CN110175517A - 一种基于变换域数字特征的煤岩识别方法 - Google Patents
一种基于变换域数字特征的煤岩识别方法 Download PDFInfo
- Publication number
- CN110175517A CN110175517A CN201910317529.9A CN201910317529A CN110175517A CN 110175517 A CN110175517 A CN 110175517A CN 201910317529 A CN201910317529 A CN 201910317529A CN 110175517 A CN110175517 A CN 110175517A
- Authority
- CN
- China
- Prior art keywords
- image
- coal
- coal petrography
- matrix
- numerical characteristic
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于变换域数字特征的煤岩识别方法将采集到的原始煤岩图像进行预处理,获取图像感兴趣区域;对煤岩图像进行离散余弦变换和离散小波变换,得到离散余弦变换系数和离散小波变换系数,取每个子块中的低频离散余弦变换系数建立列矩阵Q a ,取二维三级离散小波变换系数中的最高频和次高频对角线方向的系数平方和建立列矩阵Q b ;通过矩阵Q a 计算数字特征,使数字特征和Q b 矩阵排列表示为图像特征列向量;提取全部待识别煤岩图像的特征列向量,作为输入进行K‑means聚类分析,依据煤图像和岩石图像之间的相似性程度,输出煤岩图像的分类结果。通过本发明,能够全面表达图像的内容和纹理信息,具有较好的鲁棒性和稳定性,可达到较好的识别效果。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种基于变换域数字特征的煤岩识别方法。
背景技术
煤炭资源是我国的主要能源之一,也是国家经济的重要支柱。近年来,我国的煤炭产量都居于国际领先地位,且煤炭消耗量巨大。
煤岩识别,是指通过一种技术手段或方法自动判别出煤炭与岩石。在煤炭资源的开采及运输过程中,存在许多生产环节需要利用煤岩识别技术进行判别,如采煤机掘进机滚筒高度调节、综采放顶煤过程控制、选煤厂原煤选矸等。采煤工作面的煤岩自动识别作为研究煤炭开采的重要内容之一,对于减少采掘工作面作业人员人数、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。同时,若能有效解决煤岩识别问题,将成为推进采掘工作面无人化至关重要的一步。
目前,世界各主要产煤国家一直致力于煤岩识别方法的研究,包括南非、澳大利亚、德国、美国、中国等,相继产生一些有代表性的研究成果。采煤过程中,煤岩识别的关键在于将工作面煤壁上的煤与岩石有效的区分开,在实际应用中已经存在多种煤岩识别方法,如自然γ射线探测法、雷达探测法、应力截齿法、红外探测法、有功功率检测法、振动信号检测法、声音信号检测法、粉尘检测法、记忆截割法等。然而这些方法存在以下问题:(1)需要在现有设备上安装各种类型的传感器,导致装置结构复杂,制造成本高;(2)采煤机滚筒、掘进机等机械设备在煤炭生产过程中受力复杂、振动剧烈、磨损严重、粉尘大,传感器部署相对比较困难,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)对于不同类型的机械设备,传感器的选型和安装位置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。
为解决上述问题,研究精度高、鲁棒性强的煤岩识别方法至关重要。随着计算机视觉技术的不断增强,以及深度学习技术的发展,研究以图像为基础的煤岩识别方法具有重要意义。由于煤炭和岩石在颜色、光泽、纹理等方面存在较大差异,当通过现有的数字摄像设备对煤炭或岩石进行成像时,煤炭与岩石的视觉差异信息就隐藏在所得的数字图像中,通过挖掘煤岩数字图像中的视觉信息进行煤岩图像分类识别具有实际意义。但是传统煤岩图像识别方法计算复杂度高,识别精度低,鲁棒性差,受到煤岩样本图像影响较大。现有基于图像的煤岩识别方法在稳定性和识别率上还有待提高。已有的基于小波的煤岩识别方法虽具有良好的时频局部化能力,能有效描述煤岩的局部信息,但小波变换缺少图像全局的主要内容信息,无法全面表达图像的重要特征,因而在识别正确率上还存在较大不足,有待进一步提升。
发明内容
本发明的目的在于避免现有技术的不足之处而提供一种基于变换域数字特征的煤岩识别方法。
本发明的目的可以通过采用如下的技术措施来实现,设计一种基于变换域数字特征的煤岩识别方法,其特征在于,包括:
在相同的成像条件下,分别获取煤层原始图像,并对原始图像进行预处理,从原始图像中截取尺寸相同且不含非煤岩背景的子图像作为感兴趣区域;
对感兴趣区域的图像进行离散余弦变换及离散小波变换,得到用于反映原始图像的主要内容信息和主要能量信息的结果矩阵Qa,及用于反映原始图像的主要纹理细节信息和部分能量信息的结果矩阵Qb;
根据结果矩阵Qa计算表示位置、分散性和分布情况的数字特征,并将数字特征按顺序排列,形成煤岩图像特征向量的第一部分,将煤岩图像特征向量的第一部分与结果矩阵Qb结合,形成完整的煤岩图像特征向量;
将全部的煤岩图像特征向量输入一K-means聚类模型中,通过连续迭代,直至全部的煤岩图像特征向量聚类为两个类别,即完成煤岩识别。
其中,对原始图像进行预处理的步骤包括:
对原始煤岩图像进行灰度化、直方图均衡、去噪平滑操作;
截取尺寸相同且不含非煤岩背景的子图像,统一设置图像大小,作为原图像的感兴趣区域。
其中,所述结果矩阵Qa是取每一感兴趣区域图像经离散余弦变换后,得到的频域结果中每个子块中的两个最低频系数按顺序排列形成的列矩阵;所述结果矩阵Qb是对每一感兴趣区域图像进行离散小波变换,分别取每一图像的三级小波分解中最高频和次高频对角线分量的小波变换系数平方和,按顺序排列形成的列矩阵。
其中,在表示位置、分散性和分布情况的数字特征中,包括表示位置的数据特征均值、中位数和众数,表示数据分散性的数据特征方差、标准差和四分位极差,及表示数据分布情况的数字特征有偏度和峰度。
其中,均值的计算公式为:
中位数的计算公式为:
众数为系数矩阵Qa中出现频数最高的变量;
方差的计算公式为:
标准差的计算公式为:
四分位极差的计算公式为:
R1=Q3-Q1=M0.75-M0.25
其中,Q1为第1个四分位数,Q3为第3个四分位数,M0.25为0.25分位数,M0.75为0.75分位数;
偏度的计算公式为:
其中,s为煤岩样本系数矩阵Qa的标准差;
峰度的计算公式为:
其中,s为煤岩样本系数矩阵Qa的标准差。
其中,在将全部的煤岩图像特征向量输入一K-means聚类模型中,通过连续迭代,直至全部的煤岩图像特征向量聚类为两个类别的步骤中,包括步骤:
将全部煤岩图像特征向量随机初始化为C类,通过迭代不断调整煤岩图像特征向量的类别归属寻找C个聚类中心,使得用C个聚类的均值来代表两类煤岩样本时,所得到的总体误差最小、误差平方和Je最小,即为最优的聚类结果。
其中,第j聚类Γj中的样本数目为Nj,Γj中的各样本为y,mj为这些样本的均值,第j类的样本均值mj有
误差平方和Je有
通过连续迭代使Je最小且不再改变,则停止迭代,得到煤岩图像的分类结果,确定图像所属类别,完成煤岩识别。
区别于现有技术,本发明的基于变换域数字特征的煤岩识别方法将采集到的原始煤岩图像进行预处理,获取图像感兴趣区域;对煤岩图像进行离散余弦变换和离散小波变换,得到离散余弦变换系数和离散小波变换系数,取每个子块中的低频离散余弦变换系数建立列矩阵Qa,取二维三级离散小波变换系数中的最高频和次高频对角线方向的系数平方和建立列矩阵Qb;通过矩阵Qa计算数字特征,使数字特征和Qb矩阵排列表示为图像特征列向量;提取全部待识别煤岩图像的特征列向量,作为输入进行K-means聚类分析,依据煤图像和岩石图像之间的相似性程度,输出煤岩图像的分类结果。通过本发明,能够全面表达图像的内容和纹理信息,具有较好的鲁棒性和稳定性,可达到较好的识别效果。
附图说明
图1是本发明提供的一种基于变换域数字特征的煤岩识别方法的流程示意图。
图2是本发明提供的一种基于变换域数字特征的煤岩识别方法的逻辑示意图。
具体实施方式
下面结合具体实施方式对本发明的技术方案作进一步更详细的描述。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
参阅图1和图2所示,图1是本发明提供的一种基于变换域数字特征的煤岩识别方法的流程示意图,图2是本发明提供的一种基于变换域数字特征的煤岩识别方法的逻辑示意图。该方法的步骤包括:
S110:在相同的成像条件下,分别获取煤层原始图像,并对原始图像进行预处理,从原始图像中截取尺寸相同且不含非煤岩背景的子图像作为感兴趣区域。
通过高清晰度的CCD摄像头,从正面拍摄煤岩表面,获取煤岩原始图像。采集的煤岩图像应来源于相同的成像条件,为了减少光照影响,图像拍摄需考虑不同光照强度。
其中,对原始图像进行预处理的步骤包括:
对原始煤岩图像进行灰度化、直方图均衡、去噪平滑操作;
截取尺寸相同且不含非煤岩背景的子图像,统一设置图像大小,作为原图像的感兴趣区域。其中设置图像尺寸为144×144。
S120:对感兴趣区域的图像进行离散余弦变换及离散小波变换,得到用于反映原始图像的主要内容信息和主要能量信息的结果矩阵Qa,及用于反映原始图像的主要纹理细节信息和部分能量信息的结果矩阵Qb。
对感兴趣区域的图像进行离散余弦变换,确定子块大小,子块大小为8×8,得到离散余弦变换系数矩阵,包含块数18×18,图像的最主要内容信息集中在离散余弦变换的低频系数,在每个子块中选取前两个最低频系数并按顺序排列为一个列矩阵,构成图像离散余弦变换系数的结果矩阵Qa,用来表示反映煤图像和岩石图像的主要内容信息和主要能量信息的矩阵。
同时对感兴趣区域的图像进行离散小波变换,完成二维三级小波分解,得到离散小波变换系数矩阵,图像的主要纹理细节信息主要集中在高频分量,选取三级小波分解中最高频和次高频对角线分量即三级分解和二级分解的对角线分量系数进行研究,记三级小波分解系数为CoefHL2,二级小波分解系数为CoefHL1,三级分量的矩阵大小为18×18,二级分量的大小为36×36,离散小波变换系数的平方和表示图像能量,将各图像两子块的系数平方和按照顺序排列作为结果组成列矩阵Qb,记Qb=[sum1 sum2]T,用来表示反映煤图像和岩石图像的主要纹理细节信息和部分能量信息的矩阵,组成煤岩图像特征向量的一部分。
S130:根据结果矩阵Qa计算表示位置、分散性和分布情况的数字特征,并将数字特征按顺序排列,形成煤岩图像特征向量的第一部分,将煤岩图像特征向量的第一部分与结果矩阵Qb结合,形成完整的煤岩图像特征向量。
在所有的数字特征中,表示位置的数据特征有均值、中位数、众数,表示数据分散性的数据特征有方差、标准差、四分位极差,表示数据分布情况的数字特征有偏度和峰度。设Qa=[x1,x2,...,xi,...,xk]T,i=1,…,k,k=648,有
均值的计算公式为:
均值反映煤岩样本经变换域后系数矩阵总体取值的平均程度,含有完整的数据信息,但由于抗扰性差,易受异常值影响,应考虑煤岩样本的其他数字特征。
中位数的计算公式为:
中位数M取即为
中位数能够表达煤岩样本系数矩阵Qa的集中趋势,受异常值影响小,有较好的稳健性。
众数为系数矩阵Qa中出现频数最高的变量;综合均值、中位数和众数有利于研究煤样本和岩石样本系数矩阵Qa的数据集中程度。
方差的计算公式为:
标准差的计算公式为:
方差和标准差均为表示数据相对分散的指标,便于观察结果矩阵Qa的数据分散程度。
四分位极差的计算公式为:
R1=Q3-Q1=M0.75-M0.25
其中,Q1为第1个四分位数,Q3为第3个四分位数,M0.25为0.25分位数,M0.75为0.75分位数;四分位极差与方差标准差一同表示煤岩样本的分散程度。
偏度的计算公式为:
其中,s为煤岩样本系数矩阵Qa的标准差,g1>0称为正偏度(右偏态),表示在均值右侧的数据更为分散,g1<0称为负偏度,表示在均值左侧的数据更为分散;
峰度的计算公式为:
其中,s为煤岩样本系数矩阵Qa的标准差。峰度反映与正态分布相比某一分布的尖锐度或平坦度,g2>0为正峰值,表示相对尖锐的分布,g2<0称为负峰值,表示相对平坦的分布,结合偏度和峰度两个数字特征对煤岩本和岩石样本系数矩阵Qa的数据总体分布情况进行描述。
将上述一系列数字特征按顺序排列,组成一个列向量,得到离散余弦变换系数矩阵Qa的计算结果,作为煤岩图像特征向量的一个组成部分;将离散小波变换求得的系数平方和矩阵Qb添加至上述数字特征形成的矩阵之后之后,共同组成一个新的列向量Q,作为待分类煤岩图像的特征向量,即
一幅煤岩样本图像可用唯一的特征向量表示。
S140:将全部的煤岩图像特征向量输入一K-means聚类模型中,通过连续迭代,直至全部的煤岩图像特征向量聚类为两个类别,即完成煤岩识别。
将全部煤岩图像特征向量随机初始化为C类,通过迭代不断调整煤岩图像特征向量的类别归属寻找C个聚类中心,使得用C个聚类的均值来代表两类煤岩样本时,所得到的总体误差最小、误差平方和Je最小,即为最优的聚类结果。
其中,第j聚类Γj中的样本数目为Nj,Γj中的各样本为y,mj为这些样本的均值,第j类的样本均值mj有
误差平方和Je有
通过连续迭代使Je最小且不再改变,则停止迭代,得到煤岩图像的分类结果,确定图像所属类别,完成煤岩识别。
本发明的目的在于提供一种基于变换域数字特征的煤岩识别方法,该方法首先通过高清晰度的CCD摄像头,从正面拍摄煤岩表面,获取煤和岩石的原始图像,为了提升图像处理的整体效果对原始煤岩图像进行预处理,将预处理后的图像进行离散余弦变换和离散小波变换得到离散余弦变换系数矩阵和离散小波变换系数矩阵,取离散余弦变换系数矩阵的两个最低频系数组成列矩阵Qa,取离散小波变换系数矩阵的三级分解中最高频和次高频对角线分量的系数平方和组成列矩阵Qb,计算列矩阵Qa的数字特征并和Qb矩阵共同组成一个列向量作为特征向量,使一幅图像用一个特征列向量表示,最后进行K-means聚类分析,确定待识别图像的分类类别。该识别方法充分考虑到煤岩图像的主要内容信息和纹理细节信息,通过计算变换系数矩阵的数字特征,从系数矩阵数据的位置、分散性和分布情况等角度,较为全面地提取出能够反映变换系数矩阵的数据,且识别方法具有较好的鲁棒性和稳定性,可达到较好的识别效果,能够为自动化采掘、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。
区别于现有技术,本发明的基于变换域数字特征的煤岩识别方法将采集到的原始煤岩图像进行预处理,获取图像感兴趣区域;对煤岩图像进行离散余弦变换和离散小波变换,得到离散余弦变换系数和离散小波变换系数,取每个子块中的低频离散余弦变换系数建立列矩阵Qa,取二维三级离散小波变换系数中的最高频和次高频对角线方向的系数平方和建立列矩阵Qb;通过矩阵Qa计算数字特征,使数字特征和Qb矩阵排列表示为图像特征列向量;提取全部待识别煤岩图像的特征列向量,作为输入进行K-means聚类分析,依据煤图像和岩石图像之间的相似性程度,输出煤岩图像的分类结果。通过本发明,能够全面表达图像的内容和纹理信息,具有较好的鲁棒性和稳定性,可达到较好的识别效果。
以上仅为本发明的实施方式,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种基于变换域数字特征的煤岩识别方法,其特征在于,包括:
在相同的成像条件下,分别获取煤层原始图像,并对原始图像进行预处理,从原始图像中截取尺寸相同且不含非煤岩背景的子图像作为感兴趣区域;
对感兴趣区域的图像进行离散余弦变换及离散小波变换,得到用于反映原始图像的主要内容信息和主要能量信息的结果矩阵Qa,及用于反映原始图像的主要纹理细节信息和部分能量信息的结果矩阵Qb;
根据结果矩阵Qa计算表示位置、分散性和分布情况的数字特征,并将数字特征按顺序排列,形成煤岩图像特征向量的第一部分,将煤岩图像特征向量的第一部分与结果矩阵Qb结合,形成完整的煤岩图像特征向量;
将全部的煤岩图像特征向量输入一K-means聚类模型中,通过连续迭代,直至全部的煤岩图像特征向量聚类为两个类别,即完成煤岩识别。
2.根据权利要求1所述的基于变换域数字特征的煤岩识别方法,其特征在于,对原始图像进行预处理的步骤包括:
对原始煤岩图像进行灰度化、直方图均衡、去噪平滑操作;
截取尺寸相同且不含非煤岩背景的子图像,统一设置图像大小,作为原图像的感兴趣区域。
3.根据权利要求1所述的基于变换域数字特征的煤岩识别方法,其特征在于,所述结果矩阵Qa是取每一感兴趣区域图像经离散余弦变换后,得到的频域结果中每个子块中的两个最低频系数按顺序排列形成的列矩阵;所述结果矩阵Qb是对每一感兴趣区域图像进行离散小波变换,分别取每一图像的三级小波分解中最高频和次高频对角线分量的小波变换系数平方和,按顺序排列形成的列矩阵。
4.根据权利要求1所述的基于变换域数字特征的煤岩识别方法,其特征在于,在表示位置、分散性和分布情况的数字特征中,包括表示位置的数据特征均值、中位数和众数,表示数据分散性的数据特征方差、标准差和四分位极差,及表示数据分布情况的数字特征有偏度和峰度。
5.根据权利要求4所述的基于变换域数字特征的煤岩识别方法,其特征在于,
均值的计算公式为:
中位数的计算公式为:
众数为系数矩阵Qa中出现频数最高的变量;
方差的计算公式为:
标准差的计算公式为:
四分位极差的计算公式为:
R1=Q3-Q1=M0.75-M0.25
其中,Q1为第1个四分位数,Q3为第3个四分位数,M0.25为0.25分位数,M0.75为0.75分位数;
偏度的计算公式为:
其中,s为煤岩样本系数矩阵Qa的标准差;
峰度的计算公式为:
其中,s为煤岩样本系数矩阵Qa的标准差。
6.根据权利要求1所述的基于变换域数字特征的煤岩识别方法,其特征在于,在将全部的煤岩图像特征向量输入一K-means聚类模型中,通过连续迭代,直至全部的煤岩图像特征向量聚类为两个类别的步骤中,包括步骤:
将全部煤岩图像特征向量随机初始化为C类,通过迭代不断调整煤岩图像特征向量的类别归属寻找C个聚类中心,使得用C个聚类的均值来代表两类煤岩样本时,所得到的总体误差最小、误差平方和Je最小,即为最优的聚类结果。
7.根据权利要求6所述的基于变换域数字特征的煤岩识别方法,其特征在于,第j聚类Γj中的样本数目为Nj,Γj中的各样本为y,mj为这些样本的均值,第j类的样本均值mj有
误差平方和Je有
通过连续迭代使Je最小且不再改变,则停止迭代,得到煤岩图像的分类结果,确定图像所属类别,完成煤岩识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910317529.9A CN110175517A (zh) | 2019-04-19 | 2019-04-19 | 一种基于变换域数字特征的煤岩识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910317529.9A CN110175517A (zh) | 2019-04-19 | 2019-04-19 | 一种基于变换域数字特征的煤岩识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110175517A true CN110175517A (zh) | 2019-08-27 |
Family
ID=67689733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910317529.9A Pending CN110175517A (zh) | 2019-04-19 | 2019-04-19 | 一种基于变换域数字特征的煤岩识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110175517A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111520139A (zh) * | 2020-05-08 | 2020-08-11 | 中煤科工集团重庆研究院有限公司 | 一种基于煤岩识别的采煤机滚筒调节方法 |
CN111669183A (zh) * | 2020-06-30 | 2020-09-15 | 中南大学 | 一种压缩感知采样与重建方法、设备及存储介质 |
CN111931824A (zh) * | 2020-07-15 | 2020-11-13 | 中煤科工集团重庆研究院有限公司 | 一种基于钻孔返渣图像的煤岩识别方法 |
CN113670859A (zh) * | 2021-09-24 | 2021-11-19 | 湖北省地震局(中国地震局地震研究所) | 一种野外快速识别岩石成像对比识别系统及方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930253A (zh) * | 2012-10-31 | 2013-02-13 | 中国矿业大学(北京) | 一种基于图像离散多小波变换的煤岩识别方法 |
-
2019
- 2019-04-19 CN CN201910317529.9A patent/CN110175517A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930253A (zh) * | 2012-10-31 | 2013-02-13 | 中国矿业大学(北京) | 一种基于图像离散多小波变换的煤岩识别方法 |
Non-Patent Citations (2)
Title |
---|
刘国华: "《HALCON数字图像处理》", 30 June 2018 * |
张婷: "基于变换域与高斯混合模型聚类的煤岩识别方法", 《煤炭技术》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111520139A (zh) * | 2020-05-08 | 2020-08-11 | 中煤科工集团重庆研究院有限公司 | 一种基于煤岩识别的采煤机滚筒调节方法 |
CN111520139B (zh) * | 2020-05-08 | 2021-07-23 | 中煤科工集团重庆研究院有限公司 | 一种基于煤岩识别的采煤机滚筒调节方法 |
CN111669183A (zh) * | 2020-06-30 | 2020-09-15 | 中南大学 | 一种压缩感知采样与重建方法、设备及存储介质 |
CN111669183B (zh) * | 2020-06-30 | 2022-04-19 | 中南大学 | 一种压缩感知采样与重建方法、设备及存储介质 |
CN111931824A (zh) * | 2020-07-15 | 2020-11-13 | 中煤科工集团重庆研究院有限公司 | 一种基于钻孔返渣图像的煤岩识别方法 |
CN111931824B (zh) * | 2020-07-15 | 2024-05-28 | 中煤科工集团重庆研究院有限公司 | 一种基于钻孔返渣图像的煤岩识别方法 |
CN113670859A (zh) * | 2021-09-24 | 2021-11-19 | 湖北省地震局(中国地震局地震研究所) | 一种野外快速识别岩石成像对比识别系统及方法 |
CN113670859B (zh) * | 2021-09-24 | 2023-11-17 | 湖北省地震局(中国地震局地震研究所) | 一种野外快速识别岩石成像对比识别系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110175517A (zh) | 一种基于变换域数字特征的煤岩识别方法 | |
CN108647681B (zh) | 一种带有文本方向校正的英文文本检测方法 | |
CN101520894B (zh) | 基于区域显著性的显著对象提取方法 | |
CN102663391B (zh) | 一种图像的多特征提取与融合方法及系统 | |
CN103530621B (zh) | 一种基于bp神经网络的煤岩图像识别方法 | |
CN107909039A (zh) | 基于并行算法的高分辨率遥感影像的地表覆盖分类方法 | |
CN102930253A (zh) | 一种基于图像离散多小波变换的煤岩识别方法 | |
CN103729856B (zh) | 一种利用s变换信号提取的布匹疵点检测方法 | |
CN104850854A (zh) | 一种滑石矿品分选处理方法及滑石矿品分选系统 | |
CN105224937A (zh) | 基于人体部件位置约束的细粒度语义色彩行人重识别方法 | |
CN109635726B (zh) | 一种基于对称式深度网络结合多尺度池化的滑坡识别方法 | |
CN104166163A (zh) | 基于三维大数据量地震数据体的断层曲面自动提取方法 | |
CN108596163A (zh) | 一种基于cnn和vlad的煤岩识别方法 | |
CN102830404A (zh) | 基于距离像的激光成像雷达地面目标识别方法 | |
CN109003275A (zh) | 焊缝缺陷图像的分割方法 | |
CN105243387A (zh) | 一种基于无人机影像的露天矿典型地物分类方法 | |
CN103914829B (zh) | 一种含噪图像边缘检测方法 | |
CN101013126A (zh) | 用计算机预测木质人造板强度的方法 | |
CN108986077A (zh) | 基于双树复小波域共生增广矩阵的浮选泡沫工况识别方法 | |
CN103218823B (zh) | 基于核传播的遥感图像变化检测方法 | |
Cao et al. | Towards automatic flatness quality assessment for building indoor acceptance via terrestrial laser scanning | |
Zhan et al. | [Retracted] The System Research and Implementation for Autorecognition of the Ship Draft via the UAV | |
CN114821316A (zh) | 一种三维探地雷达裂缝病害识别方法及系统 | |
Fei et al. | Change detection in remote sensing images of damage areas with complex terrain using texture information and SVM | |
CN102609891B (zh) | 一种基于纹理特征的数字图像被动盲取证方法 |
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 |