CN116416260A - 一种基于图像处理的称重精度优化方法及*** - Google Patents
一种基于图像处理的称重精度优化方法及*** Download PDFInfo
- Publication number
- CN116416260A CN116416260A CN202310566753.8A CN202310566753A CN116416260A CN 116416260 A CN116416260 A CN 116416260A CN 202310566753 A CN202310566753 A CN 202310566753A CN 116416260 A CN116416260 A CN 116416260A
- Authority
- CN
- China
- Prior art keywords
- quality prediction
- sets
- sample
- quality
- segmentation
- 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.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000005303 weighing Methods 0.000 title claims abstract description 36
- 238000012545 processing Methods 0.000 title claims abstract description 30
- 230000011218 segmentation Effects 0.000 claims abstract description 126
- 238000012937 correction Methods 0.000 claims abstract description 84
- 238000001514 detection method Methods 0.000 claims abstract description 30
- 238000010276 construction Methods 0.000 claims description 30
- 238000012795 verification Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 7
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 210000001624 hip Anatomy 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 235000015277 pork Nutrition 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating 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
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像处理的称重精度优化方法及***,涉及数据处理技术领域,该方法包括:通过多个角度,对待进行质量检测的目标物体进行图像采集;将多个采集图像输入质量预测模型内的区域分割分支内,获得多个分割结果集合;输入质量预测模块内,获得多个区域的多个质量预测结果集合;根据多个角度,分别获取对多个区域进行图像采集的多个角度集合,输入多个精度优化单元,获得多个校正参数集合;进行校正后获得多个修正质量预测结果集合;经过计算,获得多个区域质量预测结果,从而获得综合质量预测结果。本发明解决了现有技术中存在传统称重效率较低,图像处理的称重精度低的技术问题,达到了提高称重结果可靠性和称重效率的技术效。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于图像处理的称重精度优化方法及***。
背景技术
现在对于物体的称重主要是通过电子秤的方式,然而称重时间比较长,较为耗费人力物力。现有技术中提出了基于图像智能处理的方式进行称重,但是在使用图像处理的方式进行称重时的精度不能满足要求,称重结果与物体的实际重量差距较大。现有技术中存在传统称重效率较低,基于图像处理的称重精度低的技术问题。
发明内容
本申请提供了一种基于图像处理的称重精度优化方法及***,用于针对解决现有技术中存在传统称重效率较低,图像处理的称重精度低的技术问题。
鉴于上述问题,本申请提供了一种基于图像处理的称重精度优化方法及***。
本申请的第一个方面,提供了一种基于图像处理的称重精度优化方法,所述方法包括:
通过多个角度,对待进行质量检测的目标物体进行图像采集,获得多个采集图像,所述目标物体为预设类别的物体;
将所述多个采集图像输入质量预测模型内的区域分割分支内,进行每个采集图像内所述目标物体多个区域的分割,获得多个分割结果集合,每个分割结果集合内包括一个区域在所述多个采集图像中的分割结果;
将所述多个分割结果集合分别输入所述质量预测模型内的质量预测模块内,获得所述多个区域的多个质量预测结果集合,其中,所述质量预测模块内包括多个质量预测单元;
根据所述多个角度,分别获取对所述多个区域进行图像采集的多个角度集合,将所述多个角度集合输入精度优化模型内的多个精度优化单元,获得多个校正参数集合;
采用所述多个校正参数集合,对所述多个质量预测结果集合内的质量预测结果进行校正,获得多个修正质量预测结果集合;
对每个修正质量预测结果集合内的多个修正质量预测结果进行计算,获得多个区域质量预测结果,并计算获得综合质量预测结果。
本申请的第二个方面,提供了一种基于图像处理的称重精度优化***,所述***包括:
采集图像获得模块,所述采集图像获得模块用于通过多个角度,对待进行质量检测的目标物体进行图像采集,获得多个采集图像,所述目标物体为预设类别的物体;
分割结果获得模块,所述分割结果获得模块用于将所述多个采集图像输入质量预测模型内的区域分割分支内,进行每个采集图像内所述目标物体多个区域的分割,获得多个分割结果集合,每个分割结果集合内包括一个区域在所述多个采集图像中的分割结果;
质量预测结果获得模块,所述质量预测结果获得模块用于将所述多个分割结果集合分别输入所述质量预测模型内的质量预测模块内,获得所述多个区域的多个质量预测结果集合,其中,所述质量预测模块内包括多个质量预测单元;
校正参数获得模块,所述校正参数获得模块用于根据所述多个角度,分别获取对所述多个区域进行图像采集的多个角度集合,将所述多个角度集合输入精度优化模型内的多个精度优化单元,获得多个校正参数集合;
校正模块,所述校正模块用于采用所述多个校正参数集合,对所述多个质量预测结果集合内的质量预测结果进行校正,获得多个修正质量预测结果集合;
综合质量预测模块,所述综合质量预测模块用于对每个修正质量预测结果集合内的多个修正质量预测结果进行计算,获得多个区域质量预测结果,并计算获得综合质量预测结果。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请通过多个角度,对待进行质量检测的目标物体进行图像采集,获得多个采集图像,目标物体为预设类别的物体,然后将多个采集图像输入质量预测模型内的区域分割分支内,进行每个采集图像内目标物体多个区域的分割,获得多个分割结果集合,每个分割结果集合内包括一个区域在多个采集图像中的分割结果,通过将多个分割结果集合分别输入质量预测模型内的质量预测模块内,获得多个区域的多个质量预测结果集合,其中,质量预测模块内包括多个质量预测单元,进而根据多个角度,分别获取对多个区域进行图像采集的多个角度集合,将多个角度集合输入精度优化模型内的多个精度优化单元,获得多个校正参数集合,然后采用多个校正参数集合,对多个质量预测结果集合内的质量预测结果进行校正,获得多个修正质量预测结果集合,通过对每个修正质量预测结果集合内的多个修正质量预测结果进行计算,获得多个区域质量预测结果,并计算获得综合质量预测结果。达到了对称重精度进行智能优化,基于图像处理提升质量预测结果的准确性的技术效果。
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为本申请实施例提供的一种基于图像处理的称重精度优化方法流程示意图;
图2为本申请实施例提供的一种基于图像处理的称重精度优化方法中获得多个分割结果集合的流程示意图;
图3为本申请实施例提供的一种基于图像处理的称重精度优化方法中获得多个校正参数集合的流程示意图;
图4为本申请实施例提供的一种基于图像处理的称重精度优化***结构示意图。
附图标记说明:采集图像获得模块11,分割结果获得模块12,质量预测结果获得模块13,校正参数获得模块14,校正模块15,综合质量预测模块16。
具体实施方式
本申请通过提供了一种基于图像处理的称重精度优化方法及***,用于针对解决现有技术中存在传统称重效率较低,图像处理的称重精度低的技术问题。
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,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、***、产品或服务器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模块。
实施例一
如图1所示,本申请提供了一种基于图像处理的称重精度优化方法,其中,所述方法包括:
步骤S100:通过多个角度,对待进行质量检测的目标物体进行图像采集,获得多个采集图像,所述目标物体为预设类别的物体;
在一个可能的实施例中,通过使用图像采集装置对需要进行质量检测的目标物体进行多个不同角度的图像采集,从而获得所述多个采集图像。其中,所述多个角度是以所述目标物体的质心为坐标系原点,建立xyz坐标轴构建坐标系,在坐标系位于不同象限的空间坐标点上设置采集点,获得采集点集合,根据采集点集合中的多个采集点与坐标系的角度进行确定的。示例性的,取坐标系中坐标值为(50,0,50)的坐标点作为采集点,采集点距离目标物体的采集距离为,从而实现从与z轴和x轴分别成45°夹角的角度对目标物体进行图像采集。
其中,所述采集点集合包括多个采集点,多个采集点的数量和位置由工作人员自行设定,在此不做限制,但是采集点集合中每个采集点需要满足其与坐标系原点相连获得的直线对应的斜率与其余采集点与坐标系原点相连获得的直线对应的斜率都不相同,从而保证不会在同一个角度进行重复图像采集。
示例性的,在进行同时由于多个采集点的位置是固定的,从而可以保证图像采集时采集点与目标物体之间的距离是固定的,避免由于采集距离的影响导致图像中目标物体的大小不具备可靠性。可选的,在进行图像采集时,可以设置一个采集点,将采集点与目标物体之间的距离进行固定,然后对目标物体进行多个角度旋转,从而完成多个不同角度的图像采集。通过使用图像采集装置在采集点集合中的采集点对目标物体进行图像采集,从而获得所述多个采集图像。其中,所述多个采集图像反映了目标物体不同角度的外观状态。所述目标物体为预设类别的物体,由工作人员预先设定好需要进行称重,对重量进行检测的物体,示例性的,比如猪肉。
步骤S200:将所述多个采集图像输入质量预测模型内的区域分割分支内,进行每个采集图像内所述目标物体多个区域的分割,获得多个分割结果集合,每个分割结果集合内包括一个区域在所述多个采集图像中的分割结果;
进一步的,如图2所示,将所述多个采集图像输入质量预测模型内的区域分割分支内,进行每个采集图像内所述目标物体多个区域的分割,获得多个分割结果集合,每个分割结果集合内包括一个区域在所述多个采集图像中的分割结果,本申请实施例步骤S200还包括:
步骤S210:获取多个目标物体的在多个样本角度下的采集图像,获得样本采集图像集合;
步骤S220:按照所述多个区域,对所述样本采集图像集合内的多个样本采集图像进行分割,获得多个样本分割结果集合;
步骤S230:采用所述样本采集图像集合和所述多个样本分割结果集合作为构建数据,构建所述区域分割分支;
步骤S240:将所述多个采集图像输入所述区域分割分支内,获得所述多个分割结果集合。
进一步的,采用所述样本采集图像集合和所述多个样本分割结果集合作为构建数据,构建所述区域分割分支,本申请实施例步骤S230还包括:
步骤S231:基于全卷积神经网络,构建所述区域分割分支内的编码器和解码器,其中,所述编码器对输入的采集图像进行特征提取,解码器用于输出语义分割图像;
步骤S232:采用所述样本采集图像集合和所述多个样本分割结果集合作为构建数据,对所述编码器和解码器进行监督训练、验证和测试,在符合第一预设条件后,获得所述区域分割分支。
具体而言,所述质量预测模型是通过对采集图像进行分析,进而对目标物体的质量进行智能化预测的功能模型,包括区域分割分支、质量预测模块。所述区域分割分支是对多个采集图像中的目标物体按照多个区域进行图像分割的功能分支,输入数据为多个采集图像,输出数据为多个分割结果集合。所述多个分割结果集合是与多个区域相对应的,每个分割结果集合内包括一个区域在所述多个采集图像中的分割结果。也就是说,首先对每个采集图像内目标物体按照多个区域进行分割,然后以多个区域为索引,对每个区域在多个采集图像中的图像进行汇总,从而获得多个分割结果集合。通过利用所述区域分割分支对上述过程进行智能化处理,从而提高分割效率,缩短反馈时间和提升分割的准确性。
在一个可能的实施例中,获取多个目标物体在多个样本角度下的采集图像,也就是说获取与目标物体同类的多个物体,使用图像采集装置从已知角度的多个样本角度对多个目标物体进行多角度采集,获得所述样本采集图像集合。
进而,按照所述多个区域对样本采集图像集合内的多个样本采集图像进行分割,并按照多个区域对分割结果进行同区域划分,获得所述多个样本分割结果集合。示例性的,当目标样本为猪肉时,多个区域为猪头区域、猪腿区域和猪臀区域等。对样本采集图像集合中的图像按照猪头区域、猪腿区域和猪臀区域进行划分,并按照不同区域进行分割图像汇总,获得猪头区域分割结果集合、猪腿区域分割结果集合和猪臀区域分割结果集合。
在一个可能的实施例中,基于语义分割内的全卷积神经网络可以构建对图像的不同区域进行分割的区域分割分支的编码器和解码器。所述编码器对输入的采集图像进行特征提取,解码器用于输出语义分割图像。通过利用所述样本采集图像集合,基于人工对样本采集图像集合中的图像进行多个区域分割,获得不同区域对应的图像,并对分割获得的区域进行标识,然后按照不同的区域进行图像汇总,从而获得多个样本分割结果集合。
具体而言,利用所述多个样本采集图像集合和所述多个样本分割结果集合作为构建数据,对构建数据进行划分,划分为构建训练集、构建验证集和构建测试集。利用所述构建训练集对编码器和解码器进行监督训练,直至输出达到收敛,获得区域分割分支,然后将构建验证集中的样本采集图像集合输入收敛的区域分割分支中,获得验证样本分割结果,将其与多个样本分割结果进行匹配,将匹配成功的比例作为验证结果,当验证结果满足第一预设条件中的验证度时,验证通过。示例性地,第一预设条件中的准确率验证度为准确率达到85%。
进而,将构建测试集中的数据输入验证通过的所述区域分割分支中,从而对区域分割分支的输出速度进行测试,当输出速度满足要求时,获得所述区域分割分支。通过将多个采集图像输入区域分割分支内,从而获得多个分割结果集合。
步骤S300:将所述多个分割结果集合分别输入所述质量预测模型内的质量预测模块内,获得所述多个区域的多个质量预测结果集合,其中,所述质量预测模块内包括多个质量预测单元;
进一步的,将所述多个分割结果集合分别输入所述质量预测模型内的质量预测模块内,获得所述多个区域的多个质量预测结果集合,本申请实施例步骤S300还包括:
步骤S310:根据所述多个区域,获取多个样本分割结果集合以及多个样本质量检测结果集合;
步骤S320:分别采用所述多个样本分割结果集合以及多个样本质量检测结果集合作为构建数据,构建所述多个质量预测单元,获得所述质量预测模块;
步骤S330:将所述多个分割结果集合分别输入所述多个质量预测单元,获得所述多个质量预测结果集合。
进一步的,分别采用所述多个样本分割结果集合以及多个样本质量检测结果集合作为构建数据,构建所述多个质量预测单元,本申请实施例步骤S320还包括:
步骤S321:基于卷积神经网络,构建所述多个质量预测单元的网络结构,每个质量预测单元的输入数据为一个区域内的分割结果,输出数据为一个区域的质量预测结果;
步骤S322:分别采用所述多个样本分割结果集合以及多个样本质量检测结果集合作为构建数据,对所述多个质量预测单元进行监督训练、验证和测试,在符合第二预设条件后,获得所述多个质量预测单元。
在一个可能的实施例中,所述质量预测模块是根据多个分割结果集合对目标物体的多个区域对应的质量进行预测的功能模块,包括多个质量预测单元。所述多个质量预测单元与多个区域一一对应。通过将多个分割结果集合输入所述质量预测模块内,获得所述多个区域的多个质量预测结果集合。
具体而言,根据所述多个区域获得从区域分割分支中输出的多个样本分割结果集合,以及获得多个区域对应的多个样本质量检测结果集合,然后利用所述多个样本分割结果集合和多个样本质量检测结果作为构建数据,构建多个质量预测单元,通过根据所述多个质量预测单元获得所述质量预测模块。
具体的,以卷积神经网络为基础框架,构建所述多个质量预测单元的网络结构,每个质量预测单元的输入数据为一个区域内的分割结果,输出数据为一个区域的质量预测结果。利用所述多个样本采集图像集合和所述多个样本分割结果集合作为质量检测模块的构建数据,对构建数据进行划分,划分为训练集、验证集和测试集。利用所述训练集对多个质量预测单元分别进行监督训练,直至输出达到收敛,获得收敛的所述多个质量预测单元,然后将验证集中的多个样本分割结果集合输入收敛的多个质量预测单元中,获得验证样本质量检测结果集合,将其与样本质量检测结果集合进行匹配,将匹配成功的比例作为验证结果,当验证结果满足第二预设条件中的验证度时,验证通过。进而,将测试集中的数据输入验证通过的多个质量预测单元中,从而对多个质量预测单元的输出速度进行测试,当输出速度满足要求时,获得所述多个质量预测单元。示例性地,第二预设条件为验证准确度达到90%。
步骤S400:根据所述多个角度,分别获取对所述多个区域进行图像采集的多个角度集合,将所述多个角度集合输入精度优化模型内的多个精度优化单元,获得多个校正参数集合;
进一步的,如图3所示,根据所述多个角度,分别获取对所述多个区域进行图像采集的多个角度集合,将所述多个角度集合输入精度优化模型内的多个精度优化单元,获得多个校正参数集合,本申请实施例步骤S400还包括:
步骤S410:根据所述多个角度,分别获取每个角度下与所述多个区域的图像采集角度,获得所述多个角度集合;
步骤S420:获取对所述多个区域进行图像采集的多个样本角度集合,并分别获取所述多个样本角度集合下,所述多个区域的实际质量和所述质量预测模块输出的质量预测结果的偏差程度,获得多个样本校正参数集合;
步骤S430:分别采用所述多个样本角度集合和所述多个样本校正参数集合作为构建数据,基于前馈神经网络,构建所述多个精度优化单元,获得所述精度优化模型;
步骤S440:将所述多个角度集合输入所述多个精度优化单元,获得所述多个校正参数集合。
在本申请的实施例中,所述精度优化模型是在不同角度对目标物体的多个区域进行图像采集时,需要对采集获得的结果进一步校正,对采集结果的精度进行智能优化的功能模型,包括多个精度优化单元。每个精度优化单元对应目标物体的一个区域,本申请实施例中,将一个区域的图像对应的一个角度输入对应的精度优化单元,然后可以获得一个区域在一个角度下获得的图像进行质量预测结果需要的校正参数。示例性的,有3个角度(角度A、角度B、角度C),目标物体具有2个区域(区域1和区域2),通过对使用角度A拍摄目标物体,然后通过根据目标物体的质心、区域1质心和图像采集装置位置点的构建平面三角形,获得图像采集装置位置点两条邻边的夹角,将其作为在多个角度下,对区域1进行拍摄的图像采集角度。从而根据所述多个角度,分别对每个角度下与所述多个区域的图像采集角度,组成所述多个角度集合。
具体而言,在进行多个角度的拍摄时,由于是以目标物体的质心为准,因此对于目标物体的不同区域的实际拍摄角度与多个角度存在角度偏差,对应获得的质量预测结果也存在偏差。因此,需要通过对获得的多个角度集合进行校正。
在本申请一个实施例中,通过根据所述多个样本角度集合和多个区域,获得多个样本角度集合,进而,对多个样本角度集合下多个区域的实际质量与所述质量预测模块输出的质量预测结果进行差值分析并计算差值与质量预测结果的比值,获得偏差程度,基于该偏差程度,设置校正参数,也就是对根据偏差程度对质量预测模块输出的质量预测结果进行校正的数据,如此,获得所述多个样本校正参数集合,例如某一样本校正参数为对质量预测结果校正计算提升8%。
在一个可能的实施例中,通过利用所述多个样本角度集合和所述多个样本校正参数集合作为构建数据,对以前馈神经网络为基础框架构建的多个精度优化单元进行监督训练,从而获得所述精度优化模型。通过将所述多个角度集合输入所述多个精度优化单元中,经过智能化运算分析,获得所述多个校正参数集合。
步骤S500:采用所述多个校正参数集合,对所述多个质量预测结果集合内的质量预测结果进行校正,获得多个修正质量预测结果集合;
步骤S600:对每个修正质量预测结果集合内的多个修正质量预测结果进行计算,获得多个区域质量预测结果,并计算获得综合质量预测结果。
进一步的,对每个修正质量预测结果集合内的多个修正质量预测结果进行计算,获得多个区域质量预测结果,并计算获得综合质量预测结果,本申请实施例步骤S600还包括:
步骤S610:分别根据所述多个修正参数集合内的修正参数的大小,进行权重分配,获得多个权重分配结果,其中,修正参数越大,权重值越小;
步骤S620:采用所述多个权重分配结果,分别对所述多个修正质量预测结果集合内的修正质量预测结果进行加权计算,获得所述多个区域质量预测结果;
步骤S630:对所述多个区域质量预测结果进行加和,获得所述综合质量预测结果。
具体而言,通过根据所述多个校正参数集合对所述多个质量预测结果集合内的质量预测结果进行校正,获得校正后的所述多个修正质量预测结果集合。
进一步地,通过根据所述多个修正参数集合中的修正参数大小进行权重分配,在进行权重分配的过程中,修正参数越大,对应的权重值越小。修正参数越大,说明对应的区域在对应的角度下的质量预测结果越不准确,因此在最终的区域质量预测结果中,该角度下的修正质量预测结果的占比应该较小。示例性的,可以通过计算修正参数的倒数,计算每个修正参数倒数与多个修正参数倒数之和的比值,将其作为权重值,从而实现修正参数越大,权重值越小。
示例性的,多个修正参数集合中的修正参数为正负百分比,如修正参数为正值,表明实际质量要比模型输出的质量大,修正参数为负值,表明实际质量要比模型输出的质量小。如修正参数为+5%,质量预测结果为50kg,则使用修正参数进行校正后,获得的结果为52.5kg。
在一个可能的实施例中,通过利用所述多个权重分配结果,对多个修正质量预测结果集合内的修正质量预测结果进行加权计算,也就是按照多个不同角度下对同一区域的修正质量预测结果,按照区域对应的权重分配结果进行加权计算,获得所述多个区域质量预测结果。进而,对目标物体的多个区域质量预测结果进行加和,获得所述综合质量预测结果,也就是对目标物体的质量进行预测后获得的结果。
综上所述,本申请实施例至少具有如下技术效果:
本申请通过使用图像处理的方式,利用智能化模型对图像进行分割处理,获得目标物体多个区域在不同角度下的图像,进而以此为基础分析图像,进行质量预测,并通过对目标物体进行图像采集的角度与采集时目标物体不同区域的实际采集角度之间的偏差对质量预测结果进行修正,并根据修正参数的大小对多个区域在不同角度下的质量预测结果进行加权计算,实现对每个区域对应的质量进行准确预测的目标,进而对多个区域质量预测结果进行求和,获得所述综合质量预测结果。达到了提高称重精度,通过使用角度优化图像处理过程从而提高称重准确性的技术效果。
实施例二
基于与前述实施例中一种基于图像处理的称重精度优化方法相同的发明构思,如图4所示,本申请提供了一种基于图像处理的称重精度优化***,本申请实施例中的***与方法实施例基于同样的发明构思。其中,所述***包括:
采集图像获得模块11,所述采集图像获得模块11用于通过多个角度,对待进行质量检测的目标物体进行图像采集,获得多个采集图像,所述目标物体为预设类别的物体;
分割结果获得模块12,所述分割结果获得模块12用于将所述多个采集图像输入质量预测模型内的区域分割分支内,进行每个采集图像内所述目标物体多个区域的分割,获得多个分割结果集合,每个分割结果集合内包括一个区域在所述多个采集图像中的分割结果;
质量预测结果获得模块13,所述质量预测结果获得模块13用于将所述多个分割结果集合分别输入所述质量预测模型内的质量预测模块内,获得所述多个区域的多个质量预测结果集合,其中,所述质量预测模块内包括多个质量预测单元;
校正参数获得模块14,所述校正参数获得模块14用于根据所述多个角度,分别获取对所述多个区域进行图像采集的多个角度集合,将所述多个角度集合输入精度优化模型内的多个精度优化单元,获得多个校正参数集合;
校正模块15,所述校正模块15用于采用所述多个校正参数集合,对所述多个质量预测结果集合内的质量预测结果进行校正,获得多个修正质量预测结果集合;
综合质量预测模块16,所述综合质量预测模块16用于对每个修正质量预测结果集合内的多个修正质量预测结果进行计算,获得多个区域质量预测结果,并计算获得综合质量预测结果。
进一步的,所述***还包括:
样本图像获得单元,所述样本图像获得单元用于获取多个目标物体的在多个样本角度下的采集图像,获得样本采集图像集合;
样本分割结果获得单元,所述样本分割结果获得单元用于按照所述多个区域,对所述样本采集图像集合内的多个样本采集图像进行分割,获得多个样本分割结果集合;
区域分割分支构建单元,所述区域分割分支构建单元用于采用所述样本采集图像集合和所述多个样本分割结果集合作为构建数据,构建所述区域分割分支;
多个分割结果集合获得单元,所述多个分割结果集合获得单元用于将所述多个采集图像输入所述区域分割分支内,获得所述多个分割结果集合。
进一步的,所述***还包括:
解码器构建单元,所述解码器构建单元用于基于全卷积神经网络,构建所述区域分割分支内的编码器和解码器,其中,所述编码器对输入的采集图像进行特征提取,解码器用于输出语义分割图像;
监督训练单元,所述监督训练单元用于采用所述样本采集图像集合和所述多个样本分割结果集合作为构建数据,对所述编码器和解码器进行监督训练、验证和测试,在符合第一预设条件后,获得所述区域分割分支。
进一步的,所述***还包括:
样本质量检测结果集合获得单元,所述样本质量检测结果集合获得单元用于根据所述多个区域,获取多个样本分割结果集合以及多个样本质量检测结果集合;
质量预测模块获得单元,所述质量预测模块获得单元用于分别采用所述多个样本分割结果集合以及多个样本质量检测结果集合作为构建数据,构建所述多个质量预测单元,获得所述质量预测模块;
多个质量预测结果获得单元,所述多个质量预测结果获得单元用于将所述多个分割结果集合分别输入所述多个质量预测单元,获得所述多个质量预测结果集合。
进一步的,所述***还包括:
网络结构构建单元,所述网络结构构建单元用于基于卷积神经网络,构建所述多个质量预测单元的网络结构,每个质量预测单元的输入数据为一个区域内的分割结果,输出数据为一个区域的质量预测结果;
验证测试单元,所述验证测试单元用于分别采用所述多个样本分割结果集合以及多个样本质量检测结果集合作为构建数据,对所述多个质量预测单元进行监督训练、验证和测试,在符合第二预设条件后,获得所述多个质量预测单元。
进一步的,所述***还包括:
多个角度集合获得单元,所述多个角度集合获得单元用于根据所述多个角度,分别获取每个角度下与所述多个区域的图像采集角度,获得所述多个角度集合;
样本校正参数获得单元,所述样本校正参数获得单元用于获取对所述多个区域进行图像采集的多个样本角度集合,并分别获取所述多个样本角度集合下,所述多个区域的实际质量和所述质量预测模块输出的质量预测结果的偏差程度,获得多个样本校正参数集合;
精度优化模型获得单元,所述精度优化模型获得单元用于分别采用所述多个样本角度集合和所述多个样本校正参数集合作为构建数据,基于前馈神经网络,构建所述多个精度优化单元,获得所述精度优化模型;
多个校正参数获得单元,所述多个校正参数获得单元用于将所述多个角度集合输入所述多个精度优化单元,获得所述多个校正参数集合。
进一步的,所述***还包括:
权重分配结果获得单元,所述权重分配结果获得单元用于分别根据所述多个修正参数集合内的修正参数的大小,进行权重分配,获得多个权重分配结果,其中,修正参数越大,权重值越小;
加权计算单元,所述加权计算单元用于采用所述多个权重分配结果,分别对所述多个修正质量预测结果集合内的修正质量预测结果进行加权计算,获得所述多个区域质量预测结果;
综合质量预测结果获得单元,所述综合质量预测结果获得单元用于对所述多个区域质量预测结果进行加和,获得所述综合质量预测结果。
需要说明的是,上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (8)
1.一种基于图像处理的称重精度优化方法,其特征在于,所述方法包括:
通过多个角度,对待进行质量检测的目标物体进行图像采集,获得多个采集图像,所述目标物体为预设类别的物体;
将所述多个采集图像输入质量预测模型内的区域分割分支内,进行每个采集图像内所述目标物体多个区域的分割,获得多个分割结果集合,每个分割结果集合内包括一个区域在所述多个采集图像中的分割结果;
将所述多个分割结果集合分别输入所述质量预测模型内的质量预测模块内,获得所述多个区域的多个质量预测结果集合,其中,所述质量预测模块内包括多个质量预测单元;
根据所述多个角度,分别获取对所述多个区域进行图像采集的多个角度集合,将所述多个角度集合输入精度优化模型内的多个精度优化单元,获得多个校正参数集合;
采用所述多个校正参数集合,对所述多个质量预测结果集合内的质量预测结果进行校正,获得多个修正质量预测结果集合;
对每个修正质量预测结果集合内的多个修正质量预测结果进行计算,获得多个区域质量预测结果,并计算获得综合质量预测结果。
2.根据权利要求1所述的方法,其特征在于,将所述多个采集图像输入质量预测模型内的区域分割分支内,进行每个采集图像内所述目标物体多个区域的分割,获得多个分割结果集合,每个分割结果集合内包括一个区域在所述多个采集图像中的分割结果,包括:
获取多个目标物体的在多个样本角度下的采集图像,获得样本采集图像集合;
按照所述多个区域,对所述样本采集图像集合内的多个样本采集图像进行分割,获得多个样本分割结果集合;
采用所述样本采集图像集合和所述多个样本分割结果集合作为构建数据,构建所述区域分割分支;
将所述多个采集图像输入所述区域分割分支内,获得所述多个分割结果集合。
3.根据权利要求2所述的方法,其特征在于,采用所述样本采集图像集合和所述多个样本分割结果集合作为构建数据,构建所述区域分割分支,包括:
基于全卷积神经网络,构建所述区域分割分支内的编码器和解码器,其中,所述编码器对输入的采集图像进行特征提取,解码器用于输出语义分割图像;
采用所述样本采集图像集合和所述多个样本分割结果集合作为构建数据,对所述编码器和解码器进行监督训练、验证和测试,在符合第一预设条件后,获得所述区域分割分支。
4.根据权利要求1所述的方法,其特征在于,将所述多个分割结果集合分别输入所述质量预测模型内的质量预测模块内,获得所述多个区域的多个质量预测结果集合,包括:
根据所述多个区域,获取多个样本分割结果集合以及多个样本质量检测结果集合;
分别采用所述多个样本分割结果集合以及多个样本质量检测结果集合作为构建数据,构建所述多个质量预测单元,获得所述质量预测模块;
将所述多个分割结果集合分别输入所述多个质量预测单元,获得所述多个质量预测结果集合。
5.根据权利要求4所述的方法,分别采用所述多个样本分割结果集合以及多个样本质量检测结果集合作为构建数据,构建所述多个质量预测单元,包括:
基于卷积神经网络,构建所述多个质量预测单元的网络结构,每个质量预测单元的输入数据为一个区域内的分割结果,输出数据为一个区域的质量预测结果;
分别采用所述多个样本分割结果集合以及多个样本质量检测结果集合作为构建数据,对所述多个质量预测单元进行监督训练、验证和测试,在符合第二预设条件后,获得所述多个质量预测单元。
6.根据权利要求1所述的方法,其特征在于,根据所述多个角度,分别获取对所述多个区域进行图像采集的多个角度集合,将所述多个角度集合输入精度优化模型内的多个精度优化单元,获得多个校正参数集合,包括:
根据所述多个角度,分别获取每个角度下与所述多个区域的图像采集角度,获得所述多个角度集合;
获取对所述多个区域进行图像采集的多个样本角度集合,并分别获取所述多个样本角度集合下,所述多个区域的实际质量和所述质量预测模块输出的质量预测结果的偏差程度,获得多个样本校正参数集合;
分别采用所述多个样本角度集合和所述多个样本校正参数集合作为构建数据,基于前馈神经网络,构建所述多个精度优化单元,获得所述精度优化模型;
将所述多个角度集合输入所述多个精度优化单元,获得所述多个校正参数集合。
7.根据权利要求1所述的方法,其特征在于,对每个修正质量预测结果集合内的多个修正质量预测结果进行计算,获得多个区域质量预测结果,并计算获得综合质量预测结果,包括:
分别根据所述多个修正参数集合内的修正参数的大小,进行权重分配,获得多个权重分配结果,其中,修正参数越大,权重值越小;
采用所述多个权重分配结果,分别对所述多个修正质量预测结果集合内的修正质量预测结果进行加权计算,获得所述多个区域质量预测结果;
对所述多个区域质量预测结果进行加和,获得所述综合质量预测结果。
8.一种基于图像处理的称重精度优化***,其特征在于,所述***包括:
采集图像获得模块,所述采集图像获得模块用于通过多个角度,对待进行质量检测的目标物体进行图像采集,获得多个采集图像,所述目标物体为预设类别的物体;
分割结果获得模块,所述分割结果获得模块用于将所述多个采集图像输入质量预测模型内的区域分割分支内,进行每个采集图像内所述目标物体多个区域的分割,获得多个分割结果集合,每个分割结果集合内包括一个区域在所述多个采集图像中的分割结果;
质量预测结果获得模块,所述质量预测结果获得模块用于将所述多个分割结果集合分别输入所述质量预测模型内的质量预测模块内,获得所述多个区域的多个质量预测结果集合,其中,所述质量预测模块内包括多个质量预测单元;
校正参数获得模块,所述校正参数获得模块用于根据所述多个角度,分别获取对所述多个区域进行图像采集的多个角度集合,将所述多个角度集合输入精度优化模型内的多个精度优化单元,获得多个校正参数集合;
校正模块,所述校正模块用于采用所述多个校正参数集合,对所述多个质量预测结果集合内的质量预测结果进行校正,获得多个修正质量预测结果集合;
综合质量预测模块,所述综合质量预测模块用于对每个修正质量预测结果集合内的多个修正质量预测结果进行计算,获得多个区域质量预测结果,并计算获得综合质量预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310566753.8A CN116416260B (zh) | 2023-05-19 | 2023-05-19 | 一种基于图像处理的称重精度优化方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310566753.8A CN116416260B (zh) | 2023-05-19 | 2023-05-19 | 一种基于图像处理的称重精度优化方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116416260A true CN116416260A (zh) | 2023-07-11 |
CN116416260B CN116416260B (zh) | 2024-01-26 |
Family
ID=87057906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310566753.8A Active CN116416260B (zh) | 2023-05-19 | 2023-05-19 | 一种基于图像处理的称重精度优化方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116416260B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017049346A1 (en) * | 2015-09-21 | 2017-03-30 | Plf Agritech Pty Ltd | Image analysis for making animal measurements including 3-d image analysis |
CN109636826A (zh) * | 2018-11-13 | 2019-04-16 | 平安科技(深圳)有限公司 | 生猪重量量测方法、服务器及计算机可读存储介质 |
CN111539937A (zh) * | 2020-04-24 | 2020-08-14 | 北京海益同展信息科技有限公司 | 一种物体指标的检测方法、家畜重量的检测方法及装置 |
CN111985477A (zh) * | 2020-08-27 | 2020-11-24 | 平安科技(深圳)有限公司 | 基于单目摄像头的动物体在线核赔方法、装置及存储介质 |
CN112330677A (zh) * | 2021-01-05 | 2021-02-05 | 四川智迅车联科技有限公司 | 基于图像的高精度称重方法、***、电子设备及存储介质 |
CN114693883A (zh) * | 2020-12-31 | 2022-07-01 | 中国农业大学 | 一种基单视角3d点云的生猪体尺测量及体重预测方法 |
WO2022145614A1 (ko) * | 2020-12-31 | 2022-07-07 | 한국축산데이터 주식회사 농업회사법인 | 축사 영상을 이용한 가축 체중 추정 시스템 및 방법 |
CN114882213A (zh) * | 2022-03-28 | 2022-08-09 | 成都爱记科技有限公司 | 一种基于图片识别的动物体重预测估算*** |
CN114926633A (zh) * | 2022-03-25 | 2022-08-19 | 成都爱记科技有限公司 | 一种基于深度学习的高精度猪只体重估算方法 |
CN115355948A (zh) * | 2022-09-01 | 2022-11-18 | 山西农业大学 | 一种母猪体尺、体重、背膘厚度检测方法 |
WO2023008806A1 (ko) * | 2021-07-30 | 2023-02-02 | 주식회사 일루베이션 | Rgb-d 기반 가축 체중 추론 ai 시스템 및 이를 제공하기 위한 컴퓨터 프로그램이 기록된 컴퓨터-판독가능매체 |
WO2023041904A1 (en) * | 2021-09-15 | 2023-03-23 | Pig Improvement Company Uk Limited | Systems and methods for the automated monitoring of animal physiological conditions and for the prediction of animal phenotypes and health outcomes |
WO2023060777A1 (zh) * | 2021-10-13 | 2023-04-20 | 华南农业大学 | 一种基于深度学习的猪只体尺体重估测方法 |
CN116051488A (zh) * | 2022-12-30 | 2023-05-02 | 重庆大学 | 基于卷积神经网络的活体猪计数及多目标跟踪方法 |
-
2023
- 2023-05-19 CN CN202310566753.8A patent/CN116416260B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017049346A1 (en) * | 2015-09-21 | 2017-03-30 | Plf Agritech Pty Ltd | Image analysis for making animal measurements including 3-d image analysis |
CN109636826A (zh) * | 2018-11-13 | 2019-04-16 | 平安科技(深圳)有限公司 | 生猪重量量测方法、服务器及计算机可读存储介质 |
CN111539937A (zh) * | 2020-04-24 | 2020-08-14 | 北京海益同展信息科技有限公司 | 一种物体指标的检测方法、家畜重量的检测方法及装置 |
CN111985477A (zh) * | 2020-08-27 | 2020-11-24 | 平安科技(深圳)有限公司 | 基于单目摄像头的动物体在线核赔方法、装置及存储介质 |
WO2022145614A1 (ko) * | 2020-12-31 | 2022-07-07 | 한국축산데이터 주식회사 농업회사법인 | 축사 영상을 이용한 가축 체중 추정 시스템 및 방법 |
CN114693883A (zh) * | 2020-12-31 | 2022-07-01 | 中国农业大学 | 一种基单视角3d点云的生猪体尺测量及体重预测方法 |
CN112330677A (zh) * | 2021-01-05 | 2021-02-05 | 四川智迅车联科技有限公司 | 基于图像的高精度称重方法、***、电子设备及存储介质 |
WO2023008806A1 (ko) * | 2021-07-30 | 2023-02-02 | 주식회사 일루베이션 | Rgb-d 기반 가축 체중 추론 ai 시스템 및 이를 제공하기 위한 컴퓨터 프로그램이 기록된 컴퓨터-판독가능매체 |
