CN111346842A - 煤矸石分拣方法、装置、设备及存储介质 - Google Patents
煤矸石分拣方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111346842A CN111346842A CN201811583853.7A CN201811583853A CN111346842A CN 111346842 A CN111346842 A CN 111346842A CN 201811583853 A CN201811583853 A CN 201811583853A CN 111346842 A CN111346842 A CN 111346842A
- Authority
- CN
- China
- Prior art keywords
- object block
- coal
- picture
- learning model
- deep learning
- 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
- 239000003245 coal Substances 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013136 deep learning model Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims description 56
- 238000002372 labelling Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 239000010879 coal refuse Substances 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000004484 Briquette Substances 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
- B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
- B07C5/3422—Sorting according to other particular properties according to optical properties, e.g. colour using video scanning devices, e.g. TV-cameras
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/36—Sorting apparatus characterised by the means used for distribution
- B07C5/361—Processing or control devices therefor, e.g. escort memory
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种煤矸石分拣方法、装置、设备及存储介质,该方法包括:获取待分拣图片,待分拣图片包含煤块和/或煤矸石;通过构建的深度学习模型,对待分拣图片中的煤块和煤矸石进行分拣。本实施例提供的煤矸石分拣方法,通过深度学习模型对待分拣图片中的煤块和煤矸石进行分拣,可以提高分拣精度。
Description
技术领域
本发明一般涉及图像识别的领域,具体涉及煤矸石分拣方法、装置、设备及存储介质。
背景技术
在煤矿上,从地下煤层挖出来的并非全是煤块,其中还混合着很多煤矸石。因此,需要将挖出来的煤做进一步筛选,把其中混杂着的煤矸石挑选出来,才能得到能够对外销售的煤块。
现有技术中,本领域的传统认知为,对煤矸石进行分拣时采用探测器或超声波测距装置等设备进行分拣,但是这样的方法分拣精度低。
发明内容
鉴于现有技术中的上述缺陷或不足,期望提供一种煤矸石分拣方法、装置、设备及存储介质。
第一方面,本发明提供了一种煤矸石分拣方法,包括:
获取待分拣图片,待分拣图片包含煤块和/或煤矸石;
通过构建的深度学习模型,对待分拣图片中的煤块和煤矸石进行分拣。
第二方面,本申请实施例提供了一种煤矸石分拣装置,包括:
获取模块,用于获取待分拣图片,待分拣图片包含煤块和/或煤矸石;
分拣模块,用于通过构建的深度学习模型,对待分拣图片中的煤块和煤矸石进行分拣。
第三方面,本申请实施例提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述任一项的煤矸石分拣方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述任一项的煤矸石分拣方法。
本实施例提供的煤矸石分拣方法,通过深度学习模型对待分拣图片中的煤块和煤矸石进行分拣。本实施例煤矸石分拣方法,由于采用了深度学习模型对待分拣图片中的煤块和煤矸石进行分拣,提高分拣精度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1为本发明的实施例提供的煤矸石分拣方法的流程示意图;
图2为本发明的实施例提供的构建深度学习模型的流程示意图;
图3为本发明的实施例提供的得到包含煤块和煤矸石的物体块训练集的流程示意图;
图4为本发明的实施例提供的采用物体块训练集对掩模-区域卷积神经网络网络进行训练构建深度学习模型的流程示意图;
图5为本发明的实施例提供的煤矸石分拣装置的结构示意图;
图6为本发明的实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
如背景技术中提到的,现有技术中,基于传统思维,限于对煤矸石进行分拣时采用探测器或超声波测距装置等设备进行分拣,分拣精度低。因此,本申请技术方案跨领域和思维局限提出一种煤矸石分拣方法,能够提高分拣精度。
参照图1,其示出了根据本申请一个实施例的煤矸石分拣方法的示例性流程图。
如图1所示,在步骤110中,获取待分拣图片,待分拣图片包含煤块和/或煤矸石。
其中,待分拣图片是拍摄的包含煤块和/或煤矸石的图片,当然图片中还包含背景。
具体地,对获取到的待分拣图片截取置信度高的区域,用于输入深度学习模型中,这样分拣出的煤块和煤矸石更加精确度高。
在步骤120中,通过构建的深度学习模型,对待分拣图片中的煤块和煤矸石进行分拣。
其中,深度学习模型用于分拣煤矸石和煤块,待分拣图片作为深度学习模型的输入,输出的结果可得图片中哪些是煤块,哪些是煤矸石,以及煤块和煤矸石的轮廓边缘信息。
深度学习模型可以是通过煤块和煤矸石训练样本对现有的神经网络模型进行训练得到或者通过下述方式进行模型的整体构建,以获得符合需求的模型。
参照图2,针对本方案涉及领域,为操作可行性和准确性,其示出了根据本申请一个实施例的构建深度学习模型的示例性流程图。
如图2所示,在步骤210中,获取包含煤块和煤矸石的物体块训练集,物体块训练集包括多个物体块训练样本。
在一个实施例中,包含煤块和煤矸石的物体块训练集可以通过下述步骤得到,参照图3,图3示出了根据本申请一个实施例得到包含煤块和煤矸石的物体块训练集的示例性流程图。
如图3所示,在步骤310中,获取包含煤块和煤矸石的物体块原始图片。
具体地,拍摄包含煤块和煤矸石的图片,一般可以拍摄在传送带上的煤块和煤矸石的图片。
在步骤320中,对物体块原始图片采用边缘标注工具进行边缘标注,获得物体块标注图片。
具体地,采用标注工具如LabelMe,对步骤310中获取到的物体块原始图片进行边缘标注,即沿着物体块边缘把物体块圈出,并标注所属类别为煤块或煤矸石,得到物体块标注图片。
在步骤330中,对物体块标注图片作预处理,获得物体块训练样本。
具体地,对步骤320中沿物体块边缘标注后的物体块标注图片作预处理,例如可以对物体块标注图片进行如尺度的缩放、边缘增强、归一化、平滑等预处理,得到物体块训练样本。
在步骤340中,多个物体块训练样本确定为包含煤块和煤矸石的物体块训练集。
多个步骤330中得到的物体块训练样本构成包含煤块和煤矸石的物体块训练集。
当然,也可以把步骤330中得到的多个物体块训练样本中的一部分用于构成包含煤块和煤矸石的物体块测试集,用于测试构建的深度学习模型的精准度。
在步骤220中,采用物体块训练集对掩模区域卷积神经网络(Mask Region-BasedConvolutional Neural Network,Mask R-CNN)进行训练,构建深度学习模型。
在一个实施例中,参照图4,其示出了本申请一个实施例采用物体块训练集对掩模-区域卷积神经网络网络进行训练,构建深度学习模型的示例性流程图。
如图4所示,在步骤410中,采用深度残差网络(ResNet)对物体块训练集提取特征,得到第一层特征图(feature-map)。
其中,ResNet使用跨层连接,使得训练更加容易,ResNet例如可以为ResNet50、ResNet101等。
将ResNet101网络分为5个stage(模块),采用ResNet101网络提取到5个stage对应着5个不同尺度的feature-map(特征图),用于建立特征金字塔网络的特征金字塔。
由于stage1对应的feature-map比较大计算耗时所以弃用,在stage5的基础上下采用的到第6个不同尺度的feature-map,由stage2-5对应的不同尺度的feature-map与第6个不同尺度的feature-map作为第一层feature-map。
在步骤420中,通过深度残差网络-特征金字塔网络(ResNet-Feature PyramidNetwork,ResNet-FPN)/区域建议网络(Region Proposal Network,RPN)生成建议窗口,每个物体块训练样本生成至少一个建议窗口。
其中,FPN可以融合底层到高层的feature maps,能实现更好的feature maps融合。使用ResNet-FPN,提取精度较高及提取速度较快。
RPN用于推荐网络感兴趣的区域。
步骤410得到5个不同尺度的特征图通过ResNet-FPN/PRN网络生成若干建议窗口。
在步骤430中,将建议窗口映射到第一层特征图,得到感兴趣区域(Region ofInterest,RoI)。
其中,感兴趣区域为潜在的有可能存在目标物体的区域,即有可能包含煤或者煤矸石的区域,该区域为整个区域中关注的重点。
将步骤420生成的建议窗口映射到步骤410得到的第一层特征图,得到RoI区域,其中得到的RoI区域和建议窗口一一对应,即RoI区域的个数与建议窗口的个数相等。
在步骤440中,通过感兴趣区域对齐(RoI Align)层,使得每个RoI区域生成了固定尺寸的第二层特征图(feature-map)。
其中,RoI Align用于将提取到的第一层特征图与输入精准的对齐。
在步骤450中,利用全连接层对第二层特征图进行分类和边框回归,利用全卷积网络(fully convolutional network,FCN)进行像素点的分类,得到掩模(mask),从而得到每个物体块的类别以及各个物体块的轮廓边缘信息。
在步骤460中,根据物体块训练集的标注信息,结合得到的每个物体块的类别以及各个物体块的轮廓边缘信息,拟合模型参数,构建深度学习模型。
具体地,根据上述步骤340得到的物体块训练集中的标注信息,结合步骤450中得到的每个物体块的类别以及各个物体块的轮廓边缘信息,不断的拟合各个模型参数,直至模型能够很好的预测图片中的物体类别及位置信息为止(即损失函数的值达到预设阈值,预设阈值可以根据具体的应用场景或者应用需求设置),保存拟合后的各个模型参数,得到构建好的深度学习模型。
本实施例提供的煤矸石分拣方法,通过深度学习模型对待分拣图片中的煤块和煤矸石进行分拣,可以提高分拣精度。
如图5为本发明实施例提供的煤矸石分拣装置500的结构示意图。如图5所示,该装置可以实现如图1所示的方法,该装置可以包括:
获取模块510,用于获取待分拣图片,待分拣图片包含煤块和/或煤矸石;
分拣模块520,用于通过构建的深度学习模型,对待分拣图片中的煤块和煤矸石进行分拣。
可选地,分拣模块包括深度学习模型构建单元,深度学习模型构建单元用于获取包含煤块和煤矸石的物体块训练集;采用物体块训练集对掩模-区域卷积神经网络网络进行训练,构建深度学习模型。
可选地,该装置还用于:获取包含煤块和煤矸石的物体块原始图片;对物体块原始图片采用边缘标注工具进行边缘标注,获得物体块标注图片;对物体块标注图片作预处理,获得物体块训练样本;多个物体块训练样本确定为包含煤块和煤矸石的物体块训练集。
可选地,深度学习模型构建单元还用于:采用深度残差网络对物体块训练集提取特征,得到第一层特征图;通过深度残差网络-特征金字塔网络/区域建议网络生成建议窗口,每个物体块训练样本生成至少一个建议窗口;将建议窗口映射到第一层特征图,得到感兴趣区域;通过感兴趣区域对齐层,使得每个感兴趣区域生成了固定尺寸的第二层特征图;利用全连接层对第二层特征图进行分类和边框回归,利用全卷积网络进行像素点的分类,得到掩模,从而得到每个物体块的类别以及各个物体块的轮廓边缘信息;根据物体块训练集的标注信息,结合得到的每个物体块的类别以及各个物体块的轮廓边缘信息,拟合模型参数,构建深度学习模型。
本实施例提供的煤矸石分拣装置,可以执行上述方法的实施例,其实现原理和技术效果类似,在此不再赘述。
图6为本发明实施例提供的一种计算机设备的结构示意图。如图6所示,示出了适于用来实现本申请实施例的终端设备或服务器的计算机系统600的结构示意图。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口606也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本申请的实施例,上文参考图1描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,计算机程序包含用于执行上述煤矸石分拣方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的系统中限定的上述功能。
需要说明的是,本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,前述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中。这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。所描述的单元或模块也可以设置在处理器中,例如,可以描述为:一种处理器包括获取模块、分拣模块。其中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定,例如,分拣模块还可以被描述为“用于通过构建的深度学习模型,对待分拣图片中的煤块和煤矸石进行分拣的模块”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现如上述实施例中的煤矸石分拣方法。
例如,电子设备可以实现如图1中所示的:步骤110,获取待分拣图片,待分拣图片包含煤块和/或煤矸石;步骤120,通过构建的深度学习模型,对待分拣图片中的煤块和煤矸石进行分拣。又如,电子设备可以实现如图2-4中所示的各个步骤。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本申请中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。
Claims (10)
1.一种煤矸石分拣方法,其特征在于,包括:
获取待分拣图片,所述待分拣图片包含煤块和/或煤矸石;
通过构建的深度学习模型,对所述待分拣图片中的煤块和煤矸石进行分拣。
2.根据权利要求1所述的煤矸石分拣方法,其特征在于,所述深度学习模型通过下述步骤构建:
获取包含煤块和煤矸石的物体块训练集,所述物体块训练集包括多个物体块训练样本;
采用所述物体块训练集对掩模-区域卷积神经网络网络进行训练,构建所述深度学习模型。
3.根据权利要求2所述的煤矸石分拣方法,其特征在于,所述获取包含煤块和煤矸石的物体块训练集前,还包括:
获取包含所述煤块和煤矸石的物体块原始图片;
对所述物体块原始图片采用边缘标注工具进行边缘标注,获得物体块标注图片;
对所述物体块标注图片作预处理,获得所述物体块训练样本;
多个所述物体块训练样本确定为所述包含煤块和煤矸石的物体块训练集。
4.根据权利要求3所述的煤矸石分拣方法,其特征在于,所述采用所述物体块训练集对掩模-区域卷积神经网络网络进行训练,构建所述深度学习模型,包括:
采用深度残差网络对所述物体块训练集提取特征,得到第一层特征图;
通过深度残差网络-特征金字塔网络/区域建议网络生成建议窗口,所述每个物体块训练样本生成至少一个建议窗口;
将所述建议窗口映射到所述第一层特征图,得到感兴趣区域;
通过感兴趣区域对齐层,使得每个感兴趣区域生成了固定尺寸的第二层特征图;
利用全连接层对第二层特征图进行分类和边框回归,利用全卷积网络进行像素点的分类,得到掩模,从而得到每个物体块的类别以及各个物体块的轮廓边缘信息;
根据所述物体块训练集的标注信息,结合得到的所述每个物体块的类别以及各个物体块的轮廓边缘信息,拟合模型参数,构建所述深度学习模型。
5.一种煤矸石分拣装置,其特征在于,包括:
获取模块,用于获取待分拣图片,所述待分拣图片包含煤块和/或煤矸石;
分拣模块,用于通过构建的深度学习模型,对所述待分拣图片中的煤块和煤矸石进行分拣。
6.根据权利要求5所述的煤矸石分拣装置,其特征在于,所述分拣模块包括深度学习模型构建单元,
所述深度学习模型构建单元用于获取包含煤块和煤矸石的物体块训练集;采用所述物体块训练集对掩模-区域卷积神经网络网络进行训练,构建所述深度学习模型。
7.根据权利要求6所述的煤矸石分拣装置,其特征在于,该装置还用于:
获取包含所述煤块和煤矸石的物体块原始图片;
对所述物体块原始图片采用边缘标注工具进行边缘标注,获得物体块标注图片;
对所述物体块标注图片作预处理,获得物体块训练样本;
多个所述物体块训练样本确定为所述包含煤块和煤矸石的物体块训练集。
8.根据权利要求7所述的煤矸石分拣装置,其特征在于,所述深度学习模型构建单元还用于:
采用深度残差网络对所述物体块训练集提取特征,得到第一层特征图;
通过深度残差网络-特征金字塔网络/区域建议网络生成建议窗口;
将所述建议窗口映射到所述第一层特征图,得到感兴趣区域,所述感兴趣区域的个数与所述建议窗口个数一致;
通过感兴趣区域对齐层,使得每个感兴趣区域生成了固定尺寸的第二层特征图;
利用全连接层对第二层特征图进行分类和边框回归,利用全卷积网络进行像素点的分类,得到掩模,从而得到每个物体块的类别以及各个物体块的轮廓边缘信息;
根据所述物体块训练集的标注信息,结合得到的所述每个物体块的类别以及各个物体块的轮廓边缘信息,拟合模型参数,构建所述深度学习模型。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1~4中任一项所述方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1~4中任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811583853.7A CN111346842A (zh) | 2018-12-24 | 2018-12-24 | 煤矸石分拣方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811583853.7A CN111346842A (zh) | 2018-12-24 | 2018-12-24 | 煤矸石分拣方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111346842A true CN111346842A (zh) | 2020-06-30 |
Family
ID=71188342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811583853.7A Pending CN111346842A (zh) | 2018-12-24 | 2018-12-24 | 煤矸石分拣方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111346842A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738229A (zh) * | 2020-08-05 | 2020-10-02 | 江西小马机器人有限公司 | 一种指针表盘刻度的自动读取方法 |
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 |
CN112588609A (zh) * | 2020-12-11 | 2021-04-02 | 精英数智科技股份有限公司 | 煤矸分选方法、装置及电子设备 |
CN112990027A (zh) * | 2021-03-22 | 2021-06-18 | 精英数智科技股份有限公司 | 一种基于高光谱图像的煤矸识别方法及装置 |
CN113680709A (zh) * | 2021-08-27 | 2021-11-23 | 重庆科华安全设备有限责任公司 | 一种煤矸分选系统及识别方法 |
CN113695256A (zh) * | 2021-08-18 | 2021-11-26 | 国网江苏省电力有限公司电力科学研究院 | 一种电网异物检测识别方法及装置 |
CN113989251A (zh) * | 2021-11-02 | 2022-01-28 | 河南中平自动化股份有限公司 | 一种矿用煤矸分选智能控制系统及方法 |
CN117862041A (zh) * | 2024-03-12 | 2024-04-12 | 俐玛光电科技(北京)有限公司 | 一种电子元器件检测设备和电子元器件检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102014201939A1 (de) * | 2014-02-04 | 2015-08-06 | Siemens Aktiengesellschaft | Verfahren und Einrichtung zum Auftrennen eines Gesteins in taubes Gestein und mindestens ein Wertgestein |
CN105944976A (zh) * | 2016-05-16 | 2016-09-21 | 陕西科技大学 | 一种利用数字图像处理技术分拣大块煤矸石的方法及装置 |
CN106269576A (zh) * | 2016-09-12 | 2017-01-04 | 中国矿业大学 | 一种煤矸石自动分选系统与方法 |
CN107824475A (zh) * | 2017-10-20 | 2018-03-23 | 苏州茁实智能科技有限公司 | 一种煤与矸石分拣方法及装置 |
CN108108679A (zh) * | 2017-12-13 | 2018-06-01 | 赣州好朋友科技有限公司 | 一种全自动钨矿选矿机 |
CN108489912A (zh) * | 2018-05-11 | 2018-09-04 | 东北大学 | 一种基于煤炭光谱数据的煤炭成分分析方法 |
-
2018
- 2018-12-24 CN CN201811583853.7A patent/CN111346842A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102014201939A1 (de) * | 2014-02-04 | 2015-08-06 | Siemens Aktiengesellschaft | Verfahren und Einrichtung zum Auftrennen eines Gesteins in taubes Gestein und mindestens ein Wertgestein |
CN105944976A (zh) * | 2016-05-16 | 2016-09-21 | 陕西科技大学 | 一种利用数字图像处理技术分拣大块煤矸石的方法及装置 |
CN106269576A (zh) * | 2016-09-12 | 2017-01-04 | 中国矿业大学 | 一种煤矸石自动分选系统与方法 |
CN107824475A (zh) * | 2017-10-20 | 2018-03-23 | 苏州茁实智能科技有限公司 | 一种煤与矸石分拣方法及装置 |
CN108108679A (zh) * | 2017-12-13 | 2018-06-01 | 赣州好朋友科技有限公司 | 一种全自动钨矿选矿机 |
CN108489912A (zh) * | 2018-05-11 | 2018-09-04 | 东北大学 | 一种基于煤炭光谱数据的煤炭成分分析方法 |
Non-Patent Citations (3)
Title |
---|
周永章: "《地球科学大数据挖掘与机器学习》", 30 September 2018, 中山大学出版社 * |
白宝林: "基于改进的Mask_R_CNN的车辆识别及检测", 《中国优秀硕士学位论文全文数据库-信息科技辑》 * |
陆泉: "《图像语义信息可视化交互研究》", 31 July 2015, 国家图书馆出版社 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738229A (zh) * | 2020-08-05 | 2020-10-02 | 江西小马机器人有限公司 | 一种指针表盘刻度的自动读取方法 |
CN111738229B (zh) * | 2020-08-05 | 2020-11-24 | 江西小马机器人有限公司 | 一种指针表盘刻度的自动读取方法 |
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 |
CN112588609A (zh) * | 2020-12-11 | 2021-04-02 | 精英数智科技股份有限公司 | 煤矸分选方法、装置及电子设备 |
CN112990027A (zh) * | 2021-03-22 | 2021-06-18 | 精英数智科技股份有限公司 | 一种基于高光谱图像的煤矸识别方法及装置 |
CN113695256A (zh) * | 2021-08-18 | 2021-11-26 | 国网江苏省电力有限公司电力科学研究院 | 一种电网异物检测识别方法及装置 |
CN113695256B (zh) * | 2021-08-18 | 2023-05-23 | 国网江苏省电力有限公司电力科学研究院 | 一种电网异物检测识别方法及装置 |
CN113680709A (zh) * | 2021-08-27 | 2021-11-23 | 重庆科华安全设备有限责任公司 | 一种煤矸分选系统及识别方法 |
CN113989251A (zh) * | 2021-11-02 | 2022-01-28 | 河南中平自动化股份有限公司 | 一种矿用煤矸分选智能控制系统及方法 |
CN117862041A (zh) * | 2024-03-12 | 2024-04-12 | 俐玛光电科技(北京)有限公司 | 一种电子元器件检测设备和电子元器件检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111346842A (zh) | 煤矸石分拣方法、装置、设备及存储介质 | |
Crommelinck et al. | Review of automatic feature extraction from high-resolution optical sensor data for UAV-based cadastral mapping | |
CN108171203B (zh) | 用于识别车辆的方法和装置 | |
CN109664820A (zh) | 基于行车记录仪的驾驶提示方法、装置、设备和存储介质 | |
Beretta et al. | Automated lithological classification using UAV and machine learning on an open cast mine | |
CN113723169B (zh) | 基于SlowFast的行为识别方法、系统及设备 | |
CN108062377A (zh) | 标签图片集的建立、标签的确定方法、装置、设备及介质 | |
CN111121797B (zh) | 道路筛选方法、装置、服务器及存储介质 | |
CN113052295B (zh) | 一种神经网络的训练方法、物体检测方法、装置及设备 | |
CN110910445A (zh) | 一种物件尺寸检测方法、装置、检测设备及存储介质 | |
CN113780270A (zh) | 目标检测方法和装置 | |
CN113592792A (zh) | 堆石图像粒径识别方法、装置、电子设备及存储介质 | |
CN104680185A (zh) | 基于边界点重分类的高光谱图像分类方法 | |
CN116934769A (zh) | 交互式分割模型训练方法、标注数据生成方法及设备 | |
CN110287817B (zh) | 目标识别及目标识别模型的训练方法、装置和电子设备 | |
CN115482221A (zh) | 一种病理图像的端到端弱监督语义分割标注方法 | |
Fetai et al. | Deep learning for detection of visible land boundaries from UAV imagery | |
Battulwar et al. | Automatic extraction of joint orientations in rock mass using PointNet and DBSCAN | |
CN111340015A (zh) | 定位方法和装置 | |
US20180313799A1 (en) | Data quality control using a correlated sensor group | |
CN114332809A (zh) | 一种图像识别方法、装置、电子设备和存储介质 | |
Iparraguirre et al. | Sensors on the move: onboard camera-based real-time traffic alerts paving the way for cooperative roads | |
CN110674208A (zh) | 用于确定用户的职住地信息的方法和装置 | |
CN116844050A (zh) | 一种基于多源遥感数据的伟晶岩型锂矿找矿方法 | |
CN111460084A (zh) | 一种简历结构化抽取模型训练方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200630 |