CN116091748A - 一种基于aigc的图像识别系统及装置 - Google Patents
一种基于aigc的图像识别系统及装置 Download PDFInfo
- Publication number
- CN116091748A CN116091748A CN202310370193.9A CN202310370193A CN116091748A CN 116091748 A CN116091748 A CN 116091748A CN 202310370193 A CN202310370193 A CN 202310370193A CN 116091748 A CN116091748 A CN 116091748A
- Authority
- CN
- China
- Prior art keywords
- image
- target image
- update
- control module
- module
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/16—Image acquisition using multiple overlapping images; Image stitching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明公开了一种基于AIGC的图像识别系统及装置,所述图像识别装置设置在该系统中,所述图像识别系统包括用于获取外界图像数据的图像获取模块、图像集管理模块、输出模块以及控制模块,所述控制模块分别与所述图像获取模块、所述图像集管理模块以及输出模块电连接。本发明中,控制模块控制图像集管理模块对原始目标图像与更新因子图像执行图像拼接操作,得到更新目标图像,这能够对用于图像识别模型训练的图像数据及时更新,有利于提高图像识别模型的鲁棒性,从而有利于保障图像识别系统(或装置)在识别目标的图像出现变化时图像识别结果的准确性。
Description
技术领域
本发明涉及图像识别技术领域,尤其涉及一种基于AIGC的图像识别系统及装置。
背景技术
专利CN115690472A公开的基于图像识别模型的图像识别方法,包括以下操作步骤:获取待识别图像;对所述待识别图像进行灰度化处理,得到灰度化图像;对所述灰度化图像中的图像轮廓进行边缘检测,以得到各个图像轮廓的边缘信息;根据所述边缘信息,提取所述待识别图像中各个图像轮廓区域的图像信息,并根据任一所述图像信息确定对应图像轮廓的图像类别;将所有图像类别依次输入至预置模型数据库中进行匹配,以确定各个图像轮廓对应的图像识别模型;将所述图像轮廓区域的图像输入至对应的训练好的图像识别模型中,得到识别结果;根据所述待识别图像中所有图像轮廓的位置,将所有识别结果进行图像融合,得到最终图像。
专利CN113569612B公开了一种图像识别神经网络的训练方法和装置、图像识别方法。其中,该方法包括:将目标样本图像输入到待训练的图像识别神经网络,输出的多组预测概率值,每组预测概率值用于表示多组预测识别结果中的一组预测识别结果的预测概率,多组预测识别结果中的每个预测识别结果对应于目标树中的一个节点,每组预测识别结果在目标树中对应的节点归属于同一个上级节点;根据多组预测概率值以及目标树中与多组预测识别结果对应的节点之间的关系,确定图像识别神经网络的目标损失函数的取值;调整目标损失函数的取值满足预设的损失条件,根据调整后的图像识别神经网络,进行目标图像的分类。
上述技术方案中所涉及的图像识别模型的鲁棒性往往受到用作该模型训练的图像数据当中的图像特征分布情况所影响,然而,上述技术方案中均未对该图像数据及时更新,这不利于提高图像识别模型的鲁棒性,从而不利于保障图像识别系统(或装置)在识别目标的图像出现变化时图像识别结果的准确性。
可见,如何设计一款能够对用于图像识别模型训练的图像数据及时更新的图像识别系统,是亟需解决的技术问题。
发明内容
本发明所要解决的技术问题在于,提供一种基于AIGC的图像识别系统及装置,能够对用于图像识别模型训练的图像数据及时更新。
为了解决上述技术问题,本发明第一方面公开了一种基于AIGC的图像识别系统,包括用于获取外界图像数据的图像获取模块、图像集管理模块、输出模块以及控制模块,所述控制模块分别与所述图像获取模块、所述图像集管理模块以及输出模块电连接,所述图像集管理模块还与用于储存目标图像的储存模块电连接,所述控制模块执行控制步骤包括:
所述控制模块控制所述图像获取模块获取更新因子图像;
