CN117294824B - 激光投影光机的图像优化方法、装置、设备及存储介质 - Google Patents
激光投影光机的图像优化方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117294824B CN117294824B CN202311588229.7A CN202311588229A CN117294824B CN 117294824 B CN117294824 B CN 117294824B CN 202311588229 A CN202311588229 A CN 202311588229A CN 117294824 B CN117294824 B CN 117294824B
- Authority
- CN
- China
- Prior art keywords
- image
- temperature
- laser projection
- projection
- optical machine
- 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
- 230000003287 optical effect Effects 0.000 title claims abstract description 204
- 238000005457 optimization Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000011156 evaluation Methods 0.000 claims abstract description 130
- 239000011159 matrix material Substances 0.000 claims abstract description 94
- 238000001514 detection method Methods 0.000 claims abstract description 74
- 238000004458 analytical method Methods 0.000 claims abstract description 68
- 230000002159 abnormal effect Effects 0.000 claims abstract description 38
- 238000011217 control strategy Methods 0.000 claims abstract description 38
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000006243 chemical reaction Methods 0.000 claims abstract description 19
- 238000003384 imaging method Methods 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 230000002068 genetic effect Effects 0.000 claims description 19
- 238000003066 decision tree Methods 0.000 claims description 11
- 230000002457 bidirectional effect Effects 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000012098 association analyses Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000013433 optimization analysis Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000008447 perception Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 12
- 230000008569 process Effects 0.000 description 13
- 230000008859 change Effects 0.000 description 8
- 230000033228 biological regulation Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000002301 combined effect Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N9/00—Details of colour television systems
- H04N9/12—Picture reproducers
- H04N9/31—Projection devices for colour picture display, e.g. using electronic spatial light modulators [ESLM]
- H04N9/3179—Video signal processing therefor
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N9/00—Details of colour television systems
- H04N9/12—Picture reproducers
- H04N9/31—Projection devices for colour picture display, e.g. using electronic spatial light modulators [ESLM]
- H04N9/3141—Constructional details thereof
- H04N9/315—Modulator illumination systems
- H04N9/3161—Modulator illumination systems using laser light sources
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Projection Apparatus (AREA)
- Transforming Electric Information Into Light Information (AREA)
Abstract
本发明涉及图像优化领域,公开了一种激光投影光机的图像优化方法、装置、设备及存储介质,用于提高激光投影光机的激光图像投影效果。方法包括:对目标激光投影光机进行激光投影测试,并光机设备温度数据和S个第一激光投影图像;进行温度特征检测和特征区间划分,得到每个设备特征温度区间的F个第二激光投影图像;进行投影图像异常特征参数分析,得到投影图像异常特征参数集合;进行综合图像评价指标计算,得到综合图像评价指标并计算平均图像评价指标;进行温度影响系数分析和矩阵转换,得到温度‑图像关系影响矩阵;通过光机投影温度控制分析模型进行光机投影温度控制分析,得到光机投影温度控制策略,并进行投影图像动态优化。
Description
技术领域
本发明涉及图像优化领域,尤其涉及一种激光投影光机的图像优化方法、装置、设备及存储介质。
背景技术
在当今科技发展的背景下,激光投影光机在商业、娱乐和工业等领域得到广泛应用。然而,随着激光投影技术的不断进步,对投影图像质量的要求也日益提高。为了满足用户对高质量投影图像的需求,研究人员开始关注激光投影光机图像优化方法的开发与改进。
激光投影光机的图像质量受多种因素的影响,其中之一是光机设备的工作温度。温度的变化会导致光学元件的性能变化,进而影响投影图像的清晰度、颜色分布和畸变等特征,进而影响激光图像的投影效果。
发明内容
本发明提供了一种激光投影光机的图像优化方法、装置、设备及存储介质,用于提高激光投影光机的激光图像投影效果。
本发明第一方面提供了一种激光投影光机的图像优化方法,所述激光投影光机的图像优化方法包括:对目标激光投影光机进行激光投影测试,并采集所述目标激光投影光机的光机设备温度数据,同时,通过预置的激光投影成像***获取对应的S个第一激光投影图像,S为正整数;对所述光机设备温度数据进行温度特征检测和特征区间划分,得到多个设备特征温度区间,并对所述多个设备特征温度区间与所述S个第一激光投影图像进行对应匹配,得到每个设备特征温度区间对应的F个第二激光投影图像,F为正整数,F<S;分别对每个设备特征温度区间对应的F个第二激光投影图像进行投影图像异常特征参数分析,得到每个第二激光投影图像的投影图像异常特征参数集合;对所述投影图像异常特征参数集合进行综合图像评价指标计算,得到每个第二激光投影图像的综合图像评价指标,并根据所述综合图像评价指标分别计算每个设备特征温度区间对应的平均图像评价指标;计算每个设备特征温度区间对应的平均区间温度值,并对所述平均区间温度值和所述平均图像评价指标进行温度影响系数分析和矩阵转换,得到对应的温度-图像关系影响矩阵;将所述温度-图像关系影响矩阵输入预置的光机投影温度控制分析模型进行光机投影温度控制分析,得到光机投影温度控制策略,并根据所述光机投影温度控制策略对所述目标激光投影光机进行投影图像动态优化。
结合第一方面,在本发明第一方面的第一种实现方式中,所述对目标激光投影光机进行激光投影测试,并采集所述目标激光投影光机的光机设备温度数据,同时,通过预置的激光投影成像***获取对应的S个第一激光投影图像,S为正整数,包括:构建目标激光投影光机对应的激光投影成像***,并通过所述激光投影成像***生成对应的激光投影场;对目标激光投影光机进行激光投影测试,并获取所述目标激光投影光机的深度参数集合,并基于预设的重聚焦算法对所述激光投影场进行参数计算,得到重聚焦参数集合;对所述深度参数集合以及所述重聚焦参数集合进行关系曲线构建,得到目标关系曲线,并根据所述目标关系曲线,对所述目标激光投影光机进行初始化标定;对所述目标激光投影光机进行激光投影区域识别和定位,得到目标激光投影区域,并通过所述激光投影成像***对所述目标激光投影区域进行图像采集,得到对应的S个第一激光投影图像,S为正整数;采集所述目标激光投影光机的初始设备温度数据,并对所述初始设备温度数据进行数据预处理,得到光机设备温度数据。
结合第一方面,在本发明第一方面的第二种实现方式中,所述对所述光机设备温度数据进行温度特征检测和特征区间划分,得到多个设备特征温度区间,并对所述多个设备特征温度区间与所述S个第一激光投影图像进行对应匹配,得到每个设备特征温度区间对应的F个第二激光投影图像,F为正整数,F<S,包括:计算所述光机设备温度数据的协方差矩阵,并对所述协方差矩阵进行特征分解,得到多个第一特征值以及每个第一特征值对应的第一特征向量;对所述多个第一特征值与预设目标值进行比较,得到每个第一特征值的特征值比较结果,并根据所述特征值比较结果对所述多个第一特征值进行特征值筛选,得到多个第二特征值;获取所述多个第二特征值对应的第二特征向量,并根据所述多个第二特征值以及所述第二特征向量生成对应的主成分矩阵;根据所述主成分矩阵对所述光机设备温度数据进行温度数据投影,得到目标设备温度数据;对所述目标设备温度数据进行温度特征检测,得到多个温度特征检测点,并根据所述多个温度特征检测点对所述目标设备温度数据进行特征区间划分,得到多个设备特征温度区间;获取所述多个设备特征温度区间的第一时间戳数据,并获取所述S个第一激光投影图像的第二时间戳数据;对所述第一时间戳数据和所述第二时间戳数据进行匹配,得到时间戳数据匹配结果,并根据所述时间戳数据匹配结果确定每个设备特征温度区间对应的F个第二激光投影图像,F为正整数,F<S。
结合第一方面,在本发明第一方面的第三种实现方式中,所述分别对每个设备特征温度区间对应的F个第二激光投影图像进行投影图像异常特征参数分析,得到每个第二激光投影图像的投影图像异常特征参数集合,包括:通过预置的图像清晰度检测模型,分别对每个第二激光投影图像进行图像清晰度检测,得到每个第二激光投影图像的图像清晰度参数,所述图像清晰度检测模型包括两层卷积网络、池化层以及归一化函数;通过预置的图像颜色分布检测模型,分别对每个第二激光投影图像进行图像颜色分布检测,得到每个第二激光投影图像的图像颜色分布参数,所述图像颜色分布检测模型为高斯混合模型;通过预置的图像畸变检测模型,分别对每个第二激光投影图像进行图像畸变检测,得到每个第二激光投影图像的图像畸变参数,所述图像畸变检测模型为感知模型;根据所述图像清晰度参数、所述图像颜色分布参数以及所述图像畸变参数生成每个第二激光投影图像的投影图像异常特征参数集合。
结合第一方面,在本发明第一方面的第四种实现方式中,所述对所述投影图像异常特征参数集合进行综合图像评价指标计算,得到每个第二激光投影图像的综合图像评价指标,并根据所述综合图像评价指标分别计算每个设备特征温度区间对应的平均图像评价指标,包括:构建所述图像清晰度参数、所述图像颜色分布参数以及所述图像畸变参数对应的目标指标体系;根据所述目标指标体系,对所述图像清晰度参数与所述图像颜色分布参数进行指标关联关系分析,得到第一指标关联关系,并根据所述第一指标关联关系计算所述图像清晰度参数与所述图像颜色分布参数对应的第一图像评价指标;根据所述目标指标体系,对所述图像颜色分布参数与所述图像畸变参数进行指标关联关系分析,得到第二指标关联关系,并根据所述第二指标关联关系计算所述图像颜色分布参数与所述图像畸变参数对应的第二图像评价指标;根据所述目标指标体系,对所述图像清晰度参数与所述图像畸变参数进行指标关联关系分析,得到第三指标关联关系,并根据所述第三指标关联关系计算所述图像清晰度参数与所述图像畸变参数对应的第三图像评价指标;对所述第一图像评价指标、所述第二图像评价指标以及所述第三图像评价指标进行指标求和,生成每个第二激光投影图像的综合图像评价指标;获取每个设备特征温度区间对应的多个综合图像评价指标,并对每个设备特征温度区间对应的多个综合图像评价指标进行均值运算,得到每个设备特征温度区间对应的平均图像评价指标。
结合第一方面,在本发明第一方面的第五种实现方式中,所述计算每个设备特征温度区间对应的平均区间温度值,并对所述平均区间温度值和所述平均图像评价指标进行温度影响系数分析和矩阵转换,得到对应的温度-图像关系影响矩阵,包括:获取每个设备特征温度区间对应的多个温度值,并对所述多个温度值进行均值运算,得到每个设备特征温度区间对应的平均区间温度值;通过预置的皮尔逊相关性算法,对所述光机设备温度数据与所述综合图像评价指标进行温度影响系数分析,得到目标温度影响系数;根据所述目标温度影响系数生成每个平均图像评价指标的指标权重数据;根据所述指标权重数据对每个平均图像评价指标进行加权运算,得到加权图像评价指标;对所述平均区间温度值和所述加权图像评价指标进行映射匹配和矩阵转换,得到对应的温度-图像关系影响矩阵。
结合第一方面,在本发明第一方面的第六种实现方式中,所述将所述温度-图像关系影响矩阵输入预置的光机投影温度控制分析模型进行光机投影温度控制分析,得到光机投影温度控制策略,并根据所述光机投影温度控制策略对所述目标激光投影光机进行投影图像动态优化,包括:将所述温度-图像关系影响矩阵输入预置的光机投影温度控制分析模型,所述光机投影温度控制分析模型包括双向门限循环网络、决策树网络以及遗传优化网络;通过所述双向门限循环网络对所述温度-图像关系影响矩阵进行关系影响特征提取,得到目标关系影响矩阵;通过所述决策树网络对所述目标关系影响矩阵进行光机投影温度控制参数预测,得到光机投影温度控制参数;通过所述遗传优化网络中的改进遗传算法对所述光机投影温度控制参数进行参数群体初始化和控制策略最优化分析,得到光机投影温度控制策略;根据所述光机投影温度控制策略对所述目标激光投影光机进行投影图像动态优化。
本发明第二方面提供了一种激光投影光机的图像优化装置,所述激光投影光机的图像优化装置包括:测试模块,用于对目标激光投影光机进行激光投影测试,并采集所述目标激光投影光机的光机设备温度数据,同时,通过预置的激光投影成像***获取对应的S个第一激光投影图像,S为正整数;划分模块,用于对所述光机设备温度数据进行温度特征检测和特征区间划分,得到多个设备特征温度区间,并对所述多个设备特征温度区间与所述S个第一激光投影图像进行对应匹配,得到每个设备特征温度区间对应的F个第二激光投影图像,F为正整数,F<S;分析模块,用于分别对每个设备特征温度区间对应的F个第二激光投影图像进行投影图像异常特征参数分析,得到每个第二激光投影图像的投影图像异常特征参数集合;计算模块,用于对所述投影图像异常特征参数集合进行综合图像评价指标计算,得到每个第二激光投影图像的综合图像评价指标,并根据所述综合图像评价指标分别计算每个设备特征温度区间对应的平均图像评价指标;转换模块,用于计算每个设备特征温度区间对应的平均区间温度值,并对所述平均区间温度值和所述平均图像评价指标进行温度影响系数分析和矩阵转换,得到对应的温度-图像关系影响矩阵;优化模块,用于将所述温度-图像关系影响矩阵输入预置的光机投影温度控制分析模型进行光机投影温度控制分析,得到光机投影温度控制策略,并根据所述光机投影温度控制策略对所述目标激光投影光机进行投影图像动态优化。
本发明第三方面提供了一种激光投影光机的图像优化设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述激光投影光机的图像优化设备执行上述的激光投影光机的图像优化方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的激光投影光机的图像优化方法。
本发明提供的技术方案中,对目标激光投影光机进行激光投影测试,并光机设备温度数据和S个第一激光投影图像;进行温度特征检测和特征区间划分,得到每个设备特征温度区间的F个第二激光投影图像;进行投影图像异常特征参数分析,得到投影图像异常特征参数集合;进行综合图像评价指标计算,得到综合图像评价指标并计算平均图像评价指标;进行温度影响系数分析和矩阵转换,得到温度-图像关系影响矩阵;通过光机投影温度控制分析模型进行光机投影温度控制分析,得到光机投影温度控制策略,并进行投影图像动态优化,本发明通过激光投影测试和温度特征检测,***能够实时获取目标光机设备的温度数据,并将其分区间匹配,实现对设备特征温度的高精度检测和调控。通过投影图像异常特征参数分析,***能够全面评估每个第二激光投影图像的清晰度、颜色分布和畸变等特征,从而有效提高投影图像的质量和清晰度。通过光机投影温度控制分析,***能够根据温度-图像关系影响矩阵实现对光机投影温度的智能控制,从而动态调整投影图像,适应不同温度条件下的最佳显示效果。通过精确的温度控制,***能够在不影响图像质量的前提下,降低光机设备的温度波动,有效减少能耗,延长设备寿命,提高设备稳定性。通过综合图像评价指标,***综合考虑了图像清晰度、颜色分布和畸变等多个因素,为操作者提供了更全面的图像质量信息,有助于更精准地判断设备状态。由于采用了动态的光机投影温度控制策略,***能够自适应不同环境条件下的温度变化,保持图像质量的稳定性和一致性,进而提高了激光投影光机的激光图像投影效果。
附图说明
图1为本发明实施例中激光投影光机的图像优化方法的一个实施例示意图;
图2为本发明实施例中温度特征检测和特征区间划分的流程图;
图3为本发明实施例中投影图像异常特征参数分析的流程图;
图4为本发明实施例中综合图像评价指标计算的流程图;
图5为本发明实施例中激光投影光机的图像优化装置的一个实施例示意图;
图6为本发明实施例中激光投影光机的图像优化设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种激光投影光机的图像优化方法、装置、设备及存储介质,用于提高激光投影光机的激光图像投影效果。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,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、***、产品或设备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单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中激光投影光机的图像优化方法的一个实施例包括:
S101、对目标激光投影光机进行激光投影测试,并采集目标激光投影光机的光机设备温度数据,同时,通过预置的激光投影成像***获取对应的S个第一激光投影图像,S为正整数;
可以理解的是,本发明的执行主体可以为激光投影光机的图像优化装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,构建激光投影成像***,该***与目标激光投影光机相匹配。成像***可以包括激光发射器、传感器、摄像头等组件,以便生成激光投影场。例如,成像***包括高分辨率摄像头和激光发射器,用于生成高质量的投影图像。进行激光投影测试,采集目标激光投影光机的深度参数集合。这些深度参数代表激光在不同位置的反射情况。利用预设的重聚焦算法,对激光投影场进行参数计算,得到重聚焦参数集合。例如,激光投影测试包括记录不同区域的深度参数,以了解激光在不同距离上的焦点情况。接着,利用深度参数集合和重聚焦参数集合构建关系曲线。这些曲线描述了深度参数与重聚焦参数之间的关系,有助于理解激光投影的特性。基于这些关系曲线,进行目标关系曲线的初始化标定。例如,服务器建立深度参数与重聚焦参数之间的关系曲线,以适应不同区域的投影需求。对目标激光投影光机进行激光投影区域识别和定位,以获得激光投影的位置和区域信息。通过激光投影成像***采集目标激光投影区域的第一激光投影图像,S为正整数。例如,服务器使用成像***来确定投影区域,并采集不同角度和位置的第一激光投影图像。同时,采集目标激光投影光机的初始设备温度数据,并对这些数据进行预处理,以获得光机设备温度数据。这将有助于后续的图像优化过程,确保在不同温度条件下获得稳定的图像质量。
S102、对光机设备温度数据进行温度特征检测和特征区间划分,得到多个设备特征温度区间,并对多个设备特征温度区间与S个第一激光投影图像进行对应匹配,得到每个设备特征温度区间对应的F个第二激光投影图像,F为正整数,F<S;
具体的,计算光机设备温度数据的协方差矩阵。协方差矩阵是一个用于衡量不同温度数据之间关系的矩阵。通过计算协方差矩阵,服务器了解不同温度数据之间的关联程度。接着,对协方差矩阵进行特征分解,得到多个第一特征值以及每个第一特征值对应的第一特征向量。特征分解将协方差矩阵分解成特征值和特征向量,这有助于找到温度数据的主要变化方向。例如,考虑一个激光投影光机的温度数据集,协方差矩阵的特征分解可以揭示主要的温度变化模式。对多个第一特征值与预设目标值进行比较,得到每个第一特征值的特征值比较结果。这一步骤有助于确定哪些特征值对图像优化具有重要意义。例如,如果设定一个目标值,希望在特定温度范围内进行图像优化,那么特征值比较结果可以告诉服务器哪些特征值与目标值最相关。根据特征值比较结果对多个第一特征值进行特征值筛选,得到多个第二特征值。这一筛选过程可以帮助缩小服务器关注的特征值范围,以减少计算复杂性。例如,如果发现某些特征值与目标值无关,服务器将其排除,只保留与目标值相关的特征值。获取多个第二特征值对应的第二特征向量,并使用这些特征值和特征向量生成对应的主成分矩阵。主成分矩阵是一种线性变换,将原始温度数据映射到新的特征空间中。例如,主成分分析(PCA)可以用于生成主成分矩阵,从而将温度数据转换为具有更明显特征的形式。利用主成分矩阵对光机设备温度数据进行温度数据投影。这个过程将原始温度数据投影到新的主成分空间中,得到目标设备温度数据。例如,主成分矩阵可以用于将原始温度数据映射到主成分空间,从而获得新的温度表示。对目标设备温度数据进行温度特征检测,以找到多个温度特征检测点。这些点是温度数据中的显著特征,对图像质量产生影响。例如,可以检测温度上升或下降的突然变化,这表明设备状态的改变。根据多个温度特征检测点对目标设备温度数据进行特征区间划分。这一步骤有助于将温度数据分成不同的区间,以更好地理解设备状态和图像表现。例如,可以将温度数据划分为不同的区间,例如正常操作、升温和降温等。获取第一激光投影图像的第二时间戳数据和多个设备特征温度区间的第一时间戳数据。通过比较这些时间戳数据,确定每个设备特征温度区间对应的F个第二激光投影图像,其中F为正整数且小于S。例如,如果某个特定温度区间对应于某个时间段,服务器在这个时间段内采集与该区间相关的第二激光投影图像。通过这个温度特征检测和特征区间划分的过程,可以根据设备的温度变化来选择合适的第二激光投影图像,以实现更好的图像优化。
S103、分别对每个设备特征温度区间对应的F个第二激光投影图像进行投影图像异常特征参数分析,得到每个第二激光投影图像的投影图像异常特征参数集合;
具体的,服务器通过预置的图像清晰度检测模型来分别对每个第二激光投影图像进行图像清晰度检测。这一步骤有助于了解图像的清晰度水平,即图像中的细节程度。清晰度参数可以帮助评估图像的质量。例如,服务器使用卷积神经网络(CNN)构建的图像清晰度检测模型来评估每个第二激光投影图像的清晰度。较高的清晰度分数表示图像更清晰,而较低的分数表示图像模糊或缺乏细节。通过预置的图像颜色分布检测模型,分别对每个第二激光投影图像进行图像颜色分布检测。这一步骤用于分析图像中的颜色分布,以检测是否存在颜色异常或不一致。图像颜色分布参数有助于评估图像的色彩质量。例如,采用高斯混合模型的图像颜色分布检测模型可以用于检测图像中的颜色分布模式。如果某个第二激光投影图像的颜色分布与预期不符,存在颜色异常。通过预置的图像畸变检测模型,分别对每个第二激光投影图像进行图像畸变检测。这一步骤用于检测图像中是否存在畸变或失真,这导致图像的质量下降。图像畸变参数有助于评估图像的几何质量。例如,可以使用感知模型来检测图像中的畸变,包括扭曲、拉伸或像素失真。如果某个第二激光投影图像被检测出存在畸变,需要校正或重新生成。根据图像清晰度参数、图像颜色分布参数以及图像畸变参数,生成每个第二激光投影图像的投影图像异常特征参数集合。这个特征参数集合汇总了图像的清晰度、颜色和畸变信息,可以用于评估图像的质量和异常情况。
S104、对投影图像异常特征参数集合进行综合图像评价指标计算,得到每个第二激光投影图像的综合图像评价指标,并根据综合图像评价指标分别计算每个设备特征温度区间对应的平均图像评价指标;
具体的,构建图像清晰度参数、图像颜色分布参数以及图像畸变参数对应的目标指标体系。这个目标指标体系定义了图像质量的各个方面和权重,以便评估图像的整体质量。例如,目标指标体系可以包括分辨率、颜色准确性、几何形状准确性等方面的指标,每个指标可以有不同的重要性。接着,根据目标指标体系,对图像清晰度参数与图像颜色分布参数进行指标关联关系分析,得到第一指标关联关系。这一步骤有助于确定图像清晰度和颜色分布对图像质量的影响程度。例如,通过数据分析和实验,服务器确定不同的清晰度参数和颜色分布参数如何与目标指标体系中的各项指标相关联。根据第一指标关联关系计算图像清晰度参数与图像颜色分布参数对应的第一图像评价指标。这个指标用于衡量图像的清晰度和颜色分布的综合效果,反映了图像在这两个方面的质量。继而,根据目标指标体系,对图像颜色分布参数与图像畸变参数进行指标关联关系分析,得到第二指标关联关系。这一步骤有助于确定颜色分布和图像畸变对图像质量的影响程度。根据第二指标关联关系计算图像颜色分布参数与图像畸变参数对应的第二图像评价指标。这个指标用于衡量图像的颜色分布和几何形状的综合效果,反映了图像在这两个方面的质量。根据目标指标体系,对图像清晰度参数与图像畸变参数进行指标关联关系分析,得到第三指标关联关系。这一步骤有助于确定清晰度和图像畸变对图像质量的影响程度。根据第三指标关联关系计算图像清晰度参数与图像畸变参数对应的第三图像评价指标。这个指标用于衡量图像的清晰度和形状准确性的综合效果,反映了图像在这两个方面的质量。对第一图像评价指标、第二图像评价指标以及第三图像评价指标进行指标求和,生成每个第二激光投影图像的综合图像评价指标。这个综合评价指标综合考虑了清晰度、颜色分布、图像畸变等各个方面的图像质量。例如,可以将这些指标进行加权求和,以获得每个图像的综合评价指标。获取每个设备特征温度区间对应的多个综合图像评价指标,并对这些指标进行均值运算,得到每个设备特征温度区间对应的平均图像评价指标。这个平均指标反映了在不同温度条件下的图像质量表现。例如,对于一台激光投影光机,不同的温度区间下会有不同的图像质量,平均图像评价指标可以帮助评估整个设备的性能。
S105、计算每个设备特征温度区间对应的平均区间温度值,并对平均区间温度值和平均图像评价指标进行温度影响系数分析和矩阵转换,得到对应的温度-图像关系影响矩阵;
具体的,获取每个设备特征温度区间对应的多个温度值,并对这些温度值进行均值运算,得到每个设备特征温度区间对应的平均区间温度值。这个平均温度值反映了每个温度区间的典型温度。例如,对于一台激光投影光机,可以在不同工作温度下多次测量,然后计算每个温度区间的平均温度值。通过预置的皮尔逊相关性算法,对光机设备温度数据与综合图像评价指标进行温度影响系数分析。这一步骤有助于确定温度对图像质量的影响程度。皮尔逊相关性算法是一种统计方法,用于衡量两个变量之间的线性关系。在这种情况下,服务器使用该算法来分析温度和图像评价指标之间的相关性。根据温度影响系数生成每个平均图像评价指标的指标权重数据。这个权重数据反映了温度对不同图像评价指标的影响程度。例如,如果温度对清晰度的影响更大,那么清晰度指标具有更高的权重,反映了它在不同温度下的重要性。继而,根据指标权重数据对每个平均图像评价指标进行加权运算,得到加权图像评价指标。这个加权指标综合考虑了不同指标的重要性和温度对它们的影响。例如,可以使用加权平均方法将各个指标按其权重加权求和,以得到一个单一的加权图像评价指标。对平均区间温度值和加权图像评价指标进行映射匹配和矩阵转换,得到对应的温度-图像关系影响矩阵。这个矩阵描述了不同温度条件下的图像质量表现,以及温度与图像评价指标之间的关系。例如,在不同季节和温度条件下,光机的性能会有所变化。通过计算温度-图像关系影响矩阵,可以了解在不同温度下图像的表现,以及温度如何影响图像质量。如果在高温下图像质量下降,服务器根据温度-图像关系影响矩阵采取措施来优化图像,如调整激光投影参数或改变工作环境条件,以确保一致的图像质量。
S106、将温度-图像关系影响矩阵输入预置的光机投影温度控制分析模型进行光机投影温度控制分析,得到光机投影温度控制策略,并根据光机投影温度控制策略对目标激光投影光机进行投影图像动态优化。
具体的,将温度-图像关系影响矩阵输入预置的光机投影温度控制分析模型。这个分析模型包括双向门限循环网络、决策树网络以及遗传优化网络,用于分析温度和图像之间的关系,以制定温度控制策略。双向门限循环网络用于对温度-图像关系影响矩阵进行关系影响特征提取,以得到目标关系影响矩阵。这个步骤有助于理解温度如何影响图像质量。决策树网络用于对目标关系影响矩阵进行光机投影温度控制参数预测,以获得光机投影温度控制参数。这些参数是调整激光投影光机温度的依据。接着,通过遗传优化网络中的改进遗传算法对光机投影温度控制参数进行参数群体初始化和控制策略最优化分析,以获得光机投影温度控制策略。遗传算法是一种启发式算法,用于寻找最优解。根据光机投影温度控制策略对目标激光投影光机进行投影图像动态优化。根据所得的控制策略,对激光投影光机的温度进行调整,以优化图像质量。例如,在不同温度条件下,图像的清晰度和颜色准确性会受到影响。通过输入温度-图像关系影响矩阵到预置的光机投影温度控制分析模型,可以根据当前温度条件制定最佳的温度控制策略。如果温度升高,控制策略可以包括降低温度以维持图像质量。这有助于根据温度变化实时调整光机的参数,以确保在不同温度条件下获得最佳的图像质量。
本发明实施例中,通过激光投影测试和温度特征检测,***能够实时获取目标光机设备的温度数据,并将其分区间匹配,实现对设备特征温度的高精度检测和调控。通过投影图像异常特征参数分析,***能够全面评估每个第二激光投影图像的清晰度、颜色分布和畸变等特征,从而有效提高投影图像的质量和清晰度。通过光机投影温度控制分析,***能够根据温度-图像关系影响矩阵实现对光机投影温度的智能控制,从而动态调整投影图像,适应不同温度条件下的最佳显示效果。通过精确的温度控制,***能够在不影响图像质量的前提下,降低光机设备的温度波动,有效减少能耗,延长设备寿命,提高设备稳定性。通过综合图像评价指标,***综合考虑了图像清晰度、颜色分布和畸变等多个因素,为操作者提供了更全面的图像质量信息,有助于更精准地判断设备状态。由于采用了动态的光机投影温度控制策略,***能够自适应不同环境条件下的温度变化,保持图像质量的稳定性和一致性,进而提高了激光投影光机的激光图像投影效果。
在一具体实施例中,执行步骤S101的过程可以具体包括如下步骤:
(1)构建目标激光投影光机对应的激光投影成像***,并通过激光投影成像***生成对应的激光投影场;
(2)对目标激光投影光机进行激光投影测试,并获取目标激光投影光机的深度参数集合,并基于预设的重聚焦算法对激光投影场进行参数计算,得到重聚焦参数集合;
(3)对深度参数集合以及重聚焦参数集合进行关系曲线构建,得到目标关系曲线,并根据目标关系曲线,对目标激光投影光机进行初始化标定;
(4)对目标激光投影光机进行激光投影区域识别和定位,得到目标激光投影区域,并通过激光投影成像***对目标激光投影区域进行图像采集,得到对应的S个第一激光投影图像,S为正整数;
(5)采集目标激光投影光机的初始设备温度数据,并对初始设备温度数据进行数据预处理,得到光机设备温度数据。
具体的,构建目标激光投影光机对应的激光投影成像***。激光投影成像***通常包括光源、透镜、传感器等组件,用于生成和捕捉激光投影的图像。通过激光投影成像***生成对应的激光投影场,这个场景包含了激光光束在特定条件下的投影信息,包括深度信息和其他参数。对目标激光投影光机进行激光投影测试,并获取目标激光投影光机的深度参数集合。这些深度参数描述了激光光束在不同位置的深度信息,通常使用3D传感器来获取。接着,基于预设的重聚焦算法对激光投影场进行参数计算,得到重聚焦参数集合。重聚焦算法用于优化深度信息,以确保投影的图像质量。对深度参数集合以及重聚焦参数集合进行关系曲线构建,得到目标关系曲线。这个曲线描述了深度参数和重聚焦参数之间的关系,有助于理解深度信息如何影响图像质量。接着,根据目标关系曲线,对目标激光投影光机进行初始化标定。这一步骤有助于***了解如何根据深度参数和重聚焦参数来校准激光投影光机,以获得最佳的图像质量。对目标激光投影光机进行激光投影区域识别和定位,得到目标激光投影区域。这是为了确定光机投影的位置和范围。通过激光投影成像***对目标激光投影区域进行图像采集,得到对应的S个第一激光投影图像,其中S为正整数。这些图像包含了激光投影在目标区域的实际表现。采集目标激光投影光机的初始设备温度数据,并对这些数据进行数据预处理,以得到光机设备温度数据。这些温度数据记录了光机在不同时间和条件下的温度变化。
在一具体实施例中,如图2所示,执行步骤S102的过程可以具体包括如下步骤:
S201、计算光机设备温度数据的协方差矩阵,并对协方差矩阵进行特征分解,得到多个第一特征值以及每个第一特征值对应的第一特征向量;
S202、对多个第一特征值与预设目标值进行比较,得到每个第一特征值的特征值比较结果,并根据特征值比较结果对多个第一特征值进行特征值筛选,得到多个第二特征值;
S203、获取多个第二特征值对应的第二特征向量,并根据多个第二特征值以及第二特征向量生成对应的主成分矩阵;
S204、根据主成分矩阵对光机设备温度数据进行温度数据投影,得到目标设备温度数据;
S205、对目标设备温度数据进行温度特征检测,得到多个温度特征检测点,并根据多个温度特征检测点对目标设备温度数据进行特征区间划分,得到多个设备特征温度区间;
S206、获取多个设备特征温度区间的第一时间戳数据,并获取S个第一激光投影图像的第二时间戳数据;
S207、对第一时间戳数据和第二时间戳数据进行匹配,得到时间戳数据匹配结果,并根据时间戳数据匹配结果确定每个设备特征温度区间对应的F个第二激光投影图像,F为正整数,F<S。
具体的,计算光机设备温度数据的协方差矩阵。协方差矩阵用于描述温度数据之间的关系,帮助理解温度变化对图像质量的影响。对协方差矩阵进行特征分解,得到多个第一特征值以及每个第一特征值对应的第一特征向量。特征分解有助于提取主要的温度变化模式。接着,对多个第一特征值与预设目标值进行比较,得到每个第一特征值的特征值比较结果。这一步骤有助于确定哪些特征值最相关。根据特征值比较结果对多个第一特征值进行特征值筛选,得到多个第二特征值。特征值筛选可以减少数据的维度,同时保留关键信息。获取多个第二特征值对应的第二特征向量,并根据多个第二特征值以及第二特征向量生成对应的主成分矩阵。主成分矩阵包含了主要的温度变化模式,可以用于降低数据维度。根据主成分矩阵对光机设备温度数据进行温度数据投影,得到目标设备温度数据。这些投影数据反映了温度变化的主要趋势。接着,对目标设备温度数据进行温度特征检测,得到多个温度特征检测点。这些点表示温度变化的关键特征,可以用于进一步分析。根据多个温度特征检测点对目标设备温度数据进行特征区间划分,得到多个设备特征温度区间。这些区间描述了不同温度条件下的设备行为。接着,获取多个设备特征温度区间的第一时间戳数据,并获取S个第一激光投影图像的第二时间戳数据。这些时间戳数据有助于将温度信息与图像信息关联起来。对第一时间戳数据和第二时间戳数据进行匹配,得到时间戳数据匹配结果。根据时间戳数据匹配结果,确定每个设备特征温度区间对应的F个第二激光投影图像,其中F为正整数且F小于S。
在一具体实施例中,如图3所示,执行步骤S103的过程可以具体包括如下步骤:
S301、通过预置的图像清晰度检测模型,分别对每个第二激光投影图像进行图像清晰度检测,得到每个第二激光投影图像的图像清晰度参数,图像清晰度检测模型包括两层卷积网络、池化层以及归一化函数;
S302、通过预置的图像颜色分布检测模型,分别对每个第二激光投影图像进行图像颜色分布检测,得到每个第二激光投影图像的图像颜色分布参数,图像颜色分布检测模型为高斯混合模型;
S303、通过预置的图像畸变检测模型,分别对每个第二激光投影图像进行图像畸变检测,得到每个第二激光投影图像的图像畸变参数,图像畸变检测模型为感知模型;
S304、根据图像清晰度参数、图像颜色分布参数以及图像畸变参数生成每个第二激光投影图像的投影图像异常特征参数集合。
具体的,通过预置的图像清晰度检测模型,分别对每个第二激光投影图像进行图像清晰度检测。这个图像清晰度检测模型通常包括两层卷积网络、池化层以及归一化函数。卷积网络可以帮助提取图像中的特征,池化层用于减小数据维度,而归一化函数有助于标准化图像数据。通过预置的图像颜色分布检测模型,对每个第二激光投影图像进行图像颜色分布检测。这个模型通常采用高斯混合模型,可以识别图像中的颜色分布模式,帮助检测颜色相关的异常。使用预置的图像畸变检测模型,分别对每个第二激光投影图像进行图像畸变检测。这个模型通常是感知模型,可以检测图像中的形状畸变、透视畸变等问题,从而捕捉到图像畸变的异常情况。根据图像清晰度参数、图像颜色分布参数以及图像畸变参数,生成每个第二激光投影图像的投影图像异常特征参数集合。这些特征参数描述了图像的清晰度、颜色分布和畸变情况,有助于评估图像的质量和异常情况。
在一具体实施例中,如图4所示,执行步骤S104的过程可以具体包括如下步骤:
S401、构建图像清晰度参数、图像颜色分布参数以及图像畸变参数对应的目标指标体系;
S402、根据目标指标体系,对图像清晰度参数与图像颜色分布参数进行指标关联关系分析,得到第一指标关联关系,并根据第一指标关联关系计算图像清晰度参数与图像颜色分布参数对应的第一图像评价指标;
S403、根据目标指标体系,对图像颜色分布参数与图像畸变参数进行指标关联关系分析,得到第二指标关联关系,并根据第二指标关联关系计算图像颜色分布参数与图像畸变参数对应的第二图像评价指标;
S404、根据目标指标体系,对图像清晰度参数与图像畸变参数进行指标关联关系分析,得到第三指标关联关系,并根据第三指标关联关系计算图像清晰度参数与图像畸变参数对应的第三图像评价指标;
S405、对第一图像评价指标、第二图像评价指标以及第三图像评价指标进行指标求和,生成每个第二激光投影图像的综合图像评价指标;
S406、获取每个设备特征温度区间对应的多个综合图像评价指标,并对每个设备特征温度区间对应的多个综合图像评价指标进行均值运算,得到每个设备特征温度区间对应的平均图像评价指标。
具体的,构建一个合适的目标指标体系。在激光投影光机图像优化中,通常会包括图像清晰度、颜色一致性和图像畸变等指标。这些指标是根据应用的特点和图像质量要求确定的。例如,对于商业领域,图像清晰度和颜色一致性是关键指标,而对于工业检测,图像畸变更为重要。进行指标之间的关联关系分析。这涉及到研究不同指标之间的相关性以及它们如何影响彼此。例如,可以使用统计方法或机器学***均图像评价指标,以更准确地了解设备在不同温度条件下的性能。
在一具体实施例中,执行步骤S105的过程可以具体包括如下步骤:
(1)获取每个设备特征温度区间对应的多个温度值,并对多个温度值进行均值运算,得到每个设备特征温度区间对应的平均区间温度值;
(2)通过预置的皮尔逊相关性算法,对光机设备温度数据与综合图像评价指标进行温度影响系数分析,得到目标温度影响系数;
(3)根据目标温度影响系数生成每个平均图像评价指标的指标权重数据;
(4)根据指标权重数据对每个平均图像评价指标进行加权运算,得到加权图像评价指标;
(5)对平均区间温度值和加权图像评价指标进行映射匹配和矩阵转换,得到对应的温度-图像关系影响矩阵。
具体的,获取每个设备特征温度区间对应的多个温度值。这些温度值可以从传感器或监测设备中获取,以反映设备在不同温度条件下的工作状态。多个温度值通常包括在一段时间内连续测量的数据,覆盖了整个设备特征温度区间。将多个温度值进行均值运算,得到每个设备特征温度区间对应的平均区间温度值。均值运算可以通过计算温度值的算术平均值来实现。这个平均值代表了该温度区间内的平均温度水平。利用预置的皮尔逊相关性算法,对光机设备温度数据与综合图像评价指标之间的关系进行分析。皮尔逊相关性是一种统计方法,用于衡量两个变量之间的线性相关性。在这里,光机设备温度数据将被视为一个变量,综合图像评价指标将被视为另一个变量。通过计算相关性系数,可以确定它们之间的相关性程度。皮尔逊相关性分析的结果将产生目标温度影响系数。这个系数用于量化设备温度对图像质量的影响程度。如果相关性系数接近于1,表示设备温度对图像质量有很强的正相关性,而如果相关性系数接近于-1,表示设备温度对图像质量有很强的负相关性。目标温度影响系数可用于权衡不同温度对图像质量的影响。基于目标温度影响系数,生成每个平均图像评价指标的指标权重数据。这些权重数据用于表示每个指标在不同温度条件下对图像质量的贡献程度。较高的权重表示该指标在相应温度区间内更为重要。接着,利用指标权重数据,对每个平均图像评价指标进行加权运算。这将为每个温度区间生成一个加权图像评价指标,考虑了不同指标的相对重要性。加权运算可以是简单的线性组合,其中每个指标乘以其权重并相加。对平均区间温度值和加权图像评价指标进行映射匹配和矩阵转换。这一步骤有助于建立温度-图像关系影响矩阵,它显示了温度和图像评价指标之间的关系。映射匹配通常涉及将温度值映射到适当的矩阵单元,而矩阵转换可以是线性或非线性的,取决于所使用的方法。
在一具体实施例中,执行步骤S106的过程可以具体包括如下步骤:
(1)将温度-图像关系影响矩阵输入预置的光机投影温度控制分析模型,光机投影温度控制分析模型包括双向门限循环网络、决策树网络以及遗传优化网络;
(2)通过双向门限循环网络对温度-图像关系影响矩阵进行关系影响特征提取,得到目标关系影响矩阵;
(3)通过决策树网络对目标关系影响矩阵进行光机投影温度控制参数预测,得到光机投影温度控制参数;
(4)通过遗传优化网络中的改进遗传算法对光机投影温度控制参数进行参数群体初始化和控制策略最优化分析,得到光机投影温度控制策略;
(5)根据光机投影温度控制策略对目标激光投影光机进行投影图像动态优化。
具体的,将温度-图像关系影响矩阵输入到预置的光机投影温度控制分析模型中。这个模型是一个复杂的***,包括双向门限循环网络、决策树网络和遗传优化网络,用于实现光机投影温度的控制和优化。通过双向门限循环网络对温度-图像关系影响矩阵进行处理,以提取关系影响特征。这个网络是一种深度学习模型,可以学习数据中的时序特征。通过在温度-图像关系影响矩阵上进行训练,双向门限循环网络能够捕获温度与图像质量之间的时间依赖性和非线性关系。这将导致目标关系影响矩阵,它描述了温度对图像质量的影响。使用决策树网络对目标关系影响矩阵进行处理,以预测光机投影温度控制参数。决策树是一种监督学习算法,可以根据输入数据生成决策规则。在这个情况下,目标关系影响矩阵将被用作输入,以预测最佳的光机投影温度控制参数。这些参数可以包括温度调整策略、散热措施等。通过遗传优化网络,采用改进的遗传算法来进行参数群体初始化和控制策略最优化分析。遗传算法是一种启发式搜索算法,通过模拟自然进化过程,找到最佳的参数组合。在这一步中,遗传算法将优化光机投影温度控制策略,以使图像质量最优化。这可以涉及寻找最佳温度设置,控制策略或其他相关参数。通过遗传优化网络,得到最佳的光机投影温度控制策略。这个策略将被应用于目标激光投影光机,以实现投影图像的动态优化。这可以包括实时温度调整、优化散热、控制光学元件等操作,以确保在不同温度条件下获得最佳的投影图像质量。
上面对本发明实施例中激光投影光机的图像优化方法进行了描述,下面对本发明实施例中激光投影光机的图像优化装置进行描述,请参阅图5,本发明实施例中激光投影光机的图像优化装置一个实施例包括:
测试模块501,用于对目标激光投影光机进行激光投影测试,并采集所述目标激光投影光机的光机设备温度数据,同时,通过预置的激光投影成像***获取对应的S个第一激光投影图像,S为正整数;
划分模块502,用于对所述光机设备温度数据进行温度特征检测和特征区间划分,得到多个设备特征温度区间,并对所述多个设备特征温度区间与所述S个第一激光投影图像进行对应匹配,得到每个设备特征温度区间对应的F个第二激光投影图像,F为正整数,F<S;
分析模块503,用于分别对每个设备特征温度区间对应的F个第二激光投影图像进行投影图像异常特征参数分析,得到每个第二激光投影图像的投影图像异常特征参数集合;
计算模块504,用于对所述投影图像异常特征参数集合进行综合图像评价指标计算,得到每个第二激光投影图像的综合图像评价指标,并根据所述综合图像评价指标分别计算每个设备特征温度区间对应的平均图像评价指标;
转换模块505,用于计算每个设备特征温度区间对应的平均区间温度值,并对所述平均区间温度值和所述平均图像评价指标进行温度影响系数分析和矩阵转换,得到对应的温度-图像关系影响矩阵;
优化模块506,用于将所述温度-图像关系影响矩阵输入预置的光机投影温度控制分析模型进行光机投影温度控制分析,得到光机投影温度控制策略,并根据所述光机投影温度控制策略对所述目标激光投影光机进行投影图像动态优化。
通过上述各个组成部分的协同合作,通过激光投影测试和温度特征检测,***能够实时获取目标光机设备的温度数据,并将其分区间匹配,实现对设备特征温度的高精度检测和调控。通过投影图像异常特征参数分析,***能够全面评估每个第二激光投影图像的清晰度、颜色分布和畸变等特征,从而有效提高投影图像的质量和清晰度。通过光机投影温度控制分析,***能够根据温度-图像关系影响矩阵实现对光机投影温度的智能控制,从而动态调整投影图像,适应不同温度条件下的最佳显示效果。通过精确的温度控制,***能够在不影响图像质量的前提下,降低光机设备的温度波动,有效减少能耗,延长设备寿命,提高设备稳定性。通过综合图像评价指标,***综合考虑了图像清晰度、颜色分布和畸变等多个因素,为操作者提供了更全面的图像质量信息,有助于更精准地判断设备状态。由于采用了动态的光机投影温度控制策略,***能够自适应不同环境条件下的温度变化,保持图像质量的稳定性和一致性,进而提高了激光投影光机的激光图像投影效果。
上面图5从模块化功能实体的角度对本发明实施例中的激光投影光机的图像优化装置进行详细描述,下面从硬件处理的角度对本发明实施例中激光投影光机的图像优化设备进行详细描述。
图6是本发明实施例提供的一种激光投影光机的图像优化设备的结构示意图,该激光投影光机的图像优化设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)610(例如,一个或一个以上处理器)和存储器620,一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对激光投影光机的图像优化设备600中的一系列指令操作。更进一步地,处理器610可以设置为与存储介质630通信,在激光投影光机的图像优化设备600上执行存储介质630中的一系列指令操作。
激光投影光机的图像优化设备600还可以包括一个或一个以上电源640,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口660,和/或,一个或一个以上操作***631,例如Windows Server,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图6示出的激光投影光机的图像优化设备结构并不构成对激光投影光机的图像优化设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种激光投影光机的图像优化设备,所述激光投影光机的图像优化设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述激光投影光机的图像优化方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述激光投影光机的图像优化方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种激光投影光机的图像优化方法,其特征在于,所述激光投影光机的图像优化方法包括:
对目标激光投影光机进行激光投影测试,并采集所述目标激光投影光机的光机设备温度数据,同时,通过预置的激光投影成像***获取对应的S个第一激光投影图像,S为正整数;具体包括:构建目标激光投影光机对应的激光投影成像***,并通过所述激光投影成像***生成对应的激光投影场;对目标激光投影光机进行激光投影测试,并获取所述目标激光投影光机的深度参数集合,并基于预设的重聚焦算法对所述激光投影场进行参数计算,得到重聚焦参数集合;对所述深度参数集合以及所述重聚焦参数集合进行关系曲线构建,得到目标关系曲线,并根据所述目标关系曲线,对所述目标激光投影光机进行初始化标定;对所述目标激光投影光机进行激光投影区域识别和定位,得到目标激光投影区域,并通过所述激光投影成像***对所述目标激光投影区域进行图像采集,得到对应的S个第一激光投影图像,S为正整数;采集所述目标激光投影光机的初始设备温度数据,并对所述初始设备温度数据进行数据预处理,得到光机设备温度数据;
对所述光机设备温度数据进行温度特征检测和特征区间划分,得到多个设备特征温度区间,并对所述多个设备特征温度区间与所述S个第一激光投影图像进行对应匹配,得到每个设备特征温度区间对应的F个第二激光投影图像,F为正整数,F<S;
分别对每个设备特征温度区间对应的F个第二激光投影图像进行投影图像异常特征参数分析,得到每个第二激光投影图像的投影图像异常特征参数集合;
对所述投影图像异常特征参数集合进行综合图像评价指标计算,得到每个第二激光投影图像的综合图像评价指标,并根据所述综合图像评价指标分别计算每个设备特征温度区间对应的平均图像评价指标;
计算每个设备特征温度区间对应的平均区间温度值,并对所述平均区间温度值和所述平均图像评价指标进行温度影响系数分析和矩阵转换,得到对应的温度-图像关系影响矩阵;
将所述温度-图像关系影响矩阵输入预置的光机投影温度控制分析模型进行光机投影温度控制分析,得到光机投影温度控制策略,并根据所述光机投影温度控制策略对所述目标激光投影光机进行投影图像动态优化。
2.根据权利要求1所述的激光投影光机的图像优化方法,其特征在于,所述对所述光机设备温度数据进行温度特征检测和特征区间划分,得到多个设备特征温度区间,并对所述多个设备特征温度区间与所述S个第一激光投影图像进行对应匹配,得到每个设备特征温度区间对应的F个第二激光投影图像,F为正整数,F<S,包括:
计算所述光机设备温度数据的协方差矩阵,并对所述协方差矩阵进行特征分解,得到多个第一特征值以及每个第一特征值对应的第一特征向量;
对所述多个第一特征值与预设目标值进行比较,得到每个第一特征值的特征值比较结果,并根据所述特征值比较结果对所述多个第一特征值进行特征值筛选,得到多个第二特征值;
获取所述多个第二特征值对应的第二特征向量,并根据所述多个第二特征值以及所述第二特征向量生成对应的主成分矩阵;
根据所述主成分矩阵对所述光机设备温度数据进行温度数据投影,得到目标设备温度数据;
对所述目标设备温度数据进行温度特征检测,得到多个温度特征检测点,并根据所述多个温度特征检测点对所述目标设备温度数据进行特征区间划分,得到多个设备特征温度区间;
获取所述多个设备特征温度区间的第一时间戳数据,并获取所述S个第一激光投影图像的第二时间戳数据;
对所述第一时间戳数据和所述第二时间戳数据进行匹配,得到时间戳数据匹配结果,并根据所述时间戳数据匹配结果确定每个设备特征温度区间对应的F个第二激光投影图像,F为正整数,F<S。
3.根据权利要求1所述的激光投影光机的图像优化方法,其特征在于,所述分别对每个设备特征温度区间对应的F个第二激光投影图像进行投影图像异常特征参数分析,得到每个第二激光投影图像的投影图像异常特征参数集合,包括:
通过预置的图像清晰度检测模型,分别对每个第二激光投影图像进行图像清晰度检测,得到每个第二激光投影图像的图像清晰度参数,所述图像清晰度检测模型包括两层卷积网络、池化层以及归一化函数;
通过预置的图像颜色分布检测模型,分别对每个第二激光投影图像进行图像颜色分布检测,得到每个第二激光投影图像的图像颜色分布参数,所述图像颜色分布检测模型为高斯混合模型;
通过预置的图像畸变检测模型,分别对每个第二激光投影图像进行图像畸变检测,得到每个第二激光投影图像的图像畸变参数,所述图像畸变检测模型为感知模型;
根据所述图像清晰度参数、所述图像颜色分布参数以及所述图像畸变参数生成每个第二激光投影图像的投影图像异常特征参数集合。
4.根据权利要求3所述的激光投影光机的图像优化方法,其特征在于,所述对所述投影图像异常特征参数集合进行综合图像评价指标计算,得到每个第二激光投影图像的综合图像评价指标,并根据所述综合图像评价指标分别计算每个设备特征温度区间对应的平均图像评价指标,包括:
构建所述图像清晰度参数、所述图像颜色分布参数以及所述图像畸变参数对应的目标指标体系;
根据所述目标指标体系,对所述图像清晰度参数与所述图像颜色分布参数进行指标关联关系分析,得到第一指标关联关系,并根据所述第一指标关联关系计算所述图像清晰度参数与所述图像颜色分布参数对应的第一图像评价指标;
根据所述目标指标体系,对所述图像颜色分布参数与所述图像畸变参数进行指标关联关系分析,得到第二指标关联关系,并根据所述第二指标关联关系计算所述图像颜色分布参数与所述图像畸变参数对应的第二图像评价指标;
根据所述目标指标体系,对所述图像清晰度参数与所述图像畸变参数进行指标关联关系分析,得到第三指标关联关系,并根据所述第三指标关联关系计算所述图像清晰度参数与所述图像畸变参数对应的第三图像评价指标;
对所述第一图像评价指标、所述第二图像评价指标以及所述第三图像评价指标进行指标求和,生成每个第二激光投影图像的综合图像评价指标;
获取每个设备特征温度区间对应的多个综合图像评价指标,并对每个设备特征温度区间对应的多个综合图像评价指标进行均值运算,得到每个设备特征温度区间对应的平均图像评价指标。
5.根据权利要求1所述的激光投影光机的图像优化方法,其特征在于,所述计算每个设备特征温度区间对应的平均区间温度值,并对所述平均区间温度值和所述平均图像评价指标进行温度影响系数分析和矩阵转换,得到对应的温度-图像关系影响矩阵,包括:
获取每个设备特征温度区间对应的多个温度值,并对所述多个温度值进行均值运算,得到每个设备特征温度区间对应的平均区间温度值;
通过预置的皮尔逊相关性算法,对所述光机设备温度数据与所述综合图像评价指标进行温度影响系数分析,得到目标温度影响系数;
根据所述目标温度影响系数生成每个平均图像评价指标的指标权重数据;
根据所述指标权重数据对每个平均图像评价指标进行加权运算,得到加权图像评价指标;
对所述平均区间温度值和所述加权图像评价指标进行映射匹配和矩阵转换,得到对应的温度-图像关系影响矩阵。
6.根据权利要求1所述的激光投影光机的图像优化方法,其特征在于,所述将所述温度-图像关系影响矩阵输入预置的光机投影温度控制分析模型进行光机投影温度控制分析,得到光机投影温度控制策略,并根据所述光机投影温度控制策略对所述目标激光投影光机进行投影图像动态优化,包括:
将所述温度-图像关系影响矩阵输入预置的光机投影温度控制分析模型,所述光机投影温度控制分析模型包括双向门限循环网络、决策树网络以及遗传优化网络;
通过所述双向门限循环网络对所述温度-图像关系影响矩阵进行关系影响特征提取,得到目标关系影响矩阵;
通过所述决策树网络对所述目标关系影响矩阵进行光机投影温度控制参数预测,得到光机投影温度控制参数;
通过所述遗传优化网络中的改进遗传算法对所述光机投影温度控制参数进行参数群体初始化和控制策略最优化分析,得到光机投影温度控制策略;
根据所述光机投影温度控制策略对所述目标激光投影光机进行投影图像动态优化。
7.一种激光投影光机的图像优化装置,其特征在于,所述激光投影光机的图像优化装置包括:
测试模块,用于对目标激光投影光机进行激光投影测试,并采集所述目标激光投影光机的光机设备温度数据,同时,通过预置的激光投影成像***获取对应的S个第一激光投影图像,S为正整数;具体包括:构建目标激光投影光机对应的激光投影成像***,并通过所述激光投影成像***生成对应的激光投影场;对目标激光投影光机进行激光投影测试,并获取所述目标激光投影光机的深度参数集合,并基于预设的重聚焦算法对所述激光投影场进行参数计算,得到重聚焦参数集合;对所述深度参数集合以及所述重聚焦参数集合进行关系曲线构建,得到目标关系曲线,并根据所述目标关系曲线,对所述目标激光投影光机进行初始化标定;对所述目标激光投影光机进行激光投影区域识别和定位,得到目标激光投影区域,并通过所述激光投影成像***对所述目标激光投影区域进行图像采集,得到对应的S个第一激光投影图像,S为正整数;采集所述目标激光投影光机的初始设备温度数据,并对所述初始设备温度数据进行数据预处理,得到光机设备温度数据;
划分模块,用于对所述光机设备温度数据进行温度特征检测和特征区间划分,得到多个设备特征温度区间,并对所述多个设备特征温度区间与所述S个第一激光投影图像进行对应匹配,得到每个设备特征温度区间对应的F个第二激光投影图像,F为正整数,F<S;
分析模块,用于分别对每个设备特征温度区间对应的F个第二激光投影图像进行投影图像异常特征参数分析,得到每个第二激光投影图像的投影图像异常特征参数集合;
计算模块,用于对所述投影图像异常特征参数集合进行综合图像评价指标计算,得到每个第二激光投影图像的综合图像评价指标,并根据所述综合图像评价指标分别计算每个设备特征温度区间对应的平均图像评价指标;
转换模块,用于计算每个设备特征温度区间对应的平均区间温度值,并对所述平均区间温度值和所述平均图像评价指标进行温度影响系数分析和矩阵转换,得到对应的温度-图像关系影响矩阵;
优化模块,用于将所述温度-图像关系影响矩阵输入预置的光机投影温度控制分析模型进行光机投影温度控制分析,得到光机投影温度控制策略,并根据所述光机投影温度控制策略对所述目标激光投影光机进行投影图像动态优化。
8.一种激光投影光机的图像优化设备,其特征在于,所述激光投影光机的图像优化设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述激光投影光机的图像优化设备执行如权利要求1-6中任一项所述的激光投影光机的图像优化方法。
9.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-6中任一项所述的激光投影光机的图像优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311588229.7A CN117294824B (zh) | 2023-11-27 | 2023-11-27 | 激光投影光机的图像优化方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311588229.7A CN117294824B (zh) | 2023-11-27 | 2023-11-27 | 激光投影光机的图像优化方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117294824A CN117294824A (zh) | 2023-12-26 |
CN117294824B true CN117294824B (zh) | 2024-03-08 |
Family
ID=89253952
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311588229.7A Active CN117294824B (zh) | 2023-11-27 | 2023-11-27 | 激光投影光机的图像优化方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117294824B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006313201A (ja) * | 2005-05-06 | 2006-11-16 | Olympus Imaging Corp | 画像プロジェクタ装置 |
CN106982363A (zh) * | 2016-01-15 | 2017-07-25 | 精工爱普生株式会社 | 投影机及光源控制方法 |
CN114071096A (zh) * | 2020-07-30 | 2022-02-18 | 深圳市安华光电技术有限公司 | 投影光机及其投影图像位置补偿方法、投影设备 |
CN114302121A (zh) * | 2021-12-28 | 2022-04-08 | 深圳市火乐科技发展有限公司 | 图像校正检验方法、装置、电子设备及存储介质 |
US11792374B1 (en) * | 2022-11-15 | 2023-10-17 | Himax Technologies Limited | System and method for handling a thermal compensation |
-
2023
- 2023-11-27 CN CN202311588229.7A patent/CN117294824B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006313201A (ja) * | 2005-05-06 | 2006-11-16 | Olympus Imaging Corp | 画像プロジェクタ装置 |
CN106982363A (zh) * | 2016-01-15 | 2017-07-25 | 精工爱普生株式会社 | 投影机及光源控制方法 |
CN114071096A (zh) * | 2020-07-30 | 2022-02-18 | 深圳市安华光电技术有限公司 | 投影光机及其投影图像位置补偿方法、投影设备 |
CN114302121A (zh) * | 2021-12-28 | 2022-04-08 | 深圳市火乐科技发展有限公司 | 图像校正检验方法、装置、电子设备及存储介质 |
US11792374B1 (en) * | 2022-11-15 | 2023-10-17 | Himax Technologies Limited | System and method for handling a thermal compensation |
Also Published As
Publication number | Publication date |
---|---|
CN117294824A (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110303380B (zh) | 一种数控机床刀具剩余寿命预测方法 | |
EP3762795B1 (en) | Method, device, system and program for setting lighting condition and storage medium | |
US11283991B2 (en) | Method and system for tuning a camera image signal processor for computer vision tasks | |
JP2018151883A (ja) | 解析装置、解析方法、及び、プログラム | |
CN116453438B (zh) | 一种显示屏参数检测方法、装置、设备及存储介质 | |
JP2020198092A (ja) | 教師なし異常検出及び高次元センサデータの多数決投票による原因説明のための方法及びシステム | |
CN112734858B (zh) | 一种双目标定精度在线检测方法及装置 | |
JP2020035146A (ja) | 情報処理装置、情報処理システム及び情報処理方法 | |
CN112149268A (zh) | 数据处理装置、数据处理方法和程序 | |
CN117111544B (zh) | 一种自动适配的楼宇物联网监控方法及*** | |
CN117671396B (zh) | 施工进度的智能监控预警***及方法 | |
CN114819777A (zh) | 一种基于数字孪生技术的企业销售业务分析管理*** | |
JP2010218187A (ja) | 製造条件調整装置 | |
CN117475806B (zh) | 基于多维传感数据反馈的显示屏自适应响应方法及其装置 | |
CN117388893B (zh) | 一种基于gps的多设备定位*** | |
CN117289668B (zh) | 分布式减速机网络协同控制方法、装置、设备及存储介质 | |
CN117711295A (zh) | 基于人工智能的显示模组控制方法、装置、芯片及介质 | |
CN117294824B (zh) | 激光投影光机的图像优化方法、装置、设备及存储介质 | |
CN107437112B (zh) | 一种基于改进多尺度核函数的混合rvm模型预测方法 | |
CN117436295A (zh) | 基于数字孪生的物料监测与3d仿真***及方法 | |
CN117474905A (zh) | 材料性能检测方法、装置、设备及存储介质 | |
CN116030955B (zh) | 基于物联网的医疗设备状态监测方法及相关装置 | |
CN115482227B (zh) | 机器视觉自适应成像环境调整方法 | |
CN111091243A (zh) | 基于pca-gm的电力负荷预测方法、***、计算机可读存储介质和计算设备 | |
CN115294009A (zh) | 一种基于机器学习检测电池极耳焊接缺陷的方法、设备及存储介质 |
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 |