CN116912606A - 基于卷积神经网络的茶饼受潮分析方法、装置及存储介质 - Google Patents

基于卷积神经网络的茶饼受潮分析方法、装置及存储介质 Download PDF

Info

Publication number
CN116912606A
CN116912606A CN202311181697.2A CN202311181697A CN116912606A CN 116912606 A CN116912606 A CN 116912606A CN 202311181697 A CN202311181697 A CN 202311181697A CN 116912606 A CN116912606 A CN 116912606A
Authority
CN
China
Prior art keywords
brightness
tea cake
analyzed
damp
label
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
Application number
CN202311181697.2A
Other languages
English (en)
Other versions
CN116912606B (zh
Inventor
王欢
冯继威
高伟明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Networks Technology Co ltd
Original Assignee
Networks Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Networks Technology Co ltd filed Critical Networks Technology Co ltd
Priority to CN202311181697.2A priority Critical patent/CN116912606B/zh
Publication of CN116912606A publication Critical patent/CN116912606A/zh
Application granted granted Critical
Publication of CN116912606B publication Critical patent/CN116912606B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了一种基于卷积神经网络的茶饼受潮分析方法、装置及存储介质，所述方法包括：获取待分析茶饼图像的亮度直方图；将所述亮度直方图输入至训练后的卷积神经网络中，以得到由所述训练后的卷积神经网络输出的像素数量阈值集合和亮度差值阈值；其中，所述像素数量阈值集合用于确定待分析茶饼的无反光亮度和油光亮度；根据所述亮度直方图、所述像素数量阈值集合和所述亮度差值阈值，得到用于反映所述待分析茶饼是否受潮的受潮标签。采用本申请的方案可以通过计算机设备自动、准确地分析茶饼是否受潮，为用户提供了一种简便且实用的分析方法。

Description

基于卷积神经网络的茶饼受潮分析方法、装置及存储介质
技术领域
本申请涉及图像识别技术领域，尤其涉及一种基于卷积神经网络的茶饼受潮分析方法、装置、存储介质及计算机设备。
背景技术
茶是指由茶叶冲泡而成的饮品。考虑到散茶容易折损，为便于茶叶的存放和运输，减少折损，一般会将散茶再次蒸压制成茶饼。与散茶相比，在重量相等的情况下，茶饼占用的空间更小，也更不容易被压缩。
茶叶作为一种干品，具备较强的水分吸附性，因此容易因受潮产生质变。在茶叶购买过程中，消费者需要具备一定经验才可凭借肉眼分辨茶饼是否受潮，很多消费者在未品尝的情况下难以进行辨别。因此，亟需提供一种能够自动分析茶饼是否受潮的方案。
发明内容
本申请的目的旨在至少能解决上述的技术缺陷之一，特别是现有技术无法自动分析茶饼是否受潮的技术缺陷。
第一方面，本申请实施例提供了一种基于卷积神经网络的茶饼受潮分析方法，所述方法包括：
获取待分析茶饼图像的亮度直方图；
将所述亮度直方图输入至训练后的卷积神经网络中，以得到由所述训练后的卷积神经网络输出的像素数量阈值集合和亮度差值阈值；其中，所述像素数量阈值集合用于确定待分析茶饼的无反光亮度和油光亮度；
根据所述亮度直方图、所述像素数量阈值集合和所述亮度差值阈值，得到用于反映所述待分析茶饼是否受潮的受潮标签。
在其中一个实施例中，所述像素数量阈值集合包括用于确定所述无反光亮度的第一像素数量阈值和用于确定所述油光亮度的第二像素数量阈值；
所述根据所述亮度直方图、所述像素数量阈值集合和所述亮度差值阈值，得到用于反映所述待分析茶饼是否受潮的受潮标签的步骤，包括：
在所述亮度直方图中定位像素数量大于所述第一像素数量阈值的最小峰值亮度，并得到第一定位结果；
在所述亮度直方图中定位像素数量大于所述第二像素数量阈值的最大峰值亮度，并得到第二定位结果；
根据所述第一定位结果、所述第二定位结果和所述亮度差值阈值，确定所述受潮标签。
在其中一个实施例中，所述根据所述第一定位结果、所述第二定位结果和所述亮度差值阈值，确定所述受潮标签的步骤，包括：
若所述第一定位结果非空且所述第二定位结果非空，则计算所述最大峰值亮度与所述最小峰值亮度之间的实际亮度差值；
若所述实际亮度差值大于所述亮度差值阈值，则将用于反映所述待分析茶饼未受潮的第一标签作为所述受潮标签，否则，将用于反映所述待分析茶饼已受潮的第二标签作为所述受潮标签。
在其中一个实施例中，所述根据所述第一定位结果、所述第二定位结果和所述亮度差值阈值，确定所述受潮标签的步骤，还包括：
若所述第一定位结果为空，和/或所述第二定位结果为空，则将用于反映所述待分析茶饼已受潮的所述第二标签作为所述受潮标签。
在其中一个实施例中，所述像素数量阈值集合包括用于确定所述无反光亮度的第一像素数量阈值和用于确定所述油光亮度的第二像素数量阈值；
所述根据所述亮度直方图、所述像素数量阈值集合和所述亮度差值阈值，得到用于反映所述待分析茶饼是否受潮的受潮标签的步骤，包括：
将所述亮度直方图、所述第一像素数量阈值、所述第二像素数量阈值和所述亮度差值阈值输入至训练后的决策树模型中，以得到由所述训练后的决策树模型输出的所述受潮标签。
在其中一个实施例中，所述获取待分析茶饼图像的亮度直方图的步骤之前，包括：
获取原始茶饼图像，所述原始茶饼图像为记录有待分析茶饼的图像；
识别所述原始茶饼图像中的茶饼区域，并基于所述茶饼区域对所述原始茶饼图像进行图像分割，以得到所述待分析茶饼图像。
在其中一个实施例中，所述获取待分析茶饼图像的亮度直方图的步骤，包括：
对所述待分析茶饼图像进行HSV颜色空间转换，以得到转换结果；
根据所述转换结果生成所述亮度直方图。
第二方面，本申请实施例提供了一种基于卷积神经网络的茶饼受潮分析装置，其特征在于，包括：
直方图获取模块，用于获取待分析茶饼图像的亮度直方图；
阈值获取模块，用于将所述亮度直方图输入至训练后的卷积神经网络中，以得到由所述训练后的卷积神经网络输出的像素数量阈值集合和亮度差值阈值；其中，所述像素数量阈值集合用于确定待分析茶饼的无反光亮度和油光亮度；
受潮标签获取模块，用于根据所述亮度直方图、所述像素数量阈值集合和所述亮度差值阈值，得到用于反映所述待分析茶饼是否受潮的受潮标签。
第三方面，本申请实施例提供了一种存储介质，该存储介质中存储有计算机可读指令，该计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述任一实施例所述基于卷积神经网络的茶饼受潮分析方法的步骤。
第四方面，本申请实施例提供了一种计算机设备，该计算机设备包括：一个或多个处理器，以及存储器；
所述存储器中存储有计算机可读指令，所述计算机可读指令被所述一个或多个处理器执行时，执行上述任一实施例所述基于卷积神经网络的茶饼受潮分析方法的步骤。
在本申请实施例提供的基于卷积神经网络的茶饼受潮分析方法、装置、存储介质及计算机设备中，考虑到未受潮的茶饼会出现油光，在未受潮茶饼的茶饼图像中部分茶饼区域较亮，部分茶饼区域较暗，而受潮的茶饼不会出现该情况，因此本申请可利用这一特性自动实现茶饼受潮分析。计算机设备可以将待分析茶饼图像的亮度直方图输入至训练后的卷积神经网络中，以得到由训练后的卷积神经网络输出的亮度差值阈值和用于确定待分析茶饼的无反光亮度、油光亮度的像素数量阈值集合。计算机设备可以根据亮度直方图和像素数量阈值集合确定待分析茶饼的油光情况，并结合油光情况和亮度差值阈值判断待分析茶饼是否受潮。如此，可以通过计算机设备自动、准确地分析茶饼是否受潮，为用户提供了一种简便且实用的分析方法。
附图说明
为了更清楚地说明本申请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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为一个实施例中基于卷积神经网络的茶饼受潮分析方法的应用环境图；
图2为一个实施例中基于卷积神经网络的茶饼受潮分析方法的流程示意图；
图3为一个实施例中卷积神经网络和决策树模型的训练过程示意图；
图4为一个实施例中基于卷积神经网络的茶饼受潮分析装置的结构示意图；
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在一个实施例中，本申请提供的基于卷积神经网络的茶饼受潮分析方法可以应用于图1所示的应用环境中。其中，终端设备102可以由用户持有的，具备图片拍摄功能和网络连接功能的设备，可以但不限于是个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备等。计算机设备104可以是任意具备数据处理能力的设备，例如可以是单个服务器、由多个服务器组成的服务器集群、个人计算机、笔记本电脑、智能手机或平板电脑。
用户可以通过终端设备102拍摄待分析茶饼，以得到待分析茶饼图像。终端设备102可以通过无线网络将待分析茶饼图像发送至计算机设备104，使得计算机设备104可以依据待分析茶饼图像对待分析茶饼进行受潮分析，并向终端设备102输出用于反映待分析茶饼是否受潮的受潮标签。
在一个实施例中，本申请提供了一种基于卷积神经网络的茶饼受潮分析方法，下述实施例以该方法应用于图1的计算机设备为例进行说明。如图2所示，本申请提供的基于卷积神经网络的茶饼受潮分析方法可以包括如下步骤：
S202：获取待分析茶饼图像的亮度直方图。
其中，待分析茶饼图像是指记录有待分析茶饼的图像，可以采用具备图像拍摄功能的终端设备拍摄待分析茶饼来获取。待分析茶饼是指需要进行受潮分析的茶饼。亮度直方图是指横坐标为亮度值，纵坐标为像素数量的直方图，其可反映待分析茶饼图像的亮度分布情况。
可以理解，本步骤中，计算机设备可以通过任意方式来获取待分析茶饼图像的亮度直方图。例如，计算机设备可以接收由终端设备或其他计算机设备发送的亮度直方图，或者计算机设备可以采用任意亮度直方图获取算法来处理待分析茶饼图像，以得到亮度直方图。
S204：将所述亮度直方图输入至训练后的卷积神经网络中，以得到由所述训练后的卷积神经网络输出的像素数量阈值集合和亮度差值阈值；其中，所述像素数量阈值集合用于确定待分析茶饼的无反光亮度和油光亮度。
其中，训练后的卷积神经网络可以是采用第一训练数据集预先训练得到的。第一训练数据集可包括多组第一训练数据，每组第一训练数据可包括训练茶饼图像的亮度直方图、预先确定的像素数量阈值集合和预先确定的亮度差值阈值。可以理解，卷积神经网络的具体网络结构可以依据计算机设备的算力、模型准确性要求等实际因素来确定，本文对此不作具体限制。在一个示例中，本申请采用的卷积神经网络可以是基于TensorFlow搭建得到的卷积神经网络，按照从输入到输出的次序，卷积神经网络的网络结构依次为输入层、结合层、展平层、全连接层、激活函数、输出层，其中结合层包括两层卷积层和池化层。
具体而言，若待分析茶饼未受潮，则在拍摄待分析茶饼时，待分析茶饼的部分区域会对光线进行反射，进而形成油光。因此，当待分析茶饼未受潮时，在待分析茶饼图像中，形成有油光的部分茶饼区域对应着较高亮度，其余茶饼区域对应着较低亮度，且油光亮度与无反光亮度之间的亮度差值满足一定的要求。本文中，油光亮度可以是形成有油光的部分茶饼区域所对应的亮度值，无反光亮度可以是未形成有油光的部分茶饼区域对应的亮度值。若待分析茶饼已受潮，则待分析茶饼不会形成油光，或者待分析茶饼图像的无反光亮度与油光亮度之间的亮度差值不满足要求。
基于此，本申请可利用这一特征，从图像亮度的角度对待分析茶饼的油光情况进行分析，进而判断茶饼是否受潮。考虑到待分析茶饼所属的茶叶种类和/或图像拍摄时的光照条件会影响待分析茶饼图像的亮度分布情况，进而影响无反光亮度和油光亮度的判断，同理，在不同的茶叶种类和/或不同的光照条件下，油光亮度和无反光亮度之间的亮度差值所要满足的要求不同，因此本申请可引入训练后的卷积神经网络来处理待分析茶饼图像的亮度直方图，以便于后续准确确定待分析茶饼的无反光亮度和油光亮度，并基于无反光亮度和油光亮度准确判断待分析茶饼是否受潮。
具体地，计算机设备可将待分析茶饼图像的亮度直方图输入到训练后的卷积神经网络中，并得到由训练后的卷积神经网络输出的像素数量阈值集合和亮度差值阈值。其中，像素数量阈值集合用于确定待分析茶饼的油光亮度和无反光亮度，其可以包括至少一个像素数量阈值。亮度差值阈值可用于确定待分析茶饼是否受潮。
S206：根据所述亮度直方图、所述像素数量阈值集合和所述亮度差值阈值，得到用于反映所述待分析茶饼是否受潮的受潮标签。
本步骤中，计算机设备可以根据待分析茶饼图像的亮度直方图和训练后的卷积神经网络输出的像素数量阈值集合，分别确定无反光亮度和油光亮度。例如，当像素数量阈值集合包括一个像素数量阈值时，计算机设备可以在亮度直方图中分别定位出像素数量大于该像素数量阈值的各个峰值亮度，并将各个峰值亮度中的最小峰值亮度作为无反光亮度，将各个峰值亮度中的次小峰值亮度作为油光亮度。
在确定待分析茶饼图像对应的无反光亮度和油光亮度的情况下，计算机设备可以根据无反光亮度、油光亮度和亮度差值阈值，确定待分析茶饼是否受潮，并输出对应的受潮标签。例如，计算机设备可以根据亮度差值阈值和预设的误差计算公式确定亮度差值上限值和亮度差值下限值，并将油光亮度与无反光亮度之间的亮度差值分别与亮度差值上限值和亮度差值下限值进行比较，进而可基于比较的结果得到受潮标签。
本实施例中，计算机设备可以将待分析茶饼图像的亮度直方图输入至训练后的卷积神经网络中，以得到由训练后的卷积神经网络输出的亮度差值阈值和用于确定待分析茶饼的无反光亮度、油光亮度的像素数量阈值集合。计算机设备可以根据亮度直方图和像素数量阈值集合确定待分析茶饼的油光情况，并结合油光情况和亮度差值阈值判断待分析茶饼是否受潮。如此，可以通过计算机设备自动、准确地分析茶饼是否受潮，为用户提供了一种简便且实用的分析方法。
在一个实施例中，所述像素数量阈值集合包括用于确定所述无反光亮度的第一像素数量阈值和用于确定所述油光亮度的第二像素数量阈值。具体而言，即使在待分析茶饼未受潮的情况下，待分析茶饼也无法通过整片茶饼来反射拍摄光线，而只能通过部分区域反射光线形成油光，且油光区域与无反光区域的范围大小取决于待分析茶饼图像的拍摄角度。因此，油光区域和无反光区域的范围大小在不同的拍摄角度下会存在一定变化。为便于准确确定无反光亮度和油光亮度，进而提高茶饼受潮分析结果的准确定，训练后的卷积神经网络可以分别输出用于无反光亮度的第一像素数量阈值和用于确定油光亮度的第二像素数量阈值，第一像素数量阈值与第二像素数量阈值的取值可以不同。
根据所述亮度直方图、所述像素数量阈值集合和所述亮度差值阈值，得到用于反映所述待分析茶饼是否受潮的受潮标签的步骤，可以包括：
在所述亮度直方图中定位像素数量大于所述第一像素数量阈值的最小峰值亮度，并得到第一定位结果；
在所述亮度直方图中定位像素数量大于所述第二像素数量阈值的最大峰值亮度，并得到第二定位结果；
根据所述第一定位结果、所述第二定位结果和所述亮度差值阈值，确定所述受潮标签。
本文中，峰值亮度是指亮度直方图中像素数量峰值所对应的像素亮度值。
为避免待分析茶饼因受潮出现霉菌，干扰油光的分析，本申请可以根据第一像素数量阈值和第二像素数量阈值，对亮度直方图进行像素数量峰值定位，并根据像素数量峰值定位的结果分别确定最小峰值亮度和最大峰值亮度。
由于茶饼在未反光情况下多为黑色，亮度低，因此本申请可以将亮度直方图中左侧起第一个满足第一像素数量阈值的像素数量峰值所对应的像素亮度值划定为无反光亮度。具体地，计算机设备可以基于第一像素数量阈值在亮度直方图中定位像素数量峰值，并将像素数量大于第一像素数量阈值的像素数量峰值作为第一目标峰值。第一定位结果可用于指示亮度直方图中是否存在至少一个第一目标峰值。当亮度直方图中存在第一目标峰值时，计算机设备可以将第一目标峰值对应的最小像素亮度值作为最小峰值亮度，该最小峰值亮度即为待分析茶饼的无反光亮度。进一步地，计算机设备还可将最小峰值亮度作为第一定位结果。当亮度直方图中不存在第一目标峰值时，第一定位结果为空。
当茶饼反射拍摄光线形成油光时，部分茶饼区域的亮度均为油光亮度，且油光亮度高于无反光亮度，因此本申请可以将亮度直方图中右侧起第一个满足第二像素数量阈值的像素数量峰值所对应的像素亮度值划定为油光亮度。具体地，计算机设备可以基于第二像素数量阈值在亮度直方图中定位像素数量峰值，并将像素数量大于第二像素数量阈值的像素数量峰值作为第二目标峰值。第二定位结果可用于指示亮度直方图中是否存在至少一个第二目标峰值。当亮度直方图中存在第二目标峰值时，计算机设备可以将第二目标峰值对应的最大像素亮度值作为最大峰值亮度，该最大峰值亮度即为待分析茶饼的油光亮度。进一步地，计算机设备还可将最大峰值亮度作为第二定位结果。当亮度直方图中不存在第二目标峰值时，第二定位结果为空。
在得到最小峰值亮度和最大峰值亮度的情况下，计算机设备可以基于最小峰值亮度、最大峰值亮度和亮度差值阈值，判断待分析茶饼是否受潮，并确定受潮标签。
本实施例中，通过定位像素数量大于第一像素数量阈值的最小峰值亮度作为无反光亮度，以及定位素数量大于第二像素数量阈值的最大峰值亮度作为油光亮度，从而可准确确定待分析茶饼的油光亮度和无反光亮度，进而可提高茶饼受潮分析结果的准确性。
在一个实施例中，所述根据所述第一定位结果、所述第二定位结果和所述亮度差值阈值，确定所述受潮标签的步骤，包括：
若所述第一定位结果非空且所述第二定位结果非空，则计算所述最大峰值亮度与所述最小峰值亮度之间的实际亮度差值；
若所述实际亮度差值大于所述亮度差值阈值，则将用于反映所述待分析茶饼未受潮的第一标签作为所述受潮标签，否则，将用于反映所述待分析茶饼已受潮的第二标签作为所述受潮标签。
具体而言，当第一定位结果和第二定位结果均非空，则表明亮度直方图中存在满足第一像素数量阈值的第一目标峰值和满足第二像素数量阈值的第二目标峰值，计算机设备可以从亮度直方图中确定油光亮度和无反光亮度。在此情况下，计算机设备可以计算最大峰值亮度与最小峰值亮度之间的实际亮度差值，以确定油光亮度与无反光亮度之间的亮度差值，并将实际亮度差值与训练后的卷积神经网络模型输出的亮度差值阈值进行比较。当实际亮度差值大于亮度差值阈值时，计算机设备可确定待分析茶饼未受潮，因此可将用于反映待分析茶饼未受潮的第一标签作为受潮标签。当实际亮度差值小于或等于亮度差值阈值时，计算机设备可确定待分析茶饼已受潮，因此可将用于反映待分析茶饼已受潮的第二标签作为受潮标签。如此，可提高茶饼受潮分析结果的准确性。
在一个实施例中，所述根据所述第一定位结果、所述第二定位结果和所述亮度差值阈值，确定所述受潮标签的步骤，还包括：若所述第一定位结果为空，和/或所述第二定位结果为空，则将用于反映所述待分析茶饼已受潮的所述第二标签作为所述受潮标签。
具体而言，若第一定位结果为空，则表明亮度直方图中不存在第一目标峰值，计算机设备无法从亮度直方图中定位得到待分析茶饼的无反光亮度。若第二定位结果为空，则表明亮度直方图中不存在第二目标峰值，在此情况下，可认为待分析茶饼不存在油光反光情况。因此，当第一定位结果为空，和/或第二定位结果为空时，计算机设备可以确定待分析茶饼已受潮，并将第二标签作为待分析茶饼的受潮标签。如此，可提高茶饼受潮分析结果的准确性。
在一个实施例中，所述像素数量阈值集合包括用于确定所述无反光亮度的第一像素数量阈值和用于确定所述油光亮度的第二像素数量阈值，关于第一像素数量阈值和第二像素数量阈值的具体说明可参阅上述实施例，本文在此不再赘述。
根据所述亮度直方图、所述像素数量阈值集合和所述亮度差值阈值，得到用于反映所述待分析茶饼是否受潮的受潮标签的步骤，包括：将所述亮度直方图、所述第一像素数量阈值、所述第二像素数量阈值和所述亮度差值阈值输入至训练后的决策树模型中，以得到由所述训练后的决策树模型输出的所述受潮标签。
具体而言，计算机设备可以采用决策树模型来获取受潮标签。其中，决策树模型可以是采用第二训练数据集预先训练得到的。第二训练数据集可以包括多组第二训练数据，每组第二训练数据可以包括训练茶饼图像的亮度直方图、预先确定的第一像素数量阈值、预先确定的第二像素数量阈值、预先确定的亮度差值阈值和预先确定的受潮标签。通过采用第二训练数据集训练决策树模型，使得决策树模型可以在训练过程中自动提取用于判断待分析茶饼是否受潮的if-then规则。
在将待分析茶饼的亮度直方图、卷积神经网络输出的第一像素数量阈值、卷积神经网络输出的第二像素数量阈值和卷积神经网络输出的亮度差值阈值输入至决策树模型后，决策树模型可以根据模型输入数据进行决策判断，并输出对应的受潮标签。
在一个示例中，决策树模型可以用于在亮度直方图中定位像素数量大于第一像素数量阈值的最小峰值亮度，以及在亮度直方图中定位像素数量大于第二像素数量阈值的最大峰值亮度。若亮度直方图中存在最小峰值亮度和最大峰值亮度，则决策树可以依据最大峰值亮度的定位情况、最小峰值亮度的定位情况和亮度差值阈值输出受潮标签，具体描述可参阅上述实施例，本文在此不再赘述。
本实施例中，通过采用决策树实现受潮分析，从而可提高分析效率。
在一个实施例中，所述获取待分析茶饼图像的亮度直方图的步骤之前，包括：
获取原始茶饼图像，所述原始茶饼图像为记录有待分析茶饼的图像；
识别所述原始茶饼图像中的茶饼区域，并基于所述茶饼区域对所述原始茶饼图像进行图像分割，以得到所述待分析茶饼图像。
本实施例中，计算机设备可以获取由终端设备发送的原始茶饼图像，并在原始茶饼图像中分割出待分析茶饼图像，以减少拍摄背景对后续受潮分析的影响，进而可提高受潮分析结果的准确性。
可选地，计算机设备可以基于边缘检测来识别原始茶饼图像中的茶饼区域。由于待分析茶饼一般为圆形，因此可利用其边缘特征在原始茶饼图像中定位茶饼区域，例如可以采用Roberts边缘算子、Prewitt算子、Sobel算子等实现边缘检测。
可选地，计算机设备还可以基于图像颜色来识别原始茶饼图像中的茶饼区域。由于待分析茶饼一般为黑色或深颜色，因此计算机设备可利用水平投影法、垂直投影法先后分割出茶饼区域对应的潜在行区域，再对积累较多黑色像素的区域进行分割，即可得到原始茶饼图像的内切矩形图像，也即可以得到待分析茶饼图像。考虑到这种方式分割得到的待分析茶饼图像仍包含部分背景图像，可能影响后续的分析，因此可以在背景图像较为简单且不影响后续分析的情况下可选用。
在一个实施例中，所述获取待分析茶饼图像的亮度直方图的步骤，包括：
对所述待分析茶饼图像进行HSV颜色空间转换，以得到转换结果；
根据所述转换结果生成所述亮度直方图。
具体而言，为减少拍摄待分析茶饼图像时光照条件对图像的影响，计算机设备可以对待分析茶饼图像进行颜色空间转换，将待分析茶饼图像从一般的RGB颜色空间转换为HSV颜色空间，并得到包括图像色调（H）、饱和度（S）和亮度（V）的转换结果。计算机设备可以根据转换结果生成待分析茶饼图像的亮度直方图。如此，可减少拍摄光照条件对受潮分析的影响，进而可提高受潮分析结果的准确性。
在一个实施例中，如图3所示，当采用卷积神经网络和决策树模型实现茶饼受潮分析时，卷积神经网络和决策树模型的训练过程可包括如下步骤：
S302：获取多张训练茶饼图像，并根据各张训练茶饼图像搭建具有受潮标签的茶饼图像数据库；
S304：从茶饼图像数据库中选取多张训练茶饼图像，并生成多组第一训练数据；每组第一训练数据包括训练茶饼图像的亮度直方图、预先确定的像素数量阈值集合和预先确定的亮度差值阈值；
S306：采用各组第一训练数据训练预先搭建的卷积神经网络，并得到训练后的卷积神经网络；
S308：从茶饼图像数据库中选取多张训练茶饼图像，并将多张训练茶饼图像的亮度直方图输入至训练后的卷积神经网络中，以得到由训练后的卷积神经网络输出的第一像素数量阈值、第二像素数量阈值和亮度差值阈值；
S310：根据训练茶饼图像的亮度直方图、由卷积神经网络输出的第一像素数量阈值、第二像素数量阈值、亮度差值阈值和预先确定的受潮标签，生成多组第二训练数据；
S312：采用多组第二训练数据训练决策树模型，以得到训练后的决策树模型。
下面对本申请实施例提供的基于卷积神经网络的茶饼受潮分析装置进行描述，下文描述的基于卷积神经网络的茶饼受潮分析装置与上文描述的基于卷积神经网络的茶饼受潮分析方法可相互对应参照。
在一个实施例中，如图4所示，本申请提供了一种基于卷积神经网络的茶饼受潮分析装置400，该装置400具体包括：
直方图获取模块410，用于获取待分析茶饼图像的亮度直方图；
阈值获取模块420，用于将所述亮度直方图输入至训练后的卷积神经网络中，以得到由所述训练后的卷积神经网络输出的像素数量阈值集合和亮度差值阈值；其中，所述像素数量阈值集合用于确定待分析茶饼的无反光亮度和油光亮度；
受潮标签获取模块430，用于根据所述亮度直方图、所述像素数量阈值集合和所述亮度差值阈值，得到用于反映所述待分析茶饼是否受潮的受潮标签。
在一个实施例中，所述像素数量阈值集合包括用于确定所述无反光亮度的第一像素数量阈值和用于确定所述油光亮度的第二像素数量阈值。
本申请的受潮标签获取模块430包括第一定位单元、第二定位单元和标签确定单元。其中，第一定位单元用于在所述亮度直方图中定位像素数量大于所述第一像素数量阈值的最小峰值亮度，并得到第一定位结果。第二定位单元用于在所述亮度直方图中定位像素数量大于所述第二像素数量阈值的最大峰值亮度，并得到第二定位结果。标签确定单元用于根据所述第一定位结果、所述第二定位结果和所述亮度差值阈值，确定所述受潮标签。
在一个实施例中，本申请的标签确定单元包括实际亮度差值计算单元和比较单元。其中，实际亮度差值计算单元用于在所述第一定位结果非空且所述第二定位结果非空的情况下，计算所述最大峰值亮度与所述最小峰值亮度之间的实际亮度差值。比较单元用于若所述实际亮度差值大于所述亮度差值阈值，则将用于反映所述待分析茶饼未受潮的第一标签作为所述受潮标签，否则，将用于反映所述待分析茶饼已受潮的第二标签作为所述受潮标签。
在一个实施例中，本申请的标签确定单元还包括定位结果分析单元。该定位结果分析单元用于在所述第一定位结果为空，和/或所述第二定位结果为空的情况下，将用于反映所述待分析茶饼已受潮的所述第二标签作为所述受潮标签。
在一个实施例中，所述像素数量阈值集合包括用于确定所述无反光亮度的第一像素数量阈值和用于确定所述油光亮度的第二像素数量阈值。
本申请的受潮标签获取模块430包括决策树处理单元。该决策树处理单元用于将所述亮度直方图、所述第一像素数量阈值、所述第二像素数量阈值和所述亮度差值阈值输入至训练后的决策树模型中，以得到由所述训练后的决策树模型输出的所述受潮标签。
在一个实施例中，本申请的基于卷积神经网络的茶饼受潮分析装置400还可包括图像获取模块和图像分割模块。其中，图像获取模块用于获取原始茶饼图像，所述原始茶饼图像为记录有待分析茶饼的图像。图像分割模块用于识别所述原始茶饼图像中的茶饼区域，并基于所述茶饼区域对所述原始茶饼图像进行图像分割，以得到所述待分析茶饼图像。
在一个实施例中，本申请的直方图获取模块410包括转换单元和直方图生成单元。其中，转换单元用于对所述待分析茶饼图像进行HSV颜色空间转换，以得到转换结果。直方图生成单元用于根据所述转换结果生成所述亮度直方图。
在一个实施例中，本申请还提供了一种存储介质，该存储介质中存储有计算机可读指令，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如任意实施例中基于卷积神经网络的茶饼受潮分析方法的步骤。
在一个实施例中，本申请还提供了一种计算机设备，所述计算机设备中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如任意实施例中基于卷积神经网络的茶饼受潮分析方法的步骤。
示意性地，图5为本申请实施例提供的一种计算机设备的内部结构示意图，在一个示例中，该计算机设备可以为服务器。参照图5，计算机设备900包括处理组件902，其进一步包括一个或多个处理器，以及由存储器901所代表的存储器资源，用于存储可由处理组件902的执行的指令，例如应用程序。存储器901中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件902被配置为执行指令，以执行上述任意实施例所述基于卷积神经网络的茶饼受潮分析方法的步骤。
计算机设备900还可以包括一个电源组件903被配置为执行计算机设备900的电源管理，一个有线或无线网络接口904被配置为将计算机设备900连接到网络，和一个输入输出（I/O）接口905。计算机设备900可以操作基于存储在存储器901的操作系统，例如WindowsServer TM、Mac OS XTM、Unix TM、Linux TM、Free BSDTM或类似。
本领域技术人员可以理解，本申请示出的计算机设备的内部结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。本文中，“一”、“一个”、“所述”、“该”和“其”也可以包括复数形式，除非上下文清楚指出另外的方式。多个是指至少两个的情况，如2个、3个、5个或8个等。“和/或”包括相关所列项目的任何及所有组合。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间可以根据需要进行组合，且相同相似部分互相参见即可。
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 (10)

1.一种基于卷积神经网络的茶饼受潮分析方法，其特征在于，包括：
获取待分析茶饼图像的亮度直方图；
将所述亮度直方图输入至训练后的卷积神经网络中，以得到由所述训练后的卷积神经网络输出的像素数量阈值集合和亮度差值阈值；其中，所述像素数量阈值集合用于确定待分析茶饼的无反光亮度和油光亮度；
根据所述亮度直方图、所述像素数量阈值集合和所述亮度差值阈值，得到用于反映所述待分析茶饼是否受潮的受潮标签。
2.根据权利要求1所述的方法，其特征在于，所述像素数量阈值集合包括用于确定所述无反光亮度的第一像素数量阈值和用于确定所述油光亮度的第二像素数量阈值；
所述根据所述亮度直方图、所述像素数量阈值集合和所述亮度差值阈值，得到用于反映所述待分析茶饼是否受潮的受潮标签的步骤，包括：
在所述亮度直方图中定位像素数量大于所述第一像素数量阈值的最小峰值亮度，并得到第一定位结果；
在所述亮度直方图中定位像素数量大于所述第二像素数量阈值的最大峰值亮度，并得到第二定位结果；
根据所述第一定位结果、所述第二定位结果和所述亮度差值阈值，确定所述受潮标签。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一定位结果、所述第二定位结果和所述亮度差值阈值，确定所述受潮标签的步骤，包括：
若所述第一定位结果非空且所述第二定位结果非空，则计算所述最大峰值亮度与所述最小峰值亮度之间的实际亮度差值；
若所述实际亮度差值大于所述亮度差值阈值，则将用于反映所述待分析茶饼未受潮的第一标签作为所述受潮标签，否则，将用于反映所述待分析茶饼已受潮的第二标签作为所述受潮标签。
4.根据权利要求3所述的方法，其特征在于，所述根据所述第一定位结果、所述第二定位结果和所述亮度差值阈值，确定所述受潮标签的步骤，还包括：
若所述第一定位结果为空，和/或所述第二定位结果为空，则将用于反映所述待分析茶饼已受潮的所述第二标签作为所述受潮标签。
5.根据权利要求1所述的方法，其特征在于，所述像素数量阈值集合包括用于确定所述无反光亮度的第一像素数量阈值和用于确定所述油光亮度的第二像素数量阈值；
所述根据所述亮度直方图、所述像素数量阈值集合和所述亮度差值阈值，得到用于反映所述待分析茶饼是否受潮的受潮标签的步骤，包括：
将所述亮度直方图、所述第一像素数量阈值、所述第二像素数量阈值和所述亮度差值阈值输入至训练后的决策树模型中，以得到由所述训练后的决策树模型输出的所述受潮标签。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述获取待分析茶饼图像的亮度直方图的步骤之前，包括：
获取原始茶饼图像，所述原始茶饼图像为记录有待分析茶饼的图像；
识别所述原始茶饼图像中的茶饼区域，并基于所述茶饼区域对所述原始茶饼图像进行图像分割，以得到所述待分析茶饼图像。
7.根据权利要求6所述的方法，其特征在于，所述获取待分析茶饼图像的亮度直方图的步骤，包括：
对所述待分析茶饼图像进行HSV颜色空间转换，以得到转换结果；
根据所述转换结果生成所述亮度直方图。
8.一种基于卷积神经网络的茶饼受潮分析装置，其特征在于，包括：
直方图获取模块，用于获取待分析茶饼图像的亮度直方图；
阈值获取模块，用于将所述亮度直方图输入至训练后的卷积神经网络中，以得到由所述训练后的卷积神经网络输出的像素数量阈值集合和亮度差值阈值；其中，所述像素数量阈值集合用于确定待分析茶饼的无反光亮度和油光亮度；
受潮标签获取模块，用于根据所述亮度直方图、所述像素数量阈值集合和所述亮度差值阈值，得到用于反映所述待分析茶饼是否受潮的受潮标签。
9.一种存储介质，其特征在于，所述存储介质中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至7中任一项所述基于卷积神经网络的茶饼受潮分析方法的步骤。
10.一种计算机设备，其特征在于，包括：一个或多个处理器，以及存储器；
所述存储器中存储有计算机可读指令，所述计算机可读指令被所述一个或多个处理器执行时，执行如权利要求1至7中任一项所述基于卷积神经网络的茶饼受潮分析方法的步骤。
CN202311181697.2A 2023-09-14 2023-09-14 基于卷积神经网络的茶饼受潮分析方法、装置及存储介质 Active CN116912606B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311181697.2A CN116912606B (zh) 2023-09-14 2023-09-14 基于卷积神经网络的茶饼受潮分析方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311181697.2A CN116912606B (zh) 2023-09-14 2023-09-14 基于卷积神经网络的茶饼受潮分析方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN116912606A true CN116912606A (zh) 2023-10-20
CN116912606B CN116912606B (zh) 2024-01-05

Family

ID=88353489

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311181697.2A Active CN116912606B (zh) 2023-09-14 2023-09-14 基于卷积神经网络的茶饼受潮分析方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN116912606B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08138025A (ja) * 1994-11-04 1996-05-31 Kobe Steel Ltd 画像識別パラメータの決定方法及び画像認識方法
US5617484A (en) * 1992-09-25 1997-04-01 Olympus Optical Co., Ltd. Image binarizing apparatus
CN111524092A (zh) * 2020-03-16 2020-08-11 中国农业科学院茶叶研究所 一种红茶萎凋程度指标的无损检测方法
CN111784675A (zh) * 2020-07-01 2020-10-16 云南易见纹语科技有限公司 物品纹理信息处理的方法、装置、存储介质及电子设备
RU2742163C1 (ru) * 2020-04-21 2021-02-02 федеральное государственное бюджетное образовательное учреждение высшего образования «Томский государственный университет систем управления и радиоэлектроники» Способ сушки отформованного кирпича-сырца
CN114299102A (zh) * 2022-01-03 2022-04-08 肆玖茶天下(天津)电子商务有限公司 一种普洱茶饼的ai验证系统
CN115751889A (zh) * 2022-11-24 2023-03-07 燕山大学 一种智能茶叶干燥设备及茶叶干燥的方法
CN115798418A (zh) * 2022-11-24 2023-03-14 北京奕斯伟计算技术股份有限公司 图像显示方法、装置、终端及存储介质
CN116698901A (zh) * 2023-07-12 2023-09-05 甘肃烟草工业有限责任公司 烟梗回潮前水分仪零位识别装置及方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5617484A (en) * 1992-09-25 1997-04-01 Olympus Optical Co., Ltd. Image binarizing apparatus
JPH08138025A (ja) * 1994-11-04 1996-05-31 Kobe Steel Ltd 画像識別パラメータの決定方法及び画像認識方法
CN111524092A (zh) * 2020-03-16 2020-08-11 中国农业科学院茶叶研究所 一种红茶萎凋程度指标的无损检测方法
RU2742163C1 (ru) * 2020-04-21 2021-02-02 федеральное государственное бюджетное образовательное учреждение высшего образования «Томский государственный университет систем управления и радиоэлектроники» Способ сушки отформованного кирпича-сырца
CN111784675A (zh) * 2020-07-01 2020-10-16 云南易见纹语科技有限公司 物品纹理信息处理的方法、装置、存储介质及电子设备
CN114299102A (zh) * 2022-01-03 2022-04-08 肆玖茶天下(天津)电子商务有限公司 一种普洱茶饼的ai验证系统
CN115751889A (zh) * 2022-11-24 2023-03-07 燕山大学 一种智能茶叶干燥设备及茶叶干燥的方法
CN115798418A (zh) * 2022-11-24 2023-03-14 北京奕斯伟计算技术股份有限公司 图像显示方法、装置、终端及存储介质
CN116698901A (zh) * 2023-07-12 2023-09-05 甘肃烟草工业有限责任公司 烟梗回潮前水分仪零位识别装置及方法

Also Published As

Publication number Publication date
CN116912606B (zh) 2024-01-05

Similar Documents

Publication Publication Date Title
CN109146892B (zh) 一种基于美学的图像裁剪方法及装置
CN103617432B (zh) 一种场景识别方法及装置
CN111488756B (zh) 基于面部识别的活体检测的方法、电子设备和存储介质
CN108960290A (zh) 图像处理方法、装置、计算机可读存储介质和电子设备
Mavridaki et al. A comprehensive aesthetic quality assessment method for natural images using basic rules of photography
CN110580428A (zh) 图像处理方法、装置、计算机可读存储介质和电子设备
CN102693528B (zh) 低光度图像中的噪声抑制
CN110807757A (zh) 基于人工智能的图像质量评估方法、装置及计算机设备
CN106557740B (zh) 一种遥感图像中油库目标的识别方法
CN113033587B (zh) 图像识别结果评估方法、装置、电子设备及存储介质
CN109815823B (zh) 数据处理方法及相关产品
CN108764371A (zh) 图像处理方法、装置、计算机可读存储介质和电子设备
CN111935479A (zh) 一种目标图像确定方法、装置、计算机设备及存储介质
Feng et al. A novel saliency detection method for wild animal monitoring images with WMSN
CN114387548A (zh) 视频及活体检测方法、系统、设备、存储介质及程序产品
CN111723656A (zh) 一种基于YOLO v3与自优化的烟雾检测方法及装置
CN112597995A (zh) 车牌检测模型训练方法、装置、设备及介质
CN109409305A (zh) 一种人脸图像清晰度评价方法及装置
CN104299234B (zh) 视频数据中雨场去除的方法和系统
CN111582045A (zh) 一种活体的检测方法、装置以及电子设备
CN108769543B (zh) 曝光时间的确定方法及装置
CN109801224A (zh) 一种图片处理方法、装置、服务器和存储介质
CN115410240A (zh) 智能人脸的痘痘和色斑分析方法、装置及存储介质
CN111179245B (zh) 图像质量检测方法、装置、电子设备和存储介质
CN116912606B (zh) 基于卷积神经网络的茶饼受潮分析方法、装置及存储介质

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