CN116152106A - 基于深度神经网络的数据鉴定系统 - Google Patents

基于深度神经网络的数据鉴定系统 Download PDF

Info

Publication number
CN116152106A
CN116152106A CN202310172691.2A CN202310172691A CN116152106A CN 116152106 A CN116152106 A CN 116152106A CN 202310172691 A CN202310172691 A CN 202310172691A CN 116152106 A CN116152106 A CN 116152106A
Authority
CN
China
Prior art keywords
picture
analyzed
pixel point
pixel
pixel value
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
Application number
CN202310172691.2A
Other languages
English (en)
Other versions
CN116152106B (zh
Inventor
朱林清
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Chuangen Information Technology Co ltd
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202310172691.2A priority Critical patent/CN116152106B/zh
Publication of CN116152106A publication Critical patent/CN116152106A/zh
Application granted granted Critical
Publication of CN116152106B publication Critical patent/CN116152106B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于深度神经网络的数据鉴定系统，所述系统包括：内容分离机构，用于获取待分析画面的各个像素点分别对应的各个像素值；梯度判断机构，用于解析待分析画面中每一个像素点的像素值梯度；对象检测机构，用于检测待分析画面中存在的对象数量；畸变检测器件，用于基于待分析画面的各个像素点分别对应的各个像素值、各个像素值梯度以及存在的对象数量检测待分析画面的畸变等级。本发明的基于深度神经网络的数据鉴定系统结构紧凑、应用广泛。能够基于画面的各个像素点分别对应的各个像素值、各个像素值梯度以及存在的对象的数量直接鉴别画面的畸变程度，从而有效替换了原本复杂、冗余的几何特征的画面信号处理。

Description

基于深度神经网络的数据鉴定系统
技术领域
本发明涉及人工智能领域，尤其涉及一种基于深度神经网络的数据鉴定系统。
背景技术
人工智能(Artificial Intelligence)，英文缩写为AI，是计算机学科的一个分支，二十世纪七十年代以来被称为世界三大尖端技术之一(空间技术、能源技术、人工智能)，也被认为是二十一世纪三大尖端技术(基因工程、纳米科学、人工智能)之一。这是因为近三十年来它获得了迅速的发展，在很多学科领域都获得了广泛应用，并取得了丰硕的成果，人工智能已逐步成为一个独立的分支，无论在理论和实践上都已自成一个系统。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。人工智能将涉及到计算机科学、心理学、哲学和语言学等学科。可以说几乎是自然科学和社会科学的所有学科，其范围已远远超出了计算机科学的范畴，人工智能与思维科学的关系是实践和理论的关系，人工智能是处于思维科学的技术应用层次，是它的一个应用分支。从思维观点看，人工智能不仅限于逻辑思维，要考虑形象思维、灵感思维才能促进人工智能的突破性的发展，数学常被认为是多种学科的基础科学，数学也进入语言、思维领域，人工智能学科也必须借用数学工具，数学不仅在标准逻辑、模糊数学等范围发挥作用，数学进入人工智能学科，它们将互相促进而更快地发展。
然而，作为较新的数据分析工具，人工智能仍旧存在较多的细分领域需要完成应用的落地以及具体细节方案的处理和解决。例如，需要使用人工智能直接对每一帧画面的畸变程度进行判断，而不需要执行现有技术中的过多冗余的几何分析运算过程(例如申请公布号CN103139591A的发明公布公开了：基于图形处理器的3D视频颜色自动校正方法，它包括：将3D视频拆分为每一帧的左右眼原图；选择待校正图像并选取参考图像；将待校正图像和参考图像转换为GPU可以处理的文件形式；将两个图像从RGB转为Lab；利用GPU提取两个图像的有效统计信息，并对待校正图像进行校正；将待校正图像从Lab转为RGB，并进行越界检测校正。通过将大量代数运算从CPU转移至GPU；选择通道关联性较小的Lab颜色空间；RGB转Lab过程中，在出现颜色饱和的情况下进行修正；采用降维方法进行均值与方差统计。)。
发明内容
区别于现有技术，为了解决现有技术中的技术问题，本发明提供了一种基于深度神经网络的数据鉴定系统，能够基于画面的各个像素点分别对应的各个像素值、画面的各个像素点分别对应的各个像素值梯度以及画面中存在的对象的数量采用深度神经网络智能鉴别画面的畸变程度，尤为关键的是，对深度神经网络进行针对性的构造和训练，从而保证了各种画面内容的畸变分析的可靠性和稳定性。
根据本发明的一方面，提供了一种基于深度神经网络的数据鉴定系统，所述系统包括：
内容分离机构，用于获取待分析画面，获取所述待分析画面的各个像素点分别对应的各个像素值，所述待分析画面的各个像素点分别对应的各个像素值为YUV空间下的各个Y分量数值、YUV空间下的各个U分量数值或者YUV空间下的各个V分量数值；
梯度判断机构，与所述内容分离机构连接，用于基于所述待分析画面的各个像素点分别对应的各个像素值解析所述待分析画面中每一个像素点的像素值梯度；
对象检测机构，用于获取待分析画面，并检测所述待分析画面中存在的对象的数量，所述对象占据的图像分块为所述待分析画面中占据像素点数量超过设定数量限量且与背景区域不同的图像区域；
畸变检测器件，分别与所述内容分量机构、所述梯度判断机构以及所述对象检测机构连接，用于基于所述待分析画面的各个像素点分别对应的各个像素值、所述待分析画面中各个像素点分别对应的各个像素值梯度以及所述待分析画面中存在的对象的数量检测所述待分析画面的畸变等级；
其中，基于所述待分析画面的各个像素点分别对应的各个像素值、所述待分析画面中各个像素点分别对应的各个像素值梯度以及所述待分析画面中存在的对象的数量检测所述待分析画面的畸变等级包括：采用深度神经网络以基于所述待分析画面的各个像素点分别对应的各个像素值、所述待分析画面中各个像素点分别对应的各个像素值梯度以及所述待分析画面中存在的对象的数量智能检测所述待分析画面的畸变等级。
本发明的基于深度神经网络的数据鉴定系统结构紧凑、应用广泛。能够基于画面的各个像素点分别对应的各个像素值、各个像素值梯度以及存在的对象的数量直接鉴别画面的畸变程度，从而有效替换了原本复杂、冗余的几何特征的画面信号处理。
附图说明
以下将结合附图对本发明的实施方案进行描述，其中：
图1为根据本发明实施方案A示出的基于深度神经网络的数据鉴定系统的内部结构示意图。
图2为根据本发明实施方案B示出的基于深度神经网络的数据鉴定系统的内部结构示意图。
图3为根据本发明实施方案C示出的基于深度神经网络的数据鉴定系统的内部结构示意图。
具体实施方式
下面将参照附图对本发明的基于深度神经网络的数据鉴定系统的实施方案进行详细说明。
实施方案A
图1为根据本发明实施方案A示出的基于深度神经网络的数据鉴定系统的内部结构示意图，所述系统包括：
内容分离机构，用于获取待分析画面，获取所述待分析画面的各个像素点分别对应的各个像素值，所述待分析画面的各个像素点分别对应的各个像素值为YUV空间下的各个Y分量数值、YUV空间下的各个U分量数值或者YUV空间下的各个V分量数值；
示例地，所述待分析画面的各个像素点分别对应的各个像素值为YUV空间下的各个Y分量数值、YUV空间下的各个U分量数值或者YUV空间下的各个V分量数值中：每一Y分量数值、每一U分量数值以及每一V分量数值的取值都在0-255之间；
梯度判断机构，与所述内容分离机构连接，用于基于所述待分析画面的各个像素点分别对应的各个像素值解析所述待分析画面中每一个像素点的像素值梯度；
示例地，所述待分析画面中每一个像素点的像素值梯度可以用于表示所述待分析画面中每一个像素点的像素值相比较于周围各个像素点的像素值的数值变化的剧烈程度；
对象检测机构，用于获取待分析画面，并检测所述待分析画面中存在的对象的数量，所述对象占据的图像分块为所述待分析画面中占据像素点数量超过设定数量限量且与背景区域不同的图像区域；
畸变检测器件，分别与所述内容分量机构、所述梯度判断机构以及所述对象检测机构连接，用于基于所述待分析画面的各个像素点分别对应的各个像素值、所述待分析画面中各个像素点分别对应的各个像素值梯度以及所述待分析画面中存在的对象的数量检测所述待分析画面的畸变等级；
其中，基于所述待分析画面的各个像素点分别对应的各个像素值、所述待分析画面中各个像素点分别对应的各个像素值梯度以及所述待分析画面中存在的对象的数量检测所述待分析画面的畸变等级包括：采用深度神经网络以基于所述待分析画面的各个像素点分别对应的各个像素值、所述待分析画面中各个像素点分别对应的各个像素值梯度以及所述待分析画面中存在的对象的数量智能检测所述待分析画面的畸变等级；
其中，采用深度神经网络以基于所述待分析画面的各个像素点分别对应的各个像素值、所述待分析画面中各个像素点分别对应的各个像素值梯度以及所述待分析画面中存在的对象的数量智能检测所述待分析画面的畸变等级包括：所述深度神经网络的各项输入信息为所述待分析画面的各个像素点分别对应的各个像素值、所述待分析画面中各个像素点分别对应的各个像素值梯度以及所述待分析画面中存在的对象的数量；
其中，采用深度神经网络以基于所述待分析画面的各个像素点分别对应的各个像素值、所述待分析画面中各个像素点分别对应的各个像素值梯度以及所述待分析画面中存在的对象的数量智能检测所述待分析画面的畸变等级还包括：所述深度神经网络的单项输出信息为所述待分析画面的畸变等级；
其中，采用深度神经网络以基于所述待分析画面的各个像素点分别对应的各个像素值、所述待分析画面中各个像素点分别对应的各个像素值梯度以及所述待分析画面中存在的对象的数量智能检测所述待分析画面的畸变等级还包括：所述深度神经网络包括一个输入层、一个输出层和设置在所述一个输入层和所述一个输出层之间的多个隐藏层；
其中，所述深度神经网络包括一个输入层、一个输出层和设置在所述一个输入层和所述一个输出层之间的多个隐藏层包括：所述多个隐藏层的数量与所述待分析画面的噪声类型的数量成正比。
实施方案B
图2为根据本发明实施方案B示出的基于深度神经网络的数据鉴定系统的内部结构示意图。
图2中的基于深度神经网络的数据鉴定系统包括：
内容分离机构，用于获取待分析画面，获取所述待分析画面的各个像素点分别对应的各个像素值，所述待分析画面的各个像素点分别对应的各个像素值为YUV空间下的各个Y分量数值、YUV空间下的各个U分量数值或者YUV空间下的各个V分量数值；
梯度判断机构，与所述内容分离机构连接，用于基于所述待分析画面的各个像素点分别对应的各个像素值解析所述待分析画面中每一个像素点的像素值梯度；
对象检测机构，用于获取待分析画面，并检测所述待分析画面中存在的对象的数量，所述对象占据的图像分块为所述待分析画面中占据像素点数量超过设定数量限量且与背景区域不同的图像区域；
畸变检测器件，分别与所述内容分量机构、所述梯度判断机构以及所述对象检测机构连接，用于基于所述待分析画面的各个像素点分别对应的各个像素值、所述待分析画面中各个像素点分别对应的各个像素值梯度以及所述待分析画面中存在的对象的数量检测所述待分析画面的畸变等级；
