CN116245962B - 用于无线传输到区块链服务器的数据提取系统及方法 - Google Patents
用于无线传输到区块链服务器的数据提取系统及方法 Download PDFInfo
- Publication number
- CN116245962B CN116245962B CN202310251265.8A CN202310251265A CN116245962B CN 116245962 B CN116245962 B CN 116245962B CN 202310251265 A CN202310251265 A CN 202310251265A CN 116245962 B CN116245962 B CN 116245962B
- Authority
- CN
- China
- Prior art keywords
- picture frame
- latest picture
- noise
- neural network
- latest
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 51
- 238000013075 data extraction Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 claims abstract description 55
- 238000003062 neural network model Methods 0.000 claims abstract description 46
- 230000007246 mechanism Effects 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 38
- 206010034960 Photophobia Diseases 0.000 claims description 10
- 208000013469 light sensitivity Diseases 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000002372 labelling Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- 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
-
- 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
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明涉及一种用于无线传输到区块链服务器的数据提取系统，包括：模型应用机构，用于基于最新画面帧的噪声类型数量以及噪声幅度均值、所述最新画面帧的信噪比、清晰度以及对比度、所述最新画面帧中各个像素点分别对应的各个Y份量数值采用前馈神经网络模型智能鉴定所述最新画面帧的多项拍摄数据；模型搭建机构，与所述模型应用机构连接，用于对前馈神经网络进行设定数量次数训练。本发明还涉及一种用于无线传输到区块链服务器的数据提取方法。通过本发明，能够引入完成设定数量次数训练的前馈神经网络，当画面接收端获得一帧拍摄画面时，基于该帧拍摄画面的各项画面信息直接判断该帧拍摄画面的各项真实拍摄参数，从而实现对获取画面的原始拍摄参数真伪的有效鉴定。
Description
技术领域
本发明涉及神经网络领域，尤其涉及一种用于无线传输到区块链服务器的数据提取系统及方法。
背景技术
不论何种类型的人工神经网络，它们共同的特点是，大规模并行处理，分布式存储，弹性拓扑，高度冗余和非线性运算。因而具有很髙的运算速度，很强的联想能力，很强的适应性，很强的容错能力和自组织能力。这些特点和能力构成了人工神经网络模拟智能活动的技术基础，并在广阔的领域获得了重要的应用。
例如，在通信领域，人工神经网络可以用于数据压缩、图像处理、矢量编码、差错控制(纠错和检错编码)、自适应信号处理、自适应均衡、信号检测、模式识别、ATM流量控制、路由选择、通信网优化和智能网管理等。
经过检索，现有技术中相关专利如下所述：
CN115801251A公开了一种图像数据加密传输方法，包括：接收服务端发送的包含图像加密算法的图像传输请求，基于所述图像加密算法构建密钥对，基于所述图像传输请求获取目标图像，利用所述密钥对中的公开密钥对所述目标图像中的预设行像素数据进行替换加密，得到加密图像，将所述加密图像发送至服务端。本发明还提出一种图像数据加密传输装置、电子设备以及计算机可读存储介质。本发明可以保证图像数据传输效率的同时提高图像数据质量。
CN115802001A公开了一种摄像头图像数据处理方法、装置及终端，方法包括：获取摄像头拍摄的视频流数据；对摄像头拍摄的视频流数据进行分析，判断是否为无视频信号的图像；当所述摄像头拍摄的视频流数据被判定为无视频信号的图像，则截取无视频信号图像的开始图像，并从截取的无视频信号图像的开始图像提取开始时间信息，发送给指定终端进行相应提醒。通过合理设计摄像头图像数据处理流程，对需要耗时的处理阶段增加判定条件，从而使得能够在3s的时间内完成2张图片的检测,提高了效率。解决了现有技术在无视频信号的场景下，分析提取无视频信号图像的时间的工作需要人工完成，工作效率低的技术问题。
CN115797930A公开了一种图像数据自动标注方法、设备、存储介质及装置，本发明通过遍历待标注数据集中目标数据子集；基于预设探测点通过预设标注模型对所述目标数据子集进行标注；根据标注结果迭代修正所述预设探测点的探测精度，直至完成对所述待标注数据集的数据标注。由于本发明通过预设探测点和预设标注模型对数据进行标注的同时完成探测精度优化，相较于现有技术中人工数据标注方法存在依赖人工处理导致效率不高、人工标注错误导致影响算法的训练学习与优化等不足，本发明实现了降低依靠人工进行标注的工作量，也降低了人工标注导致数据标注出错的概率。
CN115795076A公开了一种图像数据的交叉标注方法、装置、设备及存储介质，所述方法包括：获取待标注图像数据，接收第一标注设备对待标注图像数据进行的标注，得到含有第一标签的已标注图像数据；将已标注图像数据中的第一标签进行隐藏；接收第二标注设备对隐藏第一标签的已标注图像数据进行的标注，得到含有第二标签的已标注图像数据；在第一标签与所述第二标签一致时，将含有第一标签的已标注图像数据和/或含有第二标签的已标注图像数据进行归档；通过上述方式，使用多个标注设备分别对待标注图像数据进行交叉标注，从而能够有效提高标注图像数据的准确性，进而提高训练模型的准确性。
CN115776566A公开了一种图像数据的处理方法、装置、计算机设备、存储介质和计算机程序产品。方法包括：将待压缩的图像转换到目标颜色空间，得到在目标颜色空间下的图像数据；目标颜色空间包括亮度分量、第一色度分量和第二色度分量；对于图像数据的图像块的各分量，分别确定为目标分量；将目标分量分别采用预设编码方式进行预编码，并计算目标分量采用各预设编码方式进行预编码后的重建值与原始值的均方误差；将均方误差最小的预设编码方式确定为目标分量的目标编码方式；将均方误差最小的预设编码方式确定为目标分量的目标编码方式，使得目标分量的重建值尽可能的接近原始值，保证了各分量的压缩完成后得到的压缩图像的压缩数据的显示质量。
然而，当前仍存在以下具体的应用领域需要神经网络寻找克服技术难题的可靠方案。例如，通过设置各项图像参数能够完成对图像画面的内容调整，但是，当画面接收端获得一帧图像画面时，却无法获取该帧图像画面的各项真实图像参数，导致图像数据真伪验证困难，同时为用户调取真实数据进行后续使用制造了阻碍，进而无法进一步无线传输到远端区块链服务器以进一步利用。
发明内容
为了解决上述技术难题，本发明提供了一种用于无线传输到区块链服务器的数据提取系统及方法，能够引入完成设定数量次数训练的前馈神经网络，当画面接收端获得一帧拍摄画面时，基于该帧拍摄画面的各项画面信息直接判断该帧拍摄画面的各项真实拍摄参数，从而避免造成人们对拍摄参数的误判，影响后续拍摄决策的制定和实施。
根据本发明的一方面，提供了一种用于无线传输到区块链服务器的数据提取系统，所述系统包括：
噪声采集器件，用于获取最新画面帧，对所述最新画面帧执行噪声信息采集以获得各项不同类型的噪声信息，所述各项不同类型的噪声信息包括噪声类型数量以及噪声幅度均值；
数据提取器件，用于获取最新画面帧，提取所述最新画面帧的信噪比、清晰度以及对比度；
分量测量器件，用于获取最新画面帧，解析所述最新画面帧中每一个像素点在YUV空间下的Y分量数值，以获得所述最新画面帧中各个像素点分别对应的各个Y份量数值；
模型应用机构，分别与所述噪声采集器件、所述数据提取器件以及所述分量测量器件连接，用于基于所述最新画面帧的噪声类型数量以及噪声幅度均值、所述最新画面帧的信噪比、清晰度以及对比度、所述最新画面帧中各个像素点分别对应的各个Y份量数值采用前馈神经网络模型智能鉴定所述最新画面帧的多项拍摄数据，所述多项拍摄数据包括拍摄所述最新画面帧中的快门速度、感光度以及拍摄焦距，所述前馈神经网络模型为完成设定数量次数训练的前馈神经网络；
模型搭建机构，与所述模型应用机构连接，用于对前馈神经网络进行设定数量次数训练，并将完成设定数量次数训练的前馈神经网络作为所述前馈神经网络模型发送给所述模型应用机构使用；
其中，所述前馈神经网络模型为完成设定数量次数训练的前馈神经网络包括：所述设定数量次数的取值与所述最新画面帧的像素点总量成正比。
根据本发明的另一方面，还提供了一种用于无线传输到区块链服务器的数据提取方法，所述方法包括：
使用噪声采集器件，用于获取最新画面帧，对所述最新画面帧执行噪声信息采集以获得各项不同类型的噪声信息，所述各项不同类型的噪声信息包括噪声类型数量以及噪声幅度均值；
使用数据提取器件，用于获取最新画面帧，提取所述最新画面帧的信噪比、清晰度以及对比度；
使用分量测量器件，用于获取最新画面帧，解析所述最新画面帧中每一个像素点在YUV空间下的Y分量数值，以获得所述最新画面帧中各个像素点分别对应的各个Y份量数值；
使用模型应用机构，分别与所述噪声采集器件、所述数据提取器件以及所述分量测量器件连接，用于基于所述最新画面帧的噪声类型数量以及噪声幅度均值、所述最新画面帧的信噪比、清晰度以及对比度、所述最新画面帧中各个像素点分别对应的各个Y份量数值采用前馈神经网络模型智能鉴定所述最新画面帧的多项拍摄数据，所述多项拍摄数据包括拍摄所述最新画面帧中的快门速度、感光度以及拍摄焦距，所述前馈神经网络模型为完成设定数量次数训练的前馈神经网络；
使用模型搭建机构，与所述模型应用机构连接，用于对前馈神经网络进行设定数量次数训练，并将完成设定数量次数训练的前馈神经网络作为所述前馈神经网络模型发送给所述模型应用机构使用；
其中，所述前馈神经网络模型为完成设定数量次数训练的前馈神经网络包括：所述设定数量次数的取值与所述最新画面帧的像素点总量成正比。
采用本发明的用于无线传输到区块链服务器的数据提取系统及方法，针对现有技术中无法通过获取的拍摄画面反推出真实的各项拍摄参数的技术问题，通过引入完成设定数量次数训练的前馈神经网络，当画面接收端获得一帧拍摄画面时，基于该帧拍摄画面的各项画面信息直接判断该帧拍摄画面的各项真实拍摄参数，从而克服了上述技术问题，实现对获取画面的原始拍摄参数真伪的有效鉴定。
附图说明
以下将结合附图对本发明的实施例进行描述，其中：
图1为根据本发明第一实施例示出的用于无线传输到区块链服务器的数据提取系统的结构方框图。
图2为根据本发明第二实施例示出的用于无线传输到区块链服务器的数据提取系统的结构方框图。
图3为根据本发明第三实施例示出的用于无线传输到区块链服务器的数据提取方法的步骤流程图。
具体实施方式
下面将参照附图对本发明的用于无线传输到区块链服务器的数据提取方法的实施例进行详细说明。
实施例1
图1为根据本发明第一实施例示出的用于无线传输到区块链服务器的数据提取系统的结构方框图，所述系统包括：
噪声采集器件，用于获取最新画面帧，对所述最新画面帧执行噪声信息采集以获得各项不同类型的噪声信息，所述各项不同类型的噪声信息包括噪声类型数量以及噪声幅度均值；
示例地，所述各项不同类型的噪声信息包括噪声类型数量以及噪声幅度均值中，不同噪声类型可以包括脉冲噪声、椒盐噪声、高斯白噪声等多种噪声类型；
数据提取器件，用于获取最新画面帧，提取所述最新画面帧的信噪比、清晰度以及对比度；
分量测量器件，用于获取最新画面帧，解析所述最新画面帧中每一个像素点在YUV空间下的Y分量数值，以获得所述最新画面帧中各个像素点分别对应的各个Y份量数值；
模型应用机构，分别与所述噪声采集器件、所述数据提取器件以及所述分量测量器件连接，用于基于所述最新画面帧的噪声类型数量以及噪声幅度均值、所述最新画面帧的信噪比、清晰度以及对比度、所述最新画面帧中各个像素点分别对应的各个Y份量数值采用前馈神经网络模型智能鉴定所述最新画面帧的多项拍摄数据，所述多项拍摄数据包括拍摄所述最新画面帧中的快门速度、感光度以及拍摄焦距，所述前馈神经网络模型为完成设定数量次数训练的前馈神经网络；
模型搭建机构，与所述模型应用机构连接，用于对前馈神经网络进行设定数量次数训练，并将完成设定数量次数训练的前馈神经网络作为所述前馈神经网络模型发送给所述模型应用机构使用；
其中，所述前馈神经网络模型为完成设定数量次数训练的前馈神经网络包括：所述设定数量次数的取值与所述最新画面帧的像素点总量成正比；
示例地，所述设定数量次数的取值与所述最新画面帧的像素点总量成正比包括：可以采用MATLAB工具箱表示所述设定数量次数的取值与所述最新画面帧的像素点总量成正比的数值映射关系。
实施例2
图2为根据本发明第二实施例示出的用于无线传输到区块链服务器的数据提取系统的结构方框图。
如图2所示，图2中的用于无线传输到区块链服务器的数据提取系统还可以包括以下部件：
内容暂存机构，与所述模型搭建机构连接，用于暂存所述前馈神经网络模型的各项模型参数；
现场传输接口，与所述模型应用机构连接，用于接收并无线传输所述最新画面帧的多项拍摄数据；
示例地，所述现场传输接口可以为并行传输接口或者串行传输接口，所述串行传输接口可以为IIC传输接口；
其中，所述现场传输接口将所述最新画面帧的多项拍摄数据无线传输到远端的区块链服务器。
接着，继续对本发明的用于无线传输到区块链服务器的数据提取系统的具体结构进行进一步的说明。
在根据本发明的上述任一实施例的用于无线传输到区块链服务器的数据提取系统中：
对前馈神经网络进行设定数量次数训练，并将完成设定数量次数训练的前馈神经网络作为所述前馈神经网络模型发送给所述模型应用机构使用包括：每一次训练中，将已知多项拍摄数据的某一画面帧的已知的多项拍摄数据作为所述前馈神经网络的各项输出信息，将所述某一画面帧的噪声类型数量以及噪声幅度均值、所述某一画面帧的信噪比、清晰度以及对比度、所述某一画面帧中各个像素点分别对应的各个Y份量数值作为所述前馈神经网络的各项输入信息；
