CN110852395A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110852395A CN110852395A CN201911117119.6A CN201911117119A CN110852395A CN 110852395 A CN110852395 A CN 110852395A CN 201911117119 A CN201911117119 A CN 201911117119A CN 110852395 A CN110852395 A CN 110852395A
- Authority
- CN
- China
- Prior art keywords
- image
- ore
- unit
- model
- granularity
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000013135 deep learning Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 43
- 238000002372 labelling Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 239000002245 particle Substances 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 230000007246 mechanism Effects 0.000 claims abstract description 9
- 238000011068 loading method Methods 0.000 claims abstract description 7
- 230000000694 effects Effects 0.000 claims abstract description 6
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 239000000463 material Substances 0.000 claims abstract description 5
- 238000011897 real-time detection Methods 0.000 claims abstract description 5
- 239000002390 adhesive tape Substances 0.000 claims abstract description 4
- 230000002708 enhancing effect Effects 0.000 claims abstract description 3
- 235000019580 granularity Nutrition 0.000 claims description 76
- 238000012545 processing Methods 0.000 claims description 53
- 238000003860 storage Methods 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 20
- 238000001914 filtration Methods 0.000 claims description 15
- 238000007619 statistical method Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 12
- 230000003993 interaction Effects 0.000 claims description 7
- 230000003203 everyday effect Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims 1
- 238000010276 construction Methods 0.000 claims 1
- 238000003062 neural network model Methods 0.000 claims 1
- 238000005265 energy consumption Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 10
- 238000009826 distribution Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
- G01N15/0205—Investigating particle size or size distribution by optical means
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Dispersion Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于自主学习和深度学习的矿石粒度检测方法及系统,包括下列步骤:1)矿石图像数据获取、标注,构建矿石粒度分级训练样本集与测试样本集;2)对矿石粒度训练样本数据集进行图像预处理,增强图像效果和降低图像噪声;3)胶带输送机工作状态进行识别:建立ResNet50模型识别区分胶带停止、空转和载料正常转三种工作状态;4)利用深度学习中的卷积神经网络算法建立卷积神经网络模型对矿石粒度样本数据集进行分级;5)建立自主学习机制,进行模型迭代与优化;6)使用训练好的模型对矿石粒度进行在线实时检测。本发明优点是:能显著提高粒度检测精度,达到提高破碎机效率和降低破碎能耗。
Description
技术领域
本发明涉及一种选矿技术领域,具体涉及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。
背景技术
矿石的粒度分布是评价破碎效果的一项重要依据,粒度参数主要包括面积、周长、粒径和体积等。目前,大多数研究人员采用低效、离线的人工筛分检测法确定破碎后粒度的分布,难以保证选矿生产的需要。近年来,数字图像处理技术逐渐应用于各种粒度分析仪所获取的图像处理中。这种非接触式粒度检测方法可以有效克服传统检测方法的不足,并能很好的适应碎磨工序的恶劣工况,因此,通过在传送带上方安装机器视觉系统,利用数字图像技术结合现代数据处理等软测量技术,实时连续地进行在线粒度测量及自动统计结果,是矿石粒度测量的有效手段。山东黄金矿业有限公司在实用新型专利《一种传送带矿石粒度图像获取设备》中只提出了一种硬件系统,但并没有涉及算法和数据处理等软件测量技术。中国矿业大学在发明专利《一种基于多元多尺度熵的矿石粒度检测技术》中提出了图像处理算法,但是需要经过区域提取、边界提取、图像分割等特征提取过程,不仅操作繁琐,而且计算复杂。
发明内容
本发明的目的是提供一种能显著提高粒度检测精度,达到提高破碎机效率和降低破碎能耗的基于自主学习和深度学习的矿石粒度检测的方法和系统。
本发明的目的是通过下述技术方案来实现的:
本发明的一种基于自主学习和深度学习的矿石粒度检测方法,其特征在于,包括下列步骤:
1)矿石图像数据获取、标注,构建矿石粒度训练样本集和测试样本集,所述的构建矿石粒度分级训练样本数据集与测试样本数据集,包括:通过高清工业相机或高清摄像机获取胶带载料正常转过程中的矿石图像,选取少量样本,聘请专业技术人员进行人工标注。作用是建立数据集,按标注分类,方便后期的检测与测试;
2)对矿石粒度训练样本集进行图像预处理、增强图像效果和降低图像噪声;所述的对矿石粒度训练样本数据集进行图像预处理,作用是突出图像中的矿石及矿石的轮廓结构,包括下列步骤:对训练样本数据集进行灰度化处理;利用中值滤波消除孤立的噪声点;利用直方图均衡处理图片,增加图像对比度;
3)对胶带输送机的工作状态进行识别:建立ResNet50模型识别区分胶带停止、无料空转和载料正常转三种工作状态;
4)使用深度学习中的卷积神经网络算法建立卷积神经网络模型对矿石粒度训练样本集进行分级;
5)建立自主学习机制,进行模型迭代与优化;
6)使用训练好的模型对测试样本集的数据进行矿石粒度在线实时检测;
进一步的,所述的步骤3)对胶带输送机工作状态进行识别,作用是减少在胶带停止、空转等状态下对粒度检测造成的误差,包括下列步骤:
3.1)建立ResNet50模型将步骤2中预处理过的数据集进行二分类,第一类表示胶带输送机静止或者胶带输送机空转,对应矿石级别0,第二类表示胶带输送机正常工作且胶带上有矿石运输,对应矿石级别1-4;
3.2)读取二分类后的矿石图像和对应标签,然后载入预训练模型ResNet50,并将训练图像经过网络运算得到数据,不包含顶部的全连接层,保存训练好的模型文件,用于后续二分类预测;
3.3)使用训练后的ResNet50模型对图像进行分类预测并输出分类结果。如果判定此图像为第一类,则删除该图片;如果判定此图像为第二类,再利用步骤4中改进的卷积神经网络算法进行更细粒度级别的划分。
进一步的,所述的步骤4)使用深度学习中的卷积神经网络算法建立卷积神经网络模型对矿石粒度训练样本数据集进行分级,作用是将图像分成不同的粒度级别,便于建立自主学习的模型,包括下列步骤:
4.1)输入已经构建好训练样本数据集;
4.2)将权值W和偏置b置成[0,1]的随机值,并初始化参数和学习率,通过输入图像的大小设定卷积核大小和网络结构层数,并使用实验的方式设定批量样本数为32 和迭代次数为50次,同时确定隐层特征图个数;
4.3)从训练样本数据集中取一个批量样本输入到训练网络中;
4.4)计算中间层输出向量和整个网络实际的输出向量;
4.5)将输出向量中的元素和标签中的向量进行比较,计算输出误差,以及中间隐层的误差;
4.6)计算出各权值的调整量△W和偏置△b;
4.7)使用adam方法更新权值和偏置;
4.8)当迭代次数满足设定即转入步骤4-9,如果不满足返回步骤4-3,继续迭代;
4.9)训练结束,
注释:所述的输入图像的大小为1280像素×960像素,卷积核大小为3*3,批量样本数设定为32个,迭代次数为50次,学习率设定为0.1%。
进一步的,所述的步骤5)建立自主学习机制,进行矿石粒度分级模型迭代与优化,作用是将图像精确分类,包括下列步骤:
5.1)使用步骤4训练好的模型对未标记图像进行分类预测,得到分类结果和对应概率;
5.2)计算近邻熵;对CNN模型计算出来的每一类的得分进行归一化处理,归一化公式如下:
其中n表示分类的个数,i属于(1,n),Zj表示CNN模型计算出来的第j类的得分, f(Zj)则表示该分类的概率;
5.3)选定合适的阈值,根据阈值评判近邻熵,如果近邻熵小于阈值,则说明分类器对于该样本的分类具有很大的不确定性,选择其作为自主学习的样例;否则遗弃该样本;
5.4)对于步骤5-3筛选出来的样本,由该领域专业技术人员进行人工标注;
5.5)使用该领域专业技术人员标注的新样本对模型进行迭代训练,直到模型达到设定的精度;
进一步的,所述的步骤6)使用训练好的模型对测试样本集的数据进行矿石粒度在线实时检测。
本发明的一种基于自主学习和深度学习的矿石粒度检测系统,其特征在于,包括:
1)图像获取模块,用于读取矿石视频流和截取图像;所述的图像获取模块包括:视频流读取单元和截取图像单元,所述的视频流读取单元,用于系统读取高清工业相机或高清摄像机采集的矿石视频;所述的截取图像单元,用于将获得的矿石视频截取为对应的矿石图像;
2)图像预处理模块,用于对标注后的样本图像数据进行预处理,包括图像灰度处理、图像中值滤波处理和直方图均衡处理子模块;包括图像灰度处理、图像中值滤波处理和直方图均衡处理子模块;所述的图像预处理模块包括:图像灰度处理单元、图像中值滤波处理单元和直方图均衡处理单元,
所述的图像灰度处理单元,用于对已截取的图像进行灰度处理;
所述的图像中值滤波处理单元,用于对已截取的图像进行中值滤波处理;
所述的直方图均衡处理单元,用于对已截取的图像进行直方图均衡处理;
3)重调入训练模块,用于对预处理后的图像进行训练和建模;
4)自主学习模块,用于建立矿石分级模型迭代和更新机制;
5)图像存储模块,用于对CNN模型分类后的图像进行分类存储;
6)人机交互模块,用于在图形用户界面显示实时视频并提供相应的功能;
7)统计分析模块,对一段时间内的矿石粒度等级进行统计和分析。
进一步地,所述的3)重调入训练模块包括:ResNet分类器单元和深度学习中的卷积神经网络(CNN)单元,
所述的ResNet分类器单元,用于调用训练好的ResNet50模型对预处理后的矿石图像进行二分类;
所述的深度学习中的卷积神经网络(CNN)单元,用于调用训练好的卷积神经网络模型对预处理后的矿石粒度图像进行分类。
进一步地,所述的4)自主学习模块包括:近邻熵计算单元、图像储存单元和专业技术人员标注单元,
所述的近邻熵计算单元,对CNN模型分类后的矿石粒度计算近似程度;近邻熵阈值设定单元,通过UI界面对近邻熵阈值进行设置;
所述的图像储存单元:如果近邻熵大于设定阈值,则对该样本进行正常的后续处理;如果近邻熵小于阈值,则对该样本进行存储以供后续专业技术人员再标注;
所述的专业技术人员标注单元:挑选需要标注的样本,由该领域专业技术人员进行标注。将标注后的样本重新输入模型进行训练。
进一步地,所述的5)图像存储模块包括:图像存储单元和数据库存储单元,
所述的图像存储单元,用于对不同粒度的矿石图像分别存储到指定的文件夹中,设定每个图像类别的存储上限,并实现对每类图像的循环存储;
所述的数据库存储单元,用于每天定时对每类图像的数据进行统计并存入数据库中,根据数据库存储的数据,可以按照“月”、“日”或“班次”查询各个粒度级别的图像个数。
进一步地,所述的6)人机交互模块包括:视频显示单元、统计分析单元、报警提醒单元、数据查询单元和数据导出单元,
所述的视频显示单元,对高清工业相机或高清摄像机拍摄的矿石视频流进行实时显示;
所述的统计分析单元,每天定时对每类图像的数据进行统计并存入数据库。根据数据库可以按照“月”、“日”或“班次”查询各个粒度级别图像个数;
所述的报警提醒单元,用于对出现大块矿石,进行声音报警提示;
所述的数据查询单元,用于可以按照“月”、“日”、“班次”进行详细查询和统计查询各个粒度级别图像个数。
所述的数据导出单元,用于将统计结果导出到excel报表中。
进一步地,所述的7)统计分析模块包括:统计单元和分析单元,
所述的统计单元,用于根据需要统计自定义时间段内的矿石粒度图像;
所述的分析单元,用于分析自定义时间段内的矿石粒度图像结果。
与现有技术相比,本发明具有以下有益效果:
自主学习的核心任务是制定选择样本的标准,从而选择尽可能少的样本进行标注来训练出一个好的学习模型。深度学习是一种新型的机器学习方法,通过组合低层特征形成更加抽象的高层表示属性类别或特征,通过非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。将自主学习和深度学习结合起来应用到矿石粒度检测中,在大量减少标注工作量的基础上可显著提高检测精度。
本发明结合了自主学习和深度学习中的卷积神经网络算法,并应用到矿石粒度检测中,可以在大量减少标注工作量的基础上显著提高矿石粒度的检测精度、标记矿石图像中粒度的分布,从而检测破碎机的工作状态,及时了解破碎机的排矿口的大小变化,对破碎机排矿口的调节做出重要提示,达到提高破碎机破碎效率和降低破碎机能耗的目的。
附图说明
图1为基于自主学习和深度学习中的卷积神经网络的矿石粒度检测方法的流程图。
图2为矿石粒度分级CNN结构图。
图3为基于自主学习和卷积神经网络的矿石粒度检测系统精度迭代图。
图4为本发明实施例2中基于自主学习和深度学习的矿石粒度检测系统框图。
图5为本发明实施例2中图像获取模块框图。
图6为本发明实施例2中图像预处理模块框图。
图7为本发明实施例2中重调入模块框图。
图8为本发明实施例2中自主学习模块框图。
图9为本发明实施例2中图像存储模块框图。
图10为本发明实施例2中人机交互模块框图。
图11为本发明实施例2中统计分析模块框图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
实施例1
本发明实施例提供一种基于自主学习和深度学习的矿石粒度检测方法,方法流程如图1所示,包括以下步骤:
步骤1、矿石图像数据获取、标注,构建矿石粒度训练样本数据集与测试样本数据集,通过高清工业相机或高清摄像机获取胶带输送机传送过程中的矿石图像,选取少量样本,由该领域专业技术人员进行人工标注,样本集分类如表1所示。
该数据集共有3000张图片,2500张作为训练样本数据集,500张作为测试样本数据集。
步骤2、对步骤1的样本数据集进行图像预处理、增强图像和降低图像噪声,对原始数据集进行灰度化处理;利用中值滤波消除孤立的噪声点;利用直方图均衡处理图片,以增加图像对比度;
步骤3、对胶带输送机工作状态进行识别:
步骤3-1、建立ResNet50模型将步骤2处理过的数据集进行二分类,第一类表示胶带输送机静止或者胶带输送机空转,对应矿石级别0,第二类表示胶带正常工作且胶带上有矿石进行运输,对应矿石级别1-4;
步骤3-2、读取二分类后的矿石图像和对应标签,然后载入预训练模型ResNet50,并将训练图像经过网络运算得到数据,不包含顶部的全连接层,保存训练好的模型文件,用于后续二分类预测;
步骤3-3、使用训练后的ResNet50模型对图像进行分类预测并输出分类结果。如果判定此图像为第一类,则删除该图片;如果判定为第二类,再利用步骤4深度学习中的卷积神经网络模型进行更细粒度级别的划分。
步骤4、如图2所示,用深度学习中的卷积神经网络算法建立卷积神经网络模型对矿石粒度训练样本数据集进行分级。
步骤4-1、输入已经构建好的数据集;
步骤4-2、将权值W和偏置b置成[0,1]的随机值,并初始化参数和学习率,通过输入图像的大小设定卷积核大小和网络结构层数,并使用实验的方式设定批量样本数为32和迭代次数为50次,同时确定隐层特征图个数;
步骤4-3、从训练数据集中取一个批量样本输入到训练网络中;
步骤4-4、计算中间层输出向量和整个网络实际的输出向量;
步骤4-5、将输出向量中的元素和标签中的向量进行比较,计算输出误差,以及中间隐层的误差;
步骤4-6、计算出各权值的调整量△W和偏置△b;
步骤4-7、使用adam方法更新权值和偏置;
步骤4-8、当迭代次数满足设定即转入步骤4-9,如果不满足返回步骤4-3,继续迭代;
步骤4-9、训练结束。
其中,训练过程参数设置如下:
输入图像的大小为1280像素×960像素,卷积核大小为3*3,批量样本数设定为32个,迭代次数为50次,学习率设定为0.1%。
步骤5、建立自主学习机制,进行矿石粒度分级模型迭代与优化。
步骤5-1、使用步骤4训练好的模型对未标记图像进行分类预测,得到分类结果和对应概率;
步骤5-2、计算近邻熵;对CNN模型计算出来的每一类的得分进行归一化处理,归一化公式如下:
其中n表示分类的个数,i属于(1,n),Zj表示CNN模型计算出来的第j类的得分, f(Zj)则表示该分类的概率。
近邻熵为某一图像样本在分类器预测后中的最大概率与第二大概率的差,计算近邻熵的公式如下:
S=max(f)-(max-1)(f)
其中max(f)表示该样本的最大概率,(max-1)(f)表示该样本的第二大概率。计算出来的S即为该样本的近邻熵。
步骤5-3、选定合适的阈值,根据阈值评判近邻熵。如果近邻熵小于阈值,则说明分类器对于该样本的分类具有很大的不确定性,选择其作为自主学习的样例;否则遗弃该样本;
步骤5-4、对于步骤5-3筛选出来的样本,由该领域专业技术人员进行人工标注;
步骤5-5、用领域专业技术人员标注的新样本对模型进行迭代训练,直到模型达到设定的精度。矿石粒度分级精度迭代如图3所示。
步骤6、使用训练好的模型进行矿石粒度在线实时检测。
实时获取视频流,定时截取某一帧保存为图像作为数据源,使用步骤3、4、5迭代优化过的模型实时对数据源进行分类,实时显示视频和分类结果。当分类结果为2-4级时,进行声音提示报警。
本发明提供一种基于自主学习和深度学习的矿石粒度检测系统,用于执行实施例1 所提供的方法,如图4所示,该系统包括:
1)图像获取模块,用于读取高清工业相机或高清摄像机采集的矿石视频流和截取图像;
2)图像预处理模块,用于对标注后的样本图像数据进行预处理,包括图像灰度处理、图像中值滤波处理和直方图均衡处理子模块;
3)重调入训练模块,用于对预处理后的图像进行训练和建模;
4)自主学习模块,用于建立矿石分级模型迭代和更新机制;
5)图像存储模块,用于对CNN模型分类后的图像进行分类存储;
6)人机交互模块,用于在图形用户界面显示实时视频并提供相应的功能。
7)统计分析模块,对一段时间内的矿石粒度等级进行统计和分析。
进一步的,如图5所示,所述的1)图像获取模块包括:
所述的视频流读取单元,用于系统读取高清工业相机或高清摄像机采集的矿石视频;
所述的截取图像单元,用于将获得的矿石视频截取为对应的矿石图像。
进一步地,如图6所示,所述的2)图像预处理模块包括:
所述的图像灰度处理单元,用于对已截取的图像进行灰度处理;
所述的图像中值滤波处理单元,用于对已截取的图像进行中值滤波处理;
所述的直方图均衡处理单元,用于对已截取的图像进行直方图均衡处理。
进一步的,如图7所示,所述3)重调入训练模块包括:
ResNet分类器单元,用于调用训练好的ResNet50模型对预处理后的矿石图像进行二分类;
卷积神经网络(CNN)单元,用于调用训练好的卷积神经网络模型对预处理后的矿石粒度图像进行分类;
进一步的,如图8所示,所述4)自主学习模块包括:
近邻熵计算单元,对CNN模型分类后的矿石粒度计算近似程度;
近邻熵阈值设定单元,通过UI界面对近邻熵阈值进行设置;
图像储存单元,如果近邻熵大于设定阈值,则对该样本进行正常的后续处理;如果近邻熵小于阈值,则对该样本进行存储以供后续专业技术人员再标注;
专业技术人员标注单元,挑选需要标注的样本,由领域专业技术人员进行标注。将标注后的样本重新输入网络进行训练;
进一步的,如图9所示,所述的5)图像存储模块包括:
图像存储单元,对不同粒度的矿石图像分别存储到指定的文件夹,设定每个图像类别的存储上限,并实现对每类图像的循环存储。
数据库存储单元,每天定时对每类图像的数据进行统计并存入数据库。根据数据库可以查询可以按照“月”、“日”或“班次”查询各个粒度级别图像个数。
进一步的,如图10所示,所述的6)人机交互模块包括:
视频显示单元,对高清工业相机或高清摄像机拍摄的矿石视频流进行实时显示。
统计分析单元,每天定时对每类图像的数据进行统计并存入数据库。根据数据库可以查询可以按照“月”、“日”或“班次”查询各个粒度级别图像个数。
报警提醒单元,用于对出现大块矿石,进行声音报警提示;
数据查询单元,用于可以按照“月”、“日”、“班次”进行详细查询和统计查询各个粒度级别图像个数。
数据导出单元,用于将统计分析结果导出到excel报表中。
进一步地,如图11所示,所述的7)统计分析模块包括:
所述的统计单元,用于根据需要统计自定义段时间内的矿石粒度图像;
所述的分析单元,用于分析自定义时间段内的矿石粒度图像结果。
本发明可以在大量减少标注工作量的基础上显著提高矿石粒度的检测精度、标记矿石图像中粒度的分布,从而检测破碎机的工作状态,及时了解破碎机的排矿口的大小变化,对破碎机排矿口的调节做出重要提示,达到提高破碎机破碎效率和降低破碎机能耗的目的。
本发明可以在大量减少标注工作量的基础上显著提高矿石粒度的检测精度、标记矿石图像中粒度的分布,从而检测破碎机的工作状态,及时了解破碎机的排矿口的大小变化,对破碎机排矿口的调节做出重要提示,达到提高破碎机破碎效率和降低破碎机能耗的目的。
Claims (10)
1.一种基于自主学习和深度学习的矿石粒度检测方法,其特征在于,包括下列步骤:
1)矿石图像数据获取、标注,构建矿石粒度检测训练样本集与测试样本集;
所述的构建矿石粒度分级训练样本集与测试样本集,包括:通过高清工业相机或高清摄像机获取胶带输送机传送过程中的矿石图像,选取少量样本,并进行专业技术人员标注;
2)对矿石粒度训练样本数据集进行图像预处理、增强图像效果和降低图像噪声;
所述的对矿石粒度训练样本数据集进行图像预处理,包括:对原始数据集进行灰度化处理;利用中值滤波消除孤立的噪声点;利用直方图均衡处理图片,增加图像对比度。
3)胶带输送机工作状态进行识别:建立ResNet50模型识别区分胶带停止、空转和载料正常转三种工作状态;
4)根据深度学习中的卷积神经网络算法建立卷积神经网络模型对矿石粒度训练样本数据集进行分级;
5)建立自主学习机制,进行模型迭代与优化;
6)使用训练好的模型对矿石粒度进行在线实时检测。
2.根据权利要求1所述的基于自主学习和深度学习的矿石粒度检测方法,其特征在于,所述的步骤3)对胶带输送机工作状态进行识别,包括:
3.1)建立ResNet50模型,将步骤2中预处理过的图像集进行二分类,第一类表示胶带输送机静止或者胶带输送机空转,对应矿石级别0,第二类表示胶带输送机正常工作且胶带上有矿石进行运输,对应矿石级别1-4;
3.2)读取二分类后的矿石图像和对应标签,然后载入预训练模型ResNet50,并将训练图像经过网络运算得到数据,不包含顶部的全连接层,保存训练好的模型文件,用于后续二分类预测;
3.3)使用训练后的ResNet50模型对图像进行分类预测并输出分类结果,如果判定此图像为第一类,则删除该图片;如果判定为第二类,再利用步骤4中卷积神经网络模型进行更细粒度级别的划分。
3.根据权利要求1所述的基于自主学习和深度学习的矿石粒度检测方法,其特征在于,所述的步骤4)根据深度学习中的卷积神经网络算法建立卷积神经网络模型对矿石粒度样本数据集进行分级,包括下列步骤:
4.1)输入已经构建好的数据集;
4.2)将权值W和偏置b置成[0,1]的随机值,并初始化参数和学习率,通过输入图像的大小设定卷积核大小和网络结构层数,并使用实验的方式设定批量样本数为32和迭代次数为50次,同时确定隐层特征图个数;
4.3)从训练数据库中取一个批量样本输入到训练网络中;
4.4)计算中间层输出向量和整个网络实际的输出向量;
4.5)将输出向量中的元素和标签中的向量进行比较,计算输出误差,以及中间隐层的误差;
4.6)计算出各权值的调整量△W和偏置△b;
4.7)使用adam方法更新权值和偏置;
4.8)当迭代次数满足设定即转入步骤4-9,如果不满足返回步骤4-3,继续迭代;
4.9)训练结束,
所述的输入图像的大小为1280像素×960像素,卷积核大小为3*3,批量样本数设定为32,迭代次数为50,学习率设定为0.1%。
4.根据权利要求1所述的基于自主学习和深度学习的矿石粒度检测的方法,其特征在于,所述的步骤5)建立自主学习机制,进行矿石粒度分级模型迭代与优化,包括下列步骤:
5.1)使用步骤4训练好的模型对未标记图像进行分类预测,得到分类结果和对应概率;
5.2)计算近邻熵;对CNN模型计算出来的每一类的得分进行归一化处理,归一化公式如下:
其中n表示分类的个数,i属于(1,n),Zj表示CNN模型计算出来的第j类的得分,f(Zj)则表示该分类的概率;
5.3)选定合适的阈值,根据阈值评判近邻熵,如果近邻熵小于阈值,则说明分类器对于该样本的分类具有很大的不确定性,选择其作为自主学习的样例;否则遗弃该样本;
5.4)对于步骤5-3筛选出来的样本,并进行专业技术人员标注;
5.5)使用标注的新样本对模型进行迭代训练,直到模型达到设定的精度。
5.一种基于自主学习和深度学习的矿石粒度检测系统,其特征在于,包括:
1)图像获取模块,用于读取高清工业相机或高清摄像机的矿石视频流和截取图像;
所述的图像获取模块包括:视频流读取单元和截取图像单元,所述的视频流读取单元,用于系统读取高清工业相机或高清摄像机采集的矿石视频;所述的截取图像单元,用于将获得的矿石视频截取为对应的矿石图像;
2)图像预处理模块,用于对标注后的样本图像数据进行预处理,包括图像灰度处理、图像中值滤波处理和直方图均衡处理子模块;所述的图像预处理模块包括:图像灰度处理单元、图像中值滤波处理单元和直方图均衡处理单元,
所述的图像灰度处理单元,用于对已截取的图像进行灰度处理;
所述的图像中值滤波处理单元,用于对已截取的图像进行中值滤波处理;
所述的直方图均衡处理单元,用于对已截取的图像进行直方图均衡处理;
3)重调入训练模块,用于对预处理后的图像进行训练和建模;
4)自主学习模块,用于建立矿石分级模型迭代和更新机制;
5)图像存储模块,用于对CNN模型分类后的图像进行分类存储;
6)人机交互模块,用于在图形用户界面显示实时视频并提供相应的功能;
7)统计分析模块,用于对一段时间内的矿石粒度等级进行统计和分析。
6.根据权利要求5所述的基于自主学习和深度学习的矿石粒度检测系统,其特征在于,所述的3)重调入训练模块包括:ResNet分类器单元和深度学习中的卷积神经网络(CNN)单元,
所述的ResNet分类器单元,用于调用训练好的ResNet50模型对预处理后的矿石图像进行二分类;
所述的深度学习中的卷积神经网络(CNN)单元,用于调用训练好的卷积神经网络模型对预处理后的矿石粒度图像进行分类。
7.根据权利要求5所述的基于自主学习和深度学习的矿石粒度检测系统,其特征在于,所述的4)自主学习模块包括:近邻熵计算单元、图像储存单元和专业技术人员标注单元,
所述的近邻熵计算单元,对CNN模型分类后的矿石粒度计算近似程度;近邻熵阈值设定单元,通过UI界面对近邻熵阈值进行设置;
所述的图像储存单元,如果近邻熵大于设定阈值,则对该样本进行正常的后续处理;如果近邻熵小于阈值,则对该样本进行存储以供后续专业技术人员再标注;
所述的专业技术人员标注单元,挑选需要标注的样本,由该领域专业技术人员进行标注。将标注后的样本重新输入网络进行训练。
8.根据权利要求5所述的基于自主学习和深度学习的矿石粒度检测系统,其特征在于,所述的5)图像存储模块包括:图像存储单元和数据库存储单元,
所述的图像存储单元,对不同粒度的矿石图像分别存储到指定的文件夹,设定每个图像类别的存储上限,并实现对每类图像的循环存储;
所述的数据库存储单元,每天定时对每类图像的数据进行统计并存入数据库,根据数据库可以按照“月”、“日”或“班次”查询各个粒度级别图像个数。
9.根据权利要求5所述的基于自主学习和深度学习的矿石粒度检测系统,其特征在于,所述的6)人机交互模块包括:视频显示单元、统计分析单元、报警提醒单元、数据导出单元和数据查询单元,
所述的视频显示单元,对高清工业相机或高清摄像机拍摄的矿石视频流进行实时显示;
所述的统计分析单元,每天定时对每类图像的数据进行统计并存入数据库。根据数据库可以按照“月”、“日”或“班次”查询各个粒度级别图像个数;
所述的报警提醒单元,用于对出现大块矿石,进行声音报警提示;
所述的数据查询单元,用于可以按照“月”、“日”、“班次”进行详细查询和统计查询各个粒度级别图像个数;
所述的数据导出单元,用于将统计分析结果导出到excel报表中。
10.根据权利要求5所述的基于自主学习和深度学习的矿石粒度检测系统,其特征在于,所述的7)统计分析模块包括:统计单元和分析单元,所述的统计单元,用于根据需要统计自定义段时间内的矿石粒度图像;所述的分析单元,用于分析自定义时间段内的矿石粒度图像结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911117119.6A CN110852395B (zh) | 2019-11-15 | 2019-11-15 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911117119.6A CN110852395B (zh) | 2019-11-15 | 2019-11-15 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110852395A true CN110852395A (zh) | 2020-02-28 |
CN110852395B CN110852395B (zh) | 2023-11-14 |
Family
ID=69600268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911117119.6A Active CN110852395B (zh) | 2019-11-15 | 2019-11-15 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110852395B (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111375457A (zh) * | 2020-04-22 | 2020-07-07 | 世邦工业科技集团股份有限公司 | 排矿通道的尺寸调节系统及其使用方法 |
CN111415343A (zh) * | 2020-03-18 | 2020-07-14 | 珠海市奥德维科技有限公司 | 一种基于人工智能的片式多层陶瓷电容六面外观检测方法 |
CN111723861A (zh) * | 2020-06-17 | 2020-09-29 | 西安科技大学 | 一种用于煤矿控制挡板的煤矸石百分比识别方法 |
CN111739108A (zh) * | 2020-06-12 | 2020-10-02 | 鞍钢集团矿业有限公司 | 一种基于卷积神经网络的铁矿粉品位快速估测方法 |
CN111751253A (zh) * | 2020-07-06 | 2020-10-09 | 重庆理工大学 | 一种混凝土骨料检测模型的形成方法及质量检测方法 |
CN111950439A (zh) * | 2020-08-10 | 2020-11-17 | 山东金东数字创意股份有限公司 | 识别图形图像特征的深度处理系统和方法 |
CN112275437A (zh) * | 2020-10-09 | 2021-01-29 | 矿冶科技集团有限公司 | 一种矿用碎石机作业系统 |
CN112329782A (zh) * | 2020-11-04 | 2021-02-05 | 中冶赛迪重庆信息技术有限公司 | 一种原料粒度确定方法、系统、终端及介质 |
CN112419397A (zh) * | 2020-12-08 | 2021-02-26 | 鞍钢集团矿业有限公司 | 一种基于图像和深度神经网络的矿石粒度分级方法及系统 |
CN112598618A (zh) * | 2020-11-16 | 2021-04-02 | 鞍钢集团矿业有限公司 | 一种基于图像识别技术的磨机给矿量预测方法 |
CN113019955A (zh) * | 2021-03-18 | 2021-06-25 | 合肥名德光电科技股份有限公司 | 一种基于双能x射线矿石智能分选设备和方法 |
CN113158829A (zh) * | 2021-03-31 | 2021-07-23 | 安徽大学 | 一种基于EfficientDet网络的深度学习矿石大小测量方法及预警系统 |
CN113221968A (zh) * | 2021-04-23 | 2021-08-06 | 北京科技大学 | 一种胶带输送机运行状态诊断方法及装置 |
CN113408478A (zh) * | 2021-07-07 | 2021-09-17 | 深圳市宏申工业智能有限公司 | 基于Mask RCNN的图像分割模型训练方法及粒径检测方法 |
CN113468740A (zh) * | 2021-06-29 | 2021-10-01 | 西北师范大学 | 一种基于协同分摊噪声的软测量建模方法 |
WO2021226648A1 (de) * | 2020-05-13 | 2021-11-18 | Rubble Master Hmh Gmbh | Verfahren zum abschnittsweisen bestimmen der korngrössenverteilung eines auf ein förderband aufgegebenen schüttgutes |
CN113848191A (zh) * | 2021-10-26 | 2021-12-28 | 北京水云星晗科技有限公司 | 一种基于光谱的砂岩智能分类方法 |
CN114088730A (zh) * | 2022-01-24 | 2022-02-25 | 心鉴智控(深圳)科技有限公司 | 一种运用图像处理检测铝塑泡罩瑕疵的方法及系统 |
CN114612450A (zh) * | 2022-03-17 | 2022-06-10 | 无锡东如科技有限公司 | 基于数据增广机器视觉的图像检测分割方法、系统、电子设备 |
WO2022244270A1 (ja) * | 2021-05-21 | 2022-11-24 | 東亜建設工業株式会社 | 土砂の特性推定方法および特性推定システム |
CN115436238A (zh) * | 2022-09-22 | 2022-12-06 | 中冶南方工程技术有限公司 | 一种高炉原燃料颗粒度在线检测方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416775A (zh) * | 2018-03-12 | 2018-08-17 | 华中科技大学 | 一种基于深度学习的矿石粒度检测方法 |
CN109305534A (zh) * | 2018-10-25 | 2019-02-05 | 安徽理工大学 | 基于计算机视觉的煤码头带式输送机自适应控制方法 |
CN109859224A (zh) * | 2019-01-31 | 2019-06-07 | 东北大学 | 一种传送带矿岩颗粒图像分割方法 |
CN109993766A (zh) * | 2019-03-18 | 2019-07-09 | 南京理工大学 | 基于深度学习的砂石图像粒径检测方法 |
CN110390691A (zh) * | 2019-06-12 | 2019-10-29 | 合肥合工安驰智能科技有限公司 | 一种基于深度学习的矿石尺度测量方法及应用系统 |
-
2019
- 2019-11-15 CN CN201911117119.6A patent/CN110852395B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416775A (zh) * | 2018-03-12 | 2018-08-17 | 华中科技大学 | 一种基于深度学习的矿石粒度检测方法 |
CN109305534A (zh) * | 2018-10-25 | 2019-02-05 | 安徽理工大学 | 基于计算机视觉的煤码头带式输送机自适应控制方法 |
CN109859224A (zh) * | 2019-01-31 | 2019-06-07 | 东北大学 | 一种传送带矿岩颗粒图像分割方法 |
CN109993766A (zh) * | 2019-03-18 | 2019-07-09 | 南京理工大学 | 基于深度学习的砂石图像粒径检测方法 |
CN110390691A (zh) * | 2019-06-12 | 2019-10-29 | 合肥合工安驰智能科技有限公司 | 一种基于深度学习的矿石尺度测量方法及应用系统 |
Non-Patent Citations (1)
Title |
---|
程国建,等: "基于卷积神经网络的岩石图像分类" * |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111415343A (zh) * | 2020-03-18 | 2020-07-14 | 珠海市奥德维科技有限公司 | 一种基于人工智能的片式多层陶瓷电容六面外观检测方法 |
CN111415343B (zh) * | 2020-03-18 | 2020-10-27 | 珠海市奥德维科技有限公司 | 一种基于人工智能的片式多层陶瓷电容六面外观检测方法 |
CN111375457A (zh) * | 2020-04-22 | 2020-07-07 | 世邦工业科技集团股份有限公司 | 排矿通道的尺寸调节系统及其使用方法 |
WO2021226648A1 (de) * | 2020-05-13 | 2021-11-18 | Rubble Master Hmh Gmbh | Verfahren zum abschnittsweisen bestimmen der korngrössenverteilung eines auf ein förderband aufgegebenen schüttgutes |
CN111739108A (zh) * | 2020-06-12 | 2020-10-02 | 鞍钢集团矿业有限公司 | 一种基于卷积神经网络的铁矿粉品位快速估测方法 |
CN111739108B (zh) * | 2020-06-12 | 2023-09-15 | 鞍钢集团矿业有限公司 | 一种基于卷积神经网络的铁矿粉品位快速估测方法 |
CN111723861B (zh) * | 2020-06-17 | 2024-04-16 | 西安科技大学 | 一种用于煤矿控制挡板的煤矸石百分比识别方法 |
CN111723861A (zh) * | 2020-06-17 | 2020-09-29 | 西安科技大学 | 一种用于煤矿控制挡板的煤矸石百分比识别方法 |
CN111751253B (zh) * | 2020-07-06 | 2022-10-14 | 重庆理工大学 | 一种混凝土骨料检测模型的形成方法及质量检测方法 |
CN111751253A (zh) * | 2020-07-06 | 2020-10-09 | 重庆理工大学 | 一种混凝土骨料检测模型的形成方法及质量检测方法 |
CN111950439A (zh) * | 2020-08-10 | 2020-11-17 | 山东金东数字创意股份有限公司 | 识别图形图像特征的深度处理系统和方法 |
CN112275437A (zh) * | 2020-10-09 | 2021-01-29 | 矿冶科技集团有限公司 | 一种矿用碎石机作业系统 |
CN112329782A (zh) * | 2020-11-04 | 2021-02-05 | 中冶赛迪重庆信息技术有限公司 | 一种原料粒度确定方法、系统、终端及介质 |
CN112598618A (zh) * | 2020-11-16 | 2021-04-02 | 鞍钢集团矿业有限公司 | 一种基于图像识别技术的磨机给矿量预测方法 |
CN112598618B (zh) * | 2020-11-16 | 2023-11-17 | 鞍钢集团矿业有限公司 | 一种基于图像识别技术的磨机给矿量预测方法 |
CN112419397B (zh) * | 2020-12-08 | 2023-09-15 | 鞍钢集团矿业有限公司 | 一种基于图像和深度神经网络的矿石粒度分级方法及系统 |
CN112419397A (zh) * | 2020-12-08 | 2021-02-26 | 鞍钢集团矿业有限公司 | 一种基于图像和深度神经网络的矿石粒度分级方法及系统 |
CN113019955A (zh) * | 2021-03-18 | 2021-06-25 | 合肥名德光电科技股份有限公司 | 一种基于双能x射线矿石智能分选设备和方法 |
CN113158829A (zh) * | 2021-03-31 | 2021-07-23 | 安徽大学 | 一种基于EfficientDet网络的深度学习矿石大小测量方法及预警系统 |
CN113221968A (zh) * | 2021-04-23 | 2021-08-06 | 北京科技大学 | 一种胶带输送机运行状态诊断方法及装置 |
CN113221968B (zh) * | 2021-04-23 | 2023-02-21 | 北京科技大学 | 一种胶带输送机运行状态诊断方法及装置 |
WO2022244270A1 (ja) * | 2021-05-21 | 2022-11-24 | 東亜建設工業株式会社 | 土砂の特性推定方法および特性推定システム |
CN113468740A (zh) * | 2021-06-29 | 2021-10-01 | 西北师范大学 | 一种基于协同分摊噪声的软测量建模方法 |
CN113408478A (zh) * | 2021-07-07 | 2021-09-17 | 深圳市宏申工业智能有限公司 | 基于Mask RCNN的图像分割模型训练方法及粒径检测方法 |
CN113848191A (zh) * | 2021-10-26 | 2021-12-28 | 北京水云星晗科技有限公司 | 一种基于光谱的砂岩智能分类方法 |
CN114088730A (zh) * | 2022-01-24 | 2022-02-25 | 心鉴智控(深圳)科技有限公司 | 一种运用图像处理检测铝塑泡罩瑕疵的方法及系统 |
CN114612450A (zh) * | 2022-03-17 | 2022-06-10 | 无锡东如科技有限公司 | 基于数据增广机器视觉的图像检测分割方法、系统、电子设备 |
CN114612450B (zh) * | 2022-03-17 | 2023-09-05 | 无锡东如科技有限公司 | 基于数据增广机器视觉的图像检测分割方法、系统、电子设备 |
CN115436238A (zh) * | 2022-09-22 | 2022-12-06 | 中冶南方工程技术有限公司 | 一种高炉原燃料颗粒度在线检测方法和系统 |
CN115436238B (zh) * | 2022-09-22 | 2023-11-21 | 中冶南方工程技术有限公司 | 一种高炉原燃料颗粒度在线检测方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110852395B (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110852395B (zh) | 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 | |
CN110390691B (zh) | 一种基于深度学习的矿石尺度测量方法及应用系统 | |
CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN111144496B (zh) | 一种基于混合卷积神经网络的垃圾分类方法 | |
CN107392232B (zh) | 一种浮选工况分类方法和系统 | |
CN113724231B (zh) | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 | |
CN108711148B (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
CN112037222B (zh) | 一种神经网络模型的自动更新方法及系统 | |
CN112733936A (zh) | 一种基于图像识别的可回收垃圾分类方法 | |
CN110599459A (zh) | 基于深度学习的地下管网风险评估云系统 | |
CN111932639B (zh) | 一种基于卷积神经网络的不均衡缺陷样本的检测方法 | |
CN114972342B (zh) | 一种变速箱齿轮表面缺陷检测方法 | |
CN114821022A (zh) | 融合主观逻辑和不确定性分布建模的可信目标检测方法 | |
CN113807347A (zh) | 一种基于目标检测技术的厨余垃圾杂质识别方法 | |
CN117115147A (zh) | 一种基于机器视觉的纺织品检测方法及系统 | |
CN114254146A (zh) | 图像数据的分类方法、装置和系统 | |
CN115205255A (zh) | 基于深度学习的石料自动分级方法与系统 | |
CN114565607A (zh) | 基于神经网络的织物缺陷图像分割方法 | |
CN114580501A (zh) | 骨髓细胞分类方法、系统、计算机设备及存储介质 | |
CN117036314A (zh) | 一种高密度柔性ic基板氧化区域检测方法 | |
Thammastitkul et al. | Thai Hom Mali rice grading using machine learning and deep learning approaches | |
CN114581666A (zh) | 一种基于图像深度学习的岩样智能识别方法及系统 | |
CN114386492A (zh) | 基于深度学习网络的矿石分类和粒度分级方法及装置 | |
CN113610831B (zh) | 基于计算机图像技术和迁移学习的木材缺陷检测方法 | |
CN113642473A (zh) | 一种基于计算机视觉的矿下煤机状态识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |