CN115908590A - 基于人工智能的数据智能采集方法及系统 - Google Patents
基于人工智能的数据智能采集方法及系统 Download PDFInfo
- Publication number
- CN115908590A CN115908590A CN202211251768.7A CN202211251768A CN115908590A CN 115908590 A CN115908590 A CN 115908590A CN 202211251768 A CN202211251768 A CN 202211251768A CN 115908590 A CN115908590 A CN 115908590A
- Authority
- CN
- China
- Prior art keywords
- pixel points
- area
- edge pixel
- edge
- image
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 22
- 238000005286 illumination Methods 0.000 claims abstract description 116
- 238000013441 quality evaluation Methods 0.000 claims abstract description 17
- 239000013598 vector Substances 0.000 claims description 46
- 238000002372 labelling Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 7
- 101100129500 Caenorhabditis elegans max-2 gene Proteins 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域，具体涉及一种基于人工智能的数据智能采集方法及系统。该方法包括：将采集的所有目标图像灰度化得到灰度图；得到每个灰度图的第一光照影响系数；基于所有圆内边缘像素点的数量的均值和圆内边缘像素点数量最大的两个圆的圆心获取两个定位交点，进而得到重叠区域；基于重叠区域的面积，最大闭合类中的边缘像素点围成的区域的面积与光照区域的面积获得第二光照影响系数；第一、第二光照影响系数的乘积为光照影响系数；对灰度图的光照影响系数，第一预设值与信噪比的差值进行加权求和得到目标图像的质量评价指标；获得质量评价指标小于预设阈值的目标图像。本发明能够筛选出质量好的目标图像，组成目标图像数据集。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于人工智能的数据智能采集方法及系统。
背景技术
随着互联网和图像处理技术的发展，图像信息在人们的生活和工作中起到越来越重要的作用。大部分人工智能相关的科研单位或者学校，如果需要图像数据作为训练数据对神经网络进行训练，就需要采集大量的图像数据，而图像数据的质量的好坏对于神经网络的训练有着至关重要的作用，因此需要对采集的图像数据进行筛选。
在采集图像过程中，采集的图像非常容易受到光照等外界因素的影响，而光照在图像会形成一个光照区域，光照区域容易覆盖在图中包含重要信息的目标区域上，这样对于图像的质量就会有很大的影响，因此需要根据光照区域和目标区域的重叠区域的面积对图像的质量进行判断；传统的图像处理中定位重叠区域的方法主要是通过两个区域的两个交点进行定位，但通过对整张图像进行分析可能会得到多个交点，此时就不能准确的得到两个区域重叠部分的交点，也就不能准确的对光照区域和目标区域的重叠区域进行定位，同时图像中其他区域也可能会有重叠部分，也会对光照区域和目标区域的重叠区域的定位造成干扰。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种方法，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种基于人工智能的数据智能采集方法：将采集的所有目标图像灰度化得到灰度图；每个灰度图的灰度均值和所有灰度图的灰度均值的差值的绝对值，与预设值的比值为每个灰度图的第一光照影响系数；
获得每个灰度图的边缘图像，对边缘图像上的边缘像素点进行分类获得至少两个类别；根据每个类别中每两个边缘像素点形成的向量的矢量和获得为闭合类的类别；
获取灰度图中的光照区域，包含光照区域的边缘像素点的闭合类组成的类别为最大闭合类；以最大闭合类中的各边缘像素点为圆心，半径为预设长度作圆获得至少两个圆；基于所有圆内边缘像素点的数量的均值和圆内边缘像素点数量最大的两个圆的圆心获取两个定位交点；根据两个定位交点得到重叠区域；基于重叠区域的面积，最大闭合类中的边缘像素点围成的区域的面积与光照区域的面积获得第二光照影响系数；
第一、第二光照影响系数的乘积为光照影响系数；对灰度图的光照影响系数，第一预设值与信噪比的差值进行加权求和得到目标图像的质量评价指标；获得质量评价指标小于预设阈值的目标图像。
优选地，对边缘图像上的边缘像素点进行分类获得至少两个类别，包括：任意选择一个边缘像素点为起始点，获得起始点八邻域中的边缘像素点，与起始点归为一类；在与起始点归为一类的边缘像素点中选择一个边缘像素点，获得该边缘像素点八邻域内的边缘像素点与起始点归为一类，以此类推，直到获得的最后一个与起始点归为一类的边缘像素点的八邻域内没有边缘像素点，获得所有与该起始点为一类的边缘像素点，组成一个类别，进而对所有边缘像素点进行分类获得至少两个类别。
优选地，根据每个类别中每两个边缘像素点形成的向量的矢量和获得为闭合类的类别，包括：在一个类别的边缘像素点中选择一个边缘像素点作为第一起始点，获得第一起始点八邻域内的边缘像素点并按照顺时针方向进行标号，起始点指向第一个标号的边缘像素点的向量为第一向量，第一个标号的边缘像素点指向第二个边缘像素点的向量为第二向量，以此类推，获得第一起始点八邻域的边缘像素点组成的向量；以第一起始点八邻域内获得的最后一个向量的终点作为第二起始点，同理在第二起始点的八邻域内寻找除了第一起始点邻域内其他边缘像素点进行标号，按照标号的顺序获得向量，以此类推，获得一个类别中每两个边缘像素点组成的向量，求得所述一个类别中每两个边缘像素点组成的向量的矢量和，若所述矢量和为零，则该类别的边缘像素点的类别为闭合类。
优选地，基于所有圆内边缘像素点的数量的均值和圆内边缘像素点数量最大的两个圆的圆心获取两个定位交点，包括：获得圆内边缘像素点数量最大的两个圆内的边缘像素点的数量的和，记为第一数量和；若第一数量和大于所有圆内边缘像素点的数量的均值的三倍，则圆内边缘像素点数量最大的两个圆的圆心为两个定位交点。
优选地，根据两个定位交点得到重叠区域，包括：在最大闭合类的边缘像素点围成的区域内分别获得四条经过定位交点的边缘线，其中位于两条边缘线之间的边缘线组成的闭合区域为重叠区域。
优选地，基于重叠区域的面积，最大闭合类中的边缘像素点围成的区域的面积与光照区域的面积获得第二光照影响系数，包括：获得最大闭合类的边缘像素点围成的区域的面积与光照区域的面积的差值，计算所述差值与重叠区域的面积的和；重叠区域的面积比上所述差值与重叠区域的面积的和的结果为第二光照影响系数。
第二方面，本发明还提供了一种基于人工智能的数据智能采集系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现一种基于人工智能的数据智能采集系统的步骤。
本发明实施例至少具有如下有益效果：本发明通过每个目标图像的灰度图的灰度均值与所有目标图像的灰度图的灰度均值的差值得到了每个灰度图的第一光照影响系数，从灰度方面反映了光照对于目标图像的质量的影响；获得灰度图中的光照区域和最大闭合类的边缘像素点，同时对最大闭合类中各边缘像素点为圆心的圆的特征进行分析获得定位交点，从而定位重叠区域，排除了灰度图中其他边缘像素点对寻找定位交点的影响，使得能够更加准确且快速的找到重叠区域，保证了第二光照系数的准确性；最后综合考虑灰度图的光照影响系数和信噪比获得灰度图的质量评价指标对目标图像的质量进行评价，获得质量评价指标小于预设阈值的目标图像，也即是质量过关的目标图像，保证了采集的图像数据的质量。
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为本发明实施例提供的一种基于人工智能的数据智能采集方法的方法流程图。
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效，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人工智能的数据智能采集方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
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人工智能的数据智能采集方法的具体方案。
实施例1：
本发明的主要应用场景为：图像数据集对于很多方面都有很大的作用，利用图像数据集进行数据分析为一种主流的数据分析方法，但是在采集图像数据时，需要考虑光照和噪声对于图像质量的影响，最后形成图像数据集时，要剔除掉图像质量不好的图像进而形成图像数据集，因此需要对光照和噪声对图像质量造成的影响进行分析。
请参阅图1，其示出了本发明一个实施例提供的一种基于人工智能的数据智能采集方法的方法流程图，该方法包括以下步骤：
步骤S1，将采集的所有目标图像灰度化得到灰度图；每个灰度图的灰度均值和所有灰度图的灰度均值的差值的绝对值，与预设值的比值为每个灰度图的第一光照影响系数。
首先，使用无人机采集目标不同方位的图像，采集条件是图像中包含目标整体和背景，得到多张目标图像，将所有的目标图像进行灰度化得到灰度图。其中灰度化为现有技术，在此不在进行详细的阐述。
需要说明的是，本发明实施例中采集的目标图像包含了目标整体，因此在本发明实施例中，要考虑由于方位原因，光照过强或者过暗导致的目标图像的质量问题，以及相机参数设置或者其他因素导致的图像噪声问题。
进一步的，由于光照过强或者过暗会导致采集到的图像较亮或者较暗，而无论是那种都会导致图像像素点较难分辨种类，边缘较难提取，导致目标图像的质量出现问题，影响目标图像的使用，例如利用质量出现问题的目标图像对神经网络进行训练时，会影响神经网络的精度。
由于光照过暗时，目标图像会异常模糊因此很容易将光照过暗的图像筛选出来，因此本发明后续分析时只考虑光照过强时对于目标图像的影响。
最后，光照对于图像最大的影响就是平均灰度值的影响，由于无人机是通过多角度拍摄的图像，只会存在个别角度会出现目标图像过亮的情况，大部分初次采集的目标图像都是正常可分辨图像。因此可以通过每个目标图像的灰度均值来进行分析反应光照的影响。
首先计算每个灰度图的灰度均值，记为μv，获得对同一目标进行初次采集的所有目标图像的灰度图的灰度均值，计算如下：
公式中，V表示初次采集共采集到了多少张目标图像，μ表示所有灰度图的灰度均值，该值可以用来保证采集到的目标图像的照度信息；μv表示第v张目标图像对应的灰度图的灰度均值。
若存在光线较亮的目标图像，那么该目标图像的灰度均值与所有目标图像的灰度均值的差值是较大的，因此将所有初次采集的目标图像的灰度图的灰度均值与所有目标图像的灰度图的灰度均值做差，得到第一光照影响系数：
公式中，第v个灰度图的第一光照影响系数γv可以反映出光照的部分影响，当γv较大时，说明第v张目标图像的灰度图的灰度均值与大部分目标图像的灰度图的灰度均值相差较远，就可以认为其受光照影响较大；255是预设值，是为了用来归一化的。
步骤S2，获得每个灰度图的边缘图像，对边缘图像上的边缘像素点进行分类获得至少两个类别；根据每个类别中每两个边缘像素点形成的向量的矢量和获得为闭合类的类别。
若不考虑光照的影响，整张目标图像可以分为两部分，即背景和前景，前景也即是包含目标的部分，而目标图像的主要信息也就包含在前景中，其余部分对应的都是背景，初次采集到的目标图像会由于反光的影响，会在目标图像的灰度图上形成区域型的灰度覆盖，区域型的灰度覆盖为光照区域。若此时目标图像只是存在光照区域而非整体图像照度的变化，那么通过步骤S1中获得的每个灰度图的第一光照影响系数是无法将这些存在光照区域的目标图像提取出来的。
在利用图像数据进行分析时，图像中的前景，也即是目标才是重点，如果在目标图像中，即使背景中出现了光照区域，只要光照区域对于目标也即是前景没有影响，此时光照对于目标图像的质量影响也是非常低的。
因此可以通过判断光照区域和前景区域的遮盖关系或者位置关系来确定此时是否存在光照区域对前景区域遮盖的情况。
进一步的，使用Canny算子进行边缘检测，得到每张目标图像的灰度图的边缘图像，Canny算子是公知算法，在此不做详细赘述。边缘图像中边缘像素点的灰度值为1，其余像素点的灰度值为0，也即是边缘图像为一个二值图像。通过边缘检测算法就可以得到所有边缘像素点的坐标，通过边缘像素点的坐标也就可以得到边缘像素点的分布情况。在图像中，图像的行数就是像素点的横坐标，列数就是像素点的纵坐标。
为了更好的确定边缘的位置分布，需要对边缘像素点进行分类，具体过程为：任意选择一个边缘像素点为起始点，获得起始点八邻域中的边缘像素点，与起始点归为一类；在与起始点归为一类的边缘像素点中任意选择一个边缘像素点，获得该边缘像素点八邻域内的边缘像素点，与起始点归为一类，以此类推，直到获得的最后一个与起始点归为一类的边缘像素点的八邻域内没有边缘像素点，停止遍历，所有与该起始点为一类的边缘像素点组成一个类别；然后在除了已经被分类的边缘像素点的其他边缘像素点中任意选择一个边缘像素点作为另一个起始点，进行上述的遍历过程获得另一个类别的边缘像素点，进而对所有边缘像素点进行分类获得多个类别。此分类的目的是将不相连的边缘像素点分开，能够更加清晰的对分布于不同位置的边缘像素点进行分析。
若灰度图中存在光照区域时，光照区域通常都是一个闭合的区域，因此在边缘像素点分完类的基础上，还需要判断某一类边缘像素点是不是组成了闭合的区域，如果组成了闭合的区域，则该类像素点的类别就是闭合类，后续进行分析时，基于获得的多个闭合类进行分析。判断某一类的边缘像素点的类别是否为闭合类的过程具体为：
在一个类别的边缘像素点中任意选择一个边缘像素点作为第一起始点，获得第一起始点八邻域内的边缘像素点并按照顺时针方向进行标号，起始点指向第一个标号的边缘像素点的向量为第一向量，第一个标号的边缘像素点指向第二个边缘像素点的向量为第二向量，以此类推，获得第一起始点八邻域的边缘像素点组成的向量；以第一起始点八邻域内获得的最后一个向量的终点作为第二起始点，同理在第二起始点的八邻域内寻找除了第一起始点邻域内其他边缘像素点进行标号，按照标号的顺序获得向量，以此类推，获得一个类别中每两个边缘像素点组成的向量，得到所述一个类别中每两个边缘像素点组成的向量，组成一个向量序列，向量序列中向量的排序方式为向量获取的先后顺序，求得向量序列中所有向量的矢量和，若所述矢量和为零，则该类别的边缘像素点为闭合类的边缘像素点，至此可以判断每个类别的边缘像素点的类别是否为闭合类。
需要说明的是，在本实施例中将前景记为目标区域，如果光照区域和目标区域有重叠的部分，则重叠部分为重叠区域，此时光照区域、重叠区域和目标区域就会包含多种不同的闭合类的边缘像素点。
步骤S3，获取灰度图中的光照区域，包含光照区域的边缘像素点的闭合类组成的类别为最大闭合类；以最大闭合类中的各边缘像素点为圆心，半径为预设长度作圆获得至少两个圆；基于所有圆内边缘像素点的数量的均值和圆内边缘像素点数量最大的两个圆的圆心获取两个定位交点；根据两个定位交点得到重叠区域；基于重叠区域的面积，最大闭合类中的边缘像素点组成的区域的面积与光照区域的面积获得第二光照影响系数。
在得到闭合类的边缘像素点后，后续需要在闭合类的边缘像素点中定位光照区域和目标区域相互重叠的部分的交点，也即是重叠区域，如果两个区域相交，会有两个交点，由于这两个交点在两个区域的重叠部分的边缘上，该重叠部分的边缘上的像素点必定为闭合类的边缘像素点，那么这两个交点必然存在于一个闭合类中，且若以闭合类的边缘像素点为圆心，设定合适的半径，则以这两个交点为圆心构建的圆内包含的边缘像素点最多，将这两个交点记为定位交点，这两个定位交点能够准确的定位重叠区域；需要说明的是，实际采集过程中，目标图像中可能会出现光照区域完全把目标区域遮挡住的情况，这种情况是很容易进行辨别的，因此本发明实施例对这种情况不予考虑。
在获取两个定位交点时，有可能会出现其他闭合的边缘线也会产生交点对获取定位交点造成干扰，无法判定得到的交点是光照区域与目标区域的交点，还是其他的交点；因此还要获得灰度图中的光照区域，若存在光照对目标图像造成了一定的影响，光照区域中像素点的灰度值都会比较大，因此基于经验设定光照阈值t＝200，需要说明的是，光照阈值t的取值实施者可以根据具体情况进行调整。使用该光照阈值作为图像分割条件，灰度值大于光照阈值t的像素点认为是光照部分，灰度值小于或等于光照阈值t的像素点认为是非光照部分。对分割后的灰度图进行连通域分析，若存在光照影响，则分割后的大于光照阈值t的像素点大部分集中在一起，由此可以获得光照区域。
对于光照区域进行边缘提取，提取光照区域的边缘像素点，之后在边缘图像上根据光照区域的边缘像素点得到其光照区域各边缘像素点所在的多个闭合类。利用唯一可以准确得到的光照区域的边缘像素点来定位光照区域和目标区域的交集部分，若是对全图进行遍历，无法确定得到的两个交点就是两个定位交点，导致计算精度较低。
将包含光照区域的边缘像素点的多个闭合类整合到一个类别中，该类别记为最大闭合类，最大闭合类中的边缘像素点中包括光照区域的边缘和目标区域的边缘，对最大闭合类中的边缘像素点进行分析获得定位交点。
设定预设长度r＝8，以最大闭合类中的每个边缘像素点为圆心作圆，圆的半径为预设长度，需要说明的是，预设长度的取值，实施者可以根据具体情况进行调整，且预设长度是以像素点的数量作为计量单位计算长度的。
获得每个圆内边缘像素点的数量，形成一个序列G＝{K1，K2，K3…Kb}，Kb表示第b个圆内边缘像素点的数量，获得该序列中元素的均值，记为μG，其中，边缘像素点数量最多两个圆内的边缘像素点的数量分别记为Kmax 1和Kmax 2，获得圆内边缘像素点数量最大的两个圆内的边缘像素点的数量的和，记为第一数量和，表示为Kmax 1+Kmax 2；若Kmax 1+Kmax 2＞3μG，则Kmax 1和Kmax 2对应的两个圆的圆心，也即是这两个圆对应的两个边缘像素点就为定位交点，将这两个定位交点分别记为x1和x2；若Kmax 1+Kmax 2≤3μG，此时就说明光照区域没有对目标区域，也即是前景区域造成影响，也就不存在重叠的部分。
当获得两个定位交点x1和x2，获得在最大闭合类的边缘像素点围成的区域内分别获得四条经过定位交点的边缘线，其中位于两条边缘线之间边缘线组成的闭合区域为重叠区域。然后根据最大闭合类的边缘像素点围成的区域中像素点的数量获得最大闭合类的边缘像素点围成的区域的面积Sb，重叠区域中像素点的数量为重叠区域的面积Sg，光照区域中像素点的数量为光照区域的面积Sd，获得最大闭合类的边缘像素点围成的区域的面积Sb与光照区域的面积Sg的差值，计算所述差值与重叠区域的面积Sd的和；重叠区域的面积比上所述差值与重叠区域的面积的和的结果为第二光照影响系数，用公式表示为：
其中，ωv表示第v个灰度图的第二光照影响系数；Sd表示重叠区域的面积；Sb表示最大闭合类的边缘像素点围成的区域的面积；Sg表示光照区域的面积；Sb-Sg+Sd可以用来表示目标区域的面积；Sd的值越大说明重叠区域的面积越大，此时
的值就越大，目标图像的质量受光照的影响就越大。
至此可以获得每个灰度图的第二光照影响系数。
步骤S4，第一、第二光照影响系数的乘积为光照影响系数；对灰度图的光照影响系数，第一预设值与信噪比的差值进行加权求和得到目标图像的质量评价指标；获得质量评价指标小于预设阈值的目标图像。
首先，综合第一、第二光照影响系数得到灰度图的光照影响系数：
εv＝γv×ωv
其中，εv表示第v张灰度图的光照影响系数，该值越大，说明光照对于目标图像的质量的影响越严重，会导致目标图像的质量下降；γv表示第v张灰度图的第一光照影响系数；ωv表示第v张灰度图的第二光照影响系数。
进一步的，采集过程中的不当操作导致的噪声对于目标图像的影响也是非常大的，通过灰度图信噪比来反映噪声对于目标图像的影响，获得每张灰度图的信噪比并归一化，记为ρv，需要说明的是信噪比的求取是现有技术，在此不再进行详细阐述。
信噪比越大，图像噪声就越少，图像质量就越好；光照影响系数越小，光照对于图像的影响就越少，图像的质量就越好，由此得到目标图像的质量评价指标：
Tv＝0.5εv+0.5(1-ρv)
其中，Tv表示第v张目标图像的质量评价指标；εv表示第v张目标图像的灰度图的光照影响系数；ρv表示归一化后的第v张目标图像的灰度图的信噪比。目标图像的质量评价指标越小，说明该目标图像的质量越好。
获得所有目标图像的质量评价指标，基于目标图像的质量评价指标对采集的目标图像进行筛选，设置预设阈值，优选地，预设阈值的取值为0.3，当目标图像的质量评价指标小于0.3时，将该目标图像保留，当目标图像的质量评价指标大于或等于0.3时，将该目标图像进行剔除，至此可以采集得到质量较好的目标图像的集合，作为图像数据用于数据分析。
实施例2：
本实施例提供了一种基于人工智能的数据智能采集系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现一种基于人工智能的数据智能采集方法的步骤。由于实施例1已经对一种基于人工智能的数据智能采集方法进行了详细的阐述，此处不再过多介绍。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
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 (7)
1.一种基于人工智能的数据智能采集方法，其特征在于，该方法包括：
将采集的所有目标图像灰度化得到灰度图；每个灰度图的灰度均值和所有灰度图的灰度均值的差值的绝对值，与预设值的比值为每个灰度图的第一光照影响系数；
获得每个灰度图的边缘图像，对边缘图像上的边缘像素点进行分类获得至少两个类别；根据每个类别中每两个边缘像素点形成的向量的矢量和获得为闭合类的类别；
获取灰度图中的光照区域，包含光照区域的边缘像素点的闭合类组成的类别为最大闭合类；以最大闭合类中的各边缘像素点为圆心，半径为预设长度作圆获得至少两个圆；基于所有圆内边缘像素点的数量的均值和圆内边缘像素点数量最大的两个圆的圆心获取两个定位交点；根据两个定位交点得到重叠区域；基于重叠区域的面积，最大闭合类中的边缘像素点围成的区域的面积与光照区域的面积获得第二光照影响系数；
第一、第二光照影响系数的乘积为光照影响系数；对灰度图的光照影响系数，第一预设值与信噪比的差值进行加权求和得到目标图像的质量评价指标；获得质量评价指标小于预设阈值的目标图像。
2.根据权利要求1所述的一种基于人工智能的数据智能采集方法，其特征在于，所述对边缘图像上的边缘像素点进行分类获得至少两个类别，包括：任意选择一个边缘像素点为起始点，获得起始点八邻域中的边缘像素点，与起始点归为一类；在与起始点归为一类的边缘像素点中选择一个边缘像素点，获得该边缘像素点八邻域内的边缘像素点与起始点归为一类，以此类推，直到获得的最后一个与起始点归为一类的边缘像素点的八邻域内没有边缘像素点，获得所有与该起始点为一类的边缘像素点，组成一个类别，进而对所有边缘像素点进行分类获得至少两个类别。
3.根据权利要求1所述的一种基于人工智能的数据智能采集方法，其特征在于，所述根据每个类别中每两个边缘像素点形成的向量的矢量和获得为闭合类的类别，包括：在一个类别的边缘像素点中选择一个边缘像素点作为第一起始点，获得第一起始点八邻域内的边缘像素点并按照顺时针方向进行标号，起始点指向第一个标号的边缘像素点的向量为第一向量，第一个标号的边缘像素点指向第二个边缘像素点的向量为第二向量，以此类推，获得第一起始点八邻域的边缘像素点组成的向量；以第一起始点八邻域内获得的最后一个向量的终点作为第二起始点，同理在第二起始点的八邻域内寻找除了第一起始点邻域内其他边缘像素点进行标号，按照标号的顺序获得向量，以此类推，获得一个类别中每两个边缘像素点组成的向量，求得所述一个类别中每两个边缘像素点组成的向量的矢量和，若所述矢量和为零，则该类别的边缘像素点的类别为闭合类。
4.根据权利要求1所述的一种基于人工智能的数据智能采集方法，其特征在于，所述基于所有圆内边缘像素点的数量的均值和圆内边缘像素点数量最大的两个圆的圆心获取两个定位交点，包括：获得圆内边缘像素点数量最大的两个圆内的边缘像素点的数量的和，记为第一数量和；若第一数量和大于所有圆内边缘像素点的数量的均值的三倍，则圆内边缘像素点数量最大的两个圆的圆心为两个定位交点。
5.根据权利要求1所述的一种基于人工智能的数据智能采集方法，其特征在于，所述根据两个定位交点得到重叠区域，包括：在最大闭合类的边缘像素点围成的区域内分别获得四条经过定位交点的边缘线，其中位于两条边缘线之间的边缘线组成的闭合区域为重叠区域。
6.根据权利要求1所述的一种基于人工智能的数据智能采集方法，其特征在于，所述基于重叠区域的面积，最大闭合类中的边缘像素点围成的区域的面积与光照区域的面积获得第二光照影响系数，包括：获得最大闭合类的边缘像素点围成的区域的面积与光照区域的面积的差值，计算所述差值与重叠区域的面积的和；重叠区域的面积比上所述差值与重叠区域的面积的和的结果为第二光照影响系数。
7.一种基于人工智能的数据智能采集系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的一种基于人工智能的数据智能采集方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211251768.7A CN115908590A (zh) | 2022-10-13 | 2022-10-13 | 基于人工智能的数据智能采集方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211251768.7A CN115908590A (zh) | 2022-10-13 | 2022-10-13 | 基于人工智能的数据智能采集方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115908590A true CN115908590A (zh) | 2023-04-04 |
Family
ID=86492711
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211251768.7A Withdrawn CN115908590A (zh) | 2022-10-13 | 2022-10-13 | 基于人工智能的数据智能采集方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115908590A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116129364A (zh) * | 2023-04-17 | 2023-05-16 | 山东山矿机械有限公司 | 一种皮带集控系统 |
| CN116485788A (zh) * | 2023-06-16 | 2023-07-25 | 东莞市华驰高分子材料有限公司 | 图像处理方法及手机pet保护膜底涂工艺质量检测方法 |
| CN116883346A (zh) * | 2023-07-05 | 2023-10-13 | 新疆青卫舜源信息科技有限公司 | 一种基于人工智能的目标图像质量筛选方法 |
-
2022
- 2022-10-13 CN CN202211251768.7A patent/CN115908590A/zh not_active Withdrawn
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116129364A (zh) * | 2023-04-17 | 2023-05-16 | 山东山矿机械有限公司 | 一种皮带集控系统 |
| CN116129364B (zh) * | 2023-04-17 | 2023-06-30 | 山东山矿机械有限公司 | 一种皮带集控系统 |
| CN116485788A (zh) * | 2023-06-16 | 2023-07-25 | 东莞市华驰高分子材料有限公司 | 图像处理方法及手机pet保护膜底涂工艺质量检测方法 |
| CN116485788B (zh) * | 2023-06-16 | 2023-08-29 | 东莞市华驰高分子材料有限公司 | 图像处理方法及手机pet保护膜底涂工艺质量检测方法 |
| CN116883346A (zh) * | 2023-07-05 | 2023-10-13 | 新疆青卫舜源信息科技有限公司 | 一种基于人工智能的目标图像质量筛选方法 |
| CN116883346B (zh) * | 2023-07-05 | 2024-03-15 | 新疆青卫舜源信息科技有限公司 | 一种基于人工智能的目标图像质量筛选方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115908590A (zh) | 基于人工智能的数据智能采集方法及系统 | |
| US5787201A (en) | High order fractal feature extraction for classification of objects in images | |
| US9330336B2 (en) | Systems, methods, and media for on-line boosting of a classifier | |
| CN115830459A (zh) | 基于神经网络的山地林草生命共同体损毁程度检测方法 | |
| CN113569724B (zh) | 基于注意力机制和扩张卷积的道路提取方法及系统 | |
| CN112232371A (zh) | 一种基于YOLOv3与文本识别的美式车牌识别方法 | |
| US7680357B2 (en) | Method and apparatus for detecting positions of center points of circular patterns | |
| CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 | |
| CN116012291A (zh) | 工业零件图像缺陷检测方法及系统、电子设备和存储介质 | |
| CN110503140A (zh) | 基于深度迁移学习与邻域降噪的分类方法 | |
| CN114359288B (zh) | 基于人工智能的医学影像脑动脉瘤检测和定位方法 | |
| CN111666900A (zh) | 基于多源遥感影像的土地覆盖分类图的获取方法和装置 | |
| CN111121797B (zh) | 道路筛选方法、装置、服务器及存储介质 | |
| CN112101114B (zh) | 一种视频目标检测方法、装置、设备以及存储介质 | |
| CN116523352B (zh) | 一种森林资源信息的管理方法及系统 | |
| CN110706224A (zh) | 基于暗场图像的光学元件弱划痕检测方法、系统和装置 | |
| CN113989563A (zh) | 一种多尺度多标签融合的中医舌象分类方法 | |
| CN115861790A (zh) | 耕地遥感图像分析方法、装置、设备、存储介质及产品 | |
| CN110458019B (zh) | 稀缺认知样本条件下的排除倒影干扰的水面目标检测方法 | |
| CN116543325A (zh) | 基于无人机影像的农作物人工智能自动识别方法和系统 | |
| CN108154199B (zh) | 一种基于深度学习的高精度快速单类目标检测方法 | |
| CN116263735A (zh) | 神经网络的鲁棒性评估方法、装置、设备及存储介质 | |
| CN113988222A (zh) | 一种基于Faster-RCNN的森林火灾检测与识别方法 | |
| CN116777865A (zh) | 一种水下裂缝的识别方法、系统、装置及存储介质 | |
| CN116563850A (zh) | 多类别目标检测方法及其模型训练方法、装置 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230404 |