CN117474029A - 基于区块链的ai偏振增强图码波频采集成像识别方法 - Google Patents
基于区块链的ai偏振增强图码波频采集成像识别方法 Download PDFInfo
- Publication number
- CN117474029A CN117474029A CN202311827597.2A CN202311827597A CN117474029A CN 117474029 A CN117474029 A CN 117474029A CN 202311827597 A CN202311827597 A CN 202311827597A CN 117474029 A CN117474029 A CN 117474029A
- Authority
- CN
- China
- Prior art keywords
- code
- micro
- polarization
- point code
- wave frequency
- 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
- 230000010287 polarization Effects 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000003384 imaging method Methods 0.000 title claims abstract description 37
- 238000001228 spectrum Methods 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 230000003595 spectral effect Effects 0.000 claims description 23
- 238000010586 diagram Methods 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003333 near-infrared imaging Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
- G06K7/1404—Methods for optical code recognition
- G06K7/1408—Methods for optical code recognition the method being specifically adapted for the type of code
- G06K7/1417—2D bar codes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
- G06K7/1404—Methods for optical code recognition
- G06K7/1439—Methods for optical code recognition including a method step for retrieval of the optical code
- G06K7/1443—Methods for optical code recognition including a method step for retrieval of the optical code locating of the code in an image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
- G06K7/1404—Methods for optical code recognition
- G06K7/1439—Methods for optical code recognition including a method step for retrieval of the optical code
- G06K7/1452—Methods for optical code recognition including a method step for retrieval of the optical code detecting bar code edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
- G06K7/1404—Methods for optical code recognition
- G06K7/146—Methods for optical code recognition the method including quality enhancement steps
- G06K7/1482—Methods for optical code recognition the method including quality enhancement steps using fuzzy logic or natural solvers, such as neural networks, genetic algorithms and simulated annealing
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Electromagnetism (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Automation & Control Theory (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Fuzzy Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于区块链的AI偏振增强图码波频采集成像识别方法,涉及成像识别技术领域,该方法的步骤包括:采集低能见度微点码偏振图像变化数据集;当用户需要识别微点码时,采集当下微点码彩色图像,调取微点码偏振图像变化数据集中当下空气湿度的偏振特征写入当下微点码彩色图像中,得到第一微点码彩色图像;剔除二维码区域,得到第二微点码彩色图像;提取第二微点码彩色图像每个码块灰度级别;结合光谱波频组合特征值和每个码块灰度级别得到微点码图码波频;通过图像深度学习算法判断微点码真伪。本发明解决了低能见度无法准确识别获知远距离微点码的问题,节约了深度学习算法的计算时间,提高了计算精度。
Description
技术领域
本发明涉及成像识别技术领域,具体为基于区块链的AI偏振增强图码波频采集成像识别方法。
背景技术
偏振成像是一种高级成像技术,可以提供有关物体表面的详细信息,它在生物医学图像、材料检测和遥感领域有广泛应用,结合人工智能算法,可以实现更准确的目标检测和识别;
波频采集成像结合了波谱和频谱信息,可以提供更丰富的数据。这对于材料分析、环境监测和医学影像具有重要意义。然而,波频数据的处理和分析需要先进的算法和计算资源,计算量较为庞大;
深度学习技术在图像识别领域取得了重大突破。卷积神经网络(CNN)等深度学习模型在物体检测和分类方面表现出色。将这些技术与偏振成像和波频数据相结合,可以实现更高级的目标识别。
例如,现有的申请公开号为CN113891021A的中国专利公开了一种偏振调控增强成像信噪比的近红外成像系统,利用变倍组和补偿组的位置移动实现像面位置始终不变,保证了最终成像的清晰稳定,能够适应更宽波长范围的被摄物体的成像检测需求,系统配合AI图像处理,通过电路反馈能够实现自动聚焦与自动调整偏振方向,易于操作。但这种设计没有考虑到波段量较大导致的计算效率和精度无法保证的问题,为此,本发明提供一种基于区块链的AI偏振增强图码波频采集成像识别方法。
发明内容
本发明的目的在于提供一种基于区块链的AI偏振增强图码波频采集成像识别方法,以解决上述背景技术中提出的现有的问题。
为实现上述目的,本发明提供如下技术方案:基于区块链的AI偏振增强图码波频采集成像识别方法,包括以下步骤:
S1、采集低能见度不同空气湿度条件下的标准微点码彩色图像偏振特征集合录入微点码偏振图像变化数据集;
S2、当用户需要识别微点码时,采集当下微点码彩色图像,识别当下空气湿度,调取所述微点码偏振图像变化数据集中当下空气湿度的偏振特征,将所述偏振特征写入所述当下微点码彩色图像中,得到第一微点码彩色图像;
S3、定位所述第一微点码彩色图像中二维码区域,剔除所述二维码区域,得到第二微点码彩色图像;
S4、将所述第二微点码彩色图像进行灰度化处理,提取每个码块灰度级别;
S5、提取每个码块反射光谱特性,选取光谱波频组合特征值,结合所述每个码块灰度级别得到码块图码值,组合所有所述码块图码值得到微点码图码波频;
S6、将所述微点码图码波频映射在第二微点码彩色图像,通过图像深度学习算法判断微点码真伪。
本发明进一步改进在于,所述微点码偏振图像变化数据集包括高湿度偏振特征集合和低湿度偏振特征集合,通过湿度传感器获取空气湿度,设置空气湿度阈值,当/>时,采集当前微点码图像偏振特征录入第一偏振特征集合,当/>时,采集当前微点码图像偏振特征录入第二偏振特征集合/>,/>表示码块数量。
本发明进一步改进在于,所述微点码图像偏振特征通过计算每个码块偏振度得到,设定斯托克斯参数、/>、/>、/>,/>、/>、、/>表示光通过方向角度分别为/>、/>、/>、/>的偏振片强度,则所述偏振度。
本发明进一步改进在于,所述S3的具体步骤包括:
S31、通过边缘检测算法提取所述第一微点码彩色图像中的轮廓特征;
S32、利用QRCodeDetector函数查找所述第一微点码彩色图像中QR码候选区域,在所述QR码候选区域中查找前景轮廓特征的连续边界,遍历所述QR码候选区域的每个连续边界,从第一个边界开始,追踪检查候选区域连续边界的形状和纵横比,提取候选区域纵横比为1的候选区域,获得QR码区域;
S33、定位所述QR码区域位置,计算QR码区域大小/>,在位置/>处创建大小为/>的遮罩图像,将所述遮罩图像应用在所述第一微点码彩色图像中,设置遮罩内区域透明度为百分之百,得到所述第二微点码彩色图像。
本发明进一步改进在于,所述每个码块灰度级别通过将所述第二微点码彩色图像转化为灰度图像得到,每个码块在灰度图像中表示为一个灰度级别,提取每个码块的灰度值为微点码灰度级别序列,其中,/>表示第/>个码块的灰度级别,表示码块数量。
本发明进一步改进在于,所述码块图码值的计算公式为:,其中,/>,/>表示微点码灰度级别的权重,/>表示最佳光谱组合值/>的权重,所述最佳光谱组合值/>的计算采用光谱最佳组合策略。
本发明进一步改进在于,所述光谱最佳组合策略通过计算光谱波频组合特征值所有组合与所述微点码灰度级别序列相关系数/>来计算最佳光谱组合值/>,提取中红外波段的光谱反射率数据集/>,/>表示中红外波段数量,提取长波红外波段的光谱反射率数据集/>,/>表示长波红外波段数量,/>表示第/>个中红外波段的光谱反射率,/>表示第/>个长波红外波段的光谱反射率,所述光谱波频组合特征值/>的计算公式为/>,得到/>组合数据集/>,其中,/>表示/>的所有组合数量,则相关系数,其中/>,提取相关系数/>的最大值中/>的波段组合/>和/>,则/>,当/>时,/>取值为0。
本发明进一步改进在于,所述微点码图码波频的获取通过将所有码块依据每一行的码块图码值视为一个波形,得到波形集合,/>表示第/>行码块的波形,表示码块的行数,将波形集合依照顺序进行拼接,得到微点码图码波频。
本发明进一步改进在于,所述判断微点码真伪通过YOLOv4算法学习微点码图码波频与标准微点码彩色图像偏振特征集合之间的关系来判断。
一种电子设备,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,执行上述任一项所述的基于区块链的AI偏振增强图码波频采集成像识别方法。
一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行上述任意一项所述的基于区块链的AI偏振增强图码波频采集成像识别方法。
与现有技术相比,本发明的有益效果是:
1、本发明首先通过采集低能见度不同空气湿度条件下的标准微点码彩色图像偏振特征集合录入微点码偏振图像变化数据集,结合光谱波频组合特征值和每个码块灰度级别得到微点码图码波频,通过图像深度学习算法判断微点码真伪;解决了低能见度无法准确识别获知远距离微点码的问题;
2、通过采集图像光谱信息,引入每个码块反射光谱特性,通过光谱最佳组合策略,计算最佳光谱波频组合特征值,反射光谱特性的引入帮助成像识别方法理解图像中的码块信息,光谱最佳组合策略节约了深度学习算法的计算时间,提高了计算精度。
附图说明
图1为本发明基于区块链的AI偏振增强图码波频采集成像识别方法示意图;
图2为本发明基于区块链的AI偏振增强图码波频采集成像识别方法流程图;
图3展示了本发明基于区块链的AI偏振增强图码波频采集成像识别方法的设备示意图;
图4展示了本发明一种存储介质示意图。
具体实施方式
下面通过附图以及具体实施例对本发明技术方案做详细地说明,应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明,而不是对本发明技术方案的限定,在不冲突的情况下,本发明实施例以及实施例中的技术特征可以相互组合。
术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,字符"/",一般表示前后关联对象是一种“或”的关系。
实施例1
图1和图2分别展示了本实施例公开的基于区块链的AI偏振增强图码波频采集成像识别方法,所述方法的步骤如下:
S1、采集低能见度不同空气湿度条件下的标准微点码彩色图像偏振特征集合录入微点码偏振图像变化数据集;
S2、当用户需要识别微点码时,采集当下微点码彩色图像,识别当下空气湿度,调取所述微点码偏振图像变化数据集中当下空气湿度的偏振特征,将所述偏振特征写入所述当下微点码彩色图像中,得到第一微点码彩色图像;
在本实施例中,所述微点码偏振图像变化数据集包括高湿度偏振特征集合和低湿度偏振特征集合,通过湿度传感器获取空气湿度,设置空气湿度阈值/>,当时,采集当前微点码图像偏振特征录入第一偏振特征集合,当/>时,采集当前微点码图像偏振特征录入第二偏振特征集合/>,/>表示码块数量,其中湿度阈值由本领域技术人员根据具体应用需求及设备情况确定。
在本实施例中,所述微点码图像偏振特征通过计算每个码块偏振度得到,设定斯托克斯参数、/>、/>、/>,/>、/>、/>、/>表示光通过方向角度分别为/>、/>、/>、/>的偏振片强度,则所述偏振度。
S3、微点码中通常带有二维码嵌入其中,因此在采集图码波频时应先剔除二维码所在区域,定位所述第一微点码彩色图像中二维码区域,剔除所述二维码区域,得到第二微点码彩色图像,具体步骤包括:
S31、通过边缘检测算法提取所述第一微点码彩色图像中的轮廓特征;
S32、OpenCV提供了一个名为cv2.QRCodeDetector()的类,用于检测QR码,它会在图像中搜索QR码的轮廓,然后尝试解码它,因此利用QRCodeDetector函数查找所述第一微点码彩色图像中QR码候选区域,在所述QR码候选区域中查找前景轮廓特征的连续边界,遍历所述QR码候选区域的每个连续边界,从第一个边界开始,追踪检查候选区域连续边界的形状和纵横比,提取候选区域纵横比为1的候选区域,获得QR码区域;
S33、定位所述QR码区域位置,计算QR码区域大小/>,在位置/>处创建大小为/>的遮罩图像,将所述遮罩图像应用在所述第一微点码彩色图像中,设置遮罩内区域透明度为百分之百,得到所述第二微点码彩色图像。
S4、将所述第二微点码彩色图像进行灰度化处理,提取每个码块灰度级别;
在本实施例中,所述每个码块灰度级别通过将所述第二微点码彩色图像转化为灰度图像得到,每个码块在灰度图像中表示为一个灰度级别,提取每个码块的灰度值为微点码灰度级别序列,其中,/>表示第/>个码块的灰度级别,/>表示码块数量。
S5、提取每个码块反射光谱特性,选取光谱波频组合特征值,结合所述每个码块灰度级别得到码块图码值,组合所有所述码块图码值得到微点码图码波频;
由于光谱信息中中红外波段和长波红外波段都包含大量的反射率信息,光谱组合方式也多达数千种,为了选取最佳组合方式,采用光谱最佳组合策略,光谱最佳组合策略通过计算光谱波频组合特征值所有组合与所述微点码灰度级别序列相关系数/>来计算最佳光谱组合值/>,提取中红外波段的光谱反射率数据集,/>表示中红外波段数量,提取长波红外波段的光谱反射率数据集/>,/>表示长波红外波段数量,/>表示第个中红外波段的光谱反射率,/>表示第/>个长波红外波段的光谱反射率,所述光谱波频组合特征值/>的计算公式为/>,得到/>组合数据集,其中,/>表示/>的所有组合数量,则相关系数,其中/>,提取相关系数/>的最大值中/>的波段组合/>和/>,则/>,当时,/>取值为0。
在本实施例中,所述码块图码值的计算公式为:,其中,/>,/>表示微点码灰度级别的权重,表示最佳光谱组合值/>的权重,其中/>和/>由本领域技术人员根据具体应用需求确定,所述最佳光谱组合值/>的计算采用光谱最佳组合策略,所述微点码图码波频的获取通过将所有码块依据每一行的码块图码值视为一个波形,得到波形集合,/>表示第/>行码块的波形,/>表示码块的行数,将波形集合依照顺序进行拼接,得到微点码图码波频。
S6、将所述微点码图码波频映射在第二微点码彩色图像,通过图像深度学习算法判断微点码真伪,所述判断微点码真伪通过YOLOv4算法学习微点码图码波频与标准微点码彩色图像偏振特征集合之间的关系来判断,引入PANet(Path Aggregation Network)模块,用于跨微点码图码波频与标准微点码彩色图像偏振特征集合的信息聚合,以提高检测性能,采用CutMix和Mosaic,以增加数据多样性,并采用MixUp来减小过拟合风险。
实施例2
图3展示了本发明的设备示意图,本实施例提供一种电子设备,包括:处理器和存储器,其中,存储器中存储有可供处理器调用的计算机程序;
处理器通过调用存储器中存储的计算机程序,执行上述的基于区块链的AI偏振增强图码波频采集成像识别方法。
该电子设备可因配置或性能不同而产生比较大的差异,能够包括一个或一个以上的处理器(Central Processing Units,CPU)和一个或一个以上的存储器,其中,该存储器中存储有至少一条计算机程序,该计算机程序由该处理器加载并执行以实现上述方法实施例提供的基于区块链的AI偏振增强图码波频采集成像识别方法。该电子设备还能够包括其他用于实现设备功能的部件,例如,该电子设备还能够具有有线或无线网络接口以及输入输出接口等部件,以便进行数据的输入输出。本实施例在此不做赘述。
实施例3
图4展示了本发明一种存储介质示意图,本实施例提出一种计算机可读存储介质,其上存储有可擦写的计算机程序;
当计算机程序在计算机设备上运行时,使得计算机设备执行上述的基于区块链的AI偏振增强图码波频采集成像识别方法。
例如,计算机可读存储介质能够是只读存储器(Read-Only Memory,简称:ROM)、随机存取存储器(Random Access Memory,简称:RAM)、只读光盘(Compact Disc Read-OnlyMemory,简称:CD-ROM)、磁带、软盘和光数据存储设备等。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (11)
1.基于区块链的AI偏振增强图码波频采集成像识别方法,其特征在于:包括以下步骤:
S1、采集低能见度不同空气湿度条件下的标准微点码彩色图像偏振特征集合录入微点码偏振图像变化数据集;
S2、当用户需要识别微点码时,采集当下微点码彩色图像,识别当下空气湿度,调取所述微点码偏振图像变化数据集中当下空气湿度的偏振特征,将所述偏振特征写入所述当下微点码彩色图像中,得到第一微点码彩色图像;
S3、定位所述第一微点码彩色图像中二维码区域,剔除所述二维码区域,得到第二微点码彩色图像;
S4、将所述第二微点码彩色图像进行灰度化处理,提取每个码块灰度级别;
S5、提取每个码块反射光谱特性,选取光谱波频组合特征值,结合所述每个码块灰度级别得到码块图码值,组合所有所述码块图码值得到微点码图码波频;
S6、将所述微点码图码波频映射在第二微点码彩色图像,通过图像深度学习算法判断微点码真伪。
2.根据权利要求1所述的基于区块链的AI偏振增强图码波频采集成像识别方法,其特征在于:所述微点码偏振图像变化数据集包括高湿度偏振特征集合和低湿度偏振特征集合,通过湿度传感器获取空气湿度,设置空气湿度阈值/>,当/>时,采集当前微点码图像偏振特征录入第一偏振特征集合,当/>时,采集当前微点码图像偏振特征录入第二偏振特征集合/>,/>表示码块数量。
3.根据权利要求2所述的基于区块链的AI偏振增强图码波频采集成像识别方法,其特征在于:所述微点码图像偏振特征通过计算每个码块偏振度得到,设定斯托克斯参数、/>、/>、/>,/>、/>、/>、/>表示光通过方向角度分别为/>、/>、/>、/>的偏振片强度,则所述偏振度/>。
4.根据权利要求3所述的基于区块链的AI偏振增强图码波频采集成像识别方法,其特征在于:所述S3的具体步骤包括:
S31、通过边缘检测算法提取所述第一微点码彩色图像中的轮廓特征;
S32、利用QRCodeDetector函数查找所述第一微点码彩色图像中QR码候选区域,在所述QR码候选区域中查找前景轮廓特征的连续边界,遍历所述QR码候选区域的每个连续边界,从第一个边界开始,追踪检查候选区域连续边界的形状和纵横比,提取候选区域纵横比为1的候选区域,获得QR码区域;
S33、定位所述QR码区域位置,计算QR码区域大小/>,在位置/>处创建大小为/>的遮罩图像,将所述遮罩图像应用在所述第一微点码彩色图像中,设置遮罩内区域透明度为百分之百,得到所述第二微点码彩色图像。
5.根据权利要求4所述的基于区块链的AI偏振增强图码波频采集成像识别方法,其特征在于:所述每个码块灰度级别通过将所述第二微点码彩色图像转化为灰度图像得到,每个码块在灰度图像中表示为一个灰度级别,提取每个码块的灰度值为微点码灰度级别序列,其中,/>表示第/>个码块的灰度级别,/>表示码块数量。
6.根据权利要求5所述的基于区块链的AI偏振增强图码波频采集成像识别方法,其特征在于:所述码块图码值的计算公式为:/>,其中,,/>表示微点码灰度级别的权重,/>表示最佳光谱组合值/>的权重,所述最佳光谱组合值/>的计算采用光谱最佳组合策略。
7.根据权利要求6所述的基于区块链的AI偏振增强图码波频采集成像识别方法,其特征在于:所述光谱最佳组合策略通过计算光谱波频组合特征值所有组合与所述微点码灰度级别序列相关系数/>来计算最佳光谱组合值/>,提取中红外波段的光谱反射率数据集/>,/>表示中红外波段数量,提取长波红外波段的光谱反射率数据集/>,/>表示长波红外波段数量,/>表示第/>个中红外波段的光谱反射率,/>表示第/>个长波红外波段的光谱反射率,所述光谱波频组合特征值/>的计算公式为/>,得到/>组合数据集,其中,/>表示/>的所有组合数量,则相关系数,其中/>,提取相关系数/>的最大值中/>的波段组合/>和/>,则,当/>时,/>取值为0。
8.根据权利要求7所述的基于区块链的AI偏振增强图码波频采集成像识别方法,其特征在于:所述微点码图码波频的获取通过将所有码块依据每一行的码块图码值视为一个波形,得到波形集合,/>表示第/>行码块的波形,/>表示码块的行数,将波形集合依照顺序进行拼接,得到微点码图码波频。
9.根据权利要求8所述的基于区块链的AI偏振增强图码波频采集成像识别方法,其特征在于:所述判断微点码真伪通过YOLOv4算法学习微点码图码波频与标准微点码彩色图像偏振特征集合之间的关系来判断。
10.一种电子设备,其特征在于,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,执行权利要求1-9任一项所述的基于区块链的AI偏振增强图码波频采集成像识别方法。
11.一种计算机可读存储介质,其特征在于:储存有指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1-9任意一项所述的基于区块链的AI偏振增强图码波频采集成像识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311827597.2A CN117474029B (zh) | 2023-12-28 | 2023-12-28 | 基于区块链的ai偏振增强图码波频采集成像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311827597.2A CN117474029B (zh) | 2023-12-28 | 2023-12-28 | 基于区块链的ai偏振增强图码波频采集成像识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117474029A true CN117474029A (zh) | 2024-01-30 |
CN117474029B CN117474029B (zh) | 2024-03-22 |
Family
ID=89629719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311827597.2A Active CN117474029B (zh) | 2023-12-28 | 2023-12-28 | 基于区块链的ai偏振增强图码波频采集成像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117474029B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117831135A (zh) * | 2024-03-04 | 2024-04-05 | 陕西一览科技有限公司 | 一种基于图像处理的人迹检测方法 |
CN117831135B (zh) * | 2024-03-04 | 2024-05-10 | 陕西一览科技有限公司 | 一种基于图像处理的人迹检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130335784A1 (en) * | 2012-06-19 | 2013-12-19 | Andrew F. Kurtz | Spectral edge marking for steganography or watermarking |
US20170111530A1 (en) * | 2015-10-19 | 2017-04-20 | Xerox Corporation | Methods and systems facilitating generation of digital representations of objects |
US20180047196A1 (en) * | 2016-08-11 | 2018-02-15 | Integem Inc. | Intelligent augmented reality (iar) platform-based communication system |
CN110458208A (zh) * | 2019-07-24 | 2019-11-15 | 哈尔滨工业大学 | 基于信息测度的高光谱图像分类方法 |
CN115293311A (zh) * | 2022-10-08 | 2022-11-04 | 北京微点科学技术有限公司 | 基于微点码的彩色水印防伪方法和装置 |
CN116989892A (zh) * | 2022-04-24 | 2023-11-03 | 中国科学院沈阳自动化研究所 | 一种便携式多光谱视频图像记录与分析处理系统及方法 |
CN117268544A (zh) * | 2023-10-31 | 2023-12-22 | 中国科学院长春光学精密机械与物理研究所 | 一种双目立体偏振干涉成像光谱仪 |
-
2023
- 2023-12-28 CN CN202311827597.2A patent/CN117474029B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130335784A1 (en) * | 2012-06-19 | 2013-12-19 | Andrew F. Kurtz | Spectral edge marking for steganography or watermarking |
US20170111530A1 (en) * | 2015-10-19 | 2017-04-20 | Xerox Corporation | Methods and systems facilitating generation of digital representations of objects |
US20180047196A1 (en) * | 2016-08-11 | 2018-02-15 | Integem Inc. | Intelligent augmented reality (iar) platform-based communication system |
CN110458208A (zh) * | 2019-07-24 | 2019-11-15 | 哈尔滨工业大学 | 基于信息测度的高光谱图像分类方法 |
CN116989892A (zh) * | 2022-04-24 | 2023-11-03 | 中国科学院沈阳自动化研究所 | 一种便携式多光谱视频图像记录与分析处理系统及方法 |
CN115293311A (zh) * | 2022-10-08 | 2022-11-04 | 北京微点科学技术有限公司 | 基于微点码的彩色水印防伪方法和装置 |
CN117268544A (zh) * | 2023-10-31 | 2023-12-22 | 中国科学院长春光学精密机械与物理研究所 | 一种双目立体偏振干涉成像光谱仪 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117831135A (zh) * | 2024-03-04 | 2024-04-05 | 陕西一览科技有限公司 | 一种基于图像处理的人迹检测方法 |
CN117831135B (zh) * | 2024-03-04 | 2024-05-10 | 陕西一览科技有限公司 | 一种基于图像处理的人迹检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117474029B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108549873B (zh) | 三维人脸识别方法和三维人脸识别系统 | |
Li et al. | SAR image change detection using PCANet guided by saliency detection | |
Han et al. | A novel computer vision-based approach to automatic detection and severity assessment of crop diseases | |
CN108447080B (zh) | 基于分层数据关联和卷积神经网络的目标跟踪方法、系统和存储介质 | |
US8401292B2 (en) | Identifying high saliency regions in digital images | |
CN109165538B (zh) | 基于深度神经网络的条形码检测方法及装置 | |
CN109785366B (zh) | 一种针对遮挡的相关滤波目标跟踪方法 | |
CN109711366B (zh) | 一种基于群组信息损失函数的行人重识别方法 | |
CN104200495A (zh) | 一种视频监控中的多目标跟踪方法 | |
CN110033040B (zh) | 一种火焰识别方法、系统、介质和设备 | |
CN112598713A (zh) | 一种基于深度学习的近岸海底鱼类检测、跟踪统计方法 | |
Zhu et al. | SAR target classification based on radar image luminance analysis by deep learning | |
CN110569782A (zh) | 一种基于深度学习目标检测方法 | |
CN107944403B (zh) | 一种图像中的行人属性检测方法及装置 | |
Wang et al. | Recognition and localization of occluded apples using K-means clustering algorithm and convex hull theory: a comparison | |
CN109117746A (zh) | 手部检测方法及机器可读存储介质 | |
CN112784712B (zh) | 一种基于实时监控的失踪儿童预警实现方法、装置 | |
CN105512622A (zh) | 一种基于图分割和监督学习的可见光遥感图像海陆分割方法 | |
CN111640138A (zh) | 一种目标跟踪方法、装置、设备及存储介质 | |
Song et al. | Feature extraction and target recognition of moving image sequences | |
Pramunendar et al. | A Robust Image Enhancement Techniques for Underwater Fish Classification in Marine Environment. | |
CN110458019B (zh) | 稀缺认知样本条件下的排除倒影干扰的水面目标检测方法 | |
CN110766657A (zh) | 一种激光干扰图像质量评价方法 | |
CN117474029B (zh) | 基于区块链的ai偏振增强图码波频采集成像识别方法 | |
Zhou et al. | A fusion algorithm of object detection and tracking for unmanned surface vehicles |
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 |