其中，基于所述最新画面帧的噪声类型数量以及噪声幅度均值、所述最新画面帧的信噪比、清晰度以及对比度、所述最新画面帧中各个像素点分别对应的各个Y份量数值采用前馈神经网络模型智能鉴定所述最新画面帧的多项拍摄数据，所述多项拍摄数据包括拍摄所述最新画面帧中的快门速度、感光度以及拍摄焦距包括：所述前馈神经网络模型的各项输出信息为所述最新画面帧的多项拍摄数据。
在根据本发明的上述任一实施例的用于无线传输到区块链服务器的数据提取系统中：
所述设定数量次数的取值与所述最新画面帧的像素点总量成正比包括：采用数值函数公式表示所述设定数量次数的取值与所述最新画面帧的像素点总量成正比的数值对应关系；
其中，采用数值函数公式表示所述设定数量次数的取值与所述最新画面帧的像素点总量成正比的数值对应关系包括：所述数值函数公式为MATLAB工具箱仿真测试后的函数公式。
以及在根据本发明的上述任一实施例的用于无线传输到区块链服务器的数据提取系统中：
对所述最新画面帧执行噪声信息采集以获得各项不同类型的噪声信息，所述各项不同类型的噪声信息包括噪声类型数量以及噪声幅度均值包括：将所述最新画面帧中的最大幅度超限的噪声作为所述最新画面帧的主要噪声类型，将所述最新画面帧中存在的各个主要噪声类型分别对应的各个最大幅度的算术平均值作为噪声幅度均值；
其中，对所述最新画面帧执行噪声信息采集以获得各项不同类型的噪声信息，所述各项不同类型的噪声信息包括噪声类型数量以及噪声幅度均值还包括：将所述最新画面帧中存在的各个主要噪声类型的总数作为噪声类型数量。
实施例3
图3为根据本发明第三实施例示出的用于无线传输到区块链服务器的数据提取方法的步骤流程图，所述方法包括：
S301：使用噪声采集器件，用于获取最新画面帧，对所述最新画面帧执行噪声信息采集以获得各项不同类型的噪声信息，所述各项不同类型的噪声信息包括噪声类型数量以及噪声幅度均值；
S302：使用数据提取器件，用于获取最新画面帧，提取所述最新画面帧的信噪比、清晰度以及对比度；
S303：使用分量测量器件，用于获取最新画面帧，解析所述最新画面帧中每一个像素点在YUV空间下的Y分量数值，以获得所述最新画面帧中各个像素点分别对应的各个Y份量数值；
S304：使用模型应用机构，分别与所述噪声采集器件、所述数据提取器件以及所述分量测量器件连接，用于基于所述最新画面帧的噪声类型数量以及噪声幅度均值、所述最新画面帧的信噪比、清晰度以及对比度、所述最新画面帧中各个像素点分别对应的各个Y份量数值采用前馈神经网络模型智能鉴定所述最新画面帧的多项拍摄数据，所述多项拍摄数据包括拍摄所述最新画面帧中的快门速度、感光度以及拍摄焦距，所述前馈神经网络模型为完成设定数量次数训练的前馈神经网络；
S305：使用模型搭建机构，与所述模型应用机构连接，用于对前馈神经网络进行设定数量次数训练，并将完成设定数量次数训练的前馈神经网络作为所述前馈神经网络模型发送给所述模型应用机构使用；
其中，所述前馈神经网络模型为完成设定数量次数训练的前馈神经网络包括：所述设定数量次数的取值与所述最新画面帧的像素点总量成正比。
接着，继续对本发明的用于无线传输到区块链服务器的数据提取方法的具体步骤进行进一步的说明。
在根据本发明的上述实施例的用于无线传输到区块链服务器的数据提取方法中，所述方法还可以包括：
使用内容暂存机构，与所述模型搭建机构连接，用于暂存所述前馈神经网络模型的各项模型参数；
使用现场传输接口，与所述模型应用机构连接，用于接收并无线传输所述最新画面帧的多项拍摄数据；
其中，所述现场传输接口将所述最新画面帧的多项拍摄数据无线传输到远端的区块链服务器。
在根据本发明的上述实施例的用于无线传输到区块链服务器的数据提取方法中：
对前馈神经网络进行设定数量次数训练，并将完成设定数量次数训练的前馈神经网络作为所述前馈神经网络模型发送给所述模型应用机构使用包括：每一次训练中，将已知多项拍摄数据的某一画面帧的已知的多项拍摄数据作为所述前馈神经网络的各项输出信息，将所述某一画面帧的噪声类型数量以及噪声幅度均值、所述某一画面帧的信噪比、清晰度以及对比度、所述某一画面帧中各个像素点分别对应的各个Y份量数值作为所述前馈神经网络的各项输入信息；
其中，基于所述最新画面帧的噪声类型数量以及噪声幅度均值、所述最新画面帧的信噪比、清晰度以及对比度、所述最新画面帧中各个像素点分别对应的各个Y份量数值采用前馈神经网络模型智能鉴定所述最新画面帧的多项拍摄数据，所述多项拍摄数据包括拍摄所述最新画面帧中的快门速度、感光度以及拍摄焦距包括：所述前馈神经网络模型的各项输出信息为所述最新画面帧的多项拍摄数据。
在根据本发明的上述实施例的用于无线传输到区块链服务器的数据提取方法中：
所述设定数量次数的取值与所述最新画面帧的像素点总量成正比包括：采用数值函数公式表示所述设定数量次数的取值与所述最新画面帧的像素点总量成正比的数值对应关系；
其中，采用数值函数公式表示所述设定数量次数的取值与所述最新画面帧的像素点总量成正比的数值对应关系包括：所述数值函数公式为MATLAB工具箱仿真测试后的函数公式。
以及在根据本发明的上述实施例的用于无线传输到区块链服务器的数据提取方法中：
对所述最新画面帧执行噪声信息采集以获得各项不同类型的噪声信息，所述各项不同类型的噪声信息包括噪声类型数量以及噪声幅度均值包括：将所述最新画面帧中的最大幅度超限的噪声作为所述最新画面帧的主要噪声类型，将所述最新画面帧中存在的各个主要噪声类型分别对应的各个最大幅度的算术平均值作为噪声幅度均值；
其中，对所述最新画面帧执行噪声信息采集以获得各项不同类型的噪声信息，所述各项不同类型的噪声信息包括噪声类型数量以及噪声幅度均值还包括：将所述最新画面帧中存在的各个主要噪声类型的总数作为噪声类型数量。
另外，在所述用于无线传输到区块链服务器的数据提取系统以及方法中，基于所述最新画面帧的噪声类型数量以及噪声幅度均值、所述最新画面帧的信噪比、清晰度以及对比度、所述最新画面帧中各个像素点分别对应的各个Y份量数值采用前馈神经网络模型智能鉴定所述最新画面帧的多项拍摄数据，所述多项拍摄数据包括拍摄所述最新画面帧中的快门速度、感光度以及拍摄焦距还包括：所述前馈神经网络模型的各项输入信息为所述最新画面帧的噪声类型数量以及噪声幅度均值、所述最新画面帧的信噪比、清晰度以及对比度、所述最新画面帧中各个像素点分别对应的各个Y份量数值。
由此可见，本发明至少具备以下两处显著的技术效果：
第一处、对前馈神经网络进行设定数量次数训练，并将完成设定数量次数训练的前馈神经网络作为所述前馈神经网络模型发送给模型应用机构使用，所述设定数量次数的取值与待辨识拍摄数据的最新画面帧的像素点总量成正比；
第二处、基于拍摄获得的最新画面帧的噪声类型数量以及噪声幅度均值、最新画面帧的信噪比、清晰度以及对比度、最新画面帧中各个像素点分别对应的各个Y份量数值采用前馈神经网络模型智能鉴定最新画面帧的多项拍摄数据，所述多项拍摄数据包括拍摄所述最新画面帧中的快门速度、感光度以及拍摄焦距，从而根据拍摄画面内容反推拍摄数据，完成对拍摄数据真伪的可靠验证，同时为用户调取真实数据提供了方便。
采用本发明的用于无线传输到区块链服务器的数据提取系统及方法，针对现有技术中无法通过获取的拍摄画面反推出真实的各项拍摄参数的技术问题，通过引入完成设定数量次数训练的前馈神经网络，当画面接收端获得一帧拍摄画面时，基于该帧拍摄画面的各项画面信息直接判断该帧拍摄画面的各项真实拍摄参数，从而克服了上述技术问题，实现对获取画面的原始拍摄参数真伪的有效鉴定。
虽然本发明已经被描述的相当具体，但是应该认识到，不脱离本发明的精神和范围，本领域的技术人员可以改变其中的元件。相信通过前面的描述将能够理解本发明的系统以及该系统附带的优点，并且很清楚，可以对其中的形式、结构及其组件安排进行各种改变，而不会脱离本发明的范围和精神或者不牺牲本发明的所有实质性优点，并且由于此前描述的形式仅仅是本发明的说明性实施例，也不会提供另外的实质性改变。权利要求书意在涵盖并包括这些改变。
Claims (4)
1.一种用于无线传输到区块链服务器的数据提取系统，其特征在于，所述系统包括：
噪声采集器件，用于获取最新画面帧，对所述最新画面帧执行噪声信息采集以获得各项不同类型的噪声信息，所述各项不同类型的噪声信息包括噪声类型数量以及噪声幅度均值；
其中，将所述最新画面帧中的最大幅度超限的噪声作为所述最新画面帧的主要噪声类型，将所述最新画面帧中存在的各个主要噪声类型分别对应的各个最大幅度的算术平均值作为噪声幅度均值；
将所述最新画面帧中存在的各个主要噪声类型的总数作为噪声类型数量；
数据提取器件，用于获取最新画面帧，提取所述最新画面帧的信噪比、清晰度以及对比度；
分量测量器件，用于获取最新画面帧，解析所述最新画面帧中每一个像素点在YUV空间下的Y分量数值，以获得所述最新画面帧中各个像素点分别对应的各个Y份量数值；
模型应用机构，分别与所述噪声采集器件、所述数据提取器件以及所述分量测量器件连接，用于基于所述最新画面帧的噪声类型数量以及噪声幅度均值、所述最新画面帧的信噪比、清晰度以及对比度、所述最新画面帧中各个像素点分别对应的各个Y份量数值采用前馈神经网络模型智能鉴定所述最新画面帧的多项拍摄数据，所述多项拍摄数据包括拍摄所述最新画面帧中的快门速度、感光度以及拍摄焦距，所述前馈神经网络模型为完成设定数量次数训练的前馈神经网络；
模型搭建机构，与所述模型应用机构连接，用于对前馈神经网络进行设定数量次数训练，并将完成设定数量次数训练的前馈神经网络作为所述前馈神经网络模型发送给所述模型应用机构使用；
其中，所述前馈神经网络模型为完成设定数量次数训练的前馈神经网络包括：所述设定数量次数的取值与所述最新画面帧的像素点总量成正比；
对前馈神经网络进行设定数量次数训练，并将完成设定数量次数训练的前馈神经网络作为所述前馈神经网络模型发送给所述模型应用机构使用包括：每一次训练中，将已知多项拍摄数据的某一画面帧的已知的多项拍摄数据作为所述前馈神经网络的各项输出信息，将所述某一画面帧的噪声类型数量以及噪声幅度均值、所述某一画面帧的信噪比、清晰度以及对比度、所述某一画面帧中各个像素点分别对应的各个Y份量数值作为所述前馈神经网络的各项输入信息；
其中，基于所述最新画面帧的噪声类型数量以及噪声幅度均值、所述最新画面帧的信噪比、清晰度以及对比度、所述最新画面帧中各个像素点分别对应的各个Y份量数值采用前馈神经网络模型智能鉴定所述最新画面帧的多项拍摄数据，所述多项拍摄数据包括拍摄所述最新画面帧中的快门速度、感光度以及拍摄焦距包括：所述前馈神经网络模型的各项输出信息为所述最新画面帧的多项拍摄数据；
所述设定数量次数的取值与所述最新画面帧的像素点总量成正比包括：采用数值函数公式表示所述设定数量次数的取值与所述最新画面帧的像素点总量成正比的数值对应关系；
其中，采用数值函数公式表示所述设定数量次数的取值与所述最新画面帧的像素点总量成正比的数值对应关系包括：所述数值函数公式为MATLAB工具箱仿真测试后的函数公式；
其中，基于所述最新画面帧的噪声类型数量以及噪声幅度均值、所述最新画面帧的信噪比、清晰度以及对比度、所述最新画面帧中各个像素点分别对应的各个Y份量数值采用前馈神经网络模型智能鉴定所述最新画面帧的多项拍摄数据，所述多项拍摄数据包括拍摄所述最新画面帧中的快门速度、感光度以及拍摄焦距还包括：所述前馈神经网络模型的各项输入信息为所述最新画面帧的噪声类型数量以及噪声幅度均值、所述最新画面帧的信噪比、清晰度以及对比度、所述最新画面帧中各个像素点分别对应的各个Y份量数值。
2.如权利要求1所述的用于无线传输到区块链服务器的数据提取系统，其特征在于，所述系统还包括：
内容暂存机构，与所述模型搭建机构连接，用于暂存所述前馈神经网络模型的各项模型参数；
现场传输接口，与所述模型应用机构连接，用于接收并无线传输所述最新画面帧的多项拍摄数据；
其中，所述现场传输接口将所述最新画面帧的多项拍摄数据无线传输到远端的区块链服务器。
3.一种用于无线传输到区块链服务器的数据提取方法，其特征在于，所述方法包括：
使用噪声采集器件，用于获取最新画面帧，对所述最新画面帧执行噪声信息采集以获得各项不同类型的噪声信息，所述各项不同类型的噪声信息包括噪声类型数量以及噪声幅度均值；
其中，将所述最新画面帧中的最大幅度超限的噪声作为所述最新画面帧的主要噪声类型，将所述最新画面帧中存在的各个主要噪声类型分别对应的各个最大幅度的算术平均值作为噪声幅度均值；
将所述最新画面帧中存在的各个主要噪声类型的总数作为噪声类型数量；
使用数据提取器件，用于获取最新画面帧，提取所述最新画面帧的信噪比、清晰度以及对比度；
使用分量测量器件，用于获取最新画面帧，解析所述最新画面帧中每一个像素点在YUV空间下的Y分量数值，以获得所述最新画面帧中各个像素点分别对应的各个Y份量数值；
使用模型应用机构，分别与所述噪声采集器件、所述数据提取器件以及所述分量测量器件连接，用于基于所述最新画面帧的噪声类型数量以及噪声幅度均值、所述最新画面帧的信噪比、清晰度以及对比度、所述最新画面帧中各个像素点分别对应的各个Y份量数值采用前馈神经网络模型智能鉴定所述最新画面帧的多项拍摄数据，所述多项拍摄数据包括拍摄所述最新画面帧中的快门速度、感光度以及拍摄焦距，所述前馈神经网络模型为完成设定数量次数训练的前馈神经网络；
使用模型搭建机构，与所述模型应用机构连接，用于对前馈神经网络进行设定数量次数训练，并将完成设定数量次数训练的前馈神经网络作为所述前馈神经网络模型发送给所述模型应用机构使用；
其中，所述前馈神经网络模型为完成设定数量次数训练的前馈神经网络包括：所述设定数量次数的取值与所述最新画面帧的像素点总量成正比；
对前馈神经网络进行设定数量次数训练，并将完成设定数量次数训练的前馈神经网络作为所述前馈神经网络模型发送给所述模型应用机构使用包括：每一次训练中，将已知多项拍摄数据的某一画面帧的已知的多项拍摄数据作为所述前馈神经网络的各项输出信息，将所述某一画面帧的噪声类型数量以及噪声幅度均值、所述某一画面帧的信噪比、清晰度以及对比度、所述某一画面帧中各个像素点分别对应的各个Y份量数值作为所述前馈神经网络的各项输入信息；
其中，基于所述最新画面帧的噪声类型数量以及噪声幅度均值、所述最新画面帧的信噪比、清晰度以及对比度、所述最新画面帧中各个像素点分别对应的各个Y份量数值采用前馈神经网络模型智能鉴定所述最新画面帧的多项拍摄数据，所述多项拍摄数据包括拍摄所述最新画面帧中的快门速度、感光度以及拍摄焦距包括：所述前馈神经网络模型的各项输出信息为所述最新画面帧的多项拍摄数据；
所述设定数量次数的取值与所述最新画面帧的像素点总量成正比包括：采用数值函数公式表示所述设定数量次数的取值与所述最新画面帧的像素点总量成正比的数值对应关系；
其中，采用数值函数公式表示所述设定数量次数的取值与所述最新画面帧的像素点总量成正比的数值对应关系包括：所述数值函数公式为MATLAB工具箱仿真测试后的函数公式；
其中，基于所述最新画面帧的噪声类型数量以及噪声幅度均值、所述最新画面帧的信噪比、清晰度以及对比度、所述最新画面帧中各个像素点分别对应的各个Y份量数值采用前馈神经网络模型智能鉴定所述最新画面帧的多项拍摄数据，所述多项拍摄数据包括拍摄所述最新画面帧中的快门速度、感光度以及拍摄焦距还包括：所述前馈神经网络模型的各项输入信息为所述最新画面帧的噪声类型数量以及噪声幅度均值、所述最新画面帧的信噪比、清晰度以及对比度、所述最新画面帧中各个像素点分别对应的各个Y份量数值。
4.如权利要求3所述的用于无线传输到区块链服务器的数据提取方法，其特征在于，所述方法还包括：
使用内容暂存机构，与所述模型搭建机构连接，用于暂存所述前馈神经网络模型的各项模型参数；
使用现场传输接口，与所述模型应用机构连接，用于接收并无线传输所述最新画面帧的多项拍摄数据；
其中，所述现场传输接口将所述最新画面帧的多项拍摄数据无线传输到远端的区块链服务器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310251265.8A CN116245962B (zh) | 2023-03-16 | 2023-03-16 | 用于无线传输到区块链服务器的数据提取系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310251265.8A CN116245962B (zh) | 2023-03-16 | 2023-03-16 | 用于无线传输到区块链服务器的数据提取系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116245962A CN116245962A (zh) | 2023-06-09 |
| CN116245962B true CN116245962B (zh) | 2023-12-22 |
Family
ID=86624068
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310251265.8A Active CN116245962B (zh) | 2023-03-16 | 2023-03-16 | 用于无线传输到区块链服务器的数据提取系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116245962B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110072051A (zh) * | 2019-04-09 | 2019-07-30 | Oppo广东移动通信有限公司 | 基于多帧图像的图像处理方法和装置 |
| CN110929756A (zh) * | 2019-10-23 | 2020-03-27 | 广物智钢数据服务(广州)有限公司 | 基于深度学习的钢材尺寸和数量的识别方法、智能设备和存储介质 |
| WO2020207262A1 (zh) * | 2019-04-09 | 2020-10-15 | Oppo广东移动通信有限公司 | 基于多帧图像的图像处理方法、装置、电子设备 |
| CN114979486A (zh) * | 2022-05-25 | 2022-08-30 | 张红森 | 移动终端曝光数据修正系统及方法 |
| CN115623164A (zh) * | 2022-09-28 | 2023-01-17 | 郑潇寒 | 基于云端监控的故障定位平台 |
| CN115620190A (zh) * | 2022-09-22 | 2023-01-17 | 范孝徐 | 基于数据分析的联合鉴别平台 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11934935B2 (en) * | 2017-05-20 | 2024-03-19 | Deepmind Technologies Limited | Feedforward generative neural networks |
-
2023
- 2023-03-16 CN CN202310251265.8A patent/CN116245962B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110072051A (zh) * | 2019-04-09 | 2019-07-30 | Oppo广东移动通信有限公司 | 基于多帧图像的图像处理方法和装置 |
| WO2020207262A1 (zh) * | 2019-04-09 | 2020-10-15 | Oppo广东移动通信有限公司 | 基于多帧图像的图像处理方法、装置、电子设备 |
| CN110929756A (zh) * | 2019-10-23 | 2020-03-27 | 广物智钢数据服务(广州)有限公司 | 基于深度学习的钢材尺寸和数量的识别方法、智能设备和存储介质 |
| CN114979486A (zh) * | 2022-05-25 | 2022-08-30 | 张红森 | 移动终端曝光数据修正系统及方法 |
| CN115620190A (zh) * | 2022-09-22 | 2023-01-17 | 范孝徐 | 基于数据分析的联合鉴别平台 |
| CN115623164A (zh) * | 2022-09-28 | 2023-01-17 | 郑潇寒 | 基于云端监控的故障定位平台 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116245962A (zh) | 2023-06-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108520504B (zh) | 一种基于生成对抗网络端到端的模糊图像盲复原方法 | |
| CN108428227B (zh) | 基于全卷积神经网络的无参考图像质量评价方法 | |
| CN108171212A (zh) | 用于检测目标的方法和装置 | |
| CN108933935B (zh) | 视频通信系统的检测方法、装置、存储介质和计算机设备 | |
| CN112001274B (zh) | 人群密度确定方法、装置、存储介质和处理器 | |
| CN108074241B (zh) | 目标图像的质量评分方法、装置、终端及存储介质 | |
| CA2644451C (en) | Testing surveillance camera installations | |
| CN112200807B (zh) | 一种视频质量诊断方法与系统 | |
| CN107146252A (zh) | 一种大数据图像处理装置 | |
| CN109800151A (zh) | 屏幕适配性自动测试方法、装置、计算机设备和存储介质 | |
| CN115222920B (zh) | 基于图像的数字孪生时空知识图谱构建方法和装置 | |
| CN115019008B (zh) | 一种智能3d模型设计分析服务管理平台 | |
| CN107547839A (zh) | 基于图像分析的远程控制平台 | |
| CN105933676B (zh) | 基于图像分析的远程控制平台 | |
| CN113469869B (zh) | 一种图像管理方法和装置 | |
| CN116245962B (zh) | 用于无线传输到区块链服务器的数据提取系统及方法 | |
| CN116582693A (zh) | 一种基于视频资源池的摄像头调用管控方法 | |
| CN115456984A (zh) | 基于二维码高速识别图像识别缺陷检测系统 | |
| CN113938674B (zh) | 视频质量检测方法、装置、电子设备及可读存储介质 | |
| US11507803B2 (en) | System for generating synthetic digital data for data multiplication | |
| CN109819138B (zh) | 一种监测现场采样的方法和系统 | |
| CN114782822A (zh) | 电力设备的状态检测方法、装置、电子设备及存储介质 | |
| CN117336453B (zh) | 一种安检图像转换方法、系统、设备及存储介质 | |
| CN113191376A (zh) | 图像处理方法、装置、电子设备和可读存储介质 | |
| CN115798374B (zh) | 基于BoxIO进行现场实时调色的系统及方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231128 Address after: Room 805, Block B, Building 1, Jixiangyuan Community, No. 59 Wenhuagong Road, Shayibak District, Urumqi City, Xinjiang Uygur Autonomous Region, 830002 Applicant after: Xinjiang Quantum Communication Technology Co.,Ltd. Address before: No. 10 Harmony Road, Yingtan Industrial Park, Yuehu District, Yingtan City, Jiangxi Province, 335003 Applicant before: Zhu Xiaopeng |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |