CN116819050B - 混凝土搅拌匀质度检测系统及其检测方法 - Google Patents
混凝土搅拌匀质度检测系统及其检测方法 Download PDFInfo
- Publication number
- CN116819050B CN116819050B CN202310757695.7A CN202310757695A CN116819050B CN 116819050 B CN116819050 B CN 116819050B CN 202310757695 A CN202310757695 A CN 202310757695A CN 116819050 B CN116819050 B CN 116819050B
- Authority
- CN
- China
- Prior art keywords
- stirring state
- feature
- stirring
- image
- matrix
- 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
- 238000003756 stirring Methods 0.000 title claims abstract description 186
- 239000004567 concrete Substances 0.000 title claims abstract description 122
- 238000001514 detection method Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 36
- 239000013598 vector Substances 0.000 claims description 94
- 239000011159 matrix material Substances 0.000 claims description 91
- 238000002156 mixing Methods 0.000 claims description 70
- 238000009826 distribution Methods 0.000 claims description 29
- 238000004458 analytical method Methods 0.000 claims description 23
- 230000004927 fusion Effects 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 5
- 230000000903 blocking effect Effects 0.000 claims description 4
- 238000011161 development Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000012797 qualification Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 239000004568 cement Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 239000012615 aggregate Substances 0.000 description 2
- 238000013019 agitation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036571 hydration Effects 0.000 description 1
- 238000006703 hydration reaction Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004570 mortar (masonry) Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
公开了一种混凝土搅拌匀质度检测系统及其检测方法。其通过采用基于深度学习的机器视觉技术来对于混凝土的搅拌状态图像进行分析，以此来捕捉图像中有关于搅拌状态的隐含特征信息，从而进行混凝土搅拌匀质度的合格检测，以优化混凝土搅拌的效率和质量。
Description
技术领域
本申请涉及智能检测领域，且更为具体地，涉及一种混凝土搅拌匀质度检测系统及其检测方法。
背景技术
混凝土是建筑和公路、桥梁等基础工程设施建设中常用的材料之一，其质量对于工程结构的稳定性和耐久性至关重要。混凝土的搅拌过程中，需要确保混凝土的均质性，即混凝土中各组分的分布均匀，以保证混凝土的强度和性能符合设计要求。然而，传统的混凝土搅拌匀质度检测方法主要依靠技术人员通过经验判断或人工抽样检测，这种方法存在主观性强、效率低下和不可实时监测等问题。
因此，期望一种优化的混凝土搅拌匀质度检测系统。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种混凝土搅拌匀质度检测系统及其检测方法，其通过采用基于深度学习的机器视觉技术来对于混凝土的搅拌状态图像进行分析，以此来捕捉图像中有关于搅拌状态的隐含特征信息，从而进行混凝土搅拌匀质度的合格检测，以优化混凝土搅拌的效率和质量。
根据本申请的一个方面，提供了一种混凝土搅拌匀质度检测系统，其包括：搅拌状态图像获取模块，用于通过摄像头采集混凝土的搅拌状态图像；搅拌状态特征分析模块，用于对所述搅拌状态图像进行特征分析以得到搅拌状态特征矩阵；以及搅拌匀质度检测模块，用于基于所述搅拌状态特征矩阵，确定混凝土搅拌匀质度是否符合预定标准。
根据本申请的另一方面，提供了一种混凝土搅拌匀质度检测方法，其包括：通过摄像头采集混凝土的搅拌状态图像；对所述搅拌状态图像进行特征分析以得到搅拌状态特征矩阵；以及基于所述搅拌状态特征矩阵，确定混凝土搅拌匀质度是否符合预定标准。
根据本公开的实施例，其通过采用基于深度学习的机器视觉技术来对于混凝土的搅拌状态图像进行分析，以此来捕捉图像中有关于搅拌状态的隐含特征信息，从而进行混凝土搅拌匀质度的合格检测，以优化混凝土搅拌的效率和质量。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的混凝土搅拌匀质度检测系统的框图。
图2为根据本申请实施例的混凝土搅拌匀质度检测系统的系统架构图。
图3为根据本申请实施例的混凝土搅拌匀质度检测系统中搅拌状态特征分析模块的框图。
图4为根据本申请实施例的混凝土搅拌匀质度检测系统中搅拌匀质度检测模块的框图。
图5为根据本申请实施例的混凝土搅拌匀质度检测方法的流程图。
图6为根据本申请实施例的混凝土搅拌匀质度检测系统的应用场景图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
混凝土是建筑和基础设施建设中常用的材料之一，其质量对于工程结构的稳定性和耐久性至关重要。混凝土的搅拌过程中，需要确保混凝土的均质性，即混凝土中各组分的分布均匀，以保证混凝土的强度和性能符合设计要求。然而，传统的混凝土搅拌匀质度检测方法主要依靠技术人员通过经验判断或人工抽样检测，这种方法存在主观性强、效率低下和不可实时监测等问题。因此，期望一种优化的混凝土搅拌匀质度检测系统。
图1为根据本申请实施例的混凝土搅拌匀质度检测系统的框图。图2为根据本申请实施例的混凝土搅拌匀质度检测系统的系统架构图。如图1和图2所示，根据本申请实施例的混凝土搅拌匀质度检测系统300，包括：搅拌状态图像获取模块310，用于通过摄像头采集混凝土的搅拌状态图像；搅拌状态特征分析模块320，用于对所述搅拌状态图像进行特征分析以得到搅拌状态特征矩阵；以及，搅拌匀质度检测模块330，用于基于所述搅拌状态特征矩阵，确定混凝土搅拌匀质度是否符合预定标准。
所述搅拌状态图像获取模块310，用于通过摄像头采集混凝土的搅拌状态图像。应可以理解，混凝土是一种由水泥、砂、骨料（如石子或砾石）和水按一定比例混合而成的建筑材料。混凝土的制作过程包括将水泥、砂和骨料混合，然后加入适量的水进行搅拌，直到形成均匀的浆状物。这个过程中，水泥与水发生化学反应，形成水化产物，使混凝土逐渐凝固和硬化。值得注意的是，在摄像头的选型上，应注意尽可能的选择分辨率高的摄像头以及能根据环境光线变化而自适应调整亮度的摄像头，以此来获取更清晰的搅拌状态图像。
根据本申请的实施例，通过摄像头获取混凝土的搅拌状态图像。其中，混凝土的搅拌状态图像可以用来描述混凝土在搅拌过程中的不同阶段和特征。例如，在混凝土搅拌的初期阶段，原材料开始混合在一起。此时，混凝土呈现湿润的状态，颜色可能较浅，并且还没有完全均匀混合。随着搅拌的进行，混凝土逐渐变得均匀，颜色变得更加均一。混凝土的粘稠度增加，开始具有一定的塑性，可以通过挤压和塑形。当混凝土搅拌时间延长时，混凝土逐渐变得更加坚实和坚硬。此时，混凝土已经完全混合，并且达到了所需的浇筑和成型的状态。
相应地，在一种可能的实现方式中，可通过以下步骤通过摄像头采集混凝土的搅拌状态图像，例如：准备摄像设备：确保您有一台摄像头设备可用。这可以是一个USB摄像头、网络摄像头或者是手机摄像头；连接摄像设备：将摄像头设备连接到电脑或移动设备上。如果是USB摄像头，可以通过USB接口连接；如果是网络摄像头，可以通过网络连接；如果是手机摄像头，可以通过数据线或者无线连接；打开摄像软件：根据您使用的摄像设备类型，打开相应的摄像软件。这可以是操作系统自带的摄像应用程序，也可以是第三方摄像软件；设置摄像参数：在摄像软件中，您可以进行一些设置，如调整摄像头的分辨率、帧率、对焦等。根据您的需求，进行适当的调整；定位混凝土搅拌区域：将摄像头对准混凝土搅拌区域，确保摄像头可以清晰拍摄到混凝土搅拌的过程；开始录制或拍照：在摄像软件中，您可以选择录制视频或者拍照。如果您想要连续记录混凝土搅拌过程，可以选择录制视频；如果您只需要获取某一时刻的图像，可以选择拍照；分析图像：将录制的视频或拍摄的照片导入到图像处理软件中，进行进一步的分析。您可以使用图像处理算法来提取混凝土的搅拌状态信息，如颜色分布、纹理特征等；存储和管理图像：将分析后的图像保存到适当的位置，建立图像数据库，以便后续使用和管理。
所述搅拌状态特征分析模块320，用于对所述搅拌状态图像进行特征分析以得到搅拌状态特征矩阵。特别地，在本申请的一个具体示例中，如图3所示，所述搅拌状态特征分析模块320，包括：纹理统计特征值提取单元321，用于利用灰度共生矩阵从所述搅拌状态图像提取多个纹理统计特征值，其中，所述多个纹理统计特征值包括均值、方差、协同性、对比度、相异性、熵、角二矩阵和相关性；搅拌状态图像编码单元322，用于对所述搅拌状态图像进行图像特征提取以得到搅拌状态上下文特征向量；纹理统计特征关联单元323，用于对所述多个纹理统计特征值进行关联编码以得到纹理统计关联模式特征向量；以及，跨模态融合单元324，用于对所述搅拌状态上下文特征向量和所述纹理统计关联模式特征向量进行跨模态融合以得到所述搅拌状态特征矩阵。
特别地，所述纹理统计特征值提取单元321，用于利用灰度共生矩阵从所述搅拌状态图像提取多个纹理统计特征值，其中，所述多个纹理统计特征值包括均值、方差、协同性、对比度、相异性、熵、角二矩阵和相关性。应可以理解，在混凝土搅拌匀质度检测系统中，所采集的所述混凝土的搅拌状态图像中有关于混凝土的状态特征信息为小尺度的隐性特征，即在图像中并不明显，且易受到环境因素的干扰。因此，需要进一步利用灰度共生矩阵从所述搅拌状态图像提取多个纹理统计特征值，以突出描述混凝土的表面纹理特征。也就是说，通过利用灰度共生矩阵能够描述图像纹理统计信息，进而再通过计算像素之间的灰度级别关系来捕捉图像中的纹理信息。特别地，使用灰度共生矩阵计算得到的所述多个纹理统计特征值包括均值、方差、协同性、对比度、相异性、熵、角二矩阵和相关性。具体来说，均值表示图像像素灰度级别的平均值，反映了图像的整体亮度水平。方差表示图像像素灰度级别的离散程度，反映了图像的对比度和细节丰富程度。协同性表示图像中具有相似灰度级别的像素对的数量，反映了图像中纹理的规则程度。对比度表示图像中相邻像素之间灰度级别的差异程度，反映了图像中纹理的清晰程度。相异性表示图像中相邻像素之间灰度级别的差异度量，反映了图像中纹理的多样性。熵表示图像中像素灰度级别的不确定性，反映了图像中纹理的复杂程度。角二矩阵用于描述图像中不同角度上像素灰度级别的组合情况，反映了图像中纹理的方向性。相关性表示图像中像素对之间的线性相关性，反映了图像中纹理的相关程度。
灰度共生矩阵（Gray-Level Co-occurrence Matrix，GLCM）是一种用于图像纹理分析的统计工具。它用于描述图像中不同像素之间的灰度关系和纹理特征。GLCM基于像素对的出现频率统计，通过计算像素对在图像中的共生概率来捕捉图像的纹理信息。GLCM矩阵是一个二维矩阵，其中每个元素表示了两个像素之间的关系。矩阵的行和列代表了图像中的不同灰度级别，而矩阵元素的值表示了对应灰度级别对在图像中出现的频率。通过对GLCM矩阵进行统计分析，可以得到一系列的纹理特征，例如对比度、相关性、能量和熵等。这些特征可以用于图像分类、目标检测、图像分割等应用领域。在计算GLCM矩阵时，需要选择一些参数，如像素对的距离和角度。不同的参数选择会导致不同的纹理特征提取结果。因此，在使用GLCM进行纹理分析时，需要根据具体的应用场景和需求选择适当的参数。
相应地，在一种可能的实现方式中，可通过以下步骤利用灰度共生矩阵从所述搅拌状态图像提取多个纹理统计特征值，例如：将搅拌状态图像转换为灰度图像；选择感兴趣的窗口大小，将窗口移动到图像的不同位置；对于每个窗口位置，计算灰度共生矩阵（GLCM）；根据窗口位置和GLCM计算以下纹理统计特征值；对于每个窗口位置，提取以上特征值，并将其保存为特征向量；重复步骤2至步骤5，直到遍历完整个图像；将所有窗口位置的特征向量组合起来，得到完整的特征向量表示整个图像的纹理特征。
特别地，所述搅拌状态图像编码单元322，用于对所述搅拌状态图像进行图像特征提取以得到搅拌状态上下文特征向量。也就是，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述搅拌状态图像的特征挖掘，但是由于卷积运算的固有局限性，纯CNN的方法很难学习明确的全局和远程语义信息交互。并且，还考虑到由于所述搅拌状态图像中关于混凝土搅拌状态的隐含特征为小尺度的细微特征，例如砂浆密度、稠度、颜色和纹理等特征信息，难以进行充分捕捉。因此，为了能够提高所述搅拌状态图像中关于混凝土的搅拌状态隐含小尺度的细微特征的表达能力，以此来提高对于混凝土搅拌匀质度检测的精准度，特别地，在本申请的一个具体示例中，对所述搅拌状态图像进行图像分块处理后通过包含嵌入层的ViT模型中进行编码，以提取出所述搅拌状态图像中关于混凝土的搅拌状态隐含局部上下文语义关联特征分布信息，从而得到搅拌状态上下文特征向量。应可以理解，在对于所述搅拌状态图像进行图像分块处理后的各个图像块中关于混凝土的搅拌状态小尺度隐含特征不再是小尺度的特征信息，有利于后续进行特征提取和搅拌匀质度检测。特别地，这里，所述嵌入层通过可学习嵌入矩阵将所述各个图像块线性投影为一维嵌入向量。嵌入化的实现过程是先分别将各个所述图像块中所有像素位置的像素值排列为一维向量，然后使用全连接层对该一维向量进行全连接编码以实现嵌入化。并且，这里，所述ViT模型可以像Transformer一样直接通过自注意机制处理所述各个图像块，以此来分别提取出所述各个图像块中基于所述搅拌状态图像整体的关于所述混凝土搅拌状态的隐含上下文语义关联特征信息。
根据本申请的实施例，对所述搅拌状态图像进行图像分块处理后通过包含嵌入层的ViT模型以得到所述搅拌状态上下文特征向量，包括：对所述搅拌状态图像进行图像分块处理以得到搅拌状态图像块的序列；将所述搅拌状态图像块的序列输入所述包含嵌入层的ViT模型的图像块嵌入层以得到搅拌状态图像块嵌入向量的序列；将所述搅拌状态图像块嵌入向量的序列通过所述包含嵌入层的ViT模型的ViT模块以得到多个搅拌状态图像块上下文语义关联特征向量；以及，将所述多个搅拌状态图像块上下文语义关联特征向量进行级联以得到所述搅拌状态上下文特征向量。其中，将所述搅拌状态图像块嵌入向量的序列通过所述包含嵌入层的ViT模型的ViT模块以得到多个搅拌状态图像块上下文语义特征向量，包括：将所述搅拌状态图像块嵌入向量的序列进行一维排列以得到全局搅拌状态图像块特征向量；计算所述全局搅拌状态图像块特征向量与所述搅拌状态图像块嵌入向量的序列中各个搅拌状态图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；分别以所述多个概率值中各个概率值作为权重对所述搅拌状态图像块嵌入向量的序列中各个搅拌状态图像块嵌入向量进行加权以得到所述多个上下文语义搅拌状态图像块特征向量；以及，将所述多个上下文语义搅拌状态图像块特征向量进行级联以得到所述多个搅拌状态图像块上下文语义关联特征向量。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述搅拌状态图像进行图像特征提取以得到搅拌状态上下文特征向量，例如：将搅拌状态图像转换为灰度图像；选择感兴趣的窗口大小，将窗口移动到图像的不同位置；对于每个窗口位置，计算颜色特征、纹理特征：可以使用灰度共生矩阵（GLCM）或局部二值模式（LBP）等方法来描述图像的纹理特征、形状特征；将每个窗口位置提取的特征值组合起来，得到一个特征向量；重复步骤2至步骤4，直到遍历完整个图像；将所有窗口位置的特征向量组合起来，得到完整的上下文特征向量表示整个搅拌状态图像的特征。
特别地，所述纹理统计特征关联单元323，用于对所述多个纹理统计特征值进行关联编码以得到纹理统计关联模式特征向量。也就是，对于所述多个纹理统计特征值来说，考虑到由于所述各个纹理统计特征值都表示着混凝土表面的不同类型纹理特征信息，并且这些不同类型纹理特征信息之间具有着关联关系。特别地，在本申请的一个具体示例中，进一步将所述多个纹理统计特征值通过基于一维卷积层的统计关联模式特征提取器中进行编码，以提取出所述各个纹理统计特征值之间关于混凝土搅拌状态特征的关联性特征信息，从而得到纹理统计关联模式特征向量。特别地，在本申请的一个具体示例中，将所述多个纹理统计特征值通过基于一维卷积层的统计关联模式特征提取器以得到所述纹理统计关联模式特征向量。
一维卷积是一种在信号处理和图像处理中常用的操作，它可以应用于一维数据序列。在深度学习中，一维卷积层是神经网络的一种基本组成部分。一维卷积层由多个卷积核组成，每个卷积核都是一个可学习的参数矩阵。卷积核在输入数据上进行滑动操作，通过计算输入数据和卷积核之间的卷积运算来提取特征。一维卷积层可以捕捉到输入数据中的局部模式和特征，从而实现对输入数据的特征提取和表示学习。一维卷积层常用于处理时间序列数据、音频数据和文本数据等一维数据序列，例如在语音识别、情感分析和自然语言处理等任务中。
根据本申请的实施例，将所述多个纹理统计特征值通过基于一维卷积层的统计关联模式特征提取器以得到所述纹理统计关联模式特征向量，包括：使用所述基于一维卷积层的统计关联模式特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于一维卷积层的统计关联模式特征提取器的最后一层的输出为所述纹理统计关联模式特征向量，所述基于一维卷积层的统计关联模式特征提取器的第一层的输入为所述多个纹理统计特征值。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述多个纹理统计特征值进行关联编码以得到纹理统计关联模式特征向量，例如：将输入图像转换为灰度图像，以便进行灰度共生矩阵（GLCM）的计算；根据所需的纹理统计特征值，计算GLCM。常见的纹理统计特征值包括对比度、相关性、能量和熵；对于每个特征值，计算GLCM矩阵的统计量。例如，对比度可以通过计算GLCM矩阵的对角线元素之差的平均值来获得；将计算得到的纹理统计特征值组合成一个特征向量。每个特征值都可以作为特征向量的一个维度；对于多个图像，重复上述步骤，计算每个图像的纹理统计特征值和特征向量；对特征向量进行标准化或归一化，以便进行比较和分析；将纹理统计关联模式特征向量用于图像分类、目标检测或图像检索等应用。
特别地，所述跨模态融合单元324，用于对所述搅拌状态上下文特征向量和所述纹理统计关联模式特征向量进行跨模态融合以得到所述搅拌状态特征矩阵。也就是，对所述搅拌状态上下文特征向量和所述纹理统计关联模式特征向量进行跨模态融合，以此来融合所述搅拌状态图像中有关于混凝土搅拌状态的局部上下文关联特征信息和所述各个纹理统计特征值间有关于混凝土搅拌纹理状态特征的关联性特征信息，从而得到具有两者融合关联特征的拌状态特征矩阵，以有利于提高对于混凝土搅拌匀质度的检测评估准确度。
相应地，在一种可能的实现方式中，可通过以下步骤对所述搅拌状态上下文特征向量和所述纹理统计关联模式特征向量进行跨模态融合以得到所述搅拌状态特征矩阵，例如：特征提取：对于图像模态，使用灰度共生矩阵（GLCM）等方法提取纹理统计特征值，如对比度、相关性、能量和熵等。对于文本模态，可以使用自然语言处理技术提取文本特征，如词频、TF-IDF权重等；归一化：对提取的特征进行归一化处理，确保不同模态的特征具有相似的尺度范围。常见的归一化方法包括线性缩放和Z-score标准化；特征对齐：由于不同模态的特征表示方式可能不同，需要进行特征对齐，将它们映射到相同的特征空间。可以使用降维方法（如主成分分析）或特征映射方法（如核函数方法）来实现特征对齐；融合策略：选择合适的融合策略将两个模态的特征进行融合。常见的融合策略包括加权融合、特征拼接和特征交互等。可以根据具体任务和数据集的特点选择适当的融合策略；特征矩阵生成：将融合后的特征表示组合成特征矩阵。每一行代表一个样本，每一列代表一个特征。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述搅拌状态图像进行特征分析以得到搅拌状态特征矩阵，例如：收集搅拌状态图像：首先，需要收集一系列搅拌状态的图像。这些图像可以通过摄像机或其他图像采集设备获取；图像预处理：对于每个搅拌状态图像，需要进行预处理以准备特征分析。预处理包括图像去噪、调整亮度和对比度等操作，以确保图像质量一致；特征提取：使用计算机视觉技术从预处理后的图像中提取特征。常用的特征提取方法包括颜色直方图、纹理特征、形状特征等。这些特征可以通过图像处理库或深度学习模型进行提取；特征向量生成：将从每个图像中提取的特征组合成一个特征向量。特征向量是一个数值向量，其中每个元素对应一个特征；特征向量分析：对生成的特征向量进行分析。可以使用聚类算法、主成分分析等方法对特征向量进行降维或分类，以获得更好的数据表示；搅拌状态特征矩阵：将所有搅拌状态的特征向量组合成一个特征矩阵。特征矩阵是一个二维矩阵，其中每行表示一个搅拌状态的特征向量。
所述搅拌匀质度检测模块330，用于基于所述搅拌状态特征矩阵，确定混凝土搅拌匀质度是否符合预定标准。特别地，在本申请的一个具体示例中，如图4所示，所述搅拌匀质度检测模块330，包括：特征分布优化单元331，用于对所述搅拌状态特征矩阵进行特征分布优化以得到优化搅拌状态特征矩阵；以及，检测分类单元332，用于将所述优化搅拌状态特征矩阵通过分类器以得到分类结果，所述分类结果用于表示混凝土搅拌匀质度是否符合预定标准。
特别地，所述特征分布优化单元331，用于对所述搅拌状态特征矩阵进行特征分布优化以得到优化搅拌状态特征矩阵。考虑到在对所述搅拌状态上下文特征向量和所述纹理统计关联模式特征向量进行跨模态融合以得到搅拌状态特征矩阵时，是对所述搅拌状态上下文特征向量和所述纹理统计关联模式特征向量进行逐位关联以得到所述搅拌状态特征矩阵，也就是，所述搅拌状态特征矩阵的每个行特征向量是所述搅拌状态上下文特征向量的相应特征值与所述纹理统计关联模式特征向量的乘积，因此，所述搅拌状态特征矩阵实质上是各个行特征向量的局部特征分布的空间组合。并且，考虑到所述搅拌状态上下文特征向量的各个位置的特征值符合所述多个纹理统计特征值的关联特征分布，因此所述搅拌状态特征矩阵的各个行特征向量除了具有相互关联的邻域分布关系外，还具有对应于所述多个纹理统计特征值的关联特征分布信息的多源信息关联关系。因此，在本申请的一个具体示例中，为了提升所述搅拌状态特征矩阵对于所述搅拌状态上下文特征向量和所述纹理统计关联模式特征向量的整体跨模态分布融合表达效果，本申请的申请人对所述搅拌状态特征矩阵的每个位置的特征值进行空间多源融合验前信息分布优化，以获得优化后的特征值/>，具体表示为：/>其中/>是所述搅拌状态特征矩阵的第/>位置的特征值，/>和/>为邻域设置超参数，且当/>或者小于等于零或者大于所述搅拌状态特征矩阵的宽度或者高度时，特征值/>设置为零或者一，/>表示以2为底的对数函数值，/>是所述优化搅拌状态特征矩阵的第位置的特征值。这里，所述空间多源融合验前信息分布优化可以基于特征空间分布融合的稳健性类极大似然估计，来将所述搅拌状态特征矩阵作为由多个相互关联的邻域部分对应的特征局部集合组成的特征全局集合，实现特征局部集合各自的多源验前信息到特征全局集合的有效折合，并通过多源情况下的验前信息分布构建，来获得能够用于评估特征矩阵的内部空间关联与空间信息融合变动关系之间的标准期望的优化范式，以提升所述搅拌状态特征矩阵基于多源信息空间分布关联融合的表达效果，也就提升了所述搅拌状态特征矩阵对于所述搅拌状态上下文特征向量和所述纹理统计关联模式特征向量的整体跨模态分布融合表达效果，从而提升了所述搅拌状态特征矩阵通过分类器得到的分类结果的准确性。这样，能够智能化评估混凝土搅拌的匀质度，从而提高混凝土搅拌的效率和质量，优化混凝土的强度和耐久性等性能。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述搅拌状态特征矩阵进行特征分布优化以得到优化搅拌状态特征矩阵，例如：数据准备：收集搅拌状态特征矩阵的原始数据。确保数据的质量和完整性，包括特征矩阵的维度和数值范围；特征选择：根据问题的需求和领域知识，选择适当的特征子集。可以使用特征选择算法，如相关性分析、方差分析、互信息等，来确定最相关的特征；特征缩放：对选择的特征进行缩放，以确保它们具有相似的数值范围。常用的缩放方法包括标准化（将特征值缩放到均值为0，标准差为1的范围内）和归一化（将特征值缩放到0和1之间）；特征转换：对特征进行转换，以便更好地捕捉数据的结构和模式。常用的特征转换方法包括主成分分析（PCA）、线性判别分析（LDA）等。这些方法可以降低特征的维度并提取更有信息量的特征；特征分布优化：根据特征的分布情况，对特征进行优化。可以使用直方图均衡化、对数变换等方法来调整特征的分布，以便更好地满足建模或分析的需求；特征集成：将经过优化的特征集成到最终的搅拌状态特征矩阵中。可以使用简单的拼接或加权平均等方法进行特征集；模型训练和评估：使用优化后的搅拌状态特征矩阵来训练机器学习或深度学习模型。根据问题的需求选择合适的模型，并使用交叉验证或其他评估方法对模型进行评估。
特别地，所述检测分类单元332，用于将所述优化搅拌状态特征矩阵通过分类器以得到分类结果，所述分类结果用于表示混凝土搅拌匀质度是否符合预定标准。也就是，在本申请的技术方案中，将所述优化搅拌状态特征矩阵通过分类器以得到用于表示混凝土搅拌匀质度是否符合预定标准的分类结果，具体地，首先，将所述优化搅拌状态特征矩阵基于行向量或列向量展开为分类特征向量；接着，使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；进而，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。在本申请的一个示例中，所述分类器的标签包括混凝土搅拌匀质度符合预定标准(第一标签)，以及，混凝土搅拌匀质度不符合预定标准(第二标签)，其中，所述分类器通过软最大值函数来确定所述搅拌状态特征矩阵属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“混凝土搅拌匀质度是否符合预定标准”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，混凝土搅拌匀质度是否符合预定标准的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“混凝土搅拌匀质度是否符合预定标准”的语言文本意义。应可以理解，在本申请的技术方案中，所述分类器的分类标签为混凝土搅拌匀质度是否符合预定标准的检测评估标签，因此，在得到所述分类结果后，可基于所述分类结果来对于混凝土搅拌匀质度是否符合预定标准进行智能化评估，以提高混凝土搅拌的效率和质量。
分类器是一种机器学习模型，用于将输入数据分为不同的类别或标签。它可以是一个简单的规则集，也可以是一个复杂的数学模型。分类器通常使用已知的训练数据集来学习如何将新数据分类为已知的类别。在实际应用中，分类器可以用于图像识别、语音识别、自然语言处理等领域。
如上所述，根据本申请实施例的混凝土搅拌匀质度检测系统300可以实现在各种无线终端中，例如具有混凝土搅拌匀质度检测算法的服务器等。在一种可能的实现方式中，根据本申请实施例的混凝土搅拌匀质度检测系统300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该混凝土搅拌匀质度检测系统300可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该混凝土搅拌匀质度检测系统300同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该混凝土搅拌匀质度检测系统300与该无线终端也可以是分立的设备，并且该混凝土搅拌匀质度检测系统300可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
进一步地，还提供一种混凝土搅拌匀质度检测方法。
图5为根据本申请实施例的混凝土搅拌匀质度检测方法的流程图。如图5所示，在所述混凝土搅拌匀质度检测方法中，包括：S110，通过摄像头采集混凝土的搅拌状态图像；S120，对所述搅拌状态图像进行特征分析以得到搅拌状态特征矩阵；以及，S130，基于所述搅拌状态特征矩阵，确定混凝土搅拌匀质度是否符合预定标准。
图6为根据本申请实施例的混凝土搅拌匀质度检测系统的应用场景图。如图6所示，在该应用场景中，首先，通过摄像头（例如，图6中所示意的C）获取混凝土的搅拌状态图像。然后，将上述图像输入至部署有用于混凝土搅拌匀质度检测算法的服务器中（例如，图6中所示意的S），其中，所述服务器能够以混凝土搅拌匀质度检测算法对上述输入的图像进行处理以得到用于表示混凝土搅拌匀质度是否符合预定标准的分类结果。
综上，基于本申请实施例的混凝土搅拌匀质度检测方法，其通过采用基于深度学习的机器视觉技术来对于混凝土的搅拌状态图像进行分析，以此来捕捉图像中有关于搅拌状态的隐含特征信息，从而进行混凝土搅拌匀质度的合格检测，以优化混凝土搅拌的效率和质量。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (2)
1.一种混凝土搅拌匀质度检测系统，其特征在于，包括：
搅拌状态图像获取模块，用于通过摄像头采集混凝土的搅拌状态图像；
搅拌状态特征分析模块，用于对所述搅拌状态图像进行特征分析以得到搅拌状态特征矩阵；以及
搅拌匀质度检测模块，用于基于所述搅拌状态特征矩阵，确定混凝土搅拌匀质度是否符合预定标准；
其中，所述搅拌状态特征分析模块，包括：
纹理统计特征值提取单元，用于利用灰度共生矩阵从所述搅拌状态图像提取多个纹理统计特征值，其中，所述多个纹理统计特征值包括均值、方差、协同性、对比度、相异性、熵、角二矩阵和相关性；
搅拌状态图像编码单元，用于对所述搅拌状态图像进行图像特征提取以得到搅拌状态上下文特征向量；
纹理统计特征关联单元，用于对所述多个纹理统计特征值进行关联编码以得到纹理统计关联模式特征向量；以及
跨模态融合单元，用于对所述搅拌状态上下文特征向量和所述纹理统计关联模式特征向量进行跨模态融合以得到所述搅拌状态特征矩阵；
其中，所述搅拌状态图像编码单元，用于：对所述搅拌状态图像进行图像分块处理后通过包含嵌入层的ViT模型以得到所述搅拌状态上下文特征向量；
其中，所述纹理统计特征关联单元，用于：将所述多个纹理统计特征值通过基于一维卷积层的统计关联模式特征提取器以得到所述纹理统计关联模式特征向量；
其中，所述搅拌匀质度检测模块，包括：
特征分布优化单元，用于对所述搅拌状态特征矩阵进行特征分布优化以得到优化搅拌状态特征矩阵；以及
检测分类单元，用于将所述优化搅拌状态特征矩阵通过分类器以得到分类结果，所述分类结果用于表示混凝土搅拌匀质度是否符合预定标准；
其中，所述特征分布优化单元，用于：以如下优化公式对所述搅拌状态特征矩阵进行空间多源融合验前信息分布优化以得到所述优化搅拌状态特征矩阵；
其中，所述优化公式为：
，
其中是所述搅拌状态特征矩阵的第/>位置的特征值，/>和/>为邻域设置超参数，/>表示以2为底的对数函数值，/>是所述优化搅拌状态特征矩阵的第/>位置的特征值。
2.根据权利要求1所述的混凝土搅拌匀质度检测系统，其特征在于，所述检测分类单元，包括：
展开子单元，用于将所述优化搅拌状态特征矩阵基于行向量或列向量展开为分类特征向量；
全连接编码子单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及
分类结果生成子单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310757695.7A CN116819050B (zh) | 2023-06-26 | 2023-06-26 | 混凝土搅拌匀质度检测系统及其检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310757695.7A CN116819050B (zh) | 2023-06-26 | 2023-06-26 | 混凝土搅拌匀质度检测系统及其检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116819050A CN116819050A (zh) | 2023-09-29 |
| CN116819050B true CN116819050B (zh) | 2024-04-09 |
Family
ID=88123594
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310757695.7A Active CN116819050B (zh) | 2023-06-26 | 2023-06-26 | 混凝土搅拌匀质度检测系统及其检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116819050B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108846825A (zh) * | 2018-04-24 | 2018-11-20 | 福州大学 | 一种基于图像处理技术的沥青混合料性能评价方法 |
| CN111429420A (zh) * | 2020-03-19 | 2020-07-17 | 中联重科股份有限公司 | 混凝土搅拌匀质度检测方法、系统及混凝土搅拌控制方法 |
| CN111553370A (zh) * | 2020-01-10 | 2020-08-18 | 长江大学 | 一种基于混沌智能图像识别的弱信号检测方法及装置 |
| CN111696098A (zh) * | 2020-06-16 | 2020-09-22 | 王昕阳 | 一种基于大数据的混凝土构件检测系统及方法 |
| CN112435217A (zh) * | 2020-11-02 | 2021-03-02 | 上海祐云信息技术有限公司 | 图像识别预制钢筋混泥土粗糙面的算法 |
| CN215482143U (zh) * | 2021-04-08 | 2022-01-11 | 河南安祐中路桥工程有限公司 | 一种沥青路面摊铺碾压拾边器 |
| CN115294127A (zh) * | 2022-10-08 | 2022-11-04 | 南通钰昇智能科技有限公司 | 一种混凝土制品生产异常预警系统 |
| KR20220161869A (ko) * | 2021-05-31 | 2022-12-07 | 주식회사 채움아이티 | 인공지능을 이용한 레미콘 슬럼프 자동 균일 제어 장치 및 방법 |
| CN115586324A (zh) * | 2021-12-30 | 2023-01-10 | 郑州三和水工机械有限公司 | 一种基于5g摄像的混凝土搅拌坍落度判断方法 |
| CN115683225A (zh) * | 2022-11-10 | 2023-02-03 | 杭州信之威信息技术有限公司 | 一种基于机器视觉的混凝土检测方法与装置 |
| US11580647B1 (en) * | 2021-12-24 | 2023-02-14 | Guangzhou University | Global and local binary pattern image crack segmentation method based on robot vision |
| KR20230055479A (ko) * | 2021-10-19 | 2023-04-26 | 현대건설(주) | 인공지능을 이용한 레미콘 품질의 영상 판정 시스템 |
| CN116309206A (zh) * | 2022-09-07 | 2023-06-23 | 湖南中联重科混凝土机械站类设备有限公司 | 用于搅拌机的看料视野融合方法与系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10055551B2 (en) * | 2013-10-10 | 2018-08-21 | Board Of Regents Of The University Of Texas System | Systems and methods for quantitative analysis of histopathology images using multiclassifier ensemble schemes |
-
2023
- 2023-06-26 CN CN202310757695.7A patent/CN116819050B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108846825A (zh) * | 2018-04-24 | 2018-11-20 | 福州大学 | 一种基于图像处理技术的沥青混合料性能评价方法 |
| CN111553370A (zh) * | 2020-01-10 | 2020-08-18 | 长江大学 | 一种基于混沌智能图像识别的弱信号检测方法及装置 |
| CN111429420A (zh) * | 2020-03-19 | 2020-07-17 | 中联重科股份有限公司 | 混凝土搅拌匀质度检测方法、系统及混凝土搅拌控制方法 |
| CN111696098A (zh) * | 2020-06-16 | 2020-09-22 | 王昕阳 | 一种基于大数据的混凝土构件检测系统及方法 |
| CN112435217A (zh) * | 2020-11-02 | 2021-03-02 | 上海祐云信息技术有限公司 | 图像识别预制钢筋混泥土粗糙面的算法 |
| CN215482143U (zh) * | 2021-04-08 | 2022-01-11 | 河南安祐中路桥工程有限公司 | 一种沥青路面摊铺碾压拾边器 |
| KR20220161869A (ko) * | 2021-05-31 | 2022-12-07 | 주식회사 채움아이티 | 인공지능을 이용한 레미콘 슬럼프 자동 균일 제어 장치 및 방법 |
| KR20230055479A (ko) * | 2021-10-19 | 2023-04-26 | 현대건설(주) | 인공지능을 이용한 레미콘 품질의 영상 판정 시스템 |
| US11580647B1 (en) * | 2021-12-24 | 2023-02-14 | Guangzhou University | Global and local binary pattern image crack segmentation method based on robot vision |
| CN115586324A (zh) * | 2021-12-30 | 2023-01-10 | 郑州三和水工机械有限公司 | 一种基于5g摄像的混凝土搅拌坍落度判断方法 |
| CN116309206A (zh) * | 2022-09-07 | 2023-06-23 | 湖南中联重科混凝土机械站类设备有限公司 | 用于搅拌机的看料视野融合方法与系统 |
| CN115294127A (zh) * | 2022-10-08 | 2022-11-04 | 南通钰昇智能科技有限公司 | 一种混凝土制品生产异常预警系统 |
| CN115683225A (zh) * | 2022-11-10 | 2023-02-03 | 杭州信之威信息技术有限公司 | 一种基于机器视觉的混凝土检测方法与装置 |
Non-Patent Citations (1)
| Title |
|---|
| SAR图像纹理特征相关变化检测的震害建筑物提取;李强 等;遥感学报;20170710;第128卷(第11期);128-138 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116819050A (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhu et al. | MetaIQA: Deep meta-learning for no-reference image quality assessment | |
| Hosu et al. | KonIQ-10k: An ecologically valid database for deep learning of blind image quality assessment | |
| US8374442B2 (en) | Linear spatial pyramid matching using sparse coding | |
| Dimitrov et al. | Vision-based material recognition for automated monitoring of construction progress and generating building information modeling from unordered site image collections | |
| EP2676224B1 (en) | Image quality assessment | |
| Zhu et al. | Generalizable no-reference image quality assessment via deep meta-learning | |
| US8224127B2 (en) | Synthesis of databases of realistic, biologically-based 2-D images | |
| CN108682007A (zh) | 基于深度随机森林的jpeg图像重采样自动检测方法 | |
| Oliva et al. | Multilevel thresholding by fuzzy type II sets using evolutionary algorithms | |
| CN113837079A (zh) | 显微镜的自动对焦方法、装置、计算机设备和存储介质 | |
| Li et al. | Image quality assessment using deep convolutional networks | |
| Suvarnam et al. | Combination of CNN-GRU model to recognize characters of a license plate number without segmentation | |
| CN114676777A (zh) | 一种基于孪生网络的自监督学习细粒度图像分类方法 | |
| Tang et al. | Improving cloud type classification of ground-based images using region covariance descriptors | |
| Morzelona | Human visual system quality assessment in the images using the IQA model integrated with automated machine learning model | |
| CN116819050B (zh) | 混凝土搅拌匀质度检测系统及其检测方法 | |
| CN117227005A (zh) | 混凝土原料加工用生产控制系统及其方法 | |
| JP2009134466A (ja) | 認識処理装置、方法及びコンピュータプログラム | |
| Mittal et al. | Blind image quality assessment without training on human opinion scores | |
| CN113011506B (zh) | 一种基于深度重分形频谱网络的纹理图像分类方法 | |
| CN112101084B (zh) | 基于卷积神经网络的极化sar建筑物震害信息自动提取方法 | |
| CN114445916A (zh) | 一种活体检测方法、终端设备及存储介质 | |
| CN113792807A (zh) | 皮肤病分类模型训练方法、系统、介质和电子设备 | |
| Martsenyuk et al. | Exploring Image Unified Space for Improving Information Technology for Person Identification | |
| Gunasekar et al. | Face detection on distorted images using perceptual quality-aware features |
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 |