CN116363491B - 一种基于最优目标集和人工智能的毁伤评估方法、系统 - Google Patents
一种基于最优目标集和人工智能的毁伤评估方法、系统 Download PDFInfo
- Publication number
- CN116363491B CN116363491B CN202310637630.9A CN202310637630A CN116363491B CN 116363491 B CN116363491 B CN 116363491B CN 202310637630 A CN202310637630 A CN 202310637630A CN 116363491 B CN116363491 B CN 116363491B
- Authority
- CN
- China
- Prior art keywords
- damage
- image
- optimal target
- grade
- segment
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种基于人工智能和最优目标集的毁伤评估方法、系统,属于毁伤技术领域。包括步骤S1:采集毁伤目标的图像数据,通过计算得到最优的目标图像片段集合;步骤S2:构建以改进的神经网络模型为基础的毁伤评估模型,通过人工智能技术,将现有已经定义过的不同毁伤程度等级的图片输入到改进的神经网络模型中进行迭代训练,得到准确度较高的毁伤等级评估模型;步骤S3:基于步骤S1中所得到的最优的目标图像片段集合,将其输入到毁伤等级评估模型,计算出最终反映毁伤程度的目标毁伤程度所属等级。本申请提供的技术方案有效解决了现有技术中毁伤评估过程对目标对象毁伤情况识别处理不够准确,评估模型计算效率低的问题。
Description
技术领域
本申请属于毁伤评估技术领域,更具体地,涉及一种基于最优目标集和人工智能的毁伤评估方法、系统。
背景技术
随着现代精确打击效能的提升,军事强国对目标毁伤效果评估越来越重视,一些国家在这方面的研究发展一直处于世界领先地位,并提出在精确火力打击行动中必须以生成的实时毁伤评估结论为依据,灵活调整打击目标和方式以取得预期的毁伤效果。使用卫星侦察、航空侦察手段等评估技术手段拍摄目标及其周边实况照片,对目标打击情况进行现地侦察,再依据生成的毁伤效果评估结论决定是否实施再次打击,很好地实现了根据毁伤效果调控后续作战行动的战术。
目前,国内外研究人员对目标毁伤效果评估进行了不同程度的研究。提出了诸如利用层次分析法建立评估模型,通过模糊综合评判法将定性评估有效地转为定量评估,通过贝叶斯网络利用直观的图形结构,提高推理和计算能力,通过神经网络实现非线性映射计算单元简单且易于实现等方式。但存在推理信息较少或缺乏时,无法精确获得评估结果,多维变量下评估速度较慢以及目标对象的识别不够准确等问题。
发明内容
针对相关技术的缺陷,本申请提供一种基于最优目标集和人工智能的毁伤评估方法、系统,旨在解决相关技术中存在的毁伤评估过程中对目标对象毁伤情况识别处理不够准确,评估模型计算效率低的问题。
所述技术方案如下:
一种基于最优目标集和人工智能的毁伤评估方法,包括以下步骤:
步骤S1:采集毁伤目标的图像数据,通过计算得到最优的目标图像片段集合,为毁伤等级评估模型提供毁伤评估程度判断依据;
步骤S2:构建以改进的神经网络模型为基础的毁伤评估模型,通过人工智能技术,将现有已经定义过的不同毁伤程度等级的图片输入到改进的神经网络模型中进行迭代训练,得到准确度较高的毁伤等级评估模型;
步骤S3:基于步骤S1中所得到的最优的目标图像片段集合,将其输入到毁伤等级评估模型,计算出最终反映毁伤程度的目标毁伤程度所属等级。
一种基于最优目标集和人工智能的毁伤评估系统,用于实现所述的毁伤评估方法,该系统包括:
数据获取单元,用于采集毁伤目标的图像数据,通过计算得到最优的目标图像片段集合,为毁伤等级评估模型提供毁伤评估程度判断依据;
基于人工智能的毁伤评估单元,用于构建以改进的神经网络模型为基础的毁伤评估模型,通过人工智能技术,将现有已经定义过的不同毁伤程度等级的图片输入到改进的神经网络模型中进行迭代训练,得到准确度较高的毁伤等级评估模型;
毁伤程度输出单元,用于基于数据获取单元中所得到的最优的目标图像片段集合,将其输入到毁伤等级评估模型,计算出最终反映毁伤程度的目标毁伤程度所属等级。
一种处理设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序;其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现所述的毁伤评估方法。
本申请具有如下有益效果:
本申请提供的一种基于最优目标集和人工智能的毁伤评估方法,通过采集毁伤目标的图像数据,计算得到最优的目标图像片段集合,该最优的目标图像片段集合提高了目标对象的识别准确性,并且在得到最优的目标图像片段集合的过程中不断进行图像校正,进一步保证了处理对象的准确度;构建以改进的神经网络模型为基础的毁伤评估模型,通过人工智能技术,将现有已经定义过的不同毁伤程度等级的图片输入到改进的神经网络模型中进行迭代训练,得到准确度较高的毁伤等级评估模型,实现了评估模型的高效计算,为最终准确快速认定毁伤等级提供了保障。
附图说明
图1是本申请实施例提供的一种基于最优目标集和人工智能的毁伤评估方法流程图;
图2是本申请实施例提供的毁伤评估方法过程中计算得到最优的目标图像片段集合的方法流程;
图3是本申请实施例提供的毁伤评估方法过程中获得准确度较高的毁伤等级评估模型方法流程;
图4 是本申请实施例提供的一种基于最优目标集和人工智能的毁伤评估系统结构图。
实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。此外,下面所描述的本申请各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
请参阅图1,本申请提供一种基于最优目标集和人工智能的毁伤评估方法,包括以下步骤:
步骤S1:采集毁伤目标的图像数据,通过计算得到最优的目标图像片段集合,为毁伤等级评估模型提供毁伤评估程度判断依据;
步骤S2:构建以改进的神经网络模型为基础的毁伤评估模型,通过人工智能技术,将现有已经定义过的不同毁伤程度等级的图片输入到改进的神经网络模型中进行迭代训练,得到准确度较高的毁伤等级评估模型;
步骤S3:基于步骤S1中所得到的最优的目标图像片段集合,将其输入到毁伤等级评估模型,计算出最终反映毁伤程度的目标毁伤程度所属等级。
请参阅图2,所述步骤S1:采集毁伤目标的图像数据,通过计算得到最优的目标图像片段集合,为毁伤等级评估模型提供毁伤评估程度判断依据,具体包括:
步骤S11:提取毁伤目标对象的图像片段特征,应用k-means算法对图像中的所有像素进行聚类,通过量化值分布图表示每段像素的量化值;
步骤S12:基于毁伤目标对象的图像片段、图像像素的量化值分布图,通过图形模型计算方法求出图像片段及其特征的联合概率,从而对图像中感兴趣的对象进行分段得到结构集;
步骤S13:基于分段后得到结构集,通过比较每个分段内能观察到的对象概率的特征分布和给定对象类型的对象概率的特征分布,来得到最优的目标图像片段集合S;
步骤14:对最优的目标图像片段进行校正,实际采样过程中真实的对象图像与检测到的对象图像并不总是相同的,通过设定校正指数将地面真值标记来校正每个图像片段,从而提高最优的目标图像片段的准确性。
所述所述步骤S12:基于毁伤目标对象的图像片段、图像像素的量化值分布图,通过图形模型计算方法求出图像片段及其特征的联合概率,从而对图像中感兴趣的对象进行分段得到结构集,具体包括:基于N个图像片段,将其分段结构集汇总在一个n × m共现表中,其中单元格存储了特征值aj在段ci中的出现次数,针对某一特征在某一特定片段中的出现,设定与每个观察结果相关的潜在对象类型变量hu; 计算出图像片段特征内容的生成模型
(1)
式中,表示特征aj出现在对象hu中的对象条件概率,/>表示在段ci中观察到对象hu的概率,u为对象类型的个数;其中特定于对象的特性分布/>和特定于段的特征分布/>可用于确定对象类型和段之间的相似性;根据参数的当前估计值计算潜在变量的后验概率/>为:
(2)
以最大化期望的完整数据对数似然来更新参数,得到:
(3)
(4)
对公式(1)-(4)进行迭代,直到连续的预期完整数据对数似然之间的差小于阈值或迭代次数超过预定值时停止迭代。
所述步骤S13:基于分段后得到结构集,通过比较每个分段内能观察到的对象概率的特征分布和给定对象类型的对象概率的特征分布,来得到最优的目标图像片段集合S,具体为:对于每一种对象类型,计算散度分数对图像中的片段进行排序,并选择该对象类型中最具代表性的片段;同时,为了避免出现多个相同目标的片段,如果同一对象在不同采样端提取的两个片段分组在同一目标类型中,并且其中至少一个与另一个重叠或达到整个面积的预定百分比,则从该目标类型中删除散度评分较大的结构,以最终的排序作为最优的目标图像片段集合S。
所述步骤14:对最优的目标图像片段进行校正,实际采样过程中真实的对象图像与检测到的对象图像并不总是相同的,通过设定校正指数将地面真值标记来校正每个图像片段,从而提高最优的目标图像片段的准确性,具体地其校正指数G的计算方式为:
(5)
其中,设tsu表示分配给图像对象类型簇k的段的数量,图像对象类标号为s;表示具有基础真图像对象类别标号s的段的数量;/>表示作为分组检测算法输入的图像对象类型簇的数量,u是对象的真实数量。
请参阅图3,所述步骤S2:构建以改进的神经网络模型为基础的毁伤评估模型,通过人工智能技术,将现有已经定义过的不同毁伤程度等级的图片输入到改进的神经网络模型中进行迭代训练,得到准确度较高的毁伤等级评估模型,具体包括:
步骤S21:构建改进的神经网络模型的初始化处理,输入现有已经定义过的不同毁伤程度等级的图片作为训练图像集对所述的改进的神经网络模型进行迭代运算,直到满足用户自定义的迭代次数为止;
步骤S22:计算出毁伤程度等级划分,以对象维修时间作为考虑因素之一,其服从对数正态分布,设定对数正态的均值和方差分别为k和V,以确定分布落在每个毁伤级别的概率为依据条件,将毁伤等级分为:无毁伤、轻微毁伤、中度毁伤、严重毁伤和完全毁伤五个等级。
步骤S21:构建改进的神经网络模型的初始化处理,输入现有已经定义过的不同毁伤程度等级的图片作为训练图像集对所述的改进的神经网络模型进行迭代运算,直到满足用户自定义的迭代次数为止,具体为:
首先对改进的神经网络进行初始化处理:
(6)
其中索引i和j表示像素在图像块中的位置,k和l表示像素周围对称邻域的位错,n表示当前迭代;Ykl为图像集;树突树由前两个示子给出,其中两个主要成分Fij和Lij分别称为馈入和连接;Wijkl和Mijkl为突触权重系数,Sij为外部刺激;VF和VL是归一化常数;和为时间常数;连接调制在第三个公式中给出,其中Uij是神经元的内部状态,β为链接参数;初始化后输入现有已经定义过的不同毁伤程度等级的图片作为训练图像集对所述的改进的神经网络模型进行迭代运算,直到满足用户自定义的迭代次数为止。
所述步骤S22:计算出毁伤程度等级划分,以对象维修时间作为考虑因素之一,其服从对数正态分布,设定对数正态的均值和方差分别为u和D,以确定分布落在每个毁伤级别的概率为依据条件,具体为:
无毁伤、轻微毁伤、中度毁伤、严重毁伤和完全毁伤五个等级。
请参阅图4,一种基于最优目标集和人工智能的毁伤评估系统100,用于实现所述的毁伤评估方法,该系统包括:
数据获取单元1,用于采集毁伤目标的图像数据,通过计算得到最优的目标图像片段集合,为毁伤等级评估模型提供毁伤评估程度判断依据;
基于人工智能的毁伤评估单元2,用于构建以改进的神经网络模型为基础的毁伤评估模型,通过人工智能技术,将现有已经定义过的不同毁伤程度等级的图片输入到改进的神经网络模型中进行迭代训练,得到准确度较高的毁伤等级评估模型;
毁伤程度输出单元3,用于基于数据获取单元中所得到的最优的目标图像片段集合,将其输入到毁伤等级评估模型,计算出最终反映毁伤程度的目标毁伤程度所属等级。
一种处理设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序;其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现所述的毁伤评估方法。
本领域的技术人员容易理解,以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本申请的保护范围之内。
Claims (8)
1.一种基于最优目标集和人工智能的毁伤评估方法,其特征在于,包括以下步骤:
步骤S1:采集毁伤目标的图像数据,通过计算得到最优的目标图像片段集合,为毁伤等级评估模型提供毁伤评估程度判断依据;
步骤S2:构建以改进的神经网络模型为基础的毁伤评估模型,通过人工智能技术,将现有已经定义过的不同毁伤程度等级的图片输入到改进的神经网络模型中进行迭代训练,得到准确度高的毁伤等级评估模型;
步骤S3:基于步骤S1中所得到的最优的目标图像片段集合,将其输入到毁伤等级评估模型,计算出最终反映毁伤程度的目标毁伤程度所属等级;
所述步骤S1:采集毁伤目标的图像数据,通过计算得到最优的目标图像片段集合,为毁伤等级评估模型提供毁伤评估程度判断依据,具体包括:
步骤S11:提取毁伤目标对象的图像片段特征,应用k-means算法对图像中的所有像素进行聚类,通过量化值分布图表示每段像素的量化值;
步骤S12:基于毁伤目标对象的图像片段、图像像素的量化值分布图,通过图形模型计算方法求出图像片段及其特征的联合概率,从而对图像中感兴趣的对象进行分段得到结构集;
步骤S13:基于分段后得到结构集,通过比较每个分段内能观察到的对象概率的特征分布和给定对象类型的对象概率的特征分布,来得到最优的目标图像片段集合S;
步骤14:对最优的目标图像片段进行校正,实际采样过程中真实的对象图像与检测到的对象图像并不总是相同的,通过设定校正指数将地面真值标记来校正每个图像片段,从而提高最优的目标图像片段的准确性;
所述步骤S12:基于毁伤目标对象的图像片段、图像像素的量化值分布图,通过图形模型计算方法求出图像片段及其特征的联合概率,从而对图像中感兴趣的对象进行分段得到结构集,具体包括:基于N个图像片段,将其分段结构集汇总在一个n × m共现表中,其中单元格存储了特征值/>在段/>中的出现次数,针对某一特征在某一特定片段中的出现,设定与每个观察结果相关的潜在对象类型变量/>; 计算出图像片段特征内容的生成模型
(1)
式中,表示特征/>出现在对象/>中的对象条件概率,/>表示在段/>中观察到对象/>的概率,u为对象类型的个数;其中特定于对象的特性分布/>和特定于段的特征分布/>可用于确定对象类型和段之间的相似性;根据参数的当前估计值计算潜在变量的后验概率/>为:
(2)
以最大化期望的完整数据对数似然来更新参数,得到:
(3)
(4)
对公式(1)-(4)进行迭代,直到连续的预期完整数据对数似然之间的差小于阈值或迭代次数超过预定值时停止迭代。
2.如权利要求1所述的基于最优目标集和人工智能的毁伤评估方法,其特征在于:所述步骤S13,基于分段后得到结构集,通过比较每个分段内能观察到的对象概率的特征分布和给定对象类型的对象概率的特征分布,来得到最优的目标图像片段集合S,具体为:对于每一种对象类型,计算散度分数,对图像中的片段进行排序,并选择该对象类型中最具代表性的片段;同时,为了避免出现多个相同目标的片段,如果同一对象在不同采样端提取的两个片段分组在同一目标类型中,并且其中至少一个与另一个重叠或达到整个面积的预定百分比,则从该目标类型中删除散度评分大的结构,以最终的排序作为最优的目标图像片段集合S。
3.如权利要求1所述的基于最优目标集和人工智能的毁伤评估方法,其特征在于:所述步骤14:对最优的目标图像片段进行校正,实际采样过程中真实的对象图像与检测到的对象图像并不总是相同的,通过设定校正指数将地面真值标记来校正每个图像片段,从而提高最优的目标图像片段的准确性,具体地其校正指数G的计算方式为:
(5)
其中,设表示分配给图像对象类型簇k的段的数量,图像对象类标号为s;表示具有基础真图像对象类别标号s的段的数量;/>表示作为分组检测算法输入的图像对象类型簇的数量,u是对象的真实数量。
4.如权利要求1所述的基于最优目标集和人工智能的毁伤评估方法,其特征在于:所述步骤S2:构建以改进的神经网络模型为基础的毁伤评估模型,通过人工智能技术,将现有已经定义过的不同毁伤程度等级的图片输入到改进的神经网络模型中进行迭代训练,得到准确度高的毁伤等级评估模型,具体包括:
步骤S21:构建改进的神经网络模型的初始化处理,输入现有已经定义过的不同毁伤程度等级的图片作为训练图像集对所述的改进的神经网络模型进行迭代运算,直到满足用户自定义的迭代次数为止;
步骤S22:计算出毁伤程度等级划分,以对象维修时间作为考虑因素之一,其服从对数正态分布,设定对数正态的均值和方差分别为k和V,以确定分布落在每个毁伤级别的概率为依据条件,将毁伤等级分为:无毁伤、轻微毁伤、中度毁伤、严重毁伤和完全毁伤五个等级。
5.如权利要求4所述的基于最优目标集和人工智能的毁伤评估方法,其特征在于:步骤S21:构建改进的神经网络模型的初始化处理,输入现有已经定义过的不同毁伤程度等级的图片作为训练图像集对所述的改进的神经网络模型进行迭代运算,直到满足用户自定义的迭代次数为止,具体为:
首先对改进的神经网络进行初始化处理:
(6)
其中索引i和j表示像素在图像块中的位置,k和l表示像素周围对称邻域的位错,n表示当前迭代;为图像集;树突树由前两个示子给出,其中两个主要成分/>和/>分别称为馈入和连接;/>和/>为突触权重系数,/>为外部刺激;/>和/>是归一化常数;/>和为时间常数;连接调制在第三个公式中给出,其中/>是神经元的内部状态,β为链接参数;初始化后输入现有已经定义过的不同毁伤程度等级的图片作为训练图像集对所述的改进的神经网络模型进行迭代运算,直到满足用户自定义的迭代次数为止。
6.如权利要求4所述的基于最优目标集和人工智能的毁伤评估方法,其特征在于:所述步骤S22:计算出毁伤程度等级划分,以对象维修时间作为考虑因素之一,其服从对数正态分布,设定对数正态的均值和方差分别为u和D,以确定分布落在每个毁伤级别的概率为依据条件,具体为:无毁伤、轻微毁伤、中度毁伤、严重毁伤和完全毁伤五个等级
7.一种基于最优目标集和人工智能的毁伤评估系统,其特征在于,用于实现权利要求1-6任一项所述的毁伤评估方法,该系统包括:
数据获取单元,用于采集毁伤目标的图像数据,通过计算得到最优的目标图像片段集合,为毁伤等级评估模型提供毁伤评估程度判断依据;包括提取毁伤目标对象的图像片段特征,应用k-means算法对图像中的所有像素进行聚类,通过量化值分布图表示每段像素的量化值;基于毁伤目标对象的图像片段、图像像素的量化值分布图,通过图形模型计算方法求出图像片段及其特征的联合概率,从而对图像中感兴趣的对象进行分段得到结构集,基于N个图像片段,将其分段结构集汇总在一个n × m共现表中,其中单元格存储了特征值/>在段/>中的出现次数,针对某一特征在某一特定片段中的出现,设定与每个观察结果相关的潜在对象类型变量/>; 计算出图像片段特征内容的生成模型
(1)
式中,表示特征/>出现在对象/>中的对象条件概率,/>表示在段/>中观察到对象/>的概率,u为对象类型的个数;其中特定于对象的特性分布/>和特定于段的特征分布/>可用于确定对象类型和段之间的相似性;根据参数的当前估计值计算潜在变量的后验概率/>为:
(2)
以最大化期望的完整数据对数似然来更新参数,得到:
(3)
(4)
对公式(1)-(4)进行迭代,直到连续的预期完整数据对数似然之间的差小于阈值或迭代次数超过预定值时停止迭代;基于分段后得到结构集,通过比较每个分段内能观察到的对象概率的特征分布和给定对象类型的对象概率的特征分布,来得到最优的目标图像片段集合S;对最优的目标图像片段进行校正,实际采样过程中真实的对象图像与检测到的对象图像并不总是相同的,通过设定校正指数将地面真值标记来校正每个图像片段,从而提高最优的目标图像片段的准确性;
基于人工智能的毁伤评估单元,用于构建以改进的神经网络模型为基础的毁伤评估模型,通过人工智能技术,将现有已经定义过的不同毁伤程度等级的图片输入到改进的神经网络模型中进行迭代训练,得到准确度高的毁伤等级评估模型;
毁伤程度输出单元,用于基于数据获取单元中所得到的最优的目标图像片段集合,将其输入到毁伤等级评估模型,计算出最终反映毁伤程度的目标毁伤程度所属等级。
8.一种处理设备,其特征在于,包括:一个或多个处理器;存储器,用于存储一个或多个程序;其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1~6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310637630.9A CN116363491B (zh) | 2023-06-01 | 2023-06-01 | 一种基于最优目标集和人工智能的毁伤评估方法、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310637630.9A CN116363491B (zh) | 2023-06-01 | 2023-06-01 | 一种基于最优目标集和人工智能的毁伤评估方法、系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116363491A CN116363491A (zh) | 2023-06-30 |
CN116363491B true CN116363491B (zh) | 2023-08-11 |
Family
ID=86905523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310637630.9A Active CN116363491B (zh) | 2023-06-01 | 2023-06-01 | 一种基于最优目标集和人工智能的毁伤评估方法、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116363491B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112131749A (zh) * | 2020-09-25 | 2020-12-25 | 河北工业大学 | 一种用于坦克目标的毁伤评估方法 |
CN112446874A (zh) * | 2020-12-11 | 2021-03-05 | 中国人民解放军国防科技大学 | 一种人机协作自主等级毁伤评估方法 |
CN115422716A (zh) * | 2022-08-02 | 2022-12-02 | 上海市政工程设计研究总院(集团)有限公司 | 一种适用于典型地面设施破坏失效的评估计算模型 |
CN115761522A (zh) * | 2022-11-22 | 2023-03-07 | 中国空间技术研究院 | 一种基于天基信息的毁伤分析方法及毁伤评估系统 |
-
2023
- 2023-06-01 CN CN202310637630.9A patent/CN116363491B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112131749A (zh) * | 2020-09-25 | 2020-12-25 | 河北工业大学 | 一种用于坦克目标的毁伤评估方法 |
CN112446874A (zh) * | 2020-12-11 | 2021-03-05 | 中国人民解放军国防科技大学 | 一种人机协作自主等级毁伤评估方法 |
CN115422716A (zh) * | 2022-08-02 | 2022-12-02 | 上海市政工程设计研究总院(集团)有限公司 | 一种适用于典型地面设施破坏失效的评估计算模型 |
CN115761522A (zh) * | 2022-11-22 | 2023-03-07 | 中国空间技术研究院 | 一种基于天基信息的毁伤分析方法及毁伤评估系统 |
Non-Patent Citations (1)
Title |
---|
基于卷积神经网络和随机森林的毁伤效果评估方法;魏鑫等;《火力与指挥控制》;第第48卷卷(第第03期期);第185-190页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116363491A (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bhandari et al. | Tsallis entropy based multilevel thresholding for colored satellite image segmentation using evolutionary algorithms | |
CN110046631B (zh) | 用于自动推断时空图像的变化的系统和方法 | |
Wang et al. | YOLOv3‐Litchi Detection Method of Densely Distributed Litchi in Large Vision Scenes | |
CN116340801B (zh) | 一种畜牧养殖环境数据异常智能监控方法 | |
CN111161315A (zh) | 一种基于图神经网络的多目标跟踪方法和系统 | |
US20230138302A1 (en) | Multiple scenario-oriented item retrieval method and system | |
CN110795599B (zh) | 基于多尺度图的视频突发事件监测方法及系统 | |
CN115393631A (zh) | 基于贝叶斯层图卷积神经网络的高光谱图像分类方法 | |
Vasantrao et al. | Wader hunt optimization based UNET model for change detection in satellite images | |
Zou et al. | An apple image segmentation method based on a color index obtained by a genetic algorithm | |
Kundur et al. | Deep convolutional neural network architecture for plant seedling classification | |
CN116363491B (zh) | 一种基于最优目标集和人工智能的毁伤评估方法、系统 | |
CN109886303A (zh) | 一种基于粒子群优化的TrAdaboost样本迁移航空影像分类方法 | |
CN113536944A (zh) | 基于图像识别的配电线路巡检数据识别及分析方法 | |
CN115719453B (zh) | 一种基于深度学习的水稻种植结构遥感提取方法 | |
Dhabliya | Multispectral Image Analysis Using Feature Extraction with Classification for Agricultural Crop Cultivation Based On 4G Wireless IOT Networks | |
CN114782835B (zh) | 作物倒伏面积比例检测方法及装置 | |
CN114202694A (zh) | 基于流形混合插值和对比学习的小样本遥感场景图像分类方法 | |
CN116486272B (zh) | 一种基于复杂场景的多维度指标毁伤评估方法、系统 | |
Osadebey et al. | Plant leaves region segmentation in cluttered and occluded images using perceptual color space and k-means-derived threshold with set theory | |
Zhou et al. | Leveraging the feature distribution calibration and data augmentation for few-shot classification in fish counting | |
CN114882376B (zh) | 基于最优锚点尺度的卷积神经网络遥感影像目标检测方法 | |
Mayuri et al. | Artificial Neural Network (ANN) With Chan-Vese (CV) Algorithm-Based Plant Disease Detection And Classification | |
CN117593699A (zh) | 一种昆虫密度估计系统 | |
Zhang et al. | Methodology of wheat lodging annotation based on semi-automatic image segmentation algorithm |
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 |