CN106845560A - 基于可控塔式分解和字典学习的煤岩识别方法 - Google Patents
基于可控塔式分解和字典学习的煤岩识别方法 Download PDFInfo
- Publication number
- CN106845560A CN106845560A CN201710115611.4A CN201710115611A CN106845560A CN 106845560 A CN106845560 A CN 106845560A CN 201710115611 A CN201710115611 A CN 201710115611A CN 106845560 A CN106845560 A CN 106845560A
- Authority
- CN
- China
- Prior art keywords
- row
- coal
- controllable
- matrix
- vector
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于可控塔式分解和字典学习的煤岩识别方法。在样本训练阶段,采集多幅已知类别煤岩图像并进行预处理,对每幅预处理后的图像进行多级可控塔式分解得到多个方向子带,提取方向子带的相关参数并按一定顺序排列形成特征向量,合并特征向量构成样本特征矩阵,在预设参数的条件下进行字典学习得到字典矩阵、权重矩阵和偏移行向量;在煤岩识别阶段,采集未知类别测试图像,与样本训练阶段的图像处理方式类似,对测试图像进行一系列处理,最终得到测试特征向量。根据测试特征向量、样本训练阶段的字典矩阵、权重矩阵、偏移行向量和字典学习的相关参数判断测试图像所属的煤岩类型。本发明可靠性好,准确识别率高,运行速度快。
Description
技术领域
本发明涉及基于可控塔式分解和字典学习的煤岩识别方法,属于图像识别技术领域。
背景技术
煤岩识别是指通过某种手段辨别煤炭和岩石的相关技术,它在采煤机滚筒高度调整、综采放顶煤过程控制、选煤厂矸石初步筛选等方面有着良好的应用前景。自20世纪中叶以来,中国、美国、南非、澳大利亚等世界主要产煤国在寻找或尝试煤岩识别技术上做了大量工作,涌现出γ射线探测法、雷达探测法、红外探测法、震动检测法、声音检测法等多种煤岩识别方法。然而复杂的地质条件、多样的采煤工艺、恶劣的开采环境等因素使得现有煤岩识别方法的通用性不强,成熟的煤岩识别方法一直没有问世。煤炭和岩石的视觉差异明显,而且同一矿区或矿井的煤炭种类和岩石种类相对单一,再加上图像识别技术日新月异,这就给从图像分析角度发明煤岩识别方法带来了机遇。
发明内容
为了克服现有煤岩识别方法存在的不足,本发明提出基于可控塔式分解和字典学习的煤岩识别方法,该方法具有实时性强、识别率高、稳健性好等优点,能够进一步推进煤炭开采与加工的少人化甚至无人化。
本发明所述的煤岩识别方法采用如下技术方案实现,包括样本训练阶段和煤岩识别阶段,具体步骤如下:
RS1.在样本训练阶段,采集相同光照条件下的m幅煤炭样本图像和m幅岩石样本图像,截取不含非煤岩背景的子图像并对其进行灰度化处理,处理后的煤炭样本子图和岩石样本子图分别记为c1,c2,…,cm和r1,r2,…,rm;
RS2.采用面向可控塔式分解的3阶滤波器组分别对子图c1,c2,…,cm和r1,r2,…,rm进行N级可控塔式分解,每幅子图经过N级可控塔式分解以后得到4N个方向子带,子图经过第i级可控塔式分解以后的第d个方向子带记为其中i为可控塔式分解的级数序号,i=1,2,…,N,d为方向序号,d=0,1,2,3,分别对应0, 这4个方向;
RS3.分别由步骤RS2所述的所有子图的4N个方向子带提取得到2m个20N维特征向量,然后构建样本特征矩阵Y=[y1,y2,…,ym,ym+1,ym+2,…,y2m]∈R20N×2m及其对应的类别标签向量u=[1,1,…,1,2,2,…,2]∈R1×2m,其中Y的前m列y1,y2,…,ym分别为c1,c2,…,cm的特征向量,Y的后m列ym+1,ym+2,…,y2m分别为r1,r2,…,rm的特征向量,u是由2m个整数构成的行向量,在u中,1代表煤炭,2代表岩石,Y的第k列20N维特征向量yk所属的煤岩类别由u的第k个整数元素uk表示,k=1,2,…,2m;
RS4.设置参数η1,η2,η3和字典原子数2τ,其中η1>0,η2>0,η3>0,τ≤m,利用Y和u进行字典学习,得到字典矩阵D、权重矩阵W和偏移行向量b;
RS5.在煤岩识别阶段,获取相同光照条件下拍摄的未知类别煤岩图像,截取不含非煤岩背景的子图像并对其进行灰度化处理,得到未知类别子图tx;
RS6.与上述步骤RS2类似,对tx进行N级可控塔式分解,得到4N个方向子带;
RS7.由步骤RS6所述的4N个方向子带,提取tx的20N维特征向量yx;
RS8.利用yx,η2和步骤RS4中字典学习完成以后得到的D,W,b,执行煤岩类别的判定。
步骤RS3和步骤RS7所述的20N维特征向量的数据结构采用 的格式,T表示转置运算,20N维特征向量中的每一个α元素、β元素、γ元素、μ元素和δ元素可以分别表示为 和i为可控塔式分解的级数序号,i=1,2,…,N,d为方向序号,d=0,1,2,3,分别对应0, 这4个方向,和分别为的子带系数绝对值的均值和方差, 和分别指在满足子带系数服从概率密度函数为
的非对称广义高斯分布条件下的α,β和γ参数,其中随机变量x为子带系数,t为积分变量,[0,+∞)为积分区间,e为自然常数。
步骤RS4所述的字典学习包括以下步骤:
RS31.构建初始字典矩阵D∈R20N×2τ,其中D的前τ列和后τ列分别从Y的前m列和后m列中随机抽取得到;
RS32.构建稀疏矩阵H∈R2τ×2m并用H=(DTD+η2I2τ)-1DTY初始化,其中I2τ为2τ阶单位矩阵,T表示转置运算,-1表示求逆运算,构建权重矩阵W∈R2τ×2和2维偏移行向量b并分别初始化为零矩阵和零向量;
RS33.把H的每一列视为1个2τ维数据样本,以u为与H相对应的类别标签向量,η1为正则化参数,通过学习线性支持向量机更新权重矩阵W和偏移行向量b;
RS34.对于H的前m列数据的更新,反复求问题描述为
的解h'∈R2τ×1,并用h'更新H的第k列hk,其中yk为Y的第k列,k=1,2,…,m,w1和w2分别为W的第1列和第2列,b1和b2分别为b的第1个元素和第2个元素,T表示转置运算;
RS35.对于H的后m列数据的更新,反复求问题描述为
的解h*∈R2τ×1,并用h*更新H的第k列hk,其中yk为Y的第k列,k=(m+1),(m+2),…,2m,w1和w2分别为W的第1列和第2列,b1和b2分别为b的第1个元素和第2个元素,T表示转置运算;
RS36.求问题描述为
的解D*∈R20N×2τ,其中||·||F为矩阵的Frobenius范数,为D*的第j列,j=1,2,…,2τ;
RS37.把H的每一列视为1个2τ维数据样本,以u为与H相对应的类别标签向量,η1为正则化参数,通过学习线性支持向量机更新权重矩阵W和偏移行向量b;
RS38.如果满足其中||·||F为矩阵的Frobenius范数,那么用D*更新D,接着执行步骤RS34-RS37;如果满足那么用D*更新D;
RS39.完成字典学习,输出D,W和b。
步骤RS8所述的执行煤岩类别的判定,包括以下步骤:
RS401.由hx=(DTD+η2I2τ)-1DTyx计算得到稀疏向量hx,其中T表示转置运算,I2τ为2τ阶单位矩阵,-1表示求逆运算;
RS402.如果满足(w1 Thx+b1)≥(w2 Thx+b2),那么判定tx为煤炭;反之,则判定tx为岩石。
附图说明
图1是基于可控塔式分解和字典学习的煤岩识别方法的基本流程图;
图2是本发明所述字典学习的基本流程图。
具体实施方式
在对我国山西、河南等地主要煤种和岩种的图像进行实验分析的基础上,本发明提出了基于可控塔式分解和字典学习的煤岩识别方法,该方法可以有效判别煤炭和岩石。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。
参照图1,基于可控塔式分解和字典学习的煤岩识别方法的具体步骤如下:
SS1.在样本训练阶段,采集相同光照条件下的m幅煤炭样本图像和m幅岩石样本图像,截取不含非煤岩背景的子图像并对其进行灰度化处理,处理后的煤炭样本子图和岩石样本子图分别记为c1,c2,…,cm和r1,r2,…,rm;
SS2.采用面向可控塔式分解的3阶滤波器组分别对子图c1,c2,…,cm和r1,r2,…,rm进行N级可控塔式分解,每幅子图经过N级可控塔式分解以后得到4N个方向子带,子图经过第i级可控塔式分解以后的第d个方向子带记为其中i为可控塔式分解的级数序号,i=1,2,…,N,d为方向序号,d=0,1,2,3,分别对应0, 这4个方向;
SS3.分别由步骤SS2所述的所有子图的4N个方向子带提取得到2m个20N维特征向量,然后构建样本特征矩阵Y=[y1,y2,…,ym,ym+1,ym+2,…,y2m]∈R20N×2m及其对应的类别标签向量u=[1,1,…,1,2,2,…,2]∈R1×2m,其中Y的前m列y1,y2,…,ym分别为c1,c2,…,cm的特征向量,Y的后m列ym+1,ym+2,…,y2m分别为r1,r2,…,rm的特征向量,u是由2m个整数构成的行向量,在u中,1代表煤炭,2代表岩石,Y的第k列20N维特征向量yk所属的煤岩类别由u的第k个整数元素uk表示,k=1,2,…,2m;
SS4.设置参数η1,η2,η3和字典原子数2τ,其中η1>0,η2>0,η3>0,τ≤m,利用Y和u进行字典学习,得到字典矩阵D、权重矩阵W和偏移行向量b;
SS5.在煤岩识别阶段,获取相同光照条件下拍摄的未知类别煤岩图像,截取不含非煤岩背景的子图像并对其进行灰度化处理,得到未知类别子图tx;
SS6.与上述步骤SS2类似,对tx进行N级可控塔式分解,得到4N个方向子带;
SS7.由步骤SS6所述的4N个方向子带,提取tx的20N维特征向量yx;
SS8.利用yx,η2和步骤SS4中字典学习完成以后得到的D,W,b,执行煤岩类别的判定。
步骤SS3和步骤SS7所述的20N维特征向量的数据结构采用 的格式,T表示转置运算,20N维特征向量中的每一个α元素、β元素、γ元素、μ元素和δ元素可以分别表示为 和i为可控塔式分解的级数序号,i=1,2,…,N,d为方向序号,d=0,1,2,3,分别对应0, 这4个方向,和分别为的子带系数绝对值的均值和方差, 和分别指在满足子带系数服从概率密度函数为
的非对称广义高斯分布条件下的α,β和γ参数,其中随机变量x为子带系数,t为积分变量,[0,+∞)为积分区间,e为自然常数。
参照图2,步骤SS4所述的字典学习包括以下步骤:
SS31.构建初始字典矩阵D∈R20N×2τ,其中D的前τ列和后τ列分别从Y的前m列和后m列中随机抽取得到;
SS32.构建稀疏矩阵H∈R2τ×2m并用H=(DTD+η2I2τ)-1DTY初始化,其中I2τ为2τ阶单位矩阵,T表示转置运算,-1表示求逆运算,构建权重矩阵W∈R2τ×2和2维偏移行向量b并分别初始化为零矩阵和零向量;
SS33.把H的每一列视为1个2τ维数据样本,以u为与H相对应的类别标签向量,η1为正则化参数,通过学习线性支持向量机更新权重矩阵W和偏移行向量b;
SS34.对于H的前m列数据的更新,反复求问题描述为
的解h'∈R2τ×1,并用h'更新H的第k列hk,其中yk为Y的第k列,k=1,2,…,m,w1和w2分别为W的第1列和第2列,b1和b2分别为b的第1个元素和第2个元素,T表示转置运算;
SS35.对于H的后m列数据的更新,反复求问题描述为
的解h*∈R2τ×1,并用h*更新H的第k列hk,其中yk为Y的第k列,k=(m+1),(m+2),…,2m,w1和w2分别为W的第1列和第2列,b1和b2分别为b的第1个元素和第2个元素,T表示转置运算;
SS36.求问题描述为
的解D*∈R20N×2τ,其中||·||F为矩阵的Frobenius范数,为D*的第j列,j=1,2,…,2τ;
SS37.把H的每一列视为1个2τ维数据样本,以u为与H相对应的类别标签向量,η1为正则化参数,通过学习线性支持向量机更新权重矩阵W和偏移行向量b;
SS38.如果满足其中||·||F为矩阵的Frobenius范数,那么用D*更新D,接着执行步骤SS34-SS37;如果满足那么用D*更新D;
SS39.完成字典学习,输出D,W和b。
步骤SS8所述的执行煤岩类别的判定,包括以下步骤:
SS401.由hx=(DTD+η2I2τ)-1DTyx计算得到稀疏向量hx,其中T表示转置运算,I2τ为2τ阶单位矩阵,-1表示求逆运算;
SS402.如果满足(w1 Thx+b1)≥(w2 Thx+b2),那么判定tx为煤炭;反之,则判定tx为岩石。
需要指出的是,以上所述实施实例用于进一步说明本发明,实施实例不应被视为限制本发明的范围。
Claims (4)
1.基于可控塔式分解和字典学习的煤岩识别方法,其特征在于,包括以下步骤:
QS1.在样本训练阶段,采集相同光照条件下的m幅煤炭样本图像和m幅岩石样本图像,截取不含非煤岩背景的子图像并对其进行灰度化处理,处理后的煤炭样本子图和岩石样本子图分别记为c1,c2,…,cm和r1,r2,…,rm;
QS2.采用面向可控塔式分解的3阶滤波器组分别对子图c1,c2,…,cm和r1,r2,…,rm进行N级可控塔式分解,每幅子图经过N级可控塔式分解以后得到4N个方向子带,子图经过第i级可控塔式分解以后的第d个方向子带记为其中i为可控塔式分解的级数序号,i=1,2,…,N,d为方向序号,d=0,1,2,3,分别对应0,这4个方向;
QS3.分别由步骤QS2所述的所有子图的4N个方向子带提取得到2m个20N维特征向量,然后构建样本特征矩阵Y=[y1,y2,…,ym,ym+1,ym+2,…,y2m]∈R20N×2m及其对应的类别标签向量u=[1,1,…,1,2,2,…,2]∈R1×2m,其中Y的前m列y1,y2,…,ym分别为c1,c2,…,cm的特征向量,Y的后m列ym+1,ym+2,…,y2m分别为r1,r2,…,rm的特征向量,u是由2m个整数构成的行向量,在u中,1代表煤炭,2代表岩石,Y的第k列20N维特征向量yk所属的煤岩类别由u的第k个整数元素uk表示,k=1,2,…,2m;
QS4.设置参数η1,η2,η3和字典原子数2τ,其中η1>0,η2>0,η3>0,τ≤m,利用Y和u进行字典学习,得到字典矩阵D、权重矩阵W和偏移行向量b;
QS5.在煤岩识别阶段,获取相同光照条件下拍摄的未知类别煤岩图像,截取不含非煤岩背景的子图像并对其进行灰度化处理,得到未知类别子图tx;
QS6.与上述步骤QS2类似,对tx进行N级可控塔式分解,得到4N个方向子带;
QS7.由步骤QS6所述的4N个方向子带,提取tx的20N维特征向量yx;
QS8.利用yx,η2和步骤QS4中字典学习完成以后得到的D,W,b,执行煤岩类别的判定。
2.根据权利要求1所述的基于可控塔式分解和字典学习的煤岩识别方法,其特征在于,所述20N维特征向量的数据结构采用 的格式,T表示转置运算,20N维特征向量中的每一个α元素、β元素、γ元素、μ元素和δ元素可以分别表示为和i为可控塔式分解的级数序号,i=1,2,…,N,d为方向序号,d=0,1,2,3,分别对应0,这4个方向,和分别为的子带系数绝对值的均值和方差,和分别指在满足子带系数服从概率密度函数为
的非对称广义高斯分布条件下的α,β和γ参数,其中随机变量x为子带系数,t为积分变量,[0,+∞)为积分区间,e为自然常数。
3.根据权利要求1所述的基于可控塔式分解和字典学习的煤岩识别方法,其特征在于,所述字典学习包括以下步骤:
QS31.构建初始字典矩阵D∈R20N×2τ,其中D的前τ列和后τ列分别从Y的前m列和后m列中随机抽取得到;
QS32.构建稀疏矩阵H∈R2τ×2m并用H=(DTD+η2I2τ)-1DTY初始化,其中I2τ为2τ阶单位矩阵,T表示转置运算,-1表示求逆运算,构建权重矩阵W∈R2τ×2和2维偏移行向量b并分别初始化为零矩阵和零向量;
QS33.把H的每一列视为1个2τ维数据样本,以u为与H相对应的类别标签向量,η1为正则化参数,通过学习线性支持向量机更新权重矩阵W和偏移行向量b;
QS34.对于H的前m列数据的更新,反复求问题描述为
的解h'∈R2τ×1,并用h'更新H的第k列hk,其中yk为Y的第k列,k=1,2,…,m,w1和w2分别为W的第1列和第2列,b1和b2分别为b的第1个元素和第2个元素,T表示转置运算;
QS35.对于H的后m列数据的更新,反复求问题描述为
的解h*∈R2τ×1,并用h*更新H的第k列hk,其中yk为Y的第k列,k=(m+1),(m+2),…,2m,w1和w2分别为W的第1列和第2列,b1和b2分别为b的第1个元素和第2个元素,T表示转置运算;
QS36.求问题描述为
的解D*∈R20N×2τ,其中||·||F为矩阵的Frobenius范数,为D*的第j列,j=1,2,…,2τ;
QS37.把H的每一列视为1个2τ维数据样本,以u为与H相对应的类别标签向量,η1为正则化参数,通过学习线性支持向量机更新权重矩阵W和偏移行向量b;
QS38.如果满足其中||·||F为矩阵的Frobenius范数,那么用D*更新D,接着执行步骤QS34-QS37;如果满足那么用D*更新D;
QS39.完成字典学习,输出D,W和b。
4.根据权利要求1所述的基于可控塔式分解和字典学习的煤岩识别方法,其特征在于,所述执行煤岩类别的判定包括以下步骤:
QS401.由hx=(DTD+η2I2τ)-1DTyx计算得到稀疏向量hx,其中T表示转置运算,I2τ为2τ阶单位矩阵,-1表示求逆运算;
QS402.如果满足(w1 Thx+b1)≥(w2 Thx+b2),那么判定tx为煤炭;反之,则判定tx为岩石。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710115611.4A CN106845560B (zh) | 2017-03-01 | 2017-03-01 | 基于可控塔式分解和字典学习的煤岩识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710115611.4A CN106845560B (zh) | 2017-03-01 | 2017-03-01 | 基于可控塔式分解和字典学习的煤岩识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106845560A true CN106845560A (zh) | 2017-06-13 |
CN106845560B CN106845560B (zh) | 2020-04-28 |
Family
ID=59137651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710115611.4A Active CN106845560B (zh) | 2017-03-01 | 2017-03-01 | 基于可控塔式分解和字典学习的煤岩识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106845560B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632341A (zh) * | 2013-08-30 | 2014-03-12 | 王勇 | 一种塔式分解和字典学习的带噪cs-mri重构方法 |
CN103927514A (zh) * | 2014-04-09 | 2014-07-16 | 中国矿业大学(北京) | 一种基于随机局部图像特征的煤岩识别方法 |
CN104732239A (zh) * | 2015-04-08 | 2015-06-24 | 中国矿业大学(北京) | 基于小波域非对称广义高斯模型的煤岩分类方法 |
CN104966074A (zh) * | 2015-07-17 | 2015-10-07 | 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 |
-
2017
- 2017-03-01 CN CN201710115611.4A patent/CN106845560B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632341A (zh) * | 2013-08-30 | 2014-03-12 | 王勇 | 一种塔式分解和字典学习的带噪cs-mri重构方法 |
CN103927514A (zh) * | 2014-04-09 | 2014-07-16 | 中国矿业大学(北京) | 一种基于随机局部图像特征的煤岩识别方法 |
CN104732239A (zh) * | 2015-04-08 | 2015-06-24 | 中国矿业大学(北京) | 基于小波域非对称广义高斯模型的煤岩分类方法 |
CN104966074A (zh) * | 2015-07-17 | 2015-10-07 | 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 |
Non-Patent Citations (2)
Title |
---|
伍云霞等: "《基于字典学习的煤岩图像特征提取及识别方法》", 《煤炭学报》 * |
孙继平等: "《基于可调控塔式分解系数统计建模的煤岩识别方法》", 《工况自动化》 * |
Also Published As
Publication number | Publication date |
---|---|
CN106845560B (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111259930B (zh) | 自适应注意力指导机制的一般性目标检测方法 | |
CN106778835B (zh) | 融合场景信息和深度特征的遥感图像机场目标识别方法 | |
CN104102929B (zh) | 基于深度学习的高光谱遥感数据分类方法 | |
CN107871124A (zh) | 一种基于深度神经网络的遥感图像目标检测方法 | |
CN108169745A (zh) | 一种基于卷积神经网络的钻孔雷达目标识别方法 | |
CN108256424A (zh) | 一种基于深度学习的高分辨率遥感图像道路提取方法 | |
CN105160310A (zh) | 基于3d卷积神经网络的人体行为识别方法 | |
CN111080678B (zh) | 一种基于深度学习的多时相sar图像变化检测方法 | |
CN111517092A (zh) | 一种传动带撕裂检测方法 | |
CN105389586A (zh) | 一种基于计算机视觉自动检测虾体完整性的方法 | |
CN113344050B (zh) | 一种基于深度学习的岩性智能化识别方法及系统 | |
CN113703045B (zh) | 一种基于轻量级网络的地震相识别方法 | |
CN103020649A (zh) | 一种基于纹理信息的森林类型识别方法 | |
CN107463954A (zh) | 一种模糊异谱图像的模板匹配识别方法 | |
CN106257496A (zh) | 海量网络文本与非文本图像分类方法 | |
CN109635811A (zh) | 空间植物的图像分析方法 | |
Molinier et al. | Avoiding overfitting when applying spectral-spatial deep learning methods on hyperspectral images with limited labels | |
CN111160389A (zh) | 一种基于融合vgg的岩性识别方法 | |
Kathrada et al. | Visual recognition of drill cuttings lithologies using convolutional neural networks to aid reservoir characterisation | |
CN112016477A (zh) | 一种基于深度学习的测井沉积微相识别方法 | |
CN108470192A (zh) | 一种高光谱分类方法及装置 | |
CN110427957A (zh) | 一种基于机器学习的地球化学数据的分类方法和装置 | |
CN117292148B (zh) | 一种基于定向钻探及测试数据的隧道围岩级别评估方法 | |
CN113033637B (zh) | 一种基于岩石物理样本增强的集成学习岩相预测方法 | |
Marques et al. | Deep learning application for fracture segmentation over outcrop images from UAV-based digital photogrammetry |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |