CN111468430B - 一种基于深度视觉的煤矸石分离方法 - Google Patents

一种基于深度视觉的煤矸石分离方法 Download PDF

Info

Publication number
CN111468430B
CN111468430B CN202010304664.2A CN202010304664A CN111468430B CN 111468430 B CN111468430 B CN 111468430B CN 202010304664 A CN202010304664 A CN 202010304664A CN 111468430 B CN111468430 B CN 111468430B
Authority
CN
China
Prior art keywords
ore
layer
convolutional
convolution
network
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.)
Active
Application number
CN202010304664.2A
Other languages
English (en)
Other versions
CN111468430A (zh
Inventor
丁发展
姜鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuxi Xuelang Shuzhi Technology Co ltd
Original Assignee
Wuxi Xuelang Shuzhi Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuxi Xuelang Shuzhi Technology Co ltd filed Critical Wuxi Xuelang Shuzhi Technology Co ltd
Priority to CN202010304664.2A priority Critical patent/CN111468430B/zh
Publication of CN111468430A publication Critical patent/CN111468430A/zh
Application granted granted Critical
Publication of CN111468430B publication Critical patent/CN111468430B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • 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
    • B07C2501/00—Sorting according to a characteristic or feature of the articles or material to be sorted
    • B07C2501/0054—Sorting of waste or refuse

Abstract

本发明公开了一种基于深度视觉的煤矸石分离方法，涉及机器视觉技术领域，该方法包括以矿石分选产线的矿石彩色图像为输入，利用矿石分割卷积神经网络中进行分割得到矿石区域分割结果，根据矿石区域分割结果对矿石彩色图像进行矿石区域剪裁得到若干个矿石区域切片，再利用矿石分类卷积神经网络输出矿石类型为煤块或煤矸石，同时对矿石区域切片进行图像解析确定矿石信息，最终实现对煤块和煤矸石的自动分离；该方法通可以实现快速检测和精准识别，通过对矿石的体积级别与相对位置进行估算，为煤矸石自动分离提供准确的引导信息，分离效率高；两个卷积神经网络专为矿石分离场景定制，具有体量小、实时性强、检测精度高等特点。

Description

一种基于深度视觉的煤矸石分离方法
技术领域
本发明涉及机器视觉技术领域，尤其是一种基于深度视觉的煤矸石分离方法。
背景技术
煤矸石是煤炭开采和洗选加工过程中排出的固体废弃物，其产量占原煤产量的15%左右。煤矸分离是煤矿生产过程中的必须工序，去除矸石同时是煤炭生产清洁能源的基础，减少矸石颗粒排放就可以降低pm2.5单位排放。分拣矸石可减少入洗成本，提升成品煤品级，提高煤矿企经济效益。加强对煤矸石综合治理、综合利用的研究及提高洁净煤技术，是当前燃煤大国的重要研究内容，也是环境保护与发展的需要。
目前选煤厂大多采用人工视检的方式进行煤块分选，分拣速度和分拣精度都不理想，也有部分选煤厂利用深度视觉技术实现对煤块和煤矸石的识别从而进行自动化分选，但选煤过程中存在大量的飞扬煤灰，会对机器视觉检测设备产生干扰，因此使用一段时间后识别精度降低、可靠性不高，或者需要定期人工进行清洁，仍需人工介入导致难以完成自动化自动，实际分拣效果不理想。
发明内容
本发明人针对上述问题及技术需求，提出了一种基于深度视觉的煤矸石分离方法，本发明的技术方案如下：
一种基于深度视觉的煤矸石分离方法，该方法包括：
通过布设在矿石分选产线上方的相机获取矿石彩色图像，矿石分选产线中的矿石包括煤块和煤矸石；
将矿石彩色图像输入到矿石分割卷积神经网络中进行分割得到矿石区域分割结果，矿石区域分割结果标识矿石分选产线中各个矿石所在区域；
根据矿石区域分割结果对矿石彩色图像进行矿石区域剪裁得到若干个矿石区域切片，每个矿石区域切片分别包括一块矿石所在的区域；
将矿石区域切片输入矿石分类卷积神经网络确定矿石区域切片对应的矿石类型为煤块或煤矸石；
对矿石区域切片进行图像解析确定矿石信息，矿石信息包括矿石区域面积、矿石区域重心以及矿石区域相对位置中的至少一种；
将矿石彩色图像的矿石区域分割结果，以及每个矿石区域切片对应的矿石类型和矿石信息合并形成煤矸石区域图谱；
根据煤矸石区域图谱对矿石分选产线中的煤块和煤矸石进行分离。
其进一步的技术方案为，将矿石彩色图像输入到矿石分割卷积神经网络中进行分割得到矿石区域分割结果，包括：
使用双线性插值法将矿石彩色图像进行缩放得到尺寸变换后的矿石彩色图像；尺寸变换后的矿石彩色图像依次经过矿石分割卷积神经网络中的第一卷积网络、第一最大池化层、第二卷积网络、第二最大池化层、第三卷积网络、第一最大上池化层、第一反卷积网络、第二最大上池化层、第二反卷积网络、第三最大上池化层以及第三反卷积网络后输出矿石区域分割结果；
其中，第一卷积网络包括一个卷积层，第二卷积网络包括4个卷积层，第三卷积网络包括5个卷积层，第一反卷积网络包括3个反卷积层，第二反卷积网络包括3个反卷积层，第三反卷积网络包括1个反卷积层；第一卷积网络、第二卷积网络和第三卷积网络中的各个卷积层采用ReLU作为激活函数。
其进一步的技术方案为，矿石分割卷积神经网络中的第一卷积网络包括第一卷积层，第一卷积层的卷积核的尺寸为5*5、通道数为16；
矿石分割卷积神经网络中的第二卷积网络依次包括第二卷积层、第三卷积层、第四卷积层和第五卷积层，第二卷积层的卷积核的尺寸为3*3、通道数为16，第三卷积层的卷积核的尺寸为3*3、通道数为16，第四卷积层的卷积核的尺寸为3*3、通道数为16，第五卷积层的卷积核的尺寸为3*3、通道数为64；
矿石分割卷积神经网络中的第三卷积网络依次包括第六卷积层以及第七卷积层，第八卷积层、第九卷积层以及第十卷积层，第六卷积层的卷积核的尺寸为1*3、通道数为64，第七卷积层的卷积核的尺寸为3*1、通道数为64，第八卷积层的卷积核的尺寸为1*1、通道数为32，第九卷积层的卷积核的尺寸为3*3、通道数为32，第十卷积层的卷积核的尺寸为1*1、通道数为128。
其进一步的技术方案为，第一反卷积网络依次包括第一反卷积层、第二反卷积层以及第三反卷积层，第一反卷积层的卷积核的尺寸为2*2、通道数为128，第二反卷积层的卷积核的尺寸为3*3、通道数为64，第三反卷积层的卷积核的尺寸为3*3、通道数为64；
第二反卷积网络依次包括第四反卷积层、第五反卷积层以及第六反卷积层，第四反卷积层的卷积核的尺寸为2*2、通道数为64，第五反卷积层的卷积核的尺寸为3*3、通道数为16，第六反卷积层的卷积核的尺寸为3*3、通道数为16；
第三反卷积网络包括第七反卷积层，第七反卷积层的卷积核的尺寸为1*1、通道数为2。
其进一步的技术方案为，矿石分割卷积神经网络中的各个最大池化层和各个最大上池化层的规格相同，池化核的尺寸均为2*2、步长均为2。
其进一步的技术方案为，将矿石区域切片输入矿石分类卷积神经网络并输出矿石区域切片对应的矿石类型为煤块或煤矸石，包括：
使用双线性插值法将矿石区域切片进行缩放得到尺寸变换后的矿石区域切片；尺寸变换后的矿石区域切片依次经过矿石分类卷积神经网络中的第一卷积网络、第一最大池化层、第二卷积网络、第二最大池化层、第三卷积网络、第三最大池化层、第四卷积网络、第四最大池化层、第五卷积网络、全局平均池化层、全连接层和输出层后对应的矿石类型为煤块或煤矸石；
其中，第一卷积网络包括一个卷积层，第二卷积网络包括2个卷积层，第三卷积网络包括2个卷积层，第四卷积网络包括2个卷积层，第五卷积网络包括2个卷积层，各个卷积网络中的卷积层均采用ReLU作为激活函数，输出层采用Softmax作为激活函数。
其进一步的技术方案为，矿石分类卷积神经网络中的第一卷积网络包括第一卷积层，第一卷积层的卷积核的尺寸为5*5、通道数为32；
矿石分类卷积神经网络中的第二卷积网络依次包括第二卷积层和第三卷积层，第二卷积层的卷积核的尺寸为3*1、通道数为32，第三卷积层的卷积核的尺寸为1*3、通道数为64；
矿石分类卷积神经网络中的第三卷积网络依次包括第四卷积层和第五卷积层，第四卷积层的卷积核的尺寸为3*1、通道数为64，第五卷积层的卷积核的尺寸为1*3、通道数为128；
矿石分类卷积神经网络中的第四卷积网络依次包括第六卷积层和第七卷积层，第六卷积层的卷积核的尺寸为3*1、通道数为128，第七卷积层的卷积核的尺寸为1*3、通道数为256；
矿石分类卷积神经网络中的第五卷积网络依次包括第八卷积层和第九卷积层，第八卷积层的卷积核的尺寸为3*1、通道数为256，第九卷积层的卷积核的尺寸为1*3、通道数为512。
其进一步的技术方案为，矿石分类卷积神经网络中的各个最大池化层的规格相同，池化核的尺寸均为2*2、步长均为2。
本发明的有益技术效果是：
本申请公开了一种基于深度视觉的煤矸石分离方法，该方法通过深度学习和机器视觉对矿石分选产线中的煤块和煤矸石进行快速检测和精准识别，通过对矿石的体积级别与相对位置进行估算，为煤矸石自动分离提供准确的引导信息，分离效率高。矿石分割卷积神经网络和矿石分类卷积神经网络专为矿石分离场景定制，具有体量小、实时性强、检测精度高等特点。
附图说明
图1是本申请的基于深度视觉的煤矸石分离方法的流程图。
图2是本申请中的矿石分割卷积神经网络的结构图。
图3是本申请中的矿石分类卷积神经网络的结构图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明。
本申请公开了一种基于深度视觉的煤矸石分离方法，请参考图1所示的流程图，该方法包括如下步骤：
1、通过布设在矿石分选产线上方的相机获取矿石彩色图像，矿石分选产线中的矿石包括煤块和煤矸石。
2、将矿石彩色图像输入到矿石分割卷积神经网络中进行分割得到矿石区域分割结果，矿石区域分割结果标识矿石分选产线中各个矿石所在区域。矿石分割卷积神经网络对矿石彩色图像的处理具体如下：
首先，使用双线性插值法将矿石彩色图像进行缩放得到尺寸变换后的矿石彩色图像，在本申请中，尺寸变换后的矿石彩色图像的尺寸为512*512。尺寸变换后的矿石彩色图像依次经过矿石分割卷积神经网络中的第一卷积网络、第一最大池化层、第二卷积网络、第二最大池化层、第三卷积网络、第一最大上池化层、第一反卷积网络、第二最大上池化层、第二反卷积网络、第三最大上池化层以及第三反卷积网络后输出矿石区域分割结果。
其中，第一卷积网络包括一个卷积层为第一卷积层，第一卷积层的卷积核的尺寸为5*5、通道数为16。
第二卷积网络包括4个卷积层，依次为第二卷积层、第三卷积层、第四卷积层和第五卷积层，第二卷积层的卷积核的尺寸为3*3、通道数为16，第三卷积层的卷积核的尺寸为3*3、通道数为16，第四卷积层的卷积核的尺寸为3*3、通道数为16，第五卷积层的卷积核的尺寸为3*3、通道数为64。
第三卷积网络包括5个卷积层，依次为第六卷积层以及第七卷积层，第八卷积层、第九卷积层以及第十卷积层，第六卷积层的卷积核的尺寸为1*3、通道数为64，第七卷积层的卷积核的尺寸为3*1、通道数为64，第八卷积层的卷积核的尺寸为1*1、通道数为32，第九卷积层的卷积核的尺寸为3*3、通道数为32，第十卷积层的卷积核的尺寸为1*1、通道数为128。
上述各个卷积网络中的各个卷积层均采用ReLU作为激活函数。
第一反卷积网络包括3个反卷积层，依次为第一反卷积层、第二反卷积层以及第三反卷积层，第一反卷积层的卷积核的尺寸为2*2、通道数为128，第二反卷积层的卷积核的尺寸为3*3、通道数为64，第三反卷积层的卷积核的尺寸为3*3、通道数为64。
第二反卷积网络包括3个反卷积层，依次为第四反卷积层、第五反卷积层以及第六反卷积层，第四反卷积层的卷积核的尺寸为2*2、通道数为64，第五反卷积层的卷积核的尺寸为3*3、通道数为16，第六反卷积层的卷积核的尺寸为3*3、通道数为16。
第三反卷积网络包括1个反卷积层、为第七反卷积层，第七反卷积层的卷积核的尺寸为1*1、通道数为2。
上述各个最大池化层和各个最大上池化层的规格相同，池化核的尺寸均为2*2、步长均为2。
3、根据矿石区域分割结果对矿石彩色图像进行矿石区域剪裁得到若干个矿石区域切片，每个矿石区域切片分别包括一块矿石所在的区域。
4、将矿石区域切片输入矿石分类卷积神经网络确定矿石区域切片对应的矿石类型为煤块或煤矸石。本申请中矿石分类卷积神经网络对矿石区域切片的处理过程如下：
首先，使用双线性插值法将矿石区域切片进行缩放得到尺寸变换后的矿石区域切片，在本申请中，尺寸变换后的矿石区域切片为128*128。尺寸变换后的矿石区域切片依次经过矿石分类卷积神经网络中的第一卷积网络、第一最大池化层、第二卷积网络、第二最大池化层、第三卷积网络、第三最大池化层、第四卷积网络、第四最大池化层、第五卷积网络、全局平均池化层、全连接层和输出层后对应的矿石类型为煤块或煤矸石；
其中，第一卷积网络包括一个卷积层、为第一卷积层，第一卷积层的卷积核的尺寸为5*5、通道数为32。
第二卷积网络包括2个卷积层，依次为第二卷积层和第三卷积层，第二卷积层的卷积核的尺寸为3*1、通道数为32，第三卷积层的卷积核的尺寸为1*3、通道数为64。
第三卷积网络包括2个卷积层，依次为第四卷积层和第五卷积层，第四卷积层的卷积核的尺寸为3*1、通道数为64，第五卷积层的卷积核的尺寸为1*3、通道数为128。
第四卷积网络包括2个卷积层，依次为第六卷积层和第七卷积层，第六卷积层的卷积核的尺寸为3*1、通道数为128，第七卷积层的卷积核的尺寸为1*3、通道数为256。
第五卷积网络包括2个卷积层，依次为第八卷积层和第九卷积层，第八卷积层的卷积核的尺寸为3*1、通道数为256，第九卷积层的卷积核的尺寸为1*3、通道数为512。
上述个各个卷积网络中的卷积层均采用ReLU作为激活函数，输出层采用Softmax作为激活函数。各个最大池化层的规格相同，池化核的尺寸均为2*2、步长均为2。
5、对矿石区域切片进行图像解析确定矿石信息，矿石信息包括矿石区域面积、矿石区域重心以及矿石区域相对位置中的至少一种。获取上述各项矿石信息的图像解析方法是现有常规的，比如运用计算几何距算法即可得到矿石区域中心等等，本申请不再详细介绍。
6、将矿石彩色图像的矿石区域分割结果，以及每个矿石区域切片对应的矿石类型和矿石信息合并形成煤矸石区域图谱。
7、根据煤矸石区域图谱对矿石分选产线中的煤块和煤矸石进行分离，由于获取到了矿石信息，因此在分离时可以选择矿石信息对应的分离策略，比如矿石区域面积越大、则选择越大的分离设备等等。
以上所述的仅是本申请的优选实施方式，本发明不限于以上实施例。可以理解，本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化，均应认为包含在本发明的保护范围之内。

Claims (7)

1.一种基于深度视觉的煤矸石分离方法，其特征在于，所述方法包括：
通过布设在矿石分选产线上方的相机获取矿石彩色图像，所述矿石分选产线中的矿石包括煤块和煤矸石；
将所述矿石彩色图像输入到矿石分割卷积神经网络中进行分割得到矿石区域分割结果，所述矿石区域分割结果标识矿石分选产线中各个矿石所在区域；
根据所述矿石区域分割结果对所述矿石彩色图像进行矿石区域剪裁得到若干个矿石区域切片，每个所述矿石区域切片分别包括一块矿石所在的区域；
将所述矿石区域切片输入矿石分类卷积神经网络并输出矿石区域切片对应的矿石类型为煤块或煤矸石，包括：使用双线性插值法将所述矿石区域切片进行缩放得到尺寸变换后的矿石区域切片；所述尺寸变换后的矿石区域切片依次经过所述矿石分类卷积神经网络中的第一卷积网络、第一最大池化层、第二卷积网络、第二最大池化层、第三卷积网络、第三最大池化层、第四卷积网络、第四最大池化层、第五卷积网络、全局平均池化层、全连接层和输出层后输出对应的矿石类型为煤块或煤矸石；其中，所述第一卷积网络包括一个卷积层，所述第二卷积网络包括2个卷积层，所述第三卷积网络包括2个卷积层，所述第四卷积网络包括2个卷积层，所述第五卷积网络包括2个卷积层，各个卷积网络中的卷积层均采用ReLU作为激活函数，所述输出层采用Softmax作为激活函数；
对所述矿石区域切片进行图像解析确定矿石信息，所述矿石信息包括矿石区域面积、矿石区域重心以及矿石区域相对位置中的至少一种；
将所述矿石彩色图像的矿石区域分割结果，以及每个矿石区域切片对应的矿石类型和矿石信息合并形成煤矸石区域图谱；
根据所述煤矸石区域图谱对矿石分选产线中的煤块和煤矸石进行分离，在分离时选择所述矿石信息对应的分离策略。
2.根据权利要求1所述的方法，其特征在于，所述将所述矿石彩色图像输入到矿石分割卷积神经网络中进行分割得到矿石区域分割结果，包括：
使用双线性插值法将所述矿石彩色图像进行缩放得到尺寸变换后的矿石彩色图像；所述尺寸变换后的矿石彩色图像依次经过所述矿石分割卷积神经网络中的第一卷积网络、第一最大池化层、第二卷积网络、第二最大池化层、第三卷积网络、第一最大上池化层、第一反卷积网络、第二最大上池化层、第二反卷积网络、第三最大上池化层以及第三反卷积网络后输出所述矿石区域分割结果；
其中，所述第一卷积网络包括一个卷积层，所述第二卷积网络包括4个卷积层，所述第三卷积网络包括5个卷积层，所述第一反卷积网络包括3个反卷积层，所述第二反卷积网络包括3个反卷积层，所述第三反卷积网络包括1个反卷积层；所述第一卷积网络、第二卷积网络和第三卷积网络中的各个卷积层采用ReLU作为激活函数。
3.根据权利要求2所述的方法，其特征在于，
所述矿石分割卷积神经网络中的所述第一卷积网络包括第一卷积层，所述第一卷积层的卷积核的尺寸为5*5、通道数为16；
所述矿石分割卷积神经网络中的所述第二卷积网络依次包括第二卷积层、第三卷积层、第四卷积层和第五卷积层，所述第二卷积层的卷积核的尺寸为3*3、通道数为16，所述第三卷积层的卷积核的尺寸为3*3、通道数为16，所述第四卷积层的卷积核的尺寸为3*3、通道数为16，所述第五卷积层的卷积核的尺寸为3*3、通道数为64；
所述矿石分割卷积神经网络中的所述第三卷积网络依次包括第六卷积层以及第七卷积层，第八卷积层、第九卷积层以及第十卷积层，所述第六卷积层的卷积核的尺寸为1*3、通道数为64，所述第七卷积层的卷积核的尺寸为3*1、通道数为64，所述第八卷积层的卷积核的尺寸为1*1、通道数为32，所述第九卷积层的卷积核的尺寸为3*3、通道数为32，所述第十卷积层的卷积核的尺寸为1*1、通道数为128。
4.根据权利要求2所述的方法，其特征在于，
所述第一反卷积网络依次包括第一反卷积层、第二反卷积层以及第三反卷积层，所述第一反卷积层的卷积核的尺寸为2*2、通道数为128，所述第二反卷积层的卷积核的尺寸为3*3、通道数为64，所述第三反卷积层的卷积核的尺寸为3*3、通道数为64；
所述第二反卷积网络依次包括第四反卷积层、第五反卷积层以及第六反卷积层，所述第四反卷积层的卷积核的尺寸为2*2、通道数为64，所述第五反卷积层的卷积核的尺寸为3*3、通道数为16，所述第六反卷积层的卷积核的尺寸为3*3、通道数为16；
所述第三反卷积网络包括第七反卷积层，所述第七反卷积层的卷积核的尺寸为1*1、通道数为2。
5.根据权利要求2所述的方法，其特征在于，
所述矿石分割卷积神经网络中的各个最大池化层和各个最大上池化层的规格相同，池化核的尺寸均为2*2、步长均为2。
6.根据权利要求1所述的方法，其特征在于，
所述矿石分类卷积神经网络中的所述第一卷积网络包括第一卷积层，所述第一卷积层的卷积核的尺寸为5*5、通道数为32；
所述矿石分类卷积神经网络中的所述第二卷积网络依次包括第二卷积层和第三卷积层，所述第二卷积层的卷积核的尺寸为3*1、通道数为32，所述第三卷积层的卷积核的尺寸为1*3、通道数为64；
所述矿石分类卷积神经网络中的所述第三卷积网络依次包括第四卷积层和第五卷积层，所述第四卷积层的卷积核的尺寸为3*1、通道数为64，所述第五卷积层的卷积核的尺寸为1*3、通道数为128；
所述矿石分类卷积神经网络中的所述第四卷积网络依次包括第六卷积层和第七卷积层，所述第六卷积层的卷积核的尺寸为3*1、通道数为128，所述第七卷积层的卷积核的尺寸为1*3、通道数为256；
所述矿石分类卷积神经网络中的所述第五卷积网络依次包括第八卷积层和第九卷积层，所述第八卷积层的卷积核的尺寸为3*1、通道数为256，所述第九卷积层的卷积核的尺寸为1*3、通道数为512。
7.根据权利要求1所述的方法，其特征在于，
所述矿石分类卷积神经网络中的各个最大池化层的规格相同，池化核的尺寸均为2*2、步长均为2。
CN202010304664.2A 2020-04-17 2020-04-17 一种基于深度视觉的煤矸石分离方法 Active CN111468430B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010304664.2A CN111468430B (zh) 2020-04-17 2020-04-17 一种基于深度视觉的煤矸石分离方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010304664.2A CN111468430B (zh) 2020-04-17 2020-04-17 一种基于深度视觉的煤矸石分离方法

Publications (2)

Publication Number Publication Date
CN111468430A CN111468430A (zh) 2020-07-31
CN111468430B true CN111468430B (zh) 2022-06-21

Family

ID=71754282

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010304664.2A Active CN111468430B (zh) 2020-04-17 2020-04-17 一种基于深度视觉的煤矸石分离方法

Country Status (1)

Country Link
CN (1) CN111468430B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112264330A (zh) * 2020-10-22 2021-01-26 安徽理工大学 一种移动端煤矸光电分选系统
CN112547528B (zh) * 2021-03-01 2021-05-25 华鹏飞股份有限公司 基于分类识别的物流分拣方法及系统
CN113138178B (zh) * 2021-04-15 2023-07-07 上海海关工业品与原材料检测技术中心 一种识别进口铁矿石品牌的方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102009757B1 (ko) * 2019-03-21 2019-08-12 (주)싸이젠텍 인공지능 프로그램 기반 이물선별장치

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6879708B2 (en) * 2001-05-24 2005-04-12 Case Western Reserve University Planar particle/droplet size measurement technique using digital particle image velocimetry image data
CN107563388A (zh) * 2017-09-18 2018-01-09 东北大学 一种基于深度信息预分割的卷积神经网络物体识别方法
CN109740656A (zh) * 2018-12-26 2019-05-10 华侨大学 一种基于卷积神经网络的矿石分选方法
CN109977747A (zh) * 2019-01-08 2019-07-05 浙江大学 一种综合时空特征的煤矸识别系统
CN110135468B (zh) * 2019-04-24 2021-07-20 中国矿业大学(北京) 一种煤矸石的识别方法
CN110321959B (zh) * 2019-07-09 2023-04-18 安徽理工大学 一种多光谱图像信息和cnn的煤矸识别方法
CN110378295B (zh) * 2019-07-22 2022-12-20 安徽理工大学 一种多光谱图像信息和光谱信息异构融合的煤矸识别方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102009757B1 (ko) * 2019-03-21 2019-08-12 (주)싸이젠텍 인공지능 프로그램 기반 이물선별장치

Also Published As

Publication number Publication date
CN111468430A (zh) 2020-07-31

Similar Documents

Publication Publication Date Title
CN111468430B (zh) 一种基于深度视觉的煤矸石分离方法
CN110322453A (zh) 基于位置注意力和辅助网络的3d点云语义分割方法
CN110163852B (zh) 基于轻量化卷积神经网络的输送带实时跑偏检测方法
CN111862025A (zh) 基于深度学习的pcb缺陷自动检测方法
CN114120093B (zh) 一种基于改进YOLOv5算法的煤矸目标检测方法
CN103426164A (zh) 基于Opencv图像分析的扇贝尺寸计算方法和扇贝分拣系统
CN113837193B (zh) 一种基于改进U-Net网络的锌浮选泡沫图像分割方法
CN112560941A (zh) 基于图像检测的煤矸识别方法
CN112434570A (zh) 一种钽铌矿摇床矿带的图像识别方法
CN114581782A (zh) 一种基于由粗到精检测策略的细微缺陷检测方法
CN113111875A (zh) 一种基于深度学习的无缝钢轨焊缝缺陷识别装置及方法
CN113269795A (zh) 一种基于废钢车厢区域的识别方法
CN112365478A (zh) 一种基于语义分割的电机换向器表面缺陷检测模型
Jiang et al. Attention M-net for automatic pixel-level micro-crack detection of photovoltaic module cells in electroluminescence images
CN115205363A (zh) 基于改进ResNet网络的传送带实时判空检测方法与系统
CN111862223B (zh) 一种电子元件的视觉计数及定位方法
CN106406257A (zh) 一种基于案例推理的铁矿浮选精矿品位软测量方法及系统
CN102542259A (zh) 一种近岸陆上水体的识别方法
CN103604946B (zh) 一种面向矿物泡沫浮选的嵌入式泡沫流速测量系统及方法
CN114596273B (zh) 利用yolov4网络的陶瓷基板多种瑕疵智能检测方法
CN114758125A (zh) 基于深度学习的齿轮表面缺陷检测方法与系统
CN114972752A (zh) 一种基于轻量级交叉注意网络的实时语义分割的方法
CN101776885B (zh) 一种应用于数控系统中的自动设置图形加工顺序的方法
CN111507963B (zh) 一种基于目标检测的煤矿异物剔除方法
CN104899429A (zh) 一种基于多因素的地球化学元素含量赋值方法及系统

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
GR01 Patent grant
GR01 Patent grant