CN103530621B - 一种基于bp神经网络的煤岩图像识别方法 - Google Patents
一种基于bp神经网络的煤岩图像识别方法 Download PDFInfo
- Publication number
- CN103530621B CN103530621B CN201310535559.XA CN201310535559A CN103530621B CN 103530621 B CN103530621 B CN 103530621B CN 201310535559 A CN201310535559 A CN 201310535559A CN 103530621 B CN103530621 B CN 103530621B
- Authority
- CN
- China
- Prior art keywords
- subband
- sample image
- represent
- grades
- level
- 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
Abstract
一种基于BP神经网络的煤岩图像识别方法,通过对煤岩图像进行Daubechies小波变换分解,从而抽取图像纹理特征信息构造纹理特征向量。为了更有效的提取图像纹理特征,同时减少特征向量的维数,采用分解尺度等级为3,同时采用BP神经网络作为分类器。本发明计算速度快、准确率高,适用于复杂环境下煤岩图像的自动分类,可有效提高该类图像的识别准确率。
Description
技术领域
本发明属于计算机图像处理与模式识别领域,是一种利用图像纹理特征信息对煤岩图像进行特征抽取,并用神经网络等对特征向量进行分类的方法。
背景技术
在煤矿井下开采过程中,需要准确识别煤层和岩层,以此来控制采煤机摇臂的升降,从而避免切割至顶底板岩石。目前,我国主要采用保守开采的方式,实际采出率低,造成了严重的资源浪费。而现在的技术水平也很难对剩余的大量煤炭资源进行二次开采,因此开发煤岩识别技术具有重要意义。
从20世纪50年代起,美国等世界主要产煤国越来越重视煤岩识别领域的研究。例如:基于煤岩自然γ射线辐射特性的传感器法,此法通过γ射线在煤层和岩层的不同衰减规律,从而对煤层和岩层进行识别。该方法要求顶板岩石必须具有放射性元素,因此对于放射性元素较少的砂岩顶板则无法应用,限制了其在我国大面积推广。
中国专利CNi01922290公开的煤岩界面识别方法,虽然能自动识别出煤岩,但是存在如下问题:第一,高压水射流会造成采煤现场排水困难;第二,被煤层或岩层反射的反射流对喷嘴形成的不同作用力很难准确感知。
Pesaresi利用不同尺度的开、闭运算构造了图像的形态学剖面,并利用神经网络对多尺度形态学特征进行分类,他认为开、闭运算运用于图像,可以检测出比邻域更暗或更亮的结构单元。Benediktsson提出了差分形态学剖面的概念,用相邻尺度间开、闭运算结果的差作为图像新的结构特征,并用BP神经网络对该结构特征进行分类。这些方法都是利用一定区域图像的灰度分布特征来提取特征信息,使得图像细节得不到充分表达,影响了图像分类精度。
发明内容
为克服上述现有技术的不足,本发明提供了一种基于BP神经网络的煤岩图像识别方法。
本发明的技术方案如下:
一种基于BP神经网络的煤岩图像识别方法,
包括以下步骤:
1)选择A幅煤岩训练样品图像,B幅待分类煤岩测试样品图像,其中B小于A;
2)将第1)步的训练样品图像和待分类测试样品图像进行三级Daubechies小波变换;
3)对训练样品图像和待分类测试样品图像抽取纹理特征信息;
4)对训练样品图像和待分类测试样品图像构造纹理特征向量;
5)将训练样品图像的纹理特征向量输入分类器,分类器为BP神经网络;
6)对分类器进行设置和训练,然后输入待分类测试样品图像纹理特征向量进行分类,得到最后的识别结果。
所述第3)步抽取纹理特征信息包括:
计算每个子带的熵和均值,分别记为E和M,将同一子带的E与M的比值E/M作为特征子向量;对于分解变换得到的LH、HH、HL子带,计算其由灰度共生矩阵所衍生出来的角二阶矩和对比度,分别将角二阶矩和对比度记为α和β,并构造特征子向量,由式(1)计算:
βLH(i)为子带尺度值为i时LH子带的对比度,αLH(i)为子带尺度值为i时LH子带的角二阶矩,LH为Low-High子带;βHH(i)为子带尺度值为i时HH子带的对比度,αHH(i)为子带尺度值为i时HH子带的角二阶矩,HH为High-High子带;βHL(i)为子带尺度值为i时HL子带的对比度,αHL(i)为子带尺度值为i时HL子带的角二阶矩,HL为High-Low子带;ηLH(i)为子带尺度值为i时LH子带的特征子向量,其他子带的特征子向量可用类似的方法计算。
所述第4)步构造纹理特征向量包括:
对于Daubechies小波变换分解尺度等级为3的样品图像,用一个融合19个参数的向量F=(E/M,η)作为样品图像的特征向量,其中子向量E/M为
子向量η为η(ηLH(3),ηHH(3),ηHL(3),ηLH(2),ηHH(2),ηHL(2),ηLH(1),ηHH(1),ηHL(1))。
所述每个子带的熵、均值、对比度和角二阶矩的计算方法包括:
熵由式(2)计算:
L为灰度级数目,P(m,n)为共生矩阵第m行第n列元素的值,它是以灰度级m为起点,出现灰度级n的概率;
均值由式(3)计算:
L为灰度级数目,P(m,n)为共生矩阵第m行第n列元素的值,它是以灰度级m为起点,出现灰度级n的概率;
对比度由式(4)计算:
αLH(i)为子带尺度值为i时LH子带的对比度,LH为Low-High子带,L为灰度级数目,t为灰度级,P(m,n)为共生矩阵第m行第n列元素的值,它是以灰度级m为起点,出现灰度级n的概率,其他子带的对比度可用类似的方法计算;
角二阶矩由式(5)计算:
βLH(i)为子带尺度值为i时LH子带的角二阶矩,LH为Low-High子带,L为灰度级数目,P(m,n)为共生矩阵第m行第n列元素的值,它是以灰度级m为起点,出现灰度级n的概率,其他子带角二阶矩可用类似的方法计算。
本发明的有益效果在于:
计算简便、程序运行效率高、人工干预少、适用于复杂环境下图像的自动分类识别,可有效提高图像的分类精度和效率。
附图说明
下面结合附图和具体实施方式对本发明作进一步的详细描述。
图1为依据本发明实施例的一个Daubechies小波一级分解的示意图;
图2为依据本发明实施例的一个Daubechies小波的三级分解示意图;
图3为依据本发明实施例的操作流程图;
图4为依据本发明实施例的BP神经网络算法流程图。
具体实施方式
下面结合上述附图中所列的实施例对本发明进行进一步说明。
图1是Daubechies小波一级分解的示意图。这个图表给出的一组系数包括Low-Low(LL)子带118、Low-High(LH)子带122、High-Low(HL)子带126和High-High(HH)子带130。采用Daubechies小波变换分解程序之后,图像信号水平行可分为低频部分(LL子带118和LH子带122)和高频部分(HL子带126和HH子带130)。
图2是图像经Daubechies小波变换三级分解的示意图。
在图1的实施例中,根据以上结合图1所讨论的第一级116,示出了三个子带(LH、HH、HL),在图2的实施例中,图1的第四子带(LL118)被用于计算针对Daubechies变换的第二级218的小波系数。类似的,第二级218的第四子带(LL)被用于计算针对Daubechies变换的第三级220的小波系数。
图3是基于BP神经网络的煤岩图像识别方法流程图。
首先选择训练样品图像和待分类测试图像,其中A副训练样品图像,B副待分类测试样品图像,B小于A。第二步,将训练样品图像和待分类测试样品图像进行三级Daubechies小波变换分解,其分解方式按图2的实施例进行。第三步,抽取训练样品图像和待分类测试样品图像的纹理特征信息。计算每个子带的熵和均值,分别记为E和M,将同一子带的E与M的比值E/M作为特征子向量;对于分解变换得到的LH、HH、HL子带,计算其由灰度共生矩阵所衍生出来的角二阶矩和对比度,分别将角二阶矩和对比度记为α和β,并构造特征子向量,由式(1)计算:
βLH(i)为子带尺度值为i时LH子带的对比度,αLH(i)为子带尺度值为i时LH子带的角二阶矩,LH为Low-High子带;βHH(i)为子带尺度值为i时HH子带的对比度,αHH(i)为子带尺度值为i时HH子带的角二阶矩,HH为High-High子带;βHL(i)为子带尺度值为i时HL子带的对比度,αHL(i)为子带尺度值为i时HL子带的角二阶矩,HL为High-Low子带;ηLH(i)为子带尺度值为i时LH子带的特征子向量,其他子带的特征子向量可用类似的方法计算。
其中每个子带的熵、均值、对比度和角二阶矩的计算方法包括:
熵由式(2)计算:
L为灰度级数目,P(m,n)为共生矩阵第m行第n列元素的值,它是以灰度级m为起点,出现灰度级n的概率;
均值由式(3)计算:
L为灰度级数目,P(m,n)为共生矩阵第m行第n列元素的值,它是以灰度级m为起点,出现灰度级n的概率;
对比度由式(4)计算:
αLH(i)为子带尺度值为i时LH子带的对比度,LH为Low-High子带,L为灰度级数目,t为灰度级,P(m,n)为共生矩阵第m行第n列元素的值,它是以灰度级m为起点,出现灰度级n的概率,其他子带的对比度可用类似的方法计算;
角二阶矩由式(5)计算:
βLH(i)为子带尺度值为i时LH子带的角二阶矩,LH为Low-High子带,L为灰度级数目,P(m,n)为共生矩阵第m行第n列元素的值,它是以灰度级m为起点,出现灰度级n的概率,其他子带角二阶矩可用类似的方法计算。
第四步构造训练样品图像和待分类测试样品图像的纹理特征向量。对于Daubechies小波变换分解尺度等级为3的样品图像,用一个融合19个参数的向量F=(E/M,η)作为样品图像的特征向量,其中子向量E/M为
子向量η为η(ηLH(3),ηHH(3),ηHL(3),ηLH(2),ηHH(2),ηHL(2),ηLH(1),ηHH(1),ηHL(1))。
图4为BP神经网络算法流程图。
整个算法流程分为三步:第一步是构建BP神经网络,整个网络由输入层、隐含层和输出层三层组成;第二步是BP神经网络训练,在BP神经网络初始化阶段确定输入层为烟煤、无烟煤、砂岩和页岩四种煤岩类型的特征向量即设置19个节点,隐含层节点个数采取试凑的办法,输出层为4个节点即四种煤岩类型,初始化之后就进行训练;第三步为BP神经网络分类测试阶段,将测试数据输入训练好的模型得到最后的识别结果。
采用该方法进行验证,实验平台为:
Intel(R)Core(TM)2CPU T5600@1.83GHZ内存2G;操作系统为Windows XP。
采集烟煤、无烟煤、砂岩和页岩四种煤岩图像各选择60张图像,随机从每类中选择30张放入训练集,另30张用作测试集。图像大小为247×215,为BMP格式,灰度级为256。通过BP神经网络训练后,训练集和测试集的识别率如表1所示:
表1
煤岩类型 | 烟煤 | 无烟煤 | 砂岩 | 页岩 |
训练集 | 1.0000 | 1.0000 | 1.0000 | 1.0000 |
测试集 | 1.0000 | 0.8889 | 0.9171 | 0.8333 |
Claims (2)
1.一种基于BP神经网络的煤岩图像识别方法,其特征在于,包括以下步骤:
1)计算A幅煤岩训练样品图像和B幅待分类煤岩测试样品图像进行三级Daubechies小波变换之后的每个子带的熵和均值,并分别记为E和M,将同一子带的E与M的比值E/M作为特征子向量;对于分解变换得到的LH、HH、HL子带,计算其由灰度共生矩阵所衍生出来的角二阶矩和对比度,分别将角二阶矩和对比度记为α和β,并构造特征子向量,由式(1)计算:
βLH(i)为子带尺度值为i时LH子带的对比度,αLH(i)为子带尺度值为i时LH子带的角二阶矩,LH为Low-High子带;βHH(i)为子带尺度值为i时HH子带的对比度,αHH(i)为子带尺度值为i时HH子带的角二阶矩,HH为High-High子带;βHL(i)为子带尺度值为i时HL子带的对比度,αHL(i)为子带尺度值为i时HL子带的角二阶矩,HL为High-Low子带;ηLH(i)为子带尺度值为i时LH子带的特征子向量,其他子带的特征子向量也可用式(1)的方法计算;
2)对于Daubechies小波变换分解尺度等级为3的煤岩训练样品图像和待分类煤岩测试样品图像,用一个融合19个参数的向量F=(E/M,η)作为煤岩训练样品图像和待分类煤岩测试样品图像的特征向量,其中子向量E/M为
表示样品图像进行三级Daubechies小波变换之后的第三级LL子带的特征子向量,eLL(3)表示样品图像进行三级Daubechies小波变换之后的第三级LL子带的熵,mLL(3)表示样品图像进行三级Daubechies小波变换之后的第三级LL子带的均值,表示样品图像进行三级Daubechies小波变换之后的第三级LH子带的特征子向量,eLH(3)表示样品图像进行三级Daubechies小波变换之后的第三级LH子带的熵,mLH(3)表示样品图像进行三级Daubechies小波变换之后的第三级LH子带的均值,表示样品图像进行三级Daubechies小波变换之后的第三级HH子带的特征子向量,eHH(3)表示样品图像进行三级Daubechies小波变换之后的第三级HH子带的熵,mHH(3)表示样品图像进行三级Daubechies小波变换之后的第三级HH子带的均值,表示样品图像进行三级Daubechies小波变换之后的第三级HL子带的特征子向量,eHL(3)表示样品图像进行三级Daubechies小波变换之后的第三级HL子带的熵,mHL(3)表示样品图像进行三级Daubechies小波变换之后的第三级HL子带的均值,表示样品图像进行三级Daubechies小波变换之后的第二级LH子带的特征子向量,eLH(2)表示样品图像进行三级Daubechies小波变换之后的第二级LH子带的熵,mLH(2)表示样品图像进行三级Daubechies小波变换之后的第二级LH子带的均值,表示样品图像进行三级Daubechies小波变换之后的第二级HH子带的特征子向量,eHH(2)表示样品图像进行三级Daubechies小波变换之后的第二级HH子带的熵,mHH(2)表示样品图像进行三级Daubechies小波变换之后的第二级HH子带的均值,表示样品图像进行三级Daubechies小波变换之后的第二级HL子带的特征子向量,eHL(2)表示样品图像进行三级Daubechies小波变换之后的第二级HL子带的熵,mHL(2)表示样品图像进行三级Daubechies小波变换之后的第二级HL子带的均值,表示样品图像进行三级Daubechies小波变换之后的第一级LH子带的特征子向量,eLH(1)表示样品图像进行三级Daubeehies小波变换之后的第一级LH子带的熵,mLH(1)表示样品图像进行三级Daubechies小波变换之后的第一级LH子带的均值,表示样品图像进行三级Daubechies小波变换之后的第一级HH子带的特征子向量,eHH(1)表示样品图像进行三级Daubechies小波变换之后的第一级HH子带的熵,mHH(1)表示样品图像进行三级Daubechies小波变换之后的第一级HH子带的均值,表示样品图像进行三级Daubechies小波变换之后的第一级HL子带的特征子向量,eHL(1)表示样品图像进行三级Daubechies小波变换之后的第一级HL子带的熵,mHL(1)表示样品图像进行三级Daubechies小波变换之后的第一级HL子带的均值,
子向量η为η(ηLH(3),ηHH(3),ηHL(3),ηLH(2),ηHH(2),ηHL(2),ηLH(1),ηHH(1),ηHL(1))。
2.根据权利要求1所述的方法,其特征在于,所述第1)步每个子带的熵、均值、对比度和角二阶矩的计算方法包括:
熵由式(2)计算:
L为灰度级数目,P(m,n)为共生矩阵第m行第n列元素的值,它是以灰度级m为起点,出现灰度级n的概率;
均值由式(3)计算:
L为灰度级数目,P(m,n)为共生矩阵第m行第n列元素的值,它是以灰度级m为起点,出现灰度级n的概率;
对比度由式(4)计算:
αLH(i)为子带尺度值为i时LH子带的对比度,LH为Low-High子带,L为灰度级数目,t为灰度级,P(m,n)为共生矩阵第m行第n列元素的值,它是以灰度级m为起点,出现灰度级n的概率,其他子带的对比度也可用式(4)的方法计算;
角二阶矩由式(5)计算:
βLH(i)为子带尺度值为i时LH子带的角二阶矩,LH为Low-High子带,L为灰度级数目,P(m,n)为共生矩阵第m行第n列元素的值,它是以灰度级m为起点,出现灰度级n的概率,其他子带角二阶矩也可用式(5)的方法计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310535559.XA CN103530621B (zh) | 2013-11-04 | 2013-11-04 | 一种基于bp神经网络的煤岩图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310535559.XA CN103530621B (zh) | 2013-11-04 | 2013-11-04 | 一种基于bp神经网络的煤岩图像识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103530621A CN103530621A (zh) | 2014-01-22 |
CN103530621B true CN103530621B (zh) | 2016-09-07 |
Family
ID=49932620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310535559.XA Active CN103530621B (zh) | 2013-11-04 | 2013-11-04 | 一种基于bp神经网络的煤岩图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103530621B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927553B (zh) * | 2014-05-05 | 2017-02-15 | 中国矿业大学(北京) | 基于多尺度微纹理和对比度联合分布的煤岩识别方法 |
CN103927528B (zh) * | 2014-05-05 | 2017-02-01 | 中国矿业大学(北京) | 基于紧邻域像素灰度联合分布特征的煤岩识别方法 |
CN104751186B (zh) * | 2015-04-10 | 2018-07-24 | 山东师范大学 | 一种基于bp网络和小波变换的虹膜图像质量分类方法 |
US10198804B2 (en) * | 2015-04-15 | 2019-02-05 | Halliburton Energy Services, Inc. | Method for determining fabric and upscaled properties of geological sample |
CN104966074B (zh) * | 2015-07-17 | 2018-06-19 | 中国矿业大学(北京) | 基于变换域广义伽玛分布的煤岩识别方法 |
CN105354577A (zh) * | 2015-10-26 | 2016-02-24 | 中国矿业大学(北京) | 一种用于煤岩识别的b-cdtm纹理特征提取方法 |
CN105243401A (zh) * | 2015-11-10 | 2016-01-13 | 中国矿业大学(北京) | 基于煤岩结构元学习的煤岩识别方法 |
CN108090434B (zh) * | 2017-12-13 | 2020-06-23 | 赣州好朋友科技有限公司 | 一种矿石快速识别方法 |
CN108564108A (zh) * | 2018-03-21 | 2018-09-21 | 天津市协力自动化工程有限公司 | 煤炭的识别方法及装置 |
CN108427969A (zh) * | 2018-03-27 | 2018-08-21 | 陕西科技大学 | 一种多尺度形态学结合卷积神经网络的纸张缺陷分类方法 |
CN108931621B (zh) * | 2018-05-11 | 2020-10-02 | 中南大学 | 一种基于过程纹理特征的锌矿品位软测量方法 |
CN109034206A (zh) * | 2018-06-29 | 2018-12-18 | 泰康保险集团股份有限公司 | 图像分类识别方法、装置、电子设备及计算机可读介质 |
CN108596163A (zh) * | 2018-07-10 | 2018-09-28 | 中国矿业大学(北京) | 一种基于cnn和vlad的煤岩识别方法 |
CN110490890A (zh) * | 2019-08-21 | 2019-11-22 | 青岛科技大学 | 一种用神经网络进行高质量数字岩心图像处理的方法 |
CN111190225B (zh) * | 2020-01-13 | 2021-05-18 | 吉林大学 | 盐间页岩油储层岩石物理机制与地震预测方法 |
CN113505691B (zh) * | 2021-07-09 | 2024-03-15 | 中国矿业大学(北京) | 一种煤岩识别方法及识别可信度指示方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930253A (zh) * | 2012-10-31 | 2013-02-13 | 中国矿业大学(北京) | 一种基于图像离散多小波变换的煤岩识别方法 |
CN103207999A (zh) * | 2012-11-07 | 2013-07-17 | 中国矿业大学(北京) | 一种基于煤岩图像特征抽取以及分类识别的煤岩分界方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7734107B2 (en) * | 2006-02-24 | 2010-06-08 | Sony Corporation | System and method for performing wavelet-based texture feature extraction and classification |
-
2013
- 2013-11-04 CN CN201310535559.XA patent/CN103530621B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930253A (zh) * | 2012-10-31 | 2013-02-13 | 中国矿业大学(北京) | 一种基于图像离散多小波变换的煤岩识别方法 |
CN103207999A (zh) * | 2012-11-07 | 2013-07-17 | 中国矿业大学(北京) | 一种基于煤岩图像特征抽取以及分类识别的煤岩分界方法和系统 |
Non-Patent Citations (2)
Title |
---|
基于小波的煤岩图像特征抽取与识别;孙继平等;《煤炭学报》;20131030;第38卷(第10期);第1900-1904页 * |
基于支持向量机的煤岩图像特征抽取与分类识别;孙继平等;《煤炭学报》;20130930;第38卷(第增刊2期);第508-512页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103530621A (zh) | 2014-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103530621B (zh) | 一种基于bp神经网络的煤岩图像识别方法 | |
CN103207999B (zh) | 一种基于煤岩图像特征抽取以及分类识别的煤岩分界方法和系统 | |
CN104730596B (zh) | 一种基于多尺度因素约束的离散裂缝建模方法 | |
Li et al. | Applications of deep convolutional neural networks in prospecting prediction based on two-dimensional geological big data | |
Zhu et al. | Intelligent logging lithological interpretation with convolution neural networks | |
CN107545577B (zh) | 基于神经网络的沉积相图像分割方法 | |
Liu et al. | A deep-learning-based prediction method of the estimated ultimate recovery (EUR) of shale gas wells | |
CN103824309B (zh) | 一种城市建成区边界自动提取方法 | |
CN105139395A (zh) | 基于小波池化卷积神经网络的sar图像分割方法 | |
CN105954804A (zh) | 页岩气储层脆性地震预测方法及装置 | |
CN103487832A (zh) | 一种三维地震信号中的有监督波形分类方法 | |
CN104751472A (zh) | 基于b样条小波和深度神经网络的织物疵点检测方法 | |
CN104166163A (zh) | 基于三维大数据量地震数据体的断层曲面自动提取方法 | |
CN116168295B (zh) | 一种岩性遥感智能解译模型建立方法及解译方法 | |
Masroor et al. | A multiple-input deep residual convolutional neural network for reservoir permeability prediction | |
Shan et al. | Identification of flow units using the joint of WT and LSSVM based on FZI in a heterogeneous carbonate reservoir | |
CN107507168A (zh) | 一种用于岩体节理裂隙模型检验的迹线图相似度判别方法 | |
CN105005649A (zh) | 一种进行潜在地下水分布制图的方法 | |
Wang et al. | Delineating the controlling factors of hydraulic fracturing‐induced seismicity in the northern Montney Play, northeastern British Columbia, Canada, with machine learning | |
CN112883646B (zh) | 联合机器学习和土力学模型的建筑沉降量提取方法、系统及装置 | |
Sadeghfam et al. | A study of land subsidence problems by ALPRIFT for vulnerability indexing and risk indexing and treating subjectivity by strategy at two levels | |
Chen et al. | The application of the genetic adaptive neural network in landslide disaster assessment | |
Ghasemloo et al. | Road and tunnel extraction from SPOT satellite images using neural networks | |
CN114202551B (zh) | 一种喀斯特石漠化的分级制图方法及装置 | |
Guo et al. | Automatic Rock Classification Algorithm Based on Ensemble Residual Network and Merged Region Extraction |
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 |