CN103344583B - 一种基于机器视觉的镨-钕(Pr/Nd)组分含量检测系统及方法 - Google Patents
一种基于机器视觉的镨-钕(Pr/Nd)组分含量检测系统及方法 Download PDFInfo
- Publication number
- CN103344583B CN103344583B CN201310285383.7A CN201310285383A CN103344583B CN 103344583 B CN103344583 B CN 103344583B CN 201310285383 A CN201310285383 A CN 201310285383A CN 103344583 B CN103344583 B CN 103344583B
- Authority
- CN
- China
- Prior art keywords
- image
- component concentration
- component
- solution
- extraction
- 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
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于机器视觉的镨-钕(Pr/Nd)萃取溶液组分含量检测系统及方法。系统的图像获取硬件部分由计算机(1)、CCD彩色摄像机(2)、被测Pr/Nd溶液样品池(3)、白平衡灰卡(4)、暗箱(5)、光源调节器(6)、LED环形光源(7)、1394数据线(8)组成。采集被测Pr/Nd稀土萃取溶液的图像,经计算机上的预处理程序处理,然后将提取得到的颜色特征值经颜色特征分量与Pr/Nd元素组分含量的关系模型处理,得到当前Pr/Nd萃取溶液的组分含量。本发明利用机器视觉技术,在实验室的环境下实现了Pr/Nd稀土萃取溶液组分含量的检测系统,并通过检测,检验了该系统的准确性与可靠性,为将检测系统运用于Pr/Nd萃取过程生产现场在线检测与自动控制奠定了基础。
Description
技术领域
本发明涉及一种稀土萃取组分含量检测方法,尤其涉及一种基于机器视觉的镨-钕(Pr/Nd)萃取溶液组分含量检测系统及方法,属稀土湿法冶金过程检测领域。
背景技术
稀土元素因具有优异的化学和物理性能已广泛应用石油化工、电子、环境保护等领域。由于稀土原料组分多,稀土元素间的性质极为相似,只采用单级萃取一般达不到分离要求。稀土工业生产中普遍采用多级萃取器组成的串级萃取来完成稀土的分离。实时掌握和了解稀土萃取过程中关键监测点和各级元素组分含量分布变化是实施稀土萃取过程工艺参数调节的前提。针对稀土萃取分离过程中元素组分含量在线检测难题,目前采用的主要方法有紫外线可见光光度法、流动注射法、LaF3离子选择电极、同位素激发的XRF等,但大都存在装置成本高,稳定性和可靠性差等问题,限制了其在稀土萃取分离生产过程中的应用。
由于稀土元素独特的电子层结构,一部分稀土元素3价离子在可见光区均有吸收峰而显出特征颜色。本系统以P507-HCL Pr/Nd萃取分离体系为例,Pr离子主要富集在萃取段并逐渐显现出苹果绿,而Nd离子主要富集在洗涤段并显现出紫红色,即在萃取槽中形成“离子颜色特征带”。在生产过程中,有经验的操作人员可借助“离子特征颜色带”相对于最佳工艺状态时颜色带分布的变化程度,来调节其流量等参数。然而此种方法存在很大主观性,对工艺参数调节产生很大随机性。
机器视觉采用机器代替人眼来进行测量和判断,具有可快速获取大量信息、易于自动处理等优点,已广泛应用于工况监视、成品检验和质量控制等领域。在人工视觉难以满足要求的场合,用机器视觉检测方法可以大大提高生产效率和生产的自动化程度。如相关学者根据医药溶液异物的颜色与运动物理特性,设计了基于机器视觉的药液异物检测系统,提高了药品检测速度和质量;也有学者将机器视觉技术应用于矿物浮选过程中浮选泡沫颜色及尺寸的检测,通过有效地测量浮选泡沫颜色及尺寸实现浮选生产过程的在线监测与控制。
发明内容
本发明的目的在于,针对Pr/Nd萃取过程中人工观测“离子特征颜色带”存在主观性和随机性的缺点,将机器视觉技术应用于萃取分离过程组分含量监测;以某稀土公司Pr/Nd萃取分离生产采集的各组分含量范围的混合溶液为研究对象,设计了一种基于机器视觉技术实现Pr/Nd溶液组分含量的检测系统及其方法,为具有离子特征颜色的稀土元素组分含量在线检测提供新的思路。
本发明解决其技术问题采用的技术方案是:
本发明包括Pr/Nd萃取溶液图像获取硬件支撑平台和组分含量检测软件部分。其中图像获取硬件部分由暗箱、CCD彩色摄像机、LED环形光源、光源调节器、图像采集卡、计算机组成。采集被测Pr/Nd萃取溶液的图像,经计算机上的组分含量软件检测模块,得到当前Pr/Nd萃取溶液的组分含量。组分含量检测软件的目标是建立颜色特征分量与Pr/Nd元素组分含量的关系模型,预测各级元素组分含量的分布变化,为实现生产参数优化控制提供一种直观、有效方法。本发明基于机器视觉的Pr/Nd萃取溶液组分含量检测系统包括暗箱、CCD彩色摄像机、LED环形光源、光源调节器、白平衡灰卡、计算机、1394数据线、被测Pr/Nd溶液样品池。LED环形光源通过暗箱外的光源调节器调节亮度,LED环形光源与光源调节器通过数据线连接。CCD彩色摄像机通过1394数据线与置于计算机内的图像采集卡连接。LED环形光源设置在暗箱的正顶部,提供稳定光照。CCD彩色摄像机安装在暗箱的侧面正对被测Pr/Nd溶液,被测Pr/Nd溶液置于暗箱底部中间,这样可以确保光源光线照射在溶液中,并透过溶液以最佳角度射入摄像机。白平衡灰卡置于被测Pr/Nd溶液后方,增加对比度并最大程度地还原Pr/Nd溶液颜色,在采集之前,CCD彩色摄像机测取白平衡灰卡,再通过图像处理软件进行自动白平衡调节。
本发明基于机器视觉的Pr/Nd萃取溶液组分含量检测方法通过采集Pr/Nd溶液图像,利用实时检测软件进行图像预处理、图像特征提取和组分含量辨识。软件模块包括图像采集模块、图像预处理模块、图像特征提取模块、组分含量关系模型模块。
1、图像采集模块:
图像采集模块调节LED环形光源至合适的亮度和模式,将CCD彩色摄像机对准白平衡灰卡,在软件界面设置自动白平衡调节方式,采集从生产线现场取得的Pr/Nd溶液的图像,通过1394数据线传输到计算机内的图像采集卡。
2、图像预处理模块:
图像预处理模块主要包括图像平滑滤波和图像背景去除两个步骤。
通过采集装置拍摄到的图像分辨率为1280×960,由于图像中包含环境背景等部分,因此提取颜色特征分量之前需要对图片进行滤波和背景分割。
(1)图像平滑滤波:将摄像机采集到的图像进行中值滤波。对二维图像信号进行中值滤波时,设矩阵[xij]表示一幅数字化的图象(其中i,j表示各点的位置),W[xij]表示对图像[xij]中的点xij做窗口操作,med(W[xij])表示对窗口W[xij]内的所有点取中值,若[yij]为图象[xij]经过中值滤波后的输出图象,滤波窗口为m×n(其中m,n为奇数),那么
yij=med(W[xij]) (1)
对彩色图像的处理比灰度图像更为复杂,一幅真彩色图像可以由将三个整数矩阵中的每一行提取出来分别进行滤波,滤波之后再按照原来顺序恢复,就完成了对彩色图像的滤波。具体步骤如下:
①将彩色图像由3个整数矩阵来描述,这3个矩阵中对应值分别表示图像中某个像素点的R(红),G(绿),B(蓝)三基色值。分别对这3个二维图像进行②~④的滤波操作。
②建立一个大小为3×3的中值滤波窗口,并沿图像行序列移动,步长为2。
③窗口每次移动后,先对窗口内所有像素作一次排序,得到一个像素的序列,找出中值赋给对应窗口中心位置的像素。
④按照从行到列的顺序,对整个图像作②~③步骤至结束。
⑥将滤波后的3个二维图像恢复按照原来顺序恢复成彩色图像,就完成了对彩色图像的滤波。
(2)图像背景去除:将平滑滤波后的图像由RGB颜色空间转换到HIS颜色空间,提取S分量图像,采用最大类间方差法得到最佳阈值并获取二值化图像,计算二值化图像中目标部分的像素坐标均值,以得到目标部分中心点坐标。以得到的中心点坐标为中心剪切大小为128×128的正方形图像。
3、图像颜色特征提取模块:
由于在HSI颜色空间中,H(色调)、S(饱和度)与I(亮度)它们是相互独立的可以分开处理,可以简化图像分析处理的工作量,所以采用由RGB颜色空间转换到HSI颜色空间提取H、S、I颜色特征值。
由于预处理后的图片像素为128×128,因此从这些图片中提取出的H、S、I分量值均为128行128列的矩阵。矩特征完全可以反映一幅图像的所有特征,因此本发明使用一阶矩来描述Pr/Nd萃取分离过程离子颜色信息的统计特征,即
式中,μij(i=1,2,…,M;j=1,2,…,N)为某图片H、S或I颜色特征分量的一阶矩,M为某颜色特征分量矩阵行元素个数,N为列向量个数,这里M=N=128,Pij为某特征分量矩阵元素值。
据此可得每图片的HSI颜色空间描述的各特征分量一阶矩,为接下来分析影响颜色特征的因素和建立Pr/Nd混合溶液颜色特征与稀土元素组分含量的关系模型做好准备。
4、组分含量输出模块:
组分含量输出模块的主要方法是:将提取的颜色特征分量H和S的一阶矩作为模型输入,通过建立的颜色特征分量与Nd元素组分含量的关系模型,得到Nd组分含量,再通过Pr/Nd混合溶液中Pr、Nd组分含量的关系,可得到Pr组分含量,实现Pr/Nd溶液组分含量的检测。
为了实现Pr/Nd萃取过程元素组分含量的检测,满足稀土萃取过程对于元素组分含量检测精度的要求,可用支持向量机、BP神经网络和RBF神经网络技术来建立关系模型。
本发明运用RBF神经网络技术建立颜色特征分量与Nd组分含量的模型:
所述模型输入层有两个神经元,分别对应颜色特征H、S分量一阶矩xH、xS,所述输出层只有一个神经元,为对应Nd元素组分含量值ρNd。隐含层采用高斯基函数作为激活函数,则隐含层第i个神经元的输出为:
其中x=[xH,xS]T是输入向量,ci和σi分别为RBF神经网络的中心点和宽度;输出层采用线性函数,其输入/输出关系为:
其中ρNd为Nd元素组分含量值,q为隐含层节点数,Wi是第i个隐层节点到输出节点的连接权值。
RBF神经网络模型建立的关键是确定:①网络隐层节点数q;②径向基函数的隐层中心和宽度ci,σi;③隐层到输出层的权值Wi。
(1)中心ci(i=1,2,…,q)的确定
采用K-均值聚类算法确定网络的中心。假设聚类的中心有q个,设ci(n)(i=1,2,…,q)是第n次迭代时的隐层中心。具体步骤如下:
①初始化聚类中心,即从训练样本集中随机选取q个不同的样本作为初始中心ci(0)(i=1,2,…,q),设置迭代步数n=1,并给出判定停止计算的条件ε。
②计算欧式距离并求出最小距离的节点。
式中,k为样本序号,r为中心向量ci(n-1)与输入样本x(k)距离最近的隐层节点序号。
③调整中心。
β(k)=β/(1+int(k/q))1/2
式中,β为学习速率,int(·)表示对(·)进行取整,每经过q个样本运算后调整一次学习速率。
④对所有的样本进行第②步和第③步,并判断所有的中心前后两次的变化是否小于预先的设定值ε,若小于则聚类结束,否则n=n+1转到第②步。
||ci(n)-ci(n-1)||2<ε,(i=1,2,…,q)
(2)宽度σi(i=1,2,…,q)的确定
σj=min||cj-ci||,j=1,2,…,q;i=1,2,…,q;i≠j
式中,min||cj-ci||表示第j个中心向量与其他中心向量间的最小距离。
(3)隐层到输出层权值调整
采用递推最小二乘方法调整权值,具体步骤如下:
①给定初始权值矢量Wi(0)∈Rq,i=1,2,…,q,逆相关矩阵初始值P(0)∈Rq×q,误差能量初始值J(0)∈R,误差能量迭代终止值ε1∈R。
②按下式计算P(k),(k=1,2,…)的值。
g(k)=P(k-1)R(k)/[λ·RT(k)P(k-1)R(k)]
式中R(k)∈Rq为隐层节点输出,λ∈R为遗忘因子,一般取0.9<λ<1。
③更新网络权值。
Wi(k1)=Wi(k1-1)+g(k1)[ρNd(i)(k1)-RT(k1)Wi(k1-1)]
④计算累计误差。
若|J(k)-J(k-1)|<ε1,学习结束,否则转到第②步继续。
这里k1为训练次数,N为样本个数,ρNd(i)(k1)为网络的期望输出,对应于Pr/Nd萃取过程监测级附近Nd元素的组分含量化验值。
本发明与现有技术比较的有益效果是:(1)本发明利用机器视觉技术,可实现对Pr/Nd溶液组分含量快速、稳定、实时检测;(2)本发明利用计算机处理图像,减轻劳动强度,效率高;(3)本发明不使用任何化学试剂,降低检测成本,能够实现无损检测。
本发明适用于稀土萃取溶液组份含量的现场实时检测。
附图说明
图1是本发明硬件系统外观组成示意图;图中图号为:1是计算机、2是CCD彩色摄像机、3是被测Pr/Nd溶液样品池、4是白平衡灰卡、5是暗箱、6是光源调节器、7是LED环形光源、8是1394数据线;
图2是软件图像处理软件的工作流程图;
图3是Pr/Nd组分含量检测系统界面图;
图4是Nd元素组分含量预测模型RBF神经网络预测输出曲线图;
图5是Nd元素组分含量预测模型RBF神经网络误差曲线图。
具体实施方式
下面结合附图和实施方式对本发明作详细说明。
本发明实施例Pr/Nd萃取溶液组分含量检测系统由Pr/Nd溶液图像获取硬件部分和实时Pr/Nd组分含量检测软件部分组成。
本发明实施例Pr/Nd溶液图像获取硬件部分如图1所示,
本发明实施例Pr/Nd溶液图像获取的硬件部分包括计算机1、CCD彩色摄像机2、被测Pr/Nd溶液样品池3、白平衡灰卡4、暗箱5、光源调节器6、LED环形光源7、1394数据线8;LED环形光源7可通过暗箱5外的光源调节器6调节亮度,两者通过数据线连接。CCD彩色摄像机2通过1394数据线8与置于计算机1内的图像采集卡连接。LED环形光源7设置在暗箱5的正顶部,被测Pr/Nd溶液样品池3置于暗箱5底部中间,CCD彩色摄像机2安装在暗箱5的侧面并正对被测Pr/Nd溶液样品池3,白平衡灰卡4置于被测Pr/Nd溶液样品池3后方。
各功能块的结构及其功能:
1、摄像机
摄像机采用的是加拿大Point Grey公司生产的Flea2FL2G-13S2C型号彩色相机。该相机主要参数:分辨率为1296×964、帧速为30fps、像元尺寸为3.75μm;其主要特点为:体积小、性价比高、自带彩色处理和白平衡功能、通过IEEE-1394b接口实现自动同步。
镜头采用的是日本Myutron公司生产的FV0420型号镜头。该镜头主要参数:C接口、焦距为4mm、光圈范围为F2.0~c。
2、图像采集卡
图像采集卡选用由Point Grey公司生产的FirePRO1394b PCIe card型号的1394采集卡。
3、LED光源
光源为东莞科视自动化科技有限公司生产的型号为RL-90-70-W环形LED光源。工作电压/功率为24V/6.24W。环形LED光源按圆周排列,发出的光线向内汇聚,光线方向和相机观察方向垂直或接近90°角。LED具有使用寿命长、响应时间短、综合性运转成本很低、绿色环保等优点。
4、光源调节器
CST光源数字控制器为LED光源提供高精度亮度控制。可提供0~25共256级亮度调节,可长时间持续点亮,也可实现频闪控制。
5、白平衡灰卡
柯达灰卡,灰色的一面18%反射率,白面90%的反射率。
6、暗箱
暗箱为50㎝×50㎝×50㎝木箱,黑色背景,用于安装光源、相机等。
7、计算机
Cpu主频1GHz,内存1G,计算机内置有图像采集卡和图像处理软件。
本发明实施例Pr/Nd组分含量检测图像处理流程如图2所示。
Pr/Nd组分含量检测的具体步骤如下:
步骤1:图像获取:调节光源调节器将LED环形光源调节到指定的亮度级数,摄像头对准白平衡灰卡,在计算机的软件界面中打开自动白平衡选项并配置相机参数,调节白平衡;将生产线现场采集到的Pr/Nd溶液置于样品池内,摄像机拍摄Pr/Nd溶液的图像信号,经图像采集卡转换,送至计算机内存,完成计算机对溶液图像的采集过程;
步骤2:图像预处理:将采集到的图片进行的中值滤波处理,首先将采集得到的彩色图像中每个像素点的R(红),G(绿),B(蓝)提取出来,用3个整数矩阵来描述,再分别对这3个二维图像用3×3的中值滤波窗口进行滤波;将平滑滤波后的图像进行背景分割,再得到二值化图像中目标Pr/Nd溶液部分的像素中心点坐标,并以此中心剪切大小为128×128的正方形图像。
步骤3:图像颜色特征提取:预处理后的图像由RGB空间转换到HSI空间,提取其颜色特征分量H和S一阶矩。
步骤4:组分含量结果输出:将提取的颜色特征分量H和S的一阶矩作为模型输入,通过采用RBF神经网络建立的颜色特征分量与Nd元素组分含量的关系模型,得到Nd组分含量,再通过Pr/Nd混合溶液中Pr、Nd组分含量的关系,可得到Pr组分含量,实现Pr/Nd溶液组分含量的检测。软件界面显示组分含量检测结果。
软件界面主要由参数设置区、检测模型选择区、当前像素值显示区、图像实时显示区、检测结果显示区这几部分组成,如图3所示。
本发明实施例的检测结果如图4和图5所示:
图4是Nd元素组分含量预测模型输出曲线图,即RBF神经网络预测输出曲线;图5是Nd元素组分含量预测模型误差曲线图,即RBF神经网络误差曲线。由曲线得检测结果:Nd分量分析的相对偏差为3.1%,本系统方法验证得到的偏差范围均处于±3%以内。
Claims (1)
1.一种基于机器视觉的Pr/Nd组分含量检测方法,其特征在于:所述方法包括采集Pr/Nd溶液图像,利用实时检测软件进行图像预处理、图像特征提取和组分含量辨识;软件模块包括图像采集模块、图像预处理模块、图像特征提取模块、组分含量关系模型模块;
所述方法的具体步骤如下:
步骤1:图像获取:调节光源调节器将LED环形光源调节到指定的亮度级数,摄像头对准白平衡灰卡,在计算机的软件界面中打开自动白平衡选项,调节白平衡;将生产线现场采集到的Pr/Nd溶液置于样品池内,摄像机拍摄Pr/Nd溶液的图像信号,经图像采集卡转换,送至计算机内存,完成计算机对溶液图像的采集过程;
步骤2:图像预处理:将采集到的图片进行的中值滤波处理,首先将采集得到的彩色图像中每个像素点的R(红),G(绿),B(蓝)提取出来,用3个整数矩阵来描述,再分别对这3个二维图像用3×3的中值滤波窗口进行滤波;将平滑滤波后的图像进行背景分割,再得到二值化图像中目标Pr/Nd溶液部分的像素中心点坐标,并以此中心剪切大小为128×128的正方形图像;
步骤3:图像颜色特征提取:预处理后的图像由RGB空间转换到HSI空间,提取其颜色特征分量H和S一阶矩;
步骤4:组分含量结果输出:将提取的颜色特征分量H和S的一阶矩作为模型输入,通过采用RBF神经网络建立的颜色特征分量与Nd元素组分含量的关系模型,得到Nd组分含量,再通过Pr/Nd混合溶液中Pr、Nd组分含量的关系,可得到Pr组分含量,实现Pr/Nd溶液组分含量的检测;软件界面显示组分含量检测结果;
所述采用RBF神经网络建立的颜色特征分量与Nd元素组分含量的关系模型的步骤为:
模型输入层有两个神经元,分别对应颜色特征H、S分量一阶矩xH、xS,模型输出层只有一个神经元,为对应Nd元素组分含量值ρNd;隐含层采用高斯基函数作为激活函数,则隐含层第i个神经元的输出为:
其中x=[xH,xS]T是输入向量,ci和σi分别为RBF神经网络的中心点和宽度;输出层采用线性函数,其输入/输出关系为:
其中ρNd为Nd元素组分含量值,q为隐含层节点数,Wi是第i个隐层节点到输出节点的连接权值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310285383.7A CN103344583B (zh) | 2013-07-09 | 2013-07-09 | 一种基于机器视觉的镨-钕(Pr/Nd)组分含量检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310285383.7A CN103344583B (zh) | 2013-07-09 | 2013-07-09 | 一种基于机器视觉的镨-钕(Pr/Nd)组分含量检测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103344583A CN103344583A (zh) | 2013-10-09 |
CN103344583B true CN103344583B (zh) | 2015-07-29 |
Family
ID=49279397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310285383.7A Active CN103344583B (zh) | 2013-07-09 | 2013-07-09 | 一种基于机器视觉的镨-钕(Pr/Nd)组分含量检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103344583B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105466866A (zh) * | 2014-09-03 | 2016-04-06 | 上海市闵行第二中学 | 可见光分光光度计 |
CN106354017B (zh) * | 2016-11-14 | 2019-06-04 | 华东交通大学 | 一种稀土萃取分离过程组分含量区间控制方法 |
CN108211419B (zh) * | 2016-12-22 | 2019-06-04 | 中国科学院沈阳自动化研究所 | 基于视觉的自动液-液萃取方法 |
CN108507946A (zh) * | 2018-03-27 | 2018-09-07 | 苏州艾力光电科技有限公司 | 一种光学检测装置 |
CN109002862B (zh) * | 2018-08-22 | 2021-05-04 | 齐鲁工业大学 | 一种面向铜矿浮选机的基于神经网络的软测量方法及系统 |
CN109827960A (zh) * | 2019-02-21 | 2019-05-31 | 华东交通大学 | 一种稀土溶液图像采集装置及方法 |
CN111738366A (zh) * | 2020-08-11 | 2020-10-02 | 华东交通大学 | 一种基于虚拟样本的铈镨和钕组分含量的预测方法及系统 |
CN113130014B (zh) * | 2021-04-23 | 2023-02-07 | 华东交通大学 | 一种基于多分支神经网络的稀土萃取模拟方法及系统 |
CN113359512B (zh) * | 2021-06-26 | 2022-11-29 | 华东交通大学 | 一种稀土萃取分离过程组分含量数字孪生特征分析方法 |
CN116008197B (zh) * | 2023-03-28 | 2023-06-02 | 矿冶科技集团有限公司 | 镍、钴离子浓度在线分析仪器及其分析方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102095371A (zh) * | 2010-11-25 | 2011-06-15 | 天津大学 | 工业用彩色视觉检测装置和方法 |
CN202256130U (zh) * | 2011-10-12 | 2012-05-30 | 重庆大学 | 血浆絮状物检测装置 |
-
2013
- 2013-07-09 CN CN201310285383.7A patent/CN103344583B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN103344583A (zh) | 2013-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103344583B (zh) | 一种基于机器视觉的镨-钕(Pr/Nd)组分含量检测系统及方法 | |
CN108764372B (zh) | 数据集的构建方法和装置、移动终端、可读存储介质 | |
CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
Rijal et al. | Ensemble of deep neural networks for estimating particulate matter from images | |
CN108875821A (zh) | 分类模型的训练方法和装置、移动终端、可读存储介质 | |
CN109934805B (zh) | 一种基于低照度图像和神经网络的水污染检测方法 | |
CN113065558A (zh) | 一种结合注意力机制的轻量级小目标检测方法 | |
CN110263705A (zh) | 面向遥感技术领域两期高分辨率遥感影像变化检测方法 | |
Varior et al. | Multi-scale attention network for crowd counting | |
CN109580656A (zh) | 基于动态权重组合分类器的手机导光板缺陷检测方法及系统 | |
CN104103033A (zh) | 图像实时处理方法 | |
CN109815945A (zh) | 一种基于图像识别的呼吸道检查结果判读系统和方法 | |
CN110222592A (zh) | 一种基于互补时序行为提案生成的时序行为检测网络模型的构建方法 | |
CN104751186A (zh) | 一种基于bp网络和小波变换的虹膜图像质量分类方法 | |
CN106951863A (zh) | 一种基于随机森林的变电站设备红外图像变化检测方法 | |
CN104143102A (zh) | 在线图像数据处理方法 | |
CN114463843A (zh) | 一种基于深度学习的多特征融合鱼类异常行为检测方法 | |
CN111767826A (zh) | 一种定时定点场景异常检测方法 | |
CN102129689A (zh) | 自动增益场景下基于相机响应函数的背景建模方法 | |
CN109815784A (zh) | 一种基于红外热像仪的智能分类方法、系统及存储介质 | |
CN109493370A (zh) | 一种基于空间偏移学习的目标跟踪方法 | |
CN113378685B (zh) | 用于矿山修复治理效果评估的人工智能检测系统及方法 | |
Aldabbagh et al. | Classification of chili plant growth using deep learning | |
CN111191575B (zh) | 一种基于火苗跳动建模的明火检测方法及系统 | |
CN106530300A (zh) | 一种低秩分析的火焰识别算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |