CN115908280B - 基于数据处理的pvc钙锌稳定剂的性能确定方法及系统 - Google Patents
基于数据处理的pvc钙锌稳定剂的性能确定方法及系统 Download PDFInfo
- Publication number
- CN115908280B CN115908280B CN202211367949.6A CN202211367949A CN115908280B CN 115908280 B CN115908280 B CN 115908280B CN 202211367949 A CN202211367949 A CN 202211367949A CN 115908280 B CN115908280 B CN 115908280B
- Authority
- CN
- China
- Prior art keywords
- video frame
- pixel
- frame key
- key pixel
- characteristic representation
- 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
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
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供的基于数据处理的PVC钙锌稳定剂的性能确定方法及系统,涉及数据处理技术领域。在本发明中,对待识别的PVC钙锌稳定剂进行视频帧采集处理,以形成对应的待处理稳定剂视频帧,并对待处理稳定剂视频帧进行关键像素的识别处理,以标注出每一个视频帧关键像素;分别基于每一个视频帧关键像素在待处理稳定剂视频帧中的信息,挖掘出每一个视频帧关键像素对应的视频帧关键像素特征表示;利用目标性能识别神经网络,对视频帧关键像素对应的视频帧关键像素特征表示进行性能识别处理,以形成对应的目标性能识别结果,并作为PVC钙锌稳定剂对应的目标性能识别结果。基于上述方法,可以改善存在的检测效率不高的问题。
Description
技术领域
本发明涉及数据处理技术领域,具体而言,涉及一种基于数据处理的PVC钙锌稳定剂的性能确定方法及系统。
背景技术
钙锌稳定剂由钙盐、锌盐、润滑剂、抗氧剂等为主要组分采用特殊复合工艺而合成。它不但可以取代铅镉盐类和有机锡类等有毒稳定剂,而且具有相当好的热稳定性、光稳定性和透明性及着色力。实践证明,在 PVC 树脂制品中,加工性能好,热稳定作用相当于铅盐类稳定剂,是一种良好的无毒稳定剂。其中,钙锌稳定剂外观主要呈白色粉状、片状、膏状。粉状的钙锌稳定剂是作为应用最为广泛的无毒PVC稳定剂使用,常用于食品包装,医疗器械,电线电缆料等。目前国内已经出现可用于硬质管材的PVC钙锌稳定剂。因此,针对生产的粉状的钙锌稳定剂,需要对其进行外观检测,以基于粉状的形态确定其性能是否满足需求,例如,生产的粉状的钙锌稳定剂中,存在较多的片状的钙锌稳定剂,其性能就满意满足需求。但是,在现有技术中,存在着检测效率不高的问题。
发明内容
有鉴于此,本发明的目的在于提供一种基于数据处理的PVC钙锌稳定剂的性能确定方法及系统,以改善存在的检测效率不高的问题。
为实现上述目的,本发明实施例采用如下技术方案:
一种基于数据处理的PVC钙锌稳定剂的性能确定方法,所述基于数据处理的PVC钙锌稳定剂的性能确定方法包括:
对待识别的PVC钙锌稳定剂进行视频帧采集处理,以形成所述PVC钙锌稳定剂对应的待处理稳定剂视频帧,并对所述待处理稳定剂视频帧进行关键像素的识别处理,以在所述待处理稳定剂视频帧中标注出每一个视频帧关键像素,所述视频帧关键像素为多个;
分别基于每一个所述视频帧关键像素在所述待处理稳定剂视频帧中的信息,挖掘出每一个所述视频帧关键像素对应的视频帧关键像素特征表示;
利用目标性能识别神经网络,对所述视频帧关键像素对应的视频帧关键像素特征表示进行性能识别处理,以形成所述待处理稳定剂视频帧对应的目标性能识别结果,并作为所述PVC钙锌稳定剂对应的目标性能识别结果,所述目标性能识别结果用于反映所述PVC钙锌稳定剂的性能优劣程度。
在一些优选的实施例中,在上述基于数据处理的PVC钙锌稳定剂的性能确定方法中,所述对待识别的PVC钙锌稳定剂进行视频帧采集处理,以形成所述PVC钙锌稳定剂对应的待处理稳定剂视频帧,并对所述待处理稳定剂视频帧进行关键像素的识别处理,以在所述待处理稳定剂视频帧中标注出每一个视频帧关键像素的步骤,包括:
对待识别的PVC钙锌稳定剂进行视频帧采集处理,以形成所述PVC钙锌稳定剂对应的待处理稳定剂视频帧;
在所述待处理稳定剂视频帧中确定出具有目标半径的每一个视频帧圆形区域,以得到所述待处理稳定剂视频帧对应的多个视频帧圆形区域;
将所述待处理稳定剂视频帧中的所述多个视频帧圆形区域以外的每一个视频帧像素确定为视频帧关键像素,对于每一个所述视频帧圆形区域的圆心所在的视频帧像素,将该视频帧像素的像素灰度值与该视频帧圆形区域的边缘上的每一个视频帧像素的像素灰度值进行对比,确定该圆心所在的视频帧像素是否属于视频帧关键像素;
在所述待处理稳定剂视频帧中标注出确定的每一个视频帧关键像素。
在一些优选的实施例中,在上述基于数据处理的PVC钙锌稳定剂的性能确定方法中,所述将所述待处理稳定剂视频帧中的所述多个视频帧圆形区域以外的每一个视频帧像素确定为视频帧关键像素,对于每一个所述视频帧圆形区域的圆心所在的视频帧像素,将该视频帧像素的像素灰度值与该视频帧圆形区域的边缘上的每一个视频帧像素的像素灰度值进行对比,确定该圆心所在的视频帧像素是否属于视频帧关键像素的步骤,包括:
将所述待处理稳定剂视频帧中的所述多个视频帧圆形区域以外的每一个视频帧像素确定为视频帧关键像素;
对于每一个所述视频帧圆形区域的圆心所在的视频帧像素,将该视频帧像素的像素灰度值与该视频帧圆形区域的边缘上的每一个视频帧像素的像素灰度值进行对比,确定该视频帧圆形区域的边缘上是否存在多个视频帧像素的像素灰度值都大于或都小于该圆心所在的视频帧像素的像素灰度值,以得到对应的对比结果,并在该对比结果表征该视频帧圆形区域的边缘上存在多个视频帧像素的像素灰度值都大于或都小于该圆心所在的视频帧像素的像素灰度值的情况下,确定该圆心所在的视频帧像素属于视频帧关键像素,或者,在该对比结果表征该视频帧圆形区域的边缘上不存在多个视频帧像素的像素灰度值都大于或都小于该圆心所在的视频帧像素的像素灰度值的情况下,确定该圆心所在的视频帧像素不属于视频帧关键像素。
在一些优选的实施例中,在上述基于数据处理的PVC钙锌稳定剂的性能确定方法中,所述分别基于每一个所述视频帧关键像素在所述待处理稳定剂视频帧中的信息,挖掘出每一个所述视频帧关键像素对应的视频帧关键像素特征表示的步骤,包括:
分别对所述待处理稳定剂视频帧中每一个所述视频帧关键像素的视频帧关键像素信息进行像素关键信息的挖掘处理,以输出每一个所述视频帧关键像素对应的初始视频帧关键像素特征表示;
分别将每一个所述视频帧关键像素对应的每一个最近相邻视频帧关键像素对应的初始视频帧关键像素特征表示和每一个所述视频帧关键像素对应的初始视频帧关键像素特征表示进行融合操作,以输出每一个所述视频帧关键像素对应的相邻融合视频帧关键像素特征表示;
分别将每一个所述视频帧关键像素对应的最近非相关视频帧关键像素对应的初始视频帧关键像素特征表示和每一个所述视频帧关键像素对应的初始视频帧关键像素特征表示进行融合操作,以输出每一个所述视频帧关键像素对应的非相关融合视频帧关键像素特征表示,所述最近非相关视频帧关键像素为,与所述视频帧关键像素之间的像素灰度值的差值大于或等于预先配置的像素灰度参考值的各其它视频帧关键像素中与该视频帧关键像素之间的像素坐标距离最近的一个其它视频帧关键像素;
分别将每一个所述视频帧关键像素对应的所述相邻融合视频帧关键像素特征表示和对应的所述非相关融合视频帧关键像素特征表示进行融合操作,以输出每一个所述视频帧关键像素对应的视频帧关键像素特征表示。
在一些优选的实施例中,在上述基于数据处理的PVC钙锌稳定剂的性能确定方法中,所述分别将每一个所述视频帧关键像素对应的最近非相关视频帧关键像素对应的初始视频帧关键像素特征表示和每一个所述视频帧关键像素对应的初始视频帧关键像素特征表示进行融合操作,以输出每一个所述视频帧关键像素对应的非相关融合视频帧关键像素特征表示的步骤,包括:
在所述待处理稳定剂视频帧中,分析输出每一个所述视频帧关键像素对应的最近非相关视频帧关键像素;
分别将每一个所述视频帧关键像素对应的初始视频帧关键像素特征表示和每一个所述视频帧关键像素对应的最近非相关视频帧关键像素对应的初始视频帧关键像素特征表示进行融合操作,以输出每一个所述视频帧关键像素对应的多维度初始视频帧关键像素特征表示;
分别对每一个所述视频帧关键像素对应的多维度初始视频帧关键像素特征表示和所述视频帧关键像素的相邻视频帧关键像素对应的多维度初始视频帧关键像素特征表示进行融合处理,以输出每一个所述视频帧关键像素对应的融合多维度初始视频帧关键像素特征表示;
分别将每一个所述视频帧关键像素对应的融合多维度初始视频帧关键像素特征表示进行参数转换操作,以得到对应的参数转换结果,再对所述参数转换结果进行单侧抑制操作,以输出每一个所述视频帧关键像素对应的非相关融合视频帧关键像素特征表示。
在一些优选的实施例中,在上述基于数据处理的PVC钙锌稳定剂的性能确定方法中,所述分别将每一个所述视频帧关键像素对应的所述相邻融合视频帧关键像素特征表示和对应的所述非相关融合视频帧关键像素特征表示进行融合操作,以输出每一个所述视频帧关键像素对应的视频帧关键像素特征表示的步骤,包括:
分别将每一个所述视频帧关键像素对应的所述相邻融合视频帧关键像素特征表示和对应的所述非相关融合视频帧关键像素特征表示进行融合操作,以输出每一个所述视频帧关键像素对应的待处理视频帧关键像素特征表示;
分别将每一个所述视频帧关键像素对应的待处理视频帧关键像素特征表示进行单侧抑制操作,以得到对应的单侧抑制结果,再对所述单侧抑制结果进行特征表示压缩操作,以输出每一个所述视频帧关键像素对应的视频帧关键像素特征表示。
在一些优选的实施例中,在上述基于数据处理的PVC钙锌稳定剂的性能确定方法中,所述像素关键信息的挖掘处理,基于目标像素特征表示挖掘神经网络包括的像素关键信息挖掘子网络完成;
对所述初始视频帧关键像素特征表示进行融合操作,基于所述目标像素特征表示挖掘神经网络包括的第一特征表示融合子网络完成,所述第一特征表示融合子网络包括至少两个特征表示融合模型,以分别进行不同的特征表示融合操作;
对所述相邻融合视频帧关键像素特征表示和所述非相关融合视频帧关键像素特征表示进行融合操作,基于所述目标像素特征表示挖掘神经网络包括的第二特征表示融合子网络完成。
在一些优选的实施例中,在上述基于数据处理的PVC钙锌稳定剂的性能确定方法中,所述目标像素特征表示挖掘神经网络的优化过程包括:
依据每一个所述视频帧关键像素对应的视频帧关键像素特征表示和每一个所述视频帧关键像素对应的相邻视频帧关键像素对应的视频帧关键像素特征表示之间的差异信息,分析输出所述目标像素特征表示挖掘神经网络当前具有的网络优化代价值;
依据所述网络优化代价值对所述目标像素特征表示挖掘神经网络进行网络优化处理,以形成优化后的目标像素特征表示挖掘神经网络。
在一些优选的实施例中,在上述基于数据处理的PVC钙锌稳定剂的性能确定方法中,所述利用目标性能识别神经网络,对所述视频帧关键像素对应的视频帧关键像素特征表示进行性能识别处理,以形成所述待处理稳定剂视频帧对应的目标性能识别结果,并作为所述PVC钙锌稳定剂对应的目标性能识别结果的步骤,包括:
获取到示例性稳定剂视频帧,并挖掘出所述示例性稳定剂视频帧中的每一个示例性视频帧关键像素对应的示例性视频帧关键像素特征表示;
利用待优化的初始性能识别神经网络,对所述示例性视频帧关键像素对应的示例性视频帧关键像素特征表示进行性能识别处理,以形成所述示例性稳定剂视频帧对应的示例性性能识别结果;
依据所述示例性稳定剂视频帧对应的实际性能标注结果和所述示例性稳定剂视频帧对应的示例性性能识别结果,对所述初始性能识别神经网络进行网络优化处理,以形成对应的目标性能识别神经网络;
利用所述目标性能识别神经网络对所述视频帧关键像素对应的视频帧关键像素特征表示进行性能识别处理,形成所述待处理稳定剂视频帧对应的目标性能识别结果,作为所述PVC钙锌稳定剂对应的目标性能识别结果。
本发明实施例还提供一种基于数据处理的PVC钙锌稳定剂的性能确定系统,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现上述的方法。
本发明实施例提供的一种基于数据处理的PVC钙锌稳定剂的性能确定方法及系统,对待识别的PVC钙锌稳定剂进行视频帧采集处理,以形成对应的待处理稳定剂视频帧,并对待处理稳定剂视频帧进行关键像素的识别处理,以标注出每一个视频帧关键像素;分别基于每一个视频帧关键像素在待处理稳定剂视频帧中的信息,挖掘出每一个视频帧关键像素对应的视频帧关键像素特征表示;利用目标性能识别神经网络,对视频帧关键像素对应的视频帧关键像素特征表示进行性能识别处理,以形成对应的目标性能识别结果,并作为PVC钙锌稳定剂对应的目标性能识别结果。基于前述的步骤,通过目标性能识别神经网络对视频帧进行分析的方式,以得到对应的性能识别结果,相较于基于人工对PVC钙锌稳定剂进行粉状识别的现有技术,可以具有较高的检测效率,从而改善现有技术中存在的检测效率不高的问题;另外,相较于基于人工的现有技术,识别结果更具客观性。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
图1为本发明实施例提供的基于数据处理的PVC钙锌稳定剂的性能确定系统的结构框图。
图2为本发明实施例提供的基于数据处理的PVC钙锌稳定剂的性能确定方法包括的各步骤的流程示意图。
图3为本发明实施例提供的基于数据处理的PVC钙锌稳定剂的性能确定装置包括的各模块的示意图。
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,所描述的实施例只是本发明的一部分实施例,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。
如图1所示,本发明实施例提供了一种基于数据处理的PVC钙锌稳定剂的性能确定系统。其中,所述基于数据处理的PVC钙锌稳定剂的性能确定系统可以包括存储器和处理器。
举例来说,在一些可以替代的实施方式中,所述存储器和处理器之间直接或间接地电性连接,以实现数据的传输或交互。例如,相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件的形式,存在的软件功能模块。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序,从而实现本发明实施例提供的基于数据处理的PVC钙锌稳定剂的性能确定方法。
举例来说,在一些可以替代的实施方式中,所述存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(ErasableProgrammable Read-Only Memory,EPROM),电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory,EEPROM)等。所述处理器可以是一种通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)、片上系统(System on Chip,SoC)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
举例来说,在一些可以替代的实施方式中,所述基于数据处理的PVC钙锌稳定剂的性能确定系统可以是一种具备数据处理能力的服务器。
结合图2,本发明实施例还提供一种基于数据处理的PVC钙锌稳定剂的性能确定方法,可应用于上述基于数据处理的PVC钙锌稳定剂的性能确定系统。其中,所述基于数据处理的PVC钙锌稳定剂的性能确定方法有关的流程所定义的方法步骤,可以由所述基于数据处理的PVC钙锌稳定剂的性能确定系统实现。下面将对图2所示的具体流程,进行详细阐述。
步骤S110,对待识别的PVC钙锌稳定剂进行视频帧采集处理,以形成所述PVC钙锌稳定剂对应的待处理稳定剂视频帧,并对所述待处理稳定剂视频帧进行关键像素的识别处理,以在所述待处理稳定剂视频帧中标注出每一个视频帧关键像素。
在本发明实施例中,所述基于数据处理的PVC钙锌稳定剂的性能确定系统可以对待识别的PVC钙锌稳定剂进行视频帧采集处理,以形成所述PVC钙锌稳定剂对应的待处理稳定剂视频帧,并对所述待处理稳定剂视频帧进行关键像素的识别处理,以在所述待处理稳定剂视频帧中标注出每一个视频帧关键像素。所述视频帧关键像素为多个。
步骤S120,分别基于每一个所述视频帧关键像素在所述待处理稳定剂视频帧中的信息,挖掘出每一个所述视频帧关键像素对应的视频帧关键像素特征表示。
在本发明实施例中,所述基于数据处理的PVC钙锌稳定剂的性能确定系统可以分别基于每一个所述视频帧关键像素在所述待处理稳定剂视频帧中的信息(如像素值信息、像素位置信息、相邻像素的像素值信息等),挖掘出每一个所述视频帧关键像素对应的视频帧关键像素特征表示。
步骤S130,利用目标性能识别神经网络,对所述视频帧关键像素对应的视频帧关键像素特征表示进行性能识别处理,以形成所述待处理稳定剂视频帧对应的目标性能识别结果,并作为所述PVC钙锌稳定剂对应的目标性能识别结果。
在本发明实施例中,所述基于数据处理的PVC钙锌稳定剂的性能确定系统可以利用目标性能识别神经网络(所述目标性能识别神经网络可以通过对一些示例性数据进行相应的学习以具有性能识别功能,从而能够进行性能识别处理),对所述视频帧关键像素对应的视频帧关键像素特征表示进行性能识别处理,以形成所述待处理稳定剂视频帧对应的目标性能识别结果,并作为所述PVC钙锌稳定剂对应的目标性能识别结果。所述目标性能识别结果用于反映所述PVC钙锌稳定剂的性能优劣程度。
基于前述的步骤,通过目标性能识别神经网络对视频帧进行分析的方式,以得到对应的性能识别结果,相较于基于人工对PVC钙锌稳定剂进行粉状识别的现有技术,可以具有较高的检测效率,从而改善现有技术中存在的检测效率不高的问题;另外,相较于基于人工的现有技术,识别结果更具客观性,使得识别结果的可靠性可以更高。
举例来说,在一些可以替代的实施方式中,步骤S110可以包括:
对待识别的PVC钙锌稳定剂进行视频帧采集处理(示例性地,可以通过通信连接的视频监控设备对所述PVC钙锌稳定剂进行视频帧采集处理),以形成所述PVC钙锌稳定剂对应的待处理稳定剂视频帧;
在所述待处理稳定剂视频帧中确定出具有目标半径的每一个视频帧圆形区域,以得到所述待处理稳定剂视频帧对应的多个视频帧圆形区域(每两个所述视频帧圆形区域之间的圆心不同;示例性地,所述目标半径的具体大小不受限制,如5、6、7、8、9等数值);
将所述待处理稳定剂视频帧中的所述多个视频帧圆形区域以外的每一个视频帧像素确定为视频帧关键像素,对于每一个所述视频帧圆形区域的圆心所在的视频帧像素,将该视频帧像素的像素灰度值与该视频帧圆形区域的边缘上的每一个视频帧像素的像素灰度值进行对比,确定该圆心所在的视频帧像素是否属于视频帧关键像素;
在所述待处理稳定剂视频帧中标注出确定的每一个视频帧关键像素。
举例来说,在一些可以替代的实施方式中,所述将所述待处理稳定剂视频帧中的所述多个视频帧圆形区域以外的每一个视频帧像素确定为视频帧关键像素,对于每一个所述视频帧圆形区域的圆心所在的视频帧像素,将该视频帧像素的像素灰度值与该视频帧圆形区域的边缘上的每一个视频帧像素的像素灰度值进行对比,确定该圆心所在的视频帧像素是否属于视频帧关键像素的步骤,可以包括:
将所述待处理稳定剂视频帧中的所述多个视频帧圆形区域以外的每一个视频帧像素确定为视频帧关键像素;
对于每一个所述视频帧圆形区域的圆心所在的视频帧像素,将该视频帧像素的像素灰度值与该视频帧圆形区域的边缘上的每一个视频帧像素的像素灰度值进行对比,确定该视频帧圆形区域的边缘上是否存在多个(示例性地,该多个的具体数值不受限制,例如,需要占到该视频帧圆形区域的边缘上的各视频帧像素的50%、60%、70%等)视频帧像素的像素灰度值都大于或都小于该圆心所在的视频帧像素的像素灰度值,以得到对应的对比结果,并在该对比结果表征该视频帧圆形区域的边缘上存在多个视频帧像素的像素灰度值都大于或都小于该圆心所在的视频帧像素的像素灰度值的情况下,确定该圆心所在的视频帧像素属于视频帧关键像素,或者,在该对比结果表征该视频帧圆形区域的边缘上不存在多个视频帧像素的像素灰度值都大于或都小于该圆心所在的视频帧像素的像素灰度值的情况下,确定该圆心所在的视频帧像素不属于视频帧关键像素。
举例来说,在一些可以替代的实施方式中,所述对于每一个所述视频帧圆形区域的圆心所在的视频帧像素,将该视频帧像素的像素灰度值与该视频帧圆形区域的边缘上的每一个视频帧像素的像素灰度值进行对比,确定该视频帧圆形区域的边缘上是否存在多个视频帧像素的像素灰度值都大于或都小于该圆心所在的视频帧像素的像素灰度值,以得到对应的对比结果,并在该对比结果表征该视频帧圆形区域的边缘上存在多个视频帧像素的像素灰度值都大于或都小于该圆心所在的视频帧像素的像素灰度值的情况下,确定该圆心所在的视频帧像素属于视频帧关键像素,或者,在该对比结果表征该视频帧圆形区域的边缘上不存在多个视频帧像素的像素灰度值都大于或都小于该圆心所在的视频帧像素的像素灰度值的情况下,确定该圆心所在的视频帧像素不属于视频帧关键像素的步骤,包括:
对于每一个所述视频帧圆形区域的圆心所在的视频帧像素,将该视频帧像素的像素灰度值与该视频帧圆形区域的边缘上的每一个视频帧像素的像素灰度值进行对比,确定该视频帧圆形区域的边缘上是否存在多个视频帧像素的像素灰度值都大于或都小于该圆心所在的视频帧像素的像素灰度值,以得到对应的对比结果;
对于每一个所述视频帧圆形区域的圆心所在的视频帧像素(后续步骤都针对一个视频帧圆形区域进行说明),在所述对比结果表征对应的视频帧圆形区域的边缘上不存在多个视频帧像素的像素灰度值都大于或都小于对应的圆心所在的视频帧像素的像素灰度值的情况下,确定该圆心所在的视频帧像素不属于视频帧关键像素;
在所述对比结果表征对应的视频帧圆形区域的边缘上存在多个视频帧像素的像素灰度值都大于或都小于对应的圆心所在的视频帧像素的像素灰度值的情况下,从该视频帧圆形区域包括的圆心所在的视频帧像素和边缘上的视频帧像素以外的其它视频帧像素中,选择出已经确定为不属于视频帧关键像素的每一个其它视频帧像素,作为该视频帧圆形区域对应的参考视频帧像素,分别计算每一个该参考视频帧像素与该圆心所在的视频帧像素之间的像素灰度差值,再对该像素灰度差值进行和值计算,以得到该圆心所在的视频帧像素对应的像素灰度差累计值,以及,基于该像素灰度差累计值确定出该圆心所在的视频帧像素对应的第一关键系数,所述第一关键系数和所述像素灰度差累计值之间具有正相关的对应关系;
以所述圆心所在的视频帧像素为起点、分别经过每一个该参考视频帧像素为方向,确定出对应的每一条像素射线,并从该视频帧圆形区域的边缘上的视频帧像素中,筛选出与每一条该像素射线经过的边缘视频帧像素,再基于该边缘视频帧像素的像素灰度值与该圆心所在的视频帧像素的像素灰度值之间的相对大小关系,对该边缘视频帧像素进行分类处理,以形成第一像素分类集合和第二像素分类集合,所述第一像素分类集合包括的每一个边缘视频帧像素的像素灰度值大于该圆心所在的视频帧像素的像素灰度值,所述第二像素分类集合包括的每一个边缘视频帧像素的像素灰度值小于该圆心所在的视频帧像素的像素灰度值;
基于所述第一像素分类集合包括的边缘视频帧像素的数量确定出所述第一像素分类集合对应的第一关键子系数,所述第一关键子系数与该数量正相关,并基于所述第二像素分类集合包括的边缘视频帧像素的数量确定出所述第二像素分类集合对应的第二关键子系数,所述第二关键子系数与该数量正相关;以及,对所述第一像素分类集合包括的边缘视频帧像素在该视频帧圆形区域的边缘上的集中度进行计算,以得到所述第一像素分类集合对应的第一集中度,所述第一集中度负相关于,所述第一像素分类集合包括的每相邻两个边缘视频帧像素在该视频帧圆形区域的边缘上沿逆时针或顺时针方向的距离的和值;以及,对所述第二像素分类集合包括的边缘视频帧像素在该视频帧圆形区域的边缘上的集中度进行计算,以得到所述第二像素分类集合对应的第二集中度,所述第二集中度负相关于,所述第二像素分类集合包括的每相邻两个边缘视频帧像素在该视频帧圆形区域的边缘上沿逆时针或顺时针方向的距离的和值;
对所述第一关键子系数和所述第一集中度进行加权求和计算,以得到第一加权值,并对所述第二关键子系数和所述第二集中度进行加权求和计算,以得到第二加权值(示例性地,关键子系数对应的加权系数可以相同,集中度对应的加权系数也可以相同,且关键子系数对应的加权系数可以大于集中度对应的加权系数),以及,将所述第一加权值和所述第二加权值中的较大值作为所述圆心所在的视频帧像素对应的第二关键系数;
对所述第一关键系数和所述第二关键系数进行加权求和计算(示例性地,所述第一关键系数对应的权重值可以大于所述第二关系系数对应的权重值,如分别为0.6和0.4,或者,也可以是其它值),以得到所述圆心所在的视频帧像素对应的目标关键系数,再基于该目标关键系数确定该圆心所在的视频帧像素是否属于视频帧关键像素(示例性地,在所述目标关键系数大于或等于预先配置的关键系数参考值的情况下,确定该圆心所在的视频帧像素属于视频帧关键像素;在所述目标关键系数小于所述关键系数参考值的情况下,确定该圆心所在的视频帧像素不属于视频帧关键像素)。
举例来说,在一些可以替代的实施方式中,步骤S120可以包括:
分别对所述待处理稳定剂视频帧中每一个所述视频帧关键像素的视频帧关键像素信息进行像素关键信息的挖掘处理,以输出每一个所述视频帧关键像素对应的初始视频帧关键像素特征表示(示例性地,所述像素关键信息的挖掘处理,可以基于目标像素特征表示挖掘神经网络包括的像素关键信息挖掘子网络完成;另外,所述像素关键信息挖掘子网络可以是编码网络,即所述像素关键信息的挖掘处理可以是一种编码处理;另外,所述视频帧关键像素的视频帧关键像素信息可以包括所述视频帧关键像素的像素灰度信息、像素坐标信息、相邻视频帧像素的像素灰度信息和相邻视频帧像素的像素坐标信息,以及与相邻视频帧像素之间的坐标关系信息等);
分别将每一个所述视频帧关键像素对应的每一个最近相邻视频帧关键像素对应的初始视频帧关键像素特征表示和每一个所述视频帧关键像素对应的初始视频帧关键像素特征表示进行融合操作,以输出每一个所述视频帧关键像素对应的相邻融合视频帧关键像素特征表示;
分别将每一个所述视频帧关键像素对应的最近非相关视频帧关键像素对应的初始视频帧关键像素特征表示和每一个所述视频帧关键像素对应的初始视频帧关键像素特征表示进行融合操作,以输出每一个所述视频帧关键像素对应的非相关融合视频帧关键像素特征表示,所述最近非相关视频帧关键像素为,与所述视频帧关键像素之间的像素灰度值的差值大于或等于预先配置的像素灰度参考值的各其它视频帧关键像素中与该视频帧关键像素之间的像素坐标距离最近的一个其它视频帧关键像素(示例性地,对所述初始视频帧关键像素特征表示进行融合操作,可以基于所述目标像素特征表示挖掘神经网络包括的第一特征表示融合子网络完成,所述第一特征表示融合子网络包括至少两个特征表示融合模型,以分别进行不同的特征表示融合操作,如通过第一个特征表示融合模型将每一个所述视频帧关键像素对应的每一个最近相邻视频帧关键像素对应的初始视频帧关键像素特征表示和每一个所述视频帧关键像素对应的初始视频帧关键像素特征表示进行融合操作,通过第二特征表示融合模型将每一个所述视频帧关键像素对应的最近非相关视频帧关键像素对应的初始视频帧关键像素特征表示和每一个所述视频帧关键像素对应的初始视频帧关键像素特征表示进行融合操作,如此,可以并行地执行前述的两个融合操作);
分别将每一个所述视频帧关键像素对应的所述相邻融合视频帧关键像素特征表示和对应的所述非相关融合视频帧关键像素特征表示进行融合操作,以输出每一个所述视频帧关键像素对应的视频帧关键像素特征表示(示例性地,对所述相邻融合视频帧关键像素特征表示和所述非相关融合视频帧关键像素特征表示进行融合操作,可以基于所述目标像素特征表示挖掘神经网络包括的第二特征表示融合子网络完成)。
举例来说,在一些可以替代的实施方式中,所述分别将每一个所述视频帧关键像素对应的每一个最近相邻视频帧关键像素对应的初始视频帧关键像素特征表示和每一个所述视频帧关键像素对应的初始视频帧关键像素特征表示进行融合操作,以输出每一个所述视频帧关键像素对应的相邻融合视频帧关键像素特征表示的步骤,可以包括:
对于每一个所述视频帧关键像素通过以下子步骤,以输出该视频帧关键像素对应的相邻融合视频帧关键像素特征表示:
在所述待处理稳定剂视频帧中,分析出所述视频帧关键像素的每一个最近相邻视频帧关键像素(即坐标距离具有最小值的每一个其它视频帧关键像素,该其它视频帧关键像素可以为一个或多个);
依据所述视频帧关键像素的像素灰度值,对每一个所述最近相邻视频帧关键像素对应的初始视频帧关键像素特征表示进行区分,以确定每一个像素灰度值区间对应的最近相邻视频帧关键像素对应的初始视频帧关键像素特征表示,并将每一个所述像素灰度值区间对应的初始视频帧关键像素特征表示进行聚集,以形成每一个所述像素灰度值区间对应的初始视频帧关键像素特征表示集合(如此,一个所述初始视频帧关键像素特征表示集合包括的各初始视频帧关键像素特征表示对应的最近相邻视频帧关键像素的像素灰度值属于同一个所述像素灰度值区间,所述像素灰度值区间的划分是为了区分相关视频帧关键像素,并且,所述像素灰度值区间的具体区间大小可以根据实际应用需求进行配置,如0-20、21-40等);
分别将每一个所述初始视频帧关键像素特征表示集合进行聚焦特征分析,以输出每一个所述像素灰度值区间对应的区间内部初始视频帧关键像素特征表示(即一个所述初始视频帧关键像素特征表示集合对应一个所述区间内部初始视频帧关键像素特征表示);
对所述视频帧关键像素对应的每一个所述区间内部初始视频帧关键像素特征表示进行融合操作,以输出所述视频帧关键像素对应的相邻融合视频帧关键像素特征表示(示例性地,可以对所述视频帧关键像素对应的每一个所述区间内部初始视频帧关键像素特征表示进行叠加,以实现融合操作,得到对应的相邻融合视频帧关键像素特征表示)。
举例来说,在一些可以替代的实施方式中,所述分别将每一个所述初始视频帧关键像素特征表示集合进行聚焦特征分析,以输出每一个所述像素灰度值区间对应的区间内部初始视频帧关键像素特征表示的步骤,可以包括:
对每一个所述初始视频帧关键像素特征表示集合通过以下子步骤,以输出该像素灰度值区间对应的区间内部初始视频帧关键像素特征表示:
基于内部聚焦机制,对所述初始视频帧关键像素特征表示集合进行分析处理,以输出所述初始视频帧关键像素特征表示集合对应的自主性提示信息集合、非自主性提示信息集合和感官输入集合;
将所述自主性提示信息集合和所述非自主性提示信息集合进行信息融合处理(如将集合中对应位置的元素进行乘积运算),以输出对应的信息融合结果,再对所述信息融合结果进行参数映射处理(示例性地,可以将所述信息融合结果包括的各个参数映射至0-1),以输出对应的参数映射结果,以及,对所述参数映射结果和所述感官输入集合进行信息融合处理(如将对应位置的元素进行乘积运算),以输出所述像素灰度值区间对应的区间内部初始视频帧关键像素特征表示。
举例来说,在一些可以替代的实施方式中,所述分别将每一个所述视频帧关键像素对应的最近非相关视频帧关键像素对应的初始视频帧关键像素特征表示和每一个所述视频帧关键像素对应的初始视频帧关键像素特征表示进行融合操作,以输出每一个所述视频帧关键像素对应的非相关融合视频帧关键像素特征表示的步骤,可以包括:
在所述待处理稳定剂视频帧中,分析输出每一个所述视频帧关键像素对应的最近非相关视频帧关键像素(所述最近非相关视频帧关键像素为,与所述视频帧关键像素之间的像素灰度值的差值大于或等于预先配置的像素灰度参考值的各其它视频帧关键像素中与该视频帧关键像素之间的像素坐标距离最近的一个其它视频帧关键像素,该素灰度参考值的具体数值不受限制,可以结合前述的像素灰度值区间设置,如20);
分别将每一个所述视频帧关键像素对应的初始视频帧关键像素特征表示和每一个所述视频帧关键像素对应的最近非相关视频帧关键像素对应的初始视频帧关键像素特征表示进行融合操作(如拼接或叠加),以输出每一个所述视频帧关键像素对应的多维度初始视频帧关键像素特征表示;
分别对每一个所述视频帧关键像素对应的多维度初始视频帧关键像素特征表示和所述视频帧关键像素的相邻视频帧关键像素对应的多维度初始视频帧关键像素特征表示进行融合处理(如叠加),以输出每一个所述视频帧关键像素对应的融合多维度初始视频帧关键像素特征表示;
分别将每一个所述视频帧关键像素对应的融合多维度初始视频帧关键像素特征表示进行参数转换操作(如所述融合多维度初始视频帧关键像素特征表示与配置的目标参数转换特征表示进行乘积运算,所述目标参数转换特征表示可以基于初始参数转换特征表示进行网络优化确定),以得到对应的参数转换结果,再对所述参数转换结果进行单侧抑制操作(示例性地,所述单侧抑制操作可以通过一种修正线性单元实现),以输出每一个所述视频帧关键像素对应的非相关融合视频帧关键像素特征表示。
举例来说,在一些可以替代的实施方式中,所述分别将每一个所述视频帧关键像素对应的所述相邻融合视频帧关键像素特征表示和对应的所述非相关融合视频帧关键像素特征表示进行融合操作,以输出每一个所述视频帧关键像素对应的视频帧关键像素特征表示的步骤,可以包括:
分别将每一个所述视频帧关键像素对应的所述相邻融合视频帧关键像素特征表示和对应的所述非相关融合视频帧关键像素特征表示进行融合操作(如拼接或叠加),以输出每一个所述视频帧关键像素对应的待处理视频帧关键像素特征表示;
分别将每一个所述视频帧关键像素对应的待处理视频帧关键像素特征表示进行单侧抑制操作(如前所述),以得到对应的单侧抑制结果,再对所述单侧抑制结果进行特征表示压缩操作(如基于所述单侧抑制结果中的一个区域上各参数确定出一个代表参数,来代表该区域),以输出每一个所述视频帧关键像素对应的视频帧关键像素特征表示。
举例来说,在一些可以替代的实施方式中,所述目标像素特征表示挖掘神经网络的优化过程,可以包括:
依据每一个所述视频帧关键像素对应的视频帧关键像素特征表示和每一个所述视频帧关键像素对应的相邻视频帧关键像素对应的视频帧关键像素特征表示之间的差异信息,分析输出所述目标像素特征表示挖掘神经网络当前具有的网络优化代价值(示例性地,对于每一个所述视频帧关键像素,可以先计算该视频帧关键像素对应的视频帧关键像素特征表示和该视频帧关键像素对应的相邻视频帧关键像素对应的视频帧关键像素特征表示之间的距离,如向量余弦距离等,再对该距离进行对数操作,以及,对该距离的负相关系数和该对数操作的结果进行和值计算,再对和值计算结果进行去对数操作,以得到该视频帧关键像素对应的差异信息,再对每一个所述视频帧关键像素对应的差异信息进行叠加,以得到网络优化代价值);
依据所述网络优化代价值对所述目标像素特征表示挖掘神经网络进行网络优化处理,以形成优化后的目标像素特征表示挖掘神经网络(示例性地,所述目标像素特征表示挖掘神经网络可以是基于初始像素特征表示挖掘神经网络进行网络优化处理以形成)。
举例来说,在一些可以替代的实施方式中,步骤S130可以包括:
获取到示例性稳定剂视频帧,并挖掘出所述示例性稳定剂视频帧中的每一个示例性视频帧关键像素对应的示例性视频帧关键像素特征表示(所述示例性视频帧关键像素特征表示作为进行神经网络优化的以及);
利用待优化的初始性能识别神经网络,对所述示例性视频帧关键像素对应的示例性视频帧关键像素特征表示进行性能识别处理,以形成所述示例性稳定剂视频帧对应的示例性性能识别结果;
依据所述示例性稳定剂视频帧对应的实际性能标注结果(所述实际性能标注结果可以是基于其它的神经网络识别出的,也可以是人工标注的)和所述示例性稳定剂视频帧对应的示例性性能识别结果,对所述初始性能识别神经网络进行网络优化处理,以形成对应的目标性能识别神经网络;
利用所述目标性能识别神经网络对所述视频帧关键像素对应的视频帧关键像素特征表示进行性能识别处理,形成所述待处理稳定剂视频帧对应的目标性能识别结果,作为所述PVC钙锌稳定剂对应的目标性能识别结果。
结合图3,本发明实施例还提供一种基于数据处理的PVC钙锌稳定剂的性能确定装置,可应用于上述基于数据处理的PVC钙锌稳定剂的性能确定系统。其中,所述基于数据处理的PVC钙锌稳定剂的性能确定装置包括:
视频帧采集处理模块,用于对待识别的PVC钙锌稳定剂进行视频帧采集处理,以形成所述PVC钙锌稳定剂对应的待处理稳定剂视频帧,并对所述待处理稳定剂视频帧进行关键像素的识别处理,以在所述待处理稳定剂视频帧中标注出每一个视频帧关键像素,所述视频帧关键像素为多个;
像素特征表示挖掘模块,用于分别基于每一个所述视频帧关键像素在所述待处理稳定剂视频帧中的信息,挖掘出每一个所述视频帧关键像素对应的视频帧关键像素特征表示;
性能识别处理模块,用于利用目标性能识别神经网络,对所述视频帧关键像素对应的视频帧关键像素特征表示进行性能识别处理,以形成所述待处理稳定剂视频帧对应的目标性能识别结果,并作为所述PVC钙锌稳定剂对应的目标性能识别结果,所述目标性能识别结果用于反映所述PVC钙锌稳定剂的性能优劣程度。
综上所述,本发明提供的一种基于数据处理的PVC钙锌稳定剂的性能确定方法及系统,对待识别的PVC钙锌稳定剂进行视频帧采集处理,形成对应的待处理稳定剂视频帧,并对待处理稳定剂视频帧进行关键像素的识别处理,以标注出每一个视频帧关键像素;分别基于每一个视频帧关键像素在待处理稳定剂视频帧中的信息,挖掘出每一个视频帧关键像素对应的视频帧关键像素特征表示;利用目标性能识别神经网络,对视频帧关键像素对应的视频帧关键像素特征表示进行性能识别处理,以形成对应的目标性能识别结果,并作为PVC钙锌稳定剂对应的目标性能识别结果。基于前述的步骤,通过目标性能识别神经网络对视频帧进行分析的方式,以得到对应的性能识别结果,相较于基于人工对PVC钙锌稳定剂进行粉状识别的现有技术,可以具有较高的检测效率,从而改善现有技术中存在的检测效率不高的问题;另外,相较于基于人工的现有技术,识别结果更具客观性。
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。
Claims (9)
1.一种基于数据处理的PVC钙锌稳定剂的性能确定方法,其特征在于,所述基于数据处理的PVC钙锌稳定剂的性能确定方法包括:
对待识别的PVC钙锌稳定剂进行视频帧采集处理,以形成所述PVC钙锌稳定剂对应的待处理稳定剂视频帧,并对所述待处理稳定剂视频帧进行关键像素的识别处理,以在所述待处理稳定剂视频帧中标注出每一个视频帧关键像素,所述视频帧关键像素为多个;
分别基于每一个所述视频帧关键像素在所述待处理稳定剂视频帧中的信息,挖掘出每一个所述视频帧关键像素对应的视频帧关键像素特征表示;
利用目标性能识别神经网络,对所述视频帧关键像素对应的视频帧关键像素特征表示进行性能识别处理,以形成所述待处理稳定剂视频帧对应的目标性能识别结果,并作为所述PVC钙锌稳定剂对应的目标性能识别结果,所述目标性能识别结果用于反映所述PVC钙锌稳定剂的性能优劣程度;
其中,所述对待识别的PVC钙锌稳定剂进行视频帧采集处理,以形成所述PVC钙锌稳定剂对应的待处理稳定剂视频帧,并对所述待处理稳定剂视频帧进行关键像素的识别处理,以在所述待处理稳定剂视频帧中标注出每一个视频帧关键像素的步骤,包括:
对待识别的PVC钙锌稳定剂进行视频帧采集处理,以形成所述PVC钙锌稳定剂对应的待处理稳定剂视频帧;
在所述待处理稳定剂视频帧中确定出具有目标半径的每一个视频帧圆形区域,以得到所述待处理稳定剂视频帧对应的多个视频帧圆形区域;
将所述待处理稳定剂视频帧中的所述多个视频帧圆形区域以外的每一个视频帧像素确定为视频帧关键像素,对于每一个所述视频帧圆形区域的圆心所在的视频帧像素,将该视频帧像素的像素灰度值与该视频帧圆形区域的边缘上的每一个视频帧像素的像素灰度值进行对比,确定该圆心所在的视频帧像素是否属于视频帧关键像素;
在所述待处理稳定剂视频帧中标注出确定的每一个视频帧关键像素。
2.如权利要求1所述的基于数据处理的PVC钙锌稳定剂的性能确定方法,其特征在于,所述将所述待处理稳定剂视频帧中的所述多个视频帧圆形区域以外的每一个视频帧像素确定为视频帧关键像素,对于每一个所述视频帧圆形区域的圆心所在的视频帧像素,将该视频帧像素的像素灰度值与该视频帧圆形区域的边缘上的每一个视频帧像素的像素灰度值进行对比,确定该圆心所在的视频帧像素是否属于视频帧关键像素的步骤,包括:
将所述待处理稳定剂视频帧中的所述多个视频帧圆形区域以外的每一个视频帧像素确定为视频帧关键像素;
对于每一个所述视频帧圆形区域的圆心所在的视频帧像素,将该视频帧像素的像素灰度值与该视频帧圆形区域的边缘上的每一个视频帧像素的像素灰度值进行对比,确定该视频帧圆形区域的边缘上是否存在多个视频帧像素的像素灰度值都大于或都小于该圆心所在的视频帧像素的像素灰度值,以得到对应的对比结果,并在该对比结果表征该视频帧圆形区域的边缘上存在多个视频帧像素的像素灰度值都大于或都小于该圆心所在的视频帧像素的像素灰度值的情况下,确定该圆心所在的视频帧像素属于视频帧关键像素,或者,在该对比结果表征该视频帧圆形区域的边缘上不存在多个视频帧像素的像素灰度值都大于或都小于该圆心所在的视频帧像素的像素灰度值的情况下,确定该圆心所在的视频帧像素不属于视频帧关键像素。
3.如权利要求1所述的基于数据处理的PVC钙锌稳定剂的性能确定方法,其特征在于,所述分别基于每一个所述视频帧关键像素在所述待处理稳定剂视频帧中的信息,挖掘出每一个所述视频帧关键像素对应的视频帧关键像素特征表示的步骤,包括:
分别对所述待处理稳定剂视频帧中每一个所述视频帧关键像素的视频帧关键像素信息进行像素关键信息的挖掘处理,以输出每一个所述视频帧关键像素对应的初始视频帧关键像素特征表示;
分别将每一个所述视频帧关键像素对应的每一个最近相邻视频帧关键像素对应的初始视频帧关键像素特征表示和每一个所述视频帧关键像素对应的初始视频帧关键像素特征表示进行融合操作,以输出每一个所述视频帧关键像素对应的相邻融合视频帧关键像素特征表示;
分别将每一个所述视频帧关键像素对应的最近非相关视频帧关键像素对应的初始视频帧关键像素特征表示和每一个所述视频帧关键像素对应的初始视频帧关键像素特征表示进行融合操作,以输出每一个所述视频帧关键像素对应的非相关融合视频帧关键像素特征表示,所述最近非相关视频帧关键像素为,与所述视频帧关键像素之间的像素灰度值的差值大于或等于预先配置的像素灰度参考值的各其它视频帧关键像素中与该视频帧关键像素之间的像素坐标距离最近的一个其它视频帧关键像素;
分别将每一个所述视频帧关键像素对应的所述相邻融合视频帧关键像素特征表示和对应的所述非相关融合视频帧关键像素特征表示进行融合操作,以输出每一个所述视频帧关键像素对应的视频帧关键像素特征表示。
4.如权利要求3所述的基于数据处理的PVC钙锌稳定剂的性能确定方法,其特征在于,所述分别将每一个所述视频帧关键像素对应的最近非相关视频帧关键像素对应的初始视频帧关键像素特征表示和每一个所述视频帧关键像素对应的初始视频帧关键像素特征表示进行融合操作,以输出每一个所述视频帧关键像素对应的非相关融合视频帧关键像素特征表示的步骤,包括:
在所述待处理稳定剂视频帧中,分析输出每一个所述视频帧关键像素对应的最近非相关视频帧关键像素;
分别将每一个所述视频帧关键像素对应的初始视频帧关键像素特征表示和每一个所述视频帧关键像素对应的最近非相关视频帧关键像素对应的初始视频帧关键像素特征表示进行融合操作,以输出每一个所述视频帧关键像素对应的多维度初始视频帧关键像素特征表示;
分别对每一个所述视频帧关键像素对应的多维度初始视频帧关键像素特征表示和所述视频帧关键像素的相邻视频帧关键像素对应的多维度初始视频帧关键像素特征表示进行融合处理,以输出每一个所述视频帧关键像素对应的融合多维度初始视频帧关键像素特征表示;
分别将每一个所述视频帧关键像素对应的融合多维度初始视频帧关键像素特征表示进行参数转换操作,以得到对应的参数转换结果,再对所述参数转换结果进行单侧抑制操作,以输出每一个所述视频帧关键像素对应的非相关融合视频帧关键像素特征表示。
5.如权利要求3所述的基于数据处理的PVC钙锌稳定剂的性能确定方法,其特征在于,所述分别将每一个所述视频帧关键像素对应的所述相邻融合视频帧关键像素特征表示和对应的所述非相关融合视频帧关键像素特征表示进行融合操作,以输出每一个所述视频帧关键像素对应的视频帧关键像素特征表示的步骤,包括:
分别将每一个所述视频帧关键像素对应的所述相邻融合视频帧关键像素特征表示和对应的所述非相关融合视频帧关键像素特征表示进行融合操作,以输出每一个所述视频帧关键像素对应的待处理视频帧关键像素特征表示;
分别将每一个所述视频帧关键像素对应的待处理视频帧关键像素特征表示进行单侧抑制操作,以得到对应的单侧抑制结果,再对所述单侧抑制结果进行特征表示压缩操作,以输出每一个所述视频帧关键像素对应的视频帧关键像素特征表示。
6.如权利要求3所述的基于数据处理的PVC钙锌稳定剂的性能确定方法,其特征在于,所述像素关键信息的挖掘处理,基于目标像素特征表示挖掘神经网络包括的像素关键信息挖掘子网络完成;
对所述初始视频帧关键像素特征表示进行融合操作,基于所述目标像素特征表示挖掘神经网络包括的第一特征表示融合子网络完成,所述第一特征表示融合子网络包括至少两个特征表示融合模型,以分别进行不同的特征表示融合操作;
对所述相邻融合视频帧关键像素特征表示和所述非相关融合视频帧关键像素特征表示进行融合操作,基于所述目标像素特征表示挖掘神经网络包括的第二特征表示融合子网络完成。
7.如权利要求6所述的基于数据处理的PVC钙锌稳定剂的性能确定方法,其特征在于,所述目标像素特征表示挖掘神经网络的优化过程包括:
依据每一个所述视频帧关键像素对应的视频帧关键像素特征表示和每一个所述视频帧关键像素对应的相邻视频帧关键像素对应的视频帧关键像素特征表示之间的差异信息,分析输出所述目标像素特征表示挖掘神经网络当前具有的网络优化代价值;
依据所述网络优化代价值对所述目标像素特征表示挖掘神经网络进行网络优化处理,以形成优化后的目标像素特征表示挖掘神经网络。
8.如权利要求1-7任意一项所述的基于数据处理的PVC钙锌稳定剂的性能确定方法,其特征在于,所述利用目标性能识别神经网络,对所述视频帧关键像素对应的视频帧关键像素特征表示进行性能识别处理,以形成所述待处理稳定剂视频帧对应的目标性能识别结果,并作为所述PVC钙锌稳定剂对应的目标性能识别结果的步骤,包括:
获取到示例性稳定剂视频帧,并挖掘出所述示例性稳定剂视频帧中的每一个示例性视频帧关键像素对应的示例性视频帧关键像素特征表示;
利用待优化的初始性能识别神经网络,对所述示例性视频帧关键像素对应的示例性视频帧关键像素特征表示进行性能识别处理,以形成所述示例性稳定剂视频帧对应的示例性性能识别结果;
依据所述示例性稳定剂视频帧对应的实际性能标注结果和所述示例性稳定剂视频帧对应的示例性性能识别结果,对所述初始性能识别神经网络进行网络优化处理,以形成对应的目标性能识别神经网络;
利用所述目标性能识别神经网络对所述视频帧关键像素对应的视频帧关键像素特征表示进行性能识别处理,形成所述待处理稳定剂视频帧对应的目标性能识别结果,作为所述PVC钙锌稳定剂对应的目标性能识别结果。
9.一种基于数据处理的PVC钙锌稳定剂的性能确定系统,其特征在于,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现权利要求1-8任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211367949.6A CN115908280B (zh) | 2022-11-03 | 2022-11-03 | 基于数据处理的pvc钙锌稳定剂的性能确定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211367949.6A CN115908280B (zh) | 2022-11-03 | 2022-11-03 | 基于数据处理的pvc钙锌稳定剂的性能确定方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115908280A CN115908280A (zh) | 2023-04-04 |
CN115908280B true CN115908280B (zh) | 2023-07-18 |
Family
ID=86473638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211367949.6A Active CN115908280B (zh) | 2022-11-03 | 2022-11-03 | 基于数据处理的pvc钙锌稳定剂的性能确定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115908280B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102095375A (zh) * | 2009-11-27 | 2011-06-15 | 曾艺 | 以三基色对比度为特征测量沿光轴方向的位移的方法及装置 |
CN104732900A (zh) * | 2013-12-20 | 2015-06-24 | 昆山国显光电有限公司 | 像素缺陷检测方法和装置 |
CN106713701A (zh) * | 2016-12-20 | 2017-05-24 | 华中科技大学 | 一种基于图像处理技术的群集运动数据采集方法及系统 |
CN111294646A (zh) * | 2020-02-17 | 2020-06-16 | 腾讯科技(深圳)有限公司 | 一种视频处理方法、装置、设备及存储介质 |
CN113516036A (zh) * | 2021-05-08 | 2021-10-19 | 上海依图网络科技有限公司 | 一种监控区域内目标对象的数量检测方法及装置 |
CN113784171A (zh) * | 2021-01-18 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 视频数据处理方法、装置、计算机系统及可读存储介质 |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8869198B2 (en) * | 2011-09-28 | 2014-10-21 | Vilynx, Inc. | Producing video bits for space time video summary |
CA2939161C (en) * | 2014-02-10 | 2017-05-09 | Geenee Gmbh | Systems and methods for image-feature-based recognition |
CN108229363A (zh) * | 2017-12-27 | 2018-06-29 | 北京市商汤科技开发有限公司 | 关键帧调度方法和装置、电子设备、程序和介质 |
CN108765394B (zh) * | 2018-05-21 | 2021-02-05 | 上海交通大学 | 基于质量评价的目标识别方法 |
CN109376603A (zh) * | 2018-09-25 | 2019-02-22 | 北京周同科技有限公司 | 一种视频识别方法、装置、计算机设备及存储介质 |
CN110347134A (zh) * | 2019-07-29 | 2019-10-18 | 南京图玩智能科技有限公司 | 一种ai智能水产养殖样本识别方法及养殖系统 |
CN110599552B (zh) * | 2019-08-30 | 2022-03-29 | 杭州电子科技大学 | 一种基于计算机视觉的pH试纸检测方法 |
CN110688969A (zh) * | 2019-09-30 | 2020-01-14 | 上海依图网络科技有限公司 | 视频帧人体行为识别方法 |
CN112906435B (zh) * | 2019-12-03 | 2024-03-01 | 杭州海康威视数字技术股份有限公司 | 视频帧优选方法及装置 |
CN115210756A (zh) * | 2020-04-03 | 2022-10-18 | 史密夫和内修有限公司 | 用于关节镜手术视频分割的方法及用于其的装置 |
CN111860250B (zh) * | 2020-07-14 | 2024-04-26 | 中南民族大学 | 基于人物细粒度特征的图像识别方法及装置 |
CN112464809B (zh) * | 2020-11-26 | 2023-06-06 | 北京奇艺世纪科技有限公司 | 一种人脸关键点检测方法、装置、电子设备及存储介质 |
CN113449656B (zh) * | 2021-07-01 | 2022-08-02 | 淮阴工学院 | 一种基于改进的卷积神经网络的驾驶员状态识别方法 |
CN114140712A (zh) * | 2021-11-11 | 2022-03-04 | 郑信江 | 一种自动图像识别分发系统及方法 |
CN114565803A (zh) * | 2022-01-19 | 2022-05-31 | 中科云谷科技有限公司 | 用于提取难样本的方法、装置及机械设备 |
CN114821435B (zh) * | 2022-05-06 | 2024-07-02 | 广州珐玛珈智能设备股份有限公司 | 一种基于视觉识别的药粒装瓶缺陷检测识别方法及装置 |
CN114743152A (zh) * | 2022-05-12 | 2022-07-12 | 中南大学 | 一种高炉料面视频关键帧自动提取方法及系统 |
CN115019231A (zh) * | 2022-06-06 | 2022-09-06 | 北京奇艺世纪科技有限公司 | 视频帧识别方法、装置、电子设备及存储介质 |
CN115205765B (zh) * | 2022-09-15 | 2022-11-25 | 成都中轨轨道设备有限公司 | 一种基于fpga的视频分析方法及系统 |
-
2022
- 2022-11-03 CN CN202211367949.6A patent/CN115908280B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102095375A (zh) * | 2009-11-27 | 2011-06-15 | 曾艺 | 以三基色对比度为特征测量沿光轴方向的位移的方法及装置 |
CN104732900A (zh) * | 2013-12-20 | 2015-06-24 | 昆山国显光电有限公司 | 像素缺陷检测方法和装置 |
CN106713701A (zh) * | 2016-12-20 | 2017-05-24 | 华中科技大学 | 一种基于图像处理技术的群集运动数据采集方法及系统 |
CN111294646A (zh) * | 2020-02-17 | 2020-06-16 | 腾讯科技(深圳)有限公司 | 一种视频处理方法、装置、设备及存储介质 |
CN113784171A (zh) * | 2021-01-18 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 视频数据处理方法、装置、计算机系统及可读存储介质 |
CN113516036A (zh) * | 2021-05-08 | 2021-10-19 | 上海依图网络科技有限公司 | 一种监控区域内目标对象的数量检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115908280A (zh) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109741292B (zh) | 用对抗自编码器检测第一图像数据集当中异常图像的方法 | |
US20220004818A1 (en) | Systems and Methods for Evaluating Perception System Quality | |
KR20220164519A (ko) | 오토인코더 및 클러스터링에 기초한 비정상 검출 | |
CN111199523B (zh) | 电力设备识别方法、装置、计算机设备和存储介质 | |
CN114978037B (zh) | 太阳能电池性能数据监控方法及系统 | |
CN116721107B (zh) | 一种电缆生产质量智能监控系统 | |
CN113963033B (zh) | 一种基于人工智能的电力设备异常检测方法和系统 | |
CN110634137A (zh) | 一种基于视觉感知的桥梁变形的监测方法、装置及设备 | |
CN113012157A (zh) | 一种设备缺陷视觉检测方法及系统 | |
CN110866428A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN110349070B (zh) | 一种短视频水印检测方法 | |
CN113487223B (zh) | 一种基于信息融合的风险评估方法和评估系统 | |
CN117670820B (zh) | 一种塑料薄膜生产缺陷检测方法及系统 | |
CN114863394A (zh) | 异常检测方法、装置、电子设备及计算机可读存储介质 | |
CN115908280B (zh) | 基于数据处理的pvc钙锌稳定剂的性能确定方法及系统 | |
CN115588157B (zh) | 交联低烟低卤聚烯烃材料的性能数据处理方法及系统 | |
CN115147134B (zh) | 基于工业互联网的产品防伪追溯方法、系统及云平台 | |
CN110956616A (zh) | 一种基于立体视觉的目标检测方法及系统 | |
CN115620211A (zh) | 阻燃低烟无卤护套的性能数据处理方法及系统 | |
CN114943720A (zh) | 一种电力图像处理方法及装置 | |
Zhang et al. | Estimation of atmospheric light based on gaussian distribution | |
CN115497031B (zh) | 基于图像处理的pvc护套料的性能检测方法及系统 | |
CN117054353B (zh) | 一种大气污染源区域定位分析方法及系统 | |
Wang et al. | Depth-Aware Concealed Crop Detection in Dense Agricultural Scenes | |
CN117710267A (zh) | 一种面向工业环境的图像处理方法及系统 |
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 |