CN117877008B - 一种基于人工智能的门窗性能检测方法 - Google Patents
一种基于人工智能的门窗性能检测方法 Download PDFInfo
- Publication number
- CN117877008B CN117877008B CN202410283199.7A CN202410283199A CN117877008B CN 117877008 B CN117877008 B CN 117877008B CN 202410283199 A CN202410283199 A CN 202410283199A CN 117877008 B CN117877008 B CN 117877008B
- Authority
- CN
- China
- Prior art keywords
- door
- window
- deformation
- deformation part
- image
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 14
- 238000001514 detection method Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims description 26
- 238000010606 normalization Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000000875 corresponding effect Effects 0.000 description 91
- 230000002159 abnormal effect Effects 0.000 description 28
- 230000001788 irregular Effects 0.000 description 8
- 230000009471 action Effects 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明一般地涉及图像数据处理技术领域。更具体地，本发明涉及一种基于人工智能的门窗性能检测方法，包括：记录待检测门窗的开合次数，获取该开合次数下的门窗图像；将门窗图像与标准门窗图像进行比较，得到形变序列；根据形变序列中数值的相近程度进行聚类，得到多个第一形变部分；根据所述第一形变部分与相同开合次数下的常规形变部分之间的相近程度，对所述第一形变部分进行匹配所述常规形变部分；根据第一形变部分与所匹配的常规形变部分的相近程度和灰度差异，从而计算得到待检测门窗的性能异常度。本发明解决了对门窗性能进行检测的准确度较低的问题。
Description
技术领域
本发明一般地涉及图像数据处理技术领域。更具体地，本发明涉及一种基于人工智能的门窗性能检测方法。
背景技术
在日常生活中，由于一些人对门窗的不当使用，会对门窗造成一定的损坏，会降低门窗的性能。门窗的性能还受不同人的使用习惯和门窗的质量的影响。为了保证在使用中的门窗的性能优良，需要对门窗进行检测。
现有技术中，可通过比对使用较多次数门窗的图像与初次使用的门窗的图像，对门窗进行检测，但是门窗的形变程度较小，通过常规图像识别等技术对门窗性能进行检测的准确度较低。
发明内容
为解决上述一个或多个技术问题，本发明提出通过匹配的第一形变部分与常规形变部分之间的相近程度和灰度差异，得到待检测门窗的性能异常度。
在本发明实施方式中，一种基于人工智能的门窗性能检测方法，包括：记录待检测门窗的开合次数，获取该开合次数下的门窗图像；将门窗图像与标准门窗图像进行比较，得到形变序列；根据形变序列中数值的相近程度进行聚类，得到多个第一形变部分；根据所述第一形变部分与相同开合次数下的常规形变部分之间的相近程度，对所述第一形变部分进行匹配所述常规形变部分；根据第一形变部分与所匹配的常规形变部分的相近程度和灰度差异，从而计算得到待检测门窗的性能异常度。
在一个实施例中，根据所述第一形变部分与相同开合次数下的常规形变部分之间的相近程度，对所述第一形变部分进行匹配所述常规形变部分，包括：对于一个与第一形变部分的开合次数相同的常规门窗图像，计算每一个第一形变部分分别与所述常规门窗图像的常规形变部分之间的位置重合度，将该位置重合度作为k-m算法的距离，通过k-m算法得到与每一个第一形变部分分别匹配的常规形变部分，并计算第一形变部分与所匹配的常规形变部分的位置重合度的累加和；从而计算与第一形变部分的开合次数相同的每一个常规门窗图像的所述累加和，将最大的累加和对应的匹配结果作为最终的匹配结果。
在一个实施例中，根据第一形变部分与所匹配的常规形变部分的相近程度和灰度差异，从而计算得到待检测门窗的性能异常度，包括：计算待检测门窗的性能异常度的公式为：
其中，u为所述性能异常度，为以自然常数e为底的指数函数，q为每一个第一形变部分分别与所匹配的常规形变部分之间的位置重合度的平均值，P为每一个第一形变部分分别与所匹配的常规形变部分的第一灰度差异。
在一个实施例中，所述第一灰度差异的获取方法，包括：计算第一灰度差异的公式为：
其中，P为每一个第一形变部分分别与所匹配的常规形变部分的第一灰度差异，m为每一个第一形变部分分别与所匹配的常规形变部分之间的位置重合的像素点的总数量，为在所有第一形变部分中的第n个位置重合的像素点的灰度值，/>为在所有与所述第一形变部分匹配的常规形变部分中的第n个位置重合的像素点的灰度值。
在一个实施例中，所述位置重合度的获取方法，包括：将第一形变部分与常规形变部分之间位置相同的像素点的数量作为第一数量，将第一形变部分与所述常规形变部分中的所有像素点的数量作为第二数量，将第一数量和第二数量的差值绝对值作为第三数量，将第一数量与第三数量的比值作为所述位置重合度。
在一个实施例中，根据形变序列中数值的相近程度进行聚类，得到多个第一形变部分，包括：通过DBSCAN聚类算法，并设置预设距离阈值，按照形变序列中数值的次序对形变序列中的数值进行聚类，得到多个第一形变部分，一个所述第一形变部分中的数据之间的差值绝对值小于等于所述预设距离阈值。
在一个实施例中，将门窗图像与标准门窗图像进行比较，得到形变序列，包括：对门窗图像和标准门窗图像分别进行处理，计算处理后的门窗图像中每一个像素点与处理后的标准门窗图像的最小欧式距离，将所述最小欧式距离替换对应的所述像素点的灰度值，得到形变序列。
在一个实施例中，对门窗图像和标准门窗图像分别进行处理，包括：对门窗图像和标准门窗图像分别进行处理，所述标准门窗图像为开合次数为0的门窗图像，对于一个图像的所述处理的过程为：先对所述一个图像进行灰度化，再提取图像中的连通域，其中，所述连通域中的像素点满足，其中，H为一个像素点的八邻域中任意一个像素点的灰度值，/>为中心像素点的灰度值，a为第一预设参数，再进行边缘检测，得到第一边缘图像；分别计算第一边缘图像中闭合边缘图像所包围的面积与门窗标准外边缘图像所包围面积之间的差值绝对值，将所述差值绝对值中的最小值对应的所述闭合边缘图像作为第二边缘图像，其即为所述一个图像处理后的图像，进而得到处理后的门窗图像和处理后的标准门窗图像；所述门窗标准外边缘图像所包围的面积为开合次数为0的标准门窗的外边缘所包围的面积。
在一个实施例中，根据所述第一形变部分与相同开合次数下的常规形变部分之间的相近程度，对所述第一形变部分进行匹配所述常规形变部分，包括：对于一个与第一形变部分的开合次数相同的常规门窗图像，计算每一个第一形变部分分别与所述常规门窗图像的常规形变部分之间的第一欧式距离，该第一欧式距离为一个第一形变部分中每一个数值对应的第二欧式距离的平均值，所述第二欧式距离为一个数值对应的像素点分别与一个常规形变部分对应像素点的欧式距离的最小值；计算第一相近程度的公式为：，其中，g为第一相近程度，/>为以自然常数e为底的指数函数，l为第一欧式距离；将该第一相近程度作为k-m算法的距离，通过k-m算法得到与每一个第一形变部分分别匹配的常规形变部分，并计算每一个第一形变部分分别与所匹配的常规形变部分的第一相近程度的累加和；从而计算得到与第一形变部分的开合次数相同的每一个常规门窗图像的所述累加和，将最大的累加和对应的匹配结果作为最终的匹配结果。
在一个实施例中，根据第一形变部分与所匹配的常规形变部分的相近程度和灰度差异，从而计算得到待检测门窗的性能异常度，包括：计算待检测门窗的性能异常度的公式为：
其中，为所述性能异常度，b为每一个第一形变部分分别与所匹配的常规形变部分之间的第一欧式距离的平均值，/>表示标准归一化函数，/>与的相关关系为正相关关系，/>为每一个第一形变部分分别与所匹配的常规形变部分之间第二灰度差异的平均值，第二灰度差异为一个第一形变部分对应的像素点的灰度值的平均值与所匹配的常规形变部分对应的像素点的灰度值的平均值之间差值绝对值。
本发明的有益效果包括：
将门窗图像与标准门窗图像进行比较，得到形变序列，该形变序列反映了所述门窗图像对应门窗的外边缘的不同位置的形变程度。根据形变序列中数值的相近程度进行聚类，得到多个第一形变部分，其中任意一个第一形变部分中的数据之间的差异较小，任意一个第一形变部分对应的形变或损坏为同一动作导致的可能性较大。
由于一个厂家的相同型号的门窗的生产流程相同，而且该门窗所使用的材质相同，所以待检测的门窗与相同开合次数下的常规门窗的形变区域为同一位置的区域的可能性较大，该常规门窗的形变为常规形变，该常规形变为正常使用而导致的。因此，根据所述第一形变部分与相同开合次数下的常规形变部分之间的相近程度，对所述第一形变部分进行匹配所述常规形变部分，以便后续通过对待检测门窗的形变与对应的常规形变进行比较，实现对门窗性能的检测。
待检测门窗的第一形变部分对应的像素点与所匹配的常规形变部分之间的相近程度越大，待检测门窗的形变越可能是常规形变，待检测门窗的性能异常度越小。待检测门窗的第一形变部分对应的像素点的灰度值与所匹配的常规形变部分之间的差异越小，待检测门窗的形变越可能是常规形变，待检测门窗的性能异常度越小。因此，可根据第一形变部分与所匹配的常规形变部分的相近程度和灰度差异，计算得到待检测门窗的性能异常度。考虑了第一形变部分与所匹配的常规形变部分的相近程度和灰度差异这两个因素对门窗性能的影响，因此对门窗性能进行检测的准确度较高。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：
图1是示意性示出根据本发明的实施例的一种基于人工智能的门窗性能检测方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合附图来详细描述本发明的具体实施方式。
图1是示意性示出根据本发明的实施例的图1是示意性示出根据本发明的实施例的一种基于人工智能的门窗性能检测方法流程图。如图1所示，首先，根据本发明，提供了一种基于人工智能的门窗性能检测方法，包括：记录待检测门窗的开合次数，获取该开合次数下的门窗图像；将门窗图像与标准门窗图像进行比较，得到形变序列；根据形变序列中数值的相近程度进行聚类，得到多个第一形变部分；根据所述第一形变部分与相同开合次数下的常规形变部分之间的相近程度，对所述第一形变部分进行匹配所述常规形变部分；根据第一形变部分与所匹配的常规形变部分的相近程度和灰度差异，从而计算得到待检测门窗的性能异常度。
具体说明如下，如图1所示，包括步骤S1至S4：
在步骤S1中，记录待检测门窗的开合次数，获取该开合次数下的门窗图像。
不同开合次数的待检测门窗对应的形变程度或损坏程度不同的可能性较大，待检测门窗的开合次数越多，对应的形变程度或损坏程度越大的可能性越大。可通过记录待检测门窗的开合次数，获取该开合次数下的门窗图像，以便后续得到该门窗图像对应的门窗的形变程度或损坏程度。
可在待检测门窗的附近放置摄像头，正对门窗进行拍摄，以获取门窗的图像。需要确保能拍摄到完整的门窗，且门窗占整张图像的比例较大。在拍摄过程中，摄像头相对门窗的位置不变，且摄像头的拍摄角度不变。在门窗进行每一次开合之后，立即对门窗进行拍摄，得到门窗图像。可将拍摄的门窗图像和对应的开合次数等信息实时上传至数据处理中心，以便对信息进行分析处理。
在步骤S2中，将门窗图像与标准门窗图像进行比较，得到形变序列；根据形变序列中数值的相近程度进行聚类，得到多个第一形变部分。
标准门窗图像为待检测门窗的第一次安装后的第零次开合的门窗图像。通过将门窗图像与标准门窗图像进行比较，能够得到门窗图像对应门窗的外边缘的不同位置的形变程度，进而得到形变序列，该形变序列反映了所述门窗图像对应门窗的边缘的不同位置的形变程度。
由于门窗图像的一个形变区域中不同位置的像素点处对应的形变程度相近的可能性较大，门窗图像的不同形变区域分别对应的形变程度之间的差异较大的可能性较大，所以可根据形变序列中数值的相近程度进行聚类，得到门窗图像的多个第一形变部分。其中任意一个第一形变部分中的数据之间的差异较小，任意一个第一形变部分对应的形变或损坏为同一动作导致的可能性较大。
在步骤S3中，根据所述第一形变部分与相同开合次数下的常规形变部分之间的相近程度，对所述第一形变部分进行匹配所述常规形变部分。
第一形变部分为待检测门窗的门窗图像对应的，常规形变部分为数据库中的常规门窗的门窗图像对应的，该常规门窗与待检测门窗的开合次数相同，该常规门窗的开合为常规或正常的开合，常规门窗对应的形变或损坏为正常或常规的形变或损坏。与待检测门窗的开合次数相同的常规门窗的门窗图像可有多张，不同的该门窗图像是由不同的常规门窗得到的。常规门窗的门窗图像和对应的开合次数等信息上传至数据库中，该常规门窗的门窗图像用于与待检测的门窗图像进行比较，以便后续获得待检测门窗的非常规或非正常形变的信息。
需要说明的是，常规门窗的门窗图像由对应的摄像头获得，该摄像头与待检测门窗对应的摄像头的型号和相关配置一致，该摄像头与待检测门窗对应的摄像头的相对于门窗的位置一致，该摄像头与待检测门窗对应的摄像头对门窗进行拍摄的角度一致，以确保第零次开合的常规门窗在对应的门窗图像中的位置与第零次开合的待检测门窗在对应的门窗中的位置一致。例如，第零次开合的常规门窗的边缘的像素点的位置与对应的第零次开合的待检测门窗的边缘的像素点的位置一致，该位置可通过图像中的坐标表示。例如，门窗的形状为矩形，第零次开合的常规门窗的四个角的像素点的位置与对应的第零次开合的待检测门窗的四个角的像素点的位置一致，该位置可通过图像中的坐标表示。
由于一个厂家的相同型号的门窗的生产流程相同，而且该门窗所使用的材质相同，所以待检测的门窗与相同开合次数下的常规门窗的形变区域为同一位置的区域的可能性较大，该常规门窗的形变为常规形变，该常规形变为正常使用而导致的。因此，根据所述第一形变部分与相同开合次数下的常规形变部分之间的相近程度，对所述第一形变部分进行匹配所述常规形变部分，以便后续通过对待检测门窗的形变与对应的常规形变进行比较，实现对门窗性能的检测。
需要说明的是，待检测门窗的拍摄环境和常规门窗的拍摄环境之间的相近程度应当较高，该拍摄环境包括光照等，以保证对门窗性能检测的准确度较高。
在步骤S4中，根据第一形变部分与所匹配的常规形变部分的相近程度和灰度差异，从而计算得到待检测门窗的性能异常度。
待检测门窗的第一形变部分对应的像素点与所匹配的常规形变部分之间的相近程度越大，待检测门窗的形变越可能是常规形变或正常形变，待检测门窗的性能异常度越小。待检测门窗的第一形变部分对应的像素点的灰度值与所匹配的常规形变部分之间的差异越小，待检测门窗的形变越可能是常规形变或正常形变，待检测门窗的性能异常度越小。因此，可根据第一形变部分与所匹配的常规形变部分的相近程度和灰度差异，计算得到待检测门窗的性能异常度。由于考虑了第一形变部分与所匹配的常规形变部分的相近程度和灰度差异这两个因素对门窗性能的影响，所以对门窗性能进行检测的准确度较高。
在一个实施例中，将门窗图像与标准门窗图像进行比较，得到形变序列，包括：对门窗图像和标准门窗图像分别进行处理，计算处理后的门窗图像中每一个像素点与处理后的标准门窗图像的最小欧式距离，将所述最小欧式距离替换对应的所述像素点的灰度值，得到形变序列。
处理后的门窗图像为门窗的外边缘图像，该边缘图像反映了门窗图像的面积和尺寸；处理后的标准门窗图像也为对应门窗的外边缘图像，该外边缘图像反映了门窗图像的面积和尺寸。处理后的门窗图像中每一个像素点与处理后的标准门窗图像的最小欧式距离即可反映对应像素点处门窗的形变程度，该最小欧式距离越大，则说明对应的像素点处门窗的形变程度越大。因此，可将该最小欧式距离替换对应的像素点的灰度值，得到形变序列。该形变序列反映了所述门窗图像对应门窗的外边缘的不同位置的形变程度。
在一个实施例中，对门窗图像和标准门窗图像分别进行处理，包括：对门窗图像和标准门窗图像分别进行处理，所述标准门窗图像为开合次数为0的门窗图像，对于一个图像的所述处理的过程为：先对所述一个图像进行灰度化，再提取图像中的连通域，其中，所述连通域中的像素点满足，其中，H为一个像素点8邻域中任意一个像素点的灰度值，/>为中心像素点的灰度值，a为第一预设参数，再进行边缘检测，得到第一边缘图像；分别计算第一边缘图像中闭合边缘图像所包围的面积与门窗标准外边缘图像所包围面积之间的差值绝对值，将所述差值绝对值中的最小值对应的所述闭合边缘图像作为第二边缘图像，其即为所述一个图像处理后的图像，进而得到处理后的门窗图像和处理后的标准门窗图像；所述门窗标准外边缘图像所包围的面积为开合次数为0的标准门窗的外边缘所包围的面积。
门窗主要由门窗框和玻璃组成，由于门窗框由相同材质制成，所以门窗框对应的像素点的灰度值之间的差异较小。门窗框对应的像素点的灰度值与其他区域之间的差异较大的可能性较大，该其他区域可为背景、玻璃或装饰品等。因此，可通过提取图像中的连通域，获取门窗框对应的连通域。门窗框中像素点的灰度值之间的差异较小，因此可通过得到门窗框的连通域，其中，H为一个像素点的8邻域中任意一个像素点的灰度值，/>为中心像素点的灰度值，a为第一预设参数。在一个实施例中，第一预设参数的值可为0.1，并不限制第一预设参数的取值。在另一个实施例中，实施者可根据具体实施场景自行设置第一预设参数，以使得获取的门窗框的连通域更加准确。
可使用常规的边缘检测算法对连通域图像进行边缘检测，得到第一边缘图像。第一边缘图像中包括门窗框的外边缘对应的闭合边缘图像，还包括玻璃边缘对应的闭合边缘图像，还可能包括装饰品对应的闭合边缘图像等。
第一边缘图像中一个闭合边缘图像所包围的面积与门窗标准外边缘图像所包围面积之间的差值绝对值越小，该一个闭合边缘图像为待检测门窗的外边缘的可能性越大。因此，将差值绝对值中的最小值对应的所述闭合外边缘图像作为第二边缘图像。
第一种情况，所述所包围的面积都为图像中的面积。第二种情况，所述所包围的面积都为实际面积，该实际面积可通过图像计算得到。
在另一个实施例中，可通过其他常规技术手段，获取待检测门窗图像对应的门窗的外边缘图像，和获取标准门窗图像对应的门窗的外边缘图像。外边缘图像中外边缘的某一位置仅利用一个像素点体现，也就是说外边缘图像中外边缘对应的像素点相连成一圈。例如该常规技术手段可为图像识别技术和图像检测技术等。
在一个实施例中，根据形变序列中数值的相近程度进行聚类，得到多个第一形变部分，包括：通过DBSCAN聚类算法，并设置预设距离阈值，按照形变序列中数值的次序对形变序列中的数值进行聚类，得到多个第一形变部分。
其中DBSCAN聚类算法为密度聚类算法。由于门窗图像的一个形变区域中不同位置的像素点对应的形变程度相近的可能性较大，门窗图像的不同形变区域分别对应的形变程度之间的差异较大的可能性较大，所以可通过DBSCAN聚类算法，并设置预设距离阈值，按照形变序列中数值的次序对形变序列中的数值进行聚类，将形变序列中数值之间的差异较小的分为一类，该一类的数据的次序是连续的，进而得到了多个第一形变部分。其中任意一个第一形变部分中的数据之间的差值绝对值较小，该差值绝对值小于等于预设距离阈值，任意一个第一形变部分对应的形变或损坏为同一动作导致的可能性较大。
在一个实施例中，实施者可根据具体实施场景自行设置预设距离阈值，以使得任意一个第一形变部分对应的形变或损坏为同一动作导致的可能性较大。
在一个实施例中，所述位置重合度的获取方法，包括：将一个第一形变部分与一个常规形变部分之间位置相同的像素点的数量作为第一数量，将一个第一形变部分与所述一个常规形变部分中的所有像素点的数量作为第二数量，将第一数量和第二数量的差值绝对值作为第三数量，将第一数量与第三数量的比值作为所述一个第一形变部分与对应的一个常规形变部分的位置重合度。其中，该一个常规形变部分和该一个第一形变部分对应的门窗的开合次数相同。
第一形变部分与常规形变部分之间位置相同的像素点越多，第一形变部分在待检测门窗的门窗图像中的位置与常规形变部分在对应图像中的位置相近的可能性越大。
举个示例，若待检测门窗的形变程度较小，该形变程度可以忽略不计，则待检测门窗的外边缘图像与标准门窗的外边缘图像中的像素点重合的数量较多的可能性较大。
在一个实施例中，根据所述第一形变部分与相同开合次数下的常规形变部分之间的相近程度，对所述第一形变部分进行匹配所述常规形变部分，包括：对于一个与第一形变部分的开合次数相同的常规门窗图像，计算每一个第一形变部分分别与所述常规门窗图像的常规形变部分之间的位置重合度，将该位置重合度作为k-m算法的距离，通过k-m算法得到与每一个第一形变部分分别匹配的常规形变部分，并计算第一形变部分与所匹配的常规形变部分的位置重合度的累加和；从而计算与第一形变部分的开合次数相同的每一个常规门窗图像的所述累加和，将最大的累加和对应的匹配结果作为最终的匹配结果。
对于一个与第一形变部分的开合次数相同的常规门窗图像，通过k-m算法可将一个第一形变部分匹配一个常规形变部分，该一个常规形变部分对应的像素点与一个第一形变部分的欧式距离较近，从而可对每一个第一形变部分进行匹配不同的常规形变部分。
对于每一个与第一形变部分的开合次数相同的常规门窗图像，匹配结果对应的位置重合度的累加和越大，待检测门窗的形变程度与常规门窗之间的差异越小，通过该待检测门窗与该常规门窗，计算该待检测门窗的形变为非常规形变的可能性的准确度越高，匹配效果越好。其中，该常规门窗的开合次数与待检测门窗相同，常规门窗的形变程度或损坏程度是常规的或正常的。
对于k-m算法的解释：第一集合中有5个数据，第二集合中有7个数据，对于第一集合中的一个数据，计算该数据分别与第二集合中数据的边权值，重复上述步骤，可得到第一集合中每一个数据对应的7个边权值。计算第一集合中每一个数据分别与第二集合中不同数据的边权值的累加和，当累加和达到最大时，使累加和最大的每一个边权值分别对应两个数据，其为匹配结果。通过上述操作完成了第一集合中的数据与第二集合中数据的匹配，其中，第一集合中的每一个数据分别匹配到了第二集合中的不同数据，第一集合中的一个数据与第二集合中的一个数据匹配，第一集合中的不同数据与第二集合中的不同数据匹配。k-m算法为本领域技术人员所熟知的现有技术，在此不再赘述。
在一个实施例中，所述第一灰度差异的获取方法，包括：计算第一灰度差异的公式为：
其中，P为每一个第一形变部分分别与所匹配的常规形变部分的第一灰度差异，m为每一个第一形变部分分别与所匹配的常规形变部分之间的位置重合的像素点的总数量，为在所有第一形变部分中的第n个位置重合的像素点的灰度值，/>为在所有与所述第一形变部分匹配的常规形变部分中的第n个位置重合的像素点的灰度值。
表示每一个第一形变部分分别与所匹配的常规形变部分之间的位置重合的像素点的灰度值的差异的平均值，该差异的平均值越大，对应的待检测门窗的形变为非常规或非正常形变的可能性越大。原因在于，对待检测门窗进行正面非常规冲击后，待检测门窗会发生一定程度的变形，进而导致变形部分对应的像素点的灰度值相较于对应的未被非常规冲击前的灰度值的差异较大的可能性较大；待检测门窗的变形程度越大，对应的灰度值的差异越大的可能性越大。其中，位置重合的像素点指的是位置坐标相同的像素点。待检测门窗的形变为非常规或非正常形变的可能性与所述第一灰度差异呈正相关。第一灰度差异用于表征待检测门窗的形变为非常规或非正常形变的可能性。
在一个实施例中，根据第一形变部分与所匹配的常规形变部分的相近程度和灰度差异，从而计算得到待检测门窗的性能异常度，包括：计算待检测门窗的性能异常度的公式为：
其中，u为所述性能异常度，为以自然常数e为底的指数函数，q为每一个第一形变部分分别与所匹配的常规形变部分之间的位置重合度的平均值，P为每一个第一形变部分分别与所匹配的常规形变部分的第一灰度差异，z为第一形变部分的总数量，/>为第i个第一形变部分与所匹配的常规形变部分对应的位置重合度，/>为第i个第一形变部分与所匹配的常规形变部分之间位置相同的像素点的数量，/>为第i个第一形变部分与所匹配的常规形变部分中的所有像素点的数量。
待检测门窗的形变为非常规或非正常形变的可能性越大，性能异常度u越大。性能异常度用于表征待检测门窗的形变为非常规或非正常形变的可能性。
待检测门窗的一个第一形变部分与所匹配的常规形变部分对应一个位置重合度，该位置重合度用于表征该一个第一形变部分的形变为常规或正常形变的可能性。该一个第一形变部分的形变为常规或正常形变的可能性越大，该位置重合度越大。
q为每一个第一形变部分与所匹配的常规形变部分对应的位置重合度的累加和与该每一个第一形变部分的总数量的比值。
q越大，待检测门窗的形变为非常规或非正常形变的可能性越小，性能异常度越小。
P越大，待检测门窗的形变为非常规或非正常形变的可能性越大，性能异常度越大。
在一个实施例中，当性能异常度大于等于第一性能异常阈值时，待检测门窗的形变为非常规或非正常形变的可能性较大，待检测门窗的性能较低；当性能异常度小于第一性能异常阈值时，待检测门窗的形变为非常规或非正常形变的可能性较小，待检测门窗的性能较高。在一个实施例中，实施者可根据具体实施场景自行设置第一性能异常阈值，以使得对门窗性能进行检测的准确度较大。
在一个实施例中，根据所述第一形变部分与相同开合次数下的常规形变部分之间的相近程度，对所述第一形变部分进行匹配所述常规形变部分，包括：对于一个与第一形变部分的开合次数相同的常规门窗图像，计算每一个第一形变部分分别与所述常规门窗图像的常规形变部分之间的第一欧式距离，该第一欧式距离为一个第一形变部分中每一个数值对应的第二欧式距离的平均值，所述第二欧式距离为一个数值对应的像素点分别与一个常规形变部分对应像素点的欧式距离的最小值，其中，该一个形变部分与该一个常规形变部分对应的门窗的开合次数相同；计算第一相近程度的公式为：，其中，g为第一相近程度，/>为以自然常数e为底的指数函数，l为第一欧式距离；将该第一相近程度作为k-m算法的距离，通过k-m算法得到与每一个第一形变部分分别匹配的常规形变部分，并计算每一个第一形变部分分别与所匹配的常规形变部分的第一相近程度的累加和；从而计算得到与第一形变部分的开合次数相同的每一个常规门窗图像的所述累加和，将最大的累加和对应的匹配结果作为最终的匹配结果。
对于一个第一形变部分，第一欧式距离为该第一形变部分中的每一个数值对应的第二欧式距离的平均值。对于第一形变部分中的一个数值，第二欧式距离为该一个数值对应的像素点分别与一个常规形变部分的像素点的欧式距离的最小值。
第一欧式距离越大，第一相近度越小。第一相近度用于表示一个第一形变部分对应的像素点与一个常规形变部分之间相近程度。
对于一个与第一形变部分的开合次数相同的常规门窗图像，通过k-m算法可将一个第一形变部分匹配一个所述常规形变部分，该一个所述常规形变部分对应的像素点与该一个第一形变部分的欧式距离较近，从而可对每一个第一形变部分进行匹配不同的所述常规形变部分。
对于每一个与第一形变部分的开合次数相同的常规门窗图像，匹配结果对应的第一相近度的累加和越大，待检测门窗的形变程度与常规门窗之间的差异越小，通过该待检测门窗与该常规门窗，计算该待检测门窗的形变为非常规或非正常形变的可能性的准确度越高，匹配效果越好。其中，该常规门窗的开合次数与待检测门窗相同，常规门窗的形变程度或损坏程度是常规的或正常的。
在一个实施例中，根据第一形变部分与所匹配的常规形变部分的相近程度和灰度差异，从而计算得到待检测门窗的性能异常度，包括：计算待检测门窗的性能异常度的公式为：
其中，为所述性能异常度，b为每一个第一形变部分分别与所匹配的常规形变部分之间的第一欧式距离的平均值，/>表示标准归一化函数，/>为第一形变部分的总数量，/>为第i个第一形变部分与所匹配的常规形变部分之间的第一欧式距离，/>为第i个第一形变部分中数值的总数量，/>为第i个第一形变部分中第j个数值对应的第二欧式距离，该第二欧式距离为第i个第一形变部分中第j个数值对应的像素点分别和与第i个第一形变部分所匹配的常规形变部分中每一个数值对应的像素点之间的欧式距离的最小值，/>为每一个第一形变部分分别与所匹配的常规形变部分之间第二灰度差异的平均值，第二灰度差异为一个第一形变部分对应的像素点的灰度值的平均值与所匹配的常规形变部分对应的像素点的灰度值的平均值之间差值绝对值，/>为第i个第一形变部分与所匹配的常规形变部分之间第二灰度差异，/>为第i个第一形变部分中每一个数值分别对应的像素点的灰度值的平均值，/>为与第i个第一形变部分匹配的常规形变部分中每一个数值分别对应的像素点的灰度值的平均值。标准归一化函数为本领域技术人员所熟知的现有技术，在此不再赘述。例如，该标准归一化函数可为sigmoid函数的正向指标公式。在其他实施例中，该标准归一化函数可为其他归一化函数，通过该其他归一化函数能够使得/>与的相关关系为正相关关系，实施者可自行设置标准归一化函数，以使得后续对门窗的性能进行检测的准确度较高。
用于表征对应的待检测门窗的形变为非常规或非正常形变的可能性。
第二灰度差异越大，对应的第一形变部分的形变为非常规或非正常形变的可能性越大。越大，对应的待检测门窗的形变为非常规或非正常形变的可能性越大，/>越大。原因在于，对待检测门窗进行正面冲击后，待检测门窗会发生一定程度的变形，进而导致变形部分的像素点的灰度值相较于对应的未变形之前的灰度值的差异较大的可能性较大。
一个第一形变部分与所匹配的常规形变部分的第一欧式距离越大，该一个第一形变部分的形变为常规或正常形变的可能性越大。越大，对应的待检测门窗的形变为非常规或非正常形变的可能性越大，/>越大。
在一个实施例中，当性能异常度大于等于第二性能异常阈值时，待检测门窗的形变为非常规或非正常形变的可能性较大，待检测门窗的性能较低；当性能异常度小于第二性能异常阈值时，待检测门窗的形变为非常规或非正常形变的可能性较小，待检测门窗的性能较高。在一个实施例中，实施者可根据具体实施场景自行设置第二性能异常阈值，以使得对门窗性能进行检测的准确度较大。
对于性能较低的门窗，可向门窗拥有者发送警告信息，该警告信息用于提示该拥有者更换门窗等。
在本说明书的描述中，“多个”、“若干个”的含义是至少两个，例如两个，三个或更多个等，除非另有明确具体的限定。
虽然本说明书已经示出和描述了本发明的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中，可以采用对本文所描述的本发明实施例的各种替代方案。
Claims (5)
1.一种基于人工智能的门窗性能检测方法，其特征在于，包括：
记录待检测门窗的开合次数，获取该开合次数下的门窗图像；
将门窗图像与标准门窗图像进行比较，得到形变序列；根据形变序列中数值的相近程度进行聚类，得到多个第一形变部分；
根据所述第一形变部分与相同开合次数下的常规形变部分之间的相近程度，对所述第一形变部分进行匹配所述常规形变部分；
根据第一形变部分与所匹配的常规形变部分的相近程度和灰度差异，从而计算得到待检测门窗的性能异常度；
根据所述第一形变部分与相同开合次数下的常规形变部分之间的相近程度，对所述第一形变部分进行匹配所述常规形变部分，包括：
对于一个与第一形变部分的开合次数相同的常规门窗图像，计算每一个第一形变部分分别与所述常规门窗图像的常规形变部分之间的位置重合度，将该位置重合度作为k-m算法的距离，通过k-m算法得到与每一个第一形变部分分别匹配的常规形变部分，并计算第一形变部分与所匹配的常规形变部分的位置重合度的累加和；
从而计算与第一形变部分的开合次数相同的每一个常规门窗图像的所述累加和，将最大的累加和对应的匹配结果作为最终的匹配结果；
根据第一形变部分与所匹配的常规形变部分的相近程度和灰度差异，从而计算得到待检测门窗的性能异常度，包括：
计算待检测门窗的性能异常度的公式为：
其中，u为所述性能异常度，为以自然常数e为底的指数函数，q为每一个第一形变部分分别与所匹配的常规形变部分之间的位置重合度的平均值，P为每一个第一形变部分分别与所匹配的常规形变部分的第一灰度差异；
所述第一灰度差异的获取方法，包括：
计算第一灰度差异的公式为：
其中，P为每一个第一形变部分分别与所匹配的常规形变部分的第一灰度差异，m为每一个第一形变部分分别与所匹配的常规形变部分之间的位置重合的像素点的总数量，为在所有第一形变部分中的第n个位置重合的像素点的灰度值，/>为在所有与所述第一形变部分匹配的常规形变部分中的第n个位置重合的像素点的灰度值；
或根据所述第一形变部分与相同开合次数下的常规形变部分之间的相近程度，对所述第一形变部分进行匹配所述常规形变部分，包括：
对于一个与第一形变部分的开合次数相同的常规门窗图像，计算每一个第一形变部分分别与所述常规门窗图像的常规形变部分之间的第一欧式距离，该第一欧式距离为一个第一形变部分中每一个数值对应的第二欧式距离的平均值，所述第二欧式距离为一个数值对应的像素点分别与一个常规形变部分对应像素点的欧式距离的最小值；
计算第一相近程度的公式为：，其中，g为第一相近程度，/>为以自然常数e为底的指数函数，l为第一欧式距离；
将该第一相近程度作为k-m算法的距离，通过k-m算法得到与每一个第一形变部分分别匹配的常规形变部分，并计算每一个第一形变部分分别与所匹配的常规形变部分的第一相近程度的累加和；
从而计算得到与第一形变部分的开合次数相同的每一个常规门窗图像的所述累加和，将最大的累加和对应的匹配结果作为最终的匹配结果；
根据第一形变部分与所匹配的常规形变部分的相近程度和灰度差异，从而计算得到待检测门窗的性能异常度，包括：
计算待检测门窗的性能异常度的公式为：
其中，为所述性能异常度，b为每一个第一形变部分分别与所匹配的常规形变部分之间的第一欧式距离的平均值，/>表示标准归一化函数，/>与/>的相关关系为正相关关系，/>为每一个第一形变部分分别与所匹配的常规形变部分之间第二灰度差异的平均值，第二灰度差异为一个第一形变部分对应的像素点的灰度值的平均值与所匹配的常规形变部分对应的像素点的灰度值的平均值之间差值绝对值。
2.根据权利要求1所述的一种基于人工智能的门窗性能检测方法，其特征在于，所述位置重合度的获取方法，包括：
将第一形变部分与常规形变部分之间位置相同的像素点的数量作为第一数量，将第一形变部分与所述常规形变部分中的所有像素点的数量作为第二数量，将第一数量和第二数量的差值绝对值作为第三数量，将第一数量与第三数量的比值作为所述位置重合度。
3.根据权利要求1所述的一种基于人工智能的门窗性能检测方法，其特征在于，根据形变序列中数值的相近程度进行聚类，得到多个第一形变部分，包括：
通过DBSCAN聚类算法，并设置预设距离阈值，按照形变序列中数值的次序对形变序列中的数值进行聚类，得到多个第一形变部分，一个所述第一形变部分中的数据之间的差值绝对值小于等于所述预设距离阈值。
4.根据权利要求1所述的一种基于人工智能的门窗性能检测方法，其特征在于，将门窗图像与标准门窗图像进行比较，得到形变序列，包括：
对门窗图像和标准门窗图像分别进行处理，计算处理后的门窗图像中每一个像素点与处理后的标准门窗图像的最小欧式距离，将所述最小欧式距离替换对应的所述像素点的灰度值，得到形变序列。
5.根据权利要求4所述的一种基于人工智能的门窗性能检测方法，其特征在于，对门窗图像和标准门窗图像分别进行处理，包括：
对门窗图像和标准门窗图像分别进行处理，所述标准门窗图像为开合次数为0的门窗图像，对于一个图像的所述处理的过程为：先对所述一个图像进行灰度化，再提取图像中的连通域，其中，所述连通域中的像素点满足，其中，H为一个像素点的八邻域中任意一个像素点的灰度值，/>为中心像素点的灰度值，a为第一预设参数，再进行边缘检测，得到第一边缘图像；分别计算第一边缘图像中闭合边缘图像所包围的面积与门窗标准外边缘图像所包围面积之间的差值绝对值，将所述差值绝对值中的最小值对应的所述闭合边缘图像作为第二边缘图像，其即为所述一个图像处理后的图像，进而得到处理后的门窗图像和处理后的标准门窗图像；所述门窗标准外边缘图像所包围的面积为开合次数为0的标准门窗的外边缘所包围的面积。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410283199.7A CN117877008B (zh) | 2024-03-13 | 2024-03-13 | 一种基于人工智能的门窗性能检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410283199.7A CN117877008B (zh) | 2024-03-13 | 2024-03-13 | 一种基于人工智能的门窗性能检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117877008A CN117877008A (zh) | 2024-04-12 |
| CN117877008B true CN117877008B (zh) | 2024-05-17 |
Family
ID=90592233
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410283199.7A Active CN117877008B (zh) | 2024-03-13 | 2024-03-13 | 一种基于人工智能的门窗性能检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117877008B (zh) |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007220133A (ja) * | 2007-03-28 | 2007-08-30 | Toyota Motor Corp | 変化情報認識装置および変化情報認識方法 |
| JP2013044774A (ja) * | 2011-08-22 | 2013-03-04 | Canon Inc | 画像形成装置 |
| WO2013133368A1 (ja) * | 2012-03-07 | 2013-09-12 | オリンパス株式会社 | 画像処理装置、プログラム及び画像処理方法 |
| JP2015092796A (ja) * | 2013-11-08 | 2015-05-14 | 東日本旅客鉄道株式会社 | 車両用戸閉装置のメンテナンス時期判定方法 |
| WO2015104582A1 (en) * | 2014-01-08 | 2015-07-16 | Amid S.R.L. | Method and device for estimation of the elastic properties of tissues, particularly muscle tissues |
| CN106504288A (zh) * | 2016-10-24 | 2017-03-15 | 北京进化者机器人科技有限公司 | 一种基于双目视觉目标检测的家居环境下门定位方法 |
| WO2017179169A1 (ja) * | 2016-04-14 | 2017-10-19 | 三菱電機株式会社 | エレベータ装置 |
| CN108731611A (zh) * | 2018-05-30 | 2018-11-02 | 天仁民防建筑工程设计有限公司 | 一种人防门吊角形变状态检测***及方法 |
| CN108759699A (zh) * | 2018-03-27 | 2018-11-06 | 西安交通大学 | 一种大视场砌体结构材料三维全场变形的测量方法及*** |
| CN108875780A (zh) * | 2018-05-07 | 2018-11-23 | 广东省电信规划设计院有限公司 | 基于图像数据的图像间差异对象的获取方法以及装置 |
| CN208188373U (zh) * | 2018-05-18 | 2018-12-04 | 山西省烟草公司运城市公司卷烟配送中心 | 变形托盘自动检测装置 |
| JP6479949B1 (ja) * | 2017-12-14 | 2019-03-06 | 東芝エレベータ株式会社 | エレベータドアの異常診断システム及び異常診断方法 |
| WO2019063648A1 (fr) * | 2017-09-29 | 2019-04-04 | Suez Groupe | Detection et caracterisation ameliorees d'anomalies dans un continuum d'eau |
| JP2020191050A (ja) * | 2019-05-24 | 2020-11-26 | Ｋｙｂ株式会社 | 異常検知装置及び異常検知方法 |
| WO2020255728A1 (ja) * | 2019-06-17 | 2020-12-24 | 日本電気株式会社 | 振動計測装置、振動計測方法、及びコンピュータ読み取り可能な記録媒体 |
| WO2021000524A1 (zh) * | 2019-07-03 | 2021-01-07 | 研祥智能科技股份有限公司 | 孔位保护门检测方法、装置、计算机设备和存储介质 |
| CN114063075A (zh) * | 2021-11-23 | 2022-02-18 | 苏州深蓝空间遥感技术有限公司 | 海上孤立风电塔群的形变异常判断与形变值估算方法 |
| WO2024004216A1 (ja) * | 2022-07-01 | 2024-01-04 | 株式会社Synspective | 地盤変動解析装置および地盤変動解析方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102007037726B4 (de) * | 2007-08-09 | 2010-07-08 | Lavision Gmbh | Verfahren zur berührungslosen Messung von Verformungen einer Oberfläche eines Messobjektes |
| US9652851B2 (en) * | 2014-04-01 | 2017-05-16 | Conduent Business Services, Llc | Side window detection in near-infrared images utilizing machine learning |
-
2024
- 2024-03-13 CN CN202410283199.7A patent/CN117877008B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007220133A (ja) * | 2007-03-28 | 2007-08-30 | Toyota Motor Corp | 変化情報認識装置および変化情報認識方法 |
| JP2013044774A (ja) * | 2011-08-22 | 2013-03-04 | Canon Inc | 画像形成装置 |
| WO2013133368A1 (ja) * | 2012-03-07 | 2013-09-12 | オリンパス株式会社 | 画像処理装置、プログラム及び画像処理方法 |
| JP2015092796A (ja) * | 2013-11-08 | 2015-05-14 | 東日本旅客鉄道株式会社 | 車両用戸閉装置のメンテナンス時期判定方法 |
| WO2015104582A1 (en) * | 2014-01-08 | 2015-07-16 | Amid S.R.L. | Method and device for estimation of the elastic properties of tissues, particularly muscle tissues |
| WO2017179169A1 (ja) * | 2016-04-14 | 2017-10-19 | 三菱電機株式会社 | エレベータ装置 |
| CN106504288A (zh) * | 2016-10-24 | 2017-03-15 | 北京进化者机器人科技有限公司 | 一种基于双目视觉目标检测的家居环境下门定位方法 |
| WO2019063648A1 (fr) * | 2017-09-29 | 2019-04-04 | Suez Groupe | Detection et caracterisation ameliorees d'anomalies dans un continuum d'eau |
| JP6479949B1 (ja) * | 2017-12-14 | 2019-03-06 | 東芝エレベータ株式会社 | エレベータドアの異常診断システム及び異常診断方法 |
| CN108759699A (zh) * | 2018-03-27 | 2018-11-06 | 西安交通大学 | 一种大视场砌体结构材料三维全场变形的测量方法及*** |
| CN108875780A (zh) * | 2018-05-07 | 2018-11-23 | 广东省电信规划设计院有限公司 | 基于图像数据的图像间差异对象的获取方法以及装置 |
| CN208188373U (zh) * | 2018-05-18 | 2018-12-04 | 山西省烟草公司运城市公司卷烟配送中心 | 变形托盘自动检测装置 |
| CN108731611A (zh) * | 2018-05-30 | 2018-11-02 | 天仁民防建筑工程设计有限公司 | 一种人防门吊角形变状态检测***及方法 |
| JP2020191050A (ja) * | 2019-05-24 | 2020-11-26 | Ｋｙｂ株式会社 | 異常検知装置及び異常検知方法 |
| WO2020255728A1 (ja) * | 2019-06-17 | 2020-12-24 | 日本電気株式会社 | 振動計測装置、振動計測方法、及びコンピュータ読み取り可能な記録媒体 |
| WO2021000524A1 (zh) * | 2019-07-03 | 2021-01-07 | 研祥智能科技股份有限公司 | 孔位保护门检测方法、装置、计算机设备和存储介质 |
| CN114063075A (zh) * | 2021-11-23 | 2022-02-18 | 苏州深蓝空间遥感技术有限公司 | 海上孤立风电塔群的形变异常判断与形变值估算方法 |
| WO2024004216A1 (ja) * | 2022-07-01 | 2024-01-04 | 株式会社Synspective | 地盤変動解析装置および地盤変動解析方法 |
Non-Patent Citations (2)
| Title |
|---|
| Analysis of the detection technology of the strength and deformation of the elevator landing door;Yadong Zhang;《2020 11th International Conference on Prognostics and System Health Management》;20201231;全文 * |
| 船闸反弧门运行状态检测方法研究;赵瑞雪;《万方学位》;20220512;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117877008A (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7092554B2 (en) | Method for detecting eye and mouth positions in a digital image | |
| CN113537099B (zh) | 一种公路隧道火灾烟雾动态检测方法 | |
| CN106373146B (zh) | 一种基于模糊学习的目标跟踪方法 | |
| CN117456428B (zh) | 基于视频图像特征分析的垃圾投放行为检测方法 | |
| KR101433472B1 (ko) | 상황 인식 기반의 객체 검출, 인식 및 추적 장치, 방법 및 컴퓨터 판독 가능한 기록 매체 | |
| Björklund et al. | Automatic license plate recognition with convolutional neural networks trained on synthetic data | |
| CN111814570B (zh) | 一种基于动态阈值的人脸识别方法、***及存储介质 | |
| CN116091883B (zh) | 基于多源信息融合的目标检测识别方法、***及存储介质 | |
| CN112766273A (zh) | 一种车牌识别方法 | |
| CN112434638A (zh) | 一种人脸面部表情识别分类与分析*** | |
| Sadeghi et al. | Modelling and segmentation of lip area in face images | |
| CN117155706A (zh) | 网络异常行为检测方法及其*** | |
| CN112395901A (zh) | 一种改进型复杂环境下人脸检测定位识别方法 | |
| CN114332781A (zh) | 一种基于深度学习的智能车牌识别方法及*** | |
| CN117877008B (zh) | 一种基于人工智能的门窗性能检测方法 | |
| CN117705815A (zh) | 一种基于机器视觉的印刷缺陷检测方法 | |
| KR20200068073A (ko) | 심층학습 전처리를 통한 도면 문자 인식 성능 개선 방법 | |
| CN108875572B (zh) | 基于背景抑制的行人重识别方法 | |
| CN115620121A (zh) | 一种基于数字孪生的光电目标高精度检测方法 | |
| CN112257567B (zh) | 行为识别网络的训练、行为识别方法及相关设备 | |
| CN109859112B (zh) | 一种实现人脸补全的方法及*** | |
| Weng et al. | Crowd density estimation based on a modified multicolumn convolutional neural network | |
| KR20070097636A (ko) | 조명 변화에 강인한 얼굴 검출 방법 | |
| CN117746076B (zh) | 一种基于机器视觉的设备图像匹配方法 | |
| CN111860456A (zh) | 一种蒙面人脸识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |