System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
所属的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。下面参照图13来描述根据本公开的这种实施方式的电子设备1300。图13显示的电子设备1300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。如图13所示,电子设备1300以通用计算设备的形式表现。电子设备1300的组件可以包括但不限于:上述至少一个处理单元1310、上述至少一个存储单元1320、连接不同系统组件(包括存储单元1320和处理单元1310)的总线1330。其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元1310执行,使得所述处理单元1310执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如,所述处理单元1310可以执行上述方法实施例的如下步骤:识别目标影像的问题点区域;将所述目标影像的问题点区域输入经过训练的深度学习模型进行特征提取,确定特征向量和特征向量的类别概率;将所述特征向量和所述特征向量的类别概率确定为所述目标影像的问题点区域的关键特征信息;根据所述目标影像的问题点区域的关键特征信息,确定所述目标影像的问题点类别。存储单元1320可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(ram)13201和/或高速缓存存储单元13202,还可以进一步包括只读存储单元(rom)13203。存储单元1320还可以包括
...【技术保护点】
1.一种影像问题点分类方法,其特征在于,包括:
2.根据权利要求1所述的影像问题点分类方法,其特征在于,识别目标影像的问题点区域,包括:
3.根据权利要求2所述的影像问题点分类方法,其特征在于,所述经过训练的检测器的训练过程,包括:
4.根据权利要求3所述的影像问题点分类方法,其特征在于,利用所述初级检测器对所述影像数据集中除去所述带有标注的影像样本后的剩余影像样本进行标注,确定更新后的影像数据集,包括:
5.根据权利要求4所述的影像问题点分类方法,其特征在于,对所述剩余影像样本的标注进行误差修正,确定修正后的剩余影像样本的标注,包括:
6.根据权利要求1所述的影像问题点分类方法,其特征在于,将所述目标影像的问题点区域输入经过训练的深度学习模型进行特征提取,确定特征向量和特征向量的类别概率,包括:
7.根据权利要求1所述的影像问题点分类方法,其特征在于,所述经过训练的深度学习模型的训练过程,包括:
8.根据权利要求1所述的影像问题点分类方法,其特征在于,根据所述目标影像的问题点区域的关键特征信息,
9.根据权利要求1所述的影像问题点分类方法,其特征在于,还包括:对目标影像进行预处理,所述预处理用于对所述目标影像进行数据增强操作。
10.根据权利要求1所述的影像问题点分类方法,其特征在于,还包括:将所述目标影像的问题点类别显示在所述目标影像的问题点区域。
11.根据权利要求1所述的影像问题点分类方法,其特征在于,还包括:将所述目标影像的问题点类别与调试规则库进行匹配,确定所述目标影像的问题点类别对应的调试规则;所述调试规则库中包括多种问题点类别对应的调试规则。
12.根据权利要求11所述的影像问题点分类方法,其特征在于,还包括:将所述目标影像的问题点类别和/或所述调试规则以可视化的形式进行展示。
13.一种影像问题点分类装置,其特征在于,包括:
14.一种电子设备,其特征在于,包括:
15.一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,所述计算机程序被处理器执行时实现权利要求1~12中任意一项所述的影像问题点分类方法。
16.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1~12中任意一项所述的影像问题点分类方法。
...【技术特征摘要】
1.一种影像问题点分类方法,其特征在于,包括:
2.根据权利要求1所述的影像问题点分类方法,其特征在于,识别目标影像的问题点区域,包括:
3.根据权利要求2所述的影像问题点分类方法,其特征在于,所述经过训练的检测器的训练过程,包括:
4.根据权利要求3所述的影像问题点分类方法,其特征在于,利用所述初级检测器对所述影像数据集中除去所述带有标注的影像样本后的剩余影像样本进行标注,确定更新后的影像数据集,包括:
5.根据权利要求4所述的影像问题点分类方法,其特征在于,对所述剩余影像样本的标注进行误差修正,确定修正后的剩余影像样本的标注,包括:
6.根据权利要求1所述的影像问题点分类方法,其特征在于,将所述目标影像的问题点区域输入经过训练的深度学习模型进行特征提取,确定特征向量和特征向量的类别概率,包括:
7.根据权利要求1所述的影像问题点分类方法,其特征在于,所述经过训练的深度学习模型的训练过程,包括:
8.根据权利要求1所述的影像问题点分类方法,其特征在于,根据所述目标影像的问题点区域的关键特征信息,确定所述目标影像的问题点类别,包括:
9.根据权利要...
【专利技术属性】
技术研发人员:王力民,
申请(专利权)人:高创苏州电子有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。