算机设备 |
CN117218517B (zh) * | 2023-11-08 | 2024-01-26 | 诺比侃人工智能科技(成都)股份有限公司 | 一种雨雪天气下的室外运动目标检测系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109753946A (zh) * | 2019-01-23 | 2019-05-14 | 哈尔滨工业大学 | 一种基于身体关键点监督的真实场景行人小目标检测网络及检测方法 |
CN112634341A (zh) * | 2020-12-24 | 2021-04-09 | 湖北工业大学 | 多视觉任务协同的深度估计模型的构建方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3694418B2 (ja) * | 1999-03-12 | 2005-09-14 | 株式会社日立製作所 | 欠陥検査方法及び欠陥検査装置 |
JP2004193968A (ja) * | 2002-12-11 | 2004-07-08 | Ricoh Co Ltd | カラー画像通信装置 |
RU2431889C1 (ru) * | 2010-08-06 | 2011-10-20 | Дмитрий Валерьевич Шмунк | Способ суперразрешения изображений и нелинейный цифровой фильтр для его осуществления |
RU2012145349A (ru) * | 2012-10-24 | 2014-05-10 | ЭлЭсАй Корпорейшн | Способ и устройство обработки изображений для устранения артефактов глубины |
CN107833220B (zh) * | 2017-11-28 | 2021-06-11 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
CN109472712A (zh) * | 2018-10-12 | 2019-03-15 | 天津大学 | 一种基于结构特征强化的高效马尔可夫随机场社团发现方法 |
CN111242960A (zh) * | 2020-02-10 | 2020-06-05 | 上海大学 | 基于复杂网络理论的图像分割方法 |
WO2022057837A1 (zh) * | 2020-09-16 | 2022-03-24 | 广州虎牙科技有限公司 | 图像处理和人像超分辨率重建及模型训练方法、装置、电子设备及存储介质 |
-
2023
- 2023-01-06 CN CN202310014828.1A patent/CN115908142B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109753946A (zh) * | 2019-01-23 | 2019-05-14 | 哈尔滨工业大学 | 一种基于身体关键点监督的真实场景行人小目标检测网络及检测方法 |
CN112634341A (zh) * | 2020-12-24 | 2021-04-09 | 湖北工业大学 | 多视觉任务协同的深度估计模型的构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115908142A (zh) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115908142B (zh) | 一种基于视觉识别的接触网微小部件验损方法 | |
CN111369563B (zh) | 一种基于金字塔空洞卷积网络的语义分割方法 | |
WO2021077841A1 (zh) | 一种基于循环残差网络的信号调制识别方法及装置 | |
CN111524135A (zh) | 基于图像增强的输电线路细小金具缺陷检测方法及系统 | |
CN108961235A (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
CN109872305B (zh) | 一种基于质量图生成网络的无参考立体图像质量评价方法 | |
CN111008641B (zh) | 一种基于卷积神经网络的输电线路杆塔外力破坏检测方法 | |
CN117147561B (zh) | 用于金属拉链的表面质量检测方法及系统 | |
CN114360030A (zh) | 一种基于卷积神经网络的人脸识别方法 | |
CN113655348A (zh) | 一种基于深度孪生网络的电力设备局部放电故障诊断方法、系统终端及可读存储介质 | |
CN115861210B (zh) | 一种基于孪生网络的变电站设备异常检测方法和系统 | |
CN113780423A (zh) | 一种基于多尺度融合的单阶段目标检测神经网络及工业品表面缺陷检测模型 | |
CN114596302B (zh) | 一种pcb板缺陷检测方法、系统、介质、设备及终端 | |
CN113781478B (zh) | 油罐图像检测方法、装置、电子设备和计算机可读介质 | |
CN111368648A (zh) | 雷达辐射源个体识别方法、装置、电子设备及其存储介质 | |
CN111289251A (zh) | 一种滚动轴承细粒度故障识别方法 | |
CN113421223B (zh) | 基于深度学习和高斯混合的工业产品表面缺陷检测方法 | |
CN117911350A (zh) | 一种基于改进YOLOv7-tiny的PCB表面缺陷检测方法 | |
CN117372413A (zh) | 一种基于生成对抗网络的晶圆缺陷检测方法 | |
CN113487550B (zh) | 一种基于改进激活函数的目标检测方法及装置 | |
CN114970601A (zh) | 一种电力设备局部放电类型识别方法、设备及存储介质 | |
CN115311664A (zh) | 图像中文本类别的识别方法、装置、介质及设备 | |
CN112579670A (zh) | 一种精细油藏分布的勘察数据分析方法及系统 | |
CN113657526A (zh) | 一种多分类ert流型识别方法 | |
CN114399681A (zh) | 电力能源设备识别方法、装置和终端设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |