CN109993766A - 基于深度学习的砂石图像粒径检测方法 - Google Patents
基于深度学习的砂石图像粒径检测方法 Download PDFInfo
- Publication number
- CN109993766A CN109993766A CN201910201075.9A CN201910201075A CN109993766A CN 109993766 A CN109993766 A CN 109993766A CN 201910201075 A CN201910201075 A CN 201910201075A CN 109993766 A CN109993766 A CN 109993766A
- Authority
- CN
- China
- Prior art keywords
- image
- sandstone
- obtains
- concave point
- segmentation
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 238000000691 measurement method Methods 0.000 title claims abstract description 16
- 230000011218 segmentation Effects 0.000 claims abstract description 38
- 230000000694 effects Effects 0.000 claims abstract description 30
- 238000000638 solvent extraction Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 230000000877 morphologic effect Effects 0.000 claims abstract description 7
- 238000000926 separation method Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000005259 measurement Methods 0.000 abstract 1
- 238000000034 method Methods 0.000 description 8
- 239000004575 stone Substances 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 4
- 239000004576 sand Substances 0.000 description 4
- 239000002245 particle Substances 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于深度学习的砂石图像粒径检测方法，包括步骤：(10)砂石标注图像获取：手工标记原始砂石图像，得到砂石标注图像；(20)初次分割：利用深度学习分割模型，学习训练砂石标注图像，测试模型，得到初次分割效果图；(30)二值图像获取：对初次分割效果图进行二值化处理和形态学操作，得到二值图像；(40)凹点手工标记：手工标记二值图像的凹点，得到凹点手工标记图像；(50)凹点自动标记：利用深度学习标记模型，得到凹点自动标记图像；(60)凹点配对：配对连接凹点，得到分割砂石图像；(70)砂石粒径计算：根据分割砂石图像，计算砂石粒径大小。本发明的检测方法，砂石目标分割准确，粒径检测速度快、精度高。
Description
技术领域
本发明属于复杂微小目标检测技术领域，特别是一种砂石目标分割效果好、检测速度快、精度高的基于深度学习的砂石图像粒径检测方法。
背景技术
不同粒径的碎石按照一定比例混合起来，达到符合要求的密实度，就称这些碎石为级配碎石。在对不同粒径大小进行混合之前，首先要做的就是要获得砂石的粒径大小。因此，良好的砂石目标分割方法将影响着砂石粒径大小的计算精度，这将对后期的砂石混合精确度起着至关重要的影响。
传统的砂石粒径大小检测方法，通过人工抽样进行检测，耗时费力；或者是通过工业砂石筛分机进行筛分，获得的结果较为粗略，并不能获得砂石粒径的大小数据，因此将会影响后期的砂石级配的精度。从计算机视觉的角度出发，利用图像处理技术可以快速的将砂石图像砂石目标分割开来。针对砂石图像的图像处理方法有很多，但如何对砂石目标个体进行分割，得到每个独立的砂石目标是问题的关键。
图像分割是由图像处理到图像分析的关键步骤。由于砂石图像与普通的图像有着较大的差别，其微小砂石目标紧密的连接在一起且互相遮挡，所以直接使用传统的图像分割方法可能会与预期结果又较大的差别。
总之，现有技术存在的问题是：砂石图像砂石目标分割效果差，导致砂石粒径检测速度慢、精度不够高。
发明内容
本发明的目的在于提供一种基于深度学习的砂石图像粒径检测方法，砂石目标分割效果好、检测速度快、精度高。
实现本发明目的的技术解决方案为：
一种基于深度学习的砂石图像粒径检测方法，包括如下步骤：
(10)砂石标注图像获取：对获得的原始砂石图像进行砂石边缘手工标记，得到砂石标注图像；
(20)初次分割：利用深度学习分割模型，学习训练砂石标注图像，测试模型，得到初次分割效果图；
(30)二值图像获取：对初次分割效果图进行二值化处理和形态学操作，得到二值图像；
(40)凹点手工标记：手工标记二值图像的凹点，得到凹点手工标记图像；
(50)凹点自动标记：利用深度学习标记模型，学习训练凹点手工标记图像，测试模型，得到凹点自动标记图像；
(60)凹点配对：对凹点自动标记图像进行凹点配对连接，得到分割完成且粘连分离的分割砂石图像；
(70)砂石粒径计算：根据分割砂石图像，计算砂石粒径大小。
本发明与现有技术相比，其显著优点为：
1、检测速度快、精度高：本发明对砂石图像砂石目标进行分割与分离，使用分割结果图计算砂石目标的粒径大小，可有效提升砂石粒径大小计算的速度和精确度，提升了工业上不同砂石粒径大小的砂石进行混合的精度，间接的提高了工程建设的质量。
2、砂石目标分割效果好：本发明前后共使用了两次深度学习网络模型，两个模型在网络结构上是相同的，都是基于全卷积网络设计而来，但由于两次用于训练和测试的数据集不同，训练所得的参数(权重w、偏置b)也不同，所以两个网络模型的任务也是不同的。第一次深度学习模型目的在于将砂石目标与无效背景分割开，即分割操作，但由于砂石目标过于细小、紧密粘连并且相互遮挡互为干扰，所以初次砂石目标的分割效果并不理想；第二次深度学习网络模型目的在于将初次分割效果图中相互粘连的砂石目标分离开来，即分离操作，最终得到了分割且分离后的相互独立的砂石目标。本发明解决了现有分割方法无法准确分割出砂石目标的问题，能够准确地将砂石图像中砂石目标分割开，尤其是对细小目标的分割也有较好的效果。
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。
附图说明
图1为本发明基于深度学习的砂石图像粒径检测方法的主流程图。
图2对砂石目标进行分割与分离过程各个阶段的效果图。
其中(a)、(b)、(c)、(e)、(f)、(g)是为符合说明说附图要求，将带有色彩的图像转换成了灰度图。为了视觉效果上显示出各个阶段的差异，特将转换后的灰度图的颜色饱和度设置为0％，色温设置为6500k。
具体实施方式
如图1所示，本发明基于深度学习的砂石图像粒径检测方法，包括如下步骤：
(10)砂石标注图像获取：对获得的原始砂石图像进行砂石边缘手工标记，得到砂石标注图像；
所述(10)砂石标注图像获取步骤具体为：
使用相机拍照获得原始砂石图像，使用Photoshop进行手工标注砂石目标的边缘，其中砂石边缘标为红色，无效背景涂为蓝色，得到砂石标注图像。
为了便于理解，我们将做如下的字符说明，原始的砂石图像为I，砂石目标分割操作结束后的最终分割效果图为I62，第一次训练学习得到的深度学习模型为M1，第二次训练学习得到的深度学习模型为M2，最终计算所得的砂石粒径大小为N。
获得的原始砂石图像I，如图2(a)所示；使用Photoshop进行手工标注砂石目标的边缘，其中砂石边缘标为红色，无效背景涂为蓝色，得到标记后的图像I1，如图2(b)所示。
(20)初次分割：利用深度学习分割模型，学习训练砂石标注图像，测试模型，得到初次分割效果图；
所述(20)初次分割步骤具体为：
(21)搭建一个基于全卷积的神经网络，利用砂石标注图像及其对应的原图作为训练样本，进行训练学习，得到深度学习分割模型，使用分割模型处理全新的砂石原图，得到初次分割效果图。
搭建基于全卷积的神经网络，利用标记后的图像I1以及其对应的原始的砂石图像I作为训练样本，进行训练学习后得到深度学习模型M1；
该过程具体包括：
(211)基于全卷积的分割模型，目的在于通过训练学习，得到一个能够将砂石目标与无效背景分隔开的分割模型。共包括4个数据输入层(Data)、6个卷积层(Convolution)、6个激活层(ReLU)、1个输出层，1个计算损失层(Loss)。
(212)对于步骤211)中的4个数据输入层，分别为Train阶段data输入层、Train阶段label输入层、Test阶段data输入层、Test阶段label输入层。并且4个输入的层的batch_size都为1。
(213)对于步骤211)中的6个卷积层(Convolution)，第一层卷积层(conv2_1)的参数为：num_output：16，kernel_size：9，stride：1，pad：4；第二层卷积层(conv2_1)到第四层卷积层(conv2_4)的参数相同，分别为：num_output：32，kernel_size：7，stride：1，pad：3；第五层卷积层(conv2_5)和第六层卷积层(conv2_6)的参数相同，分别为：num_output：32，kernel_size：5，stride：1，pad：2。
(214)对于步骤211)中的损失层(Loss)，我们使用了SoftmaxWithLoss作为损失函数，计算输出结果score与实际label之间的误差。
(22)使用深度学习模型M1处理全新的砂石原图I，得到初次分割的效果图I2，图像I2如图2(c)所示。
(30)二值图像获取：对初次分割效果图进行二值化处理和形态学操作，得到二值图像；
所述(30)二值图像获取步骤具体为：
对初次分割效果图进行二值化处理，即将砂石目标置为白色，其余无效背景置为黑色，然后进行腐蚀、膨胀等形态学操作，得到二值图像。
对砂石目标和无效背景设置后的图像进行腐蚀、膨胀等形态学操作，以去掉细小的噪声点，得到效果图I3，图像I3如图2(d)所示。
(40)凹点手工标记：手工标记二值图像的凹点，得到凹点手工标记图像；
所述(40)凹点手工标记步骤具体为：
利用Photoshop工具软件，对二值图像上砂石与砂石之间粘连处的凹点进行手工标记。
由于分割后的砂石目标仍有很多粘连在一起，所以需要将其分离开来，此处使用Photoshop手工标记砂石目标粘连处的凹点，获得标记凹点的图像I4,，图像I4如图2(e)所示。
(50)凹点自动标记：利用深度学习标记模型，学习训练凹点手工标记图像，测试模型，得到凹点自动标记图像；
所述(50)凹点自动标记步骤具体为：
搭建一个卷积神经网络模型，利用凹点手工标记图像作为训练样本进行训练学习，得到深度学习标记模型，使用标记模型处理新的未标记凹点的图像，得到凹点自动标记图像。
(51)搭建一个卷积神经网络，利用标记好凹点的图像I4和其对应的二值图像I3作为训练样本，进行训练学习，得到可以自动标记凹点的深度网络模型M2；
所述的步骤(51)具体包括以下具体内容：
(511)基于全卷积的网络模型，目的在于通过训练学习，得到一个能够自动标记二值图像中砂石与砂石粘连处的凹点。共包括4个数据输入层(Data)、6个卷积层(Convolution)、6个激活层(ReLU)、1个输出层，1个计算损失层(Loss)。
(512)对于步骤211)中的4个数据输入层，分别为Train阶段data输入层、Train阶段label输入层、Test阶段data输入层、Test阶段label输入层。并且4个输入的层的batch_size都为1。
(513)对于步骤211)中的6个卷积层(Convolution)，第一层卷积层(conv2_1)的参数为：num_output：16，kernel_size：9，stride：1，pad：4；第二层卷积层(conv2_1)到第四层卷积层(conv2_4)的参数相同，分别为：num_output：32，kernel_size：7，stride：1，pad：3；第五层卷积层(conv2_5)和第六层卷积层(conv2_6)的参数相同，分别为：num_output：32，kernel_size：5，stride：1，pad：2。
(514)对于步骤211)中的损失层(Loss)，我们使用了SoftmaxWithLoss作为损失函数，计算输出结果score与实际label之间的误差。
(52)使用网络模型M2处理步骤2)所得的新的二值图像I3，得到了自动标记了凹点的效果图I5，图像I5如图2(f)所示。
(60)凹点配对：对凹点自动标记图像进行凹点配对连接，得到分割完成且粘连分离的分割砂石图像；
所述(60)凹点配对步骤具体为：
对凹点自动标记图像进行凹点配对连接，将砂石粘连处的凹点连线像素值设置为0，即设置为无效背景的黑色，得到分割完成且粘连分离的分割砂石图像。
将步骤(52)得到的自动标记了凹点的图像I5进行凹点配对连接，得到了凹点连接的效果图I61，图I61如图2(g)所示；
将已经凹点连接完成的图I61进行砂石分离，即将砂石粘连处的凹点连线置黑，即将连线设置为无效背景，得到效果图I62，即为图像分割操作的最终效果图，图I62如图2(h)所示。
(70)砂石粒径计算：根据分割砂石图像，计算砂石粒径大小。
所述(70)砂石粒径计算步骤包括：
(71)最长径计算：计算分割砂石图像中每个砂石目标的最长径；
对步骤(60)得到的分割砂石图像I62计算每个砂石目标的最长径；
(72)最长径进行筛选：选择砂石目标由大到小前70％的最长径作为有效数据；
砂石目标最长径进行筛选，因为砂石目标在分割过程中，存在一部分的相互遮挡，所以有一部分相对较小的砂石目标粒径大小并不准确，选择砂石目标由大到小前70％的最长径作为有效数据；
(73)砂石粒径获取：计算最长径有效数据的均值，得到分割砂石图像中砂石目标粒径大小的平均值，作为砂石粒径大小。
将步骤(72)所得的最长径有效数据计算其均值，得到砂石图像中砂石目标粒径大小的平均值，记为N，此结果则为砂石粒径大小。
本发明对砂石图像砂石目标进行分割与分离，使用分割结果图计算砂石目标的粒径大小，可有效提升砂石粒径大小计算的速度和精确度，提升了工业上不同砂石粒径大小的砂石进行混合的精度，间接的提高了工程建设的质量。本发明前后共使用了两次深度学习网络模型，两个模型在网络结构上是相同的，都是基于全卷积网络设计而来，但由于两次用于训练和测试的数据集不同，训练所得的参数(权重w、偏置b)也不同，所以两个网络模型的任务也是不同的。第一次深度学习模型目的在于将砂石目标与无效背景分割开，即分割操作，但由于砂石目标过于细小、紧密粘连并且相互遮挡互为干扰，所以初次砂石目标的分割效果并不理想；第二次深度学习网络模型目的在于将初次分割效果图中相互粘连的砂石目标分离开来，即分离操作，最终得到了分割且分离后的相互独立的砂石目标。本发明对砂石图像的砂石目标进行分割具有较好的效果，尤其是对细小目标的分割。
Claims (8)
1.一种基于深度学习的砂石图像粒径检测方法，其特征在于，包括如下步骤：
(10)砂石标注图像获取：对获得的原始砂石图像进行砂石边缘手工标记，得到砂石标注图像；
(20)初次分割：利用深度学习分割模型，学习训练砂石标注图像，测试模型，得到初次分割效果图；
(30)二值图像获取：对初次分割效果图进行二值化处理和形态学操作，得到二值图像；
(40)凹点手工标记：手工标记二值图像的凹点，得到凹点手工标记图像；
(50)凹点自动标记：利用深度学习标记模型，学习训练凹点手工标记图像，测试模型，得到凹点自动标记图像；
(60)凹点配对：对凹点自动标记图像进行凹点配对连接，得到分割完成且粘连分离的分割砂石图像；
(70)砂石粒径计算：根据分割砂石图像，计算砂石粒径大小。
2.根据权利要求1所述的粒径检测方法，其特征在于，所述(10)砂石标注图像获取步骤具体为：
使用相机拍照获得原始砂石图像，使用Photoshop进行手工标注砂石目标的边缘，其中砂石边缘标为红色，无效背景涂为蓝色，得到砂石标注图像。
3.根据权利要求1所述的粒径检测方法，其特征在于，所述(20)初次分割步骤具体为：
搭建一个基于全卷积的神经网络，利用砂石标注图像及其对应的原图作为训练样本，进行训练学习，得到深度学习分割模型，使用分割模型处理全新的砂石原图，得到初次分割效果图。
4.根据权利要求1所述的粒径检测方法，其特征在于，所述(30)二值图像获取步骤具体为：
对初次分割效果图进行二值化处理，即将砂石目标置为白色，其余无效背景置为黑色，然后进行腐蚀、膨胀等形态学操作，得到二值图像。
5.根据权利要求1所述的粒径检测方法，其特征在于，所述(40)凹点手工标记步骤具体为：
利用Photoshop工具软件，对二值图像上砂石与砂石之间粘连处的凹点进行手工标记。
6.根据权利要求1所述的粒径检测方法，其特征在于，所述(50)凹点自动标记步骤具体为：
搭建一个卷积神经网络模型，利用凹点手工标记图像作为训练样本进行训练学习，得到深度学习标记模型，使用标记模型处理新的未标记凹点的图像，得到凹点自动标记图像。
7.根据权利要求1所述的粒径检测方法，其特征在于，所述(60)凹点配对步骤具体为：
对凹点自动标记图像进行凹点配对连接，将砂石粘连处的凹点连线像素值设置为0，即设置为无效背景的黑色，得到分割完成且粘连分离的分割砂石图像。
8.根据权利要求1所述的粒径检测方法，其特征在于，所述(70)砂石粒径计算步骤包括：
(71)最长径计算：计算分割砂石图像中每个砂石目标的最长径；
(72)最长径进行筛选：选择砂石目标由大到小前70％的最长径作为有效数据；
(73)砂石粒径获取：计算最长径有效数据的均值，得到分割砂石图像中砂石目标粒径大小的平均值，作为砂石粒径大小。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910201075.9A CN109993766A (zh) | 2019-03-18 | 2019-03-18 | 基于深度学习的砂石图像粒径检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910201075.9A CN109993766A (zh) | 2019-03-18 | 2019-03-18 | 基于深度学习的砂石图像粒径检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109993766A true CN109993766A (zh) | 2019-07-09 |
Family
ID=67130391
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910201075.9A Pending CN109993766A (zh) | 2019-03-18 | 2019-03-18 | 基于深度学习的砂石图像粒径检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109993766A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110458119A (zh) * | 2019-08-15 | 2019-11-15 | 中国水利水电科学研究院 | 一种非接触式测量的混凝土骨料级配快速识别方法 |
| CN110852395A (zh) * | 2019-11-15 | 2020-02-28 | 鞍钢集团矿业有限公司 | 一种基于自主学习和深度学习的矿石粒度检测方法和系统 |
| CN111523616A (zh) * | 2020-05-14 | 2020-08-11 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 基于卷积神经网络的粗粒土填料级配识别方法及应用系统 |
| CN111781106A (zh) * | 2020-07-11 | 2020-10-16 | 安徽省建筑科学研究设计院 | 一种机制砂振动测量系统 |
| CN111833327A (zh) * | 2020-07-14 | 2020-10-27 | 中国建筑第二工程局有限公司 | 一种基于图像识别的砂石检测方法 |
| CN112712519A (zh) * | 2021-01-15 | 2021-04-27 | 清华大学 | 非接触式机制砂石粉含量智能化实时检测方法及装置 |
| CN114995117A (zh) * | 2022-07-18 | 2022-09-02 | 海门市重型矿山机械厂 | 基于神经网络的砂石分离机进料槽自适应控制方法及装置 |
| CN115294066A (zh) * | 2022-08-09 | 2022-11-04 | 重庆科技学院 | 一种砂石粒径检测方法 |
| CN115375685A (zh) * | 2022-10-25 | 2022-11-22 | 临沂天元混凝土工程有限公司 | 用于混凝土原料中的砂石粒径异常检测方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107610141A (zh) * | 2017-09-05 | 2018-01-19 | 华南理工大学 | 一种基于深度学习的遥感图像语义分割方法 |
-
2019
- 2019-03-18 CN CN201910201075.9A patent/CN109993766A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107610141A (zh) * | 2017-09-05 | 2018-01-19 | 华南理工大学 | 一种基于深度学习的遥感图像语义分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| 吴锴: "基于边界凹凸点和神经网络的粘连颗粒图像分割算法研究", 《中国优秀硕士学位论文全文数据库工程科技辑》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110458119B (zh) * | 2019-08-15 | 2020-08-18 | 中国水利水电科学研究院 | 一种非接触式测量的混凝土骨料级配快速识别方法 |
| CN110458119A (zh) * | 2019-08-15 | 2019-11-15 | 中国水利水电科学研究院 | 一种非接触式测量的混凝土骨料级配快速识别方法 |
| CN110852395A (zh) * | 2019-11-15 | 2020-02-28 | 鞍钢集团矿业有限公司 | 一种基于自主学习和深度学习的矿石粒度检测方法和系统 |
| CN110852395B (zh) * | 2019-11-15 | 2023-11-14 | 鞍钢集团矿业有限公司 | 一种基于自主学习和深度学习的矿石粒度检测方法和系统 |
| CN111523616A (zh) * | 2020-05-14 | 2020-08-11 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 基于卷积神经网络的粗粒土填料级配识别方法及应用系统 |
| CN111781106B (zh) * | 2020-07-11 | 2023-09-29 | 安徽省建筑科学研究设计院 | 一种机制砂振动测量系统 |
| CN111781106A (zh) * | 2020-07-11 | 2020-10-16 | 安徽省建筑科学研究设计院 | 一种机制砂振动测量系统 |
| CN111833327A (zh) * | 2020-07-14 | 2020-10-27 | 中国建筑第二工程局有限公司 | 一种基于图像识别的砂石检测方法 |
| CN112712519A (zh) * | 2021-01-15 | 2021-04-27 | 清华大学 | 非接触式机制砂石粉含量智能化实时检测方法及装置 |
| CN114995117A (zh) * | 2022-07-18 | 2022-09-02 | 海门市重型矿山机械厂 | 基于神经网络的砂石分离机进料槽自适应控制方法及装置 |
| CN114995117B (zh) * | 2022-07-18 | 2023-12-26 | 海门市重型矿山机械厂 | 基于神经网络的砂石分离机进料槽自适应控制方法及装置 |
| CN115294066A (zh) * | 2022-08-09 | 2022-11-04 | 重庆科技学院 | 一种砂石粒径检测方法 |
| CN115375685A (zh) * | 2022-10-25 | 2022-11-22 | 临沂天元混凝土工程有限公司 | 用于混凝土原料中的砂石粒径异常检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109993766A (zh) | 基于深度学习的砂石图像粒径检测方法 | |
| CN109859171B (zh) | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 | |
| CN109767423B (zh) | 一种沥青路面图像的裂缝检测方法 | |
| CN109544468B (zh) | 一种图像数据扩增方法 | |
| CN110473173A (zh) | 一种基于深度学习语义分割的缺陷检测方法 | |
| CN111985499B (zh) | 一种基于计算机视觉的高精度桥梁表观病害识别方法 | |
| CN110222681A (zh) | 一种基于卷积神经网络的铸件缺陷识别方法 | |
| CN106709936A (zh) | 一种基于卷积神经网络的单目标跟踪方法 | |
| CN114266989A (zh) | 一种混凝土拌合物和易性测定方法和装置 | |
| CN110148122A (zh) | 基于深度学习的苹果外观质量分级方法 | |
| CN108875740A (zh) | 一种应用于激光切割机的机器视觉切割方法 | |
| CN113658117B (zh) | 一种基于深度学习的沥青混合料中集料边界识别与划分方法 | |
| CN109858539A (zh) | 一种基于深度学习图像语义分割模型的roi区域提取方法 | |
| CN104867144A (zh) | 基于混合高斯模型的ic元件焊点缺陷检测方法 | |
| CN107729908A (zh) | 一种机器学习分类模型的建立方法、装置及系统 | |
| CN114897781B (zh) | 基于改进R-UNet深度学习的透水混凝土孔隙自动识别方法 | |
| CN107622276B (zh) | 一种基于机器人仿真与物理采样结合的深度学习训练方法 | |
| CN109420622A (zh) | 基于卷积神经网络的烟叶分拣方法 | |
| CN109584208B (zh) | 一种针对工业结构缺陷智能识别模型的检验方法 | |
| CN113392930B (zh) | 基于多层次分治网络的交通标志目标检测方法 | |
| CN114897865A (zh) | 基于少量缺陷样本的工业缺陷检测方法 | |
| CN103440629A (zh) | 激光标记自动跟踪的视频引伸计的数字图像处理方法 | |
| CN112507801A (zh) | 车道路面数字颜色识别方法、限速信息识别方法及系统 | |
| CN108648210A (zh) | 一种静态复杂场景下快速多目标检测方法及装置 | |
| CN106323985B (zh) | 计算机视觉结合自我学习行为的实木板材品质检测方法 |
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: 20190709 |
|
| RJ01 | Rejection of invention patent application after publication |