CN116600104B - 一种用于ipc网络摄像头的采相质量分析方法及系统 - Google Patents
一种用于ipc网络摄像头的采相质量分析方法及系统 Download PDFInfo
- Publication number
- CN116600104B CN116600104B CN202310870546.1A CN202310870546A CN116600104B CN 116600104 B CN116600104 B CN 116600104B CN 202310870546 A CN202310870546 A CN 202310870546A CN 116600104 B CN116600104 B CN 116600104B
- Authority
- CN
- China
- Prior art keywords
- error rate
- information
- quality analysis
- rate information
- image set
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 204
- 238000012937 correction Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 28
- 150000003839 salts Chemical class 0.000 claims abstract description 23
- 238000005070 sampling Methods 0.000 claims description 92
- 230000004044 response Effects 0.000 claims description 61
- 238000010276 construction Methods 0.000 claims description 27
- 239000006002 Pepper Substances 0.000 claims description 11
- 238000000034 method Methods 0.000 claims description 9
- 235000002566 Capsicum Nutrition 0.000 claims description 5
- 235000016761 Piper aduncum Nutrition 0.000 claims description 5
- 235000017804 Piper guineense Nutrition 0.000 claims description 5
- 235000008184 Piper nigrum Nutrition 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 5
- 244000203593 Piper nigrum Species 0.000 claims 1
- 238000003709 image segmentation Methods 0.000 abstract description 2
- 241000722363 Piper Species 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 235000012434 pretzels Nutrition 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010354 integration Effects 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
- 230000008569 process Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
- H04N17/002—Diagnosis, testing or measuring for television systems or their details for television cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Studio Devices (AREA)
Abstract
本发明提供了一种用于IPC网络摄像头的采相质量分析方法及系统,涉及图像处理技术领域,获取目标摄像头的历史图像集合,执行图像划分与去噪处理,获得高斯噪声图像集、泊松噪声图像集、乘性噪声图像集和椒盐噪声图像集并进行误差率分析与计算,获取4个噪声像素点数量信息并加权计算,输入采相质量分析模型输出分析结果,进行网络控制分析,获得控制质量校正系数进行结果校正,解决了现有技术中进行摄像头的采相质量分析时,分析面完备性不足且不够严谨,导致采相质量分析结果精准度不足的技术问题,进行图像多维处理并执行初步质量分析,基于网络控制进一步进行分析校正,针对影响源进行完备性分析,提高采相质量分析结果的精准度。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种用于IPC网络摄像头的采相质量分析方法及系统。
背景技术
随着物联网应用的普及,将摄像设备与本地局域网进行联通,可进行网络控制下的智能摄像控制与目标识别处理,因此需严格把控摄像头的采相质量。目前多通过直接检测分析采相质量,例如基于阶调传递函数直接进行设备的目标捕捉能力衡量,存在一定的技术局限性。
现有技术进行摄像头的采相质量分析时,分析面完备性不足且不够严谨,导致采相质量分析结果精准度不足。
发明内容
本申请提供了一种用于IPC网络摄像头的采相质量分析方法及系统,用于针对解决现有技术中存在的进行摄像头的采相质量分析时,分析面完备性不足且不够严谨,导致采相质量分析结果不够准确的技术问题。
鉴于上述问题,本申请提供了一种用于IPC网络摄像头的采相质量分析方法及系统。
第一方面,本申请提供了一种用于IPC网络摄像头的采相质量分析方法,所述方法包括:
获取待进行质量分析的目标摄像头在预设时间范围内采集的图像,获得历史图像集合,其中,所述目标摄像头为IPC网络摄像头;
根据所述历史图像集合内多个历史图像内的噪声进行划分并进行去噪处理,获得高斯噪声图像集、泊松噪声图像集、乘性噪声图像集和椒盐噪声图像集,以及4个噪声像素点数量信息;
分别将所述高斯噪声图像集、泊松噪声图像集、乘性噪声图像集和椒盐噪声图像集输入所述目标摄像头内的用户识别模型内进行用户识别,获得第一误差率信息、第二误差率信息、第三误差率信息和第四误差率信息;
对所述4个噪声像素点数量信息加权计算,以及对所述第一误差率信息、第二误差率信息、第三误差率信息和第四误差率信息进行计算,输入采相质量分析模型内的第一输入通道和第二输入通道内,获得第一采相质量分析结果;
采用预设指令对预设状态的所述目标摄像头进行控制,获取响应速度信息和控制准确性信息;
将所述响应速度信息和控制准确性信息输入控制质量分析模型内,获得控制质量校正系数,对所述第一采相质量分析结果进行校正,获得第二采相质量分析结果。
第二方面,本申请提供了一种用于IPC网络摄像头的采相质量分析系统,所述系统包括:
图像获取模块,所述图像获取模块用于获取待进行质量分析的目标摄像头在预设时间范围内采集的图像,获得历史图像集合,其中,所述目标摄像头为IPC网络摄像头;
去噪处理模块,所述去噪处理模块用于根据所述历史图像集合内多个历史图像内的噪声进行划分并进行去噪处理,获得高斯噪声图像集、泊松噪声图像集、乘性噪声图像集和椒盐噪声图像集,以及4个噪声像素点数量信息;
误差率获取模块,所述误差率获取模块用于分别将所述高斯噪声图像集、泊松噪声图像集、乘性噪声图像集和椒盐噪声图像集输入所述目标摄像头内的用户识别模型内进行用户识别,获得第一误差率信息、第二误差率信息、第三误差率信息和第四误差率信息;
采相质量分析模块,所述采相质量分析模块用于对所述4个噪声像素点数量信息加权计算,以及对所述第一误差率信息、第二误差率信息、第三误差率信息和第四误差率信息进行计算,输入采相质量分析模型内的第一输入通道和第二输入通道内,获得第一采相质量分析结果;
采信息获取模块,所述信息获取模块用于用预设指令对预设状态的所述目标摄像头进行控制,获取响应速度信息和控制准确性信息;
结果校正模块,所述结果校正模块用于将所述响应速度信息和控制准确性信息输入控制质量分析模型内,获得控制质量校正系数,对所述第一采相质量分析结果进行校正,获得第二采相质量分析结果。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的一种用于IPC网络摄像头的采相质量分析方法,获取待进行质量分析的目标摄像头在预设时间范围内采集的图像,获得历史图像集合,所述目标摄像头为IPC网络摄像头;根据所述历史图像集合内多个历史图像内的噪声进行划分并进行去噪处理,获得高斯噪声图像集、泊松噪声图像集、乘性噪声图像集和椒盐噪声图像集,以及4个噪声像素点数量信息,对所述4个噪声像素点数量信息加权计算;分别将所述高斯噪声图像集、泊松噪声图像集、乘性噪声图像集和椒盐噪声图像集输入所述目标摄像头内的用户识别模型内进行用户识别,获得第一误差率信息、第二误差率信息、第三误差率信息和第四误差率信息并进行计算,输入采相质量分析模型内的第一输入通道和第二输入通道内,获得第一采相质量分析结果;采用预设指令对预设状态的所述目标摄像头进行控制,获取响应速度信息和控制准确性信息,输入控制质量分析模型内,获得控制质量校正系数,对所述第一采相质量分析结果进行校正,获得第二采相质量分析结果,解决了现有技术中存在的进行摄像头的采相质量分析时,分析面完备性不足且不够严谨,导致采相质量分析结果精准度不足的技术问题,进行图像多维处理并执行初步质量分析,基于网络控制进一步进行分析校正,针对影响源进行完备性分析,提高采相质量分析结果的精准度。
附图说明
图1为本申请提供了一种用于IPC网络摄像头的采相质量分析方法流程示意图;
图2为本申请提供了一种用于IPC网络摄像头的采相质量分析方法中第一采相质量分析结果获取流程示意图;
图3为本申请提供了一种用于IPC网络摄像头的采相质量分析方法中控制质量校正系数获取流程示意图;
图4为本申请提供了一种用于IPC网络摄像头的采相质量分析系统结构示意图。
附图标记说明:图像获取模块11,去噪处理模块12,误差率获取模块13,采相质量分析模块14,信息获取模块15,结果校正模块16。
具体实施方式
本申请通过提供一种用于IPC网络摄像头的采相质量分析方法及系统,获取目标摄像头的历史图像集合,执行图像划分与去噪处理,获得高斯噪声图像集、泊松噪声图像集、乘性噪声图像集和椒盐噪声图像集并进行误差率分析与计算,获取4个噪声像素点数量信息并加权计算,输入采相质量分析模型获得第一采相质量分析结果,进行目标摄像头控制与校正分析,获得控制质量校正系数进行结果校正,用于解决现有技术中存在的进行摄像头的采相质量分析时,分析面完备性不足且不够严谨,导致采相质量分析结果精准度不足的技术问题。
实施例一:
如图1所示,本申请提供了一种用于IPC网络摄像头的采相质量分析方法,所述方法包括:
步骤S100:获取待进行质量分析的目标摄像头在预设时间范围内采集的图像,获得历史图像集合,其中,所述目标摄像头为IPC网络摄像头;
具体而言,随着物联网应用的普及,将摄像设备与本地局域网进行联通,可进行网络控制下的智能摄像控制与目标识别处理,因此需严格把控摄像头的采相质量。本申请提供的一种用于IPC网络摄像头的采相质量分析方法,通过进行采集图像的针对性分析处理,初步确定采相质量,结合摄像头的网络控制质量,对确定的采相质量进行校正调整,最大化保障采集质量分析结果的精准度。
具体的,将待进行采相质量分析的IPC网检络摄像头作为所述目标摄像头,以所述预设时间范围与所述目标摄像头为索引,基于与所述目标摄像头联通的本地局域网中进行历史采集图像检索,所述预设时间范围为接壤于当前时刻点的自设定时间区段,调用集成检索图像并进行时序整合,作为所述历史图像集合,所述历史图像集合为待进行采相质量分析的待分析数据源。
步骤S200:根据所述历史图像集合内多个历史图像内的噪声进行划分并进行去噪处理,获得高斯噪声图像集、泊松噪声图像集、乘性噪声图像集和椒盐噪声图像集,以及4个噪声像素点数量信息;
进一步而言,根据所述历史图像集合内多个历史图像内的噪声进行划分并进行去噪处理,本申请步骤S200还包括:
步骤S210:根据所述多个历史图像内的噪声的类型,对所述历史图像集合进行划分和去噪处理,获得所述高斯噪声图像集、泊松噪声图像集、乘性噪声图像集和椒盐噪声图像集;
步骤S220:根据所述去噪处理的结果,获取所述高斯噪声图像集、泊松噪声图像集、乘性噪声图像集和椒盐噪声图像集内图像的噪声像素点数量,获得所述4个噪声像素点数量信息。
具体而言,对所述历史图像集合中存在的多个历史图像进行图像噪声识别,基于噪声类型进行图像划分,例如基于噪声像素点的表征状态与分布情况进行噪声类型归属,包括高斯噪声、泊松噪声、乘性噪声与椒盐噪声,不同类型图像噪声产生的原因不同,例如拍摄亮度状态、设备温度、自身噪声等会造成高斯噪声。对基于噪声类型的图像划分结果执行降噪处理,例如针对高斯噪声,通过线性滤波处理进行图像降噪,优选的,自适应设置滤波参数,例如针对图像中噪声较少的高纹理区域,可适当降低降噪强度,以实现图像的局域自适应精准降噪处理。获取所述高斯噪声图像集、所述泊松噪声图像集、所述乘性噪声图像集和所述椒盐噪声图像集。
进一步的,完成图像去噪处理后,针对所述去噪处理的结果,分别进行噪声像素点数量确定,例如直接对去噪处理的结果进行处理信息识别;或结合去噪强度,计算1减去信噪比的差值与图像的像素点数量的乘积,作为噪声像素点。分别对所述高斯噪声图像集、所述泊松噪声图像集、所述乘性噪声图像集和所述椒盐噪声图像集进行各图像的噪声像素点数量分析,确定与图像集相对应的噪声像素点数量,作为所述4个噪声像素点数量信息。图像噪声会影响图像清晰度与特征强度,为衡量采相质量的评定标准。
步骤S300:分别将所述高斯噪声图像集、泊松噪声图像集、乘性噪声图像集和椒盐噪声图像集输入所述目标摄像头内的用户识别模型内进行用户识别,获得第一误差率信息、第二误差率信息、第三误差率信息和第四误差率信息;
具体而言,所述用于识别模型为所述目标摄像头出厂自带,内置于所述目标摄像头,用于辅助进行采相识别。针对布设于小区内部的摄像头,需针对采集图像进行采相识别,以判断出入用户是否为业主或登记人员。分别将所述高斯噪声图像集、所述泊松噪声图像集、所述乘性噪声图像集和所述椒盐噪声图像集输入所述目标摄像头内部的所述用户识别模型,输出图像对应的用户识别结果并进行识别准确性判定,计算所述高斯噪声图像集中未准确识别出用户的图像数量与总图像数量的比值,作为所述第一误差率信息,同理,针对所述泊松噪声图像集、所述乘性噪声图像集和所述椒盐噪声图像集,计算所述第二误差率信息、所述第三误差率信息和所述第四误差率信息,用于综合分析采相质量与图像处理的质量。
步骤S400:对所述4个噪声像素点数量信息加权计算,以及对所述第一误差率信息、第二误差率信息、第三误差率信息和第四误差率信息进行计算,输入采相质量分析模型内的第一输入通道和第二输入通道内,获得第一采相质量分析结果;
进一步而言,如图2所示,对所述4个噪声像素点数量信息加权计算,以及对所述第一误差率信息、第二误差率信息、第三误差率信息和第四误差率信息进行计算,输入采相质量分析模型内的第一输入通道和第二输入通道内,本申请步骤S400还包括:
步骤S410:根据所述第一误差率信息、第二误差率信息、第三误差率信息和第四误差率信息的大小,对所述4个噪声像素点数量信息加权计算,获得加权噪声像素点数量信息;
步骤S420:计算所述第一误差率信息、第二误差率信息、第三误差率信息和第四误差率信息的均值,获得平均误差率信息;
步骤S430:基于所述目标摄像头历史时间内的采相数据,构建所述采相质量分析模型,所述采相质量分析模型内包括第一输入通道和第二输入通道;
步骤S440:将所述加权噪声像素点数量信息和所述平均误差率信息输入所述采相质量分析模型,获得所述第一采相质量分析结果。
进一步而言,基于所述目标摄像头历史时间内的采相数据,构建所述采相质量分析模型,本申请步骤S430还包括:
步骤S431:基于所述目标摄像头历史时间内的采相数据,获取样本加权噪声像素点数量信息集合、样本平均误差率信息集合;
步骤S432:对所述样本加权噪声像素点数量信息集合、样本平均误差率信息集合内的数据进行组合,并进行采相质量分析,获得样本第一采相质量分析结果集合;
步骤S433:采用所述样本加权噪声像素点数量信息集合、样本平均误差率信息集合和样本第一采相质量分析结果集合作为构建数据,构建所述采相质量分析模型。
进一步而言,采用所述样本加权噪声像素点数量信息集合、样本平均误差率信息集合和样本第一采相质量分析结果集合作为构建数据,构建所述采相质量分析模型,本申请步骤S433还包括:
步骤S4331:以加权噪声像素点数量信息作为第一决策特征,构建所述第一输入通道;
步骤S4332:采用所述样本加权噪声像素点数量信息集合,构建多层第一决策节点,每层决策节点内包括一判断阈值,对输入的加权噪声像素点数量信息进行二分类决策判断;
步骤S4333:以平均误差率信息作为第二决策特征,构建所述第二输入通道;
步骤S4334:采用所述样本平均误差率信息集合,构建多层第二决策节点;
步骤S4335:连接所述多层第一决策节点和所述多层第二决策节点,并获取多个最终决策结果;
步骤S4336:采用所述样本第一采相质量分析结果集内的多个样本第一采用质量分析结果,对所述多个最终决策结果进行标记,获得所述采相质量分析模型。
具体而言,将所述第一误差率信息、所述第二误差率信息、所述第三误差率信息和所述第四误差率信息的大小作为权重配置标准,即误差率与权重成正比,确定分布权重,其中,分布权重之和为1。基于所述分布权重,对所述4个噪声像素点数量信息进行赋权求和,作为所述加权噪声像素点数量信息。进一步对所述第一误差率信息、所述第二误差率信息、所述第三误差率信息和所述第四误差率信息进行均值计算,确定所述平均误差率信息,所述加权噪声像素点数量信息和所述平均误差率信息为衡量采相质量的指标。进而基于所述采相质量分析模型,根据所述加权噪声像素点数量信息和所述平均误差率信息进行采相质量分析。
构建所述采相质量分析模型,具体的,调用所述目标摄像头历史时间,即曾使用时间段内的采相数据,对各组数据分别进行图像划分与去噪处理,确定噪声像素点数量信息并赋权求和,作为所述样本加权噪声像素点数量信息集合;进行用户识别确定误差率信息并求均值,作为所述样本平均误差率信息集合,具体数据处理方式同上。所述样本加权噪声像素点数量信息集合与所述样本平均误差率信息集合映射对应,基于对应关系对两组样本数据进行组合,确定多个样本数据组,进一步,逐样本进行采相质量分析,例如基于专家经验进行人工分析,作为所述样本第一采相质量分析结果集合。进一步映射关联所述样本加权噪声像素点数量信息集合、所述样本平均误差率信息集合与所述样本第一采相质量分析结果集合,作为所述构建数据,搭建所述采相质量分析模型。
具体的,将加权噪声像素点数量信息与平均误差率信息分别作为决策特征,进行并行决策分析。以加权噪声像素点数量信息作为第一决策特征,构建所述第一输入通道,用于进行输入数据的归属决策。基于所述样本加权噪声像素点数量信息集合,随机提取一数据作为判断阈值,嵌入构建的第一决策层,对所述样本加权噪声像素点数量信息集合进行二分类;再次随机提取一数据作为判断阈值,嵌入下位于所述第一决策层的第二决策层,对二分类结果再次分别执行划分,重复上述步骤,直至达到最大决策层数量,获取第N决策层,对构建的所述第一决策层、所述第二决策层直至所述第N决策层进行层级关联,确定所述多层第一决策节点,将所述多层第一决策节点嵌入所述第一输入通道中。
进一步的,以所述平均误差率信息作为第二决策特征,构建所述第二输入通道,用于进行输入数据的归属决策。基于采用所述样本平均误差率信息集合,多次随机提取一数据作为判断阈值,对逐步构建的层级第二决策节点进行嵌入,生成所述多层第二决策节点,所述多层第一决策节点与所述多层第二决策节点的构建方式相同,具体构建数据类型不同。
对所述多层第一决策节点与所述多层第二决策节点进行连接,确定分别对应于所述多层第一决策节点与所述多层第二决策节点内各决策项,且后置的所述多个最终决策结果。基于所述样本第一采相质量分析结果集,对多个样本第一采用质量分析结果与所述多个最终决策结果进行匹配与标记,生成所述采相质量分析模型,即自建的用于进行采相质量分析的辅助工具,可有效提高分析效率,并保障分析结果的准确度与客观性。
进一步的,将所述加权噪声像素点数量信息输入所述采相质量分析模型内的所述第一输入通道,将所述平均误差率信息输入所述采相质量分析模型内的所述第二输入通道,基于通道内嵌的所述多层第一决策节点与所述多层第二决策节点进行输入数据决策归属,进而识别后置关联匹配的最终决策结果,将标记数据作为所述第一采相质量分析结果进行模型输出。
步骤S500:采用预设指令对预设状态的所述目标摄像头进行控制,获取响应速度信息和控制准确性信息;
进一步而言,采用预设指令对预设状态的所述目标摄像头进行控制,获取响应速度信息和控制准确性信息,本申请步骤S500还包括:
步骤S510:采用预设指令对预设状态的所述目标摄像头进行控制,获取控制时间点和理论控制参数;
步骤S520:根据所述目标摄像头响应于所述预设指令,获取响应时间点和实际响应参数;
步骤S530:根据所述响应时间点和所述控制时间点,计算获得所述响应速度信息,根据所述理论控制参数和所述实际响应参数,计算获得所述控制准确性信息。
具体而言,基于连接的网络,进行所述目标摄像头的运行控制,所述目标摄像头的运行状态一定程度上会影响采相质量,同步进行网络控制的控制质量分析,确定影响采相质量的网络因素衡量指标。具体的,所述预设指令为所述目标摄像头的控制执行指令,例如转向角度,所述预设角度为自定义设定的所述目标摄像头的状态,例如正东朝向水平向下30°。基于所述预设指令,对所述预设状态的所述目标摄像头进行控制,确定进行控制的初始时间节点,作为所述控制时间点,基于所述预设指令的待控制信息,例如角度偏移20°,作为所述理论控制参数。所述目标摄像头响应于所述预设指令,将完成指令控制的时间节点,作为所述响应时间点,确定实际控制数值,作为所述实际响应参数。基于所述响应时间点与所述控制时间点确定响应时间区间,对理论控制参数与响应时间区间进行除法计算,确定所述响应速度信息;计算所述理论控制参数与所述实际响应参数的差值,作为所述控制准确性信息。所述响应速度信息与所述控制准确性信息为衡量网络控制质量的指标。
步骤S600:将所述响应速度信息和控制准确性信息输入控制质量分析模型内,获得控制质量校正系数,对所述第一采相质量分析结果进行校正,获得第二采相质量分析结果。
进一步而言,如图3所示,将所述响应速度信息和控制准确性信息输入控制质量分析模型内,获得控制质量校正系数,本申请步骤S600还包括:
步骤S610:基于历史时间内对所述目标摄像头进行控制的检测数据,获取样本响应速度信息数集合、样本控制准确性信息数集合和样本控制质量校正系数集合;
步骤S620:采用所述样本响应速度信息数集合、样本控制准确性信息数集合和样本控制质量校正系数集合作为构建数据,构建所述控制质量分析模型;
步骤S630:将所述响应速度信息和控制准确性信息输入控制质量分析模型内,获得所述控制质量校正系数。
具体而言,所述控制质量分析模型为自建的用于进行控制质量分析的辅助分析工具,构建所述控制质量分析模型,具体的,调用所述历史时间内所述目标摄像头进行控制的检测数据,进行数据分析计算,确定所述样本响应速度信息数集合与所述样本控制准确性信息数集合,上述样本数据为曾运行数据,可直接进行确定。针对映射对应的所述样本响应速度信息数集合与所述样本控制准确性信息数集合,可通过专家组进行人工分析,确定所述样本控制质量校正系数集合,即衡量网络控制偏差对其适配调整数据。对所述样本响应速度信息数集合、所述样本控制准确性信息数集合与所述样本控制质量校正系数集合进行映射关联,作为所述构建数据,构建所述控制质量分析模型,所述控制质量分析模型与所述采相质量分析模型的构建方式与模型架构相同,具体构建数据不同,构建双输入通道,基于所述样本响应速度信息数集合与所述样本控制准确性信息数集合,针对响应速度与控制准确性分别构建多层决策节点,并配置最终决策结果,基于样本控制质量校正系数集合进行最终决策结果的匹配标识,生成所述控制质量分析模型。
进一步的,将所述响应速度信息与所述控制准确性信息输入所述控制质量分析模型内,通过进行决策分析输出所述控制质量校正系数,即基于网络控制偏差的校正数据。基于所述控制质量校正系数,对所述第一采相质量分析结果进行校正调整,作为所述第二采相质量分析结果,将所述第二采相质量分析结果作为最终分析结果,可有效提高分析结果的准确度。
实施例二:
基于与前述实施例中一种用于IPC网络摄像头的采相质量分析方法相同的发明构思,如图4所示,本申请提供了一种用于IPC网络摄像头的采相质量分析系统,所述系统包括:
图像获取模块11,所述图像获取模块11用于获取待进行质量分析的目标摄像头在预设时间范围内采集的图像,获得历史图像集合,其中,所述目标摄像头为IPC网络摄像头;
去噪处理模块12,所述去噪处理模块12用于根据所述历史图像集合内多个历史图像内的噪声进行划分并进行去噪处理,获得高斯噪声图像集、泊松噪声图像集、乘性噪声图像集和椒盐噪声图像集,以及4个噪声像素点数量信息;
误差率获取模块13,所述误差率获取模块13用于分别将所述高斯噪声图像集、泊松噪声图像集、乘性噪声图像集和椒盐噪声图像集输入所述目标摄像头内的用户识别模型内进行用户识别,获得第一误差率信息、第二误差率信息、第三误差率信息和第四误差率信息;
采相质量分析模块14,所述采相质量分析模块14用于对所述4个噪声像素点数量信息加权计算,以及对所述第一误差率信息、第二误差率信息、第三误差率信息和第四误差率信息进行计算,输入采相质量分析模型内的第一输入通道和第二输入通道内,获得第一采相质量分析结果;
信息获取模块15,所述信息获取模块15用于采用预设指令对预设状态的所述目标摄像头进行控制,获取响应速度信息和控制准确性信息;
结果校正模块16,所述结果校正模块16用于将所述响应速度信息和控制准确性信息输入控制质量分析模型内,获得控制质量校正系数,对所述第一采相质量分析结果进行校正,获得第二采相质量分析结果。
进一步而言,所述系统还包括:
图像处理模块,所述图像处理模块用于根据所述多个历史图像内的噪声的类型,对所述历史图像集合进行划分和去噪处理,获得所述高斯噪声图像集、泊松噪声图像集、乘性噪声图像集和椒盐噪声图像集;
像素点数量获取模块,所述像素点数量获取模块用于根据所述去噪处理的结果,获取所述高斯噪声图像集、泊松噪声图像集、乘性噪声图像集和椒盐噪声图像集内图像的噪声像素点数量,获得所述4个噪声像素点数量信息。
进一步而言,所述系统还包括:
信息加权计算模块,所述信息加权计算模块用于根据所述第一误差率信息、第二误差率信息、第三误差率信息和第四误差率信息的大小,对所述4个噪声像素点数量信息加权计算,获得加权噪声像素点数量信息;
均值计算模块,所述均值计算模块用于计算所述第一误差率信息、第二误差率信息、第三误差率信息和第四误差率信息的均值,获得平均误差率信息;
模型构建模块,所述模型构建模块用于基于所述目标摄像头历史时间内的采相数据,构建所述采相质量分析模型,所述采相质量分析模型内包括第一输入通道和第二输入通道;
结果获取模块,所述结果获取模块用于将所述加权噪声像素点数量信息和所述平均误差率信息输入所述采相质量分析模型,获得所述第一采相质量分析结果。
进一步而言,所述系统还包括:
样本获取模块,所述样本获取模块用于基于所述目标摄像头历史时间内的采相数据,获取样本加权噪声像素点数量信息集合、样本平均误差率信息集合;
样本分析模块,所述样本分析模块用于对所述样本加权噪声像素点数量信息集合、样本平均误差率信息集合内的数据进行组合,并进行采相质量分析,获得样本第一采相质量分析结果集合;
采相质量分析模型构建模块,所述采相质量分析模型构建模块用于采用所述样本加权噪声像素点数量信息集合、样本平均误差率信息集合和样本第一采相质量分析结果集合作为构建数据,构建所述采相质量分析模型。
进一步而言,所述系统还包括:
第一输入通道构建模块,所述第一输入通道构建模块用于以加权噪声像素点数量信息作为第一决策特征,构建所述第一输入通道;
多层第一决策节点构建模块,所述多层第一决策节点构建模块用于采用所述样本加权噪声像素点数量信息集合,构建多层第一决策节点,每层决策节点内包括一判断阈值,对输入的加权噪声像素点数量信息进行二分类决策判断;
第二输入通道构建模块,所述第二输入通道构建模块用于以平均误差率信息作为第二决策特征,构建所述第二输入通道;
多层第二决策节点构建模块,所述多层第二决策节点构建模块用于采用所述样本平均误差率信息集合,构建多层第二决策节点;
决策节点连接模块,所述决策节点连接模块用于连接所述多层第一决策节点和所述多层第二决策节点,并获取多个最终决策结果;
结果标记模块,所述结果标记模块用于采用所述样本第一采相质量分析结果集内的多个样本第一采用质量分析结果,对所述多个最终决策结果进行标记,获得所述采相质量分析模型。
进一步而言,所述系统还包括:
理论控制信息获取模块,所述理论控制信息获取模块用于采用预设指令对预设状态的所述目标摄像头进行控制,获取控制时间点和理论控制参数;
实际控制信息获取模块,所述实际控制信息获取模块用于根据所述目标摄像头响应于所述预设指令,获取响应时间点和实际响应参数;
信息计算模块,所述信息计算模块用于根据所述响应时间点和所述控制时间点,计算获得所述响应速度信息,根据所述理论控制参数和所述实际响应参数,计算获得所述控制准确性信息。
进一步而言,所述系统还包括:
样本信息获取模块,所述样本信息获取模块用于基于历史时间内对所述目标摄像头进行控制的检测数据,获取样本响应速度信息数集合、样本控制准确性信息数集合和样本控制质量校正系数集合;
控制质量分析模型构建模块,所述控制质量分析模型构建模块用于采用所述样本响应速度信息数集合、样本控制准确性信息数集合和样本控制质量校正系数集合作为构建数据,构建所述控制质量分析模型;
控制质量校正系数获取模块,所述控制质量校正系数获取模块用于将所述响应速度信息和控制准确性信息输入控制质量分析模型内,获得所述控制质量校正系数。
本说明书通过前述对一种用于IPC网络摄像头的采相质量分析方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种用于IPC网络摄像头的采相质量分析方法及系统,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (3)
1.一种用于IPC网络摄像头的采相质量分析方法,其特征在于,所述方法包括:
获取待进行质量分析的目标摄像头在预设时间范围内采集的图像,获得历史图像集合,其中,所述目标摄像头为IPC网络摄像头;
根据所述历史图像集合内多个历史图像内的噪声进行划分并进行去噪处理,获得高斯噪声图像集、泊松噪声图像集、乘性噪声图像集和椒盐噪声图像集,以及4个噪声像素点数量信息;
分别将所述高斯噪声图像集、泊松噪声图像集、乘性噪声图像集和椒盐噪声图像集输入所述目标摄像头内的用户识别模型内进行用户识别,获得第一误差率信息、第二误差率信息、第三误差率信息和第四误差率信息,其中所述第一误差率信息为计算所述高斯噪声图像集中未准确识别出用户的图像数量与总图像数量的比值,所述第二误差率信息为计算所述泊松噪声图像集中未准确识别出用户的图像数量与总图像数量的比值,所述第三误差率信息为计算所述乘性噪声图像集中未准确识别出用户的图像数量与总图像数量的比值,所述第四误差率信息为计算所述椒盐噪声图像集中未准确识别出用户的图像数量与总图像数量的比值;
对所述4个噪声像素点数量信息加权计算,以及对所述第一误差率信息、第二误差率信息、第三误差率信息和第四误差率信息进行计算,输入采相质量分析模型内的第一输入通道和第二输入通道内,获得第一采相质量分析结果;
采用预设指令对预设状态的所述目标摄像头进行控制,获取响应速度信息和控制准确性信息;
将所述响应速度信息和控制准确性信息输入控制质量分析模型内,获得控制质量校正系数,对所述第一采相质量分析结果进行校正,获得第二采相质量分析结果;
其中,所述根据所述历史图像集合内多个历史图像内的噪声进行划分并进行去噪处理,包括:
根据所述多个历史图像内的噪声的类型,对所述历史图像集合进行划分和去噪处理,获得所述高斯噪声图像集、泊松噪声图像集、乘性噪声图像集和椒盐噪声图像集;
根据所述去噪处理的结果,获取所述高斯噪声图像集、泊松噪声图像集、乘性噪声图像集和椒盐噪声图像集内图像的噪声像素点数量,获得所述4个噪声像素点数量信息;
所述对所述4个噪声像素点数量信息加权计算,以及对所述第一误差率信息、第二误差率信息、第三误差率信息和第四误差率信息进行计算,输入采相质量分析模型内的第一输入通道和第二输入通道内,包括:
根据所述第一误差率信息、第二误差率信息、第三误差率信息和第四误差率信息的大小,对所述4个噪声像素点数量信息加权计算,获得加权噪声像素点数量信息;
计算所述第一误差率信息、第二误差率信息、第三误差率信息和第四误差率信息的均值,获得平均误差率信息;
基于所述目标摄像头历史时间内的采相数据,构建所述采相质量分析模型,所述采相质量分析模型内包括第一输入通道和第二输入通道;
将所述加权噪声像素点数量信息和所述平均误差率信息输入所述采相质量分析模型,获得所述第一采相质量分析结果;
所述基于所述目标摄像头历史时间内的采相数据,构建所述采相质量分析模型,包括:
基于所述目标摄像头历史时间内的采相数据,获取样本加权噪声像素点数量信息集合、样本平均误差率信息集合;
对所述样本加权噪声像素点数量信息集合、样本平均误差率信息集合内的数据进行组合,并进行采相质量分析,获得样本第一采相质量分析结果集合;
采用所述样本加权噪声像素点数量信息集合、样本平均误差率信息集合和样本第一采相质量分析结果集合作为构建数据,构建所述采相质量分析模型;
所述采用所述样本加权噪声像素点数量信息集合、样本平均误差率信息集合和样本第一采相质量分析结果集合作为构建数据,构建所述采相质量分析模型,包括:
以加权噪声像素点数量信息作为第一决策特征,构建所述第一输入通道;
采用所述样本加权噪声像素点数量信息集合,构建多层第一决策节点,每层决策节点内包括一判断阈值,对输入的加权噪声像素点数量信息进行二分类决策判断;
以平均误差率信息作为第二决策特征,构建所述第二输入通道;
采用所述样本平均误差率信息集合,构建多层第二决策节点;
连接所述多层第一决策节点和所述多层第二决策节点,并获取多个最终决策结果;
采用所述样本第一采相质量分析结果集内的多个样本第一采用质量分析结果,对所述多个最终决策结果进行标记,获得所述采相质量分析模型;
所述将所述响应速度信息和控制准确性信息输入控制质量分析模型内,获得控制质量校正系数,包括:
基于历史时间内对所述目标摄像头进行控制的检测数据,获取样本响应速度信息数集合、样本控制准确性信息数集合和样本控制质量校正系数集合;
采用所述样本响应速度信息数集合、样本控制准确性信息数集合和样本控制质量校正系数集合作为构建数据,构建所述控制质量分析模型;
将所述响应速度信息和控制准确性信息输入控制质量分析模型内,获得所述控制质量校正系数。
2.根据权利要求1所述的方法,其特征在于,采用预设指令对预设状态的所述目标摄像头进行控制,获取响应速度信息和控制准确性信息,包括:
采用预设指令对预设状态的所述目标摄像头进行控制,获取控制时间点和理论控制参数;
根据所述目标摄像头响应于所述预设指令,获取响应时间点和实际响应参数;
根据所述响应时间点和所述控制时间点,计算获得所述响应速度信息,根据所述理论控制参数和所述实际响应参数,计算获得所述控制准确性信息。
3.一种用于IPC网络摄像头的采相质量分析系统,其特征在于,所述系统包括:
图像获取模块,所述图像获取模块用于获取待进行质量分析的目标摄像头在预设时间范围内采集的图像,获得历史图像集合,其中,所述目标摄像头为IPC网络摄像头;
去噪处理模块,所述去噪处理模块用于根据所述历史图像集合内多个历史图像内的噪声进行划分并进行去噪处理,获得高斯噪声图像集、泊松噪声图像集、乘性噪声图像集和椒盐噪声图像集,以及4个噪声像素点数量信息;
误差率获取模块,所述误差率获取模块用于分别将所述高斯噪声图像集、泊松噪声图像集、乘性噪声图像集和椒盐噪声图像集输入所述目标摄像头内的用户识别模型内进行用户识别,获得第一误差率信息、第二误差率信息、第三误差率信息和第四误差率信息,其中所述第一误差率信息为计算所述高斯噪声图像集中未准确识别出用户的图像数量与总图像数量的比值,所述第二误差率信息为计算所述泊松噪声图像集中未准确识别出用户的图像数量与总图像数量的比值,所述第三误差率信息为计算所述乘性噪声图像集中未准确识别出用户的图像数量与总图像数量的比值,所述第四误差率信息为计算所述椒盐噪声图像集中未准确识别出用户的图像数量与总图像数量的比值;
采相质量分析模块,所述采相质量分析模块用于对所述4个噪声像素点数量信息加权计算,以及对所述第一误差率信息、第二误差率信息、第三误差率信息和第四误差率信息进行计算,输入采相质量分析模型内的第一输入通道和第二输入通道内,获得第一采相质量分析结果;
信息获取模块,所述信息获取模块用于采用预设指令对预设状态的所述目标摄像头进行控制,获取响应速度信息和控制准确性信息;
结果校正模块,所述结果校正模块用于将所述响应速度信息和控制准确性信息输入控制质量分析模型内,获得控制质量校正系数,对所述第一采相质量分析结果进行校正,获得第二采相质量分析结果;
图像处理模块,所述图像处理模块用于根据所述多个历史图像内的噪声的类型,对所述历史图像集合进行划分和去噪处理,获得所述高斯噪声图像集、泊松噪声图像集、乘性噪声图像集和椒盐噪声图像集;
像素点数量获取模块,所述像素点数量获取模块用于根据所述去噪处理的结果,获取所述高斯噪声图像集、泊松噪声图像集、乘性噪声图像集和椒盐噪声图像集内图像的噪声像素点数量,获得所述4个噪声像素点数量信息;
信息加权计算模块,所述信息加权计算模块用于根据所述第一误差率信息、第二误差率信息、第三误差率信息和第四误差率信息的大小,对所述4个噪声像素点数量信息加权计算,获得加权噪声像素点数量信息;
均值计算模块,所述均值计算模块用于计算所述第一误差率信息、第二误差率信息、第三误差率信息和第四误差率信息的均值,获得平均误差率信息;
模型构建模块,所述模型构建模块用于基于所述目标摄像头历史时间内的采相数据,构建所述采相质量分析模型,所述采相质量分析模型内包括第一输入通道和第二输入通道;
结果获取模块,所述结果获取模块用于将所述加权噪声像素点数量信息和所述平均误差率信息输入所述采相质量分析模型,获得所述第一采相质量分析结果;
样本获取模块,所述样本获取模块用于基于所述目标摄像头历史时间内的采相数据,获取样本加权噪声像素点数量信息集合、样本平均误差率信息集合;
样本分析模块,所述样本分析模块用于对所述样本加权噪声像素点数量信息集合、样本平均误差率信息集合内的数据进行组合,并进行采相质量分析,获得样本第一采相质量分析结果集合;
采相质量分析模型构建模块,所述采相质量分析模型构建模块用于采用所述样本加权噪声像素点数量信息集合、样本平均误差率信息集合和样本第一采相质量分析结果集合作为构建数据,构建所述采相质量分析模型;
第一输入通道构建模块,所述第一输入通道构建模块用于以加权噪声像素点数量信息作为第一决策特征,构建所述第一输入通道;
多层第一决策节点构建模块,所述多层第一决策节点构建模块用于采用所述样本加权噪声像素点数量信息集合,构建多层第一决策节点,每层决策节点内包括一判断阈值,对输入的加权噪声像素点数量信息进行二分类决策判断;
第二输入通道构建模块,所述第二输入通道构建模块用于以平均误差率信息作为第二决策特征,构建所述第二输入通道;
多层第二决策节点构建模块,所述多层第二决策节点构建模块用于采用所述样本平均误差率信息集合,构建多层第二决策节点;
决策节点连接模块,所述决策节点连接模块用于连接所述多层第一决策节点和所述多层第二决策节点,并获取多个最终决策结果;
结果标记模块,所述结果标记模块用于采用所述样本第一采相质量分析结果集内的多个样本第一采用质量分析结果,对所述多个最终决策结果进行标记,获得所述采相质量分析模型;
样本信息获取模块,所述样本信息获取模块用于基于历史时间内对所述目标摄像头进行控制的检测数据,获取样本响应速度信息数集合、样本控制准确性信息数集合和样本控制质量校正系数集合;
控制质量分析模型构建模块,所述控制质量分析模型构建模块用于采用所述样本响应速度信息数集合、样本控制准确性信息数集合和样本控制质量校正系数集合作为构建数据,构建所述控制质量分析模型;
控制质量校正系数获取模块,所述控制质量校正系数获取模块用于将所述响应速度信息和控制准确性信息输入控制质量分析模型内,获得所述控制质量校正系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310870546.1A CN116600104B (zh) | 2023-07-17 | 2023-07-17 | 一种用于ipc网络摄像头的采相质量分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310870546.1A CN116600104B (zh) | 2023-07-17 | 2023-07-17 | 一种用于ipc网络摄像头的采相质量分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116600104A CN116600104A (zh) | 2023-08-15 |
CN116600104B true CN116600104B (zh) | 2023-09-19 |
Family
ID=87601261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310870546.1A Active CN116600104B (zh) | 2023-07-17 | 2023-07-17 | 一种用于ipc网络摄像头的采相质量分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116600104B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116886892B (zh) * | 2023-09-05 | 2023-12-29 | 功道(深圳)科技实业有限公司 | 一种基于多源数据的门禁管理方法 |
CN117173181B (zh) * | 2023-11-03 | 2024-01-26 | 沈阳金杯李尔汽车座椅有限公司 | 一种基于图像分解的座椅出厂校验方法与系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005005870A (ja) * | 2003-06-10 | 2005-01-06 | Minolta Co Ltd | 撮像装置 |
CN101383898A (zh) * | 2007-09-07 | 2009-03-11 | 索尼株式会社 | 图像处理设备、图像处理方法和计算机程序 |
CN107545565A (zh) * | 2017-07-27 | 2018-01-05 | 广西师范大学 | 一种太阳能网版检测方法 |
CN109884040A (zh) * | 2019-02-12 | 2019-06-14 | 深圳市象形字科技股份有限公司 | 一种基于图像识别和otg技术的尿液检测方法 |
CN112734674A (zh) * | 2021-01-15 | 2021-04-30 | 河海大学 | 一种图像去噪声的方法 |
CN113163104A (zh) * | 2020-12-31 | 2021-07-23 | 深圳市微网力合信息技术有限公司 | 基于wifi6的摄像头控制方法、设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8139117B2 (en) * | 2006-04-21 | 2012-03-20 | Sick, Inc. | Image quality analysis with test pattern |
GB2581535A (en) * | 2019-02-25 | 2020-08-26 | Canon Kk | Method and system for auto-setting video content analysis modules |
JP2022048870A (ja) * | 2020-09-15 | 2022-03-28 | ソニーグループ株式会社 | プログラム、情報処理装置および情報処理システム |
-
2023
- 2023-07-17 CN CN202310870546.1A patent/CN116600104B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005005870A (ja) * | 2003-06-10 | 2005-01-06 | Minolta Co Ltd | 撮像装置 |
CN101383898A (zh) * | 2007-09-07 | 2009-03-11 | 索尼株式会社 | 图像处理设备、图像处理方法和计算机程序 |
CN107545565A (zh) * | 2017-07-27 | 2018-01-05 | 广西师范大学 | 一种太阳能网版检测方法 |
CN109884040A (zh) * | 2019-02-12 | 2019-06-14 | 深圳市象形字科技股份有限公司 | 一种基于图像识别和otg技术的尿液检测方法 |
CN113163104A (zh) * | 2020-12-31 | 2021-07-23 | 深圳市微网力合信息技术有限公司 | 基于wifi6的摄像头控制方法、设备及存储介质 |
CN112734674A (zh) * | 2021-01-15 | 2021-04-30 | 河海大学 | 一种图像去噪声的方法 |
Non-Patent Citations (1)
Title |
---|
基于车联网图像的多焦点融合去噪技术的研究;罗洋坤;;软件(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116600104A (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116600104B (zh) | 一种用于ipc网络摄像头的采相质量分析方法及系统 | |
CN111274860B (zh) | 一种基于机器视觉的在线自动烟叶等级分选的识别方法 | |
CN106886216B (zh) | 基于rgbd人脸检测的机器人自动跟踪方法和系统 | |
KR100961506B1 (ko) | 제어 대상 모델 생성 장치 및 생성 방법 | |
CN103702015B (zh) | 一种近红外条件下人脸图像采集系统的曝光控制方法 | |
CN101261736A (zh) | 多源图像动目标协同检测方法 | |
CN110533603A (zh) | 一种基于熵与卷积神经网络的点云降噪方法 | |
CN112164093A (zh) | 一种基于边缘特征和相关滤波的人物自动跟踪方法 | |
CN113256733B (zh) | 基于置信度投票卷积神经网络的相机光谱灵敏度重建方法 | |
CN109344758B (zh) | 基于改进局部二值模式的人脸识别方法 | |
CN112003891B (zh) | 用于智能网联车辆控制器的多传感数据融合方法 | |
CN113392851A (zh) | 一种红茶发酵程度的智能判别方法及装置 | |
CN117406027A (zh) | 一种配电网故障测距方法及其系统 | |
Siswantoro et al. | Image based leaf area measurement method using artificial neural network | |
CN112949385B (zh) | 一种基于光视觉的水面目标检测与识别方法 | |
CN111415715B (zh) | 一种基于多元光谱数据的智能校正方法、系统及装置 | |
Kwon et al. | Illumination Estimation Based on Valid Pixel Selection from CCD Camera | |
CN112668754A (zh) | 一种基于多源特征信息融合的电力设备缺陷诊断方法 | |
CN114387545A (zh) | 基于前馈网络的角膜生物力学特性的智能检测方法 | |
CN112683459A (zh) | 基于人工智能的气密性检测过程相机光圈调节方法及系统 | |
CN117095068B (zh) | 番茄贮藏温度调控方法、装置、电子设备及存储介质 | |
CN116205914B (zh) | 一种防水涂料生产智能监测系统 | |
CN117079416B (zh) | 基于人工智能算法的多人5d雷达跌倒检测方法及系统 | |
KR20150111401A (ko) | 화폐 식별 방법 및 장치 | |
CN117491357B (zh) | 一种涂料的质量监测方法及系统 |
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 |