CN107341495A - 一种有效的井下煤尘检测系统 - Google Patents
一种有效的井下煤尘检测系统 Download PDFInfo
- Publication number
- CN107341495A CN107341495A CN201710581421.1A CN201710581421A CN107341495A CN 107341495 A CN107341495 A CN 107341495A CN 201710581421 A CN201710581421 A CN 201710581421A CN 107341495 A CN107341495 A CN 107341495A
- Authority
- CN
- China
- Prior art keywords
- mrow
- coal dust
- msub
- image
- msup
- 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
- 239000002817 coal dust Substances 0.000 title claims abstract description 88
- 239000002245 particle Substances 0.000 claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 238000003709 image segmentation Methods 0.000 claims abstract description 21
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 239000000428 dust Substances 0.000 claims abstract description 5
- 238000004519 manufacturing process Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 2
- 238000005303 weighing Methods 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 239000003245 coal Substances 0.000 description 6
- 238000005457 optimization Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000003610 charcoal Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 206010035653 pneumoconiosis Diseases 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
一种有效的井下煤尘检测系统,包括煤尘图像采集模块、煤尘图像处理模块、煤尘图像分割模块和煤尘图像识别模块,所述煤尘图像采集模块用于实时采集井下的煤尘图像,所述煤尘图像处理模块用于去除图像中的各种噪声污染,所述煤尘图像分割模块采用基于最大模糊熵的图像分割算法对煤尘图像进行有效的分割,所述煤尘图像识别模块用于对图像中的煤尘颗粒进行识别,从而计算井下的煤尘浓度。本发明的有益效果为:针对井下煤尘图像信噪比较低的特点,采用一种改进的非局部均值算法去除图像中的各种噪声污染,在煤尘图像分割模块采用一种基于改进粒子群算法和模糊熵的分割算法对图像进行分割,对煤尘图像取得了较好的分割结果,且计算量较小。
Description
技术领域
本发明创造涉及矿井安全检测领域,具体涉及一种有效的井下煤尘检测系统。
背景技术
我国是产煤大国,在总的能源构成中煤炭约70%左右,而且这一能源结构状况在今后很长一段时间内不会有太大的改变,因此,对煤矿的开采工作一直是我国的重点,而煤炭在产煤的各个环节都会排放大量的煤尘,当井下煤尘达到一定浓度时便有爆炸的危险,同时呼吸性煤尘可以导致煤矿工人的尘肺病,并且煤尘可以缩短井下机械设备的使用寿命,因此,对井下煤尘浓度的实时在线检测具有重要的意义。
现有的煤尘在线检测技术存在测量误差较大以及测量精度易受环境因素影响等问题,因此,本发明提供一种有效的井下煤尘检测系统,通过对采集井下煤尘图像,并对采集得到的图像进行有效的处理和分析,判断井下煤尘情况,从而进行有效的预防和治理。
发明内容
针对上述问题,本发明旨在提供一种有效的井下煤尘检测系统。
本发明创造的目的通过以下技术方案实现:
一种有效的井下煤尘检测系统,包括煤尘图像采集模块、煤尘图像处理模块、煤尘图像分割模块和煤尘图像识别模块,所述煤尘图像采集模块用于实时采集井下的煤尘图像,所述煤尘图像处理模块用于去除图像中的各种噪声污染,所述煤尘图像分割模块采用基于最大模糊熵的图像分割算法对煤尘图像进行有效的分割,所述煤尘图像识别模块用于对图像中的煤尘颗粒进行识别,从而计算井下的煤尘浓度。
本发明创造的有益效果:针对井下煤尘图像信噪比较低的特点,采用一种改进的非局部均值算法去除图像中的各种噪声污染,突出图像的细节部分,此外,在煤尘图像分割模块采用一种基于改进粒子群算法和模糊熵的分割算法对图像进行分割,引入惯性权重和小波变异自适应的改进粒子群优化算法,将该算法和模糊熵结合应用于图像分割,对煤尘图像取得了较好的分割结果,且计算量较小。
附图说明
利用附图对发明创造作进一步说明,但附图中的实施例不构成对本发明创造的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明结构示意图;
图2是本发明煤尘图像分割模块的结构示意图;
图3是本发明参数组合搜索单元的结构示意图。
附图标记:
煤尘图像采集模块1;煤尘图像处理模块2;煤尘图像分割模块3;煤尘图像识别模块4;参数组合搜索单元31;分割阈值计算单元32;粒子群优化子单元311;粒子群变异子单元312。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1、图2和图3,本实施例的一种有效的井下煤尘检测系统,包括煤尘图像采集模块1、煤尘图像处理模块2、煤尘图像分割模块3和煤尘图像识别模块4,所述煤尘图像采集模块1用于实时采集井下的煤尘图像,所述煤尘图像处理模块2用于去除图像中的各种噪声污染,所述煤尘图像分割模块3采用基于最大模糊熵的图像分割算法对煤尘图像进行有效的分割,所述煤尘图像识别模块4用于对图像中的煤尘颗粒进行识别,从而计算井下的煤尘浓度。
本优选实施例针对井下煤尘图像信噪比较低的特点,采用一种改进的非局部均值算法去除图像中的各种噪声污染,突出图像的细节部分,此外,在煤尘图像分割模块采用一种基于改进粒子群算法和模糊熵的分割算法对图像进行分割,引入惯性权重和小波变异自适应的改进粒子群优化算法,将该算法和模糊熵结合应用于图像分割,对煤尘图像取得了较好的分割结果,且计算量较小。
优选地,所述煤尘图像处理模块2用于去除图像中的各种噪声污染,其采用一种改进的权重计算方法的非局部均值的井下图像去噪算法,具体为:
式中,a>0是高斯核函数的标准差,h是滤波参数,Nx和Ny分别表示x和y的方形邻域,表示Nx和Ny邻域之间的高斯加权欧式距离,Z(Nx,Ny)表示Nx和Ny邻域之间的灰度距离,w(x,y)是像素x和像素y相似程度的权重,且0<w(x,y)<1,∑y∈Iw(x,y)=1。
本优选实施例通过改进非局部均值去噪算法对井下煤尘图像进行去燥,在权重的计算过程中不仅考虑了像素位置差异对权重的影响,还考虑了像素灰度差异对权重的影响,从而提高了算法的去噪性能。
优选地,所述煤尘图像分割模块3采用基于最大模糊熵的图像分割算法对煤尘图像进行有效的分割,包括参数组合搜索单元31和分割阈值计算单元32,所述参数组合搜索单元31用于搜索一组参数组合(a,b)使图像的总模糊熵取最大值,所述分割阈值计算单元32用于根据求得的参数组合计算煤尘图像的分割阈值。
优选地,所述参数组合搜索单元31包括粒子群优化子单元311和粒子群变异子单元312,所述粒子群优化子单元311用于在粒子群算法中引入权重因子的计算,所述粒子群变异子单元312在粒子的位置和速度进行更新后,再对部分粒子进行变异操作。
优选地,所述粒子群优化子单元311用于在粒子群算法中引入权重因子的计算,其采用一种改进的惯性权重因子计算算法,具体为:
式中,ωmax表示最大惯性权重,ωmin表示最小惯性权重,di是当前粒子距离全局最优值之间的欧几里得距离,dmax是粒子距离全局最优值之间的最大欧几里得距离,dmin是粒子距离全局最优值之间的最小欧几里得距离,xij是当前粒子所在的位置,pgj表示粒子本身所找到的最优解的位置。
本优选实施例在粒子群优化算法中引入惯性权重因子,可以维护全局和局部搜索能力的平衡,避免出现过早收敛的现象,从而改善粒子群优化算法的性能。
优选地,所述粒子群变异子单元312在粒子的位置和速度进行更新后,再对部分粒子进行变异操作,定义是第k次迭代时选中的第i个要变异的粒子,是该粒子的第j维,xk是k次迭代时的群体最优解,xmax该粒子搜索空间的上限,xmin是该粒子搜索空间的下限,则变异后的为:
小波函数σ的计算公式如下:
式中,ρε是单调递增方程的形状参数,g为a的上限值,k为当前的迭代次数,kmax为最大迭代次数,
本优选实施例通过运用改进的小波变异操作,把变异后的值传给当前以一定概率选中的粒子,加大了粒子对整个搜索空间进行搜索的可能性,从而保证了改进后的粒子群算法能够更加快速有效地进行全局搜索。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (6)
1.一种有效的井下煤尘检测系统,其特征是,包括煤尘图像采集模块、煤尘图像处理模块、煤尘图像分割模块和煤尘图像识别模块,所述煤尘图像采集模块用于实时采集井下的煤尘图像,所述煤尘图像处理模块用于去除图像中的各种噪声污染,所述煤尘图像分割模块采用基于最大模糊熵的图像分割算法对煤尘图像进行有效的分割,所述煤尘图像识别模块用于对图像中的煤尘颗粒进行识别,从而计算井下的煤尘浓度。
2.根据权利要求1所述的一种有效的井下煤尘检测系统,其特征是,所述煤尘图像处理模块用于去除图像中的各种噪声污染,其采用一种改进权重计算方法的非局部均值的井下图像去噪算法,具体为:
<mrow>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>Z</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<msup>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mo>|</mo>
<mi>u</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>N</mi>
<mi>x</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>u</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>N</mi>
<mi>y</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mrow>
<mn>2</mn>
<mo>,</mo>
<mi>a</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>*</mo>
<mi>Z</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>N</mi>
<mi>x</mi>
</msub>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>y</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<msup>
<mi>h</mi>
<mn>2</mn>
</msup>
</mfrac>
<mo>)</mo>
</mrow>
</msup>
</mrow>
式中,a>0是高斯核函数的标准差,h是滤波参数,Nx和Ny分别表示x和y的方形邻域,表示Nx和Ny邻域之间的高斯加权欧式距离,Z(Nx,Ny)表示Nx和Ny邻域之间的灰度距离,w(x,y)是像素x和像素y相似程度的权重,且0<w(x,y)<1,∑y∈Iw(x,y)=1。
3.根据权利要求2所述的一种有效的井下煤尘检测系统,其特征是,所述煤尘图像分割模块采用基于最大模糊熵的图像分割算法对煤尘图像进行有效的分割,包括参数组合搜索单元和分割阈值计算单元,所述参数组合搜索单元用于搜索一组参数组合(a,b)使图像的总模糊熵取最大值,所述分割阈值计算单元用于根据求得的参数组合计算煤尘图像的分割阈值。
4.根据权利要求3所述的一种有效的井下煤尘检测系统,其特征是,所述参数组合搜索单元包括粒子群优化子单元和粒子群变异子单元,所述粒子群优化子单元用于在粒子群算法中引入权重因子的计算,所述粒子群变异子单元在粒子的位置和速度进行更新后,再对部分粒子进行变异操作。
5.根据权利要求4所述的一种有效的井下煤尘检测系统,其特征是,所述粒子群优化子单元用于在粒子群算法中引入权重因子的计算,其采用一种改进的惯性权重因子计算方法,具体为:
<mrow>
<mi>&omega;</mi>
<mo>=</mo>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
<msub>
<mi>d</mi>
<mi>max</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mo>(</mo>
<mrow>
<msub>
<mi>p</mi>
<mrow>
<mi>g</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mrow>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msup>
</mrow>
式中,ωmax表示最大惯性权重,ωmin表示最小惯性权重,di是当前粒子距离全局最优值之间的欧几里得距离,dmax是粒子距离全局最优值之间的最大欧几里得距离,dmin是粒子距离全局最优值之间的最小欧几里得距离,xij是当前粒子所在的位置,pgj表示粒子本身所找到的最优解的位置。
6.根据权利要求4所述的一种有效的井下煤尘检测系统,其特征是,所述粒子群变异子单元在粒子的位置和速度进行更新后,再对部分粒子进行变异操作,定义是第k次迭代时选中的第i个要变异的粒子,是该粒子的第j维,xk是k次迭代时的群体最优解,xmax该粒子搜索空间的上限,xmin是该粒子搜索空间的下限,则变异后的为:
<mrow>
<mi>m</mi>
<mi>u</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msup>
<mi>x</mi>
<mi>k</mi>
</msup>
<mo>+</mo>
<mi>&sigma;</mi>
<mo>&times;</mo>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msup>
<mi>x</mi>
<mi>k</mi>
</msup>
<mo>)</mo>
<mi>&sigma;</mi>
<mo>></mo>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<msup>
<mi>x</mi>
<mi>k</mi>
</msup>
<mo>+</mo>
<mi>&sigma;</mi>
<mo>&times;</mo>
<mo>(</mo>
<msup>
<mi>x</mi>
<mi>k</mi>
</msup>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
<mi>&sigma;</mi>
<mo>&le;</mo>
<mn>0</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
小波函数σ的计算公式如下:
<mrow>
<mi>a</mi>
<mo>=</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>ln</mi>
<mi>g</mi>
<mo>&times;</mo>
<msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>k</mi>
<mo>/</mo>
<msub>
<mi>k</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>&rho;</mi>
<mi>&epsiv;</mi>
</msub>
</msup>
<mo>+</mo>
<mi>ln</mi>
<mi>g</mi>
</mrow>
</msup>
</mrow>
式中,ρε是单调递增方程的形状参数,g为a的上限值,k为当前的迭代次数,kmax为最大迭代次数,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710581421.1A CN107341495A (zh) | 2017-07-17 | 2017-07-17 | 一种有效的井下煤尘检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710581421.1A CN107341495A (zh) | 2017-07-17 | 2017-07-17 | 一种有效的井下煤尘检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107341495A true CN107341495A (zh) | 2017-11-10 |
Family
ID=60218803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710581421.1A Pending CN107341495A (zh) | 2017-07-17 | 2017-07-17 | 一种有效的井下煤尘检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107341495A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108170200A (zh) * | 2018-01-03 | 2018-06-15 | 南京航空航天大学 | 基于动态惯性权重和多阈值重启条件的改进粒子群mppt算法 |
CN109146864A (zh) * | 2018-08-10 | 2019-01-04 | 华侨大学 | 基于模糊熵的差分进化算法对乳腺图像进行分割的方法 |
CN117853933A (zh) * | 2024-03-07 | 2024-04-09 | 山东矿通智能装备有限公司 | 一种用于露天煤矿开采的煤层识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100088054A1 (en) * | 2001-05-24 | 2010-04-08 | Emilio Miguelanez | Methods and apparatus for data analysis |
CN102737230A (zh) * | 2012-05-25 | 2012-10-17 | 华中科技大学 | 一种基于方向场估计的非局部均值滤波方法 |
US8346711B2 (en) * | 2009-11-24 | 2013-01-01 | King Fahd University Of Petroleum And Minerals | Method for identifying multi-input multi-output Hammerstein models |
CN103116879A (zh) * | 2013-03-15 | 2013-05-22 | 重庆大学 | 一种基于邻域加窗的非局部均值ct成像去噪方法 |
CN103839234A (zh) * | 2014-02-21 | 2014-06-04 | 西安电子科技大学 | 一种基于可控核的双几何非局部均值图像去噪方法 |
CN106203377A (zh) * | 2016-07-20 | 2016-12-07 | 西安科技大学 | 一种煤粉尘图像识别方法 |
CN106228234A (zh) * | 2016-07-20 | 2016-12-14 | 浙江工业大学 | 一种基于梯度下降法的多目标粒子群优化方法 |
CN106815818A (zh) * | 2017-01-17 | 2017-06-09 | 中国科学院上海高等研究院 | 一种图像去噪方法 |
-
2017
- 2017-07-17 CN CN201710581421.1A patent/CN107341495A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100088054A1 (en) * | 2001-05-24 | 2010-04-08 | Emilio Miguelanez | Methods and apparatus for data analysis |
US8346711B2 (en) * | 2009-11-24 | 2013-01-01 | King Fahd University Of Petroleum And Minerals | Method for identifying multi-input multi-output Hammerstein models |
CN102737230A (zh) * | 2012-05-25 | 2012-10-17 | 华中科技大学 | 一种基于方向场估计的非局部均值滤波方法 |
CN103116879A (zh) * | 2013-03-15 | 2013-05-22 | 重庆大学 | 一种基于邻域加窗的非局部均值ct成像去噪方法 |
CN103839234A (zh) * | 2014-02-21 | 2014-06-04 | 西安电子科技大学 | 一种基于可控核的双几何非局部均值图像去噪方法 |
CN106203377A (zh) * | 2016-07-20 | 2016-12-07 | 西安科技大学 | 一种煤粉尘图像识别方法 |
CN106228234A (zh) * | 2016-07-20 | 2016-12-14 | 浙江工业大学 | 一种基于梯度下降法的多目标粒子群优化方法 |
CN106815818A (zh) * | 2017-01-17 | 2017-06-09 | 中国科学院上海高等研究院 | 一种图像去噪方法 |
Non-Patent Citations (1)
Title |
---|
张伟: "基于图像处理的井下煤尘在线检测技术的研究", 《中国优秀博士学位论文全文数据库 信息科技辑,第I138-83页》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108170200A (zh) * | 2018-01-03 | 2018-06-15 | 南京航空航天大学 | 基于动态惯性权重和多阈值重启条件的改进粒子群mppt算法 |
CN109146864A (zh) * | 2018-08-10 | 2019-01-04 | 华侨大学 | 基于模糊熵的差分进化算法对乳腺图像进行分割的方法 |
CN117853933A (zh) * | 2024-03-07 | 2024-04-09 | 山东矿通智能装备有限公司 | 一种用于露天煤矿开采的煤层识别方法 |
CN117853933B (zh) * | 2024-03-07 | 2024-05-17 | 山东矿通智能装备有限公司 | 一种用于露天煤矿开采的煤层识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107341495A (zh) | 一种有效的井下煤尘检测系统 | |
Sun et al. | Kohonen neural network and factor analysis based approach to geochemical data pattern recognition | |
CN113989716B (zh) | 煤矿井下输送带异物目标检测方法、系统、设备及终端 | |
CN113592822A (zh) | 一种电力巡检图像的绝缘子缺陷定位方法 | |
Wu et al. | Genetic algorithm with multiple fitness functions for generating adversarial examples | |
Qian et al. | Grid-based Data Stream Clustering for Intrusion Detection. | |
Zixian et al. | Outburst prediction and influencing factors analysis based on Boruta-Apriori and BO-SVM algorithms | |
Daohong et al. | Application of GA-SVM in classification of surrounding rock based on model reliability examination | |
CN108983296B (zh) | 一种瞬变电磁和激发极化效应解耦方法 | |
Chen et al. | Fresh tea sprouts detection via image enhancement and fusion SSD | |
Wang et al. | Classification of ship trajectories by using naive Bayesian algorithm | |
Li et al. | Cascaded progressive generative adversarial networks for reconstructing three-dimensional grayscale core images from a single two-dimensional image | |
Li et al. | Exploring label probability sequence to robustly learn deep convolutional neural networks for road extraction with noisy datasets | |
Meng et al. | Intrusion detection method based on improved K-means algorithm | |
CN105488477A (zh) | 一种基于双重检验的假密度峰值检测算法 | |
CN116206169A (zh) | 一种智能煤矸石目标检测方法 | |
Cao et al. | Wafer surface defect detection based on improved YOLOv3 network | |
Zhang | Faster R-CNN transmission line multi-target detection based on BAM | |
Al-Khamees et al. | Survey: Clustering techniques of data stream | |
CN112052336B (zh) | 一种基于社交网络平台信息的交通突发事件识别方法及系统 | |
CN116029957A (zh) | 基于马尔科夫链蒙特卡罗的绝缘子图像污秽识别方法 | |
Wang et al. | A robust and lightweight detector for ship target with complex background in SAR image | |
CN116957421B (zh) | 一种基于人工智能的洗选生产智能化监测系统 | |
Hu et al. | Foreign object recognition model on coal mine belt conveyors based on improved mobilenetv3 | |
Bakır et al. | Determination of Water Pollution and Water Quality with Decision Trees |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171110 |
|
RJ01 | Rejection of invention patent application after publication |