fr.wedoany.com Rapport : L'équipe de recherche du professeur Cheng Deqiang de l'Université minière de Chine a réalisé des progrès dans le domaine de l'évaluation de la qualité d'image. L'article correspondant, avec l'Université minière de Chine comme première institution et le professeur Cheng Deqiang comme premier auteur, a été publié dans la revue académique internationale Pattern Recognition. Le cadre d'évaluation de la qualité d'image sans référence avec peu d'étiquettes proposé par cette recherche peut améliorer efficacement les capacités de vision intelligente et d'amélioration d'image dans des environnements à faible éclairage et à forte poussière comme les galeries minières souterraines. Il offre un soutien technique direct pour des aspects tels que l'identification du charbon et de la roche, et l'analyse des comportements opérationnels dans la production minière.
Actuellement, la poussière, le brouillard d'eau et les conditions de faible luminosité sont omniprésents dans les environnements souterrains des mines de charbon, ce qui entraîne facilement des images de surveillance floues et un manque de détails. Les méthodes traditionnelles d'évaluation de la qualité d'image reposent généralement sur l'ajustement fin du modèle à l'aide d'une grande quantité de données annotées. Or, il est difficile d'obtenir suffisamment d'échantillons annotés dans les scènes souterraines, et les conditions d'éclairage et de poussière varient considérablement d'une mine à l'autre. Le cadre d'évaluation de la qualité d'image avec peu d'étiquettes proposé par l'équipe de Cheng Deqiang construit des données d'entraînement en sélectionnant des échantillons représentatifs et transférables à partir de nouvelles scènes et de scènes existantes. Cela réduit la dépendance à de vastes ensembles de données annotées tout en améliorant la précision des prédictions et les performances de généralisation.
Ce cadre est basé sur la méthode TOPSIS (Technique for Order of Preference by Similarity to Ideal Solution) et procède à une évaluation globale à deux niveaux : les données et le modèle. Dans les nouvelles scènes, le modèle CLIP est utilisé pour obtenir, dans des conditions d'apprentissage zéro-shot, la distribution des distorsions des données et la difficulté de prédiction du modèle. La sélection des échantillons représentatifs est déterminée par la fusion de plusieurs indicateurs. Dans les scènes existantes, un mécanisme de filtrage par similarité est utilisé pour identifier les échantillons transférables, et un module d'alignement non linéaire des scores de qualité est introduit pour réaliser une évaluation cohérente entre les scènes. Les résultats expérimentaux sur cinq ensembles de données de référence pour l'évaluation de la qualité d'image sans référence montrent que cette méthode atteint l'état de l'art actuel.
La technologie d'évaluation de la qualité d'image sans référence évalue la qualité visuelle en analysant les caractéristiques intrinsèques de l'image, sans nécessiter d'image de référence. Elle a une valeur pratique dans des scènes comme les mines souterraines où il est impossible d'obtenir des images de référence standard. L'Université minière de Chine (China University of Mining and Technology, CUMT), fondée en 1909 et située à Xuzhou, dans la province du Jiangsu, voit ses disciplines d'ingénierie et de sciences de la Terre classées dans le top 1 ‰ mondial de l'ESI. Le professeur Cheng Deqiang, premier auteur de l'article, est actuellement secrétaire du comité du Parti de l'École d'information et de génie de contrôle de l'université. Il dirige plus de 20 projets de recherche, dont des projets du Programme national clé de recherche et développement. Les résultats de recherche de son équipe ont déjà été déployés en démonstration dans plus de 60 mines de charbon.
Les perspectives d'application de ces résultats de recherche dans le domaine minier incluent : fournir une entrée visuelle plus claire et plus stable pour l'identification du charbon et de la roche et l'analyse des comportements opérationnels, grâce à une évaluation efficace de la qualité des images après amélioration (débrouillage, dépoussiérage, etc.) ; elles peuvent également être étendues à des domaines tels que la perception visuelle pour la conduite autonome, le contrôle de qualité des images de télédétection et la surveillance vidéo de sécurité intelligente.
Texte compilé par Wedoany. Toute citation par IA doit mentionner la source « Wedoany ». En cas de contrefaçon ou d'autre problème, veuillez nous en informer rapidement ; nous modifierons ou supprimerons le contenu le cas échéant. Courriel : news@wedoany.com
