CN110321944A - 一种基于接触网画质评估的深度神经网络模型的构建方法 - Google Patents
一种基于接触网画质评估的深度神经网络模型的构建方法 Download PDFInfo
- Publication number
- CN110321944A CN110321944A CN201910557704.1A CN201910557704A CN110321944A CN 110321944 A CN110321944 A CN 110321944A CN 201910557704 A CN201910557704 A CN 201910557704A CN 110321944 A CN110321944 A CN 110321944A
- Authority
- CN
- China
- Prior art keywords
- network model
- image
- images
- quality
- catenary
- 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
- 238000003062 neural network model Methods 0.000 title claims abstract description 32
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 9
- 238000010276 construction Methods 0.000 title claims description 10
- 238000012360 testing method Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000001303 quality assessment method Methods 0.000 abstract description 13
- 238000000034 method Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 12
- 238000005259 measurement Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 241000143437 Aciculosporium take Species 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于接触网画质评估的深度神经网络模型的构建方法，包括：1.从接触网图像集中选取m张图像；2.将m张图像按质量类别划分后，按相同比例在各质量级别图像中筛选训练样本和测试样本；3.采用测试样本分别测试n个已训练的网络模型，筛选出测试精度最高的网络模型作为目标网络模型；4.判断目标网络模型的测试精度是否不小于目标精度，若是，则目标网络模型为用于接触网画质评估的深度神经网络模型；否则，转至步骤5；5.采用训练样本对目标网络模型进行测试，更新训练样本；6.采用更新后训练样本对目标网络模型训练，转至步骤4；本发明自动学习接触网图像的特征，具有较强的测试鲁棒性和适应性。
Description
技术领域
本发明属于图像处理的图像质量评估及接触网安全检测领域，更具体地，涉及一基于基于接触网画质评估的深度神经网络模型的构建方法。
背景技术
对图像或照片的质量进行评价广泛应用在图像处理领域，而对接触网拍摄图像的评估对后续检测接触网上存在的缺陷问题是十分必要的，若是能客观判断出哪些图像是属于拍摄失败的，可极大提高后续对不同部件的缺陷检测的速度和精度，而铁路接触网缺陷的及早发现和维修的重要性更是不言而喻。
在实际铁路应用场景中，每天均存在新的图像数据，包含多条不同铁路线路，每条铁路线路数据包括不同接触网零部件的图像，部分图像可能曝光不正确，造成全亮饱和或者全黑拍摄失败；部分图像存在建筑、铁塔、数目等人工或自然背景在零部件后方；部分图像可能因各种原因未拍到需要拍摄的接触网零部件。图像为分辨率2448×2050的24为彩色图像，通常为500万像素工业相机拍摄，存储格式为JPG，压缩比大约为20倍左右；也可采用杆号相机拍摄分辨率为1280×960的24位彩色图像；因此，图像数据量较大，人工判断工作量极大；基于当前上述情况，对接触网图像质量的评估不仅极大的减轻了人的劳动强度，而且能根据接触网图像质量评估结果，对拍摄失败的图像进行不同程度的剔除，减少需要判断的图像数量，有利于后续进一步根据拍摄到的接触网图像对接触网不同零部件的缺陷情况进行检测判断。
传统的图像质量评估方法大部分采用手选识别特征的方式，图像特征的有效提取分类结果有至关重要的作用，传统方法需要通过提取图像的一些特征，而图像的特征决定系统的最终性能；而对特征的判断需要长期的先验知识和设计经验，在实际系统开发中很难设计最优的具有区分度的特征。因此，传统采用手选识别特征的方式对于铁路基础网拍摄图像的评估主要存在两个方面的不足：接触网图像类别较多，易导致不同图像特征对于不同场景类别的图像适应性较差，很难统一某个特征将图像很好的划分；接触网图像分辨率大，采用传统方法耗时较长。
发明内容
针对现有技术的缺陷，本发明的目的在于提供一种基于接触网画质评估的深度神经网络模型的构建方法，旨在解决现有的图像质量评估方法因接触网图像类别较多导致不同图像特征对图像适应性较差的问题。
为实现上述目的，本发明提供了一种基于接触网画质评估的深度神经网络模型的构建方法，包括：
(1)按第一预设比例从接触网图像集中选取m张图像；
(2)将m张图像按质量类别划分后，按第二预设比例在各质量级别图像中筛选训练样本，且剩余图像构成测试样本；
(3)采用测试样本分别测试n个已训练的网络模型，筛选出测试精度最高的网络模型作为目标网络模型；
(4)判断目标网络模型的测试精度是否大于等于目标精度，若是，则目标网络模型为用于接触网画质评估的深度神经网络模型；否则，转至步骤(5)；
(5)采用训练样本对目标网络模型进行测试，质量类别测试错误的图像构成新的训练样本；
(6)采用新的训练样本对目标网络模型训练，转至步骤(4)。
优选地，步骤(1)包括：
按第一预设比例从接触网图像集中随机选取出k张图像进行高斯滤波；
对经过高斯滤波的k张图像均进行镜像处理、竖直反转和180度旋转，获取m张图像；
其中，高斯滤波的卷积核大小为3*3；m＝8k；
优选地，步骤(3)中的n个网络模型的训练，包括：
a.按第三预设比例从训练样本中取出部分图像采用不同的学习率超参并行训练深度神经网络模型，获取n个网络模型的参数初始值；
b.设置相同的学习率，采用训练样本对n个网络模型的参数更新，完成n个网络模型的训练。
优选地，所述相同的学习率设置为：0.001。
优选地，第一预设比例为接触网图像集中全部图像的10％；
第二预设比例为从各质量级别的图像中筛选90％作为训练样本，剩余10％的图像构成测试样本。
优选地，步骤(2)的质量类别为：全黑、曝光过度、全白和正常；
其中，全黑为有用信息像素点占图像面积的比例小于10％；曝光过度为白像素点占图像面积的30％～70％；全白为白像素点占图像面积的比例大于等于90％；剩余的图像划分为正常图像。
优选地，步骤(2)具体包括：
(2.1)按照有用信息像素点和白像素点占图像面积的比例，设定质量类别；
(2.2)将m张图像按质量类别划分，并对质量类别中的图像做数据平衡处理；
(2.3)按第二预设比例在经过数据平衡处理后的各质量级别图像中筛选训练样本，且剩余图像构成测试样本。
通过本发明所构思的以上技术方案，与现有技术相比，能够取得以下有益效果：
1、本发明首先从接触网图像集中选取若干图像对其质量类别划分，其次，采用已质量划分的训练样本和测试样本训练测试多个深度神经网络模型，筛选出测量精度最高的目标网络模型，最后对其测试精度再次进行改善；根据实际测量精度的需求可对深度神经网络模型进行训练，采用测量精度较高的深度神经网络模型对接触网拍摄图像进行异常分类，并不需要手动提取图像特征，而是自动学习接触网图像的特征，大大增强了测量的鲁棒性，故即使在实际应用场景中，即使接触网图形种类较多，但仍能很好的区分不同类别的图像，继而对接触网拍摄图像做画质评估，因此，本发明提供的基于接触网画质评估的深度神经网络模型具有极强的适应性。
2、本发明采用深度神经网络模型对拍摄网图像进行异常分类，在神经网络中会频繁用到卷积、下采样等操作，能很快的减少特征图像分辨率，同时保存图像主要特征，故相较于传统图像处理方法，基于深度神经网络模型的高铁接触网画质异常评估方法耗时更少，速度更快。
附图说明
图1是本发明提供的深度神经网络模型的构建示意图；
图2是实施例提供的深度神经网络模型的构建示意图；
图3(a)是本发明提供的属于全黑类别的一种接触网图像示意图；
图3(b)是本发明提供的属于全黑类别的另一种接触网图像示意图；
图3(c)是本发明提供的属于曝光过度类别的接触网图像示意图；
图3(d)是本发明提供的属于全白的接触网图像示意图；
图3(e)是本发明提供的属于拍摄正常的接触网图像示意图；
图4是本发明提供的深度神经网络模型的结构示意图；
图5(a)是本发明提供的属于全黑类别的测试结果示意图；
图5(b)是本发明提供的属于曝光过度的测试结果示意图；
图5(c)是本发明提供的属于全白类别的测试结果示意图；
图5(d)是本发明提供的属于拍摄正常的测试结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在实际应用场景中，获取接触网图像比较困难，因此，无参考的图像质量评估方法是最具有实用性和挑战性的研究课题，而传统的无参考的图像质量评估方法都有很高的计算复杂度和时间复杂度，同时评估的客观质量与主观感知之间的一致性较差。
如图1所示，基于上述呈现的问题，本发明提供了一种基于接触网画质评估的深度神经网络模型的构建方法，包括：
(1)按第一预设比例从接触网图像集中选取m张图像；
(2)将m张图像按质量类别划分后，按第二预设比例在各质量级别图像中筛选训练样本，且剩余图像构成测试样本；
(3)采用测试样本分别测试n个已训练的网络模型，筛选出测试精度最高的网络模型作为目标网络模型；
(4)判断目标网络模型的测试精度是否大于等于目标精度，若是，则目标网络模型为用于接触网画质评估的深度神经网络模型；否则，转至步骤(5)；
(5)采用训练样本对目标网络模型进行测试，测试结果中质量级别分类错误的图像构成新的训练样本；
(6)采用新的训练样本对目标网络模型训练，转至步骤(4)。
实施例
如图2所示，按第一预设比例从接触网图像集中选取m张图像；
具体地，(1.1)图像预处理：按第一预设比例从接触网图像集中随机选取出n张图像进行高斯滤波；
进一步地，为了避免特殊性，先从源图像集中每十张图像中筛选一张，共随机选出三千张图像，由于接触网图像多拍摄于晚上，图像分辨率高且存在较多噪声，为增强接触网图像质量评估以及后续剔除的精度，故先对挑选出的图像进行滤波降噪，对三千张图像进行高斯滤波，高斯滤波的卷积核大小为3*3，3*3的高斯卷积核如下：
0.0585 0.0965 0.0585
0.0965 0.1529 0.0965
0.0585 0.0965 0.0585
(1.2)对经过高斯滤波的k张图像均进行镜像处理、竖直反转和180度旋转，获取k张图像；
其中，高斯滤波的卷积核大小为3*3；m＝8k；
具体地，为了增加训练的高铁接触网图像训练数据量，进行数据增广：镜像处理、竖直反转和180度旋转，将原有的数据量扩大八倍；
(2)将m张图像按质量类别划分后，按第二预设比例在各质量级别图像中筛选训练样本，且剩余图像构成测试样本；
具体地，步骤(2)具体包括：
(2.1)按照有用信息像素点和白像素点占图像面积的比例，设定质量类别；
优选地，如图3所示，为了接触网拍摄图像质量的评估，采用四类典型的接触网图像示意图；通过分析实际高铁接触网图像数据，将图像聚类，对整体高铁接触网图像进行质量标定，将上述增广后的高铁接触网图像划分为四个质量类别，步骤(2)的质量类别为：全黑，曝光过度，全白和正常；
其中，如图(a)和图3(b)所示，全黑为有用信息像素点占图像面积的比例小于10％；如图3(c)所示，曝光过度为白像素点占图像面积的30％～70％；如图3(d)所示，全白为白像素点占图像面积的比例大于等于90％；如图3(e)所示，剩余的图像划分为正常图像；
(2.2)将m张图像按质量类别划分，并对质量类别中的图像做数据平衡处理；
具体地，将m张图像按质量类别划分为四类，即，全黑、曝光过度、全白和正常；划分完之后，为了不误导网络将接触网图像数据预测为数据量占比大的质量类别，统计各质量类别中的图像数量，并对其数据平衡处理，更新各质量级别的图像；
(2.3)按第二预设比例在经过数据平衡处理后的各质量级别图像中筛选训练样本，且剩余图像构成测试样本；
将从各质量级别的图像中筛选90％作为训练样本，剩余10％的图像构成测试样本；
(3)采用测试样本分别测试n个已训练的网络模型，筛选出测试精度最高的网络模型作为目标网络模型；
步骤(3)中的n个网络模型的训练，包括：
a.按第三预设比例从训练样本中取出部分图像采用不同的学习率超参并行训练深度神经网络模型，获取n个网络模型的参数初始值；
本实施例中，在网上下载已经在ImageNet，MS COCO，Pascal Voc上完成训练的caffemodel作为深度神经网络模型的初始权重，从训练样本中取出部分图像，用不同的学习率超参并行训练深度神经网络模型，获取n个网络模型的参数初始值；
b.设置相同的学习率，采用训练样本对n个网络模型的参数更新，完成n个网络模型的训练；
如图4所示，本实施例中设置相同的学习率为0.001，将n个网络模型的最后两层下采样的学习率扩大10倍，采用训练样本对n个网络模型的参数更新，完成n个网络模型的训练；
(4)判断目标网络模型的测试精度是否大于等于目标精度，若是，则目标网络模型为用于接触网画质评估的深度神经网络模型；否则，转至步骤(5)；
