CN113438451B - 用于多终端多源数据的统一标准化处理平台与方法 - Google Patents
用于多终端多源数据的统一标准化处理平台与方法 Download PDFInfo
- Publication number
- CN113438451B CN113438451B CN202110686021.3A CN202110686021A CN113438451B CN 113438451 B CN113438451 B CN 113438451B CN 202110686021 A CN202110686021 A CN 202110686021A CN 113438451 B CN113438451 B CN 113438451B
- Authority
- CN
- China
- Prior art keywords
- picture
- group
- grouped
- pictures
- image acquisition
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
- G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/66—Remote control of cameras or camera parts, e.g. by remote control devices
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/667—Camera operation mode switching, e.g. between still and video, sport and normal or high- and low-resolution modes
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Processing (AREA)
Abstract
本发明提出用于多终端多源数据的统一标准化处理平台、方法以及存储介质。所述平台包括并行图片数据输入通道、图片数据筛选通道以及图片分组通道,并与远端的多个图像采集装置无线通信。图像采集装置采集多组图像数据。图片数据筛选通道对多组图片数据进行筛选后获得过滤图片组;图片分组通道对过滤图片组进行分组处理后获得分组图片组;从所述分组图片组中获得第一数量的第一分组图片和第二数量的第二分组图片,基于不同的神经网络模型对第一分组图片和第二分组图片进行处理;基于处理结果,给所述远端的至少一个图像采集装置发送调节指令,所述调节指令用于改变所述图像采集装置的工作状态。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种用于多终端多源数据的统一标准化处理平台、方法与计算机可读介质。
背景技术
对于电力、石油、化工和交通等重要行业,安全生产和设备的安全运行举足轻重,因而对设备和现场的监控至关重要。为了获得监控的准确性以及全面性,现有技术中,针对同一个监控区域(监控位置),通常需要配置超数量的监控设备(摄像头),同时这些摄像头还需要具备超标准的高分辨率,并且在大部分时间段据需要同时不间断的开启。
中国发明专利公开文本CN112468867A公开一种视频数据的处理方法,包括:获取用户状态信息,并在所述用户状态信息满足预设选取规则时,从多个摄像头采集的视频数据中获取对应的视频关键帧;和根据所述视频关键帧生成对应的视频预览图像。通过获取用户状态信息,判断用户状态信息是否满足预设选取规则,并在用户状态信息满足规则时,从多个摄像头采集的视频数据中获取对应的视频关键帧,根据视频关键帧生成视频预览图像,能够准确定位关键的视频帧,有的放矢地生成视频预览图像,丰富预览图像的信息,帮助用户了解或回忆视频的内容,优化用户体验。
申请号为CN202011299640.9的中国发明专利申请提出一种图像识别方法、特定场所的点名方法及相关装置、设备,其中,图像识别方法包括:获取到各个待识别对象的至少一张识别图像;基于识别图像分别对各个待识别对象进行特征提取,得到各个待识别对象的识别特征;将各个待识别对象的识别特征与预先存储的多个目标对象的多个预设特征分别进行比对,得到各个待识别对象与每个目标对象的预设特征的相似度分值;利用相似度分值确定各个待识别对象对应的目标对象。上述方案,能够提高图像识别的效率和准确性。
显然,对于同一个目标位置(监控位置、目标范围、监控区域)均配置多个高分辨率的图像采集装置,并且不间断全天候运行的监控方式,使得硬件成本较高,并且占用的资源也较多。如何在确保监控准确性和全面性的前提下,降低硬件成本并且减少资源占用,成为本领域亟待解决的技术问题。
发明内容
为解决上述技术问题,本发明提出一种用于多终端多源数据的统一标准化处理平台、方法以及存储介质。所述平台包括并行图片数据输入通道、图片数据筛选通道以及图片分组通道,并与远端的多个图像采集装置无线通信。图像采集装置采集多组图像数据。图片数据筛选通道对多组图片数据进行筛选后获得过滤图片组;图片分组通道对过滤图片组进行分组处理后获得分组图片组;从所述分组图片组中获得第一数量的第一分组图片和第二数量的第二分组图片,基于不同的神经网络模型对第一分组图片和第二分组图片进行处理;基于处理结果,给所述远端的至少一个图像采集装置发送调节指令,所述调节指令用于改变所述图像采集装置的工作状态。
本发明可在降低硬件使用成本的同时保证图像处理质量,满足使用目的。
在本发明的第一个方面,提出一种用于多终端多源数据的统一标准化处理平台,所述平台与远端的多个图像采集装置无线通信。
作为本发明解决的技术问题的基础,所述多个图像采集装置用于采集多个不同时段、多个不同位置的多组图像数据,并且,在同一个位置可获得多张不同分辨率的图像。
所述来自多个不同分辨率的图像采集装置的多张分辨率不同的图片,作为所述多终端多源数据。
在具体构造上,所述平台包括并行图片数据输入通道、图片数据筛选通道以及图片分组通道。
在功能实现上,所述平台通过所述并行图片数据输入通道并行的接收所述多组图片数据,并通过所述图片数据筛选通道对所述多组图片数据进行筛选后获得过滤图片组;
所述图片分组通道对所述过滤图片组进行分组处理后,获得分组图片组;从所述分组图片组中获得第一数量的第一分组图片和第二数量的第二分组图片;
基于不同的神经网络模型对所述第一分组图片和所述第二分组图片进行处理;
基于处理结果,给所述远端的至少一个图像采集装置发送调节指令,所述调节指令用于改变所述图像采集装置的工作状态,所述工作状态包括所述图像采集装置的启闭时间段和/或图像采集分辨率。
作为本发明的技术方案的具体应用场景之一,所述图像采集装置包括无人机;所述无人机上配置有多个分辨率不同的图像传感器。
基于处理结果,给所述远端的至少一个图像采集装置发送调节指令,具体包括:
通过所述调节指令改变所述无人机的飞行状态。
更具体的,所述调节指令还包括:改变所述无人机的所述多个分辨率不同的图像传感器中部分图像传感器的启闭时间段和/或图像采集分辨率。
基于第一个方面的所述平台,在本发明的第二个方面,还提出一种用于多终端多源数据的统一标准化处理方法,所述方法的主体步骤如下:
S700:获取多张原始图片数据,所述多张原始图片具有不同的标记时间和分辨率;
S701:对所述原始图片数据进行过滤处理,得到过滤图片集;
S702:对所述过滤图片集进行分组处理,得到分组图片集;
S703:从所述分组图片集中获得第一分组图片集和第二分组图片集,将所述第一分组图片集输入第一多层图片质量评分标记模型,得出第一分组图片集的质量评分随时间变化的预测趋势图;将所述第二分组图片集输入第二分辨率提升模型,得出第二分组图片集的分辨率提升效果图;
S704:基于所述预测趋势图和所述分辨率提升效果图的比对结果,生成调节指令,所述调节指令用于调节所述原始图片数据的采集方式。
更具体的,作为上述方法的应用基础场景,
所述步骤S700具体包括:
通过同一位置的多个不同分辨率的图像采集传感器获得多张原始图片数据;
优选的,所述图像采集装置包括无人机;所述无人机上配置有多个分辨率不同的图像传感器;
所述步骤S704具体包括:
通过所述调节指令改变所述多个不同分辨率的图像采集传感器的启闭状态。
优选的,通过所述调节指令改变所述无人机的飞行状态,所述飞行状态包括经过目标位置(目标范围)的时段频率;
更具体的,所述调节指令还包括:改变所述无人机的所述多个分辨率不同的图像传感器中部分图像传感器的启闭时间段和/或图像采集分辨率。
本发明的上述方法可以通过包含处理器和存储器的终端设备,尤其是图像处理终端设备,包括移动终端、桌面终端、服务器以及服务器集群等,通过程序指令自动化的执行,因此,在本发明的第四个方面,还提供一种计算机可读存储介质,其上存储有计算机程序指令;通过包含处理器和存储器的图像终端处理设备,执行所述程序指令,用于实现第二个方面所述方法的全部或者部分步骤。
基于上述技术方案,本发明可以针对需要在同一个位置配置多个分辨率不同的图像采集装置的图片产生场合;或者针对同一个目标位置(目标范围)需要获得多张分辨率不同图片的场合,调节所述多终端多张多分辨率图片数据的产生方式,从而在保证图像处理质量的同时,降低硬件使用成本。
本发明的进一步优点将结合说明书附图在具体实施例部分进一步详细体现。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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是本发明一个实施例的一种用于多终端多源数据的统一标准化处理平台的整体架构图
图2是图1所述***使用的图像采集装置的多种具体表现示意图
图3是图1所述***使用的分组图像数据的示意图
图4是图1所述***中获得第一分组图像数据的流程示意图
图5是图1所述***生成调节指令的流程示意图
图6是基于图1所述***实现的一种用于多终端多源数据的统一标准化处理方法的主要流程图
具体实施方式
下面,结合附图以及具体实施方式,对发明做出进一步的描述。
参照图1,是本发明一个实施例的一种用于多终端多源数据的统一标准化处理平台的整体架构图。
在图1中,所述所述平台与远端的多个图像采集装置无线通信。
所述多个图像采集装置用于采集多个不同时段、多个不同位置的多组图像数据,并且,在同一个位置可获得多张不同分辨率的图像。
在图1中,所述平台包括并行图片数据输入通道、图片数据筛选通道以及图片分组通道;
所述平台通过所述并行图片数据输入通道并行的接收所述多组图片数据,并通过所述图片数据筛选通道对所述多组图片数据进行筛选后获得过滤图片组;
所述图片分组通道对所述过滤图片组进行分组处理后,获得分组图片组;
从所述分组图片组中获得第一数量的第一分组图片和第二数量的第二分组图片。
将所述第一分组图片和第二数量的第二分组图片作为神经网络处理器组输入,以生成调节指令。
其中,所述神经网络处理器组包括至少两个不同的神经网络模型。
基于不同的神经网络模型对所述第一分组图片和所述第二分组图片进行处理;
基于处理结果,给所述远端的至少一个图像采集装置发送调节指令,所述调节指令用于改变所述图像采集装置的工作状态,所述工作状态包括所述图像采集装置的启闭时间段和/或图像采集分辨率。
作为示例,所述图像采集装置可以是布置于重点目标范围/位置的多个图像传感器,并且所述多个图像传感器的分辨率不同,同时,所有图像传感器的分辨率均高于第一预设阈值;
所述多个图像传感器的所述布置既可以是动态的也可以是静态的。
作为动态的示例,所述图像采集装置包括无人机;所述无人机上配置有多个分辨率不同的图像传感器;
所述无人机按照预定的飞行规则,按照预设频率的经过所述重点目标范围/位置,并获得多个不同的分辨率图片;
作为静态的示例,所述图像采集装置包括交通监控摄像头,在同一个点目标范围/位置,布设多个角度、分辨率不同的交通监控摄像头。
图2给出了本发明实施例使用的图像采集装置的几种具体表现形式,包括无人机、综合执法球、高空瞭望摄像头、4G布控球以及“慧眼”四代卡扣电警。
接下来参见图3和图4。
在图3中,给出了所述分组图片数据的一个示意图说明。
所述图片分组通道对所述过滤图片组进行分组处理,具体包括:
获取所述过滤图片组的每张图片的标记时间;
将标记时间处于同一个设定时间段的过滤图片分为同一组;并且,同一组中的过滤图片按照分辨率从高到低的顺序排列。
以图3为例,图3右半部分示出了三个分组,称之以上组、中组和下组。
在上组中的所有图片的采集时间均为每天的9:00-12:00,分辨率由高到低排列为img1,img2,……imgM;
在中组中的所有图片的采集时间均为每天的12:00-14:00,分辨率由高到低排列为imga1,imga2,……imgaN;
在下组中的所有图片的采集时间均为每天的14:00-16:00,分辨率由高到低排列为为imgb1,imgb2,……imgbK;
显然,根据实际情况的不同,所述img1、imga1、imgb1可以相同也可以不同,所述M、N、K可以相同也可以不同。
在获得分组图片数据之后,需要从不同的分组中对应性的获取分组筛选图片,具体的,图4示出了其中一个实施例。
假设所有分组的数量为groupNum,分组组号为i=1,2,……,groupNum;
上述过程可以通过图4所述的计算机流程程序解释如下:
(1)设定目标分辨率,将所述目标分辨率作为所述第一分辨率;
(2)令i=1;
(3)判断第i分组是否存在目标分组图像,所述目标分组图像为分辨率为所述第一分辨率的图像;
如果是,则获取第i分组中所有的目标分组图像后,进入下一组(i++)
否则,直接进入下一组(i++);
(4)判断是否为最后一组(i>groupNum是否成立),如果不是,则返回步骤(3),如果是,退出。
执行上述过程,可以获得所有分组中的所有分组图像数据,作为所述第一分组图形数据,成为所述第一神经网络模型的输入。
类似的,将所述多个分组图像数据中的第二数量分组的第二分组图像数据作为所述第二神经网络模型的输入,具体包括:
从第一设定时间段对应的第一分组中获取第二分辨率的第二筛选图像数据;
依次判断在其他设定时间段对应的其他分组中是否存在不高于第二分辨率的候选筛选图像数据,如果存在,则获取所述候选筛选图像数据;
将所述第二筛选图像数据和所述候选筛选图像数据作为所述第二神经网络模型的输入;
所述第二分辨率低于所述第一分辨率。
显然,上述过程也可以通过类似图4所述的计算机流程实现,本实施例对此不再赘述。
在图1-图4的实施例中,所述第一神经网络为预先训练的多层图片质量评分标记模型;所述第二神经网络为预先训练的多层图片分辨率提升模型。
基于不同的神经网络模型对所述第一分组图片和所述第二分组图片进行处理,具体包括:
从所述分组图片组中获得第一数量的第一分组图片作为第一神经网络模型的输入,并获得所述第一神经网络的第一输出结果;
从所述分组图片组中获得第二数量的第二分组图片作为第二神经网络模型的输入,并获得所述第二神经网络的第二输出结果。
图5是图1所述***生成调节指令的流程示意图,将所述第一输出结果和所述第二输出结果进行比对计算,
基于所述比对计算的结果,生成所述调节指令。
举例来说,以前述所述原始图像数据可以是交通监控数据,所述图像采集装置可以是交通安全监控摄像头为例,基于比对计算的结果,就可以选择性的在某个特定时段关闭或者开启同一个位置的多个摄像头的至少部分摄像头,或者仅开启部分分辨率较低的摄像头,以降低硬件成本;或者直接减少摄像头数量。对于前者,可能是融合计算的结果显示,不需要如此多的多源图片;对于后者,可能是融合计算的结果显示,即使分辨率降低,也可通过后期通过软件提升方式弥补质量以满足要求,等等。
以前述所述图像采集装置包括无人机为例,基于比对计算的结果,通过所述调节指令改变所述无人机的飞行状态,所述飞行状态包括经过目标位置(目标范围)的时段频率;
更具体的,所述调节指令还包括:改变所述无人机的所述多个分辨率不同的图像传感器中部分图像传感器的启闭时间段和/或图像采集分辨率。
本发明对此不做限制,本领域技术人员可以根据实际情况,预先配置所述调整规则。
基于图1-5的实施例,图6给出一种用于多终端多源数据的统一标准化处理方法的主要流程图,主要包括步骤S700-S704,各个步骤简介如下:
S700:获取多张原始图片数据,所述多张原始图片具有不同的标记时间和分辨率;
S701:对所述原始图片数据进行过滤处理,得到过滤图片集;
S702:对所述过滤图片集进行分组处理,得到分组图片集;
S703:从所述分组图片集中获得第一分组图片集和第二分组图片集,将所述第一分组图片集输入第一多层图片质量评分标记模型,得出第一分组图片集的质量评分随时间变化的预测趋势图;将所述第二分组图片集输入第二分辨率提升模型,得出第二分组图片集的分辨率提升效果图;
S704:基于所述预测趋势图和所述分辨率提升效果图的比对结果,生成调节指令,所述调节指令用于调节所述原始图片数据的采集方式。
作为一种更具体的方式,所述步骤S700具体包括:
通过同一位置的多个不同分辨率的图像采集传感器获得多张原始图片数据;
所述步骤S704具体包括:
通过所述调节指令改变所述多个不同分辨率的图像采集传感器的启闭状态。
作为另一种更具体的方式,
所述步骤S700具体包括:
通过配置在无人机的多个图像采集传感器获得多张原始图片数据;
所述步骤S704具体包括:
通过所述调节指令改变所述无人机的飞行状态。
更具体的,所述调节指令还包括:改变所述无人机的所述多个分辨率不同的图像传感器中部分图像传感器的启闭时间段和/或图像采集分辨率。
作为另一种节省资源的方式,所述调节指令还包括:通过所述调节指令改变所述无人机的飞行状态,所述飞行状态包括经过目标位置(目标范围)的时段频率。
本发明可在降低硬件使用成本的同时保证图像处理质量,满足使用目的,具体来说,本发明可以针对需要在同一个位置配置多个分辨率不同的图像采集装置的图片产生场合;或者针对同一个目标位置(目标范围)需要获得多张分辨率不同图片的场合,调节所述多终端多张多分辨率图片数据的产生方式,从而在保证图像处理质量的同时,降低硬件使用成本。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种用于多终端多源数据的统一标准化处理平台,所述平台与远端的多个图像采集装置无线通信,其特征在于:
所述多个图像采集装置用于采集多个不同时段、多个不同位置的多组图像数据,并且,在同一个位置可获得多张不同分辨率的图像;
所述平台包括并行图片数据输入通道、图片数据筛选通道以及图片分组通道;
所述平台通过所述并行图片数据输入通道并行的接收所述多组图片数据,并通过所述图片数据筛选通道对所述多组图片数据进行筛选后获得过滤图片组;
所述图片分组通道对所述过滤图片组进行分组处理后,获得分组图片组;
从所述分组图片组中获得第一数量的第一分组图片和第二数量的第二分组图片,
基于不同的神经网络模型对所述第一分组图片和所述第二分组图片进行处理,具体包括:
从所述分组图片组中获得第一数量的第一分组图片作为第一神经网络模型的输入,并获得所述第一神经网络的第一输出结果;
从所述分组图片组中获得第二数量的第二分组图片作为第二神经网络模型的输入,并获得所述第二神经网络的第二输出结果;
基于处理结果,给所述远端的至少一个图像采集装置发送调节指令,所述调节指令用于改变所述图像采集装置的工作状态,所述工作状态包括所述图像采集装置的启闭时间段和/或图像采集分辨率;
所述第一神经网络为预先训练的多层图片质量评分标记模型;
所述第二神经网络为预先训练的多层图片分辨率提升模型。
2.如权利要求1所述的一种用于多终端多源数据的统一标准化处理平台,其特征在于:
在同一个位置配置多台分辨率不同的图像采集装置。
3.如权利要求1所述的一种用于多终端多源数据的统一标准化处理平台,其特征在于:
所述图像采集装置包括无人机;
所述无人机上配置有多个分辨率不同的图像传感器。
4.如权利要求1所述的一种用于多终端多源数据的统一标准化处理平台,其特征在于:
所述图片分组通道对所述过滤图片组进行分组处理,具体包括:
获取所述过滤图片组的每张图片的标记时间;
将标记时间处于同一个设定时间段的过滤图片分为同一组;并且,同一组中的过滤图片按照分辨率从高到低的顺序排列。
5.如权利要求1所述的一种用于多终端多源数据的统一标准化处理平台,其特征在于:
基于处理结果,给所述远端的至少一个图像采集装置发送调节指令,具体包括:
将所述第一输出结果和所述第二输出结果进行比对计算,
基于所述比对计算的结果,生成所述调节指令。
6.一种用于多终端多源数据的统一标准化处理方法,其特征在于:
所述方法包括如下步骤:
S700:获取多张原始图片数据,所述多张原始图片具有不同的标记时间和分辨率;
S701:对所述原始图片数据进行过滤处理,得到过滤图片集;
S702:对所述过滤图片集进行分组处理,得到分组图片集;
S703:从所述分组图片集中获得第一分组图片集和第二分组图片集,将所述第一分组图片集输入第一多层图片质量评分标记模型,得出第一分组图片集的质量评分随时间变化的预测趋势图;将所述第二分组图片集输入第二分辨率提升模型,得出第二分组图片集的分辨率提升效果图;
S704:基于所述预测趋势图和所述分辨率提升效果图的比对结果,生成调节指令,所述调节指令用于调节所述原始图片数据的采集方式。
7.如权利要求6所述的一种用于多终端多源数据的统一标准化处理方法,其特征在于:
所述步骤S700具体包括:
通过同一位置的多个不同分辨率的图像采集传感器获得多张原始图片数据;
所述步骤S704具体包括:
通过所述调节指令改变所述多个不同分辨率的图像采集传感器的启闭状态。
8.如权利要求7所述的一种用于多终端多源数据的统一标准化处理方法,其特征在于:
所述步骤S700具体包括:
通过配置在无人机的多个图像采集传感器获得多张原始图片数据;
所述步骤S704具体包括:
通过所述调节指令改变所述无人机的飞行状态。
9.一种计算机可读存储介质,其上存储有计算机程序指令;通过包含处理器和存储器的图像终端处理设备,执行所述程序指令,用于实现权利要求7-8任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110686021.3A CN113438451B (zh) | 2021-06-21 | 2021-06-21 | 用于多终端多源数据的统一标准化处理平台与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110686021.3A CN113438451B (zh) | 2021-06-21 | 2021-06-21 | 用于多终端多源数据的统一标准化处理平台与方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113438451A CN113438451A (zh) | 2021-09-24 |
CN113438451B true CN113438451B (zh) | 2022-04-19 |
Family
ID=77756878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110686021.3A Active CN113438451B (zh) | 2021-06-21 | 2021-06-21 | 用于多终端多源数据的统一标准化处理平台与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113438451B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114422702B (zh) * | 2022-01-26 | 2022-10-18 | 北京拙河科技有限公司 | 基于高倍重载云台的全覆盖式区域可视化方法与装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107924572A (zh) * | 2015-04-17 | 2018-04-17 | 快图凯曼有限公司 | 使用阵列相机执行高速视频捕获和深度估计的***和方法 |
CN108038445A (zh) * | 2017-12-11 | 2018-05-15 | 电子科技大学 | 一种基于多视角深度学习框架的sar自动目标识别方法 |
CN108056789A (zh) * | 2017-12-19 | 2018-05-22 | 飞依诺科技(苏州)有限公司 | 一种生成超声扫描设备的配置参数值的方法和装置 |
CN109117864A (zh) * | 2018-07-13 | 2019-01-01 | 华南理工大学 | 基于异构特征融合的冠心病风险预测方法、模型及*** |
CN109859187A (zh) * | 2019-01-31 | 2019-06-07 | 东北大学 | 一种爆堆矿岩颗粒图像分割方法 |
CN110278415A (zh) * | 2019-07-02 | 2019-09-24 | 浙江大学 | 一种网络摄像机视频质量提升方法 |
KR20190119550A (ko) * | 2019-10-02 | 2019-10-22 | 엘지전자 주식회사 | 영상의 해상도를 향상시키기 위한 방법 및 장치 |
CN111186379A (zh) * | 2020-01-21 | 2020-05-22 | 武汉大学 | 一种基于深度学习的汽车盲区危险物报警方法 |
CN111209434A (zh) * | 2020-01-09 | 2020-05-29 | 国网江苏省电力有限公司徐州供电分公司 | 一种基于多源异构数据融合的变电站设备巡检***及方法 |
CN111292240A (zh) * | 2020-01-23 | 2020-06-16 | 上海交通大学 | 一种基于成像模型与机器学习的磁共振超分辨率成像方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190339688A1 (en) * | 2016-05-09 | 2019-11-07 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things |
CN111684492B (zh) * | 2017-06-26 | 2024-03-15 | 医科达有限公司 | 使用深度卷积神经网络来改善锥形束ct图像质量的方法 |
US10692184B2 (en) * | 2018-07-05 | 2020-06-23 | SVXR, Inc. | Super-resolution X-ray imaging method and apparatus |
-
2021
- 2021-06-21 CN CN202110686021.3A patent/CN113438451B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107924572A (zh) * | 2015-04-17 | 2018-04-17 | 快图凯曼有限公司 | 使用阵列相机执行高速视频捕获和深度估计的***和方法 |
CN108038445A (zh) * | 2017-12-11 | 2018-05-15 | 电子科技大学 | 一种基于多视角深度学习框架的sar自动目标识别方法 |
CN108056789A (zh) * | 2017-12-19 | 2018-05-22 | 飞依诺科技(苏州)有限公司 | 一种生成超声扫描设备的配置参数值的方法和装置 |
CN109117864A (zh) * | 2018-07-13 | 2019-01-01 | 华南理工大学 | 基于异构特征融合的冠心病风险预测方法、模型及*** |
CN109859187A (zh) * | 2019-01-31 | 2019-06-07 | 东北大学 | 一种爆堆矿岩颗粒图像分割方法 |
CN110278415A (zh) * | 2019-07-02 | 2019-09-24 | 浙江大学 | 一种网络摄像机视频质量提升方法 |
KR20190119550A (ko) * | 2019-10-02 | 2019-10-22 | 엘지전자 주식회사 | 영상의 해상도를 향상시키기 위한 방법 및 장치 |
CN111209434A (zh) * | 2020-01-09 | 2020-05-29 | 国网江苏省电力有限公司徐州供电分公司 | 一种基于多源异构数据融合的变电站设备巡检***及方法 |
CN111186379A (zh) * | 2020-01-21 | 2020-05-22 | 武汉大学 | 一种基于深度学习的汽车盲区危险物报警方法 |
CN111292240A (zh) * | 2020-01-23 | 2020-06-16 | 上海交通大学 | 一种基于成像模型与机器学习的磁共振超分辨率成像方法 |
Non-Patent Citations (2)
Title |
---|
"基于SqueezeNet的轻量化卷积神经网络SlimNet";董艺威等;《计算机应用与软件》;20181130;第35卷(第11期);全文 * |
基于深度卷积神经网络的蝇类面部识别;陈彦彤等;《光学精密工程》;20200715(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113438451A (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107862270B (zh) | 人脸分类器训练方法、人脸检测方法及装置、电子设备 | |
US10902234B2 (en) | Image recognition method and apparatus | |
WO2018200174A1 (en) | Intelligent auto cropping of digital images | |
CN110969215B (zh) | 聚类处理方法和装置、存储介质及电子装置 | |
CN112132113A (zh) | 车辆再识别的方法、装置、训练方法以及电子设备 | |
CN112633313B (zh) | 一种网络终端的不良信息识别方法及局域网终端设备 | |
CN111259968A (zh) | 非法图像识别方法、装置、设备和计算机可读存储介质 | |
CN113438451B (zh) | 用于多终端多源数据的统一标准化处理平台与方法 | |
CN112084959B (zh) | 一种人群图像处理方法及装置 | |
CN111222450A (zh) | 模型的训练及其直播处理的方法、装置、设备和存储介质 | |
CN114187541A (zh) | 一种面向自定义业务场景的智能视频分析的方法和存储设备 | |
CN106529497A (zh) | 一种图像采集设备的定位方法及装置 | |
CN114679607A (zh) | 一种视频帧率控制方法、装置、电子设备及存储介质 | |
WO2022033306A1 (zh) | 目标跟踪方法和装置 | |
CN107845105A (zh) | 一种基于全景枪球联动的监控方法、智能设备及存储介质 | |
CN105631404A (zh) | 对照片进行聚类的方法及装置 | |
CN117201733B (zh) | 一种实时无人机监控分享*** | |
CN109445388A (zh) | 基于图像识别的工业控制***数据分析处理装置及方法 | |
CN113496176B (zh) | 动作识别方法、装置以及电子设备 | |
US20210174079A1 (en) | Method and apparatus for object recognition | |
CN114913471B (zh) | 一种图像处理方法、装置和可读存储介质 | |
CN113327219B (zh) | 基于多源数据融合的图像处理方法与*** | |
JP2017182210A (ja) | 顔検出装置、顔検出方法及び顔認識システム | |
CN115546892A (zh) | 一种辩识作业违章的方法、装置及存储介质 | |
CN113033475B (zh) | 目标对象追踪方法、相关装置及计算机程序产品 |
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 |