CN117853738B - 一种用于对茶叶分级的图像处理方法及设备 - Google Patents
一种用于对茶叶分级的图像处理方法及设备 Download PDFInfo
- Publication number
- CN117853738B CN117853738B CN202410253127.8A CN202410253127A CN117853738B CN 117853738 B CN117853738 B CN 117853738B CN 202410253127 A CN202410253127 A CN 202410253127A CN 117853738 B CN117853738 B CN 117853738B
- Authority
- CN
- China
- Prior art keywords
- feature
- feature map
- image
- extraction module
- feature extraction
- 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.)
- Active
Links
- 241001122767 Theaceae Species 0.000 title claims abstract description 48
- 238000003672 processing method Methods 0.000 title claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 85
- 238000010586 diagram Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000007689 inspection Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 44
- 230000004927 fusion Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 238000013178 mathematical model Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000009954 braiding Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 abstract description 8
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 230000000007 visual effect Effects 0.000 abstract description 4
- 238000013527 convolutional neural network Methods 0.000 abstract description 2
- 230000003213 activating effect Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种用于对茶叶分级的图像处理方法及设备，属于茶叶和图像处理技术领域。图像处理方法包括以下步骤：调用一般茶叶图像，调用图像优化网络；第一特征提取模块输出第一特征图；利用串联的多个第二特征提取模块对第一特征图进行特征提取操作后，最后一个第二特征提取模块输出得到第二特征图；巡域单元计算后输出第三特征图；图像生成模块以第五特征图作为输入，输出得到优化茶叶图像。本发明采用卷积神经网络对实际产线上采集的茶叶图像进行优化处理，弱化部分背景图像、改善不均匀光照、光斑或阴影在图像中的视觉表现，同时增大图像的分辨率和细节特征，有效提升后续工序中对茶叶图像进行处理的准确性。
Description
技术领域
本发明属于茶叶和图像处理技术领域，具体地说，涉及一种用于对茶叶分级的图像处理方法及设备。
背景技术
对茶叶进行分级是现代茶叶加工工艺中必不可少的一个环节，为了提高分级的可靠性和准确性，已经有研究人员从不同的角度提出了多种基于人工智能的茶叶量化分级方法。但是，现有的方法中（比如专利CN113807215B），输入模型的茶叶图像都需要是在受控的理想环境下（包括理想的光照条件、白色无杂质的背景等）采集获得。测试表明，如果将实际流水生产线上采集到的茶叶图像输入现有的模型，其分级的准确性大幅度降低，无法满足实际的需要。
发明内容
针对上述现象，本发明提供一种用于对茶叶分级的图像处理方法及设备，通过该方法对实际产线上拍摄获得的茶叶图像进行优化处理，提高后续量化分级的准确性。
为了达到上述目的，本发明采用的解决方案是：一种用于对茶叶分级的图像处理方法，包括以下步骤：
调用处理前的一般茶叶图像，调用图像优化网络；所述图像优化网络中设有第一特征提取模块、第二特征提取模块、超像素巡编模块和图像生成模块，所述超像素巡编模块包括巡域单元和排编单元，所述第二特征提取模块和所述巡域单元均为多个，所述第二特征提取模块与所述巡域单元一一对应设置；
所述第一特征提取模块以所述一般茶叶图像作为输入，经过计算后，所述第一特征提取模块输出第一特征图；
多个所述第二特征提取模块依次串联设置，利用串联的多个第二特征提取模块对所述第一特征图进行特征提取操作后，最后一个所述第二特征提取模块输出得到第二特征图；
提取每个所述第二特征提取模块输入端和输出端的特征图，将所述第二特征提取模块输入端和输出端的特征图输入对应的巡域单元，经过计算后，所述巡域单元输出第三特征图；
所述排编单元以所有所述第三特征图作为输入，经过计算后，所述排编单元输出得到第四特征图；
将所述第二特征图与所述第四特征图融合，得到第五特征图；
所述图像生成模块以所述第五特征图作为输入，经过计算后，所述图像生成模块输出得到优化茶叶图像；
其中，所述巡域单元内部按照以下方法进行计算：
所述第二特征提取模块输出端的特征图依次经过第一可变形卷积运算和第一巡域函数激活后，得到第一极差特征图；
所述第一极差特征图与所述第二特征提取模块输入端的特征图做元素对应乘积后，得到第二极差特征图；
所述第二特征提取模块输出端的特征图与所述第二特征提取模块输入端的特征图作差，得到第三极差特征图；
所述第三极差特征图依次经过第二可变形卷积运算和第二巡域函数激活后，得到第四极差特征图；
所述第二极差特征图经过第三巡域函数激活后与所述第四极差特征图和所述第二特征提取模块输出端的特征图相加，得到第五极差特征图；
所述第五极差特征图经过第四巡域函数激活后，得到所述第三特征图。
进一步地，所述排编单元内部按照以下方法进行计算：
将所有所述第三特征图融合，得到第一宽域特征图；
所述第一宽域特征图经过第一亚像素卷积运算层计算后，得到示权特征图；
所述示权特征图依次经过空间方向上的全局平均池化操作和第一排编函数激活后，得到排编权重；
将所有所述第三特征图相加，得到第二宽域特征图；
所述第二宽域特征图经过第二排编函数激活后，得到第三宽域特征图；
所述第三宽域特征图与所述排编权重做元素对应乘积，得到所述第四特征图。
进一步地，所述第二特征图与所述第四特征图按照以下方法进行融合：
将所述第二特征图与所述第四特征图相加，得到融合特征图；
所述融合特征图经过融合函数激活后，得到所述第五特征图。
进一步地，所述第二特征提取模块内部的计算过程表示为如下数学模型：
；
其中，表示输入第二特征提取模块的特征图，/>表示第二特征提取模块输出的特征图，/>和/>的尺寸相同；/>、/>、/>、/>和/>均表示常规的卷积运算，/>、/>、/>、/>和/>均表示ReLU函数，/>和/>分别表示/>和/>函数输出的特征图，/>和/>均表示sigmoid函数，/>表示元素对应乘积，/>表示/>输出特征图减去/>输出特征图后生成的特征图，/>表示拼接操作，/>和/>分别表示和/>函数输出的特征图。
进一步地，的卷积核尺寸大于/>的卷积核尺寸，/>与/>的卷积核尺寸相等，/>与/>的卷积核尺寸相等。
本发明还提供了一种用于对茶叶分级的图像处理设备，包括处理器和存储器，所述存储器储存有计算机程序，所述处理器通过加载所述计算机程序，用于执行如上所述的方法。
本发明的有益效果是：
（1）本发明采用卷积神经网络对实际产线上采集的茶叶图像进行优化处理，弱化部分背景图像、改善不均匀光照、光斑或阴影在图像中的视觉表现，同时增大图像的分辨率和细节特征，提升了后续工序中对茶叶图像进行目标检测和分类分级等处理的准确性。
（2）常规的图像重建或增强网络中，都是简单地将网络中的所有特征提取模块输出的特征图融合，然后直接将融合后的特征图上采样输出得到新的图像；测试发现，这种常规的网络架构并不能很好地调和光照、噪音和分辨率等多种因素引起的图像退化，生成输出的图像质量提升效果并不明显，而且存在输出图像质量很不稳定的现象；发明人根据一般茶叶图像的特点以及后续茶叶分级的目标，摈弃了传统的网络架构，创造性地设计了超像素巡编模块，该模块输出的第四特征图与第二特征图融合后，很好地改善了上采样前的特征图中信息的质量，使得网络能够更加全面和协调地正向地改善（噪音图像、不理想光照和低分辨率等）多种不利因素给图像带来的负面影响，具有很好的实用性。
（3）现有的网络架构设计思路中，往往只考虑了充分利用各个特征提取模块输出特征图中的特征信息，却忽略了特征提取前后的特征信息变化这一过程中仍然蕴含了许多的有效信息；本发明人的巡域单元以第二特征提取模块输入端和输出端的特征图作为输入，不仅充分利用了网络中间各个层级的特征信息，而且还对各个第二特征提取模块前后信息变化过程进行编码和学习；测试结果表明了本发明提供的巡域单元配合排编单元，取得了很好的茶叶图像优化效果。
附图说明
图1为本发明一实施例的图像优化网络结构示意图；
图2为本发明一实施例的巡域单元结构示意图；
图3为茶叶图像处理前后的对比示意图；
附图中：一般茶叶图像，2-第一特征提取模块，3-第二特征提取模块，4-巡域单元，5-排编单元，6-融合函数，7-图像生成模块，8-优化茶叶图像。
具体实施方式
以下结合附图1-3对本发明作进一步描述。
实施例1：
一种用于对茶叶分级的图像处理方法，包括以下步骤：
调用处理前的一般茶叶图像1，调用图像优化网络。
如果1所示，图像优化网络中设有第一特征提取模块2、第二特征提取模块3、超像素巡编模块和图像生成模块7，超像素巡编模块包括巡域单元4和排编单元5，第二特征提取模块3和巡域单元4均为多个，第二特征提取模块3与巡域单元4一一对应设置。
第一特征提取模块2以一般茶叶图像1作为输入，经过计算后，第一特征提取模块2输出第一特征图。本发明对第一特征提取模块2没有特别的限制，只要能过从图像中提取浅层特征信息的算法均可以。在本实施例中，第一特征提取模块2包括串联的常规卷积运算层（卷积核尺寸3*3，步长1）和激活层（ReLU函数）。经过第一特征提取模块2计算后，得到的第一特征图通道数量大于一般茶叶图像1（例如第一特征图通道数可以为48或64或128等）。
多个第二特征提取模块3依次串联设置，利用串联的多个第二特征提取模块3对第一特征图进行特征提取操作后（特征图依次在各个第二特征提取模块3之间传递，上游的第二特征提取模块3输出的特征图作为其下游第二特征提取模块3的输入特征图），最后一个第二特征提取模块3输出得到第二特征图。
所有第二特征提取模块3输入端和输出端的特征图尺寸均相等。提取每个第二特征提取模块3输入端和输出端的特征图，将第二特征提取模块3输入端和输出端的特征图输入对应的巡域单元4（第二特征提取模块3输入端的特征图也就是下述数学模型中的Dr特征图，第二特征提取模块3输出端的特征图也就是下述数学模型中的Hr特征图），经过计算后，巡域单元4输出第三特征图（一个巡域单元4输出一个第三特征图）。
排编单元5以所有第三特征图作为输入，经过计算后，排编单元5输出得到第四特征图。
将第二特征图与第四特征图融合，得到第五特征图。
图像生成模块7以第五特征图作为输入，经过计算后，图像生成模块7输出得到优化茶叶图像8。
具体地，在本实施例中，如图2所示，巡域单元4内部按照以下方法进行计算：
第二特征提取模块3输出端的特征图依次经过第一可变形卷积运算（卷积核尺寸为3*3）和第一巡域函数（ReLU）激活后，得到第一极差特征图；
第一极差特征图与第二特征提取模块3输入端的特征图做元素对应乘积后，得到第二极差特征图；
第二特征提取模块3输出端的特征图与第二特征提取模块3输入端的特征图作差（第二特征提取模块3输出端的特征图减去第二特征提取模块3输入端的特征图），得到第三极差特征图；
第三极差特征图依次经过第二可变形卷积运算（卷积核尺寸为3*3）和第二巡域函数（ReLU）激活后，得到第四极差特征图；
第二极差特征图经过第三巡域函数（tanh）激活后与第四极差特征图和第二特征提取模块3输出端的特征图相加，得到第五极差特征图；
第五极差特征图经过第四巡域函数（tanh）激活后，得到第三特征图，第三特征图的尺寸与第二特征提取模块3输入端和输出端的特征图尺寸均相等。
在一些实施例中，排编单元5内部按照以下方法进行计算：
将所有第三特征图融合，得到第一宽域特征图；
第一宽域特征图经过第一亚像素卷积运算层计算后，得到示权特征图（示权特征图的通道数量与第三特征图相等）；
示权特征图依次经过空间方向上的全局平均池化操作（计算特征图各个通道上所有特征值的平均值）和第一排编函数（ReLU）激活后，得到排编权重（该权重为一个向量）；
将所有第三特征图相加，得到第二宽域特征图；
第二宽域特征图经过第二排编函数（ReLU）激活后，得到第三宽域特征图；
第三宽域特征图与排编权重做元素对应乘积，得到第四特征图。第四特征图的尺寸与第三特征图相等。
可以采用现有的很多方法将所有第三特征图融合，得到第一宽域特征图，示例性的，将所有第三特征图融合包括以下步骤：将所有第三特征图拼接得到组合特征图，然后组合特征图依次经过卷积运算（卷积核尺寸可以为3*3，步长可以为1）和激活（比如ReLU函数），生成得到第一宽域特征图。作为示例性的，第一宽域特征图的通道数量可以是第三特征图通道数量的4倍，示权特征图的长、宽尺寸可以为第三特征图的2倍。
在一些实施方式中，第二特征图与第四特征图按照以下方法进行融合：将第二特征图与第四特征图相加，得到融合特征图；融合特征图经过融合函数6（tanh）激活后，得到第五特征图。
本发明对第二特征提取模块3内部计算过程没有特别的限定，可以直接采用现有技术实现。优选地，本实施例中，第二特征提取模块3内部的计算过程表示为如下数学模型：
；
其中，表示输入第二特征提取模块的特征图，/>表示第二特征提取模块输出的特征图，/>和/>的尺寸相同；/>、/>、/>、/>和/>均表示常规的卷积运算，/>、/>、/>、/>和/>均表示ReLU函数，/>和/>分别表示/>和/>函数输出的特征图，/>和/>均表示sigmoid函数，/>表示元素对应乘积，/>表示/>输出特征图减去/>输出特征图后生成的特征图，/>表示拼接操作，/>和/>分别表示和/>函数输出的特征图。
在本实施例中，、/>、/>、/>和/>的步长都是1，/>和/>的卷积核尺寸都为5*5，/>和/>的卷积核尺寸都为3*3，/>的卷积核尺寸为1*1，第二特征提取模块3内部生成的特征图/>至/>尺寸均与特征图/>相同。
在上述的第二特征提取模块3内部设置了分差学习机制，即采用不同的方式将不同感受野下获得的图像特征进行融合，然后通过激活并作差得到融合后各个特征图之间的分差（），接着将分差与原来的特征信息（/>，/>和/>）混合提炼，得到提取后的特征图（/>）。采用上述结构的第二特征提取模块3在提取图像特征的同时，能够更好地对差异化的各种信息进行针对性地调和，使得整个模型对图像信息具有更加智能化的辨识能力，有利于提升网络对图像的优化能力。
图像生成模块7直接采用现有的、能够实现上采样生成图像的方法就行。示例性地，本实施例中，图像生成模块7内部包括顺次连接的第二亚像素卷积运算层、普通卷积运算层（卷积核尺寸可以为3*3，步长可以为1）和ReLU函数。
图像优化网络的训练可以采用现有的常规训练方法。训练数据集包括多组图像，每组图像包括1张理想光照下拍摄的高分辨率图像和1张相同视角下实际场景中拍摄获得的一般图像。实际场景中，光照强度更低、光源为点光源、存在各种少量阴影等。
在测试数据集上测试结果表明，与不经过图像处理相比，采用本发明提供的方法对一般茶叶图像1进行优化后，茶叶分级的准确性提高了17.22%，取得了实质性的进步。图3为茶叶图像处理前后的对比示意图，其左边为实际场景下拍摄获得的一般茶叶图像1，右边为实施例1中图像优化网络训练后重建得到的优化茶叶图像8。从图中可以明显看出，网络很好地学习了实际场景下与理想条件下图像之间的映射关系，重建后得到的图像达到了与理想光照条件下十分接近的视觉效果。其中，重建得到的图像中，茶叶亮度更高，茶叶边缘视觉表现更锐利，茶叶表面的纹理表现更清晰，部分背景图像和阴影得到一定的弱化，有效地提高了图像的质量，对后续图像分割、分类分级等操作具有明显的积极作用。
以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (5)
1.一种用于对茶叶分级的图像处理方法，其特征是：包括以下步骤：
调用处理前的一般茶叶图像，调用图像优化网络；所述图像优化网络中设有第一特征提取模块、第二特征提取模块、超像素巡编模块和图像生成模块，所述超像素巡编模块包括巡域单元和排编单元，所述第二特征提取模块和所述巡域单元均为多个，所述第二特征提取模块与所述巡域单元一一对应设置；
所述第一特征提取模块以所述一般茶叶图像作为输入，经过计算后，所述第一特征提取模块输出第一特征图；
多个所述第二特征提取模块依次串联设置，利用串联的多个第二特征提取模块对所述第一特征图进行特征提取操作后，最后一个所述第二特征提取模块输出得到第二特征图；
提取每个所述第二特征提取模块输入端和输出端的特征图，将所述第二特征提取模块输入端和输出端的特征图输入对应的巡域单元，经过计算后，所述巡域单元输出第三特征图；
所述排编单元以所有所述第三特征图作为输入，经过计算后，所述排编单元输出得到第四特征图；
将所述第二特征图与所述第四特征图融合，得到第五特征图；
所述图像生成模块以所述第五特征图作为输入，经过计算后，所述图像生成模块输出得到优化茶叶图像；
其中，所述巡域单元内部按照以下方法进行计算：
所述第二特征提取模块输出端的特征图依次经过第一可变形卷积运算和第一巡域函数激活后，得到第一极差特征图；
所述第一极差特征图与所述第二特征提取模块输入端的特征图做元素对应乘积后，得到第二极差特征图；
所述第二特征提取模块输出端的特征图与所述第二特征提取模块输入端的特征图作差，得到第三极差特征图；
所述第三极差特征图依次经过第二可变形卷积运算和第二巡域函数激活后，得到第四极差特征图；
所述第二极差特征图经过第三巡域函数激活后与所述第四极差特征图和所述第二特征提取模块输出端的特征图相加，得到第五极差特征图；
所述第五极差特征图经过第四巡域函数激活后，得到所述第三特征图；
所述排编单元内部按照以下方法进行计算：
将所有所述第三特征图融合，得到第一宽域特征图；
所述第一宽域特征图经过第一亚像素卷积运算层计算后，得到示权特征图；
所述示权特征图依次经过空间方向上的全局平均池化操作和第一排编函数激活后，得到排编权重；
将所有所述第三特征图相加，得到第二宽域特征图；
所述第二宽域特征图经过第二排编函数激活后，得到第三宽域特征图；
所述第三宽域特征图与所述排编权重做元素对应乘积，得到所述第四特征图；
所述第一巡域函数和第二巡域函数均为ReLU，所述第三巡域函数和第四巡域函数均为tanh，所述第一排编函数和第二排编函数均为ReLU。
2.根据权利要求1所述的方法，其特征是：所述第二特征图与所述第四特征图按照以下方法进行融合：
将所述第二特征图与所述第四特征图相加，得到融合特征图；
所述融合特征图经过融合函数激活后，得到所述第五特征图；
所述融合函数为tanh。
3.根据权利要求1所述的方法，其特征是：所述第二特征提取模块内部的计算过程表示为如下数学模型：
Gλ1＝fr1(vn1(Dr))
Gλ2＝fr2(vn2(Dr))
Gλ3＝fs1(Gλ1+Gλ2+Dr)-fs2(Gλ1⊙Gλ2⊙Dr)
Gλ4＝fr3(vn3(Pc(Gλ1,Gλ3)))
Gλ5＝fr4(vn4(Pc(Gλ2,Gλ3)))
Hr＝fr5(vn5(Pc(Dr,Gλ3,Gλ4,Gλ5)))
其中，Dr表示输入第二特征提取模块的特征图，Hr表示第二特征提取模块输出的特征图，Dr和Hr的尺寸相同；vn1、vn 2、vn3、vn4和vn5均表示常规的卷积运算，fr1、fr2、fr3、fr4和fr5均表示ReLU函数，Gλ1和Gλ2分别表示fr1和fr2函数输出的特征图，fs1和fs2均表示sigmoid函数，⊙表示元素对应乘积，Gλ3表示fs1输出特征图减去fs2输出特征图后生成的特征图，Pc表示拼接操作，Gλ4和Gλ5分别表示fr3和fr4函数输出的特征图。
4.根据权利要求3所述的方法，其特征是：vn1的卷积核尺寸大于vn2的卷积核尺寸，vn1与vn3的卷积核尺寸相等，vn2与vn4的卷积核尺寸相等。
5.一种用于对茶叶分级的图像处理设备，包括处理器和存储器，所述存储器储存有计算机程序，其特征是：所述处理器通过加载所述计算机程序，用于执行如权利要求1至4任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410253127.8A CN117853738B (zh) | 2024-03-06 | 2024-03-06 | 一种用于对茶叶分级的图像处理方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410253127.8A CN117853738B (zh) | 2024-03-06 | 2024-03-06 | 一种用于对茶叶分级的图像处理方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117853738A CN117853738A (zh) | 2024-04-09 |
| CN117853738B true CN117853738B (zh) | 2024-05-10 |
Family
ID=90544377
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410253127.8A Active CN117853738B (zh) | 2024-03-06 | 2024-03-06 | 一种用于对茶叶分级的图像处理方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117853738B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112560733A (zh) * | 2020-12-23 | 2021-03-26 | 上海交通大学 | 面向两期遥感影像的多任务处理系统及方法 |
| CN113034648A (zh) * | 2021-04-30 | 2021-06-25 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、设备和存储介质 |
| CN113129212A (zh) * | 2019-12-31 | 2021-07-16 | 深圳市联合视觉创新科技有限公司 | 图像超分辨率重建方法、装置、终端设备及存储介质 |
| CN113436076A (zh) * | 2021-07-26 | 2021-09-24 | 柚皮(重庆)科技有限公司 | 逐步融合特征的图像超分辨率重建方法及电子设备 |
| CN113888412A (zh) * | 2021-11-23 | 2022-01-04 | 钟家兴 | 一种用于糖尿病视网膜病变分类的图像超分辨率重建方法 |
| CN113901900A (zh) * | 2021-09-29 | 2022-01-07 | 西安电子科技大学 | 一种同源或异源遥感图像用无监督变化检测方法及系统 |
| CN114037986A (zh) * | 2021-11-04 | 2022-02-11 | 李显德 | 一种用于智慧城市的车牌识别方法及装置 |
| CN114882203A (zh) * | 2022-05-20 | 2022-08-09 | 周莉莎 | 一种用于电力电网巡检机器人的图像超分辨率重建方法 |
| CN115810123A (zh) * | 2022-11-30 | 2023-03-17 | 重庆大学 | 基于注意力机制和改进特征融合的小目标害虫检测方法 |
| CN115880553A (zh) * | 2022-10-11 | 2023-03-31 | 浙江工业大学 | 一种基于空时建模的多尺度变化目标检索方法 |
| WO2023068441A1 (ko) * | 2021-10-20 | 2023-04-27 | 중앙대학교 산학협력단 | 딥러닝을 이용한 행동 인식 방법 및 그 장치 |
| CN116051534A (zh) * | 2023-02-16 | 2023-05-02 | 运易通科技有限公司 | 一种基于人工智能的仓库顶棚太阳能板缺陷检测方法 |
| CN116402691A (zh) * | 2023-06-05 | 2023-07-07 | 四川轻化工大学 | 基于图像特征快速拼接的图像超分辨率方法和系统 |
| CN116433940A (zh) * | 2023-04-21 | 2023-07-14 | 北京数慧时空信息技术有限公司 | 基于孪生镜像网络的遥感影像变化检测方法 |
| CN116958688A (zh) * | 2023-07-28 | 2023-10-27 | 南京信息工程大学 | 一种基于YOLOv8网络的目标检测方法及系统 |
| CN117237884A (zh) * | 2023-11-06 | 2023-12-15 | 福建行无忧智能科技有限公司 | 一种基于泊位定位的互动式巡检机器人 |
| CN117496352A (zh) * | 2023-11-13 | 2024-02-02 | 长沙理工大学 | 基于相邻特征逐步融合的遥感变化检测方法、装置和设备 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108734749A (zh) * | 2017-04-20 | 2018-11-02 | 微软技术许可有限责任公司 | 图像的视觉风格变换 |
| KR102640237B1 (ko) * | 2019-10-25 | 2024-02-27 | 삼성전자주식회사 | 이미지 프로세싱 방법, 장치, 전자 디바이스 및 컴퓨터 판독가능 저장 매체 |
| CN113065575A (zh) * | 2021-02-27 | 2021-07-02 | 华为技术有限公司 | 一种图像处理方法及相关装置 |
| CN113822314B (zh) * | 2021-06-10 | 2024-05-28 | 腾讯云计算（北京）有限责任公司 | 图像数据处理方法、装置、设备以及介质 |
| CN114119582B (zh) * | 2021-12-01 | 2024-04-26 | 安徽大学 | 一种合成孔径雷达图像目标检测方法 |
-
2024
- 2024-03-06 CN CN202410253127.8A patent/CN117853738B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113129212A (zh) * | 2019-12-31 | 2021-07-16 | 深圳市联合视觉创新科技有限公司 | 图像超分辨率重建方法、装置、终端设备及存储介质 |
| CN112560733A (zh) * | 2020-12-23 | 2021-03-26 | 上海交通大学 | 面向两期遥感影像的多任务处理系统及方法 |
| CN113034648A (zh) * | 2021-04-30 | 2021-06-25 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、设备和存储介质 |
| CN113436076A (zh) * | 2021-07-26 | 2021-09-24 | 柚皮(重庆)科技有限公司 | 逐步融合特征的图像超分辨率重建方法及电子设备 |
| CN113901900A (zh) * | 2021-09-29 | 2022-01-07 | 西安电子科技大学 | 一种同源或异源遥感图像用无监督变化检测方法及系统 |
| WO2023068441A1 (ko) * | 2021-10-20 | 2023-04-27 | 중앙대학교 산학협력단 | 딥러닝을 이용한 행동 인식 방법 및 그 장치 |
| CN114037986A (zh) * | 2021-11-04 | 2022-02-11 | 李显德 | 一种用于智慧城市的车牌识别方法及装置 |
| CN113888412A (zh) * | 2021-11-23 | 2022-01-04 | 钟家兴 | 一种用于糖尿病视网膜病变分类的图像超分辨率重建方法 |
| CN114882203A (zh) * | 2022-05-20 | 2022-08-09 | 周莉莎 | 一种用于电力电网巡检机器人的图像超分辨率重建方法 |
| CN115880553A (zh) * | 2022-10-11 | 2023-03-31 | 浙江工业大学 | 一种基于空时建模的多尺度变化目标检索方法 |
| CN115810123A (zh) * | 2022-11-30 | 2023-03-17 | 重庆大学 | 基于注意力机制和改进特征融合的小目标害虫检测方法 |
| CN116051534A (zh) * | 2023-02-16 | 2023-05-02 | 运易通科技有限公司 | 一种基于人工智能的仓库顶棚太阳能板缺陷检测方法 |
| CN116433940A (zh) * | 2023-04-21 | 2023-07-14 | 北京数慧时空信息技术有限公司 | 基于孪生镜像网络的遥感影像变化检测方法 |
| CN116402691A (zh) * | 2023-06-05 | 2023-07-07 | 四川轻化工大学 | 基于图像特征快速拼接的图像超分辨率方法和系统 |
| CN116958688A (zh) * | 2023-07-28 | 2023-10-27 | 南京信息工程大学 | 一种基于YOLOv8网络的目标检测方法及系统 |
| CN117237884A (zh) * | 2023-11-06 | 2023-12-15 | 福建行无忧智能科技有限公司 | 一种基于泊位定位的互动式巡检机器人 |
| CN117496352A (zh) * | 2023-11-13 | 2024-02-02 | 长沙理工大学 | 基于相邻特征逐步融合的遥感变化检测方法、装置和设备 |
Non-Patent Citations (3)
| Title |
|---|
| "Hyperspectral Unmixing With Multi-Scale Convolution Attention Network";Sheng Hu等;《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》;20231123;全文 * |
| "电气数据超频重建方法及其应用研究";李富盛;《中国硕士学位论文全文数据库》;20230115;全文 * |
| 基于深度迁移学习的无人机高分影像树种分类与制图;滕文秀;温小荣;王妮;施慧慧;;激光与光电子学进展;20181029(第07期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117853738A (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Golts et al. | Unsupervised single image dehazing using dark channel prior loss | |
| CN110263705B (zh) | 面向遥感技术领域两期高分辨率遥感影像变化检测系统 | |
| CN109614996B (zh) | 基于生成对抗网络的弱可见光与红外图像融合的识别方法 | |
| CN109685072B (zh) | 一种基于生成对抗网络的复合降质图像高质量重建方法 | |
| CN109753878B (zh) | 一种恶劣天气下的成像识别方法及系统 | |
| CN110032925B (zh) | 一种基于改进胶囊网络与算法的手势图像分割与识别方法 | |
| CN110889813A (zh) | 基于红外信息的低光图像增强方法 | |
| CN114627360A (zh) | 基于级联检测模型的变电站设备缺陷识别方法 | |
| CN114241340B (zh) | 一种基于双路深度残差网络的图像目标检测方法及系统 | |
| CN108764250B (zh) | 一种运用卷积神经网络提取本质图像的方法 | |
| CN109840560A (zh) | 基于胶囊网络中融入聚类的图像分类方法 | |
| CN109800817B (zh) | 基于融合语义神经网络的图像分类方法 | |
| CN113420794B (zh) | 一种基于深度学习的二值化Faster R-CNN柑橘病虫害识别方法 | |
| CN115223004A (zh) | 基于改进的多尺度融合生成对抗网络图像增强方法 | |
| CN113822805B (zh) | 图像超分辨率重建方法、中药植物叶病诊断方法及设备 | |
| CN111079764A (zh) | 一种基于深度学习的低照度车牌图像识别方法及装置 | |
| Ma et al. | Image-based air pollution estimation using hybrid convolutional neural network | |
| CN109190666B (zh) | 基于改进的深度神经网络的花卉图像分类方法 | |
| CN115272777A (zh) | 面向输电场景的半监督图像解析方法 | |
| CN113628143A (zh) | 一种基于多尺度卷积的加权融合图像去雾方法及装置 | |
| CN117853738B (zh) | 一种用于对茶叶分级的图像处理方法及设备 | |
| CN116363036B (zh) | 基于视觉增强的红外与可见光图像融合方法 | |
| CN112861987A (zh) | 暗光环境下的目标检测方法 | |
| Zhang et al. | Mffe: Multi-scale feature fusion enhanced net for image dehazing | |
| CN112132207A (zh) | 基于多分支特征映射目标检测神经网络构建方法 |
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 |