(5)采用训练样本对目标网络模型进行测试，测试结果中质量级别分类错误的图像构成新的训练样本；
如图5(a)、图5(b)、图5(c)和图5(d)所示，本实施例中，编写测试脚本，对训练样本中的每一质量类别的图像分别测试，并将测试结果保存到对应的不同文本文件中，取出分类错误的数据，将分类错误的图像整合后构成新的训练样本；
(6)采用新的训练样本对目标网络模型训练，转至步骤(4)。
实际应用中，采用步骤(4)获取的用于接触网画质评估的深度神经网络模型，对输入图像进行整体质量监测后输出质量类别。
综上所述，本发明首先从接触网图像集中选取若干图像对其质量类别划分，其次，采用已质量划分的训练样本和测试样本训练测试多个深度神经网络模型，筛选出测量精度最高的目标网络模型，最后对其测试精度再次进行改善；根据实际测量精度的需求可对深度神经网络模型进行训练，采用测量精度较高的深度神经网络模型对接触网拍摄图像进行异常分类，并不需要手动提取图像特征，而是自动学习接触网图像的特征，大大增强了测量的鲁棒性，故即使在实际应用场景中，即使接触网图形种类较多，但仍能很好的区分不同类别的图像，继而对接触网拍摄图像做画质评估，因此，本发明提供的基于接触网画质评估的深度神经网络模型具有极强的适应性。
本发明采用深度神经网络模型对拍摄网图像进行异常分类，在神经网络中会频繁用到卷积、下采样等操作，能很快的减少特征图像分辨率，同时保存图像主要特征，故相较于传统图像处理方法，基于深度神经网络模型的高铁接触网画质异常评估方法耗时更少，速度更快。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于接触网画质评估的深度神经网络模型的构建方法，其特征在于，包括：
(1)按第一预设比例从接触网图像集中选取m张图像；
(2)将m张图像按质量类别划分后，按第二预设比例在各质量级别图像中筛选训练样本，且剩余图像构成测试样本；
(3)采用测试样本分别测试n个已训练的网络模型，筛选出测试精度最高的网络模型作为目标网络模型；
(4)判断目标网络模型的测试精度是否大于等于目标精度，若是，则目标网络模型为用于接触网画质评估的深度神经网络模型；否则，转至步骤(5)；
(5)采用训练样本对目标网络模型进行测试，测试结果中质量级别分类错误的图像构成新的训练样本；
(6)采用新的训练样本对目标网络模型训练，转至步骤(4)。
2.如权利要求1所述的构建方法，其特征在于，步骤(1)包括：
按第一预设比例从接触网图像集中随机选取出k张图像进行高斯滤波；
对经过高斯滤波的k张图像均进行镜像处理、竖直反转和180度旋转，获取m张图像；
其中，高斯滤波的卷积核大小为3*3；m＝8k。
3.如权利要求1或2所述的构建方法，其特征在于，步骤(2)包括：
(2.1)按照有用信息像素点和白像素点占图像面积的比例，设定质量类别；
(2.2)将m张图像按质量类别划分，并对质量类别中的图像做数据平衡处理；
(2.3)按第二预设比例在经过数据平衡处理后的各质量级别图像中筛选训练样本，且剩余图像构成测试样本。
4.如权利要求3所述的构建方法，其特征在于，步骤(2)的质量类别为：全黑、曝光过度、全白和正常；
其中，全黑为有用信息像素点占图像面积的比例小于10％；曝光过度为白像素点占图像面积的30％～70％；全白为白像素点占图像面积的比例大于等于90％；剩余的图像划分为正常图像。
5.如权利要求1至4任一所述的构建方法，其特征在于，步骤(3)中的n个网络模型的训练，包括：
a.按第三预设比例从训练样本中取出部分图像采用不同的学习率超参并行训练深度神经网络模型，获取n个网络模型的参数初始值；
b.设置相同的学习率，采用训练样本对n个网络模型的参数更新，完成n个网络模型的训练。
6.如权利要求5所述的构建方法，其特征在于，所述相同的学习率设置为:0.001。
7.如权利要求1所述的构建方法，其特征在于，所述第一预设比例为接触网图像集中全部图像的10％；
所述第二预设比例为从各质量级别的图像中筛选90％作为训练样本，剩余10％的图像构成测试样本。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910557704.1A CN110321944A (zh) | 2019-06-26 | 2019-06-26 | 一种基于接触网画质评估的深度神经网络模型的构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910557704.1A CN110321944A (zh) | 2019-06-26 | 2019-06-26 | 一种基于接触网画质评估的深度神经网络模型的构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110321944A true CN110321944A (zh) | 2019-10-11 |
Family
ID=68120296
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910557704.1A Pending CN110321944A (zh) | 2019-06-26 | 2019-06-26 | 一种基于接触网画质评估的深度神经网络模型的构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110321944A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111266304A (zh) * | 2019-12-02 | 2020-06-12 | 唐山因泰智能科技发展有限公司 | 一种煤块识别检测分选系统 |
| CN111652395A (zh) * | 2020-06-12 | 2020-09-11 | 成都国铁电气设备有限公司 | 一种高速铁路接触网设备健康评估方法 |
| CN112381767A (zh) * | 2020-10-27 | 2021-02-19 | 深圳大学 | 角膜反射图像的筛选方法、装置、智能终端及存储介质 |
| CN112784165A (zh) * | 2021-01-29 | 2021-05-11 | 北京百度网讯科技有限公司 | 关联关系预估模型的训练方法以及预估文件热度的方法 |
| CN114761145A (zh) * | 2019-12-03 | 2022-07-15 | 克朗斯股份公司 | 用于识别在容器物料流中倒下的和/或损坏的容器的方法和装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104834898A (zh) * | 2015-04-09 | 2015-08-12 | 华南理工大学 | 一种人物摄影图像的质量分类方法 |
| CN107330455A (zh) * | 2017-06-23 | 2017-11-07 | 云南大学 | 图像评价方法 |
| CN107766929A (zh) * | 2017-05-05 | 2018-03-06 | 平安科技（深圳）有限公司 | 模型分析方法及装置 |
| CN109558892A (zh) * | 2018-10-30 | 2019-04-02 | 银河水滴科技（北京）有限公司 | 一种基于神经网络的目标识别方法及系统 |
| CN109859157A (zh) * | 2018-11-16 | 2019-06-07 | 天津大学 | 基于视觉注意特征的全参考图像质量评价方法 |
-
2019
- 2019-06-26 CN CN201910557704.1A patent/CN110321944A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104834898A (zh) * | 2015-04-09 | 2015-08-12 | 华南理工大学 | 一种人物摄影图像的质量分类方法 |
| CN107766929A (zh) * | 2017-05-05 | 2018-03-06 | 平安科技（深圳）有限公司 | 模型分析方法及装置 |
| CN107330455A (zh) * | 2017-06-23 | 2017-11-07 | 云南大学 | 图像评价方法 |
| CN109558892A (zh) * | 2018-10-30 | 2019-04-02 | 银河水滴科技（北京）有限公司 | 一种基于神经网络的目标识别方法及系统 |
| CN109859157A (zh) * | 2018-11-16 | 2019-06-07 | 天津大学 | 基于视觉注意特征的全参考图像质量评价方法 |
Non-Patent Citations (2)
| Title |
|---|
| 特伦斯·谢诺夫斯基: "深度学习", 《深度学习》 * |
| 王理同等: "基于循环神经网络的股指价格预测研究", 《浙江工业大学学报》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111266304A (zh) * | 2019-12-02 | 2020-06-12 | 唐山因泰智能科技发展有限公司 | 一种煤块识别检测分选系统 |
| CN114761145A (zh) * | 2019-12-03 | 2022-07-15 | 克朗斯股份公司 | 用于识别在容器物料流中倒下的和/或损坏的容器的方法和装置 |
| CN111652395A (zh) * | 2020-06-12 | 2020-09-11 | 成都国铁电气设备有限公司 | 一种高速铁路接触网设备健康评估方法 |
| CN112381767A (zh) * | 2020-10-27 | 2021-02-19 | 深圳大学 | 角膜反射图像的筛选方法、装置、智能终端及存储介质 |
| CN112381767B (zh) * | 2020-10-27 | 2023-09-01 | 深圳大学 | 角膜反射图像的筛选方法、装置、智能终端及存储介质 |
| CN112784165A (zh) * | 2021-01-29 | 2021-05-11 | 北京百度网讯科技有限公司 | 关联关系预估模型的训练方法以及预估文件热度的方法 |
| CN112784165B (zh) * | 2021-01-29 | 2024-07-19 | 北京百度网讯科技有限公司 | 关联关系预估模型的训练方法以及预估文件热度的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110321944A (zh) | 一种基于接触网画质评估的深度神经网络模型的构建方法 | |
| CN110689531A (zh) | 一种基于yolo的输电线路机巡图像缺陷自动识别方法 | |
| CN106875373B (zh) | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 | |
| CN107123111B (zh) | 一种用于手机屏幕缺陷检测的深度残差网络构造方法 | |
| CN111160301B (zh) | 基于机器视觉的隧道病害目标智能识别及提取方法 | |
| CN101426150B (zh) | 视频图像质量测评的方法和系统 | |
| CN110736709A (zh) | 一种基于深度卷积神经网络的蓝莓成熟度的无损检测方法 | |
| CN111126293A (zh) | 一种火焰和烟雾异常情况检测方法及系统 | |
| CN104657714B (zh) | 光照对称性与全局光照强度融合的无参考人脸光照评价方法 | |
| CN109872313A (zh) | 一种基于深度卷积自编码器的产品表面缺陷检测方法 | |
| CN109191444A (zh) | 基于深度残差网络的视频区域移除篡改检测方法及装置 | |
| CN116563237A (zh) | 一种基于深度学习的鸡胴体缺陷高光谱图像检测方法 | |
| CN108802041A (zh) | 一种屏幕检测的小样本集快速换型的方法 | |
| CN115830004A (zh) | 表面缺陷检测方法、装置、计算机设备和存储介质 | |
| CN117237736A (zh) | 一种基于机器视觉和深度学习的大曲质量检测方法 | |
| CN116152191A (zh) | 基于深度学习的显示屏裂纹缺陷检测方法、装置及设备 | |
| CN115266732A (zh) | 基于机器视觉的碳纤维丝束缺陷检测方法 | |
| CN105469413B (zh) | 一种基于归一化振铃加权的无参考模糊复原图像综合质量评估方法 | |
| CN114998248A (zh) | 一种输变电设备缺陷图像自动识别方法 | |
| CN117372352A (zh) | 一种基于多流卷积神经网络的水下图像质量评价方法 | |
| CN112488986A (zh) | 基于Yolo卷积神经网络的布匹表面瑕疵识别方法、装置及系统 | |
| CN114821174B (zh) | 一种基于内容感知的输电线路航拍图像数据清洗方法 | |
| CN111028250A (zh) | 一种实时智能验布方法及系统 | |
| CN106073823A (zh) | 一种智能化医用超声图像处理设备、系统及方法 | |
| CN116485766A (zh) | 一种基于改进yolox的粮食不完善粒检测和计数方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191011 |
|
| RJ01 | Rejection of invention patent application after publication |