CN117523299A - 一种基于计算机网络图像识别方法、系统和存储介质 - Google Patents

一种基于计算机网络图像识别方法、系统和存储介质 Download PDF

Info

Publication number
CN117523299A
CN117523299A CN202311554734.XA CN202311554734A CN117523299A CN 117523299 A CN117523299 A CN 117523299A CN 202311554734 A CN202311554734 A CN 202311554734A CN 117523299 A CN117523299 A CN 117523299A
Authority
CN
China
Prior art keywords
computer network
timeliness
image recognition
recognition system
identification
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
Application number
CN202311554734.XA
Other languages
English (en)
Inventor
冯辉
杨银娣
陆铁文
林伟
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.)
Jiangsu Vocational College of Finance and Economics
Original Assignee
Jiangsu Vocational College of Finance and Economics
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 Jiangsu Vocational College of Finance and Economics filed Critical Jiangsu Vocational College of Finance and Economics
Priority to CN202311554734.XA priority Critical patent/CN117523299A/zh
Publication of CN117523299A publication Critical patent/CN117523299A/zh
Pending legal-status Critical Current

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
    • 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
    • G06V10/771—Feature selection, e.g. selecting representative features from a multi-dimensional feature space
    • 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
    • G06V10/776—Validation; Performance evaluation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于计算机网络图像识别方法、系统和存储介质，具体涉及计算机视觉领域，包括信息采集模块、效率分析模块、比对校验模块以及预警处理模块，通过采集识别稳定状态信息和识别处理性能信息并进行归一化处理，建立信息分析模型，生成时效性指数，将时效性指数与预设的时效性指数阈值进行比对分析，并筛选出异常信号，对异常信号生成后的连续若干个时效性指数建立数据集合并计算数据集合内若干个时效性指数的标准差，并根据时效性指数标准差与预设的时效性指数标准差阈值的比对结果进行风险评估和预警处理，能够及时发出预警提示提高系统发现问题的及时性，便于计算机网络图像识别系统进行高效地监管。

Description

一种基于计算机网络图像识别方法、系统和存储介质
技术领域
本发明涉及计算机视觉领域，更具体地说，本发明是一种基于计算机网络图像识别系统。
背景技术
计算机网络图像识别系统是基于计算机网络技术和图像识别技术相结合的系统，用于实现对图像的自动化分析、处理和识别，系统通常包括图像数据的采集、传输、存储、处理、特征提取、模型训练和识别等多个环节，通过网络实现图像信息的传递和处理。
现有的计算机网络图像识别系统在道闸门禁应用场景中缺乏主动运行状态实时自检功能，对于交通流量密集场景检测效率可靠性变化的适应性较低，管理人员难以通过表观现象判断计算机网络图像识别系统的运行时效性状态，对计算机网络图像识别系统的维护检测周期缺乏灵活性调节能力。
为了解决上述缺陷，现提供一种技术方案。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供一种基于计算机网络图像识别系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于计算机网络图像识别系统，包括信息采集模块、效率分析模块、比对校验模块以及预警处理模块，各个模块之间通过信号连接；
信息采集模块，采集计算机网络图像识别系统进行图像识别时的识别稳定状态信息和识别处理性能信息，采集后，将识别稳定状态信息和识别处理性能信息传递至效率分析模块；
效率分析模块，将识别稳定状态信息和识别处理性能信息进行归一化处理，建立信息分析模型，生成时效性指数；
比对校验模块，将计算机网络图像识别系统生成的时效性指数与预设的时效性指数阈值进行比对分析，并筛选出时效性指数大于等于预设的时效性阈值的数据标记为异常信号；
预警处理模块，对异常信号生成后的连续若干个时效性指数建立数据集合并计算数据集合内若干个时效性指数的标准差，并根据时效性指数标准差与预设的时效性指数标准差阈值的比对基于计算机网络图像识别系统进行风险评估和预警处理。
在一个优选地实施方式中，信息采集模块，用于采集计算机网络图像识别系统进行图像识别时的识别稳定状态信息和识别处理性能信息；
识别稳定状态信息包括尺度鲁棒性浮动系数，识别处理性能信息包括黑箱装填响应时长系数和特征扫描效率系数，采集后，信息采集模块将尺度鲁棒性浮动系数、黑箱装填响应时长系数和特征扫描效率系数分别标定为PZ、KO、FS。
在一个优选地实施方式中，尺度鲁棒性浮动系数的获取逻辑如下：
获取计算机网络图像识别系统的采集图像处理流程在T时间内若干个数据处理时长的采集周期，并将采集周期标定为Tx，x表示图像数据处理时长的周期编号，x＝{1,2，3…m}，m为正整数；
计算机网络图像识别系统的采集图像处理流程在T时间内的数据处理时长采集周期获取步骤如下：
获取采集到的图像数据发出预处理请求所用的响应时间，将采集到的图像数据发出预处理请求所用的响应时间标定为TQ；
获取采集到的图像数据经过图像预处理操作后发出识别请求所用的响应时间，将采集到的图像数据经过图像预处理操作后发出识别请求所用的响应时间标定为TW；
计算图像数据处理时长采集周期表达式为Tx＝TQ+TW；
计算计算机网络图像识别系统在T时间内数据处理时长采集周期的标准差，则标准差LU的表达式为式中，m为计算机网络图像识别系统图像数据处理时长的采集周期总数量，/>为计算机网络图像识别系统在T时间内数据处理时长采集周期的平均值，其计算表达式为/>
计算计算机网络图像识别系统在T时间内的尺度鲁棒性浮动系数的表达式为
在一个优选地实施方式中，黑箱装填响应时长系数的获取逻辑如下；
获取计算机网络图像识别系统的神经网络最佳响应时长范围，并将最佳时长范围标定为K1-K2；
获取计算机网络图像识别系统在T时间内的若干个神经网络响应时长，并将神经网络响应时长标定为Ry,y表示不同神经网络响应时长的编号，且y＝{1，2，3…n}，其中n为正整数；
将大于最佳时长范围K1-K2最大值K2的神经网络响应时长标定为Re，e为大于最佳时长范围K1-K2最大值K2的神经网络响应时长编号，且e＝{1,2,3…h}，其中h为正整数；
计算黑箱装填响应时长系数的表达式为其中，/>为神经网络最佳响应时长范围均值，即/>
在一个优选地实施方式中，特征扫描效率系数的获取逻辑如下；
获取计算机网络图像识别系统中图像数据特征扫描所提取的全部特征点，并对提取特征点进行编号为q，q＝{1,2,3…w}，其中，w为正整数；
获取计算机网络图像识别系统中图像数据特征扫描所提取特征点经过筛选和选择后的选取特征点，并对选取特征点进行编号为f，f＝{1,2,3…g}，其中，g为正整数；
计算特征扫描效率系数的表达式为
在一个优选地实施方式中，时效性指数的计算方法如下；
时效性指数Tl的计算表达式为式中，α，β，γ分别为数据采集周期平衡指数PZ、黑箱装填响应时长系数KO和特征扫描效率系数FS的预设比例系数，且α，β，γ均大于0。
在一个优选地实施方式中，将计算机网络图像识别系统进行图像预处理的时效性指数与预设的时效性阈值进行对比分析，根据对比分析结果生成异常信号和稳定信号；
将计算机网络图像识别系统进行图像预处理的时效性指数与预设的时效性阈值进行对比分析，若时效性指数大于等于预设的时效性阈值，则生成异常信号，若时效性指数小于预设的时效性阈值，则生成稳定信号。
在一个优选地实施方式中，根据时效性指数标准差与预设的时效性指数标准差阈值的比对基于计算机网络图像识别系统进行风险评估和预警处理；
当生成异常信号时，对计算机网络图像识别系统进行状态评估，对异常信号生成后的连续若干个时效性指数建立数据集合并标定为CT，则CT＝{Tld}，其中，d＝{1,2,3…v}，v为正整数；
计算数据集合内若干个时效性指数的标准差，并将时效性指数的标准差标定为AC，并将时效性指数标准差AC与预设的时效性指数标准差阈值EB进行对比，根据对比结果进行风险等级分级，分级结果如下：
若时效性指数标准差大于等于预设的时效性指数标准差阈值，则对计算机网络图像识别系统标记为高风险等级；
若时效性指数标准差小于预设的时效性指数标准差阈值，则对计算机网络图像识别系统标记为低风险等级。
在一个优选地实施方式中，一种基于计算机网络图像识别方法，所述方法有如下步骤：
采集计算机网络图像识别系统进行图像识别时的识别稳定状态信息和识别处理性能信息；
将识别稳定状态信息和识别处理性能信息进行归一化处理，建立信息分析模型，生成时效性指数；
将时效性指数与预设的时效性指数进行比对分析，并筛选出时效性指数大于等于预设的时效性阈值的数据标记为异常信号；
对异常信号生成后的连续若干个时效性指数建立数据集合并计算数据集合内若干个时效性指数的标准差，并根据时效性指数标准差与预设的时效性指数标准差阈值的比对进行风险评估和预警处理。
在一个优选地实施方式中，一种基于计算机网络图像识别的存储介质，一种基于计算机网络图像识别的存储介质用于存储一种基于计算机网络图像识别系统中采集的数据以及生成的信号，存储的数据以及生成的信号用于实现一种基于计算机网络图像识别系统。
本发明的技术效果和优点：
1、本发明通过对计算机网络图像识别系统的时效性指数进行检测，当发现图像预处理时效性出现异常时，对计算机网络图像识别系统后续运作状态进行综合分析，判断异常隐患并发出预警提示，便于工作人员及时感知异常隐患现象，对异常隐患进行提前检测，有效防止图像预处理处理的实效性降低导致的对潜在故障和异常预警不及时风险发生，进而有效地防止系统故障，预防数据处理效率降低，便于检测计算机网络图像识别系统综合状态，利于工作人员进行检测管理，提高工作效率。
附图说明
为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明；
图1为本发明的系统模块图；
图2是本发明的方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
实施例1
本发明提供了如图1所示，本发明是一种基于计算机网络图像识别系统，所述系统包括：信息采集模块、比对校验模块、效率分析模块和预警处理模块；
信息采集模块用于计算机网络图像识别系统运行时的识别稳定状态信息和识别处理性能信息，并将识别稳定状态信息和识别处理性能信息预处理后传送至比对校验模块；
计算机网络图像识别系统运行时的识别稳定状态信息为尺度鲁棒性浮动系数，信息采集模块将尺度鲁棒性浮动系数标定为PZ；
计算机网络图像识别系统运行时识别状态稳定性较差时，可能会对系统的潜在故障和异常预警造成以下严重影响：
数据质量下降：不稳定的数据采集时长可能导致采集到的数据不稳定，包括数据的准确性、完整性、一致性等方面受到影响，降低了数据质量；
系统性能不稳定：数据采集过程可能需要占用系统资源，包括处理器、内存、网络等，不稳定的数据采集时长会影响系统的整体性能稳定性，可能导致系统延迟、卡顿等现象；
数据分析结果不准确：数据采集时长不稳定可能导致数据分析过程中的采样不均匀，影响数据分析的准确性，导致分析结果不可靠或错误；
系统调优困难：在数据采集时长不稳定的情况下，进行系统调优可能变得困难，因为不确定的采集时长会影响调优的方向和效果；
尺度鲁棒性浮动系数的获取逻辑如下：
获取计算机网络图像识别系统的采集图像处理流程在T时间内若干个数据处理时长的采集周期，并将采集周期标定为Tx，x表示图像数据处理时长的周期编号，x＝{1,2,3…m}，m为正整数；
计算机网络图像识别系统的采集图像处理流程在T时间内的数据处理时长采集周期获取步骤如下：
获取采集到的图像数据发出预处理请求所用的响应时间，将采集到的图像数据发出预处理请求所用的响应时间标定为TQ；
获取采集到的图像数据经过图像预处理操作后发出识别请求所用的响应时间，将采集到的图像数据经过图像预处理操作后发出识别请求所用的响应时间标定为TW；
需要说明的是，图像预处理操作是包括图像去噪、增强、裁剪、调整尺寸等计算机网络图像识别系统进行图像识别之前所进行的一系列先行处理的总和，具体的图像预处理操作步骤由本领域专业技术人员根据计算机网络图像识别系统的实际情况进行调整设定；
计算图像数据处理时长采集周期表达式为Tx＝TQ+TW；
需要指出的是，计算采集到的图像数据发出预处理请求所用的响应时间和采集到的图像数据经过图像预处理操作后发出识别请求所用的响应时间均通过计算机网络图像识别系统的工作流程日志进行获取；
计算计算机网络图像识别系统在T时间内数据处理时长采集周期的标准差，则标准差LU的表达式为式中，m为计算机网络图像识别系统图像数据处理时长的采集周期总数量，/>为计算机网络图像识别系统在T时间内数据处理时长采集周期的平均值，其计算表达式为/>
计算计算机网络图像识别系统在T时间内的尺度鲁棒性浮动系数的表达式为
由尺度鲁棒性浮动系数的表达式可知，计算机网络图像识别系统在时间T内的尺度鲁棒性浮动系数越大，表明计算机网络图像识别系统进行图像预处理处理的实时性越差，表明对潜在故障和异常预警不准确及时的风险越大，反之，则表明计算机网络图像识别系统进行图像预处理处理的实时性越好，表明对潜在故障和异常预警的反应越准确及时；
当计算机网络图像识别系统的神经网络响应时间过长时，可能会对系统的潜在故障和异常预警产生如下严重影响：
低效的实时响应：对于需要实时响应的应用，比如自动驾驶、安防监控等，长时间的神经网络响应会导致系统实时性降低，无法满足及时决策的要求；
难以应对突发情况：在需要迅速响应突发事件或异常情况的应用中，长时间的响应会使系统无法及时处理，造成严重的安全风险或损失；
系统吞吐量降低：响应时间过长会限制系统的吞吐量，降低系统每单位时间内能够处理的请求或任务数量，影响整体系统的效率和处理能力；
可能造成数据丢失或延迟：对于一些实时性要求高的系统，如金融交易监测、卫星数据处理等，长时间的响应会导致数据的丢失或延迟，影响决策和监控；
影响系统整体稳定性：系统长时间的响应可能会影响系统稳定性，使系统更容易出现故障或异常，降低系统整体可靠性；
因此，检测计算机网络图像识别系统的神经网络响应时间，计算黑箱装填响应时长系数，能够防范系统稳定性变化导致的问题和隐患；
黑箱装填响应时长系数KO的获取逻辑如下：
获取计算机网络图像识别系统的神经网络最佳响应时长范围，并将最佳时长范围标定为K1-K2；
需要说明的是，对计算机网络图像识别系统进行性能测试，测定在不同的采集图像预处理转化速度、神经网络结构迭代深度、系统资源供给效率中，能够保证计算机网络图像识别系统稳定运行的前提下，实现较高实时性的神经网络响应时长范围，计算机网络图像识别系统的神经网络最佳响应时长范围在此不作具体限定，根据实际情况进行调整设定；
获取计算机网络图像识别系统在T时间内的若干个神经网络响应时长，并将神经网络响应时长标定为Ry,y表示不同神经网络响应时长的编号，且y＝{1,2,3…n}，其中n为正整数；
需要说明的是，计算机网络图像识别系统在T时间内的若干个神经网络响应时长根据计算机网络图像识别系统的数据库时间戳，通过系统监控日志进行获取；
将大于最佳时长范围K1-K2最大值K2的神经网络响应时长标定为Re，e为大于最佳时长范围K1-K2最大值K2的神经网络响应时长编号，且e＝{1,2,3…h}，其中h为正整数；
计算黑箱装填响应时长系数的表达式为其中，/>为神经网络最佳响应时长范围均值，即/>
由黑箱装填响应时长系数的表达式可知，计算机网络图像识别系统中黑箱装填响应时长系数越大，表明计算机网络图像识别系统进行图像预处理处理的实时性越差，表明计算机网络图像识别系统对潜在故障和异常预警的误差风险越高，反之，则表明计算机网络图像识别系统进行图像预处理处理的实时性越好，表明计算机网络图像识别系统对潜在故障和异常预警的误差风险越低；
在计算机网络图像识别系统中，选取特征点数占提取特征点书比例过低，可能会对潜在故障和异常预警造成以下严重影响：
信息丢失和降低区分度：特征点代表了图像中的显著信息，如果选取的特征点数量过少，就会导致信息的丢失和降低图像的区分度，系统可能无法捕捉到图像中重要的局部特征，影响识别的准确性；
特征不足以支撑模型训练：在基于特征点的模型训练过程中，特征点数量的不足会使得模型难以得到充分的训练和学习，这可能导致模型欠拟合，即模型无法学习到图像的复杂特征，影响了模型的泛化能力和性能；
难以适应多样化的图像场景：图像的特征分布是多样化和复杂的，选取过少的特征点可能无法覆盖多样化的图像场景，导致系统对多样图像的适应能力下降；
稳定性差：特征点提取的数量太少可能使特征匹配不稳定，容易受到图像噪声、遮挡、变形等干扰，降低了特征匹配的准确性和稳定性；
影响图像配准和校正：特征点在图像配准和校正中起着重要作用，特征点数量不足可能影响配准和校正的精度，进而影响后续的图像处理和分析；
降低算法效率：特征点的提取和处理是计算密集型任务，特征点数量过少可能会降低图像处理算法的效率，影响系统的实时性和响应速度；
特征扫描效率系数FS的获取逻辑如下：
获取计算机网络图像识别系统中图像数据特征扫描所提取的全部特征点，并对提取特征点进行编号为q，q＝{1,2,3…w}，其中，w为正整数；
需要说明的是，从预处理后的图像数据中提取特征点，这些特征点可能是图像的边缘、颜色、纹理、形状等特征，具体的特征提取规则根据计算机网络图像识别系统自身的特性决定，在此不作限制；
获取计算机网络图像识别系统中图像数据特征扫描所提取特征点经过筛选和选择后的选取特征点，并对选取特征点进行编号为f，f＝{1,2,3…g}，其中，g为正整数；
需要指出的是，特征点的选取以确保最终特征集合能够最大程度地表达图像的信息为准则，根据本领域专业技术人员对不同计算机网络图像识别系统的调试与判断进行设定，在此不作赘述；
计算特征扫描效率系数的表达式为
由特征扫描效率系数的表达式可知，计算机网络图像识别系统分布式节点的特征扫描效率系数越大，则计算机网络图像识别系统在进行图像预处理处理时的实时性越好，表明对潜在故障和异常预警不及时风险越低，反之，则计算机网络图像识别系统在进行图像预处理处理时的实时性越差，表明对潜在故障和异常预警不及时风险越大；
因此，对计算机网络图像识别系统分布式节点的黑箱装填响应时长系数和特征扫描效率系数进行检测，可感知计算机网络图像识别系统的实时性变化状态；
根据计算机网络图像识别系统的识别稳定状态信息和识别处理性能信息进行分析建模，生成时效性指数，时效性指数Tl的计算表达式为 式中，α，β，γ分别为数据采集周期平衡指数PZ、黑箱装填响应时长系数KO和特征扫描效率系数FS的预设比例系数，且α，β，γ均大于0；
由时效性指数Tl的计算公式可知，计算机网络图像识别系统的数据采集周期平衡指数越大，特征扫描效率系数越小，黑箱装填响应时长系数越大，即计算机网络图像识别系统的时效性指数越大，则计算机网络图像识别系统进行图像预处理处理的实时性越差，对潜在故障和异常预警的不及时风险越大，反之，计算机网络图像识别系统的数据采集周期平衡指数越小，特征扫描效率系数越大，黑箱装填响应时长系数越小，即计算机网络图像识别系统的时效性指数越小，则计算机网络图像识别系统进行图像预处理处理的实时性越好，对潜在故障和异常预警的不及时风险越小；
通过比对校验模块对计算所得时效性指数进行分析：
将计算机网络图像识别系统进行图像预处理的时效性指数与预设的时效性阈值进行对比分析，根据对比分析结果生成异常信号和稳定信号；
将计算机网络图像识别系统进行图像预处理的时效性指数与预设的时效性阈值进行对比分析，若时效性指数大于等于预设的时效性阈值，则生成异常信号，若时效性指数小于预设的时效性阈值，则生成稳定信号；
当生成异常信号时，对计算机网络图像识别系统进行状态评估，对异常信号生成后的连续若干个时效性指数建立数据集合并标定为CT，则CT＝{Tld}，其中，d＝{1,2,3…v}，v为正整数；
计算数据集合内若干个时效性指数的标准差，并将时效性指数的标准差标定为AC，并将时效性指数标准差AC与预设的时效性指数标准差阈值EB进行对比，根据对比结果进行风险等级分级，分级结果如下：
若时效性指数标准差大于等于预设的时效性指数标准差阈值，则对计算机网络图像识别系统标记为高风险等级，提示工作人员计算机网络图像识别系统存在严重时效性风险隐患，需要进行检测维护；
若时效性指数标准差小于预设的时效性指数标准差阈值，则对计算机网络图像识别系统标记为低风险等级，提示工作人员对计算机网络图像识别系统不存在风险隐患，不需要进行检测维护。
本发明通过对计算机网络图像识别系统的时效性指数进行检测，当发现图像预处理时效性出现异常时，对计算机网络图像识别系统后续运作状态进行综合分析，判断异常隐患并发出预警提示，便于工作人员及时感知异常隐患现象，对异常隐患进行提前检测，有效防止图像预处理处理的实效性降低导致的对潜在故障和异常预警不及时风险发生，进而有效地防止系统故障，预防数据处理效率降低，便于检测计算机网络图像识别系统综合状态，利于工作人员进行检测管理，提高工作效率。
实施例2
如图2所示，本发明是一种基于计算机网络图像识别方法，所述方法包括如下步骤：
采集计算机网络图像识别系统进行图像识别时的识别稳定状态信息和识别处理性能信息；
将识别稳定状态信息和识别处理性能信息进行归一化处理，建立信息分析模型，生成时效性指数；
将时效性指数与预设的时效性指数进行比对分析，并筛选出时效性指数大于等于预设的时效性阈值的数据标记为异常信号；
对异常信号生成后的连续若干个时效性指数建立数据集合并计算数据集合内若干个时效性指数的标准差，并根据时效性指数标准差与预设的时效性指数标准差阈值的比对进行风险评估和预警处理。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘。
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。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于计算机网络图像识别系统，其特征在于：包括信息采集模块、效率分析模块、比对校验模块以及预警处理模块，各个模块之间通过信号连接；
信息采集模块，采集计算机网络图像识别系统进行图像识别时的识别稳定状态信息和识别处理性能信息，采集后，将识别稳定状态信息和识别处理性能信息传递至效率分析模块；
效率分析模块，将识别稳定状态信息和识别处理性能信息进行归一化处理，建立信息分析模型，生成时效性指数；
比对校验模块，将计算机网络图像识别系统生成的时效性指数与预设的时效性指数阈值进行比对分析，并筛选出时效性指数大于等于预设的时效性阈值的数据标记为异常信号；
预警处理模块，对异常信号生成后的连续若干个时效性指数建立数据集合并计算数据集合内若干个时效性指数的标准差，并根据时效性指数标准差与预设的时效性指数标准差阈值的比对基于计算机网络图像识别系统进行风险评估和预警处理。
2.根据权利要求1所述的一种基于计算机网络图像识别系统，其特征在于：信息采集模块，用于采集计算机网络图像识别系统进行图像识别时的识别稳定状态信息和识别处理性能信息；
识别稳定状态信息包括尺度鲁棒性浮动系数，识别处理性能信息包括黑箱装填响应时长系数和特征扫描效率系数，采集后，信息采集模块将尺度鲁棒性浮动系数、黑箱装填响应时长系数和特征扫描效率系数分别标定为PZ、KO、FS。
3.根据权利要求2所述的一种基于计算机网络图像识别系统，其特征在于：尺度鲁棒性浮动系数的获取逻辑如下：
获取计算机网络图像识别系统的采集图像处理流程在T时间内若干个数据处理时长的采集周期，并将采集周期标定为Tx，x表示图像数据处理时长的周期编号，x＝{1,2,3…m}，m为正整数；
计算机网络图像识别系统的采集图像处理流程在T时间内的数据处理时长采集周期获取步骤如下：
获取采集到的图像数据发出预处理请求所用的响应时间，将采集到的图像数据发出预处理请求所用的响应时间标定为TQ；
获取采集到的图像数据经过图像预处理操作后发出识别请求所用的响应时间，将采集到的图像数据经过图像预处理操作后发出识别请求所用的响应时间标定为TW；
计算图像数据处理时长采集周期表达式为Tx＝TQ+TW；
计算计算机网络图像识别系统在T时间内数据处理时长采集周期的标准差，则标准差LU的表达式为式中，m为计算机网络图像识别系统图像数据处理时长的采集周期总数量，/>为计算机网络图像识别系统在T时间内数据处理时长采集周期的平均值，其计算表达式为/>
计算计算机网络图像识别系统在T时间内的尺度鲁棒性浮动系数的表达式为
4.根据权利要求2所述的一种基于计算机网络图像识别系统，其特征在于：黑箱装填响应时长系数的获取逻辑如下；
获取计算机网络图像识别系统的神经网络最佳响应时长范围，并将最佳时长范围标定为K1-K2；
获取计算机网络图像识别系统在T时间内的若干个神经网络响应时长，并将神经网络响应时长标定为Ry,y表示不同神经网络响应时长的编号，且y＝{1,2,3…n}，其中n为正整数；
将大于最佳时长范围K1-K2最大值K2的神经网络响应时长标定为Re，e为大于最佳时长范围K1-K2最大值K2的神经网络响应时长编号，且e＝
1,2,3…h}，其中h为正整数；
计算黑箱装填响应时长系数的表达式为其中，/>为神经网络最佳响应时长范围均值，即/>
5.根据权利要求2所述的一种基于计算机网络图像识别系统，其特征在于：特征扫描效率系数的获取逻辑如下；
获取计算机网络图像识别系统中图像数据特征扫描所提取的全部特征点，并对提取特征点进行编号为q，q＝{1,2,3…w}，其中，w为正整数；
获取计算机网络图像识别系统中图像数据特征扫描所提取特征点经过筛选和选择后的选取特征点，并对选取特征点进行编号为f，f＝{1,2,3…g}，其中，g为正整数；
计算特征扫描效率系数的表达式为
6.根据权利要求1所述的一种基于计算机网络图像识别系统，其特征在于：时效性指数的计算方法如下；
时效性指数Tl的计算表达式为式中，α，β，γ分别为数据采集周期平衡指数PZ、黑箱装填响应时长系数KO和特征扫描效率系数FS的预设比例系数，且α，β，γ均大于0。
7.根据权利要求6所述的一种基于计算机网络图像识别系统，其特征在于：将计算机网络图像识别系统进行图像预处理的时效性指数与预设的时效性阈值进行对比分析，根据对比分析结果生成异常信号和稳定信号；
将计算机网络图像识别系统进行图像预处理的时效性指数与预设的时效性阈值进行对比分析，若时效性指数大于等于预设的时效性阈值，则生成异常信号，若时效性指数小于预设的时效性阈值，则生成稳定信号。
8.根据权利要求7所述的一种基于计算机网络图像识别系统，其特征在于：根据时效性指数标准差与预设的时效性指数标准差阈值的比对基于计算机网络图像识别系统进行风险评估和预警处理；
当生成异常信号时，对计算机网络图像识别系统进行状态评估，对异常信号生成后的连续若干个时效性指数建立数据集合并标定为CT，则CT＝Tld}，其中，d＝{1,2,3…v}，v为正整数；
计算数据集合内若干个时效性指数的标准差，并将时效性指数的标准差标定为AC，并将时效性指数标准差AC与预设的时效性指数标准差阈值EB进行对比，根据对比结果进行风险等级分级，分级结果如下：
若时效性指数标准差大于等于预设的时效性指数标准差阈值，则对计算机网络图像识别系统标记为高风险等级；
若时效性指数标准差小于预设的时效性指数标准差阈值，则对计算机网络图像识别系统标记为低风险等级。
9.一种基于计算机网络图像识别方法，基于权利要求1-8任一项所述的系统实现，其特征在于：所述方法有如下步骤：
采集计算机网络图像识别系统进行图像识别时的识别稳定状态信息和识别处理性能信息；
将识别稳定状态信息和识别处理性能信息进行归一化处理，建立信息分析模型，生成时效性指数；
将时效性指数与预设的时效性指数进行比对分析，并筛选出时效性指数大于等于预设的时效性阈值的数据标记为异常信号；
对异常信号生成后的连续若干个时效性指数建立数据集合并计算数据集合内若干个时效性指数的标准差，并根据时效性指数标准差与预设的时效性指数标准差阈值的比对进行风险评估和预警处理。
10.一种基于计算机网络图像识别的存储介质，其特征在于：一种基于计算机网络图像识别的存储介质用于存储一种基于计算机网络图像识别系统中采集的数据以及生成的信号，存储的数据以及生成的信号用于实现1-8任一项所述的一种基于计算机网络图像识别系统。
CN202311554734.XA 2023-11-21 2023-11-21 一种基于计算机网络图像识别方法、系统和存储介质 Pending CN117523299A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311554734.XA CN117523299A (zh) 2023-11-21 2023-11-21 一种基于计算机网络图像识别方法、系统和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311554734.XA CN117523299A (zh) 2023-11-21 2023-11-21 一种基于计算机网络图像识别方法、系统和存储介质

Publications (1)

Publication Number Publication Date
CN117523299A true CN117523299A (zh) 2024-02-06

Family

ID=89747058

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311554734.XA Pending CN117523299A (zh) 2023-11-21 2023-11-21 一种基于计算机网络图像识别方法、系统和存储介质

Country Status (1)

Country Link
CN (1) CN117523299A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117853689A (zh) * 2024-03-07 2024-04-09 深圳清华大学研究院 一种纪念馆vr展示系统
CN117853689B (zh) * 2024-03-07 2024-05-28 深圳清华大学研究院 一种纪念馆vr展示系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110081073A1 (en) * 2009-10-06 2011-04-07 Wright State University Methods And Logic For Autonomous Generation Of Ensemble Classifiers, And Systems Incorporating Ensemble Classifiers
US20200351533A1 (en) * 2019-05-01 2020-11-05 Netflix, Inc. Machine learning techniques for determining quality of user experience
CN114973605A (zh) * 2022-05-20 2022-08-30 苏州浪潮智能科技有限公司 一种道路山体滑坡预警的方法、装置、设备及介质
CN116245007A (zh) * 2022-12-09 2023-06-09 山东大学 基于图像识别的节理岩体rev数值模拟获取方法及系统
CN116611712A (zh) * 2023-07-17 2023-08-18 国网信息通信产业集团有限公司 基于语义推断的电网工作票评估系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110081073A1 (en) * 2009-10-06 2011-04-07 Wright State University Methods And Logic For Autonomous Generation Of Ensemble Classifiers, And Systems Incorporating Ensemble Classifiers
US20200351533A1 (en) * 2019-05-01 2020-11-05 Netflix, Inc. Machine learning techniques for determining quality of user experience
CN114973605A (zh) * 2022-05-20 2022-08-30 苏州浪潮智能科技有限公司 一种道路山体滑坡预警的方法、装置、设备及介质
CN116245007A (zh) * 2022-12-09 2023-06-09 山东大学 基于图像识别的节理岩体rev数值模拟获取方法及系统
CN116611712A (zh) * 2023-07-17 2023-08-18 国网信息通信产业集团有限公司 基于语义推断的电网工作票评估系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈炳权;: "基于DSP+FPGA的实时图像识别系统硬件与算法设计", 衡阳师范学院学报, no. 03, 15 June 2008 (2008-06-15) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117853689A (zh) * 2024-03-07 2024-04-09 深圳清华大学研究院 一种纪念馆vr展示系统
CN117853689B (zh) * 2024-03-07 2024-05-28 深圳清华大学研究院 一种纪念馆vr展示系统

Similar Documents

Publication Publication Date Title
CN115908424B (zh) 基于三维激光扫描的建筑物健康检测方法、系统及介质
WO2019214309A1 (zh) 模型测试的方法及装置
CN109145030B (zh) 一种异常数据访问的检测方法和装置
CN114553523A (zh) 基于攻击检测模型的攻击检测方法及装置、介质、设备
CN116881749B (zh) 一种污染场地施工监测方法及系统
CN111191720B (zh) 一种业务场景的识别方法、装置及电子设备
CN113962320A (zh) 地下水监测数据处理方法及装置
CN113487223B (zh) 一种基于信息融合的风险评估方法和评估系统
CN116668039A (zh) 基于人工智能的计算机远程登录识别系统及方法
CN114998576A (zh) 一种输电线路开口销缺失检测方法、装置、设备和介质
CN116708038A (zh) 基于资产测绘的工业互联网企业网络安全威胁识别方法
CN112711757B (zh) 一种基于大数据平台的数据安全集中管控方法及系统
CN117523299A (zh) 一种基于计算机网络图像识别方法、系统和存储介质
CN111767179A (zh) 一种基于云平台的计算机硬件维管系统
CN111415326A (zh) 一种用于铁路接触网螺栓异常状态的检测方法及系统
CN116383645A (zh) 一种基于异常检测的系统健康度智能监测评估方法
CN116126807A (zh) 一种日志分析方法及相关装置
CN113590663B (zh) 一种环境检测方法及系统
CN115801538A (zh) 场站服务器应用资产深度识别方法、系统及设备
CN111209567B (zh) 提高检测模型鲁棒性的可知性判断方法及装置
CN115858606A (zh) 时序数据的异常检测方法、装置、设备及存储介质
CN113239075A (zh) 一种施工数据自检方法及系统
CN117439827B (zh) 一种网络流量大数据分析方法
CN112418313A (zh) 一种大数据在线噪声过滤系统与方法
CN116448062B (zh) 一种桥梁沉降变形检测方法、装置、计算机及存储介质

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