CN117541561A - 一种抗原试剂盒图像处理方法、装置、设备及存储介质 - Google Patents
一种抗原试剂盒图像处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117541561A CN117541561A CN202311556026.XA CN202311556026A CN117541561A CN 117541561 A CN117541561 A CN 117541561A CN 202311556026 A CN202311556026 A CN 202311556026A CN 117541561 A CN117541561 A CN 117541561A
- Authority
- CN
- China
- Prior art keywords
- image
- antigen
- antigen kit
- features
- kit
- 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
- 239000000427 antigen Substances 0.000 title claims abstract description 180
- 102000036639 antigens Human genes 0.000 title claims abstract description 180
- 108091007433 antigens Proteins 0.000 title claims abstract description 180
- 238000003672 processing method Methods 0.000 title claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 47
- 238000001514 detection method Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims description 34
- 239000013598 vector Substances 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 20
- 238000011176 pooling Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 description 18
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 239000003153 chemical reaction reagent Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 108010067390 Viral Proteins Proteins 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000003705 background correction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003317 immunochromatography Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009385 viral infection Effects 0.000 description 1
- 230000000007 visual effect Effects 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
-
- 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
- G06V10/82—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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种抗原试剂盒图像处理方法、装置、设备及存储介质,获取用户上传的抗原试剂盒图像,将抗原试剂盒图像输入轻量化高效模型中进行清晰度判断,在判断结果为不清晰时,对抗原试剂盒图像进行图像增强,将图像增强后的图像输入到识别模型中进行识别,得到抗原检测结果,在判断结果为清晰时,将抗原试剂盒图像输入到识别模型中进行识别,得到抗原检测结果。在进行抗原检测结果识别之前,对抗原试剂盒图像进行清晰度判断,在判断结果为不清晰时,对抗原试剂盒图像进行图像增强,提高了抗原检测结果的识别准确度,此外,采用轻量化高效模型进行清晰度判断,在保证清晰度判断结果准确的同时,简化推理模型,提高判断效率。
Description
技术领域
本发明涉及计算机图像处理技术,尤其涉及一种抗原试剂盒图像处理方法、装置、设备及存储介质。
背景技术
抗原检测是通过检测样本中的特定蛋白质(即抗原)来诊断感染。抗原检测使用一种叫做免疫层析法的技术。在这个过程中,样本被加入到一个检测试剂盒中,这个盒子中含有能够识别病毒蛋白质的抗体。如果样本中存在病毒蛋白质,则这些抗体会与该蛋白质结合。这种结合会产生一个可见的指示条,这表明样本中存在病毒。
在一些情况下,需要将试剂盒图像上传到服务器,由服务器识别检测结果,从而对大众的病毒感染情况有全局的了解。但是,试剂盒图像由用户拍摄,由于用户使用的拍摄设备、拍摄时所处的环境和拍摄角度等影响,可能导致试剂盒图像的质量较差,从而造成识别的检测结果不准确。
发明内容
本发明提供一种抗原试剂盒图像处理方法、装置、设备及存储介质,以提高抗原检测结果的识别准确度,简化推理模型,提高判断效率。
第一方面,本发明提供了一种抗原试剂盒图像处理方法,包括:
获取用户上传的抗原试剂盒图像;
将所述抗原试剂盒图像输入轻量化高效模型中进行清晰度判断;
在判断结果为不清晰时,对所述抗原试剂盒图像进行图像增强;
将图像增强后的图像输入到识别模型中进行识别,得到抗原检测结果;
在判断结果为清晰时,将所述抗原试剂盒图像输入到识别模型中进行识别,得到抗原检测结果。
可选的,所述轻量化高效模型包括茎模块、多个反向残差移动模块和分类器,将所述抗原试剂盒图像输入轻量化高效模型中进行清晰度判断,包括:
在所述茎模块对所述抗原试剂盒图像进行特征提取,得到所述抗原试剂盒图像的全局特征;
将所述全局特征输入依次连接的多个反向残差移动模块中的处理,得到特征向量,其中,所述反向残差移动模块基于自注意力机制对输入的特征进行残差连接;
将所述特征向量输入所述分类器进行分类,得到所述抗原试剂盒图像是否清晰的分类结果。
可选的,所述茎模块包括卷积层和池化层,在所述茎模块对所述抗原试剂盒图像进行特征提取,得到所述抗原试剂盒图像的全局特征,包括:
在所述卷积层中对所述抗原试剂盒图像进行卷积处理,得到特征图像;
在所述池化层中对所述特征图像进行最大池化处理,得到所述抗原试剂盒图像的全局特征。
可选的,反向残差移动模块包括第一卷积层、多头注意力层、深度可分离卷积层和第二卷积层,所述反向残差移动模块基于自注意力机制对输入的特征进行残差连接,包括:
所述第一卷积层对所述反向残差移动模块的输入特征进行卷积处理,得到第一特征;
所述多头注意力层以所述反向残差移动模块的输入特征为键向量和查询向量,以所述第一特征为值向量进行计算,得到注意力特征;
所述深度可分离卷积层对所述注意力特征按照通道数逐层进行卷积,并将各通道对应的卷积特征进行拼接,得到第二特征;
将所述注意力特征与所述第二特征进行拼接,得到拼接特征;
在所述第二卷积层中对所述拼接特征进行卷积处理,得到第三特征;
将所述反向残差移动模块的输入特征与所述第三特征进行拼接,得到所述反向残差移动模块的输出特征。
可选的,在判断结果为不清晰时,对所述抗原试剂盒图像进行图像增强,包括:
在判断结果为不清晰时,去除所述抗原试剂盒图像中的阴影,得到去阴影图像;
对所述去阴影图像进行直方图均衡化处理,得到均衡化图像;
对所述均衡化图像进行锐化处理,得到图像增强后的图像。
可选的,去除所述抗原试剂盒图像中的阴影,得到去阴影图像,包括:
将所述抗原试剂盒图像从RGB颜色空间转换为HSV颜色空间,得到HSV图像;
从所述HSV图像中分割出阴影区域和非阴影区域;
对所述阴影区域进行亮度调整,以校正所述阴影区域;
融合校正后的所述阴影区域和所述非阴影区域,得到去阴影图像。
可选的,在将所述抗原试剂盒图像输入轻量化高效模型中进行清晰度判断之前,还包括:
从所述抗原试剂盒图像中截取包括抗原试剂盒的感兴趣区域;
将所述感兴趣区域转换为灰度图像;
对所述灰度图像的像素值进行归一化处理,得到归一化图像。
第二方面,本发明还提供了一种抗原试剂盒图像处理装置,包括:
图像获取模块,用于获取用户上传的抗原试剂盒图像;
清晰度判断模块,用于将所述抗原试剂盒图像输入轻量化高效模型中进行清晰度判断;
图像增强模块,用于在判断结果为不清晰时,对所述抗原试剂盒图像进行图像增强;
检测模块,用于将图像增强后的图像输入到识别模型中进行识别,得到抗原检测结果;以及,在判断结果为清晰时,将所述抗原试剂盒图像输入到识别模型中进行识别,得到抗原检测结果。
第三方面,本发明还提供了一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明第一方面提供的抗原试剂盒图像处理方法。
第四方面,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明第一方面提供的抗原试剂盒图像处理方法。
本发明提供的抗原试剂盒图像处理方法,获取用户上传的抗原试剂盒图像,将抗原试剂盒图像输入轻量化高效模型中进行清晰度判断,在判断结果为不清晰时,对抗原试剂盒图像进行图像增强,将图像增强后的图像输入到识别模型中进行识别,得到抗原检测结果,在判断结果为清晰时,将抗原试剂盒图像输入到识别模型中进行识别,得到抗原检测结果。在进行抗原检测结果识别之前,对抗原试剂盒图像进行清晰度判断,在判断结果为不清晰时,对抗原试剂盒图像进行图像增强,提高了抗原检测结果的识别准确度,此外,采用轻量化高效模型进行清晰度判断,在保证清晰度判断结果准确的同时,简化推理模型,提高判断效率。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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为本发明实施例提供的一种抗原试剂盒图像处理方法的流程图;
图2为本发明实施例提供的一种轻量化高效模型的结构示意图;
图3为本发明实施例提供的一种反向残差移动模块的结构示意图;
图4为本发明实施例提供的一种抗原试剂盒图像处理装置的结构示意图;
图5为本发明实施例提供的一种电子设备的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1为本发明实施例提供的一种抗原试剂盒图像处理方法的流程图,本实施例可适用于在对抗原试剂盒图像进行检测结果识别之前,对抗原试剂盒图像进行前处理的情况,该方法可以由本发明实施例提供的抗原试剂盒图像处理装置来执行,该装置可以由软件和/或硬件的方式实现,通常配置于电子设备中,如图1所示,抗原试剂盒图像处理方法具体包括如下步骤:
S101、获取用户上传的抗原试剂盒图像。
在本发明实施例中,用户将样本加入到抗原试剂盒,静止预设时长,待出现检测结果后,拍摄抗原试剂盒图像,并上传至服务器。服务器获取用户上传的抗原试剂盒图像。示例性的,用户可以通过移动终端拍摄抗原试剂盒图像,并上传至服务器,在本发明的其他实施例中,也可以采用其他设备拍摄、上传,本发明实施例在此不做限定。
S102、将抗原试剂盒图像输入轻量化高效模型中进行清晰度判断。
在本发明实施例中,在对抗原试剂盒图像进行检测结果识别之前,先对抗原试剂盒图像进行清晰度判断。传统的清晰度判断方法,例如,拉普拉斯变换、傅立叶变换等,虽然也能进行清晰度判断,但是,存在一定的局限性,例如,拉普拉斯变换对于不同的模糊类型(例如运动模糊、焦外模糊等),该方法的效果可能会下降,傅立叶变换计算全图的傅立叶变换可能计算密集,尤其是对于大图像,导致效率下降,且在一些情况下,高频分量可能由噪声引起,而不是由图像的真实细节引起,导致清晰度判断结果不准确。此外,也有一些采用深度学习算法来判断清晰度的方案,但是,深度学习模型可能需要大量的计算资源,特别是在推断阶段和训练阶段。
在本发明实施例中,采用轻量化高效模型对抗原试剂盒图像进行清晰度判断,在保证清晰度判断结果准确的同时,简化推理模型,提高判断效率。此外,轻量化高效模型易于部署,可以部署在边缘设备,例如,用户的智能终端。
示例性的,在将抗原试剂盒图像输入轻量化高效模型中进行清晰度判断之前,可以对抗原试剂盒图像进行预处理,使其满足轻量化高效模型的输入要求。
示例性的,预处理过程如下:
1、从抗原试剂盒图像中截取包括抗原试剂盒的感兴趣区域。
示例性的,可以通过边缘识别算法,从抗原试剂盒图像中识别出抗原试剂盒,进而截取包括抗原试剂盒的感兴趣区域,避免其他区域的图像信息对清晰度判断的影响。
2、将感兴趣区域转换为灰度图像。
在本发明实施例中,用户上传的抗原试剂盒图像通常为RGB彩色图像,为了提高处理效率,将感兴趣区域转换为灰度图像。
3、对灰度图像的像素值进行归一化处理,得到归一化图像。
在本发明实施例中,对灰度图像的像素值进行归一化处理,将灰度图像的像素值调整到一定的范围内,得到归一化图像。归一化处理可以消除奇异样本数据导致的不良影响,进而提高后续的清晰度判断准确性。
图2为本发明实施例提供的一种轻量化高效模型的结构示意图,如图2所示,轻量化高效模型包括茎模块(Stem)、多个反向残差移动模块(Inverted Residual MobileBlock,iRMB)和分类器(CLS),示例性,如图2所示,4个反向残差移动模块依次连接,前一反向残差移动模块的输出特征作为后一反向残差移动模块的输入特征。轻量化高效模型对抗原试剂盒图像中进行清晰度判断的过程如下:
1、在茎模块对抗原试剂盒图像进行特征提取,得到抗原试剂盒图像的全局特征。
示例性的,在本发明实施例中,在茎模块对前述步骤中预处理过后的归一化图像进行特征提取,得到抗原试剂盒图像的全局特征。全局图像特征是指能表示整幅图像上的特征,全局特征是相对于图像局部特征而言的,用于描述图像或目标的颜色和形状等整体特征。
茎模块通常由卷积层和池化层组合而成,示例性的,在本发明的一些实施例中,茎模块包括卷积层和池化层,在卷积层中对抗原试剂盒图像(或归一化图像)进行卷积处理,得到特征图像,在池化层中对特征图像进行最大池化处理,得到抗原试剂盒图像的全局特征。
2、将全局特征输入依次连接的多个反向残差移动模块中的处理,得到特征向量,其中,反向残差移动模块基于自注意力机制对输入的特征进行残差连接。
示例性的,如图2所示,4个反向残差移动模块依次连接,前一反向残差移动模块的输出特征作为后一反向残差移动模块的输入特征,第一个反向残差移动模块的输入特征为茎模块输出的全局特征,最后一个反向残差移动模块输出特征向量。每一反向残差移动模块基于自注意力机制对输入的特征进行残差连接。反向残差移动块(iRMB)吸收了CNN架构的效率来建模局部特征和Transformer架构动态建模的能力来学习长距离交互。通过将卷积神经网络(CNN)中的Inverted Residual Block(IRB)扩展到基于注意力的模型中,并从Transformer的有效组件中进行抽象,提出了一种一级残差Meta Mobile Block(MMB)进行轻型模型设计。使用简单但有效的设计标准,推导出现代Inverted Residual MobileBlock(iRMB)(反向残差移动模块)并构建了一个只有iRMB的ResNet-like EfficientModel(EMO)用于下游任务。
图3为本发明实施例提供的一种反向残差移动模块的结构示意图,如图3所示,示例性的,在本发明的一些实施例中,反向残差移动模块包括第一卷积层(Conv1)、多头注意力层(MHSA,Multi-Head Self-Attention)、深度可分离卷积层(DW-Conv)和第二卷积层(Conv2)。其中,多头注意力层用于获取输入图像的远距离特征,深度可分离卷积层用于获取输入图像的局部特征。
反向残差移动模块的处理过程如下:
1、第一卷积层对反向残差移动模块的输入特征进行卷积处理,得到第一特征。
在本发明实施例中,第一卷积层对反向残差移动模块的输入特征进行卷积处理,得到第一特征。示例性的,第一卷积层可以是1×1的卷积,也可以认为是多层感知机层。
2、多头注意力层以反向残差移动模块的输入特征为键向量和查询向量,以第一特征为值向量进行计算,得到注意力特征。
示例性的,多头注意力层以反向残差移动模块的输入特征为键向量key和查询向量query,以第一特征为值向量value进行计算,得到注意力特征。
示例性的,将矩阵Q、矩阵K和矩阵V分别进行m次线性变换,得到矩阵Qi、矩阵Ki和矩阵Vi,其中,i∈m,m为多头注意力层的注意力头数。
接着,计算矩阵Qi与矩阵Ki点乘,得到第一子矩阵ai,并计算第一子矩阵ai与矩阵Ki的维数的平方根的商,得到第二子矩阵bi。然后,对第二子矩阵bi进行归一化处理,得到第三子矩阵。接着,计算第三子矩阵与矩阵Vi的点乘,得到第四子矩阵(即headi)。
其中,为矩阵Qi与矩阵Ki的点乘,/>为Ki的转置矩阵,dK为矩阵Ki的维数,softmax为归一化处理。
最后,将m个第四子矩阵进行拼接,得到第一拼接矩阵b,并对第一拼接矩阵b进行线性变换,得到注意力特征T。
T=Multihead(Q,K,V)=concat(head1,…,headm)W0
其中,concat为矩阵拼接,W0为对第一拼接矩阵b进行线性变换的线性变换系数。
3、深度可分离卷积层对注意力特征按照通道数逐层进行卷积,并将各通道对应的卷积特征进行拼接,得到第二特征。
示例性的,在本发明实施例中,采用深度可分离卷积层对注意力特征按照通道数逐层进行卷积,并将各通道对应的卷积特征进行拼接,得到第二特征。深度可分离卷积对注意力特征的每个通道分别使用一个卷积核,然后通过逐点卷积(Pointwise Convolution)将所有卷积核的输出再进行拼接得到第二特征。
4、将注意力特征与第二特征进行拼接,得到拼接特征。
如图3所示,在本发明实施例中,将注意力特征与第二特征进行拼接,形成一个短连接,得到拼接特征。
5、在第二卷积层中对拼接特征进行卷积处理,得到第三特征。
示例性的,在本发明实施例中,第二卷积层对拼接特征进行卷积处理,得到第三特征。示例性的,第二卷积层可以是1×1的卷积,也可以认为是多层感知机层。
6、将反向残差移动模块的输入特征与第三特征进行拼接,得到反向残差移动模块的输出特征。
示例性的,如图3所示,在本发明实施例中,将反向残差移动模块的输入特征与第三特征进行拼接,形成一个短连接,得到反向残差移动模块的输出特征。
3、将特征向量输入分类器进行分类,得到抗原试剂盒图像是否清晰的分类结果。
示例性的,将特征向量输入分类器中进行处理,分类器将特征向量映射到类别空间,并计算每个类别的概率值。示例性的,在本发明实施例中,分类器为一个二分类分类器,计算抗原试剂盒图像清晰和不清晰的概率值。若抗原试剂盒图像清晰的概率值大于预设值,则认为当前的抗原试剂盒图像清晰,无需进行图像增强,若抗原试剂盒图像清晰的概率值小于预设值,则认为当前的抗原试剂盒图像不清晰,需要进行图像增强。
S103、在判断结果为不清晰时,对抗原试剂盒图像进行图像增强。
示例性的,在前述步骤中,若判断抗原试剂盒图像不清晰,则需要进行图像增强,以提高抗原试剂盒图像的清晰度,提高后续检测结果的识别准确度。
示例性的,图像增强的过程如下:
1、去除抗原试剂盒图像中的阴影,得到去阴影图像。
在用户拍摄抗原试剂盒图像时,往往由于光照、拍摄角度等原因,在抗原试剂盒图像中产生局部阴影,从而影响清晰度。在本发明实施例中,去除抗原试剂盒图像中的阴影,得到去阴影图像。
示例性的,首先将抗原试剂盒图像从RGB颜色空间转换为HSV颜色空间,得到HSV图像,HSV颜色空间能够更好地分离颜色信息和亮度信息。接着,利用颜色信息和亮度信息,可以使用一些图像分割技术(例如阈值分割、区域增长、边缘检测等)来将图像中的阴影区域与非阴影区域分割开。然后对阴影区域,可以根据不同的方法进行校正,一种常见的方法是通过减少该区域的亮度值或调整颜色值来抵消阴影效果。最后将处理后的阴影区域与原始非阴影区域重新融合,以得到去除阴影的图像。
2、对去阴影图像进行直方图均衡化处理,得到均衡化图像。
直方图均衡化是一种提高图像对比度的方法,它通过扩展图像中的像素强度范围来实现。该方法涉及计算累积直方图,并使用此信息来重新映射图像的灰度级,使其分布更均匀。在本发明的其他实施例中,也可以采用自适应直方图均衡化,自适应直方图均衡化与传统的直方图均衡化不同,是局部地应用直方图均衡化。图像被划分为小块,每个块独立进行直方图均衡化。为了避免块与块之间的边界效应,这些块之间会有一些重叠,且会使用双线性插值来获得均衡化的值。
3、对均衡化图像进行锐化处理,得到图像增强后的图像。
在本发明实施例中,对均衡化图像进行锐化处理,得到图像增强后的图像。锐化是一种增强图像细节的方法,通常通过减去一个模糊版本的图像从原始图像来实现。UnsharpMasking是其中一种常见方法,它从原图像中减去一个Gaussian模糊的图像,从而得到一个增强图像。
S104、将图像增强后的图像输入到识别模型中进行识别,得到抗原检测结果。
在本发明实施例中,将图像增强后的图像输入到识别模型中进行识别,得到抗原检测结果。在本发明实施例中对识别模型不做限定,只要能够实现对抗原试剂盒图像进行检测结果识别即可。
S105、在判断结果为清晰时,将抗原试剂盒图像输入到识别模型中进行识别,得到抗原检测结果。
在步骤S102中,若判断结果为清晰时,则无需对抗原试剂盒图像进行图像增强,直接将抗原试剂盒图像输入到识别模型中进行识别,得到抗原检测结果。
本发明实施例提供的抗原试剂盒图像处理方法,获取用户上传的抗原试剂盒图像,将抗原试剂盒图像输入轻量化高效模型中进行清晰度判断,在判断结果为不清晰时,对抗原试剂盒图像进行图像增强,将图像增强后的图像输入到识别模型中进行识别,得到抗原检测结果,在判断结果为清晰时,将抗原试剂盒图像输入到识别模型中进行识别,得到抗原检测结果。在进行抗原检测结果识别之前,对抗原试剂盒图像进行清晰度判断,在判断结果为不清晰时,对抗原试剂盒图像进行图像增强,提高了抗原检测结果的识别准确度,此外,采用轻量化高效模型进行清晰度判断,在保证清晰度判断结果准确的同时,简化推理模型,提高判断效率。
本发明实施例还提供了一种抗原试剂盒图像处理装置,图4为本发明实施例提供的一种抗原试剂盒图像处理装置的结构示意图,如图4所示,抗原试剂盒图像处理装置包括:
图像获取模块201,用于获取用户上传的抗原试剂盒图像;
清晰度判断模块202,用于将所述抗原试剂盒图像输入轻量化高效模型中进行清晰度判断;
图像增强模块203,用于在判断结果为不清晰时,对所述抗原试剂盒图像进行图像增强;
检测模块204,用于将图像增强后的图像输入到识别模型中进行识别,得到抗原检测结果;以及,在判断结果为清晰时,将所述抗原试剂盒图像输入到识别模型中进行识别,得到抗原检测结果。
在本发明的一些实施例中,所述轻量化高效模型包括茎模块、多个反向残差移动模块和分类器,清晰度判断模块202包括:
全局特征提取子模块,用于在所述茎模块对所述抗原试剂盒图像进行特征提取,得到所述抗原试剂盒图像的全局特征;
特征向量提取子模块,用于将所述全局特征输入依次连接的多个反向残差移动模块中的处理,得到特征向量,其中,所述反向残差移动模块基于自注意力机制对输入的特征进行残差连接;
分类子模块,用于将所述特征向量输入所述分类器进行分类,得到所述抗原试剂盒图像是否清晰的分类结果。
在本发明的一些实施例中,所述茎模块包括卷积层和池化层,全局特征提取子模块包括:
第一卷积单元,用于在所述卷积层中对所述抗原试剂盒图像进行卷积处理,得到特征图像;
池化单元,用于在所述池化层中对所述特征图像进行最大池化处理,得到所述抗原试剂盒图像的全局特征。
在本发明的一些实施例中,反向残差移动模块包括第一卷积层、多头注意力层、深度可分离卷积层和第二卷积层,特征向量提取子模块包括:
第一特征提取单元,用于所述第一卷积层对所述反向残差移动模块的输入特征进行卷积处理,得到第一特征;
注意力单元,用于所述多头注意力层以所述反向残差移动模块的输入特征为键向量和查询向量,以所述第一特征为值向量进行计算,得到注意力特征;
第二特征提取单元,用于所述深度可分离卷积层对所述注意力特征按照通道数逐层进行卷积,并将各通道对应的卷积特征进行拼接,得到第二特征;
第一拼接单元,用于将所述注意力特征与所述第二特征进行拼接,得到拼接特征;
第三特征提取单元,用于在所述第二卷积层中对所述拼接特征进行卷积处理,得到第三特征;
第二拼接单元,用于将所述反向残差移动模块的输入特征与所述第三特征进行拼接,得到所述反向残差移动模块的输出特征。
在本发明的一些实施例中,图像增强模块203包括:
去阴影子模块,用于在判断结果为不清晰时,去除所述抗原试剂盒图像中的阴影,得到去阴影图像;
均衡化子模块,用于对所述去阴影图像进行直方图均衡化处理,得到均衡化图像;
锐化子模块,用于对所述均衡化图像进行锐化处理,得到图像增强后的图像。
在本发明的一些实施例中,去阴影子模块包括:
空间转换单元,用于将所述抗原试剂盒图像从RGB颜色空间转换为HSV颜色空间,得到HSV图像;
图像分割单元,用于从所述HSV图像中分割出阴影区域和非阴影区域;
阴影校正单元,用于对所述阴影区域进行亮度调整,以校正所述阴影区域;
图像融合单元,用于融合校正后的所述阴影区域和所述非阴影区域,得到去阴影图像。
在本发明的一些实施例中,抗原试剂盒图像处理装置还包括:
区域截取模块,用于在将所述抗原试剂盒图像输入轻量化高效模型中进行清晰度判断之前,从所述抗原试剂盒图像中截取包括抗原试剂盒的感兴趣区域;
灰度化模块,用于将所述感兴趣区域转换为灰度图像;
归一化模块,用于对所述灰度图像的像素值进行归一化处理,得到归一化图像。
上述抗原试剂盒图像处理装置可执行本发明前述实施例所提供的抗原试剂盒图像处理方法,具备执行抗原试剂盒图像处理方法相应的功能模块和有益效果。
图5为本发明实施例提供的一种电子设备的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示,电子设备包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如抗原试剂盒图像处理方法。
在一些实施例中,抗原试剂盒图像处理方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的抗原试剂盒图像处理方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行抗原试剂盒图像处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
本发明实施例还提供了一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现如本申请任意实施例所提供的抗原试剂盒图像处理方法。
计算机程序产品在实现的过程中,可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种抗原试剂盒图像处理方法,其特征在于,包括:
获取用户上传的抗原试剂盒图像;
将所述抗原试剂盒图像输入轻量化高效模型中进行清晰度判断;
在判断结果为不清晰时,对所述抗原试剂盒图像进行图像增强;
将图像增强后的图像输入到识别模型中进行识别,得到抗原检测结果;
在判断结果为清晰时,将所述抗原试剂盒图像输入到识别模型中进行识别,得到抗原检测结果。
2.根据权利要求1所述的抗原试剂盒图像处理方法,其特征在于,所述轻量化高效模型包括茎模块、多个反向残差移动模块和分类器,将所述抗原试剂盒图像输入轻量化高效模型中进行清晰度判断,包括:
在所述茎模块对所述抗原试剂盒图像进行特征提取,得到所述抗原试剂盒图像的全局特征;
将所述全局特征输入依次连接的多个反向残差移动模块中的处理,得到特征向量,其中,所述反向残差移动模块基于自注意力机制对输入的特征进行残差连接;
将所述特征向量输入所述分类器进行分类,得到所述抗原试剂盒图像是否清晰的分类结果。
3.根据权利要求2所述的抗原试剂盒图像处理方法,其特征在于,所述茎模块包括卷积层和池化层,在所述茎模块对所述抗原试剂盒图像进行特征提取,得到所述抗原试剂盒图像的全局特征,包括:
在所述卷积层中对所述抗原试剂盒图像进行卷积处理,得到特征图像;
在所述池化层中对所述特征图像进行最大池化处理,得到所述抗原试剂盒图像的全局特征。
4.根据权利要求2所述的抗原试剂盒图像处理方法,其特征在于,反向残差移动模块包括第一卷积层、多头注意力层、深度可分离卷积层和第二卷积层,所述反向残差移动模块基于自注意力机制对输入的特征进行残差连接,包括:
所述第一卷积层对所述反向残差移动模块的输入特征进行卷积处理,得到第一特征;
所述多头注意力层以所述反向残差移动模块的输入特征为键向量和查询向量,以所述第一特征为值向量进行计算,得到注意力特征;
所述深度可分离卷积层对所述注意力特征按照通道数逐层进行卷积,并将各通道对应的卷积特征进行拼接,得到第二特征;
将所述注意力特征与所述第二特征进行拼接,得到拼接特征;
在所述第二卷积层中对所述拼接特征进行卷积处理,得到第三特征;
将所述反向残差移动模块的输入特征与所述第三特征进行拼接,得到所述反向残差移动模块的输出特征。
5.根据权利要求1-4任一所述的抗原试剂盒图像处理方法,其特征在于,在判断结果为不清晰时,对所述抗原试剂盒图像进行图像增强,包括:
在判断结果为不清晰时,去除所述抗原试剂盒图像中的阴影,得到去阴影图像;
对所述去阴影图像进行直方图均衡化处理,得到均衡化图像;
对所述均衡化图像进行锐化处理,得到图像增强后的图像。
6.根据权利要求5所述的抗原试剂盒图像处理方法,其特征在于,去除所述抗原试剂盒图像中的阴影,得到去阴影图像,包括:
将所述抗原试剂盒图像从RGB颜色空间转换为HSV颜色空间,得到HSV图像;
从所述HSV图像中分割出阴影区域和非阴影区域;
对所述阴影区域进行亮度调整,以校正所述阴影区域;
融合校正后的所述阴影区域和所述非阴影区域,得到去阴影图像。
7.根据权利要求1-4任一所述的抗原试剂盒图像处理方法,其特征在于,在将所述抗原试剂盒图像输入轻量化高效模型中进行清晰度判断之前,还包括:
从所述抗原试剂盒图像中截取包括抗原试剂盒的感兴趣区域;
将所述感兴趣区域转换为灰度图像;
对所述灰度图像的像素值进行归一化处理,得到归一化图像。
8.一种抗原试剂盒图像处理装置,其特征在于,包括:
图像获取模块,用于获取用户上传的抗原试剂盒图像;
清晰度判断模块,用于将所述抗原试剂盒图像输入轻量化高效模型中进行清晰度判断;
图像增强模块,用于在判断结果为不清晰时,对所述抗原试剂盒图像进行图像增强;
检测模块,用于将图像增强后的图像输入到识别模型中进行识别,得到抗原检测结果;以及,在判断结果为清晰时,将所述抗原试剂盒图像输入到识别模型中进行识别,得到抗原检测结果。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7任一所述的抗原试剂盒图像处理方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一所述的抗原试剂盒图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311556026.XA CN117541561A (zh) | 2023-11-20 | 2023-11-20 | 一种抗原试剂盒图像处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311556026.XA CN117541561A (zh) | 2023-11-20 | 2023-11-20 | 一种抗原试剂盒图像处理方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117541561A true CN117541561A (zh) | 2024-02-09 |
Family
ID=89781990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311556026.XA Pending CN117541561A (zh) | 2023-11-20 | 2023-11-20 | 一种抗原试剂盒图像处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117541561A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114049641A (zh) * | 2022-01-13 | 2022-02-15 | 中国电子科技集团公司第十五研究所 | 基于深度学习的文字识别方法及系统 |
CN114821314A (zh) * | 2022-04-19 | 2022-07-29 | 中铁建设集团有限公司 | 基于机器视觉的机场路面异常检测方法 |
CN115424111A (zh) * | 2022-08-22 | 2022-12-02 | 工业互联网创新中心(上海)有限公司 | 一种抗原检测试剂盒智能识别方法、装置、设备及介质 |
CN116664608A (zh) * | 2023-04-27 | 2023-08-29 | 桂林电子科技大学 | 基于图像增强的目标检测与定位方法 |
-
2023
- 2023-11-20 CN CN202311556026.XA patent/CN117541561A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114049641A (zh) * | 2022-01-13 | 2022-02-15 | 中国电子科技集团公司第十五研究所 | 基于深度学习的文字识别方法及系统 |
CN114821314A (zh) * | 2022-04-19 | 2022-07-29 | 中铁建设集团有限公司 | 基于机器视觉的机场路面异常检测方法 |
CN115424111A (zh) * | 2022-08-22 | 2022-12-02 | 工业互联网创新中心(上海)有限公司 | 一种抗原检测试剂盒智能识别方法、装置、设备及介质 |
CN116664608A (zh) * | 2023-04-27 | 2023-08-29 | 桂林电子科技大学 | 基于图像增强的目标检测与定位方法 |
Non-Patent Citations (1)
Title |
---|
JIANGNING ZHANG 等: "Rethinking Mobile Block for Efficient Neural Models", pages 1 - 11, Retrieved from the Internet <URL:https://arxiv.org/abs/2301.01146> * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020199931A1 (zh) | 人脸关键点检测方法及装置、存储介质和电子设备 | |
CN110532897B (zh) | 零部件图像识别的方法和装置 | |
US20230080693A1 (en) | Image processing method, electronic device and readable storage medium | |
CN111209952A (zh) | 基于改进ssd和迁移学习的水下目标检测方法 | |
JP6309549B2 (ja) | 変形可能な表現検出器 | |
CN111079764B (zh) | 一种基于深度学习的低照度车牌图像识别方法及装置 | |
CN112949767B (zh) | 样本图像增量、图像检测模型训练及图像检测方法 | |
CN112598597A (zh) | 一种降噪模型的训练方法及相关装置 | |
CN111310508B (zh) | 一种二维码识别方法 | |
CN112561879B (zh) | 模糊度评价模型训练方法、图像模糊度评价方法及装置 | |
WO2023093151A1 (zh) | 图像筛选方法及装置、电子设备和存储介质 | |
CN112991281A (zh) | 视觉检测方法、系统、电子设备及介质 | |
CN116363429A (zh) | 图像识别模型的训练方法、图像识别方法、装置及设备 | |
CN114724144B (zh) | 文本识别方法、模型的训练方法、装置、设备及介质 | |
CN116309158A (zh) | 网络模型的训练方法、三维重建方法、装置、设备和介质 | |
CN116129417A (zh) | 一种基于低质量图像的数字仪表读数检测方法 | |
CN117541561A (zh) | 一种抗原试剂盒图像处理方法、装置、设备及存储介质 | |
CN115294405A (zh) | 农作物病害分类模型的构建方法、装置、设备及介质 | |
CN114463734A (zh) | 文字识别方法、装置、电子设备及存储介质 | |
CN114821777A (zh) | 一种手势检测方法、装置、设备及存储介质 | |
CN112070022A (zh) | 人脸图像识别方法、装置、电子设备和计算机可读介质 | |
CN113393493B (zh) | 目标对象的跟踪方法及装置 | |
CN117315493B (zh) | 一种田间杂草的识别分辨方法、装置、设备及介质 | |
CN116433674B (zh) | 半导体硅晶圆检测方法、装置、计算机设备及介质 | |
CN113870142B (zh) | 用于增强图像对比度的方法、装置 |
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 |