WO2023041904A1 (en) * | 2021-09-15 | 2023-03-23 | Pig Improvement Company Uk Limited | Systems and methods for the automated monitoring of animal physiological conditions and for the prediction of animal phenotypes and health outcomes |
WO2023060777A1 (zh) * | 2021-10-13 | 2023-04-20 | 华南农业大学 | 一种基于深度学习的猪只体尺体重估测方法 |
CN114926633A (zh) * | 2022-03-25 | 2022-08-19 | 成都爱记科技有限公司 | 一种基于深度学习的高精度猪只体重估算方法 |
CN114882213A (zh) * | 2022-03-28 | 2022-08-09 | 成都爱记科技有限公司 | 一种基于图片识别的动物体重预测估算*** |
CN115355948A (zh) * | 2022-09-01 | 2022-11-18 | 山西农业大学 | 一种母猪体尺、体重、背膘厚度检测方法 |
CN116051488A (zh) * | 2022-12-30 | 2023-05-02 | 重庆大学 | 基于卷积神经网络的活体猪计数及多目标跟踪方法 |
Non-Patent Citations (5)
Title |
---|
CHANG-BOK LEE等: "Cattle Weight Estimation Using Fully and Weakly Supervised Segmentation from 2D Images", 《APPLIED SCIENCES》, vol. 13, no. 5, pages 1 - 13 * |
HU HAO等: "An improved PointNet++ point cloud segmentation model applied to automatic measurement method of pig body size", 《COMPUTERS AND ELECTRONICS IN AGRICULTURE》, vol. 205, pages 1 - 15 * |
万世主: "基于机器视觉与机器学习的育肥猪体重估测方法研究", 《中国优秀硕士学位论文全文数据库(农业科技辑)》, no. 2, pages 050 - 556 * |
吕乾涛等: "用于动物的动态称重***设计与研究", 《工业控制计算机》, vol. 29, no. 11, pages 100 - 101 * |
王文志: "非接触式牦牛体尺测量及体重估测方法研究", 《中国优秀硕士学位论文全文数据库(农业科技辑)》, no. 3, pages 050 - 93 * |
Also Published As
Publication number | Publication date |
---|---|
CN116416260B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107481273B (zh) | 一种航天器自主导航快速图像匹配方法 | |
CN102452081B (zh) | 机械手臂***参数的校正方法与校正装置 | |
CN105069423A (zh) | 一种人体姿态检测方法及装置 | |
CN111178206A (zh) | 一种基于改进yolo的建筑预埋件检测方法及*** | |
CN113344956B (zh) | 基于无人机航摄三维建模的地物轮廓提取分类方法 | |
CN110619316A (zh) | 人体关键点检测方法、装置和电子设备 | |
CN112836820B (zh) | 用于图像分类任务的深度卷积网络训练方法、装置及*** | |
CN109978888A (zh) | 一种图像分割方法、装置及计算机可读存储介质 | |
Kochi et al. | A 3D shape-measuring system for assessing strawberry fruits | |
CN113658147B (zh) | 一种基于深度学习的工件尺寸测量装置及方法 | |
CN116416260B (zh) | 一种基于图像处理的称重精度优化方法及*** | |
CN117541023A (zh) | 一种基于bim的桥梁施工进度管理方法及*** | |
CN112288744B (zh) | 基于整型推理量化cnn的sar图像变化检测方法 | |
CN112215301B (zh) | 基于卷积神经网络的影像直线探测方法 | |
CN116434066B (zh) | 基于深度学习的大豆豆荚考种方法、***及装置 | |
CN111951316A (zh) | 图像量化方法和存储介质 | |
CN116503807A (zh) | 一种设备巡检方法、装置、电子设备及计算机程序产品 | |
CN110930344B (zh) | 一种目标的质量确定方法、装置、***及电子设备 | |
CN111062558A (zh) | 基于任务需求的卫星价值分析方法和*** | |
CN117808356B (zh) | 基于视觉监测的混凝土构件质量控制方法和*** | |
CN117301078B (zh) | 一种机器手视觉校准方法及*** | |
CN113628182B (zh) | 鱼类重量自动估计方法、装置、电子设备及存储介质 | |
CN118429823A (zh) | 一种输变电工程土壤侵蚀状况监测方法及*** | |
CN111669501B (zh) | 基于无人机的拍摄方法、装置、计算机设备和介质 | |
CN118015347A (zh) | 全连接神经网络星载探测相机目标星等测量方法及*** |
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 |