CN106959260A - 一种基于多元多尺度熵的矿石粒度检测技术 - Google Patents
一种基于多元多尺度熵的矿石粒度检测技术 Download PDFInfo
- Publication number
- CN106959260A CN106959260A CN201710089214.4A CN201710089214A CN106959260A CN 106959260 A CN106959260 A CN 106959260A CN 201710089214 A CN201710089214 A CN 201710089214A CN 106959260 A CN106959260 A CN 106959260A
- Authority
- CN
- China
- Prior art keywords
- ore
- entropy
- data
- image
- grain size
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 239000013598 vector Substances 0.000 claims abstract description 47
- 239000002131 composite material Substances 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 30
- 241001269238 Data Species 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 14
- 239000000203 mixture Substances 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 abstract description 2
- 238000009826 distribution Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 239000002245 particle Substances 0.000 description 5
- 239000000284 extract Substances 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000000205 computational method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000002356 laser light scattering Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
- G01N15/0205—Investigating particle size or size distribution by optical means
- G01N15/0227—Investigating particle size or size distribution by optical means using imaging; using holography
Landscapes
- Chemical & Material Sciences (AREA)
- Dispersion Chemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多元多尺度熵的矿石粒度检测技术方法,首先对粗碎、中碎、细碎矿石图像R、G、B三个颜色变量,分别利用sobel算子进行边界增强;然后对各级图像三元颜色变量的梯度数据每行取平均;按照顺序连续截取定长的每个颜色变量的行平均序列;分别对三元颜色变量的粒度化各数据组中数据取平均;在尺度ε下,构建(n‑m)组3元复合延迟向量,计算多元样本熵,从而得出20个尺度上的多元多尺度熵;最后,利用计算得到的各级矿石图像梯度数据的多元多尺度熵值,建立起熵与矿石粒度的关联模型,检测出各级破碎机下的矿石粒度。
Description
技术领域
本发明涉及工业领域的粒度检测,尤其是矿冶领域,关于检测图像中使用多元多尺度熵进行粒度检测的技术。
背景技术
随着选矿行业技术的发展,对矿石工艺的要求越来越复杂。破碎过程一般是将挖掘出的矿石经过破碎机多级破碎,检测矿石的粒度,再将合格粒度的矿石传送到下游进行后续处理。破碎包含粗碎、中碎、细碎等多级破碎,如果在破碎过程中,破碎产品粒度分布不合理,就会出现破碎机料仓爆满或空仓等问题,导致破碎机不能正常运行。但由于粒度检测过程中耗时耗力,而且效率低、精度低、成本高等因素,导致了不能准确、有效地检测矿石粒度。因此,如何准确地检测出各级破碎过程中的矿石粒级信息,在矿石工艺过程中占有至关重要的地位。矿石粒度的检测有效提高磨矿效率,减轻资源浪费,起到节能减排的作用,从而促进国家经济效益的增长。
在矿石粒度检测中,传统技术方案有:(1)筛分法,方法借助人工或机械,用不同大小筛孔的筛网筛出若干粒级物料,再通过称重得到每个粒级物料的质量。筛分操作简便,应用普遍,但工序多,效率低,而且检测结果受人为因素和筛孔变形影响较大。(2)激光颗粒分析法,通过检测颗粒的激光散射衍射谱分布,获得粒径大小和分布。动态范围大、测量速度快、重复性好、操作方便,但分辨率较低,在测量粒度分布范围较窄的样品时精度较差。(3)基于图像处理的粒度检测方法,采用数字图像处理方法进行矿石图像的分割与识别,由于矿石的重叠堆积,导致分割后的图像中有多处矿石粘连,并且由于在图像采集过程中,摄像头的分辨率难以识别小矿石粘连在一起的情形,对小矿石聚集区域进行去除来避免影响后续处理,但在更高分辨率下小矿石聚集区域仍可进行分割,导致检测精度受到一定影响。
发明内容
本发明的目的是提供一种基于多元多尺度熵的矿石粒度检测技术,在多元多尺度空间上对各级破碎的矿石进行粒度检测。
一种基于多元多尺度熵的矿石粒度检测技术,所述方法包括:
图像数据梯度化:采集矿石图像,利用图像处理技术提取出图像的R、G、B三颜色变量的梯度数据,将其作为多元多尺度熵的3维输入变量;
多元多尺度熵计算:对于提取的矿石图像3元梯度数据每行取平均值,以20个尺度对数据粗粒化,然后构建3元复合延迟向量,计算出各级破碎机矿石图像的多元多尺度熵;
粒度建模:根据各级破碎机矿石图像在各尺度上的多元多尺度熵,建立熵与矿石粒度之间的关系模型,由熵值检测矿石粒度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图简单介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他附图。
图1为本发明实施例所提供的图像的多元多尺度向量构成方法流程示意图;
图2为本发明实施例所提供的复合延迟向量多元多尺度熵计算方法流程示意图;
图3为本发明实施例所提供的建立熵与矿石粒度关联模型流程示意图;
图4为本发明实施例所提供的红色变量粗粒化过程示意图。
具体实施方式
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。
下面将结合附图对本发明实施例作进一步地详细描述,如图1所示为本发明实施例所提供的图像的多元多尺度向量构成方法流程示意图,所述方法包括:
1、图像的多元多尺度向量构成方法
步骤11:图像数据梯度化
通过图像处理技术对采集的各级破碎机矿石图像R、G、B三个颜色变量的图像进行边界增强,从而对3个颜色变量的图像梯度化;
在该步骤中,为了增强矿石的边界信息,运用图像处理技术进行处理,具体过程为:
首先分别对采集的粗碎、中碎、细碎破碎机的矿石图像进行R、G、B三个颜色变量的提取,然后分别利用sobel算子进行边界增强,提取出各级破碎机矿石图像三个颜色变量的梯度,将其作为多元多尺度熵的3个不同变量的输入。
下面以具体实例进行说明。
以粗碎破碎机矿石图像为例。首先读入一幅M×N大小的矿石图像f(x,y),提取的R、G、B三个颜色变量的图像分别记为fr(x,y)、fg(x,y)、fb(x,y)。
对3元颜色变量图像,分别用sobel算子梯度化,得到的红色变量梯度图像记为gr(x,y),绿色变量的梯度图像记为gg(x,y),蓝色变量图像的梯度图记为gb(x,y)。中碎、细碎破碎机的矿石图像,按上述步骤进行图像的梯度化处理。
步骤12:梯度数据一维化
对梯度图像gr(x,y)、gg(x,y)和gb(x,y)的数据每行取平均,实现图像数据的一维表示。
在该步骤中,进行梯度图像数据每行取平均处理,具体过程为:
利用上一步提取出的各级破碎机矿石图像三元颜色变量的梯度数据,分别对每个颜色变量的梯度图像每行取平均,实现梯度数据的一维化。
下面以具体实例进行说明。
将上一步得到的粗碎矿石图像红色变量梯度数据gr(i,j)的集合记为:
{gr(i,j)|i∈[0,M-1],j∈[0,N-1]}
对梯度数据每行取平均值,得到红色变量图像梯度数据的行平均序列
其中,i代表图像中的行坐标,j代表图像中的纵坐标,M为图像的行,N为图像的列。
同样,分别对绿色变量图像和蓝色变量图像的梯度数据每行取平均值,得到绿色变量梯度数据的行平均序列和蓝色变量梯度数据的行平均序列
中碎、细碎破碎机三元颜色变量图像的梯度数据,按上述步骤进行梯度数据一维化处理。
步骤13:粒度化
对行平均序列和顺序截取定长数据,实现粒度化。
一维数据分组处理,也就是说,按照顺序连续截取定长的一组数据,数据组中的个数用尺度ε来表示。当尺度ε为1时,一个数据为一组;当尺度ε为2时,表示两个连续数据为一组。选取20种不同的尺度进行粒度化处理,数据组数为经过粒度化处理后红色变量的数据组表示为:
第0组:
……
第k组:
……
最后一组:
其中,k的取值范围为[0,n-1]。同理可得出绿色变量的粒度化数据组和蓝色变量的粒度化数据组。
中碎、细碎破碎机三元颜色变量的行平均序列,按上述步骤进行粒度化处理。
步骤14:均值化
分别对红色、绿色和蓝色变量各数据组取平均值,实现各数据组均值化,从而完成梯度数据行平均序列的粗粒化处理。
在该步骤中,利用上一步提取出的各级矿石图像三元颜色变量的粒度化数据组,分别对每个组中数据取平均。其中,红色变量的数据组在尺度ε下的第k组均值化数据由下式合成:
其中,k的取值范围为[0,n-1]。在20个不同尺度ε下,得到红色变量均值化数据集,表示为:
同理可计算出绿色变量均值化数据集和蓝色变量均值化数据集中碎、细碎破碎机三元颜色变量的粒度化数据组,按上述步骤进行均值化,完成一维梯度数据的粗粒化处理。红色变量粗粒化过程示意图见图4。
步骤15:复合延迟向量构建
对3变量粗粒化的数据进行3元复合延迟向量构建,3变量粗粒化的数据集进行嵌入式重建的过程为:
三元颜色变量的延时变量分别为τr、τg和τb,三元颜色变量的嵌入变量分别为mr、mg和mb,则复合延迟向量的维数为ms=mr+mg+mb。
在尺度ε下,从红色变量均值数据集中,每间隔τr个数据顺序取mr个数据为一组向量,抽取的组合向量数为(n-m),其中n为粒度化数据组数,m=max{mr,mg,mb}×max{τr,τg,τb}。红色组合向量表示为:
第0组:
第1组:
……
第k组:
……
最后一组:
其中,k的取值范围为[0,n-m-1]。同理,绿色变量均值数据集中每间隔τg个数据顺序取mg个数据,得到(n-m)组绿色组合向量;蓝色变量均值数据集中每间隔τb个数据顺序取mb个数据,得到(n-m)组蓝色组合向量。
复合延迟向量由三元颜色变量的组合向量集合而成,并且按顺序组合,构成(n-m)组复合延迟向量。粗碎矿石图像3元颜色变量的复合延迟向量表示为:
第0组复合延迟向量
……
第i组复合延迟向量
其中,i的取值范围为[0,n-m-1]。
……
最后一组复合延迟向量
同理,中碎、细碎矿石图像的三元颜色变量的均值数据集,按上述步骤进行复合延迟向量的构建。
构建复合延迟向量,计算多元多尺度熵,为分析矿石图像的整体复杂度提供依据。如图2所示为本发明实施例所提供的复合延迟向量多元多尺度熵计算方法流程示意图,所述方法包括:
2、复合延迟向量的多元多尺度熵计算
步骤21:复合延迟向量间距离计算
在尺度ε下,计算任意两个复合延迟向量和之间的切比雪夫距离,即二个向量中的对应元素的最大差值:
步骤22:复合延迟向量相似度计算
对任一延迟向量给定临界差值r,统计出距离满足延迟向量个数Pi,计算的相似率
复合延迟向量间的相似度均值
步骤23:复合延迟向量扩维至(ms+1)维
将3元复合延迟向量的维度从ms维扩展至(ms+1)维,对于3元嵌入变量mr、mg和mb的维度从ms维扩展到(ms+1)维,由于有3个颜色变量,维度的扩展可以有3种不同的方式,所以总共可以构建得到3×(n-m)组复合延迟向量。
步骤24:(ms+1)维复合延迟向量相似度计算
对指定的(ms+1)维复合延迟向量计算两个向量和之间的切比雪夫距离并统计距离满足的向量个数Qi,并计算的相似率
(ms+1)维复合延迟向量间的相似度均值
步骤25:ε尺度的多元样本熵计算
在尺度ε下,对于给定的延迟向量间的距离阈值r,计算多元样本熵MSEn。
(ms+1)维复合延迟向量间的相似度均值,与ms维复合延迟向量间的相似度均值相除,并进行对数计算,结果为多元样本熵MSEn:
步骤26:多元多尺度熵计算
尺度ε的取值范围为[1,20],按上述步骤得出的20个尺度的多元样本熵,多元多尺度熵集合为:{MSEn(1),MSEn(2),…,MSEn(20)}。
同理,中碎、细碎破碎机构建的3元复合延迟向量,按上述方法计算出20个尺度的多元多尺度熵。
本发明实施例中,将三元颜色图像的梯度作为三个不同的变量,其中嵌入变量分别为mr=2、mg=2和mb=2,延迟变量分别为τr=1、τg=1和τb=1,计算出各级破碎机矿石图像在20个尺度上的多元多尺度熵,绘制出该熵值作为尺度因子的函数图像。
根据计算的复合延迟向量间的多元多尺度熵,分析矿石图像整体复杂度,建立熵与粒度的关联模型。如图3所示为本发明实施例所提供的建立熵与矿石粒度关联模型流程示意图,该方法具体包括:
3、熵与矿石粒度关联模型
在该步骤中,通过上述步骤计算得到的各级破碎机矿石图像的多元多尺度熵,建立熵与矿石粒度之间的模型,由熵值检测矿石粒度,具体过程为:
利用上一步计算得到的各级破碎机矿石图像梯度数据的多元多尺度熵值,比较各级破碎机矿石图像在20个尺度上的多元多尺度熵的大小,建立熵与矿石粒度之间的模型,检测各级破碎机下的矿石粒度。
下面以具体实例进行说明。
步骤31:统计分析各级破碎矿石图像多元多尺度熵
统计得出,中碎矿石图像的多元多尺度熵值整体高于粗碎矿石图像,说明中碎图像的复杂度高于粗碎图像;细碎矿石图像的多元多尺度熵值在大多数尺度下高于中碎矿石图像,说明细碎图像的复杂度高于中碎图像。
可以得出,粗碎矿石图像的多元多尺度熵值最低,细碎矿石图像的熵值最高,而中碎图像的熵值在大多数尺度下介于二者之间。
步骤32:熵的粒度关系
根据熵的含义,可以判断出,粗碎图像的矿石粒度最大,细碎图像的矿石粒度最小,而中碎图像的矿石粒度介于二者之间。
步骤33:建立熵与矿石粒度之间的模型
由于矿石图像是由固定高度的摄像头拍摄得到的,图像中的矿石像素大小随摄像头安装位置而改变,因此图像中的矿石像素与实际矿石成正比例关系,这样就可以完成由图像矿石到实物矿石的转换。这样就可以建立起熵与矿石实物粒度关联模型:
粗碎破碎矿石图像熵值大致在[0.0345,0.1603]内,其矿石大致落在50~70mm的粒级区间;中碎破碎矿石图像熵值大致在[0.1283,0.2644]内,矿石大致落在35~50mm的粒级区间;细碎破碎矿石图像熵值大致在[0.0681,0.3720]内,矿石大致落在15~35mm的粒级区间。
本发明实施例中,通过计算得到的各级破碎机矿石图像的多元多尺度熵,比较各级破碎机矿石图像在20个尺度上的多元多尺度熵的大小,检测各级破碎机下的矿石粒度。
综上所述,通过上述实施例的步骤,运用图像处理技术进行处理来增强矿石的边界信息,提取出各级破碎机矿石3元颜色变量图像的梯度,实现数据粗粒化,构建复合延迟向量,计算出各级破碎机矿石图像的多个尺度的熵,建立熵与矿石粒度关联模型,从而对各级破碎的矿石进行粒度检测。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (4)
1.一种基于多元多尺度熵的矿石粒度检测技术,所述方法包括:
采集矿石图像,利用图像处理技术提取各级破碎机矿石图像的R、G、B三个颜色变量的梯度数据;
各级破碎机矿石图像3元梯度数据每行取平均值,以20个尺度对一维梯度数据粗粒化,构建3元复合延迟向量,计算各级破碎机矿石图像的多元多尺度熵;
根据各级破碎机矿石图像在各尺度上的多元多尺度熵,建立熵与矿石粒度之间的关系模型,由熵值检测矿石粒度。
2.根据权利要求1所述基于多元多尺度熵的矿石粒度检测技术方法,其特征在于,对一维梯度数据粗粒化,具体包括:
对各级图像三元颜色变量的梯度数据一维化;一维梯度数据,按照顺序连续截取定长的一组数据,实现粒度化,数据组中的个数用尺度ε来表示,粒度化数据组数为n;
分别对各级图像三元颜色变量的粒度化各数据组取平均值,实现各数据组均值化,得到三元颜色变量均值数据集,选取20种不同尺度完成粗粒化处理。
3.根据权利要求1所述基于多元多尺度熵的矿石粒度检测技术方法,其特征在于,构建复合延迟向量,具体包括:
从红、绿和蓝三元颜色变量粗粒化数据集中按照顺序,分别依次间隔τr、τg、τb个数据,顺序取mr、mg、mg个数据,这些数据构建为其中一组组合向量;
三元颜色变量的组合向量,按顺序构成3元复合延迟向量,复合延迟向量维数为ms=mr+mg+mb。一共构建(n-m)组3元复合延迟向量,m=max{mr,mg,mb}×max{τr,τg,τb}。
4.根据权利要求1所述基于多元多尺度熵的矿石粒度检测技术方法,其特征在于,建立熵与矿石粒度关联模型,具体包括:
利用计算得到的各级破碎矿石图像梯度数据的多元多尺度熵值,熵值范围与矿石实物粒级进行对应,建立起熵与矿石粒度的关联模型,检测出各级破碎机下的矿石粒度范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710089214.4A CN106959260A (zh) | 2017-02-20 | 2017-02-20 | 一种基于多元多尺度熵的矿石粒度检测技术 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710089214.4A CN106959260A (zh) | 2017-02-20 | 2017-02-20 | 一种基于多元多尺度熵的矿石粒度检测技术 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106959260A true CN106959260A (zh) | 2017-07-18 |
Family
ID=59481600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710089214.4A Pending CN106959260A (zh) | 2017-02-20 | 2017-02-20 | 一种基于多元多尺度熵的矿石粒度检测技术 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106959260A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108106762A (zh) * | 2017-12-18 | 2018-06-01 | 中国矿业大学(北京) | 3d打印光弹性材料及模拟加载后褶曲应力分布的方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1795374A (zh) * | 2003-05-28 | 2006-06-28 | Bm联合煤炭经营有限公司 | 煤及矿石处理系统颗粒参数和处理器性能确定方法和装置 |
US20070053599A1 (en) * | 2005-09-06 | 2007-03-08 | Megachips Lsi Solutions Inc. | Compression encoder, compression encoding method and program |
CN101493937A (zh) * | 2009-02-27 | 2009-07-29 | 西北工业大学 | 利用梯度局部熵检测数字图像内容可信度的方法 |
CN101639983A (zh) * | 2009-08-21 | 2010-02-03 | 任雪梅 | 一种基于图像信息熵的多车道车流量检测方法 |
CN102663726A (zh) * | 2012-03-06 | 2012-09-12 | 中国矿业大学(北京) | 对物料堆积图像进行物料分割的方法和装置 |
CN103337073A (zh) * | 2013-06-20 | 2013-10-02 | 西南交通大学 | 一种基于三维熵的二维图像阈值分割方法 |
US20150103893A1 (en) * | 2010-07-20 | 2015-04-16 | Cisco Technology, Inc. | Video compression using multiple variable length coding methods for multiple types of transform coefficient blocks |
-
2017
- 2017-02-20 CN CN201710089214.4A patent/CN106959260A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1795374A (zh) * | 2003-05-28 | 2006-06-28 | Bm联合煤炭经营有限公司 | 煤及矿石处理系统颗粒参数和处理器性能确定方法和装置 |
US20070053599A1 (en) * | 2005-09-06 | 2007-03-08 | Megachips Lsi Solutions Inc. | Compression encoder, compression encoding method and program |
CN101493937A (zh) * | 2009-02-27 | 2009-07-29 | 西北工业大学 | 利用梯度局部熵检测数字图像内容可信度的方法 |
CN101639983A (zh) * | 2009-08-21 | 2010-02-03 | 任雪梅 | 一种基于图像信息熵的多车道车流量检测方法 |
US20150103893A1 (en) * | 2010-07-20 | 2015-04-16 | Cisco Technology, Inc. | Video compression using multiple variable length coding methods for multiple types of transform coefficient blocks |
CN102663726A (zh) * | 2012-03-06 | 2012-09-12 | 中国矿业大学(北京) | 对物料堆积图像进行物料分割的方法和装置 |
CN103337073A (zh) * | 2013-06-20 | 2013-10-02 | 西南交通大学 | 一种基于三维熵的二维图像阈值分割方法 |
Non-Patent Citations (2)
Title |
---|
张国英等: "基于图像的原矿石碎石粒度检测与分析系统", 《冶金自动化》 * |
王兰莎等: "复杂矿石图像的特征提取与聚类", 《北京石油化工学院学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108106762A (zh) * | 2017-12-18 | 2018-06-01 | 中国矿业大学(北京) | 3d打印光弹性材料及模拟加载后褶曲应力分布的方法 |
CN108106762B (zh) * | 2017-12-18 | 2020-01-14 | 中国矿业大学(北京) | 3d打印光弹性材料及模拟加载后褶曲应力分布的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Su et al. | Potato quality grading based on machine vision and 3D shape analysis | |
Perez et al. | Rock lithological classification using multi-scale Gabor features from sub-images, and voting with rock contour information | |
Perez et al. | Ore grade estimation by feature selection and voting using boundary detection in digital image analysis | |
CN107392232B (zh) | 一种浮选工况分类方法和系统 | |
EP2548147B1 (en) | Method to recognize and classify a bare-root plant | |
CN104850854A (zh) | 一种滑石矿品分选处理方法及滑石矿品分选系统 | |
CN107314957B (zh) | 一种岩石块度尺寸分布的测量方法 | |
CN108711149B (zh) | 基于图像处理的矿岩粒度检测方法 | |
CN109657610A (zh) | 一种高分辨率多源遥感影像的土地利用变化检测方法 | |
CN102722891A (zh) | 一种图像显著度检测的方法 | |
CN106548131A (zh) | 一种基于行人检测的施工人员安全帽实时检测方法 | |
Köse et al. | Statistical methods for segmentation and quantification of minerals in ore microscopy | |
Galdames et al. | Classification of rock lithology by laser range 3D and color images | |
CN108182440A (zh) | 一种基于渣片图像识别获取围岩类别的方法 | |
Li et al. | GIS-based detection of grain boundaries | |
CN101964108A (zh) | 基于实时在线系统的叶片田间图像边缘提取方法及其系统 | |
CN106682675A (zh) | 一种面向高光谱图像的空谱联合特征提取方法 | |
CN103390170A (zh) | 一种基于多光谱遥感图像纹理元的地物类型纹理分类方法 | |
CN105243387A (zh) | 一种基于无人机影像的露天矿典型地物分类方法 | |
CN114882400A (zh) | 一种基于ai智能机器视觉技术的骨料检测分类方法 | |
CN106959260A (zh) | 一种基于多元多尺度熵的矿石粒度检测技术 | |
CN109740504A (zh) | 一种基于遥感影像提取海域资源的方法 | |
CN105350963B (zh) | 一种基于相关性度量学习的煤岩识别方法 | |
CN116883893A (zh) | 基于红外热成像的隧道掌子面地下水智能判识方法及系统 | |
Perez et al. | Lithological classification based on Gabor texture image analysis |
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 | ||
AD01 | Patent right deemed abandoned | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20200211 |