导航：X技术最新专利计算;推算;计数设备的制造及其应用技术
1.本发明涉及智能计算领域，尤其涉及一种基于飞行器识别ai场景的识别方法及装置技术领域。
2.随着在现有的飞行器中，有基于气动力数学模型所构建的，特点是空气动力布局的对称性，分为轴对称型飞行器和镜像对称型飞行器，多数的飞行器都会装有人工智能识别器，ai场景识别技术得到了广泛重视。
3.申请号cn1.2提出的一种识别ai场景的识别率的测试方法及装置、存储介质、终端，所述方法包括：接收预设ai场景的标准识别图标以及标准ai场景识别图集；控制播放所述标准ai场景识别图集，并控制识别设备对每张图片中的ai场景进行识别；每播放一张图片，确定所述识别设备经识别是否确定当前播放图片的ai场景的识别图标；如果所述识别设备经识别得到当前播放图片的ai场景的识别图标，则对所述识别图标与所述标准识别图标进行比较，以得到所述当前播放图片的比较结果；根据所述标准ai场景识别图集中的至少一部分图片的比较结果，确定所述识别设备对所述预设识别ai场景的识别率。本发明可以提升测试效率以及测试结果的准确率。该发明中，仅限于普通的识别ai装置，并没有提及飞行器上的ai装置，因此需要本发明对飞行器上的ai装置识别率的测试方法及装置进行改进。
4.具体地，飞行器在飞行过程中进行ai场景识别，收集不同场景信息，对收集到的场景信息，自动进行一个画面特效调整并对画面的锐度、曝光值、色温等进行完善，使得画面与真实的场景更加贴合。但飞行器在飞行时飞行速度过快，会存在抖动的现象，导致ai场景识别器识别场景时，场景信息变得模糊，不能清晰地得到场景具体信息，对一些场景的细节是不好显示的，则要提高识别ai场景的识别率，需要对ai场景识别技术进行测试，则此时一种基于飞行器识别ai场景的识别方法及装置就显得尤为重要。
5.为了解决上述问题，本发明提出一种基于飞行器识别ai场景的识别方法及装置，以更加确切地解决上述所述在飞行器上ai装置的识别率的测试方法。
6.本发明通过以下技术方案实现的：本发明提出一种基于飞行器识别ai场景的识别方法，包括以下步骤：对每一预设场景进行拍摄，并将拍摄照片根据预设场景进行分类并存储；判断所述拍摄照片是否清晰；若是，则轮流播放所有所述拍摄照片，并对所述拍摄照片中的预设场景进行识别；识别所述拍摄照片中的摄于场景内的图标，判断所述图标是否为对应的所述预设场景中的图标；根据所述拍摄照片中的摄于场景内的图标识别成功的数量，获取飞行器的ai装置
7.进一步的，所述判断所述拍摄照片是否清晰的步骤中，包括：通过预设清晰度检测装备对拍摄照片进行检测清晰度；在预设清晰度检测装备检测清晰度时，通过检测所述拍摄照片的分辨率判断所述清晰度，其中所述预设清晰度检测装备的分辨率范围为72dpi-450dpi。
8.进一步的，所述判断所述拍摄照片是否清晰的步骤后，包括：若否，则对飞行器的数学公式做出调整。
9.进一步的，所述若否，则对飞行器的数学公式做出调整的步骤中，包括：判断飞行器的数学公式是否为线性函数，其中，所述飞行器是由气动力数学模型构成；若是，则根据马赫数、高度值和re数对气动力数学模型的数学公式进行修改，若否，通过改变速度向量方向对基于气动力数学模型的空气动力系数进行数据更改。
10.进一步的，所述若是，则轮流播放所有所述拍摄照片，并对所述拍摄照片中的预设场景进行识别的步骤中，包括：在预设时间内轮流播放所述拍摄照片，并在播放过程中对所述照片截屏；对预设识别器传送模拟信息，保持识别器处于工作状态。
11.进一步的，所述识别所述拍摄照片中的摄于场景内的图标的步骤前，包括：通过二值化图像处理技术对场景内的图标及所述拍摄照片进行处理，其中二值化处理为将图像上的点的灰度值为0或255，使得所述图像呈现出黑白效果。
12.进一步的，所述识别所述拍摄照片中的摄于场景内的图标，判断所述图标是否为对应的所述预设场景中的图标的步骤中，包括：判断场景内的图标及所述拍摄照片中的场景图标灰度值是否在预设误差值内；若是，则标定为识别成功的图标；若否，则标定为识别不成功，不是预设场景中的图标。
13.进一步的，所述若否，则标定为识别不成功，不是预设场景中的图标的步骤中，包括：对识别不成功的图标数量进行统计；将识别不成功的图标标定为红色区域，并显示于所述拍摄照片上。
14.进一步的，所述根据拍摄照片中的摄于场景内的图标识别成功的数量，获取飞行器的ai装置的识别率的步骤中，包括：根据统计的所述识别不成功的图标的数量，与场景内的图标数量做比值，得到该预设场景的识别率；获取每一预设场景的识别率，计算所有预设场景的识别率的平均值；根据所得的平均值，获取飞行器的ai装置的识别率。
15.本发明提供一种基于飞行器识别ai场景的装置，包括：拍摄模块，用于对每一预设场景进行拍摄，并将拍摄照片根据预设场景进行分类并存储；判断模块，用于判断所述拍摄照片是否清晰；第一识别模块，用于若是，则轮流播放所有所述拍摄照片，并对所述拍摄照片中的
预设场景进行识别；第二识别模块，用于识别所述拍摄照片中的摄于场景内的图标，判断所述图标是否为对应的所述预设场景中的图标；获取模块，用于根据所述拍摄照片中的摄于场景内的图标识别成功的数量，获取飞行器的ai装置的识别率。
16.本发明的有益效果：通过对每一预设场景进行拍摄，并将拍摄照片根据预设场景进行分类并存储，判断所述拍摄照片是否清晰，将清晰的拍摄照片轮流播放，并对所述拍摄照片中的预设场景进行识别，然后识别所述拍摄照片中的摄于场景内的图标，根据所述拍摄照片中的摄于场景内的图标识别成功的数量，获取飞行器的ai装置的识别率。本发明可以对ai识别场景的识别率进行提高，使得飞行器及识别ai场景应用更广泛，对飞行器的数学模型公式也有了完善。
17.图1为本发明的一种基于飞行器识别ai场景的识别方法的流程示意图；图2为本发明的一种基于飞行器识别ai场景的装置的结构框图。
18.为了更加清楚完整的说明本发明的技术方案，下面结合附图对本发明作进一步说明。
19.请参考图1，本发明提出基于一种基于飞行器识别ai场景的识别方法及装置，包括以下步骤：s1,对每一预设场景进行拍摄，并将拍摄照片根据预设场景进行分类并存储；s2,判断所述拍摄照片是否清晰；s3,若是，则轮流播放所有所述拍摄照片，并对所述拍摄照片中的预设场景进行识别；s4,识别所述拍摄照片中的摄于场景内的图标，判断所述图标是否为对应的所述预设场景中的图标；s5,根据所述拍摄照片中的摄于场景内的图标识别成功的数量，获取飞行器的ai装置的识别率。
的拍摄，拍摄多张预设场景的照片，并对拍摄所得的照片进行分类，按每一个预设场景进行分类并存储，然后判断拍摄的照片是否清晰，清晰是指照片的分辨率能达到150dpi，若是清晰的照片，则轮流定时播放所有的清晰照片，播放顺序为逐一场景播放，并且在播放过程中，对拍摄照片中的预设场景进行识别，判断是否为所述预设场景，若确定为预设场景后，则对拍摄照片中的摄于场景内的图标进行识别，其中识别方法为将对应的拍摄照片及预设场景的图片进行二值化图像处理，根据二值化处理后的灰度值对两者进行比较，判断是否为所述预设场景的图标，最后，统计识别成功的图标数量，与预设场景内的图标数量进行做比值，得出识别率的数值，然后根据每一个场景识别率数值，计算平均值，得到ai装置的识别率。
22.在本实施方式中，判断所述拍摄照片是否清晰的步骤中，包括：通过预设清晰度检测装备对拍摄照片进行检测清晰度；在预设清晰度检测装备检测清晰度时，通过检测所述拍摄照片的分辨率判断所述清晰度，其中所述预设清晰度检测装备的分辨率范围为72dpi-450dpi。
23.在一具体实施例中，其中清晰度检测装备通常运用分光密度仪，分光密度仪的分辨率范围为72dpi-450dpi，通过分光密度仪对图片进行扫描，可以得到图片的分辨率大小，判断图片的分辨率是否150dpi，在达到150dpi后，才具备识别的价值。
24.在一具体实施例中，若图片分辨率为60，则分光密度仪无法检测，显示出zero，若图片分辨率为72时，分光检测仪可检测，但分辨率不足，不足以作为识别的材料照片，若图片分辨率大于450时，则超出了分光密度仪的检测范围，则分光密度仪只会显示450.在本实施方式中，判断所述拍摄照片是否清晰的步骤后，包括：若否，则对飞行器的数学公式做出调整。
25.在一具体实施例中，所运用的飞行器为基于气动力数学模型所构建的，在拍摄照片不清晰时，可能是因为飞行器不够稳定，则需要对飞行器的数学公式做出调整。
26.在本实施方式中，若否，则对飞行器的数学公式做出调整的步骤中，包括：判断飞行器的数学公式是否为线性函数，其中，所述飞行器是由气动力数学模型构成；若是，则根据马赫数、高度值和re数对气动力数学模型的数学公式进行修改；若否，通过改变速度向量方向对基于气动力数学模型的空气动力系数进行数据更改。
27.在一具体实施例中，飞行器的线性函数是常见的用来控制飞行器性能的函数，若是，则通过更改线性函数的马赫数、高度值和re数，可以对函数的因变量与自变量进行设定，马赫数1即一倍音速(音波可以在固体、液体或是气体介质中传播，介质密度愈大，则音速愈快,所以马赫的大小不是固定的)：马赫数小于1者为亚音速，马赫数大于5左右为超高音速；马赫数是飞行的速度和当时飞行的音速之比值，大于1表示比音速快，同理，小于1是比音速慢，re=ρvl/μ，ρ、μ为流体密度和动力粘性系数，v、l为流场的特征速度和特征长度。雷诺数物理上表示惯性力和粘性力量级的比。对外流问题，v、l一般取远前方来流速度和物体主要尺寸(如机翼弦长或圆球直径)；内流问题则取通道内平均流速和通道直径。两个几何相似流场的雷诺数相等，则对应微团的惯性力与粘性力之比相等，若否，则在马赫数、高度值和re数固定参数的情况下，空气动力系数会因为速度向量方向，操纵面的偏转角和相对于重心的旋转角速度而改变，其中偏转角中有俯仰舵偏和方向舵偏，两者存在矢量和方向上的关系，空气动力系数则会根据两者的方向和大小随之变化，从而保证飞行器的稳定性。
28.在本实施方式中，若是，则轮流播放所有所述拍摄照片，并对所述拍摄照片中的预设场景进行识别的步骤中，包括：在预设时间内轮流播放所述拍摄照片，并在播放过程中对所述照片截屏；对预设识别器传送模拟信息，保持识别器处于工作状态。
29.在一具体实施例中，对拍摄照片进行轮流播放时，应采取逐个场景进行播放，确保一个场景完全识别后，再进行下一场景识别，对轮流播放设定为10s转换到下一张图片，进
行截屏识别可以更好的记录多次识别后，识别结果是否相同，可取识别最多的截屏图片进行下一步的图标识别，其中识别器为手机，需要对手机进行模拟信息发送，确保手机可以保持长时间的工作状态，可以进行长时间高效的图像识别。
30.在本实施方式中，识别所述拍摄照片中的摄于场景内的图标的步骤前，包括：通过二值化图像处理技术对场景内的图标及所述拍摄照片进行处理，其中二值化处理为将图像上的点的灰度值为0或255，使得所述图像呈现出明显的黑白效果。
31.在一具体实施例中，二值化图像处理技术是一个固定算法即固定阈值二值化，算法本身很简单，机器视觉处理的很多都是8位灰度图像，灰度值从0到255,所谓二值化就是给定一个阈值，让小于这个阈值的灰度值为0，大于等于这个阈值的设为255，这样在图像上显示出来就是一幅黑白图像，在处理为黑白图像后，能够更好的比对两个图标的差别。
32.在本实施方式中，识别所述拍摄照片中的摄于场景内的图标，判断所述图标是否为对应的所述预设场景中的图标的步骤中，包括：判断场景内的图标及所述拍摄照片中的场景图标灰度值是否在预设误差值内；若是，则标定为识别成功的图标；若否，则标定为识别不成功，不是预设场景中的图标。
33.在一具体实施例中，预设误差范围设定为在图标0阈值处对比时，误差范围为0-3，若在误差范围内，可以判断为识别成功的图标，若误差在3以上，则识别失败。要写出实际的，如在一具体实施例中，其误差值为4，超出预设误差值3的范围，识别失败在另一具体实施例中，预设误差范围设定为在图标255阈值处对比时，误差范围为0-5，判断结束后，若在误差范围内，可以判断为识别成功的图标，若误差在5以上，则识别失败。
34.在本实施方式中，若否，则标定为识别不成功，不是预设场景中的图标的步骤中，包括：对识别不成功的图标数量进行统计；将识别不成功的图标标定为红色区域，并显示于所述拍摄照片上。
35.在一具体实施例中，对每个识别不成功的图标都进行统计数量，并且会在拍摄照片上显示为红色区域，可以确定是哪个图标无法识别，便于在识别完成后，对飞行器的ai装置进行数据调整。
36.在本实施方式中，根据拍摄照片中的摄于场景内的图标识别成功的数量，获取飞行器的ai装置的识别率的步骤中，包括：根据统计的所述识别不成功的图标的数量，与场景内的图标数量做比值，得到该预设场景的识别率；获取每一预设场景的识别率，计算所有预设场景的识别率的平均值；根据所得的平均值，获取飞行器的ai装置的识别率。
37.在一具体实施例中，统计得到的识别不成功的图标与预设场景中的图标数量进行比值，可以得到该场景下ai装置的识别率，再根据每一个预设场景的ai装置的识别率，取平均值，可以获取到飞行器的ai装置的识别率。
38.综上，首先是运用ai装置对每一个预设场景进行拍摄，其中拍摄时，需要在不同的角度拍摄多张照片，并且在完成每一个场景的拍摄后，需要对这些拍摄所得的照片进行分
类存储，按每一个场景进行分类，然后需要判断拍摄照片是否清晰，其中清晰度检测装备通常运用分光密度仪，分光密度仪可扫描的分辨率范围为72dpi-450dpi，通过分光密度仪对图片进行扫描，可以得到图片的分辨率大小，判断图片的分辨率是否150dpi，若达到，则对拍摄照片进行轮流播放时，应采取逐个场景进行播放，确保一个场景完全识别后，再进行下一场景识别，对轮流播放设定为10s转换到下一张图片，进行截屏识别可以更好的记录多次识别后，识别结果是否相同，可取识别最多的截屏图片进行下一步的图标识别，其中识别器为手机，需要对手机进行模拟信息发送，确保手机可以保持长时间的工作状态，可以进行长时间高效的图像识别，若达不到，则对飞行器的数学公式做出调整，其中需要先判断飞行器的数学公式是否为线性函数，并飞行器是由气动力数学模型构成的，若是，则通过更改线性函数的马赫数、高度值和re数，可以对函数的因变量与自变量进行设定，若否，则在马赫数、高度值和re数固定参数的情况下，空气动力系数会因为速度向量方向，操纵面的偏转角和相对于重心的旋转角速度而改变，其中偏转角中有俯仰舵偏和方向舵偏，两者存在矢量和方向上的关系，空气动力系数则会根据两者的方向和大小随之变化，从而保证飞行器的稳定性，然后在识别到预设场景后，通过二值化图像处理技术对场景内的图标及所述拍摄照片进行处理，其中二值化处理为将图像上的点的灰度值为0或255，也就是将整个图像呈现出明显的黑白效果，判断场景内的图标及所述拍摄照片中的场景图标灰度值是否在预设误差之内，预设误差范围设定为在图标0阈值处对比时，误差范围为0-3，在图标255阈值处对比时，误差范围为0-5，判断结束后，若在误差范围内，可以判断为识别成功的图标，若在0阈值对比时，误差在3以上，则识别失败，在255阈值对比时，误差在5以上，则识别失败，，不是预设场景中的图标，需要对每个识别不成功的图标都进行统计数量，并且会在拍摄照片上显示为红色区域，最后，统计得到的识别不成功的图标与预设场景中的图标数量进行比值，可以得到该场景下ai装置的识别率，再根据每一个预设场景的ai装置的识别率，取平均值，可以获取到飞行器的ai装置的识别率。
39.请参考图2，本发明提出基于气动力数学模型的飞行器及识别ai场景的识别率的装置，包括：拍摄模块10，用于对每一预设场景进行拍摄，并将拍摄照片根据预设场景进行分类并存储；判断模块20，用于判断所述拍摄照片是否清晰；第一识别模块30，用于若是，则轮流播放所有所述拍摄照片，并对所述拍摄照片中的预设场景进行识别；第二识别模块40，用于识别所述拍摄照片中的摄于场景内的图标，判断所述图标是否为对应的所述预设场景中的图标；获取模块50，用于根据所述拍摄照片中的摄于场景内的图标识别成功的数量，获取飞行器的ai装置的识别率。
40.在本实施例中，首先拍摄模块10会通过ai装置对每一预设场景进行拍摄，其中拍摄需要对场景多角度拍摄，拍摄后会对每一预设场景的拍摄照片进行分类存储，然后，判断模块20会对拍摄照片是否清晰进行判断，其中判断清晰所用的设备为分光密度仪，清晰度判断需要查看其分辨率，分光密度仪可检测的分辨率范围为72dpi-450dpi，第一识别模块30，若是清晰的拍摄照片，则设定定时播放，在播放过程中对拍摄照片的预设场景进行识
别，其中识别时运用的设备为手机，接着第二识别模块40，会对拍摄照片中的摄于场景内的图标，判断所述图标是否为对应的所述预设场景中的图标，其中识别图标所用的方法是二值化图像处理，通过处理后，可以得到黑白图像，再对黑白图像的灰度值进行对比是否在预设误差值内，预设误差范围设定为在图标0阈值处对比时，误差范围为0-3，在图标255阈值处对比时，误差范围为0-5，判断结束后，若在误差范围内，可以判断为识别成功的图标，若在0阈值对比时，误差在3以上，则识别失败，在255阈值对比时，误差在5以上，则识别失败，，最后获取模块50，会根据统计的识别成功的数量，再与预设场景的图标数量做比值，得到场景的识别率，计算每一个预设场景的识别率的平均值，得到飞行器的ai装置的识别率。
41.在一实施例中，判断模块20包括：检测单元，用于通过预设清晰度检测装备对拍摄照片进行检测清晰度；在预设清晰度检测装备检测清晰度时，通过检测所述拍摄照片的分辨率判断所述清晰度，其中所述预设清晰度检测装备的分辨率范围为72dpi-450dpi。
43.判断子单元，用于判断飞行器的数学公式是否为线性函数，其中，所述飞行器是由气动力数学模型构成；判定子单元，若是，则根据马赫数、高度值和re数对气动力数学模型的数学公式进行修改；若否，通过改变速度向量方向对基于气动力数学模型的空气动力系数进行数据更改。
44.在本实施例中，检测单元首先对拍摄照片进行清晰度检测，检测拍摄照片的分辨率，采用的设备为分光密度仪，可检测的分辨率为72dpi-450dpi，需要的清晰度高的照片为大于等于150dpi，调整子模块，若否，则对飞行器的数学公式做出调整，判断子单元，判断飞行器的数学公式是否为线性函数，其中，所述飞行器是由气动力数学模型构成，判定子单元，若是，则根据马赫数、高度值和re数对气动力数学模型的数学公式进行修改，若否，通过改变速度向量方向对基于气动力数学模型的空气动力系数进行数据更改，其中，空气动力系数会因为速度向量方向，操纵面的偏转角和相对于重心的旋转角速度而改变，其中偏转角中有俯仰舵偏和方向舵偏，两者存在矢量和方向上的关系，空气动力系数则会根据两者的方向和大小随之变化，从而保证飞行器的稳定性。
45.在一实施例中，第一识别模块30包括：播放单元，用于在预设时间内轮流播放所述拍摄照片，并在播放过程中对所述照片截屏；传送单元，用于控制端对预设识别器传送模拟信息，保持识别器处于工作状态。
46.在本实施例中，播放单元对拍摄照片进行轮流播放时，应采取逐个场景进行播放，确保一个场景完全识别后，再进行下一场景识别，对轮流播放设定为10s转换到下一张图片，进行截屏识别可以更好的记录多次识别后，识别结果是否相同，可取识别最多的截屏图片进行下一步的图标识别，传送单元，识别器为手机，需要对手机传送模拟信息发送，确保手机可以保持长时间的工作状态，可以进行长时间高效的图像识别。
47.在一实施例中，第二识别模块40包括：处理子模块，用于通过二值化图像处理技术对场景内的图标及所述拍摄照片进行处理，其中二值化处理为将图像上的点的灰度值为0或255，使得所述图像呈现出明显的黑
白效果；判断单元，用于判断场景内的图标及所述拍摄照片中的场景图标灰度值是否在预设误差值内；判定单元，若是，则标定为识别成功的图标；若否，则标定为识别不成功，不是预设场景中的图标；统计子单元，用于对识别不成功的图标数量进行统计；标定子单元，用于将识别不成功的图标标定为红色区域，并显示于所述拍摄照片上。
48.在本实施例中，处理子模块，通过二值化图像处理技术对场景内的图标及所述拍摄照片进行处理，所谓二值化就是给定一个阈值，让小于这个阈值的灰度值为0，大于等于这个阈值的设为255，这样在图像上显示出来就是一幅黑白图像，判断单元，判断场景内的图标及所述拍摄照片中的场景图标灰度值是否在预设误差范围内，预设误差范围设定为在图标0阈值处对比时，误差范围为0-3，在图标255阈值处对比时，误差范围为0-5，判断结束后，若在误差范围内，可以判断为识别成功的图标，若在0阈值对比时，误差在3以上，则识别失败，在255阈值对比时，误差在5以上，则识别失败，统计子单元，对识别不成功的图标数量进行统计，标定子单元，将识别不成功的图标标定为红色区域，并显示于所述拍摄照片上。
49.在一实施例中，获取模块50包括：做比值单元，用于根据统计的所述识别不成功的图标的数量，与场景内的图标数量做比值，得到该预设场景的识别率；计算单元，用于获取每一预设场景的识别率，计算所有预设场景的识别率的平均值；获取单元，用于根据所得的平均值，获取飞行器的ai装置的识别率。
50.在本实施例中，做比值单元，统计得到的识别不成功的图标与预设场景中的图标数量进行比值，可以得到该场景下ai装置的识别率，计算单元，根据每一个预设场景的ai装置的识别率，计算其平均值，获取单元，获取到飞行器的ai装置的识别率。
51.综上： 在具体实施时，拍摄模块10，先对预设场景进行全方位拍摄照片，对拍摄照片进行分类存储，然后，判断模块20中，检测单元首先对拍摄照片进行清晰度检测，运用分光密度仪检测拍摄照片的分辨率，可检测的分辨率为72dpi-450dpi，需要的清晰度高的照片为大于等于150dpi，调整子模块，若否，则对飞行器的数学公式做出调整，判断子单元，判断飞行器的数学公式是否为线性函数，其中，所述飞行器是由气动力数学模型构成，判定子单元，若是，则根据马赫数、高度值和re数对气动力数学模型的数学公式进行修改，若否，通过改变速度向量方向对基于气动力数学模型的空气动力系数进行数据更改，其中，空气动力系数会因为速度向量方向，操纵面的偏转角和相对于重心的旋转角速度而改变，其中偏转角中有俯仰舵偏和方向舵偏，两者存在矢量和方向上的关系，空气动力系数则会根据两者的方向和大小随之变化，从而保证飞行器的稳定性，第一识别模块30，播放单元对拍摄照片进行轮流播放时，应采取逐个场景进行播放，确保一个场景完全识别后，再进行下一场景识别，对轮流播放设定为10s转换到下一张图片，进行截屏识别可以更好的记录多次识别后，识别结果是否相同，可取识别最多的截屏图片进行下一步的图标识别，传送单元，识别器为手机，需要对手机传送模拟信息发送，确保手机可以保持长时间的工作状态，可以进行
长时间高效的图像识别，然后，第二识别模块40，处理子模块，通过二值化图像处理技术对场景内的图标及所述拍摄照片进行处理，所谓二值化就是给定一个阈值，让小于这个阈值的灰度值为0，大于等于这个阈值的设为255，这样在图像上显示出来就是一幅黑白图像，判断单元，判断场景内的图标及所述拍摄照片中的场景图标灰度值是否在预设误差范围内，预设误差范围设定为在图标0阈值处对比时，误差范围为0-3，在图标255阈值处对比时，误差范围为0-5，判断结束后，若在误差范围内，可以判断为识别成功的图标，若在0阈值对比时，误差在3以上，则识别失败，在255阈值对比时，误差在5以上，则识别失败，统计子单元，对识别不成功的图标数量进行统计，标定子单元，将识别不成功的图标标定为红色区域，并显示于所述拍摄照片上，最后，获取模块50，做比值单元，统计得到的识别不成功的图标与预设场景中的图标数量进行比值，可以得到该场景下ai装置的识别率，计算单元，根据每一个预设场景的ai装置的识别率，计算其平均值，获取单元，获取到飞行器的ai装置的识别率。
52.综上所述，本发明提出一种基于飞行器识别ai场景的识别方法及装置，拍摄模块10首先是运用ai装置对每一个预设场景进行拍摄，其中拍摄时，需要在不同的角度拍摄多张照片，并且在完成每一个场景的拍摄后，需要对这些拍摄所得的照片进行分类存储，分类方式是按每一个场景进行分类，然后判断模块20，判断拍摄照片是否清晰，检测设备为分光密度仪，所扫描的分辨率为72dpi-450dpi，需要判断拍摄照片是否达到150dpi，接着第一识别模块30，若达到，则对拍摄照片进行轮流播放时，应采取逐个场景进行播放，确保一个场景完全识别后，再进行下一场景识别，对轮流播放设定为10s转换到下一张图片，进行截屏识别可以更好的记录多次识别后，识别结果是否相同，可取识别最多的截屏图片进行下一步的图标识别，其中识别器为手机，需要对手机进行模拟信息发送，确保手机可以保持长时间的工作状态，可以进行长时间高效的图像识别，若达不到，则对飞行器的数学公式做出调整，其中需要先判断飞行器的数学公式是否为线性函数，并飞行器是由气动力数学模型构成的，若是，则通过更改线性函数的马赫数、高度值和re数，对函数的因变量与自变量进行设定，若否，则在马赫数、高度值和re数固定参数的情况下，空气动力系数会因为速度向量方向，操纵面的偏转角和相对于重心的旋转角速度而改变，其中偏转角中有俯仰舵偏和方向舵偏，两者存在矢量和方向上的关系，空气动力系数则会根据两者的方向和大小随之变化，从而保证飞行器的稳定性，第二识别模块40，对预设场景的图标及拍摄照片的图标先做二值化图像处理，其中二值化处理为将图像上的点的灰度值为0或255，也就是将整个图像呈现出明显的黑白效果，判断场景内的图标及所述拍摄照片中的场景图标灰度值是否在预设误差范围内，预设误差范围设定为在图标0阈值处对比时，误差范围为0-3，在图标255阈值处对比时，误差范围为0-5，判断结束后，若在误差范围内，可以判断为识别成功九游体育官网的图标，若在0阈值对比时，误差在3以上，则识别失败，在255阈值对比时，误差在5以上，则识别失败，需要对每个识别不成功的图标都进行统计数量，并且会在拍摄照片上显示为红色区域，最后，获取模块50统计得到的识别不成功的图标与预设场景中的图标数量进行比值，可以得到该场景下ai装置的识别率，再根据每一个预设场景的ai装置的识别率，取平均值，可以获取到飞行器的ai装置的识别率。
53.当然，本发明还可有其它多种实施方式，基于本实施方式，本领域的普通技术人员在没有做出任何创造性劳动的前提下所获得其他实施方式，都属于本发明所保护的范围。
1.计算机网络安全 2.计算机仿线.网络安全；物联网安全 、大数据安全 2.安全态势感知、舆情分析和控制 3.区块链及应用