CN108197630A - 一种基于自学习的煤岩识别方法 - Google Patents
一种基于自学习的煤岩识别方法 Download PDFInfo
- Publication number
- CN108197630A CN108197630A CN201810222482.3A CN201810222482A CN108197630A CN 108197630 A CN108197630 A CN 108197630A CN 201810222482 A CN201810222482 A CN 201810222482A CN 108197630 A CN108197630 A CN 108197630A
- Authority
- CN
- China
- Prior art keywords
- coal petrography
- image
- coal
- sample
- feature 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000011435 rock Substances 0.000 title claims abstract description 22
- 239000003245 coal Substances 0.000 claims abstract description 69
- 239000013598 vector Substances 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000013480 data collection Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 abstract description 4
- 238000012512 characterization method Methods 0.000 abstract description 2
- 241001269238 Data Species 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 21
- 230000006870 function Effects 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21C—MINING OR QUARRYING
- E21C35/00—Details of, or accessories for, machines for slitting or completely freeing the mineral from the seam, not provided for in groups E21C25/00 - E21C33/00, E21C37/00 or E21C39/00
- E21C35/24—Remote control specially adapted for machines for slitting or completely freeing the mineral
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21C—MINING OR QUARRYING
- E21C39/00—Devices for testing in situ the hardness or other properties of minerals, e.g. for giving information as to the selection of suitable mining tools
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Geology (AREA)
- Geochemistry & Mineralogy (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Mechanical Engineering (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于自学习的煤岩识别方法,该方法首先通过离线的方式从辅助数据中学习到高层结构特征矩阵D,这些辅助数据是无标签非煤岩自然图像,且更容易获取;然后将煤岩图像表征为若干个高层特征原子的线性组合,线性组合的系数组成一个新的特征向量作为煤岩图像的特征向量;然后用提取到的煤岩特征向量训练分类器;识别过程中,提取未知类别的煤岩图像的特征向量,输入到训练完成的分类器中,最终输出煤岩图像的类别。该方法用容易获得的无标签非煤岩自然图像作为训练样本,节省了标记大量煤岩样本的开销,提取的煤岩特征向量具有很强的鉴别性和鲁棒性,达到了很好地识别效果。
Description
技术领域
本发明涉及一种基于自学习的煤岩识别方法,属于煤岩识别领域。
背景技术
煤岩识别即是用一种方法自动识别出煤或岩石,在煤炭生产过程中,煤岩识别技术可广泛应用于滚筒采煤、掘进、放顶煤开采、原煤选矸石等生产环节,对于减少采掘工作面作业人员、减轻工人劳动强度、改善作业环境、实现煤矿安全高效生产具有重要意义。
实际应用中已经有多种煤岩识别方法,包括自然γ射线探测法、雷达探测法、应力截齿法、红外探测法、有功功率监测法、振动检测法、声音检测法、粉尘检测法、记忆截割法等,但这些方法在实际应用中存在着如下问题:
1、需要在现有设备上加装各类传感器获取信息,导致装置结构复杂,成本高;
2、采煤机滚筒、掘进机等设备在生产过程中受力复杂、振动剧烈、磨损严重、粉尘大,传感器部署比较困难,容易导致机械构件、传感器和电气线路受到损坏,装置可靠性差;
3、对于不同类型机械设备,传感器的最佳类型和信号拾取点的选择存在较大区别,需要进行个性化定制,系统的适应性差。
为了解决上述问题,基于图像技术的煤岩识别方法不断被重视和研究,并取得了一定的成果,包括基于小波变换的煤岩识别方法,利用小波基提取煤岩图像特征进行分类识别;一种基于字典学习的煤岩识别方法,利用字典学习的方法提取煤岩图像的特征,它可以通过学习的方式得到基函数,适用性强;一种基于小波域非对称广义高斯模型的煤岩识别方法,利用改进的相对熵相似性测度实现煤岩特征的提取等,在这些煤岩识别技术中煤岩图像特征的提取是能否获得满意的识别率的关键因素,而高质量表达需要训练过程中有足量的样本,训练样本数量太少,一方面不能真实地反映出煤岩样本数据集的特征分布,因此训练得到的煤岩图像特征表达能力弱,不能达到理想的识别效果;另一方面训练样本太少,识别模型的训练容易过拟合致使泛化性能低,而在实际应用中获取大量的带标签煤岩图像样本费时费力。现有的半监督学习中,当现有的带标签训练样本数量不足时,需要在有类标签的训练样本数据集的基础上,加入大量同类的无标签样本图像辅助训练,节省了标记样本的开销,但对于煤岩这种难以获取的样本图像来说,半监督学习仍然有一定的局限性;而迁移学习中,要求源域样本与目标域存在一定的共有特征,在实际操作中存在一定的困难。
需要一种解决或至少改善现有技术中固有的一个或多个问题的煤岩识别方法,以提高煤岩识别率和识别稳定性。
发明内容
因此,本发明的目的在于提供一种基于自学习的煤岩识别方法,该方法首先通过离线方式从辅助数据集获得图像的高层结构特征D=[d(1),d(2),…,d(j),…,d(p)]∈Rn×p,辅助数据集中的样本是无标签的非煤岩自然图像,与煤岩图像的特征分布完全无关,然后将煤岩图像表征为若干个高层特征原子di∈Rn的线性组合,线性组合的系数组成一个新的特征向量a(i)∈Rp作为煤岩图像的特征向量,实现了对煤岩图像的特征提取。该煤岩识别方法无需大量标记的煤岩图像样本,节省了获取、标记煤岩图像的开销,得到的煤岩特征向量具有很高的鉴别性和鲁棒性,得到了很好的识别效果,可为自动化采掘,自动化放煤,自动化选矸等生产过程提供可靠的煤岩识别信息。
根据一种实施例形式,提供一种基于自学习的煤岩识别方法,包括以下步骤:
S1.任意选取无标签的非煤岩自然图像共K张,组成辅助数据集同时采集带有标签的煤岩图像共M张,组成带有标记y(i)∈{0,1}的煤岩样本数据集
S2.利用辅助数据集F通过求解如下的优化问题从辅助数据集中获得图像的高层结构特征矩阵D=[d(1),d(2),…,d(j),…,d(p)]∈Rn×p,优化问题如下:
其中c(i)∈Rp表示第i个辅助数据样本的特征向量的权重系数,λ为正则化因子;
S3.利用步骤S2中得到的高层结构特征矩阵D,通过求解如下优化函数获取煤岩样本数据集T中每一个样本的特征向量a(i)∈Rp,由此得到一个新的带标记的煤岩图像样本集函数如下:
其中p(i)=[p(i1),p(i2),…,p(ip)],⊙代表向量对应元素相乘的运算;
S4.用样本集训练分类器;
S5.对于一张未知类别的煤岩图像x通过步骤S3得到它的特征向量a∈Rp,并将特征向量输入到步骤S4中训练好的分类器中,输出图像的类别(煤或岩)。
附图说明
通过以下说明,附图实施例变得显而易见,其仅以结合附图描述的至少一种优选但非限制性实施例的示例方式给出。
图1是本发明所述的煤岩识别方法的基本流程图。
具体实施方式
本发明公开了一种基于自学习局部约束线性编码的煤岩识别方法,图1是基于自学习局部约束线性编码的煤岩识别方法的流程图,参照图1进行具体描述:
S1.辅助数据集和煤岩样本数据集的获取和处理
A.从公共数据集微软人体姿态数据库MSRC Dataset中任意选取无标签的非煤岩自然图像K=300张,进行灰度化处理后,在每幅图像的中心截取大小为128×128像素的图像块,并拉伸为向量,为了提高训练效率,采用PCA降维算法降至64维向量,组成辅助数据集R∈R64×300,
B.从煤岩识别任务的现场如采煤工作面采集不同照度,不同视点的煤岩图像M=200张,并经过灰度化处理,其中煤和岩各100张,在每张煤岩图像的中心截取60×60像素的子图像,并将每张子图像拉伸为3600维的列向量,再通过PCA算法降维到64维,将这些列向量组成煤岩样本数据集T∈R64×200。
S2.利用辅助数据集R求解如下的优化问题,从辅助数据集中获得图像的高层结构特征矩阵D=[d(1),d(2),…,d(j),…,d(p)]∈Rn×p,优化问题如下:
其中||·||2代表L2范数,||·||1代表L1范数,λ表示正则化因子,用于平衡重构误差和稀疏度(特征向量中非零元素的个数),||c(i)||1为稀疏约束项。
求解上述优化问题分为两步:第一步固定高层结构特征矩阵D,利用最小角回归算法求解得到权重系数c(i),第二步固定权重系数,更新特征原子,迭代多次之后得到图像高层结构特征矩阵D∈R64×p(本发明实施例中选择的特征原子数p=134)。
S3.利用S2.中得到的高层结构特征矩阵D∈R64×134,通过局部约束线性编码的方式,提取煤岩样本数据集T中每个样本的特征向量,构造函数如下:
其中代表局部稀疏约束项,p(i)=[p(i1),p(i2),…,p(ip)],其中表示的是煤岩样本矩阵T中第i个样本与高层结构特征矩阵D第j个特征原子的欧氏距离。上述构造函数存在解析解,通过上述构造函数和已经得到的高层结构特征矩阵D组建拉格朗日方程如下:
求解方程得到每个煤岩样本的稀疏特征向量其中,稀疏特征向量得到的这些稀疏向量,作为新的特征表征煤岩图像,由此得到一个新的带标记的煤岩图像样本集
S4.SVM分类器的训练与测试
从新的煤岩图像样本集中随机抽取100张煤岩图像作为训练集,其中煤岩各50张,训练SVM分类器,剩余部分作为测试集测试识别效果,得出识别率。
在SVM分类器中核函数的种类主要有线性核函数、多项式核函数、高斯核函数(RBF径向基核函数),在本发明中选用的为高斯核函数,即x1,x2代表任意两个煤岩图像的稀疏特征向量,σ是尺度参数。在训练SVM分类器时,为了得到最优的参数σ和C,设定尺度参数σ的取值范围为[2-15,22],惩罚因子C的取值范围为[2-3,220],本发明中采用5折交叉验证网格搜索的方法寻找最优的参数组合,得到最优的识别效果。
S5.对于一幅未知类别的煤岩图像x经过步骤S1的预处理之后,再通过步骤S3得到它的稀疏特征向量a∈R134,并将稀疏特征向量输入到步骤S4中训练好的分类器中,输出图像的类别(煤或岩)。
以上所述为本发明的基本原理和实施过程,但本发明的保护范围并不局限于此,但凡熟悉本领域的技术人员在本发明揭露的技术范围内,所作的等效修饰或变换,都应涵盖在本发明的保护范围之内。
Claims (1)
1.一种基于自学习的煤岩识别方法,其特征在于,包括以下步骤:
S1.任意选取无标签的非煤岩自然图像共K张,组成辅助数据集同时采集带有标签的煤岩图像共M张,组成带有标记y(i)∈{0,1}的煤岩样本数据集
S2.利用辅助数据集F通过求解如下的优化问题从辅助数据集中获得图像的高层结构特征矩阵D=[d(1),d(2),…,d(j),…,d(p)]∈Rn×p,优化问题如下:
其中c(i)∈Rp表示第i个辅助数据样本的特征向量的权重系数,λ为正则化因子;
S3.利用步骤S2中得到的高层结构特征矩阵D,通过求解如下优化函数获取煤岩样本数据集T中每一个样本的特征向量a(i)∈Rp,由此得到一个新的带标记的煤岩图像样本集函数如下:
其中p(i)=[p(i1),p(i2),…,p(ip)],⊙代表向量对应元素相乘的运算;
S4.用样本集训练分类器;
S5.对于一张未知类别的煤岩图像x通过步骤S3得到它的特征向量a∈Rp,并将特征向量输入到步骤S4中训练好的分类器中,输出图像的类别(煤或岩)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810222482.3A CN108197630A (zh) | 2018-03-19 | 2018-03-19 | 一种基于自学习的煤岩识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810222482.3A CN108197630A (zh) | 2018-03-19 | 2018-03-19 | 一种基于自学习的煤岩识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108197630A true CN108197630A (zh) | 2018-06-22 |
Family
ID=62595471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810222482.3A Pending CN108197630A (zh) | 2018-03-19 | 2018-03-19 | 一种基于自学习的煤岩识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108197630A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815999A (zh) * | 2019-01-08 | 2019-05-28 | 浙江大学 | 一种简便高效的自动化煤矸识别方法 |
CN109944590A (zh) * | 2019-01-08 | 2019-06-28 | 浙江大学 | 一种可靠的采煤机切割模式识别系统 |
CN110424964A (zh) * | 2019-08-21 | 2019-11-08 | 中国矿业大学(北京) | 一种煤岩界面识别方法 |
CN111779524A (zh) * | 2020-06-30 | 2020-10-16 | 中国矿业大学 | 一种综放工作面液压支架智能放煤方法 |
CN111810160A (zh) * | 2020-07-28 | 2020-10-23 | 内蒙古智矿环保高新科技有限责任公司 | 一种露天采矿智能化控制系统 |
CN112348100A (zh) * | 2020-11-13 | 2021-02-09 | 成都理工大学 | 一种岩石识别方法、装置、设备及存储介质 |
CN112354874A (zh) * | 2020-09-03 | 2021-02-12 | 江苏旷博智能技术有限公司 | 煤和矸石的识别方法以及矸石自动分离系统 |
CN113052208A (zh) * | 2021-03-10 | 2021-06-29 | 神华神东煤炭集团有限责任公司 | 基于视觉的煤岩识别方法、存储介质及电子设备 |
CN115795369A (zh) * | 2023-02-09 | 2023-03-14 | 西安华创马科智能控制系统有限公司 | 煤岩界面识别方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105447517A (zh) * | 2015-11-20 | 2016-03-30 | 中国矿业大学(北京) | 基于稀疏编码的空域金字塔匹配识别煤岩的方法 |
WO2016091017A1 (zh) * | 2014-12-09 | 2016-06-16 | 山东大学 | 一种高光谱图像分类中光谱向量互相关特征的抽取方法 |
-
2018
- 2018-03-19 CN CN201810222482.3A patent/CN108197630A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016091017A1 (zh) * | 2014-12-09 | 2016-06-16 | 山东大学 | 一种高光谱图像分类中光谱向量互相关特征的抽取方法 |
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 |
CN105447517A (zh) * | 2015-11-20 | 2016-03-30 | 中国矿业大学(北京) | 基于稀疏编码的空域金字塔匹配识别煤岩的方法 |
Non-Patent Citations (6)
Title |
---|
CHIA-PO WEI等: "Locality-sensitive dictionary learning for sparse representation based classification", 《PATTERN RECOGNITION》, vol. 46, no. 5, pages 1280 * |
DONGZHE WANG等: "Adaptive Multimodal Fusion with Web Resources for Scene Classification", 《2016 19TH INTERNATIONAL CONFERENCE ON INFORMATION FUSION(FUSION)》, pages 114 - 121 * |
JINJUN WANG等: "Locality-constrained Linear Coding for Image Classificationon", 《2010 IEEE COMPUTER SOCIETY CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》, pages 3362 * |
RAJAT RAINA等: "Self-taught learning:Transfer learning from unlabeled data", 《PROCEEDINGS OF THE 24TH INTERNATIONAL CONFERENCE ON MACHINE LEARNING》, pages 760 * |
伍云霞等: "局部约束的自学习煤岩识别方法", 《煤炭学报》, vol. 43, no. 9, pages 2639 - 2646 * |
佘杰: "基于图像的煤岩识别方法研究", 《中国博士学位论文全文数据库:信息科技辑》, no. 2014, pages 138 - 43 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109944590A (zh) * | 2019-01-08 | 2019-06-28 | 浙江大学 | 一种可靠的采煤机切割模式识别系统 |
CN109815999A (zh) * | 2019-01-08 | 2019-05-28 | 浙江大学 | 一种简便高效的自动化煤矸识别方法 |
CN110424964B (zh) * | 2019-08-21 | 2021-05-07 | 中国矿业大学(北京) | 一种煤岩界面识别方法 |
CN110424964A (zh) * | 2019-08-21 | 2019-11-08 | 中国矿业大学(北京) | 一种煤岩界面识别方法 |
CN111779524A (zh) * | 2020-06-30 | 2020-10-16 | 中国矿业大学 | 一种综放工作面液压支架智能放煤方法 |
CN111810160A (zh) * | 2020-07-28 | 2020-10-23 | 内蒙古智矿环保高新科技有限责任公司 | 一种露天采矿智能化控制系统 |
CN111810160B (zh) * | 2020-07-28 | 2021-05-28 | 内蒙古智矿环保高新科技有限责任公司 | 一种露天采矿智能化控制系统 |
CN112354874A (zh) * | 2020-09-03 | 2021-02-12 | 江苏旷博智能技术有限公司 | 煤和矸石的识别方法以及矸石自动分离系统 |
CN112348100A (zh) * | 2020-11-13 | 2021-02-09 | 成都理工大学 | 一种岩石识别方法、装置、设备及存储介质 |
CN113052208A (zh) * | 2021-03-10 | 2021-06-29 | 神华神东煤炭集团有限责任公司 | 基于视觉的煤岩识别方法、存储介质及电子设备 |
CN113052208B (zh) * | 2021-03-10 | 2023-08-25 | 神华神东煤炭集团有限责任公司 | 基于视觉的煤岩识别方法、存储介质及电子设备 |
CN115795369A (zh) * | 2023-02-09 | 2023-03-14 | 西安华创马科智能控制系统有限公司 | 煤岩界面识别方法和装置 |
CN115795369B (zh) * | 2023-02-09 | 2023-05-26 | 西安华创马科智能控制系统有限公司 | 煤岩界面识别方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108197630A (zh) | 一种基于自学习的煤岩识别方法 | |
Peyghambari et al. | Hyperspectral remote sensing in lithological mapping, mineral exploration, and environmental geology: an updated review | |
Baraboshkin et al. | Deep convolutions for in-depth automated rock typing | |
Shanmugam et al. | Spectral matching approaches in hyperspectral image processing | |
Marpu et al. | Classification of hyperspectral data using extended attribute profiles based on supervised and unsupervised feature extraction techniques | |
Klaric et al. | GeoCDX: An automated change detection and exploitation system for high-resolution satellite imagery | |
CN103927528B (zh) | 基于紧邻域像素灰度联合分布特征的煤岩识别方法 | |
CN103927514A (zh) | 一种基于随机局部图像特征的煤岩识别方法 | |
Hussain et al. | A simple and efficient deep learning-based framework for automatic fruit recognition | |
CN109034213B (zh) | 基于相关熵原则的高光谱图像分类方法和系统 | |
Unsalan et al. | Classifying land development in high-resolution satellite imagery using hybrid structural-multispectral features | |
Ronaldo et al. | Effective Soil type classification using convolutional neural network | |
Singh et al. | Roof bolt identification in underground coal mines from 3D point cloud data using local point descriptors and artificial neural network | |
Gašparović | Urban growth pattern detection and analysis | |
Aydda et al. | Evolution of sand encroachment using supervised classification of Landsat data during the period 1987–2011 in a part of Laâyoune-Tarfaya basin of Morocco | |
Tian et al. | Feature detection for digital images using machine learning algorithms and image processing | |
Lobos et al. | Analysis and classification of natural rock textures based on new transform-based features | |
Elmannai et al. | Classification using semantic feature and machine learning: Land-use case application | |
Weidner et al. | An algorithm for measuring landslide deformation in terrestrial lidar point clouds using trees | |
Windrim et al. | Unsupervised ore/waste classification on open-cut mine faces using close-range hyperspectral data | |
CN108960005B (zh) | 一种智能视觉物联网中对象视觉标签的建立及显示方法、系统 | |
Asadi et al. | Semi-Supervised Learning Method for the Augmentation of an Incomplete Image-Based Inventory of Earthquake-Induced Soil Liquefaction Surface Effects | |
CN103942576A (zh) | 一种用空域多尺度随机特征识别煤岩的方法 | |
El-Arafy et al. | Using edge detection techniques and machine learning classifications for accurate lithological discrimination and structure lineaments extraction: a comparative case study from Gattar area, Northern Eastern Desert of Egypt | |
Zhu et al. | Depthwise separable convolution feature learning for ihomogeneous rock image classification |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180622 |