CN116863253A - 基于大数据分析的运维风险预警方法 - Google Patents
基于大数据分析的运维风险预警方法 Download PDFInfo
- Publication number
- CN116863253A CN116863253A CN202311136682.4A CN202311136682A CN116863253A CN 116863253 A CN116863253 A CN 116863253A CN 202311136682 A CN202311136682 A CN 202311136682A CN 116863253 A CN116863253 A CN 116863253A
- Authority
- CN
- China
- Prior art keywords
- gray level
- pixel point
- textile
- distorted
- level image
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012423 maintenance Methods 0.000 title claims abstract description 27
- 238000007405 data analysis Methods 0.000 title claims abstract description 23
- 238000012544 monitoring process Methods 0.000 claims abstract description 204
- 239000004753 textile Substances 0.000 claims abstract description 191
- 230000008859 change Effects 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 9
- 238000009987 spinning Methods 0.000 claims description 8
- 238000003708 edge detection Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30124—Fabrics; Textile; Paper
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及基于大数据分析的运维风险预警方法,包括:采集若干纺织监控灰度图像;根据纺织监控灰度图像中像素点在相邻时刻的灰度变化差异,得到像素点的初级失真程度;获取纺织监控边缘图像;根据纺织监控边缘图像得到像素点的失真边缘距离;根据失真边缘距离以及初级失真程度得到像素点的失真程度;根据失真程度得到每张纺织监控灰度图像的若干失真像素点;根据失真像素点得到若干失真纺织监控灰度图像;对每张失真纺织监控灰度图像进行预警优化。本发明降低了正常的像素点被错误识别的可能性,提高了识别失真的像素点的准确性,进而提高了风险预警的准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于大数据分析的运维风险预警方法。
背景技术
运维风险预警是指在运维过程中,通过监控、分析和评估运维环境中的各种风险因素,及时预警并采取相应措施来避免或降低风险对系统稳定性和安全性的影响。常规的运维风险预警除了应用于数据的监控预警以外,还可应用于图像的监控预警;在对图像的监控预警的过程中,由于网络延迟影响以及其他设备的干扰,导致监控视频内图像的部分像素点产生不同程度的失真,由于失真的像素点会对图像的部分内容不清楚,存在一定风险干扰,所以需要对失真的像素点识别优化处理。
现有的所有识别图像失真的方法对失真像素点的识别都存在一定的误差,可能出现部分正常的像素点被识别为失真的像素点的情况,也可能出现部分失真的像素点被识别为正常的像素点的情况。
发明内容
本发明提供基于大数据分析的运维风险预警方法,以解决现有的问题:所有的识别图像失真的方法对失真像素点的识别都存在一定的误差,可能出现部分正常的像素点被识别为失真的像素点的情况,也可能出现部分失真的像素点被识别为正常的像素点的情况。
本发明的基于大数据分析的运维风险预警方法采用如下技术方案:
本发明一个实施例提供了基于大数据分析的运维风险预警方法,该方法包括以下步骤:
采集若干纺织监控灰度图像;
根据纺织监控灰度图像中每个像素点在相邻时刻的灰度变化差异,得到每个像素点的初级失真程度;
对纺织监控灰度图像进行边缘检测得到若干纺织监控边缘图像;根据纺织监控边缘图像得到若干边缘像素点;根据边缘像素点得到若干第二边缘像素点;根据第二边缘像素点得到每个像素点的失真边缘距离;根据失真边缘距离以及初级失真程度得到每个像素点的中级失真程度;根据中级失真程度得到每个像素点的失真程度;
根据失真程度得到每张纺织监控灰度图像的若干失真像素点;根据失真像素点得到若干失真纺织监控灰度图像;对每张失真纺织监控灰度图像进行预警优化。
优选的,所述根据纺织监控灰度图像中每个像素点在相邻时刻的灰度变化差异,得到每个像素点的初级失真程度,对应计算公式为:
;
式中,表示第/>张纺织监控灰度图像的第/>个像素点的初级失真程度;/>表示第/>张纺织监控灰度图像的第/>个像素点的灰度值;/>表示第/>张纺织监控灰度图像的第/>个像素点的灰度值;/>表示第/>张纺织监控灰度图像;/>表示第/>张纺织监控灰度图像的第/>个像素点的灰度值;/>表示第/>张纺织监控灰度图像的第/>个像素点的灰度值;/>表示取绝对值;/>表示超参数;
获取每个像素点的初级失真程度。
优选的,所述根据纺织监控边缘图像得到若干边缘像素点,包括的具体方法为:
将每张纺织监控边缘图像中灰度值不为0的像素点记为边缘像素点。
优选的,所述根据边缘像素点得到若干第二边缘像素点,包括的具体方法为:
将每个边缘像素点在对应纺织监控边缘图像中处于相同图像位置的像素点记为第二边缘像素点。
优选的,所述根据第二边缘像素点得到每个像素点的失真边缘距离,包括的具体方法为:
将任意一张纺织监控灰度图像的任意一个像素点记为目标像素点,获取目标像素点与每个第二边缘像素点的欧式距离,记为目标像素点的每个第一边缘距离;在目标像素点的所有第一边缘距离中,将最小的第一边缘距离记为目标像素点的失真边缘距离;
获取每个像素点的失真边缘距离。
优选的,所述根据失真边缘距离以及初级失真程度得到每个像素点的中级失真程度,对应计算公式为:
;
式中,表示第/>张纺织监控灰度图像的第/>个像素点的中级失真程度;/>表示在第/>张纺织监控灰度图像的第/>个像素点的八邻域内像素点的数量;/>表示第/>张纺织监控灰度图像;/>表示第/>张纺织监控灰度图像的第/>个像素点的灰度值;/>表示第/>张纺织监控灰度图像的第/>个像素点的灰度值;/>表示在第/>张纺织监控灰度图像的第/>个像素点的八邻域内,第/>个像素点的灰度值;/>表示在第/>张纺织监控灰度图像的第/>个像素点的八邻域内,第/>个像素点的灰度值;/>表示第/>张纺织监控灰度图像的第/>个像素点的初级失真程度;/>表示第/>张纺织监控灰度图像的第个像素点的失真边缘距离;/>表示取绝对值。
优选的,所述根据中级失真程度得到每个像素点的失真程度,包括的具体方法为:
将任意一张纺织监控灰度图像记为目标纺织监控灰度图像,对目标纺织监控灰度图像中每个像素点的中级失真程度进行线性归一化,将归一化后的目标纺织监控灰度图像中每个像素点的中级失真程度记为失真程度;
获取每张纺织监控灰度图像中每个像素点的失真程度。
优选的,所述根据失真程度得到每张纺织监控灰度图像的若干失真像素点,包括的具体方法为:
将任意一张纺织监控灰度图像的任意一个像素点记为目标像素点,若目标像素点的失真程度大于预设失真程度阈值,将目标像素点记为失真像素点;若目标像素点的失真程度小于等于预设失真程度阈值,不对目标像素点做任何处理;
获取每张纺织监控灰度图像的若干失真像素点。
优选的,所述根据失真像素点得到若干失真纺织监控灰度图像,包括的具体方法为:
将任意一张纺织监控灰度图像记为目标纺织监控灰度图像,若目标纺织监控灰度图像存在失真像素点,将目标纺织监控灰度图像记为失真纺织监控灰度图像;若目标纺织监控灰度图像不存在失真像素点,不对目标纺织监控灰度图像作任何处理;
获取若干失真纺织监控灰度图像。
优选的,所述对每张失真纺织监控灰度图像进行预警优化,包括的具体方法为:
将任意一张失真纺织监控灰度图像记为目标失真纺织监控灰度图像,若目标失真纺织监控灰度图像中失真像素点的数量大于预设失真像素点数量阈值,对目标失真纺织监控灰度图像中的每个失真像素点进行预警显示;若目标失真纺织监控灰度图像中失真像素点的数量小于等于预设失真像素点数量阈值,对目标失真纺织监控灰度图像内的每个失真像素点进行双线性插值。
本发明的技术方案的有益效果是:对纺织监控灰度图像进行边缘检测得到纺织监控边缘图像,根据纺织监控边缘图像得到像素点的失真边缘距离;根据纺织监控灰度图像中像素点在相邻时刻的灰度变化差异得到像素点的初级失真程度,根据初级失真程度以及失真边缘距离得到像素点的失真程度,根据失真程度得到失真纺织监控灰度图像,对失真纺织监控灰度图像进行预警;相较于现有技术可能出现部分正常的像素点被识别为失真的像素点的情况,也可能出现部分失真的像素点被识别为正常的像素点的情况;降低了正常的像素点被错误识别的可能性,提高了识别失真的像素点的准确性,进而提高了风险预警的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于大数据分析的运维风险预警方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于大数据分析的运维风险预警方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于大数据分析的运维风险预警方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于大数据分析的运维风险预警方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集若干纺织监控灰度图像。
需要说明的是,现有的所有识别图像失真的方法对失真像素点的识别都存在一定的误差,可能出现部分正常的像素点被识别为失真的像素点的情况,也可能出现部分失真的像素点被识别为正常的像素点的情况。为此,本实施例提出了一种基于大数据分析的运维风险预警方法。
具体的,为了实现本实施例提出的基于大数据分析的运维风险预警方法,首先需要采集纺织监控图像,具体过程为:本实施例并不针对某一种监控视频,以纺织仓库监控视频这一监控视频为例进行叙述,获取纺织仓库近一天的监控视频,每隔一分钟输出一帧图像,记为纺织监控图像;将每张纺织监控图像进行灰度化处理得到若干灰度图像,记为纺织监控灰度图像;将纺织监控灰度图像按照获取时间排列构成的序列记为纺织监控灰度图像序列。
至此,通过上述方法得到若干纺织监控灰度图像序列。
步骤S002:根据纺织监控灰度图像中像素点在相邻时刻的灰度变化差异得到像素点的初级失真程度。
需要说明的是,由于纺织监控灰度图像的图像内容一直随着获取时间发生变化,导致同一个像素点在不同获取时间的纺织监控灰度图像中的灰度值会发生不同程度的变化,若同一个像素点开始出现失真的情况,则该像素点的灰度值会发生突变,那么与之前获取时间内的同一像素点的灰度值变化的差异量会较大。
具体的,以纺织监控灰度图像序列中第张纺织监控灰度图像的第/>个像素点为例,根据第/>张纺织监控灰度图像内第/>个像素点的像素点在相邻时刻的灰度变化差异,得到第/>张纺织监控灰度图像内第/>个像素点的初级失真程度。其中第/>张纺织监控灰度图像内第/>像素点的初级失真程度的计算公式为:
;
式中,表示第/>张纺织监控灰度图像的第/>个像素点的初级失真程度;/>表示第/>张纺织监控灰度图像的第/>个像素点的灰度值;/>表示第/>张纺织监控灰度图像的第/>个像素点的灰度值;/>表示第/>张纺织监控灰度图像;/>表示第/>张纺织监控灰度图像的第/>个像素点的灰度值;/>表示第/>张纺织监控灰度图像的第/>个像素点的灰度值;/>表示取绝对值;/>表示超参数,本实施例预设/>;/>表示第/>张纺织监控灰度图像的第/>个像素点与第/>张纺织监控灰度图像的第/>个像素点的灰度值差异;表示在第/>张纺织监控灰度图像之前所有相邻纺织监控灰度图像中,第/>个像素点的灰度值变化的均值;/>表示第/>张纺织监控灰度图像的第/>个像素点的灰度变化的差异量。获取所有纺织监控灰度图像中所有像素点的初级失真程度。其中,若第/>张纺织监控灰度图像的第/>个像素点的初级失真程度越大,说明第/>张纺织监控灰度图像的第/> 个像素点与之前的纺织监控灰度图像内的同一个像素点相比,灰度值变化的差异程度越大,初步属于失真的概率越大。
至此,通过上述方法得到所有纺织监控灰度图像中所有像素点的初级失真程度。
步骤S003:对纺织监控灰度图像进行边缘检测得到若干纺织监控边缘图像;根据纺织监控边缘图像得到像素点的失真边缘距离;根据失真边缘距离以及初级失真程度得到像素点的中级失真程度;根据中级失真程度得到像素点的失真程度。
需要说明的是,在纺织监控灰度图像中,失真的像素点被错误识别数量往往较少,由于这些失真程度较低的失真的像素点的灰度值与周围正常的像素点的灰度值相近,并且一定程度地符合周围正常像素点的灰度变换规律,所以可以通过邻域内像素点的灰度差异得到每个像素点的失真程度。
具体的,以纺织监控灰度图像序列中任意一张纺织监控灰度图像为例,对该纺织监控灰度图像进行Canny算子边缘检测得到边缘图像,记为纺织监控边缘图像;将该纺织监控边缘图像中灰度值不为0的像素点记为边缘像素点,将边缘像素点在纺织监控边缘图像中对应的像素点记为第二边缘像素点;以该纺织监控灰度图像中的任意一个像素点为例,获取该像素点与每个第二边缘像素点的欧式距离,记为该像素点的每个第一边缘距离;在该像素点的所有第一边缘距离中,将最小的第一边缘距离记为该像素点的失真边缘距离;获取所有像素点的失真边缘距离。其中Canny算子边缘检测以及欧式距离的获取是公知技术,本实施例不进行叙述。
进一步的,以纺织监控灰度图像序列中第张纺织监控灰度图像的第/>个像素点为例,根据第/>张纺织监控灰度图像的第/>个像素点的失真边缘距离、初级失真程度以及邻域内的灰度值差异,得到第/>张纺织监控灰度图像的第/>个像素点的中级失真程度;其中第/>张纺织监控灰度图像的第/>个像素点的中级失真程度的计算公式为:
;
式中,表示第/>张纺织监控灰度图像的第/>个像素点的中级失真程度;/>表示在第/>张纺织监控灰度图像的第/>个像素点的八邻域内像素点的数量,若八邻域存在部分区域超出图像区域,那么不考虑超出图像的区域;/>表示第/>张纺织监控灰度图像;表示第/>张纺织监控灰度图像的第/>个像素点的灰度值;/>表示第/>张纺织监控灰度图像的第/>个像素点的灰度值;/>表示在第/>张纺织监控灰度图像的第/>个像素点的八邻域内,第/>个像素点的灰度值;/>表示在第/>张纺织监控灰度图像的第/>个像素点的八邻域内,第/>个像素点的灰度值;/>表示第/>张纺织监控灰度图像的第/>个像素点的初级失真程度;/>表示第/>张纺织监控灰度图像的第/>个像素点的失真边缘距离;/>表示取绝对值;/>表示同一个像素点在相邻时刻的灰度差异;表示在同一个像素点的八邻域中,每个像素点在相邻时刻的灰度差异;表示同一个像素点的周围区域在相邻时刻的灰度差异。获取所有纺织监控灰度图像中所有像素点的中级失真程度。其中,若第/>张纺织监控灰度图像的第/>个像素点的中级失真程度越大,说明该像素点周围区域内的像素点灰度变化差异越大,变化规律越不符合常规像素点灰度变化的规律,反映该像素点与周围图像边缘距离越远。
进一步的,以任意一张纺织监控灰度图像为例,对该纺织监控灰度图像中所有像素点的中级失真程度进行线性归一化处理,将处理后的该纺织监控灰度图像中所有像素点的中级失真程度记为失真程度;获取所有纺织监控灰度图像中所有像素点的失真程度。
至此,通过上述方法得到所有纺织监控灰度图像中所有像素点的失真程度。
步骤S004:根据失真程度得到失真像素点;根据失真像素点得到失真纺织监控灰度图像;对失真纺织监控灰度图像进行预警。
具体的,预设一个失真程度阈值T1,其中本实施例以T1=0.8为例进行叙述,本实施例不进行具体限定,其中T1可根据具体实施情况而定;以任意一张纺织监控灰度图像的任意一个像素点为例,若该像素点的失真程度大于失真程度阈值T1,则将该像素点记为失真像素点;若该像素点的失真程度小于等于失真程度阈值T1,则不对该像素点做任何处理;获取该纺织监控灰度图像中所有失真像素点。
进一步的,以任意一张纺织监控灰度图像为例,若该纺织监控灰度图像存在失真像素点,则将该纺织监控灰度图像记为失真纺织监控灰度图像;若该纺织监控灰度图像不存在失真像素点,则不对该纺织监控灰度图像作任何处理;获取所有失真纺织监控灰度图像。
进一步的,预设一个失真像素点数量阈值T2,其中本实施例以T2=20为例进行叙述,本实施例不进行具体限定,其中T2可根据具体实施情况而定;以任意一张失真纺织监控灰度图像为例,若该失真纺织监控灰度图像中失真像素点的数量大于失真像素点数量阈值T2,对该失真纺织监控灰度图像中的每个失真像素点进行预警显示;若该失真纺织监控灰度图像中失真像素点的数量小于等于失真像素点数量阈值T2,对该失真纺织监控灰度图像内的每个失真像素点进行双线性插值;以此类推,对每张失真纺织监控灰度图像中的失真像素点进行预警显示判断。其中双线性插值是公知技术,本实施例不进行叙述。
至此,本实施例完成。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于大数据分析的运维风险预警方法,其特征在于,该方法包括以下步骤:
采集若干纺织监控灰度图像;
根据纺织监控灰度图像中每个像素点在相邻时刻的灰度变化差异,得到每个像素点的初级失真程度;
对纺织监控灰度图像进行边缘检测得到若干纺织监控边缘图像;根据纺织监控边缘图像得到若干边缘像素点;根据边缘像素点得到若干第二边缘像素点;根据第二边缘像素点得到每个像素点的失真边缘距离;根据失真边缘距离以及初级失真程度得到每个像素点的中级失真程度;根据中级失真程度得到每个像素点的失真程度;
根据失真程度得到每张纺织监控灰度图像的若干失真像素点;根据失真像素点得到若干失真纺织监控灰度图像;对每张失真纺织监控灰度图像进行预警优化。
2.根据权利要求1所述基于大数据分析的运维风险预警方法,其特征在于,所述根据纺织监控灰度图像中每个像素点在相邻时刻的灰度变化差异,得到每个像素点的初级失真程度,对应计算公式为:
;
式中,表示第/>张纺织监控灰度图像的第/>个像素点的初级失真程度;/>表示第/>张纺织监控灰度图像的第/>个像素点的灰度值;/>表示第/>张纺织监控灰度图像的第/>个像素点的灰度值;/>表示第/>张纺织监控灰度图像;/>表示第/>张纺织监控灰度图像的第/>个像素点的灰度值;/>表示第/>张纺织监控灰度图像的第/>个像素点的灰度值;/>表示取绝对值;/>表示超参数;
获取每个像素点的初级失真程度。
3.根据权利要求1所述基于大数据分析的运维风险预警方法,其特征在于,所述根据纺织监控边缘图像得到若干边缘像素点,包括的具体方法为:
将每张纺织监控边缘图像中灰度值不为0的像素点记为边缘像素点。
4.根据权利要求1所述基于大数据分析的运维风险预警方法,其特征在于,所述根据边缘像素点得到若干第二边缘像素点,包括的具体方法为:
将每个边缘像素点在对应纺织监控边缘图像中处于相同图像位置的像素点记为第二边缘像素点。
5.根据权利要求1所述基于大数据分析的运维风险预警方法,其特征在于,所述根据第二边缘像素点得到每个像素点的失真边缘距离,包括的具体方法为:
将任意一张纺织监控灰度图像的任意一个像素点记为目标像素点,获取目标像素点与每个第二边缘像素点的欧式距离,记为目标像素点的每个第一边缘距离;在目标像素点的所有第一边缘距离中,将最小的第一边缘距离记为目标像素点的失真边缘距离;
获取每个像素点的失真边缘距离。
6.根据权利要求1所述基于大数据分析的运维风险预警方法,其特征在于,所述根据失真边缘距离以及初级失真程度得到每个像素点的中级失真程度,对应计算公式为:
;
式中,表示第/>张纺织监控灰度图像的第/>个像素点的中级失真程度;/>表示在第/>张纺织监控灰度图像的第/>个像素点的八邻域内像素点的数量;/>表示第/>张纺织监控灰度图像;/>示第/>张纺织监控灰度图像的第/>个像素点的灰度值;/>表示第张纺织监控灰度图像的第/>个像素点的灰度值;/>表示在第/>张纺织监控灰度图像的第/>个像素点的八邻域内,第/>个像素点的灰度值;/>表示在第/>张纺织监控灰度图像的第/>个像素点的八邻域内,第/>个像素点的灰度值;/>表示第/>张纺织监控灰度图像的第/>个像素点的初级失真程度;/>表示第/>张纺织监控灰度图像的第/>个像素点的失真边缘距离;/>示取绝对值。
7.根据权利要求1所述基于大数据分析的运维风险预警方法,其特征在于,所述根据中级失真程度得到每个像素点的失真程度,包括的具体方法为:
将任意一张纺织监控灰度图像记为目标纺织监控灰度图像,对目标纺织监控灰度图像中每个像素点的中级失真程度进行线性归一化,将归一化后的目标纺织监控灰度图像中每个像素点的中级失真程度记为失真程度;
获取每张纺织监控灰度图像中每个像素点的失真程度。
8.根据权利要求1所述基于大数据分析的运维风险预警方法,其特征在于,所述根据失真程度得到每张纺织监控灰度图像的若干失真像素点,包括的具体方法为:
将任意一张纺织监控灰度图像的任意一个像素点记为目标像素点,若目标像素点的失真程度大于预设失真程度阈值,将目标像素点记为失真像素点;若目标像素点的失真程度小于等于预设失真程度阈值,不对目标像素点做任何处理;
获取每张纺织监控灰度图像的若干失真像素点。
9.根据权利要求1所述基于大数据分析的运维风险预警方法,其特征在于,所述根据失真像素点得到若干失真纺织监控灰度图像,包括的具体方法为:
将任意一张纺织监控灰度图像记为目标纺织监控灰度图像,若目标纺织监控灰度图像存在失真像素点,将目标纺织监控灰度图像记为失真纺织监控灰度图像;若目标纺织监控灰度图像不存在失真像素点,不对目标纺织监控灰度图像作任何处理;
获取若干失真纺织监控灰度图像。
10.根据权利要求1所述基于大数据分析的运维风险预警方法,其特征在于,所述对每张失真纺织监控灰度图像进行预警优化,包括的具体方法为:
将任意一张失真纺织监控灰度图像记为目标失真纺织监控灰度图像,若目标失真纺织监控灰度图像中失真像素点的数量大于预设失真像素点数量阈值,对目标失真纺织监控灰度图像中的每个失真像素点进行预警显示;若目标失真纺织监控灰度图像中失真像素点的数量小于等于预设失真像素点数量阈值,对目标失真纺织监控灰度图像内的每个失真像素点进行双线性插值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311136682.4A CN116863253B (zh) | 2023-09-05 | 2023-09-05 | 基于大数据分析的运维风险预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311136682.4A CN116863253B (zh) | 2023-09-05 | 2023-09-05 | 基于大数据分析的运维风险预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116863253A true CN116863253A (zh) | 2023-10-10 |
CN116863253B CN116863253B (zh) | 2023-11-17 |
Family
ID=88229052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311136682.4A Active CN116863253B (zh) | 2023-09-05 | 2023-09-05 | 基于大数据分析的运维风险预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116863253B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117095067A (zh) * | 2023-10-17 | 2023-11-21 | 山东虹纬纺织有限公司 | 基于人工智能的纺织品色差检测方法 |
CN117115468A (zh) * | 2023-10-19 | 2023-11-24 | 齐鲁工业大学(山东省科学院) | 基于人工智能的图像识别方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102202227A (zh) * | 2011-06-21 | 2011-09-28 | 珠海世纪鼎利通信科技股份有限公司 | 一种无参考视频质量客观评估方法 |
US8494282B2 (en) * | 2010-07-19 | 2013-07-23 | Hewlett-Packard Development Company, L.P. | Blur estimation |
CN110400307A (zh) * | 2019-07-29 | 2019-11-01 | 青岛大学 | 一种基于区域差异的屏幕图像质量评估方法 |
US20190392607A1 (en) * | 2017-03-13 | 2019-12-26 | Canon Kabushiki Kaisha | Image processing apparatus, system, image processing method, article manufacturing method, and non-transitory computer-readable storage medium |
CN111193923A (zh) * | 2019-09-24 | 2020-05-22 | 腾讯科技(深圳)有限公司 | 视频质量评估方法、装置、电子设备及计算机存储介质 |
CN113327234A (zh) * | 2021-05-31 | 2021-08-31 | 广西大学 | 基于空时显著性分类和融合的视频重定向质量评价方法 |
CN115442575A (zh) * | 2022-11-08 | 2022-12-06 | 广东电网有限责任公司中山供电局 | 一种基于视频质量评估的视频自适应传输方法及系统 |
CN115526806A (zh) * | 2022-10-25 | 2022-12-27 | 昆山腾云达信息咨询技术服务中心(有限合伙) | 基于人工智能的黑光图像自动校色方法 |
CN115691026A (zh) * | 2022-12-29 | 2023-02-03 | 湖北省林业科学研究院 | 一种森林防火的智能预警监控管理方法 |
CN116188328A (zh) * | 2023-04-24 | 2023-05-30 | 深圳市银河通信科技有限公司 | 基于物联网的停车场感应灯联动系统 |
WO2023134791A2 (zh) * | 2022-12-16 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种环境安防工程监测数据管理方法及系统 |
US20230251207A1 (en) * | 2020-07-13 | 2023-08-10 | Nuflare Technology, Inc. | Pattern inspection apparatus and pattern inspection method |
-
2023
- 2023-09-05 CN CN202311136682.4A patent/CN116863253B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8494282B2 (en) * | 2010-07-19 | 2013-07-23 | Hewlett-Packard Development Company, L.P. | Blur estimation |
CN102202227A (zh) * | 2011-06-21 | 2011-09-28 | 珠海世纪鼎利通信科技股份有限公司 | 一种无参考视频质量客观评估方法 |
US20190392607A1 (en) * | 2017-03-13 | 2019-12-26 | Canon Kabushiki Kaisha | Image processing apparatus, system, image processing method, article manufacturing method, and non-transitory computer-readable storage medium |
CN110400307A (zh) * | 2019-07-29 | 2019-11-01 | 青岛大学 | 一种基于区域差异的屏幕图像质量评估方法 |
CN111193923A (zh) * | 2019-09-24 | 2020-05-22 | 腾讯科技(深圳)有限公司 | 视频质量评估方法、装置、电子设备及计算机存储介质 |
US20230251207A1 (en) * | 2020-07-13 | 2023-08-10 | Nuflare Technology, Inc. | Pattern inspection apparatus and pattern inspection method |
CN113327234A (zh) * | 2021-05-31 | 2021-08-31 | 广西大学 | 基于空时显著性分类和融合的视频重定向质量评价方法 |
CN115526806A (zh) * | 2022-10-25 | 2022-12-27 | 昆山腾云达信息咨询技术服务中心(有限合伙) | 基于人工智能的黑光图像自动校色方法 |
CN115442575A (zh) * | 2022-11-08 | 2022-12-06 | 广东电网有限责任公司中山供电局 | 一种基于视频质量评估的视频自适应传输方法及系统 |
WO2023134791A2 (zh) * | 2022-12-16 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种环境安防工程监测数据管理方法及系统 |
CN115691026A (zh) * | 2022-12-29 | 2023-02-03 | 湖北省林业科学研究院 | 一种森林防火的智能预警监控管理方法 |
CN116188328A (zh) * | 2023-04-24 | 2023-05-30 | 深圳市银河通信科技有限公司 | 基于物联网的停车场感应灯联动系统 |
Non-Patent Citations (2)
Title |
---|
HELMRICH C R等: "Perceptually optimized bit-allocation and associated distortion measure for block-based image or video coding", 《2019 DATA COMPRESSION CONFERENCE (DCC)》, pages 172 - 181 * |
叶艳珂;杜海清;徐静涛;刘勇;: "基于结构信息和像素失真的客观图像质量评价", 电视技术, no. 01, pages 175 - 180 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117095067A (zh) * | 2023-10-17 | 2023-11-21 | 山东虹纬纺织有限公司 | 基于人工智能的纺织品色差检测方法 |
CN117095067B (zh) * | 2023-10-17 | 2024-02-02 | 山东虹纬纺织有限公司 | 基于人工智能的纺织品色差检测方法 |
CN117115468A (zh) * | 2023-10-19 | 2023-11-24 | 齐鲁工业大学(山东省科学院) | 基于人工智能的图像识别方法及系统 |
CN117115468B (zh) * | 2023-10-19 | 2024-01-26 | 齐鲁工业大学(山东省科学院) | 基于人工智能的图像识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116863253B (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116863253B (zh) | 基于大数据分析的运维风险预警方法 | |
CN113689428B (zh) | 基于图像处理的机械零件应力腐蚀检测方法及系统 | |
CN116188462B (zh) | 一种基于视觉鉴定的贵金属质量检测方法及系统 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN116309599B (zh) | 基于污水前置处理的水质视觉监测方法 | |
CN117218122B (zh) | 基于图像数据的手表外壳质量检测方法 | |
CN116704209B (zh) | 一种法兰轮廓快速提取方法及系统 | |
CN116910752B (zh) | 一种基于大数据的恶意代码检测方法 | |
CN111738256A (zh) | 基于改进分水岭算法的复合材料ct图像分割方法 | |
CN117456428A (zh) | 基于视频图像特征分析的垃圾投放行为检测方法 | |
CN114881960A (zh) | 基于特征增强的布匹直线型缺陷检测方法和系统 | |
CN116188468A (zh) | 一种hdmi线缆传输分拣智能控制系统 | |
CN117314940B (zh) | 基于人工智能的激光切割零件轮廓快速分割方法 | |
CN116229438B (zh) | 一种纺纱质量视觉识别系统 | |
CN115272737B (zh) | 一种橡胶圈流痕识别方法 | |
CN111753842B (zh) | 票据文本区域检测方法及装置 | |
CN111223050A (zh) | 一种实时图像边缘检测算法 | |
CN114529803A (zh) | 一种指针仪表识别增强检测方法 | |
CN106326882A (zh) | 一种基于图像质量评估技术的指纹识别系统及方法 | |
CN113554635A (zh) | 基于人工智能的钢卷松卷自动检测方法和装置 | |
CN113947563A (zh) | 一种基于深度学习的电缆工艺质量动态缺陷检测方法 | |
CN113361633A (zh) | 一种医疗图像大数据3d残差网络分类方法 | |
CN117078567B (zh) | 基于图像处理的光伏板图像自适应增强方法 | |
CN114724041B (zh) | 基于深度学习的电力设备红外热图的识别方法及系统 | |
CN116843689B (zh) | 一种菌盖表面破损检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |