CN116363658A - 基于深度学习的数显信号识别方法、***、设备和介质 - Google Patents

基于深度学习的数显信号识别方法、***、设备和介质 Download PDF

Info

Publication number
CN116363658A
CN116363658A CN202310338362.0A CN202310338362A CN116363658A CN 116363658 A CN116363658 A CN 116363658A CN 202310338362 A CN202310338362 A CN 202310338362A CN 116363658 A CN116363658 A CN 116363658A
Authority
CN
China
Prior art keywords
image
pixel
digital display
numerical
display signal
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
CN202310338362.0A
Other languages
English (en)
Inventor
唐守锋
王震
季鹏
王雨豪
李祖恒
马小竣
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.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
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 China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN202310338362.0A priority Critical patent/CN116363658A/zh
Publication of CN116363658A publication Critical patent/CN116363658A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/16—Image preprocessing
    • G06V30/164—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/18—Extraction of features or characteristics of the image
    • G06V30/18105—Extraction of features or characteristics of the image related to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19147—Obtaining sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/1916—Validation; Performance evaluation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/02—Recognising information on displays, dials, clocks
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及基于深度学习的数显信号识别方法、***、设备和介质，所述方法包括如下步骤：获取含有多路非色散红外甲烷传感器数显信号的图像；采用漫水填充法实现所述图像的分割并标记出含有数显信号的标记区域；基于HSV模型的H通道确立所述标记区域中数显信号的颜色分布范围，并获取数值区域图像；将所述数值区域图像输入预测模型进行匹配得到数值，实现对多个非色散红外甲烷传感器数显信号的精确识别，在无人工参与的情况下，保证了对于传感器示值变化的把控，并实现全程监控。适应性强，稳定性高。

Description

基于深度学习的数显信号识别方法、***、设备和介质
技术领域
本公开涉及图像信号识别领域，具体涉及基于深度学习的数显信号识别方法、***、设备和介质。
背景技术
在煤矿环境中，瓦斯***一直是矿井下工作人员生命安全的最大威胁。瓦斯***的很大部分原因是矿井下瓦斯浓度过高所引发的灾难，因此，对于避免瓦斯***事故的发生，控制瓦斯浓度是其中一项有效的措施。为精准探测井下甲烷浓度，用于检测甲烷气体浓度的传感器不但要有足够高的精度，而且要通过仪器设备的检定及校准来确保其测量结果的可靠性，仪器设备检定、校准是保证测量结果准确的主要手段，因此对这些传感器进行检定成为了一项基础且必不可少的工作。
传统的甲烷传感器数值信号图像识别中，只能对单一甲烷传感器数值信号进行识别，无法对于数量和位置未知的甲烷传感器数值信号进行有效区分。传统的甲烷传感器数值提取中，是基于RGB颜色空间，通过阈值对图像进行二值化处理，存在噪声大，鲁棒性低，识别不精确，易受干扰等问题。传统的甲烷传感器数值匹配中，先对数码管进行灰度化和二值化，将数字变为255，背景变为0，然后利用穿线法，对abcdefg七个区域依次穿线，判断是否有255的值，有则表示该区域高亮，最后结合七个区域的高亮信息，综合判断数值，而对于一些整体亮度低的数码管灰度化后，会丢失数字信息。
目前数显仪表的显示方式主要有数码管和液晶两种。常用的甲烷传感器多为非色散红外甲烷传感器，主要采用数码管显示。甲烷传感器自动检定***采集传感器数值图像时，由于传感器本身材质存在光反射，且显示面板上有附着物，同时采集到的数值图像质量较差，对字符识别造成困难，降低了识别准确率。采用基于深度学习的图像识别算法，可以很好地解决传统图像处理方法对图像噪声敏感且鲁棒性差的问题。
发明内容
在此本公开提供基于深度学习的数显信号识别方法、***、设备和介质，能够解决背景技术中提到的最少一个问题。为解决上述技术问题，本公开提供如下技术方案：
S1.获取含有多路非色散红外甲烷传感器数显信号的图像；
S2.采用漫水填充法实现所述图像的分割并标记出含有数显信号的标记区域；
采用漫水填充法实现所述图像的分割还包括如下步骤：
对所述图像进行二值化处理得到灰度图像，对所述图像进行高斯滤波得到模糊图像；
获取所述灰度图像相邻像素点的变化，和所述模糊图像相邻像素点的变化；
根据所述灰度图像相邻像素点的变化和所述模糊图像相邻像素点的变化，将灰度图像和模糊图像的像素值进行归一化处理，若模糊图像中高频分量相比较于灰度图像的高频分量几乎无变化，将其判定为完全模糊图像，不予处理，如果高频分量变化较为明显，则将其判定为部分模糊图像，如果高频分量变化非常大，则将其判定为清晰图像。比较分析后进行归一化处理；得到部分模糊图像、清晰图像和完全模糊图像；
对于清晰图像将直接进行下一个环节的分割处理，对于部分模糊图像将通过去模糊化处理后重新判断图像是否为清晰图像，若是则进行下一个环节的分割处理，对于完全模糊图像，不予处理。
去模糊化处理包括：对部分模糊图像进行像素灰度统计，得到其灰度图像的像素概率分布；得到图像累积分布函数，获取变换后的去模糊化的图像；对于部分模糊图像先进行像素灰度统计，计算原始图像的像素概率分布，由像素概率分布得到图像的累计分布函数，根据映射函数得到变换后的去模糊化图像，所述映射函数如下：
Figure SMS_1
k= 0,1,2,3,···L-1
其中，n是图像中像素的总和，
Figure SMS_2
是当前灰度级的像素个数，L是图像中可能的灰度级总数。
所述下一个环节的分割处理包括：
利用掩码矩阵标记漫水填充区域；
将尺寸比输入图像宽和高各大2个像素点的单通道图像，作为掩码矩阵，通过对掩码矩阵中像素点的像素值填充，来标记漫水填充区域（漫水填充区域为多路甲烷传感器数显信号在图像上的显示区域）
获取种子点区域条件的上下界值，其中，上下界值包括：上界值和下界值；
确定种子点的坐标值；
以种子点为中心，当邻域某像素点的像素值与种子点像素值的差值大于下界值时，该像素点被添加进种子点所在的区域；当种子点像素值与邻域某像素点的像素值的差值小于上界值时，该像素点被添加进种子点所在的区域；
若全部像素点未添加完成，标记位置；将新加入的像素点作为新的种子点，返回上一步：以种子点为中心，当邻域某像素点的像素值与种子点像素值的差值大于下界值时，该像素点被添加进种子点所在的区域；当种子点像素值与邻域某像素点的像素值的差值小于上界值时，该像素点被添加进种子点所在的区域；直至全部像素点添加完成；
若全部像素点添加完成；各区域分离并标记输出；
S3. 基于HSV模型的H通道确立所述标记区域中数显信号的颜色分布范围，并获取数值区域图像；
HSV中,V通道受光照影响最大，H通道基本不受阴影或过高亮度的影响。H 通道将作为本***颜色提取中的主要依靠，再确立数值信号的颜色分布范围，生成mask掩码，最终对标记区域的数字进行精确提取。
S4. 将所述数值区域图像输入预测模型进行匹配得到数值，所述预测模型通过训练数据集对神经网络进行训练得到，所述训练数据集包括不同环境、位置或光照下的非色散红外甲烷传感器数显信号图像。
通过训练数据集对神经网络进行训练得到预测模型之前，还包括如下步骤：采集包括不同环境、位置、光照下的非色散红外甲烷传感器数显信号图像作为测试数据集；将所述测试数据集输入所述预测模型进行测试；在测试结果满足预设识别准确率的要求后停止训练所述预测模型。
所述预测模型通过训练数据集对神经网络进行训练得到还包括如下步骤：
采集不同环境、位置或光照下的非色散红外甲烷传感器数显信号图像得到样本库；
根据样本库构建神经网络的训练数据集和测试数据集；
根据构建的训练数据集对神经网络进行训练得到数显信号的预测模型。
将所述数值区域图像输入预测模型进行匹配得到数值，还包括如下步骤：
获取数值区域图像并进行尺寸缩放得到数值区域向量；
将数值区域向量代入预测模型进行匹配得出数值；
根据像素坐标从左到右进行排序得到数字顺序连接为字符串输出。
采集不同环境，位置，光照下的甲烷传感器数显图，建立样本库，用于构建神经网络的训练数据集和测试数据集。根据构建的训练数据集，采用深层的神经网络，通过增加隐层数目来增加神经元连接权，阈值等参数，用于提高激活函数的神经元数目和嵌套层数。通过预训练和微调的方法对参数进行分组，对每组先找到局部较优设置，基于局部较优的结果联合起来进行全局寻优。使得在利用模型大量参数所提供自由度的同时有效节省了训练开销。通过对训练模型的不断迭代来计算损失，并更新模型参数。最终将待识别的甲烷传感器数显图输入模型中进行匹配，得到数显图像的具体数值。
通过对现场环境下数显图像的多次采集，构建测试数据集和训练数据集，构建数据集对网络经行训练，完成识别所需模型，将上述提取出来的数值区域，尺寸缩放为模型尺寸并代入模型中进行数值匹配并输出。完成对多路甲烷传感器数显信号的识别。
作为本公开实施例的另一个方面，提供一种基于深度学习的数显信号识别***，包括：
图像获取模块，获取含有多路非色散红外甲烷传感器数显信号的图像；
图像分割模块，采用漫水填充法实现所述图像的分割并标记出含有数显信号的标记区域；
图像分割模块还包括图像预处理模块：对所述图像进行二值化处理得到灰度图像，对所述图像进行高斯滤波得到模糊图像；
获取所述灰度图像相邻像素点的变化，和所述模糊图像相邻像素点的变化；
根据所述灰度图像相邻像素点的变化和所述模糊图像相邻像素点的变化，将灰度图像和模糊图像的像素值进行归一化处理，若模糊图像中高频分量相比较于灰度图像的高频分量几乎无变化，将其判定为完全模糊图像，不予处理，如果高频分量变化较为明显，则将其判定为部分模糊图像，如果高频分量变化非常大，则将其判定为清晰图像。比较分析后进行归一化处理；得到部分模糊图像、清晰图像和完全模糊图像；
对于清晰图像将直接进行下一个环节的分割处理，对于部分模糊图像将通过去模糊化处理后重新判断图像是否为清晰图像，若是则进行下一个环节的分割处理，对于完全模糊图像，不予处理。
图像分割模块还包括去模糊化处理模块：对部分模糊图像进行像素灰度统计，得到其灰度图像的像素概率分布；得到图像累积分布函数，获取变换后的去模糊化的图像；对于部分模糊图像先进行像素灰度统计，计算原始图像的像素概率分布，由像素概率分布得到图像的累计分布函数，根据映射函数得到变换后的去模糊化图像，所述映射函数如下：
Figure SMS_3
k= 0,1,2,3,···L-1
其中，n是图像中像素的总和，
Figure SMS_4
是当前灰度级的像素个数，L是图像中可能的灰度级总数。
图像分割模块还包括下一个环节的分割处理模块，用于：
利用掩码矩阵标记漫水填充区域；
将尺寸比输入图像宽和高各大2个像素点的单通道图像，作为掩码矩阵，通过对掩码矩阵中像素点的像素值填充，来标记漫水填充区域（漫水填充区域为多路甲烷传感器数显信号在图像上的显示区域）
获取种子点区域条件的上下界值，其中，上下界值包括：上界值和下界值；
确定种子点的坐标值；
以种子点为中心，当邻域某像素点的像素值与种子点像素值的差值大于下界值时，该像素点被添加进种子点所在的区域；当种子点像素值与邻域某像素点的像素值的差值小于上界值时，该像素点被添加进种子点所在的区域；
若全部像素点未添加完成，标记位置；将新加入的像素点作为新的种子点，返回上一步：以种子点为中心，当邻域某像素点的像素值与种子点像素值的差值大于下界值时，该像素点被添加进种子点所在的区域；当种子点像素值与邻域某像素点的像素值的差值小于上界值时，该像素点被添加进种子点所在的区域；直至全部像素点添加完成；
若全部像素点添加完成；各区域分离并标记输出；
提取模块，基于HSV模型的H通道确立所述标记区域中数显信号的颜色分布范围，并获取数值区域图像；
HSV中,V通道受光照影响最大，H通道基本不受阴影或过高亮度的影响。H 通道将作为本***颜色提取中的主要依靠，再确立数值信号的颜色分布范围，生成mask掩码，最终对标记区域的数字进行精确提取。
对于待识别区域内数值的提取，基于HSV 模型，通过分析H分量的分布直方图，找出数值颜色的分布范围。基于H通道完成对区域数值的提取工作。
匹配模块，将所述数值区域图像输入预测模型进行匹配得到数值，所述预测模型通过训练数据集对神经网络进行训练得到，所述训练数据集包括不同环境、位置或光照下的非色散红外甲烷传感器数显信号图像。
匹配模块还包括训练模块：采集包括不同环境、位置、光照下的非色散红外甲烷传感器数显信号图像作为测试数据集；将所述测试数据集输入所述预测模型进行测试；在测试结果满足预设识别准确率的要求后停止训练所述预测模型。
匹配模块还包括模型预测模块：
采集不同环境、位置或光照下的非色散红外甲烷传感器数显信号图像得到样本库；
根据样本库构建神经网络的训练数据集和测试数据集；
根据构建的训练数据集对神经网络进行训练得到数显信号的预测模型。
匹配模块还包括结果输出模块：
获取数值区域图像并进行尺寸缩放得到数值区域向量；
将数值区域向量代入预测模型进行匹配得出数值；
根据像素坐标从左到右进行排序得到数字顺序连接为字符串输出。
采集不同环境，位置，光照下的甲烷传感器数显图，建立样本库，用于构建神经网络的训练数据集和测试数据集。根据构建的训练数据集，采用深层的神经网络，通过增加隐层数目来增加神经元连接权，阈值等参数，用于提高激活函数的神经元数目和嵌套层数。通过预训练和微调的方法对参数进行分组，对每组先找到局部较优设置，基于局部较优的结果联合起来进行全局寻优。使得在利用模型大量参数所提供自由度的同时有效节省了训练开销。通过对训练模型的不断迭代来计算损失，并更新模型参数。最终将待识别的甲烷传感器数显图输入模型中进行匹配，得到数显图像的具体数值。
本公开提供一种对于多路甲烷传感器数显信号图像分割采集并精确识别的方法，目的在于灵活处理多个甲烷传感器数值信号的识别，实现监控甲烷传感器的数值变化任务。通过基于深度学习的多路甲烷传感器识别***，去实现对多个非色散红外甲烷传感器数显信号的精确识别，在无人工参与的情况下，保证了对于传感器示值变化的把控，并实现全程监控。适应性强，稳定性高。
附图说明
图1为本公开实施例1中的基于深度学习的数显信号识别方法的流程图；
图2为本公开实施例1中的图像分割步骤流程图；
图3为本公开实施例2中基于深度学习的数显信号识别***图。
图4为本公开实施例2中基于深度学习的数显信号识别***框图。
实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
此外，本公开还提供了一种基于深度学习的数显信号识别方法***、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种基于深度学习的数显信号识别方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
一种基于深度学习的数显信号识别方法的执行主体可以是计算机或者其他能够实现所述方法的装置，例如，方法可以由终端设备或服务器或其它处理设备执行，其中，终端设备可以为用户设备（User Equipment，UE）、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理（Personal Digital Assistant，PDA）、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
实施例
作为本公开实施例的一个方面，提供一种基于深度学习的数显信号识别方法，如图1所示，包括如下步骤：
S1.获取含有多路非色散红外甲烷传感器数显信号的图像；
S2.采用漫水填充法实现所述图像的分割并标记出含有数显信号的标记区域；
采用漫水填充法实现所述图像的分割还包括如下步骤：
对所述图像进行二值化处理得到灰度图像，对所述图像进行高斯滤波得到模糊图像；
获取所述灰度图像相邻像素点的变化，和所述模糊图像相邻像素点的变化；
根据所述灰度图像相邻像素点的变化和所述模糊图像相邻像素点的变化，将灰度图像和模糊图像的像素值进行归一化处理，若模糊图像中高频分量相比较于灰度图像的高频分量几乎无变化，将其判定为完全模糊图像，不予处理，如果高频分量变化较为明显，则将其判定为部分模糊图像，如果高频分量变化非常大，则将其判定为清晰图像；
对于清晰图像将直接进行下一个环节的分割处理，对于部分模糊图像将通过去模糊化处理后重新判断图像是否为清晰图像，若是则进行下一个环节的分割处理，对于完全模糊图像，不予处理。
去模糊化处理包括：对部分模糊图像进行像素灰度统计，得到其灰度图像的像素概率分布；得到图像累积分布函数，获取变换后的去模糊化的图像；对于部分模糊图像先进行像素灰度统计，计算原始图像的像素概率分布，由像素概率分布得到图像的累计分布函数，根据映射函数得到变换后的去模糊化图像，所述映射函数如下：
Figure SMS_5
k= 0,1,2,3,···L-1
其中，n是图像中像素的总和，
Figure SMS_6
是当前灰度级的像素个数，L是图像中可能的灰度级总数。
如图2所示，为本实施例中的图像分割步骤流程图，下一个环节的分割处理包括：
利用掩码矩阵标记漫水填充区域；将尺寸比输入图像宽和高各大2个像素点的单通道图像，作为掩码矩阵，通过对掩码矩阵中像素点的像素值填充，来标记漫水填充区域（漫水填充区域为多路甲烷传感器数显信号在图像上的显示区域）
获取种子点区域条件的上下界值，其中，上下界值包括：上界值和下界值；
确定种子点的坐标值；
以种子点为中心，当邻域某像素点的像素值与种子点像素值的差值大于下界值时，该像素点被添加进种子点所在的区域；当种子点像素值与邻域某像素点的像素值的差值小于上界值时，该像素点被添加进种子点所在的区域；
若全部像素点未添加完成，标记位置；将新加入的像素点作为新的种子点，返回上一步：以种子点为中心，当邻域某像素点的像素值与种子点像素值的差值大于下界值时，该像素点被添加进种子点所在的区域；当种子点像素值与邻域某像素点的像素值的差值小于上界值时，该像素点被添加进种子点所在的区域；直至全部像素点添加完成；例如，以种子点为中心，以种子点为中心，判断4-领域内像素值与种子点像素值的差值，所述差值小于上界值和大于下界值，将该像素点添加至种子点所在的区域内；并将新加入的像素点作为新的种子点。
若全部像素点添加完成；各区域分离并标记输出；
采用漫水填充法对图像进行分割处理，对含多路甲烷传感器数显信号的图像帧，分割出数值所在的区域块。根据像素灰度值之间的差值寻找相同区域，将像素点的灰度理解为像素点的高度，将一帧图像视为崎岖不平的山地，向地面某一处低洼地段注入一定量水，水面将掩盖低于某个高度的区域，基于此原理在图像中选择一个注水像素，该像素为种子点。种子点将按照一定规则不断向外扩散，以形成具有相似特征的独立区域，进而实现图像分割并框选和标记出需要进行识别的区域。
通过上位机发送指定指令到处理器中，摄像头将连续并间隔拍摄多次甲烷传感器数显图像，对于原始图像进行第一次清晰度识别处理，对于清晰图像将直接进行下一个环节的分割处理，对于部分模糊图像将通过去模糊化处理后重新判断图像是否合格，对于完全模糊图像，没有处理意义，不予处理。完成对图像的筛选后，基于数值的分布情况对图片进行分割处理，找出待识别区域并进行标记。
S3. 基于HSV模型的H通道确立所述标记区域中数显信号的颜色分布范围，并获取数值区域图像；
在一些实施例中，在HSV色彩空间中，色调H的取值范围是[0,360]。8位图像内每个像素点所能表示的灰度级有256个，所以在8位图像内表示HSV图像时，要把色调的角度映射到[0,255]范围内。确定值范围后，就可以直接在图像的H通道内找对应的值，从而找到特定的颜色。在饱和度S中，灰度颜色所包含R、G、B的成分是相当的，相当于一种极不饱和的颜色。所以，灰度颜色的饱和度是0。作为灰度图像显示时，较亮区域对应的颜色具有较高的饱和度。如果颜色的饱和度很低，那么它计算所得色调就不可靠。亮度V范围与饱和度范围一致.亮度值越大，图像越亮；亮度值越低，图像越暗。
在一些实施例中，HSV中,V通道受光照影响最大，H通道基本不受阴影或过高亮度的影响。H 通道将作为本***颜色提取中的主要依靠，再确立数值信号的颜色分布范围，生成mask掩码，最终对标记区域的数字进行精确提取。
在一些实施例中，对于待识别区域内数值的提取，基于HSV 模型，通过分析H分量的分布直方图，找出数值颜色的分布范围。基于H通道完成对区域数值的提取工作。
S4. 将所述数值区域图像输入预测模型进行匹配得到数值，所述预测模型通过训练数据集对神经网络进行训练得到，所述训练数据集包括不同环境、位置或光照下的非色散红外甲烷传感器数显信号图像。
通过训练数据集对神经网络进行训练得到预测模型之前，还包括如下步骤：采集包括不同环境、位置、光照下的非色散红外甲烷传感器数显信号图像作为测试数据集；将所述测试数据集输入所述预测模型进行测试；在测试结果满足预设识别准确率的要求后停止训练所述预测模型。
所述预测模型通过训练数据集对神经网络进行训练得到还包括如下步骤：
采集不同环境、位置或光照下的非色散红外甲烷传感器数显信号图像得到样本库；
根据样本库构建神经网络的训练数据集和测试数据集；
根据构建的训练数据集对神经网络进行训练得到数显信号的预测模型。
将所述数值区域图像输入预测模型进行匹配得到数值，还包括如下步骤：
获取数值区域图像并进行尺寸缩放得到数值区域向量；
将数值区域向量代入预测模型进行匹配得出数值；
根据像素坐标从左到右进行排序得到数字顺序连接为字符串输出。
在一些实施例中，采集不同环境，位置，光照下的甲烷传感器数显图，建立样本库，用于构建神经网络的训练数据集和测试数据集。根据构建的训练数据集，采用深层的神经网络，通过增加隐层数目来增加神经元连接权，阈值等参数，用于提高激活函数的神经元数目和嵌套层数。通过预训练和微调的方法对参数进行分组，对每组先找到局部较优设置，基于局部较优的结果联合起来进行全局寻优。使得在利用模型大量参数所提供自由度的同时有效节省了训练开销。通过对训练模型的不断迭代来计算损失，并更新模型参数。最终将待识别的甲烷传感器数显图输入模型中进行匹配，得到数显图像的具体数值。
数值匹配流程包括：
S301.采集不同环境下的甲烷传感器数显信号图
S302.根据样本库构建神经网络的训练和测试数据集
S303.根据构建的训练集对神经网络进行训练得到甲烷传感器数显信号预测模型
S304.将待识别的图像代入预测模型
S305.获取数值区域进行尺寸缩放处理为向量形式
S306.将数值区域向量代入模型进行匹配得出数值
S307.根据像素坐标从左到右进行排序得到数字顺序连接为字符串输出
通过对现场环境下数显图像的多次采集，构建测试数据集和训练数据集，构建数据集对网络经行训练，完成识别所需模型，将上述提取出来的数值区域，尺寸缩放为模型尺寸并代入模型中进行数值匹配并输出。完成对多路甲烷传感器数显信号的识别。
本方法测试在计量检定测试中心的实验室内完成，环境温度保持在15到35℃之间，相对湿度不大于85%，压强为标准大气压。试验过程中，将带检验的传感器悬挂于***设计的检定柜中，为保证同时对十二路传感器进行检定，柜中固定了四排，通过挂钩悬挂待检定的传感器。将用于检测的广角摄像头的置于12路传感器之前，通过信号线连接到处理器中。
实施例
作为本公开实施例的另一个方面，提供一种基于深度学习的多路甲烷传感器数显信号识别***，如图3所示，包括：
图像获取模块，获取含有多路非色散红外甲烷传感器数显信号的图像；
图像分割模块，采用漫水填充法实现所述图像的分割并标记出含有数显信号的标记区域；
对含多路甲烷传感器数显信号的图像帧，分割出数值所在的区域块。根据像素灰度值之间的差值寻找相同区域，将像素点的灰度理解为像素点的高度，将一帧图像视为崎岖不平的山地，向地面某一处低洼地段注入一定量水，水面将掩盖低于某个高度的区域，基于此原理在图像中选择一个注水像素，该像素为种子点。种子点将按照一定规则不断向外扩散，以形成具有相似特征的独立区域，进而实现图像分割并框选和标记出需要进行识别的区域。
通过上位机发送指定指令到处理器中，摄像头将连续并间隔拍摄多次甲烷传感器数显图像，对于原始图像进行第一次清晰度识别处理，对于清晰图像将直接进行下一个环节的分割处理，对于部分模糊图像将通过去模糊化处理后重新判断图像是否合格，对于完全模糊图像，没有处理意义，不予处理。完成对图像的筛选后，基于数值的分布情况对图片进行分割处理，找出待识别区域并进行标记。
图像分割模块还包括图像预处理模块：对所述图像进行二值化处理得到灰度图像，对所述图像进行高斯滤波得到模糊图像；
获取所述灰度图像相邻像素点的变化，和所述模糊图像相邻像素点的变化；
根据所述灰度图像相邻像素点的变化和所述模糊图像相邻像素点的变化，将灰度图像和模糊图像的像素值进行归一化处理，若模糊图像中高频分量相比较于灰度图像的高频分量几乎无变化，将其判定为完全模糊图像，不予处理，如果高频分量变化较为明显，则将其判定为部分模糊图像，如果高频分量变化非常大，则将其判定为清晰图像；
对于清晰图像将直接进行下一个环节的分割处理，对于部分模糊图像将通过去模糊化处理后重新判断图像是否为清晰图像，若是则进行下一个环节的分割处理，对于完全模糊图像，不予处理。
图像分割模块还包括去模糊化处理模块包括：对部分模糊图像进行像素灰度统计，得到其灰度图像的像素概率分布；得到图像累积分布函数，获取变换后的图像。
图像分割模块，还包括下一个环节的分割处理模块，用于：
利用掩码矩阵标记漫水填充区域；
将尺寸比输入图像宽和高各大2个像素点的单通道图像，作为掩码矩阵，通过对掩码矩阵中像素点的像素值填充，来标记漫水填充区域（漫水填充区域为多路甲烷传感器数显信号在图像上的显示区域）
获取种子点区域条件的上下界值，其中，上下界值包括：上界值和下界值；
确定种子点的坐标值；
以种子点为中心，当邻域某像素点的像素值与种子点像素值的差值大于下界值时，该像素点被添加进种子点所在的区域；当种子点像素值与邻域某像素点的像素值的差值小于上界值时，该像素点被添加进种子点所在的区域；
若全部像素点未添加完成，标记位置；将新加入的像素点作为新的种子点，返回上一步：以种子点为中心，当邻域某像素点的像素值与种子点像素值的差值大于下界值时，该像素点被添加进种子点所在的区域；当种子点像素值与邻域某像素点的像素值的差值小于上界值时，该像素点被添加进种子点所在的区域；直至全部像素点添加完成；例如，以种子点为中心，以种子点为中心，判断4-领域内像素值与种子点像素值的差值，所述差值小于上界值和大于下界值，将该像素点添加至种子点所在的区域内；并将新加入的像素点作为新的种子点。
若全部像素点添加完成；各区域分离并标记输出；
提取模块，基于HSV模型的H通道确立所述标记区域中数显信号的颜色分布范围，并获取数值区域图像；
HSV中,V通道受光照影响最大，H通道基本不受阴影或过高亮度的影响。H 通道将作为本***颜色提取中的主要依靠，再确立数值信号的颜色分布范围，生成mask掩码，最终对标记区域的数字进行精确提取。
对于待识别区域内数值的提取，基于HSV 模型，通过分析H分量的分布直方图，找出数值颜色的分布范围。基于H通道完成对区域数值的提取工作。
在一些实施例中，在HSV色彩空间中，色调H的取值范围是[0,360]。8位图像内每个像素点所能表示的灰度级有256个，所以在8位图像内表示HSV图像时，要把色调的角度映射到[0,255]范围内。确定值范围后，就可以直接在图像的H通道内找对应的值，从而找到特定的颜色。在饱和度S中，灰度颜色所包含R、G、B的成分是相当的，相当于一种极不饱和的颜色。所以，灰度颜色的饱和度是0。作为灰度图像显示时，较亮区域对应的颜色具有较高的饱和度。如果颜色的饱和度很低，那么它计算所得色调就不可靠。亮度V范围与饱和度范围一致.亮度值越大，图像越亮；亮度值越低，图像越暗。
匹配模块，将所述数值区域图像输入预测模型进行匹配得到数值，所述预测模型通过训练数据集对神经网络进行训练得到，所述训练数据集包括不同环境、位置或光照下的非色散红外甲烷传感器数显信号图像。
所述匹配模块还包括训练模块：采集包括不同环境、位置、光照下的非色散红外甲烷传感器数显信号图像作为测试数据集；将所述测试数据集输入所述预测模型进行测试；在测试结果满足预设识别准确率的要求后停止训练所述预测模型。
匹配模块还包括模型预测模块：
采集不同环境、位置或光照下的非色散红外甲烷传感器数显信号图像得到样本库；
根据样本库构建神经网络的训练数据集和测试数据集；
根据构建的训练数据集对神经网络进行训练得到数显信号的预测模型。
匹配模块还包括结果输出模块：
获取数值区域图像并进行尺寸缩放得到数值区域向量；
将数值区域向量代入预测模型进行匹配得出数值；
根据像素坐标从左到右进行排序得到数字顺序连接为字符串输出。
在一些实施例中，采集不同环境，位置，光照下的甲烷传感器数显图，建立样本库，用于构建神经网络的训练数据集和测试数据集。根据构建的训练数据集，采用深层的神经网络，通过增加隐层数目来增加神经元连接权，阈值等参数，用于提高激活函数的神经元数目和嵌套层数。通过预训练和微调的方法对参数进行分组，对每组先找到局部较优设置，基于局部较优的结果联合起来进行全局寻优。使得在利用模型大量参数所提供自由度的同时有效节省了训练开销。通过对训练模型的不断迭代来计算损失，并更新模型参数。最终将待识别的甲烷传感器数显图输入模型中进行匹配，得到数显图像的具体数值。
通过对现场环境下数显图像的多次采集，构建测试数据集和训练数据集，构建数据集对网络经行训练，完成识别所需模型，将上述提取出来的数值区域，尺寸缩放为模型尺寸并代入模型中进行数值匹配并输出。完成对多路甲烷传感器数显信号的识别。如图4所述，为本***的结构图。
实施例
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现实施例1中的一种基于深度学习的数显信号识别方法。
本公开实施例3仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
电子设备可以以通用计算设备的形式表现，例如其可以为服务器设备。电子设备的组件可以包括但不限于：至少一个处理器、至少一个存储器、连接不同***组件（包括存储器和处理器）的总线。
总线包括数据总线、地址总线和控制总线。
存储器可以包括易失性存储器，例如随机存取存储器（RAM）和/或高速缓存存储器，还可以进一步包括只读存储器（ROM）。
存储器还可以包括具有一组（至少一个）程序模块的程序工具，这样的程序模块包括但不限于：操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器通过运行存储在存储器中的计算机程序，从而执行各种功能应用以及数据处理。
电子设备也可以与一个或多个外部设备（例如键盘、指向设备等）通信。这种通信可以通过输入/输出（I/O）接口进行。并且，电子设备还可以通过网络适配器与一个或者多个网络（例如局域网（LAN），广域网（WAN）和/或公共网络，例如因特网）通信。网络适配器通过总线与电子设备的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID（磁盘阵列）***、磁带驱动器以及数据备份存储***等。
应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例
一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述程序被处理器执行时实现实施例1中的一种基于深度学习的数显信号识别方法的步骤。
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本公开还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行实现实施例1中所述的基于深度学习的数显信号识别方法的步骤。
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开的程序代码，所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。

Claims (10)

1.基于深度学习的数显信号识别方法，其特征在于，包括如下步骤：
获取含有多路非色散红外甲烷传感器数显信号的图像；
采用漫水填充法实现所述图像的分割并标记出含有数显信号的标记区域；
基于HSV模型的H通道确立所述标记区域中数显信号的颜色分布范围，并获取数值区域图像；
将所述数值区域图像输入预测模型进行匹配得到数值，所述预测模型通过训练数据集对神经网络进行训练得到，所述训练数据集包括不同环境、位置或光照下的非色散红外甲烷传感器数显信号图像。
2.如权利要求1所述的基于深度学习的数显信号识别方法，其特征在于，通过训练数据集对神经网络进行训练得到预测模型之前，还包括如下步骤：采集包括不同环境、位置、光照下的非色散红外甲烷传感器数显信号图像作为测试数据集；将所述测试数据集输入所述预测模型进行测试；在测试结果满足预设识别准确率的要求后停止训练所述预测模型。
3.如权利要求1所述的基于深度学习的数显信号识别方法，其特征在于，采用漫水填充法实现所述图像的分割还包括如下步骤：
对所述图像进行二值化处理得到灰度图像，对所述图像进行高斯滤波得到模糊图像；
获取所述灰度图像相邻像素点的变化，和所述模糊图像相邻像素点的变化；
根据所述灰度图像相邻像素点的变化和所述模糊图像相邻像素点的变化，将灰度图像和模糊图像的像素值进行归一化处理，若模糊图像中高频分量相比较于灰度图像的高频分量几乎无变化，将其判定为完全模糊图像，不予处理，如果高频分量变化较为明显，则将其判定为部分模糊图像，如果高频分量变化非常大，则将其判定为清晰图像；
对于清晰图像将直接进行下一个环节的分割处理，对于部分模糊图像将通过去模糊化处理后重新判断图像是否为清晰图像，若是则进行下一个环节的分割处理，对于完全模糊图像，不予处理。
4.如权利要求3所述的基于深度学习的数显信号识别方法，其特征在于，所述去模糊化处理包括如下步骤：对部分模糊图像进行像素灰度统计，得到所述灰度图像的像素概率分布；得到图像累积分布函数，获取变换后的去模糊化的图像；对于部分模糊图像先进行像素灰度统计，计算原始图像的像素概率分布，由像素概率分布得到图像的累计分布函数，根据映射函数得到变换后的去模糊化图像，所述映射函数如下：
Figure QLYQS_1
k= 0,1,2,3,···L-1
其中，n是图像中像素的总和，
Figure QLYQS_2
是当前灰度级的像素个数，L是图像中可能的灰度级总数。
5.如权利要求3所述的基于深度学习的数显信号识别方法，其特征在于，所述下一个环节的分割处理包括：
将尺寸比输入图像宽和高各大2个像素点的单通道图像，作为掩码矩阵，通过对掩码矩阵中像素点的像素值填充，来标记漫水填充区域利用掩码矩阵标记漫水填充的区域；
获取种子点区域条件的上下界值，其中，上下界值包括：上界值和下界值；
确定种子点的坐标值；
以种子点为中心，当邻域某像素点的像素值与种子点像素值的差值大于下界值时，该像素点被添加进种子点所在的区域；当种子点像素值与邻域某像素点的像素值的差值小于上界值时，该像素点被添加进种子点所在的区域；
若全部像素点未添加完成，标记位置；将新加入的像素点作为新的种子点，返回上一步：以种子点为中心，当邻域某像素点的像素值与种子点像素值的差值大于下界值时，该像素点被添加进种子点所在的区域；当种子点像素值与邻域某像素点的像素值的差值小于上界值时，该像素点被添加进种子点所在的区域；直至全部像素点添加完成；
若全部像素点添加完成；各区域分离并标记输出。
6.如权利要求1所述的基于深度学习的数显信号识别方法，其特征在于，所述预测模型通过训练数据集对神经网络进行训练得到还包括如下步骤：
采集不同环境、位置或光照下的非色散红外甲烷传感器数显信号图像得到样本库；
根据样本库构建神经网络的训练数据集和测试数据集；
根据构建的训练数据集对神经网络进行训练得到数显信号的预测模型。
7.如权利要求1或6所述的基于深度学习的数显信号识别方法，其特征在于，将所述数值区域图像输入预测模型进行匹配得到数值，还包括如下步骤：
获取数值区域图像并进行尺寸缩放得到数值区域向量；
将数值区域向量代入预测模型进行匹配得出数值；
根据像素坐标从左到右进行排序得到数字顺序连接为字符串输出。
8.一种基于深度学习的数显信号识别***，其特征在于，包括：
图像获取模块，获取含有多路非色散红外甲烷传感器数显信号的图像；
图像分割模块，采用漫水填充法实现所述图像的分割并标记出含有数显信号的标记区域；
提取模块，基于HSV模型的H通道确立所述标记区域中数显信号的颜色分布范围，并获取数值区域图像；
匹配模块，将所述数值区域图像输入预测模型进行匹配得到数值，所述预测模型通过训练数据集对神经网络进行训练得到，所述训练数据集包括不同环境、位置或光照下的非色散红外甲烷传感器数显信号图像。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的基于深度学习的数显信号识别方法。
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，所述程序被处理器执行时实现权利要求1至7任一项所述的基于深度学习的数显信号识别方法。
CN202310338362.0A 2023-03-31 2023-03-31 基于深度学习的数显信号识别方法、***、设备和介质 Pending CN116363658A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310338362.0A CN116363658A (zh) 2023-03-31 2023-03-31 基于深度学习的数显信号识别方法、***、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310338362.0A CN116363658A (zh) 2023-03-31 2023-03-31 基于深度学习的数显信号识别方法、***、设备和介质

Publications (1)

Publication Number Publication Date
CN116363658A true CN116363658A (zh) 2023-06-30

Family

ID=86936174

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310338362.0A Pending CN116363658A (zh) 2023-03-31 2023-03-31 基于深度学习的数显信号识别方法、***、设备和介质

Country Status (1)

Country Link
CN (1) CN116363658A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117905526A (zh) * 2023-12-29 2024-04-19 南京信息工程大学 一种煤矿施工用瓦斯浓度监测预警方法及设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117905526A (zh) * 2023-12-29 2024-04-19 南京信息工程大学 一种煤矿施工用瓦斯浓度监测预警方法及设备
CN117905526B (zh) * 2023-12-29 2024-06-11 南京信息工程大学 一种煤矿施工用瓦斯浓度监测预警方法及设备

Similar Documents

Publication Publication Date Title
CN111307727B (zh) 基于时序遥感影像的水体水色异常识别方法和装置
CN112162930A (zh) 一种控件识别的方法、相关装置、设备及存储介质
CN110910445B (zh) 一种物件尺寸检测方法、装置、检测设备及存储介质
CN109916415B (zh) 道路类型确定方法、装置、设备及存储介质
CN111398176A (zh) 基于像元尺度特征的水体水色异常遥感识别方法和装置
CN116363658A (zh) 基于深度学习的数显信号识别方法、***、设备和介质
CN111815576B (zh) 金属部件腐蚀状况检测方法、装置、设备和存储介质
CN114549993A (zh) 实验中线段图像的评分方法、***、设备及可读存储介质
CN111444807A (zh) 目标检测方法、装置、电子设备和计算机可读介质
CN111121797A (zh) 道路筛选方法、装置、服务器及存储介质
CN112052730A (zh) 一种3d动态人像识别监控设备及方法
CN114565780A (zh) 一种目标识别方法、装置、电子设备及存储介质
CN111161789B (zh) 一种模型预测的关键区域的分析方法及装置
CN115953774B (zh) 基于机器视觉的报警器显示数码识别方法
CN112857746A (zh) 一种灯光检测仪的追踪方法、装置、电子设备及存储介质
CN115601546A (zh) 一种实例分割模型训练方法、装置及可读介质
CN116524477A (zh) 一种识别检测盒检测结果的方法及***
CN114741697B (zh) 恶意代码分类方法、装置、电子设备和介质
CN115512189A (zh) 图像识别模型评估方法、装置以及存储介质
CN114972483A (zh) 湖泊泥沙淤积量的监测方法、装置、电子设备和存储介质
CN115438945A (zh) 基于电力设备巡检的风险识别方法、装置、设备及介质
CN113205092A (zh) 文本检测方法、装置、设备及存储介质
CN112131418A (zh) 目标标注方法、目标标注装置和计算机可读存储介质
CN111862105A (zh) 图像的区域处理方法、装置和电子设备
CN116740385B (zh) 一种设备质检方法、装置和***

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