训练执行器件，与所述畸变检测器件连接，用于将完成预设数目的多次训练后的深度神经网络发送给所述畸变检测器件使用；
其中，将完成预设数目的多次训练后的深度神经网络发送给所述畸变检测器件使用包括：所述预设数目的取值与所述待分析画面的信噪比单调反向关联；
示例地，可以采用MATLAB工具箱用于仿真所述预设数目的取值与所述待分析画面的信噪比的单调反向关联的数值关联关系。
实施方案C
图3为根据本发明实施方案C示出的基于深度神经网络的数据鉴定系统的内部结构示意图。
图3中的基于深度神经网络的数据鉴定系统包括：
内容分离机构，用于获取待分析画面，获取所述待分析画面的各个像素点分别对应的各个像素值，所述待分析画面的各个像素点分别对应的各个像素值为YUV空间下的各个Y分量数值、YUV空间下的各个U分量数值或者YUV空间下的各个V分量数值；
梯度判断机构，与所述内容分离机构连接，用于基于所述待分析画面的各个像素点分别对应的各个像素值解析所述待分析画面中每一个像素点的像素值梯度；
对象检测机构，用于获取待分析画面，并检测所述待分析画面中存在的对象的数量，所述对象占据的图像分块为所述待分析画面中占据像素点数量超过设定数量限量且与背景区域不同的图像区域；
畸变检测器件，分别与所述内容分量机构、所述梯度判断机构以及所述对象检测机构连接，用于基于所述待分析画面的各个像素点分别对应的各个像素值、所述待分析画面中各个像素点分别对应的各个像素值梯度以及所述待分析画面中存在的对象的数量检测所述待分析画面的畸变等级；
数据显示器件，与所述畸变检测器件连接，用于接收并实时显示所述待分析画面的畸变等级。
接着，继续对本发明的基于深度神经网络的数据鉴定系统的具体结构进行进一步的说明。
在根据本发明任一实施方案的基于深度神经网络的数据鉴定系统中：
基于所述待分析画面的各个像素点分别对应的各个像素值解析所述待分析画面中每一个像素点的像素值梯度包括：将所述待分析画面中每一个像素点作为当前像素点，基于以所述当前像素点为中心的像素点窗口覆盖的各个像素点分别对应的各个像素值的标准差判断所述当前像素点的像素值梯度；
其中，基于以所述当前像素点为中心的像素点窗口覆盖的各个像素点分别对应的各个像素值的标准差判断所述当前像素点的像素值梯度包括：以所述当前像素点为中心的像素点窗口覆盖的各个像素点分别对应的各个像素值的标准差越大，判断的所述当前像素点的像素值梯度越大；
其中，基于以所述当前像素点为中心的像素点窗口覆盖的各个像素点分别对应的各个像素值的标准差判断所述当前像素点的像素值梯度还包括：所述像素点窗口为预设尺寸的方形窗口；
其中，基于以所述当前像素点为中心的像素点窗口覆盖的各个像素点分别对应的各个像素值的标准差判断所述当前像素点的像素值梯度还包括：采用数值仿真公式表述判断的所述当前像素点的像素值梯度与以所述当前像素点为中心的像素点窗口覆盖的各个像素点分别对应的各个像素值的标准差的数值关联关系；
以及其中，所述像素点窗口为预设尺寸的方形窗口包括：所述方形窗口为3像素点乘以3像素点，或者，所述方形窗口为8像素点乘以8像素点。
另外，在所述基于深度神经网络的数据鉴定系统中，采用数值仿真公式表述判断的所述当前像素点的像素值梯度与以所述当前像素点为中心的像素点窗口覆盖的各个像素点分别对应的各个像素值的标准差的数值关联关系包括：采用MATLAB工具箱模拟的数值仿真公式表述判断的所述当前像素点的像素值梯度与以所述当前像素点为中心的像素点窗口覆盖的各个像素点分别对应的各个像素值的标准差的数值关联关系。
由此可见，本发明主要具备以下四处显著的技术效果：
第一处、基于画面的各个像素点分别对应的各个像素值、画面的各个像素点分别对应的各个像素值梯度以及画面中存在的对象的数量采用深度神经网络智能鉴别画面的畸变程度，从而直接根据画面信号的具体数据解析出画面质量参数，避免进行冗长、复杂的几何形状分析；
第二处、智能鉴定所采用的深度神经网络经过预设数目的多次训练，所述预设数目的取值与画面的信噪比单调反向关联；
第三处、智能鉴定所采用的深度神经网络包括多个隐藏层，所述多个隐藏层的数量与画面的噪声类型的数量成正比；
第四处、采用针对性的解析机制以基于画面的各个像素点分别对应的各个像素值解析所述画面中每一个像素点的像素值梯度，从而保证了参与智能鉴别的画面信息的可靠性。
本领域的技术人员应理解，上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明。本发明的目的已经完整并有效地实现。本发明的功能及结构原理已在实施例中展示和说明，在没有背离所述原理下，本发明的实施方式可以有任何变形或修改。

Claims (10)

1.一种基于深度神经网络的数据鉴定系统，其特征在于，所述系统包括：
内容分离机构，用于获取待分析画面，获取所述待分析画面的各个像素点分别对应的各个像素值，所述待分析画面的各个像素点分别对应的各个像素值为YUV空间下的各个Y分量数值、YUV空间下的各个U分量数值或者YUV空间下的各个V分量数值；
梯度判断机构，与所述内容分离机构连接，用于基于所述待分析画面的各个像素点分别对应的各个像素值解析所述待分析画面中每一个像素点的像素值梯度；
对象检测机构，用于获取待分析画面，并检测所述待分析画面中存在的对象的数量，所述对象占据的图像分块为所述待分析画面中占据像素点数量超过设定数量限量且与背景区域不同的图像区域；
畸变检测器件，分别与所述内容分量机构、所述梯度判断机构以及所述对象检测机构连接，用于基于所述待分析画面的各个像素点分别对应的各个像素值、所述待分析画面中各个像素点分别对应的各个像素值梯度以及所述待分析画面中存在的对象的数量检测所述待分析画面的畸变等级；
其中，基于所述待分析画面的各个像素点分别对应的各个像素值、所述待分析画面中各个像素点分别对应的各个像素值梯度以及所述待分析画面中存在的对象的数量检测所述待分析画面的畸变等级包括：采用深度神经网络以基于所述待分析画面的各个像素点分别对应的各个像素值、所述待分析画面中各个像素点分别对应的各个像素值梯度以及所述待分析画面中存在的对象的数量智能检测所述待分析画面的畸变等级。
2.如权利要求1所述的基于深度神经网络的数据鉴定系统，其特征在于，所述系统还包括：
采用深度神经网络以基于所述待分析画面的各个像素点分别对应的各个像素值、所述待分析画面中各个像素点分别对应的各个像素值梯度以及所述待分析画面中存在的对象的数量智能检测所述待分析画面的畸变等级包括：所述深度神经网络的各项输入信息为所述待分析画面的各个像素点分别对应的各个像素值、所述待分析画面中各个像素点分别对应的各个像素值梯度以及所述待分析画面中存在的对象的数量。
3.如权利要求2所述的基于深度神经网络的数据鉴定系统，其特征在于：
采用深度神经网络以基于所述待分析画面的各个像素点分别对应的各个像素值、所述待分析画面中各个像素点分别对应的各个像素值梯度以及所述待分析画面中存在的对象的数量智能检测所述待分析画面的畸变等级还包括：所述深度神经网络的单项输出信息为所述待分析画面的畸变等级。
4.如权利要求3所述的基于深度神经网络的数据鉴定系统，其特征在于：
采用深度神经网络以基于所述待分析画面的各个像素点分别对应的各个像素值、所述待分析画面中各个像素点分别对应的各个像素值梯度以及所述待分析画面中存在的对象的数量智能检测所述待分析画面的畸变等级还包括：所述深度神经网络包括一个输入层、一个输出层和设置在所述一个输入层和所述一个输出层之间的多个隐藏层。
5.如权利要求4所述的基于深度神经网络的数据鉴定系统，其特征在于：
所述深度神经网络包括一个输入层、一个输出层和设置在所述一个输入层和所述一个输出层之间的多个隐藏层包括：所述多个隐藏层的数量与所述待分析画面的噪声类型的数量成正比。
6.如权利要求5所述的基于深度神经网络的数据鉴定系统，其特征在于，所述系统还包括：
训练执行器件，与所述畸变检测器件连接，用于将完成预设数目的多次训练后的深度神经网络发送给所述畸变检测器件使用；
其中，将完成预设数目的多次训练后的深度神经网络发送给所述畸变检测器件使用包括：所述预设数目的取值与所述待分析画面的信噪比单调反向关联。
7.如权利要求5所述的基于深度神经网络的数据鉴定系统，其特征在于，所述系统还包括：
数据显示器件，与所述畸变检测器件连接，用于接收并实时显示所述待分析画面的畸变等级。
8.如权利要求5-7任一所述的基于深度神经网络的数据鉴定系统，其特征在于：
基于所述待分析画面的各个像素点分别对应的各个像素值解析所述待分析画面中每一个像素点的像素值梯度包括：将所述待分析画面中每一个像素点作为当前像素点，基于以所述当前像素点为中心的像素点窗口覆盖的各个像素点分别对应的各个像素值的标准差判断所述当前像素点的像素值梯度。
9.如权利要求8所述的基于深度神经网络的数据鉴定系统，其特征在于：
基于以所述当前像素点为中心的像素点窗口覆盖的各个像素点分别对应的各个像素值的标准差判断所述当前像素点的像素值梯度包括：以所述当前像素点为中心的像素点窗口覆盖的各个像素点分别对应的各个像素值的标准差越大，判断的所述当前像素点的像素值梯度越大；
其中，基于以所述当前像素点为中心的像素点窗口覆盖的各个像素点分别对应的各个像素值的标准差判断所述当前像素点的像素值梯度还包括：所述像素点窗口为预设尺寸的方形窗口。
10.如权利要求9所述的基于深度神经网络的数据鉴定系统，其特征在于：
基于以所述当前像素点为中心的像素点窗口覆盖的各个像素点分别对应的各个像素值的标准差判断所述当前像素点的像素值梯度还包括：采用数值仿真公式表述判断的所述当前像素点的像素值梯度与以所述当前像素点为中心的像素点窗口覆盖的各个像素点分别对应的各个像素值的标准差的数值关联关系；
其中，所述像素点窗口为预设尺寸的方形窗口包括：所述方形窗口为3像素点乘以3像素点，或者，所述方形窗口为8像素点乘以8像素点。
CN202310172691.2A 2023-02-23 2023-02-23 基于深度神经网络的数据鉴定系统 Active CN116152106B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310172691.2A CN116152106B (zh) 2023-02-23 2023-02-23 基于深度神经网络的数据鉴定系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310172691.2A CN116152106B (zh) 2023-02-23 2023-02-23 基于深度神经网络的数据鉴定系统

