CN117455852A - 基于孪生网络的图像质量判断、处理方法及系统 - Google Patents
基于孪生网络的图像质量判断、处理方法及系统 Download PDFInfo
- Publication number
- CN117455852A CN117455852A CN202311361444.3A CN202311361444A CN117455852A CN 117455852 A CN117455852 A CN 117455852A CN 202311361444 A CN202311361444 A CN 202311361444A CN 117455852 A CN117455852 A CN 117455852A
- Authority
- CN
- China
- Prior art keywords
- image
- quality
- judged
- low
- similarity
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000003137 locomotive effect Effects 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 238000013441 quality evaluation Methods 0.000 claims abstract description 8
- 238000012423 maintenance Methods 0.000 claims description 15
- 230000015556 catabolic process Effects 0.000 claims description 7
- 238000006731 degradation reaction Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 abstract description 12
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于孪生网络的图像质量判断、处理方法及系统,系统包括训练模块、检测模块和判断模块。首先,训练模块获取多份高质量图像和多份因不同影响因素造成的低质量图像,构建起训练集对孪生网络进行训练。然后,检测模块通过训练好的孪生网络确定机车检修图像分别与各种影响因素对应的低质量图像之间的相似度。最后,判断模块根据相似度确定与机车检修图像最相似的低质量图像,并根据相似度最高的低质量图像对应的影响因素确定造成待判断图像质量低的原因,以便对机车检修图像进行针对性处理,从而在确保检修作业过程质量评估准确度的同时,提高检修作业过程的评估效率。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于孪生网络的图像质量判断、处理方法及系统。
背景技术
目前,许多铁路公司已经采用了先进的检修技术,如机车数字化管理系统、机车状态监测系统等,帮助提高检修效率和精准度。此外,还采用了人工智能技术,如图像识别、机器学习等评估检修作业过程的质量,从而提高检修的准确性。
但是,图像识别技术的识别精度很大程度上受到采集到的图像质量的限制,由于受到各种不同影响因素的影响,采集到图像质量有可能会比较低,如果采用低质量图像进行评估,得到的评估结果的准确度就会较低,且会影响到检修作业过程的评估效率。因此,有必要对采集到的图像的图像质量进行判断,并确定影响图像质量的影响因素,以对低质量图像进行针对性处理,确保检修作业过程质量评估准确度的同时,提高检修作业过程的评估效率。
发明内容
针对现有技术存在的不足,本发明提出一种基于孪生网络的图像质量判断、处理方法及系统,可以评估采集到的图像的图像质量,并确定影响图像质量的影响因素,以对低质量图像进行针对性处理。具体技术方案如下:
第一方面,提供了一种基于孪生网络的图像质量判断方法,在第一方面的第一种可实现方式,包括:
获取多份高质量图像和多份因不同影响因素造成的低质量图像构建起训练集,并通过所述训练集对孪生网络进行训练;
获取待判断图像,通过训练好的孪生网络确定待判断图像与不同影响因素对应的低质量图像之间的相似度;
通过待判断图像与不同影响因素对应的低质量图像之间的相似度,确定待判断图像对应的影响因素。
结合第一方面的第一种可实现方式,在第一方面的第二种可实现方式,构建训练集包括:
采用与各影响因素相对应的处理方法分别对每份高质量图像进行降质处理,分别得到与不同影响因素对应的低质量图像。
结合第一方面的第一种可实现方式,在第一方面的第三种可实现方式,确定待判断图像与不同影响因素对应的低质量图像之间的相似度,包括:
通过所述孪生网络确定待判断图像与高质量图像之间的相似度;
根据待判断图像与高质量图像之间的相似度,判断所述待判断图像是否为低质量图像;
响应于所述待判断图像为低质量图像,通过所述孪生网络确定待判断图像与不同影响因素对应的低质量图像之间的相似度。
结合第一方面的第一种可实现方式,在第一方面的第四种可实现方式,所述相似度为余弦相似度、相关系数、欧式距离或曼哈顿距离。
结合第一方面的第一种可实现方式,在第一方面的第五种可实现方式,确定待判断图像与低质量图像之间的相似度,包括:
通过孪生网络确定待判断图像与低质量图像之间的相似度参数,该相似度参数为余弦相似度、相关系数、欧式距离、曼哈顿距离的任意组合;
结合不同的所述相似度参数确定待判断图像与低质量图像之间的相似度。
第二方面,提供了一种基于孪生网络的图像处理方法,其特征在于,包括:
采用如第一方面的第一至五种可实现方式中的任意一种图像质量判断方法,确定待处理图像对应的影响因素;
根据所述影响因素选取相应的处理方法对所述待处理图像进行处理。
第三方面,提供了一种基于孪生网络的机车检修质量评估方法,包括:
获取机车检修图像;
采用如第二方面所述的图像处理方法对机车检修图像进行处理;
通过处理后的机车检修图像评估机车检修质量。
第四方面,提供了一种基于孪生网络的图像质量判断系统,在第四方面的第一种可实现方式中,包括:
训练模块,配置为获取多份高质量图像和多份因不同影响因素造成的低质量图像构建起训练集,并通过所述训练集对孪生网络进行训练;
检测模块,配置为获取待判断图像,通过训练好的孪生网络确定待判断图像与不同影响因素对应的低质量图像之间的相似度;
判断模块,配置为通过待判断图像与不同影响因素对应的低质量图像之间的相似度,确定待判断图像对应的影响因素。
结合第四方面的第一种可实现方式,在第四方面的第二种可实现方式,所述训练模块包括:
样本扩展单元,配置为采用与各影响因素相对应的处理方法分别对每份高质量图像进行降质处理,分别得到与不同影响因素对应的低质量图像。
结合第四方面的第一种可实现方式,在第四方面的第三种可实现方式,所述检测模块包括:
初检单元,配置为通过所述孪生网络确定待判断图像与高质量图像之间的相似度;
复检单元,配置为根据待判断图像与高质量图像之间的相似度,判断所述待判断图像是否为低质量图像;
响应于所述待判断图像为低质量图像,通过所述孪生网络确定待判断图像与不同影响因素对应的低质量图像之间的相似度。
有益效果:采用本发明的基于孪生网络的图像质量判断、处理方法及系统,可以通过孪生网络计算机车检修图像与高质量图像之间的相似度,并通过相似度判断采集到的机车检修图像是否为低质量图像,并确定造成机车检修图像质量较低的影响因素,以便进行针对性处理。从而可以在确保检修作业过程质量评估准确度的同时,提高检修作业过程的评估效率。
附图说明
为了更清楚地说明本发明具体实施方式,下面将对具体实施方式中所需要使用的附图作简单地介绍。在所有附图中,各元件或部分并不一定按照实际的比例绘制。
图1为本发明一实施例提供的基于孪生网络的图像质量判断方法的流程图;
图2为本发明一实施例提供的基于孪生网络的图像处理方法的流程图;
图3为本发明一实施例提供的基于孪生网络的机车检修质量评估方法的流程图;
图4为本发明一实施例提供的基于孪生网络的图像质量判断系统的系统框图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案,因此只作为示例,而不能以此来限制本发明的保护范围。
实施例一
如图1所示的基于孪生网络的图像质量判断方法的流程图,该判断方法包括:
步骤1、获取多份高质量图像和多份因不同影响因素造成的低质量图像构建起训练集,并通过所述训练集对孪生网络进行训练;
步骤2、获取待判断图像,通过训练好的孪生网络确定待判断图像与不同影响因素对应的低质量图像之间的相似度;
步骤3、通过待判断图像与不同影响因素对应的低质量图像之间的相似度,确定待判断图像对应的影响因素。
具体而言,首先,可以获取多份高质量图像和多份因不同影响因素造成的低质量图像。可以从获取到的所有高质量图像随机抽取出两张高质量图像构建起正样本,并分别从所有高质量图像和所有低质量图像中随机抽取出一张图像构建起负样本,对每份负样本可以根据低质量图像对应的影响因素进行标定。通过构建起的所有正样本和负样本构建起所述训练集。
然后,可以通过所述训练集对构建起的孪生网络进行训练。该孪生网络可以选用Siamese CNN、Siamese ResNet或Siamese LSTM。在训练过程中,通过孪生网络可以计算得出样本中两张图像之间的相似度,并可以通过损失函数评估预测结果与真实结果之间的误差,根据误差值对孪生网络中的权重进行调整。在本实施例中,训练孪生网络可以选用对比损失函数或交叉熵损失函数。
之后,可以获取作为待判断图像的机车检修图像,并通过训练好的孪生网络比较待判断图像分别与作为基准图像的高质量图像、各种影响因素对应的低质量图像之间的相似度。最后,将待判断图像分别与高质量图像、不同影响因素对应的低质量图像之间的相似度进行比较,确定最大相似度值对应的图像。
如果最大相似度值对应的图像为高质量图像,则表明待判断图像为高质量图像。反之,如果最大相似度值对应的图像为低质量图像,则表明待判断图像为低质量图像,同时,可以根据低质量图像对应的影响因素确定造成待判断图像质量较低的原因,以便对低质量图像进行针对性处理,从而可以在确保检修作业过程质量评估准确度的同时,提高检修作业过程的评估效率。
在本实施例中,可选的,在构建训练集时,可以采用与各影响因素相对应的处理方法分别对每份高质量图像进行降质处理,从而分别得到与不同影响因素对应的低质量图像,以扩展训练集的样本数量。例如,可以基于高质量图像,采用现有的图像编辑软件生成可被视为曝光过度的低质量图像,还可以通过图像编辑软件生成具有混叠效果的低质量图像等。
在本实施例中,可选的,在步骤2中,确定待判断图像与不同影响因素对应的低质量图像之间的相似度,包括:
通过所述孪生网络确定待判断图像与高质量图像之间的相似度;
根据待判断图像与高质量图像之间的相似度,判断所述待判断图像是否为低质量图像;
响应于所述待判断图像为低质量图像,通过所述孪生网络确定待判断图像与不同影响因素对应的低质量图像之间的相似度。
具体而言,在确定待判断图像与不同影响因素对应的低质量图像之间的相似度之前,可以先通过训练好的孪生网络确定待判断图像与高质量图像之间的相似度。如果待判断图像与高质量图像之间的相似度值超过设定的阈值,则表明待判断图像即属于高质量图像,也就无需再通过孪生网络确定待判断图像与低质量图像之间的相似度,从而减少了数据计算量,提高了效率。
在本实施例中,可选的,所述相似度为余弦相似度、相关系数、欧式距离或曼哈顿距离。具体的,可以选用余弦相似度、相关系数、欧式距离和曼哈顿距离中的任意一种参数作为相似度。当选用欧氏距离或曼哈顿距离时,最小距离值代表着待判断图像与基准图像之间存在较高的相似度。当选用余弦相似度或相关系数时,最大相似度或相关系数代表着待判断图像与基准图像之间存在较高的相似度。
实施例二
实施例二与实施例一大致相同,其主要区别在于,在步骤2中,确定待判断图像与低质量图像之间的相似度,包括:
通过孪生网络确定待判断图像与低质量图像之间的相似度参数,该相似度参数为余弦相似度、相关系数、欧式距离、曼哈顿距离的任意组合;
结合不同的所述相似度参数确定待判断图像与低质量图像之间的相似度。
具体而言,不同的相似度参数分别具有不同的优点和缺点,单一地使用某种相似度参数评估待判断图像与低质量图像之间的相似度,得到的评估结果有可能会存在较大的误差。为提高评估结果的准确性,可以在对孪生网络进行训练时,分别基于余弦相似度、相关系数、欧式距离和曼哈顿距离等相似度参数,分别训练出相应的孪生网络。再分别通过至少两种不同相似度参数对应的孪生网络,确定待判断图像与低质量图像之间的相似度。最后,根据不同孪生网络对应的权重,结合不同孪生网络得到的相似度值综合评估待判断图像与低质量图像之间的相似度值。
如图2所示的基于孪生网络的图像处理方法的流程图,该图像处理方法包括:
步骤S1、采用上述的图像质量判断方法,确定待处理图像对应的影响因素;
步骤S2、根据所述影响因素选取相应的处理方法对所述待处理图像进行处理。
具体而言,首先,可以获取多份高质量图像和多份因不同影响因素造成的低质量图像,构建起由正样本和负样本组成的训练集。然后,可以通过所述训练集对构建起的孪生网络进行训练。之后,可以获取作为待处理图像的机车检修图像,并通过训练好的孪生网络比较待判断图像分别与作为基准图像的高质量图像、各种影响因素对应的低质量图像之间的相似度。最后,将待判断图像分别与高质量图像、不同影响因素对应的低质量图像之间的相似度进行比较,确定最大相似度值对应的图像。
如果最大相似度值对应的图像为高质量图像,则表明待判断图像为高质量图像。反之,如果最大相似度值对应的图像为低质量图像,则表明待判断图像为低质量图像,同时,可以根据低质量图像对应的影响因素确定造成待判断图像的原因,以便对低质量图像进行针对性处理,从而可以在确保检修作业过程质量评估准确度的同时,提高检修作业过程的评估效率。
如图3所示的基于孪生网络的机车检修质量评估方法的流程图,该评估方法包括:
步骤1)获取机车检修图像;
步骤2)采用上述的图像处理方法对机车检修图像进行处理;
步骤3)通过处理后的机车检修图像评估机车检修质量。
具体而言,首先,可以获取多份高质量图像和多份因不同影响因素造成的低质量图像,构建起由正样本和负样本组成的训练集。然后,可以通过所述训练集对构建起的孪生网络进行训练。之后,可以获取作为待处理图像的机车检修图像,并通过训练好的孪生网络比较待判断图像分别与作为基准图像的高质量图像、各种影响因素对应的低质量图像之间的相似度。之后,将待判断图像分别与高质量图像、不同影响因素对应的低质量图像之间的相似度进行比较,确定最大相似度值对应的图像。如果最大相似度值对应的图像为低质量图像,则表明待判断图像为低质量图像。
然后,可以根据低质量图像对应的影响因素确定造成待判断图像的原因,并对低质量图像进行针对性处理,将原来的低质量图像转换成高质量图像,例如,当低质量图像是因曝光过度造成的,则可以采用现有的图像处理方法将低质量图像的曝光度值调整到标准范围内,从而将原有的低质量图像转换成高质量图像。最后,可以采用现有的图像识别技术,通过根据处理后得到的高质量图像对检修后的机车设备进行评估,从而可以在确保检修作业过程质量评估准确度的同时,提高检修作业过程的评估效率。
如图4所示的基于孪生网络的图像质量判断系统的系统框图,该判断系统包括:
训练模块,配置为获取多份高质量图像和多份因不同影响因素造成的低质量图像构建起训练集,并通过所述训练集对孪生网络进行训练;
检测模块,配置为获取待判断图像,通过训练好的孪生网络确定待判断图像与不同影响因素对应的低质量图像之间的相似度;
判断模块,配置为通过待判断图像与不同影响因素对应的低质量图像之间的相似度,确定待判断图像对应的影响因素。
具体而言,判断系统是由训练模块、检测模块和判断模块组成。其中,训练模块可以获取多份高质量图像和多份因不同影响因素造成的低质量图像,构建起由正样本和负样本组成的训练集。并可以通过所述训练集对构建起的孪生网络进行训练。检测模块可以获取作为待处理图像的机车检修图像,并通过训练好的孪生网络比较待判断图像分别与作为基准图像的高质量图像、各种影响因素对应的低质量图像之间的相似度。
判断模块可以将待判断图像分别与高质量图像、不同影响因素对应的低质量图像之间的相似度进行比较,确定最大相似度值对应的图像。如果最大相似度值对应的图像为高质量图像,则表明待判断图像为高质量图像。反之,如果最大相似度值对应的图像为低质量图像,则表明待判断图像为低质量图像,同时,可以根据低质量图像对应的影响因素确定造成待判断图像的原因,以便对低质量图像进行针对性处理,从而可以在确保检修作业过程质量评估准确度的同时,提高检修作业过程的评估效率。
在本实施例中,可选的,所述训练模块包括:
样本扩展单元,配置为采用与各影响因素相对应的处理方法分别对每份高质量图像进行降质处理,分别得到与不同影响因素对应的低质量图像。
具体而言,训练模块包括样本扩展单元,该样本扩展单元可以采用与各影响因素相对应的处理方法分别对每份高质量图像进行降质处理,从而分别得到与不同影响因素对应的低质量图像,以扩展训练集的样本数量。例如,可以基于高质量图像,采用现有的图像编辑软件生成可被视为曝光过度的低质量图像,还可以通过图像编辑软件生成具有混叠效果的低质量图像等。
在本实施例中,可选的,所述检测模块包括:
初检单元,配置为通过所述孪生网络确定待判断图像与高质量图像之间的相似度;
复检单元,配置为根据待判断图像与高质量图像之间的相似度,判断所述待判断图像是否为低质量图像;
响应于所述待判断图像为低质量图像,通过所述孪生网络确定待判断图像与不同影响因素对应的低质量图像之间的相似度。
具体而言,检测模块是由初检单元和复检单元组成。其中,初检单元可以在复检单元确定待判断图像与不同影响因素对应的低质量图像之间的相似度之前,先通过训练好的孪生网络确定待判断图像与高质量图像之间的相似度。复检单元可以判断待判断图像与高质量图像之间的相似度值是否超过设定的阈值。如果超过则表明待判断图像即属于高质量图像,复检模块也就无需再通过孪生网络确定待判断图像与低质量图像之间的相似度,从而减少了数据计算量,提高了效率。如果没超过,复检单元即可通过孪生网络评估待判断图像与不同影响因素对应的低质量图像之间的相似度。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种基于孪生网络的图像质量判断方法,其特征在于,包括:
获取多份高质量图像和多份因不同影响因素造成的低质量图像构建起训练集,并通过所述训练集对孪生网络进行训练;
获取待判断图像,通过训练好的孪生网络确定待判断图像与不同影响因素对应的低质量图像之间的相似度;
通过待判断图像与不同影响因素对应的低质量图像之间的相似度,确定待判断图像对应的影响因素。
2.根据权利要求1所述的基于孪生网络的图像质量判断方法,其特征在于,构建训练集包括:
采用与各影响因素相对应的处理方法分别对每份高质量图像进行降质处理,分别得到与不同影响因素对应的低质量图像。
3.根据权利要求1所述的基于孪生网络的图像质量判断方法,其特征在于,确定待判断图像与不同影响因素对应的低质量图像之间的相似度,包括:
通过所述孪生网络确定待判断图像与高质量图像之间的相似度;
根据待判断图像与高质量图像之间的相似度,判断所述待判断图像是否为低质量图像;
响应于所述待判断图像为低质量图像,通过所述孪生网络确定待判断图像与不同影响因素对应的低质量图像之间的相似度。
4.根据权利要求1所述的基于孪生网络的图像质量判断方法,其特征在于,所述相似度为余弦相似度、相关系数、欧式距离或曼哈顿距离。
5.根据权利要求1所述的基于孪生网络的图像质量判断方法,其特征在于,确定待判断图像与低质量图像之间的相似度,包括:
通过孪生网络确定待判断图像与低质量图像之间的相似度参数,该相似度参数为余弦相似度、相关系数、欧式距离、曼哈顿距离的任意组合;
结合不同的所述相似度参数确定待判断图像与低质量图像之间的相似度。
6.一种基于孪生网络的图像处理方法,其特征在于,包括:
采用如权利要求1-5任一所述的图像质量判断方法,确定待处理图像对应的影响因素;
根据所述影响因素选取相应的处理方法对所述待处理图像进行处理。
7.一种基于孪生网络的机车检修质量评估方法,其特征在于,包括:
获取机车检修图像;
采用如权利要求6所述的图像处理方法对机车检修图像进行处理;
通过处理后的机车检修图像评估机车检修质量。
8.一种基于孪生网络的图像质量判断系统,其特征在于,包括:
训练模块,配置为获取多份高质量图像和多份因不同影响因素造成的低质量图像构建起训练集,并通过所述训练集对孪生网络进行训练;
检测模块,配置为获取待判断图像,通过训练好的孪生网络确定待判断图像与不同影响因素对应的低质量图像之间的相似度;
判断模块,配置为通过待判断图像与不同影响因素对应的低质量图像之间的相似度,确定待判断图像对应的影响因素。
9.根据权利要求8所述的基于孪生网络的图像质量判断系统,其特征在于,所述训练模块包括:
样本扩展单元,配置为采用与各影响因素相对应的处理方法分别对每份高质量图像进行降质处理,分别得到与不同影响因素对应的低质量图像。
10.根据权利要求8所述的基于孪生网络的图像质量判断系统,其特征在于,所述检测模块包括:
初检单元,配置为通过所述孪生网络确定待判断图像与高质量图像之间的相似度;
复检单元,配置为根据待判断图像与高质量图像之间的相似度,判断所述待判断图像是否为低质量图像;
响应于所述待判断图像为低质量图像,通过所述孪生网络确定待判断图像与不同影响因素对应的低质量图像之间的相似度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311361444.3A CN117455852A (zh) | 2023-10-19 | 2023-10-19 | 基于孪生网络的图像质量判断、处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311361444.3A CN117455852A (zh) | 2023-10-19 | 2023-10-19 | 基于孪生网络的图像质量判断、处理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117455852A true CN117455852A (zh) | 2024-01-26 |
Family
ID=89582715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311361444.3A Pending CN117455852A (zh) | 2023-10-19 | 2023-10-19 | 基于孪生网络的图像质量判断、处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117455852A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765407A (zh) * | 2018-05-31 | 2018-11-06 | 上海依图网络科技有限公司 | 一种人像图片质量判定方法及装置 |
CN110222792A (zh) * | 2019-06-20 | 2019-09-10 | 杭州电子科技大学 | 一种基于孪生网络的标签缺陷检测算法 |
CN111445459A (zh) * | 2020-03-27 | 2020-07-24 | 广东工业大学 | 一种基于深度孪生网络的图像缺陷检测方法及系统 |
CN113191495A (zh) * | 2021-03-26 | 2021-07-30 | 网易(杭州)网络有限公司 | 超分模型的训练及人脸识别方法、装置、介质及电子设备 |
CN114926445A (zh) * | 2022-05-31 | 2022-08-19 | 哈尔滨工业大学 | 一种基于孪生网络的小样本农作物病害图像识别方法及系统 |
-
2023
- 2023-10-19 CN CN202311361444.3A patent/CN117455852A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765407A (zh) * | 2018-05-31 | 2018-11-06 | 上海依图网络科技有限公司 | 一种人像图片质量判定方法及装置 |
CN110222792A (zh) * | 2019-06-20 | 2019-09-10 | 杭州电子科技大学 | 一种基于孪生网络的标签缺陷检测算法 |
CN111445459A (zh) * | 2020-03-27 | 2020-07-24 | 广东工业大学 | 一种基于深度孪生网络的图像缺陷检测方法及系统 |
CN113191495A (zh) * | 2021-03-26 | 2021-07-30 | 网易(杭州)网络有限公司 | 超分模型的训练及人脸识别方法、装置、介质及电子设备 |
CN114926445A (zh) * | 2022-05-31 | 2022-08-19 | 哈尔滨工业大学 | 一种基于孪生网络的小样本农作物病害图像识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111967571A (zh) | 一种基于mhma的异常检测方法和设备 | |
CN109139390B (zh) | 一种基于声信号特征库的风机桨叶故障识别方法 | |
CN110794254B (zh) | 一种基于强化学习的配电网故障预测方法及系统 | |
CN114782410A (zh) | 一种基于轻量化模型的绝缘子缺陷检测方法及其系统 | |
CN114255784A (zh) | 一种基于声纹识别的变电站设备故障诊断方法及相关装置 | |
CN114778684A (zh) | 一种基于服役场景的钢管性能评估方法及系统 | |
CN111237646B (zh) | 一种供水管网漏损的自动识别和定位方法 | |
CN116308300A (zh) | 一种电力设备状态监测评价与指挥方法及系统 | |
CN112614109A (zh) | 图像质量评估方法、装置以及计算机可读存储介质 | |
CN117351271A (zh) | 高压配电线路监控设备故障监测方法、系统及其存储介质 | |
CN117349711A (zh) | 一种铁路机车零部件电子标签数据处理方法及系统 | |
CN116778520B (zh) | 一种海量证照数据质量检验方法 | |
CN117455852A (zh) | 基于孪生网络的图像质量判断、处理方法及系统 | |
CN116566845B (zh) | 一种网络预警方法及计算机存储介质 | |
CN117039714A (zh) | 一种输电线路巡检方法、装置、存储介质及电子设备 | |
KR102525491B1 (ko) | 구조물 손상검출 보고서 제공 방법 | |
CN111065106A (zh) | 移动通信网络中基于异常检测和核密度估计(kde)的指标突变小区检测方法 | |
CN115913349A (zh) | 光缆设备异常定位方法及装置、存储介质、终端 | |
CN110532512B (zh) | 基于大数据分析的设备失效模式诊断特征参量分析方法 | |
CN118037721B (zh) | 光缆线束缺陷的检测方法及系统 | |
CN118096747B (zh) | 基于深度学习的pcba板自动检测方法及系统 | |
CN115578359B (zh) | 一种基于生成对抗网络与无缺陷图像度量的少样本缺陷检测方法、系统、装置以及存储介质 | |
KR101967629B1 (ko) | 원자력 발전설비 예측진단용 신호데이터 처리장치 | |
CN117452148B (zh) | 一种环网柜的智能监控方法 | |
KR101967637B1 (ko) | 증강현실을 활용한 원자력 발전설비 예측진단용 신호데이터 처리장치 |
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 |