所述控制模块控制所述图像集管理模块从所述储存模块中调取原始目标图像;
所述控制模块控制所述图像集管理模块对所述原始目标图像与所述更新因子图像执行图像拼接操作,得到更新目标图像;
所述控制模块根据更新目标图像和原始目标图像的图像属性信息,求取更新目标图像集的更新增益指数;
所述控制模块判定所述更新增益指数与预先确定的更新增益指数阈值是否匹配,当所述控制模块判定所述更新增益指数与预先确定的更新增益指数阈值匹配时,所述控制模块控制所述输出模块输出表示所述图像识别系统进入识别功能升级预备阶段。
本发明第一方面公开的基于AIGC的图像识别系统中,控制模块控制图像集管理模块对原始目标图像与更新因子图像执行图像拼接操作,得到更新目标图像,这能够对用于图像识别模型训练的图像数据及时更新,有利于提高图像识别模型的鲁棒性,从而有利于保障图像识别系统(或装置)在识别目标的图像出现变化时图像识别结果的准确性。除此之外,控制模块根据更新目标图像和原始目标图像的图像属性信息,求取更新目标图像集的更新增益指数,以及当更新增益指数与预先确定的更新增益指数阈值匹配时,控制模块控制输出模块输出表示图像识别系统进入识别功能升级预备阶段,有利于根据更新目标图像的量化评价通过输出模块关于该图像识别系统的状态信息(即是否进入识别功能升级预备阶段),从而有利于与该图像识别系统协同工作的其他系统能够根据该图像识别系统的当前状态及时响应。
作为一种可选的实施方式,在本发明第一方面中,所述控制模块控制所述图像集管理模块对所述目标图像与所述更新因子图像执行图像拼接操作,得到更新目标图像,具体包括:
所述控制模块将所述目标图像划分为若干个原始目标图像单元;
所述控制模块将所述更新因子图像划分为若干个更新因子图像单元,其中,所述更新因子图像单元的图像大小与所述目标图像单元的图像大小相同;
所述控制模块从所有的更新目标图像单元中选择若干个更新因子图像单元安插到由所有的原始目标图像单元组成的原始目标图像单元序列当中,形成更新目标图像单元序列;
所述控制模块将所述更新目标图像单元序列整理为二维矩阵,形成更新目标图像。
作为一种可选的实施方式,在本发明第一方面中,所述控制模块根据更新目标图像和原始目标图像的图像属性信息,求取更新目标图像集的更新增益指数的过程中,采用的公式为:
,
式中,表示更新增益指数,表示组成原始目标图像二维矩阵的原始目标图像单元行数,表示组成原始目标图像二维矩阵的原始目标图像单元列数,表示原始目标图像二维矩阵中位于行列的原始目标图像单元的色彩特征值,表示原始目标图像二维矩阵中位于第一方向上的对角线上的原始目标图像单元的色彩特征值的均值,表示第一方向上特征评价系数,表示原始目标图像二维矩阵中位于第二方向上的对角线上的原始目标图像单元的色彩特征值的均值,表示第二方向特征评价系数,表示组成更新目标图像二维矩阵的更新目标图像单元行数,表示组成更新目标图像二维矩阵的更新目标图像单元列数,表示更新目标图像二维矩阵中位于行列的更新目标图像单元的色彩特征值,表示更新目标图像二维矩阵中位于第一方向上的对角线上的更新目标图像单元的色彩特征值的均值,表示更新目标图像二维矩阵中位于第二方向上的对角线上的更新目标图像单元的色彩特征值的均值。
作为一种可选的实施方式,在本发明第一方面中,所述控制模块执行控制步骤还包括:
当所述控制模块判定所述更新增益指数与预先确定的更新增益指数阈值不匹配时,所述控制模块控制所述输出模块输出表示所述更新增益指数异常的警告信息。
作为一种可选的实施方式,在本发明第一方面中,所述图像获取模块与用于拍摄识别目标实时图像的摄像装置电连接,所述图像获取模块通过所述摄像装置获取更新因子图像,
和/或,所述图像获取模块与数据平台基于公网通信连接,所述图像获取模块通过所述数据平台获取更新因子图像。
本发明第二方面公开的一种基于AIGC的图像识别装置,所述图像识别装置设置在如本发明第一方面所述的基于AIGC的图像识别系统中,所述图像识别装置包括所述图像获取模块、所述图像集管理模块、所述输出模块以及所述控制模块。
本发明第二方面公开的基于AIGC的图像识别装置中,控制模块控制图像集管理模块对原始目标图像与更新因子图像执行图像拼接操作,得到更新目标图像,这能够对用于图像识别模型训练的图像数据及时更新,有利于提高图像识别模型的鲁棒性,从而有利于保障图像识别装置在识别目标的图像出现变化时图像识别结果的准确性。除此之外,控制模块根据更新目标图像和原始目标图像的图像属性信息,求取更新目标图像集的更新增益指数,以及当更新增益指数与预先确定的更新增益指数阈值匹配时,控制模块控制输出模块输出表示图像识别系统进入识别功能升级预备阶段,有利于根据更新目标图像的量化评价通过输出模块关于该图像识别系统的状态信息(即是否进入识别功能升级预备阶段),从而有利于与该图像识别系统协同工作的其他系统能够根据该图像识别系统的当前状态及时响应。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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他的附图。
图1是本发明实施例的一种基于AIGC的图像识别系统的结构示意图;
图2是本发明实施例的控制模块执行控制步骤的流程示意图;
图3是图2所示的步骤S103的子步骤的流程示意图;
图4是本发明实施例的更新目标图像示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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。
本发明的说明书和权利要求书中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
AIGC(人工智能生成内容,Artificial Intelligence Generated Content,简称AIGC)将有望成为数字内容创新发展的新引擎,其优势主要包括:1)AIGC能够以优于人类的制造能力和知识水平承担信息挖掘、素材调用、复刻编辑等基础性机械劳动,从技术层面实现以低边际成本、高效率的方式满足海量个性化需求;2)AIGC能够通过支持数字内容与其他产业的多维互动、融合渗透从而孕育新业态新模式;3)助力“元宇宙”发展,通过AIGC加速复刻物理世界、进行无限内容创作,从而实现自发有机生长。
本发明第一方面公开了一种基于AIGC的图像识别系统,如图1所示,包括用于获取外界图像数据的图像获取模块、图像集管理模块、输出模块以及控制模块,控制模块分别与图像获取模块、图像集管理模块以及输出模块电连接,图像集管理模块还与用于储存目标图像的储存模块电连接。
如图2所示,控制模块执行控制步骤包括:
S101、控制模块控制图像获取模块获取更新因子图像。该更新因子图像为图像集管理模块完成对原始目标图像集的存储操作之后由图像获取模块所获取的具有待检测目标的图像,其中所述原始目标图像集为图像获取模块在本步骤之前获取的具有目标图像的集合。用户可以根据应用场景的环境因素变化而选取具有对应特征的目标图像作为更新因子图像,比如,应用场景从原来的较亮的光照条件转换为较暗,那么,更新因子图像可以为具有待测目标的亮度值较低的图像。
S102、控制模块控制图像集管理模块从储存模块中调取原始目标图像,该原始目标图像即为所述原始目标图像集中的图像。
S103、控制模块控制图像集管理模块对原始目标图像与更新因子图像执行图像拼接操作,得到更新目标图像。
S104、控制模块根据更新目标图像和原始目标图像的图像属性信息,求取更新目标图像集的更新增益指数,其中所述更新目标图像集为所述更新目标图像的集合。
S105、控制模块判定更新增益指数与预先确定的更新增益指数阈值是否匹配,当控制模块判定更新增益指数与预先确定的更新增益指数阈值匹配时,执行步骤S106a。
S106a、控制模块控制输出模块输出表示图像识别系统进入识别功能升级预备阶段。具体而言,当图像识别系统进入识别功能升级预备阶段时,用于执行图像识别任务的图像识别模型可以将更新目标图像集作为训练集以进行新一轮的模型训练,以增强该图像识别模型的鲁棒性。
本发明第一方面公开的基于AIGC的图像识别系统中,控制模块控制图像集管理模块对原始目标图像与更新因子图像执行图像拼接操作,得到更新目标图像,这能够对用于图像识别模型训练的图像数据及时更新,有利于提高图像识别模型的鲁棒性,从而有利于保障图像识别系统(或装置)在识别目标的图像出现变化时图像识别结果的准确性。除此之外,控制模块根据更新目标图像和原始目标图像的图像属性信息,求取更新目标图像集的更新增益指数,以及当更新增益指数与预先确定的更新增益指数阈值匹配时,控制模块控制输出模块输出表示图像识别系统进入识别功能升级预备阶段,有利于根据更新目标图像的量化评价通过输出模块关于该图像识别系统的状态信息(即是否进入识别功能升级预备阶段),从而有利于与该图像识别系统协同工作的其他系统能够根据该图像识别系统的当前状态及时响应。
可选的,为了能够进一步提高与该图像识别系统协同工作的其他系统根据该图像识别系统的所出现的异常状态而及时响应,以避免造成重大损失,在步骤S105中,如图2所示,当控制模块判定更新增益指数与预先确定的更新增益指数阈值不匹配时,执行步骤S106b:控制模块控制输出模块输出表示更新增益指数异常的警告信息。其中,该更新增益指数阈值可以是本领域技术人员根据经验而预先确定的。
为了提高目标图像与更新因子图像执行图像拼接操作的高效性,该控制模块可以以图像单元为图像拼接操作的基本单位,可选的,如图3所示,步骤S103可以包括以下操作:
S1031、控制模块将原始目标图像划分为若干个原始目标图像单元。
S1032、控制模块将更新目标图像划分为若干个更新目标图像单元。为了进一步提高图像拼接的高效性,可以使得图像单元大小统一,具体地,更新目标图像单元的图像大小与原始目标图像单元的图像大小相同。
S1033、控制模块从所有的更新目标图像单元中选择若干个更新目标图像单元安插到由所有的原始目标图像单元组成的原始目标图像单元序列当中,形成更新目标图像单元序列。
S1034、控制模块将更新目标图像单元序列整理为二维矩阵,形成更新目标图像。
进一步可选的,在求取更新目标图像集的更新增益指数的过程中,所用到的关于原始目标图像和/或更新目标图像的图像属性信息(如,对应二维矩阵的图像单元列数以及行数、图像单元的色彩特征值),可以是以相应的图像单元的属性信息表示,从而有利于提高求取更新增益指数过程的效率。具体而言,控制模块根据更新目标图像和原始目标图像的图像属性信息,求取更新目标图像集的更新增益指数的过程中,采用的公式为:
,
式中,表示更新增益指数,表示组成原始目标图像二维矩阵的原始目标图像单元行数,表示组成原始目标图像二维矩阵的原始目标图像单元列数,表示原始目标图像二维矩阵中位于行列的原始目标图像单元的色彩特征值,表示原始目标图像二维矩阵中位于第一方向上的对角线上的原始目标图像单元的色彩特征值的均值,示第一方向特征评价系数,表示原始目标图像二维矩阵中位于第二方向上的对角线上的原始目标图像单元的色彩特征值的均值,表示第二方向特征评价系数,表示组成更新目标图像二维矩阵的更新目标图像单元行数,表示组成更新目标图像二维矩阵的更新目标图像单元列数,表示更新目标图像二维矩阵中位于行列的更新目标图像单元的色彩特征值,表示更新目标图像二维矩阵中位于第一方向上的对角线上的更新目标图像单元的色彩特征值的均值,表示更新目标图像二维矩阵中位于第二方向上的对角线上的更新目标图像单元的色彩特征值的均值。特别地,上述提到的第一方向对角线和第二方向对角线,可以用于区分对应的矩阵当中的主对角线和反对角线。可选的, 可以根据色彩特征在第一方向上以及第二方向上的分布而预先确定,通常,对于色彩特征方向性不明显的情况,可以使得=,特别地,、。其中,色彩特征可以是图像的灰度、亮度或者对比度。
进一步可选的,图像获取模块与用于拍摄识别目标实时图像的摄像装置电连接,图像获取模块通过摄像装置获取更新因子图像,这有利于使得更新的图像数据的特征分布与应用场景中的识别目标实时图像的特征分布具有较强关联性,从而有利于提高该图像识别系统在该应用场景中的适应性。
又进一步可选的,图像获取模块与数据平台基于公网通信连接,图像获取模块通过数据平台获取更新因子图像,数据平台具有海量的图像数据,该图像识别系统能够随着使用者的识别需求的变化而进行与之匹配的用于图像识别模型训练的图像数据批量化更新,以满足客制化场景需要。
本发明第二方面公开的是一种基于AIGC的图像识别装置,图像识别装置设置在本发明第一方面所描述的基于AIGC的图像识别系统中,图像识别装置包括图像获取模块、图像集管理模块、输出模块以及控制模块。
本发明第二方面公开的基于AIGC的图像识别装置中,控制模块控制图像集管理模块对原始目标图像与更新因子图像执行图像拼接操作,得到更新目标图像,这能够对用于图像识别模型训练的图像数据及时更新,有利于提高图像识别模型的鲁棒性,从而有利于保障图像识别装置在识别目标的图像出现变化时图像识别结果的准确性。除此之外,控制模块根据更新目标图像和原始目标图像的图像属性信息,求取更新目标图像集的更新增益指数,以及当更新增益指数与预先确定的更新增益指数阈值匹配时,控制模块控制输出模块输出表示图像识别系统进入识别功能升级预备阶段,有利于根据更新目标图像的量化评价通过输出模块关于该图像识别系统的状态信息(即是否进入识别功能升级预备阶段),从而有利于与该图像识别系统协同工作的其他系统能够根据该图像识别系统的当前状态及时响应。
最后应说明的是:本发明实施例公开的一种基于AIGC的图像识别系统及装置中,所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述的实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明的实施例技术方案的精神和范围。
Claims (6)
1.一种基于AIGC的图像识别系统,其特征在于,包括用于获取外界图像数据的图像获取模块、图像集管理模块、输出模块以及控制模块,所述控制模块分别与所述图像获取模块、所述图像集管理模块以及输出模块电连接,所述图像集管理模块还与用于储存目标图像的储存模块电连接,所述控制模块执行控制步骤包括:
所述控制模块控制所述图像获取模块获取更新因子图像,该更新因子图像为图像集管理模块完成对原始目标图像集的存储操作之后由图像获取模块所获取的具有待检测目标的图像;
所述控制模块控制所述图像集管理模块从所述储存模块中调取原始目标图像;
所述控制模块控制所述图像集管理模块对所述原始目标图像与所述更新因子图像执行图像拼接操作,得到更新目标图像;
所述控制模块根据更新目标图像和原始目标图像的图像属性信息,求取更新目标图像集的更新增益指数;
所述控制模块判定所述更新增益指数与预先确定的更新增益指数阈值是否匹配,当所述控制模块判定所述更新增益指数与预先确定的更新增益指数阈值匹配时,所述控制模块控制所述输出模块输出表示所述图像识别系统进入识别功能升级预备阶段。
2.根据权利要求1所述的基于AIGC的图像识别系统,其特征在于,所述控制模块控制所述图像集管理模块对所述原始目标图像与所述更新因子图像执行图像拼接操作,得到更新目标图像,具体包括:
所述控制模块将所述原始目标图像划分为若干个原始目标图像单元;
所述控制模块将所述更新目标图像划分为若干个更新目标图像单元,其中,所述更新目标图像单元的图像大小与所述原始目标图像单元的图像大小相同;
所述控制模块从所有的更新目标图像单元中选择若干个所述更新目标图像单元安插到由所有的原始目标图像单元组成的原始目标图像单元序列当中,形成更新目标图像单元序列;
所述控制模块将所述更新目标图像单元序列整理为二维矩阵,形成更新目标图像。
3.根据权利要求2所述的基于AIGC的图像识别系统,其特征在于,所述控制模块根据更新目标图像和原始目标图像的图像属性信息,求取更新目标图像集的更新增益指数的过程中,采用的公式为:
,
式中,表示更新增益指数,表示组成原始目标图像二维矩阵的原始目标图像单元行数,表示组成原始目标图像二维矩阵的原始目标图像单元列数,表示原始目标图像二维矩阵中位于行列的原始目标图像单元的色彩特征值,表示原始目标图像二维矩阵中位于第一方向上的对角线上的原始目标图像单元的色彩特征值的均值,表示第一方向上特征评价系数,表示原始目标图像二维矩阵中位于第二方向上的对角线上的原始目标图像单元的色彩特征值的均值,表示第二方向特征评价系数,表示组成更新目标图像二维矩阵的更新目标图像单元行数,表示组成更新目标图像二维矩阵的更新目标图像单元列数,表示更新目标图像二维矩阵中位于行列的更新目标图像单元的色彩特征值,表示更新目标图像二维矩阵中位于第一方向上的对角线上的更新目标图像单元的色彩特征值的均值,表示更新目标图像二维矩阵中位于第二方向上的对角线上的更新目标图像单元的色彩特征值的均值。
4.根据权利要求3所述的基于AIGC的图像识别系统,其特征在于,所述控制模块执行控制步骤还包括:
当所述控制模块判定所述更新增益指数与预先确定的更新增益指数阈值不匹配时,所述控制模块控制所述输出模块输出表示所述更新增益指数异常的警告信息。
5.根据权利要求4所述的基于AIGC的图像识别系统,其特征在于,所述图像获取模块与用于拍摄识别目标实时图像的摄像装置电连接,所述图像获取模块通过所述摄像装置获取更新因子图像,
和/或,所述图像获取模块与数据平台基于公网通信连接,所述图像获取模块通过所述数据平台获取更新因子图像。
6.一种基于AIGC的图像识别装置,其特征在于,所述图像识别装置设置在如权利要求1至5任一项所述的基于AIGC的图像识别系统中,所述图像识别装置包括所述图像获取模块、所述图像集管理模块、所述输出模块以及所述控制模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310370193.9A CN116091748B (zh) | 2023-04-10 | 2023-04-10 | 一种基于aigc的图像识别系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310370193.9A CN116091748B (zh) | 2023-04-10 | 2023-04-10 | 一种基于aigc的图像识别系统及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116091748A true CN116091748A (zh) | 2023-05-09 |
CN116091748B CN116091748B (zh) | 2023-06-16 |
Family
ID=86187289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310370193.9A Active CN116091748B (zh) | 2023-04-10 | 2023-04-10 | 一种基于aigc的图像识别系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116091748B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116824381A (zh) * | 2023-08-30 | 2023-09-29 | 环球数科集团有限公司 | 一种基于aigc的场景属性标注系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107153816A (zh) * | 2017-04-16 | 2017-09-12 | 五邑大学 | 一种用于鲁棒人脸识别的数据增强方法 |
CN109993175A (zh) * | 2017-12-29 | 2019-07-09 | 比亚迪股份有限公司 | 汽车及基于可变指数的目标追踪方法、装置 |
CN112561881A (zh) * | 2020-12-16 | 2021-03-26 | 南京莱斯电子设备有限公司 | 基于评价模型的红外图像自适应数据增强方法 |
CN114359681A (zh) * | 2021-12-27 | 2022-04-15 | 广东电网有限责任公司 | 图像识别模型训练、图像识别方法、装置、设备及介质 |
CN114445300A (zh) * | 2022-01-29 | 2022-05-06 | 赵恒� | 一种双曲正切变形函数变换的非线性水下图像增益算法 |
CN114463586A (zh) * | 2022-01-30 | 2022-05-10 | 中国农业银行股份有限公司 | 图像识别模型的训练与图像识别方法、装置、设备和介质 |
CN114529909A (zh) * | 2022-02-17 | 2022-05-24 | 北京百度网讯科技有限公司 | 样本数据集的生成方法、装置及电子设备 |
CN114529622A (zh) * | 2022-01-12 | 2022-05-24 | 华南理工大学 | 通过引入自监督复合任务训练生成对抗网络生成高质量图像的方法及装置 |
-
2023
- 2023-04-10 CN CN202310370193.9A patent/CN116091748B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107153816A (zh) * | 2017-04-16 | 2017-09-12 | 五邑大学 | 一种用于鲁棒人脸识别的数据增强方法 |
CN109993175A (zh) * | 2017-12-29 | 2019-07-09 | 比亚迪股份有限公司 | 汽车及基于可变指数的目标追踪方法、装置 |
CN112561881A (zh) * | 2020-12-16 | 2021-03-26 | 南京莱斯电子设备有限公司 | 基于评价模型的红外图像自适应数据增强方法 |
CN114359681A (zh) * | 2021-12-27 | 2022-04-15 | 广东电网有限责任公司 | 图像识别模型训练、图像识别方法、装置、设备及介质 |
CN114529622A (zh) * | 2022-01-12 | 2022-05-24 | 华南理工大学 | 通过引入自监督复合任务训练生成对抗网络生成高质量图像的方法及装置 |
CN114445300A (zh) * | 2022-01-29 | 2022-05-06 | 赵恒� | 一种双曲正切变形函数变换的非线性水下图像增益算法 |
CN114463586A (zh) * | 2022-01-30 | 2022-05-10 | 中国农业银行股份有限公司 | 图像识别模型的训练与图像识别方法、装置、设备和介质 |
CN114529909A (zh) * | 2022-02-17 | 2022-05-24 | 北京百度网讯科技有限公司 | 样本数据集的生成方法、装置及电子设备 |
Non-Patent Citations (3)
Title |
---|
BOCA RATON: "A survey on Image Data Augmentation for Deep Learning", 《JOURNAL OF BIG DATA》, pages 1 - 48 * |
刘 毅 等: "双注意力门融合网络的水下图像增强方法", 《新疆大学学报(自然科学版)》, pages 696 - 706 * |
王时巨 等: "基于像素级和块级的低照度图像增强", 《计算机技术与发展》, pages 34 - 41 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116824381A (zh) * | 2023-08-30 | 2023-09-29 | 环球数科集团有限公司 | 一种基于aigc的场景属性标注系统 |
CN116824381B (zh) * | 2023-08-30 | 2023-10-27 | 环球数科集团有限公司 | 一种基于aigc的场景属性标注系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116091748B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112990335B (zh) | 一种电网无人机巡检影像缺陷智能识别自学习训练方法、系统 | |
CN110427800A (zh) | 视频物体加速检测方法、装置、服务器及存储介质 | |
CN111696101A (zh) | 一种基于SE-Inception的轻量级茄科病害识别方法 | |
CN116091748B (zh) | 一种基于aigc的图像识别系统及装置 | |
CN112241679A (zh) | 一种垃圾自动分类的方法 | |
CN113919442B (zh) | 一种基于卷积神经网络烟叶成熟度状态识别方法 | |
CN104616002A (zh) | 用于年龄段判断的面部识别设备 | |
CN110781882A (zh) | 一种基于yolo模型的车牌定位和识别方法 | |
CN112347970A (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
CN116699096B (zh) | 一种基于深度学习的水质检测方法和系统 | |
CN110751191A (zh) | 一种图像的分类方法及系统 | |
CN106952232B (zh) | 一种基于蚁群算法的图文碎片恢复方法 | |
CN111539390A (zh) | 一种基于Yolov3的小目标图像识别方法、设备和系统 | |
CN113723410A (zh) | 一种数码管数字识别方法及装置 | |
CN115565168A (zh) | 一种基于注意力机制残差胶囊网络的甘蔗病害识别方法 | |
CN115496948A (zh) | 一种基于深度学习的网络监督细粒度图像识别方法和系统 | |
CN115100509A (zh) | 基于多分支块级注意力增强网络的图像识别方法及系统 | |
CN112016515A (zh) | 一种档案柜空位检测方法及装置 | |
CN112818735A (zh) | 一种基于物品识别的舰艇备件识别方法 | |
CN111259981A (zh) | 一种遥感图像处理后自动分类系统 | |
CN112199572B (zh) | 一种京族图案收集整理系统 | |
CN117218613B (zh) | 一种车辆抓拍识别系统及方法 | |
CN117152596B (zh) | 一种定制家具五金配件袋数与类别智能核验方法 | |
CN115001941B (zh) | 一种通信网管故障的确定方法及装置 | |
CN115309941B (zh) | 一种基于ai的智能标签检索方法及系统 |
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 |