Publications (2)

Publication Number Publication Date
CN116152106A true CN116152106A (zh) 2023-05-23
CN116152106B CN116152106B (zh) 2024-06-04

Family

ID=86356113

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310172691.2A Active CN116152106B (zh) 2023-02-23 2023-02-23 基于深度神经网络的数据鉴定系统

Country Status (1)

Country Link
CN (1) CN116152106B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117808737A (zh) * 2023-11-02 2024-04-02 江阴市精成数控有限公司 轴承缺陷管理系统
CN118294595A (zh) * 2024-04-08 2024-07-05 南京利奕辽机械科技有限公司 用于不锈钢齿轮体的定向视觉数据分析系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107610062A (zh) * 2017-09-01 2018-01-19 上海微元计算机系统集成有限公司 基于bp神经网络的图像几何畸变的快速识别与校正方法
CN110728661A (zh) * 2019-09-18 2020-01-24 清华大学 基于随机生成样本的图像畸变评价网络训练方法及装置
CN113222862A (zh) * 2021-06-04 2021-08-06 黑芝麻智能科技(上海)有限公司 图像畸变校正方法、装置、电子设备和存储介质
CN114049337A (zh) * 2021-11-19 2022-02-15 黑龙江农垦建工路桥有限公司 一种基于人工智能的隧道变形检测方法及系统
CN114283095A (zh) * 2021-12-30 2022-04-05 爱芯元智半导体(上海)有限公司 一种图像畸变校正方法、系统、电子设备及存储介质
CN114549561A (zh) * 2022-04-22 2022-05-27 山东施卫普环保科技有限公司 清扫车清扫刷运行防护方法
CN115604497A (zh) * 2022-10-12 2023-01-13 泰州亚东广告传媒有限公司（Cn） 直播对象锐化过度鉴定装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107610062A (zh) * 2017-09-01 2018-01-19 上海微元计算机系统集成有限公司 基于bp神经网络的图像几何畸变的快速识别与校正方法
CN110728661A (zh) * 2019-09-18 2020-01-24 清华大学 基于随机生成样本的图像畸变评价网络训练方法及装置
CN113222862A (zh) * 2021-06-04 2021-08-06 黑芝麻智能科技(上海)有限公司 图像畸变校正方法、装置、电子设备和存储介质
CN114049337A (zh) * 2021-11-19 2022-02-15 黑龙江农垦建工路桥有限公司 一种基于人工智能的隧道变形检测方法及系统
CN114283095A (zh) * 2021-12-30 2022-04-05 爱芯元智半导体(上海)有限公司 一种图像畸变校正方法、系统、电子设备及存储介质
CN114549561A (zh) * 2022-04-22 2022-05-27 山东施卫普环保科技有限公司 清扫车清扫刷运行防护方法
CN115604497A (zh) * 2022-10-12 2023-01-13 泰州亚东广告传媒有限公司（Cn） 直播对象锐化过度鉴定装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117808737A (zh) * 2023-11-02 2024-04-02 江阴市精成数控有限公司 轴承缺陷管理系统
CN117808737B (zh) * 2023-11-02 2024-05-14 江阴市精成数控有限公司 轴承缺陷管理系统
CN118294595A (zh) * 2024-04-08 2024-07-05 南京利奕辽机械科技有限公司 用于不锈钢齿轮体的定向视觉数据分析系统

Also Published As

Publication number Publication date
CN116152106B (zh) 2024-06-04

Similar Documents

Publication Publication Date Title
CN116152106B (zh) 基于深度神经网络的数据鉴定系统
CN108416377B (zh) 柱状图中的信息提取方法及装置
EP3961484A1 (en) Medical image segmentation method and device, electronic device and storage medium
Bayar et al. Design principles of convolutional neural networks for multimedia forensics
CN101980248B (zh) 基于改进视觉注意力模型的自然场景目标检测方法
CN110582783B (zh) 训练装置、图像识别装置、训练方法和计算机可读信息存储介质
CN110020658B (zh) 一种基于多任务深度学习的显著目标检测方法
CN114581823A (zh) 基于时序特征的虚拟现实视频情感识别方法及系统
JP2005190400A (ja) 顔画像検出方法及び顔画像検出システム並びに顔画像検出プログラム
KR101396678B1 (ko) 시각장애인을 위한 햅틱 디스플레이 기반 시각정보 표시시스템 및 방법
JPWO2020062846A5 (zh)
CN110659398A (zh) 一种基于数学图表类数据集的视觉问答方法
CN116385278B (zh) 一种低光照图像视觉特征自监督表示方法和系统
CN114638988A (zh) 一种基于不同呈现方式的教学视频自动化分类方法及系统
CN113642466A (zh) 活体检测和模型训练方法、设备及介质
CN113592765A (zh) 图像处理方法、装置、设备及存储介质
CN110738213B (zh) 一种包括周边环境的图像识别方法及装置
CN112818948B (zh) 一种嵌入式系统下的基于视觉注意力的行为识别方法
CN111179226B (zh) 视野图的识别方法、装置及计算机存储介质
US20220292706A1 (en) Object number estimation device, control method, and program
Yahya Teaching digital image processing topics via matlab techniques
KR101024954B1 (ko) 색채와 감정 간의 관계에 기초한 영상의 색 변환 방법
CN112906539B (zh) 一种基于eeg数据的物体识别方法
CN113591582B (zh) 基于静息态功能磁共振数据的性格识别装置及方法
CN110111295B (zh) 一种图像协同显著性检测方法及装置

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
TA01 Transfer of patent application right

Effective date of registration: 20240423

Address after: 257000, No. 228 Nanyi Road, Dongying Economic and Technological Development Zone, Dongying City, Shandong Province

Applicant after: Shandong Chuangen Information Technology Co.,Ltd.

Country or region after: China

Address before: No. 383 Xingye Avenue, Airport Industrial Park, Economic and Technological Development Zone, Hefei City, Anhui Province, 230601

Applicant before: Zhu Linqing

Country or region before: China

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant