CN110458816A - 一种基于阈值回归的纤维材料孔隙率分析方法 - Google Patents
一种基于阈值回归的纤维材料孔隙率分析方法 Download PDFInfo
- Publication number
- CN110458816A CN110458816A CN201910714742.3A CN201910714742A CN110458816A CN 110458816 A CN110458816 A CN 110458816A CN 201910714742 A CN201910714742 A CN 201910714742A CN 110458816 A CN110458816 A CN 110458816A
- Authority
- CN
- China
- Prior art keywords
- sample
- value
- porosity
- gray
- threshold
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000002657 fibrous material Substances 0.000 title claims abstract description 13
- 238000004458 analytical method Methods 0.000 title claims abstract description 6
- 238000002474 experimental method Methods 0.000 claims abstract description 37
- 238000001878 scanning electron micrograph Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 22
- 239000000835 fiber Substances 0.000 claims abstract description 21
- 239000000463 material Substances 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 17
- 230000001419 dependent effect Effects 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 3
- 239000005022 packaging material Substances 0.000 abstract description 2
- 238000001228 spectrum Methods 0.000 description 7
- 238000003672 processing method Methods 0.000 description 6
- 238000000053 physical method Methods 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- 238000005059 solid analysis Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 229940059082 douche Drugs 0.000 description 1
- 239000000839 emulsion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 238000004381 surface treatment Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
-
- 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
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于阈值回归的纤维材料孔隙率分析方法，属于计算机与包装材料的交叉领域。实现步骤为：拍摄样品SEM图像，对图像进行平滑处理及灰度化处理；获取灰度SEM图像的平均灰度值、孔隙灰度值、纤维灰度值；将材料样品分为样品集P和样品集Q；将样品集P的样品进行物理实验，获取孔隙率结果，并据此获取其最佳分割阈值；依据样品集P的数据，建立阈值回归模型，并测试模型误差；对样品集Q中的样品，应用建立的阈值回归模型获取最佳分割阈值，并进一步计算样品的孔隙率。
Description
技术领域
本发明属于计算机学科与包装材料学科的交叉领域，具体涉及一种通过阈值回归算法针对纤维材料孔隙率的分析方法。
背景技术
材料的孔隙率是指其中孔隙体积与材料在自然状态下总体积的百分比。材料的许多性能，如对水、乳浊液、悬浊液的吸收和过滤性能都是由材料的孔隙结构决定的。
纤维材料的孔隙率是指材料中未被纤维填充的空间体积与材料总体积的比值。目前常用的获知材料孔隙率的方法分为传统物理测量法与计算机图像处理法。传统物理测量法有压汞法、金相法、灌水法等，物理测量法获得的结果准确，但实验成本高且实验时间长，一般需要24小时以上。
相比较于传统物理测量法，计算机图像处理法一般都是通过对纤维材料拍摄SEM图像，运用计算机图像处理技术，将材料中的纤维部分与孔隙部分识别出来并用于预测孔隙率，计算机图像处理法减少了大量的物理实验操作，过程简单高效，能够有效的提高孔隙率检测的工作效率。
在计算机图像处理法中，由于纤维材料的类型多样，不同类型纤维的表面处理工艺差异大，造成该方法的应用过程中会造成计算结果误差较大。
发明内容
有鉴于此，本发明提供了一种基于阈值回归的纤维材料孔隙率分析方法。本发明针对需要确定孔隙率的材料样品分为两部分，小部分样品将同时进行物理实验过程和计算机图像处理过程，将物理实验结果和计算机图像处理结果组成联合数据集，依托联合数据集建立阈值回归模型。将建立的“阈值回归模型”应用于另一部分样品的计算机图像处理过程，“阈值回归模型”将主要用于确定计算机图像处理过程的最佳分割阈值，从而降低孔隙率的计算误差。实验结果表明，本发明方法能够有效降低计算机图像处理法的结果误差，并提高计算机图像处理法在多种类型纤维材料上的适应性。
一种基于阈值回归的纤维材料立体孔隙率分析方法，实现本发明的技术方案如下：
步骤一、对所有样品拍摄SEM图像，并对图像进行平滑处理，以降低拍摄过程中产生的噪声。
步骤二、将所有样品的SEM图像进行灰度化处理，即将像素的颜色值转换为灰度值。命名SEM图像的灰度化结果为“灰度SEM图像”。
步骤三、对所有样品的灰度SEM图像，获取其平均灰度值，即所有像素点的灰度值的平均值，将第i个样品的平均灰度值命名为Ai。
步骤四、对所有样品的灰度SEM图像，使用鼠标点击图像中的N个孔隙位置，计算点击的N个孔隙处的像素的灰度值的平均值，称为孔隙灰度值，将第i个样品的孔隙灰度值命名为Bi。其中，N可在实验过程中进行设置，N的值一般设置为5至10个，N值越大误差越小。
步骤五、对所有样品的灰度SEM图像，使用鼠标点击图像中的M个纤维位置，计算点击的M个纤维处的像素的灰度值的平均值，称为纤维灰度值，将第i个样品的纤维灰度值命名为Ci。其中，M可在实验过程中进行设置，M的值一般设置为5至10个，M值越大误差越小。
步骤六、将所有样品分割为样品集P和样品集Q。将样品集P中的所有样品进行物理实验过程，获得其物理实验孔隙率结果，将第i个样品的物理实验孔隙率结果命名为Pi。
步骤七、对样品集P中的每一个样品的灰度SEM图像，根据物理实验孔隙率结果获取其最佳分割阈值，并将第i个样品的最佳分割阈值命名为Di。第i个样品的最佳分割阈值是指，当分割阈值为Di时，通过对灰度SEM图像进行处理计算出的孔隙率值最接近于物理实验孔隙率结果Pi。
步骤八、将样品集P中的样品通过随机采样分为训练集PA和测试集PT。
步骤九、将训练集PA中的样品的Ai组合为向量A，将训练集PA中的样品的Bi组合为向量B，将训练集PA中的样品的Ci组合为向量C，将训练集PA中的样品的Di组合为向量D。
步骤十、以向量A、B、C为自变量，向量D为因变量，建立回归模型。该回归模型的因变量D是最佳分割阈值的组合，将该模型命名为阈值回归模型。
步骤十一、使用测试集PA中的样品的数据验证步骤十中建立的阈值回归模型的误差范围，假如误差范围符合要求，则模型建立完成，继续步骤十二；假如不符合要求，则模型建立失败，过程结束。
步骤十二、对样品集Q中的每一个样品，将步骤十中建立的“阈值回归模型”应用于样品的孔隙率计算，具体应用方法为：
步骤12.1、以样品集Q中的第i样品的平均灰度值Ai、孔隙灰度值Bi、纤维灰度值Ci作为自变量，通过阈值回归模型计算因变量的值，即第i个样品的最佳分割阈值Di。
步骤12.2、根据最佳分割阈值Di，计算第i个样品的孔隙率值Pi。
至此，样品集Q中的所有样品的孔隙率计算完毕，需确定孔隙率的材料孔隙率全部获取完毕。
有益效果：
1、在本发明方法中，样品集P中的样品需要同时进行“物理实验过程”和“计算机图像处理过程”，而样品集Q中的样品可以仅通过“计算机图像处理过程”计算其孔隙率，不需要再进行“物理实验”，从而减少大量物理实验、提高处理效率。
2、本发明通过对样品集P中的样品同时进行“物理实验”和“计算机图像处理”，并以此结果组成联合数据集，建立阈值回归模型并用于样品集Q，降低了传统“计算机图像处理”方法的计算误差。
3、本发明通过对样品集P中的样品的物理实验结果，校准“计算机图像处理”方法的最佳分割阈值的处理模型，从而拓展了“计算机图像处理”方法的适用性，使其可适用于各类型的纤维材料孔隙率计算。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图并举实施例，对本发明进行详细描述。
一种基于阈值回归的纤维材料立体孔隙率分析方法，实现本发明的技术方案如下：
步骤一、对所有样品拍摄SEM图像，并对图像进行平滑处理，以降低拍摄过程中产生的噪声。
步骤二、将所有样品的SEM图像进行灰度化处理，即将像素的颜色值转换为灰度值。命名SEM图像的灰度化结果为“灰度SEM图像”。
步骤三、对所有样品的灰度SEM图像，获取其平均灰度值，即所有像素点的灰度值的平均值，将第i个样品的平均灰度值命名为Ai。
通过样品的灰度SEM图像的所有像素点的灰度值取平均值，所获得的平均灰度值如表1中第2列所示。
步骤四、对所有样品的灰度SEM图像，使用鼠标点击图像中的N个孔隙位置，计算点击的N个孔隙处的像素的灰度值的平均值，称为孔隙灰度值，将第i个样品的孔隙灰度值命名为Bi。其中，N可在实验过程中进行设置，N的值一般设置为5至10个，N值越大误差越小。
本实施例中取N＝5，针对样品集A中的每一个样品，其灰度SEM图像中的5个孔隙处的像素的平均灰度值，如表1中第3列所示。
步骤五、对所有样品的灰度SEM图像，使用鼠标点击图像中的M个纤维位置，计算点击的M个纤维处的像素的灰度值的平均值，称为纤维灰度值，将第i个样品的纤维灰度值命名为Ci。其中，M可在实验过程中进行设置，M的值一般设置为5至10个，M值越大误差越小。
本实施例中选择M＝5，针对样品集A中的每一个样品，其灰度SEM图像中的5个纤维处的像素的平均灰度值，如表1中第4列所示。
上述步骤三、步骤四、步骤五中对样品的灰度SEM图像进行处理，获得图像的平均灰度值、孔隙灰度值、纤维灰度值如表1所示，
表1 样品的灰度SEM图像的处理结果
步骤六、将所有样品分割为样品集P和样品集Q。将样品集P中的所有样品进行物理实验过程，获得其物理实验孔隙率结果，将第i个样品的物理实验孔隙率结果命名为Pi。
为清晰描述技术方案，本实施例选取样品编号1-6的样品作为样品集P。对这6个样品进行物理实验，获得其物理实验孔隙率结果。通过物理实验获取到的物理实验孔隙率值如表2所示，
表2 样品的物理实验孔隙率值
| 样品编号i | 物理实验孔隙率Pi |
| 1 | 46.88％ |
| 2 | 41.15％ |
| 3 | 46.21％ |
| 4 | 46.63％ |
| 5 | 50.85％ |
| 6 | 54.39％ |
步骤七、对样品集P中的每一个样品的灰度SEM图像，根据物理实验孔隙率结果获取其最佳分割阈值，将第i个样品的最佳分割阈值命名为Di。第i个样品的最佳分割阈值是指，当分割阈值为Di时，通过对灰度SEM图像进行处理计算出的孔隙率值最接近于物理实验孔隙率结果Pi。
通过对样品的灰度SEM图像调整分割阈值，获得其最接近于物理实验孔隙率值的最佳分割阈值结果，以及分割阈值为Di时与物理实验结果的误差如表3所示，
表3 样品集P中的样品灰度SEM图像的最佳分割阈值
至此，将样品集P中样品的数据合并为一个表格，如表4所示。
表4的数据内容由物理实验结果和计算机图像处理结果共同组成，称为“联合数据集”，即将建立的阈值回归模型的主要目的是，通过灰度SEM图像的Ai、Bi、Ci计算出Di，从而根据Di计算出样品的孔隙率Pi。
表4 样品集A中样品的相关数据
步骤八、将样品集P中的样品通过随机采样分为训练集PA和测试集PT。
本实施例随机选取样品编号为1、2、3、4、6的样品数据作为训练集PA，样品编号为5的样品数据作为测试集PT。
步骤九、将训练集PA中的样品的Ai组合为向量A，将训练集PA中的样品的Bi组合为向量B，将训练集PA中的样品的Ci组合为向量C，将训练集PA中的样品的Di组合为向量D。
本实施例中训练集PA为样品编号为1、2、3、4、6的样品数据，组合而成的向量A为(112.9，146.7，130.7，119.2，105.0)，向量B为(75.0，100.0，81.8，67.8，68.6)，向量C为(111.6，143.4，134.2，129.4，107.4)，向量D为(114，144，133，125，110)。
步骤十、以向量A、B、C为自变量，向量D为因变量，建立回归模型。该回归模型的因变量D是最佳分割阈值的组合，命名该模型为阈值回归模型。
本实施例中，使用R语言作为建立回归模型的运行环境，在R语言中以向量A、B、C为自变量、向量D为因变量建立回归模型的调用命令如公式1所示，
LM1＜-lm(D～A+B+C) (1)
通过R语言的运行环境获得的各自变量的系数如表5所示，
表5 回归模型的各自变量的系数值
| 自变量 | 常数项 | A | B | C |
| 系数值 | 13.734 | 0.040 | 0.246 | 0.697 |
根据表5中的系数建立的回归方程如公式2所示，
D＝13.734+0.040*A+0.246*B+0.697*C (2)
步骤十一、使用测试集PT中的所有样品的数据验证步骤十中建立的阈值回归模型的误差范围，假如误差范围符合要求，则模型建立完成，继续步骤十二；假如不符合要求，则模型建立失败，过程结束。
本实施例中，测试集PT为样品编号为5的样品数据。根据该样品数据，将其Ai、Bi、Ci用于该模型，可得最佳分割阈值的模型输出值如公式3所示，
通过物理实验所获得的最佳分割阈值为129，模型输出值的误差为(129.2-129)/129＝0.16％，准确率符合要求。
步骤十二、对样品集Q中的每一个样品，将步骤十中建立的“阈值回归模型”应用于样品的孔隙率计算，具体应用方法为：
步骤12.1、以样品集Q中的第i样品的平均灰度值Ai、孔隙灰度值Bi、纤维灰度值Ci作为自变量，通过阈值回归模型计算因变量的值，即第i个样品的最佳分割阈值Di。
本实施例中，通过阈值回归模型计算的样品Q中样品的最佳分割阈值如表6中第2列所示。
步骤12.2、根据最佳分割阈值Di，计算第i个样品的孔隙率值Pi。
本实施例中，样品集Q中样品的孔隙率计算结果如表6中第3列所示。
表6 样品集B中样品的最佳分割阈值及孔隙率计算结果
| 样品编号i | 最佳分割阈值Di | 计算的孔隙率值Pi |
| 7 | 116.4 | 53.50％ |
| 8 | 153.4 | 55.12％ |
| 9 | 137.1 | 54.09％ |
| 10 | 118.8 | 37.34％ |
| 11 | 129.3 | 52.84％ |
| 12 | 106.7 | 45.92％ |
| 13 | 114.3 | 52.40％ |
| 14 | 141.3 | 43.11％ |
| 15 | 134.3 | 55.63％ |
| 16 | 121.8 | 38.94％ |
| 17 | 130.8 | 58.70％ |
| 18 | 105.7 | 43.57％ |
至此，样品集Q中的所有样品的孔隙率计算完毕，需确定孔隙率的材料孔隙率全部获取完毕。
Claims (1)
1.一种基于阈值回归的纤维材料孔隙率分析方法，其特征在于，包括以下步骤：
步骤一、对所有样品拍摄SEM图像，并对图像进行平滑处理，以降低拍摄过程中产生的噪声。
步骤二、将所有样品的SEM图像进行灰度化处理，即将像素的颜色值转换为灰度值。命名SEM图像的灰度化结果为“灰度SEM图像”。
步骤三、对所有样品的灰度SEM图像，获取其平均灰度值，即所有像素点的灰度值的平均值，命名第i个样品的平均灰度值为Ai。
步骤四、对所有样品的灰度SEM图像，使用鼠标点击图像中的N个孔隙位置，计算点击的N个孔隙处的像素的灰度值的平均值，称为孔隙灰度值，命名第i个样品的孔隙灰度值为Bi。其中，N可在实验过程中进行设置，N的值一般设置为5至10个，N值越大误差越小。
步骤五、对所有样品的灰度SEM图像，使用鼠标点击图像中的M个纤维位置，计算点击的M个纤维处的像素的灰度值的平均值，称为纤维灰度值，命名第i个样品的纤维灰度值为Ci。其中，M可在实验过程中进行设置，M的值一般设置为5至10个，M值越大误差越小。
步骤六、将所有样品分割为样品集P和样品集Q。将样品集P中的所有样品进行物理实验过程，获得其物理实验孔隙率结果，命名第i个样品的物理实验孔隙率结果为Pi。
步骤七、对样品集P中的每一个样品的灰度SEM图像，根据物理实验孔隙率结果获取其最佳分割阈值，并命名第i个样品的最佳分割阈值为Di。对第i个样品的最佳分割阈值是指，当分割阈值为Di时，通过对灰度SEM图像进行处理计算出的孔隙率值最接近于物理实验孔隙率结果Pi。
步骤八、将样品集P中的样品通过随机采样分为训练集PA和测试集PT。
步骤九、将训练集PA中的样品的Ai组合为向量A，将训练集PA中的样品的Bi组合为向量B，将训练集PA中的样品的Ci组合为向量C，将训练集PA中的样品的Di组合为向量D。
步骤十、以向量A、B、C为自变量，向量D为因变量，建立回归模型。该回归模型的因变量D是最佳分割阈值的组合，命名该模型为阈值回归模型。
步骤十一、使用测试集PA中的样品的数据验证步骤十中建立的阈值回归模型的误差范围，假如误差范围符合要求，则模型建立完成，继续步骤十二；假如不符合要求，则模型建立失败，过程结束。
步骤十二、对样品集Q中的每一个样品，将步骤十中建立的“阈值回归模型”应用于样品的孔隙率计算，具体应用方法为：
步骤12.1、以样品集Q中的第i样品的平均灰度值Ai、孔隙灰度值Bi、纤维灰度值Ci作为自变量，通过阈值回归模型计算因变量的值，即第i个样品的最佳分割阈值Di。
步骤12.2、根据最佳分割阈值Di，计算第i个样品的孔隙率值Pi。
至此，样品集Q中的所有样品的孔隙率计算完毕，需确定孔隙率的材料孔隙率全部获取完毕。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910714742.3A CN110458816B (zh) | 2019-08-06 | 2019-08-06 | 一种基于阈值回归的纤维材料孔隙率分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910714742.3A CN110458816B (zh) | 2019-08-06 | 2019-08-06 | 一种基于阈值回归的纤维材料孔隙率分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110458816A true CN110458816A (zh) | 2019-11-15 |
| CN110458816B CN110458816B (zh) | 2021-04-27 |
Family
ID=68484817
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910714742.3A Active CN110458816B (zh) | 2019-08-06 | 2019-08-06 | 一种基于阈值回归的纤维材料孔隙率分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110458816B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090232412A1 (en) * | 2004-01-09 | 2009-09-17 | The Boeing Company | System and Method for Comparing Images With Different Contrast Levels |
| CN102841220A (zh) * | 2012-07-16 | 2012-12-26 | 天津城市建设学院 | 一种基于孔隙率的黏土扫描电镜照片图像分割方法 |
| CN103971395A (zh) * | 2014-05-21 | 2014-08-06 | 安徽工业大学 | 一种纤维过滤介质结构的拟态化重建及其性能计算方法 |
| US20170346078A1 (en) * | 2016-05-31 | 2017-11-30 | Samsung Electronics Co., Ltd. | Composite anode active material, anode and lithium battery including the composite anode active material, and method of preparing the composite anode active material |
| CN108519314A (zh) * | 2018-03-19 | 2018-09-11 | 华南理工大学 | 一种基于数字图像处理的纸张孔隙率测量与孔径分析方法 |
| CN109191423A (zh) * | 2018-07-18 | 2019-01-11 | 中国矿业大学 | 一种基于机器图像智能学习的多孔介质渗透率预测方法 |
| CN110021030A (zh) * | 2019-03-05 | 2019-07-16 | 中国矿业大学 | 一种岩土体材料数字图像的分割阈值确定方法 |
-
2019
- 2019-08-06 CN CN201910714742.3A patent/CN110458816B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090232412A1 (en) * | 2004-01-09 | 2009-09-17 | The Boeing Company | System and Method for Comparing Images With Different Contrast Levels |
| CN102841220A (zh) * | 2012-07-16 | 2012-12-26 | 天津城市建设学院 | 一种基于孔隙率的黏土扫描电镜照片图像分割方法 |
| CN103971395A (zh) * | 2014-05-21 | 2014-08-06 | 安徽工业大学 | 一种纤维过滤介质结构的拟态化重建及其性能计算方法 |
| US20170346078A1 (en) * | 2016-05-31 | 2017-11-30 | Samsung Electronics Co., Ltd. | Composite anode active material, anode and lithium battery including the composite anode active material, and method of preparing the composite anode active material |
| CN108519314A (zh) * | 2018-03-19 | 2018-09-11 | 华南理工大学 | 一种基于数字图像处理的纸张孔隙率测量与孔径分析方法 |
| CN109191423A (zh) * | 2018-07-18 | 2019-01-11 | 中国矿业大学 | 一种基于机器图像智能学习的多孔介质渗透率预测方法 |
| CN110021030A (zh) * | 2019-03-05 | 2019-07-16 | 中国矿业大学 | 一种岩土体材料数字图像的分割阈值确定方法 |
Non-Patent Citations (2)
| Title |
|---|
| JOCHEN JOOS等: "econstruction of porous electrodes by FIB/SEM for detailed microstructure modeling", 《JOURNAL OF POWER SOURCES》 * |
| 梁翠芳: "基于图像处理的网格圈织物孔隙率检测", 《纺织学报》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110458816B (zh) | 2021-04-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104504389B (zh) | 一种基于卷积神经网络的卫星云量计算方法 | |
| CN105445160B (zh) | 一种沥青混合料的空隙特征及其提取方法 | |
| CN106485316A (zh) | 神经网络模型压缩方法以及装置 | |
| JP2021522563A (ja) | 高度な機械学習手法を用いた記述岩石薄片の画像の自動分析 | |
| CN105608334B (zh) | 一种评价烟用辅材参数影响程度的方法 | |
| CN112217650B (zh) | 网络阻塞攻击效果评估方法、装置及存储介质 | |
| CN111724358A (zh) | 基于图像和卷积神经网络的混凝土质量检测方法及系统 | |
| CN108550140B (zh) | 一种面向图像集的置信度一致性增强质量评价方法 | |
| Anangsha et al. | A new autonomous program customized for computing surface cracks in an unsaturated soil in a 1-D column | |
| CN110458816A (zh) | 一种基于阈值回归的纤维材料孔隙率分析方法 | |
| CN111724331A (zh) | 一种基于生成网络的多孔介质图像重建方法 | |
| CN106018731A (zh) | 一种煤质挥发分、固定碳在线检测方法及系统 | |
| CN104268565A (zh) | 基于回归学习的景象匹配区选取方法 | |
| CN111311668A (zh) | 一种基于卷积神经网络的清水混凝土表面气孔分析方法 | |
| CN115081485B (zh) | 一种基于ai的漏磁内检测数据自动分析方法 | |
| CN102901697B (zh) | 土壤孔隙度检测方法 | |
| CN112051199B (zh) | 压汞毛管压力曲线粗化方法 | |
| CN116090331A (zh) | 一种页岩气水平井压裂参数优化的方法 | |
| CN107818325A (zh) | 基于集成字典学习的图像稀疏表示方法 | |
| CN104809336A (zh) | 一种考虑空间相关性的区域要素抽样方法 | |
| CN109061121A (zh) | 一种基于bp神经网络评估氯离子的方法 | |
| CN111208049B (zh) | 一种致密砂岩渗吸效果评价方法及装置 | |
| CN103761525A (zh) | 基于显微ct数字图像处理铝电解用阴极炭块组分检测方法 | |
| CN109272534B (zh) | 基于多粒度级联森林模型的sar图像变化检测方法 | |
| CN112419493B (zh) | 页岩储层三维属性模型建立方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240116 Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee after: Dragon totem Technology (Hefei) Co.,Ltd. Address before: 100048 Beijing Haidian District Fucheng Road 33 Beijing University of Industry and Commerce Patentee before: BEIJING TECHNOLOGY AND BUSINESS University |
|
| TR01 | Transfer of patent right |