CN111563553A - 一种基于pca-cnn分类识别的球团矿相预测碱度的方法 - Google Patents
一种基于pca-cnn分类识别的球团矿相预测碱度的方法 Download PDFInfo
- Publication number
- CN111563553A CN111563553A CN202010384091.9A CN202010384091A CN111563553A CN 111563553 A CN111563553 A CN 111563553A CN 202010384091 A CN202010384091 A CN 202010384091A CN 111563553 A CN111563553 A CN 111563553A
- Authority
- CN
- China
- Prior art keywords
- pca
- layer
- alkalinity
- pellet
- fusion
- 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
- 239000008188 pellet Substances 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000008878 coupling Effects 0.000 claims abstract description 24
- 238000010168 coupling process Methods 0.000 claims abstract description 24
- 238000005859 coupling reaction Methods 0.000 claims abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000012795 verification Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000007499 fusion processing Methods 0.000 claims abstract description 4
- 230000004927 fusion Effects 0.000 claims description 32
- 230000009467 reduction Effects 0.000 claims description 26
- 238000011176 pooling Methods 0.000 claims description 14
- 208000035126 Facies Diseases 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000005453 pelletization Methods 0.000 claims 2
- 238000000513 principal component analysis Methods 0.000 description 41
- 238000013527 convolutional neural network Methods 0.000 description 30
- 238000004422 calculation algorithm Methods 0.000 description 20
- 229910052500 inorganic mineral Inorganic materials 0.000 description 9
- 239000011707 mineral Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000005065 mining Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000013441 quality evaluation Methods 0.000 description 3
- 238000003723 Smelting Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000571 coke Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010587 phase diagram Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 239000010959 steel Substances 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于PCA‑CNN分类识别的球团矿相预测碱度的方法,包括以下步骤:将不同碱度不同部位的球团矿相样本,进行预处理,形成有标签的样本集;取样本集的60%作为训练样本输入耦合模型,20%作为验证集,另外20%作为测试集;将有标签的样本集放入PCA与CNN耦合模型,做PCA主特征提取、深度特征提取、多层特征融合处理;进行全连接层处理:输出层输出矿相位置或球团碱度识别结果;输入验证样本集对模型识别结果进行评价;将测试样本输入耦合模型,验证对矿相位置和球团碱度的识别精度。本方法可增强整体模型对图像的表现能力,实现球团矿位置及碱度的准确高效分类。
Description
技术领域
本发明涉及球团矿质量评价领域,特别是涉及一种基于 PCA-CNN分类识别的球团矿相预测碱度的方法。
背景技术
钢铁产业作为我国制造业的支柱产业,当前正面临着节能降耗、技术创新、供给侧改革等重要挑战。球团矿是高炉炼铁的主要原料,其质量直接影响着高炉冶炼技术经济指标。以球团微观矿相为突破口,从球团的微观结构反应其冶金性能,其冶金性能决定微观结构的角度出发,对球团矿的质量进行判别,有利于解决了传统球团矿质量的评价过程复杂、参数众多、效率低等问题。
目前,国内外对矿相研究的方法还主要依靠人工分析法,传统图像处理算法以及机器学习理论等,鉴定操作过程缺乏严格的统一标准,且易受个人主观因素影响,工作量大,容易误识,识别精度低,限制了其在球团矿质量评价问题中的应用。例如:罗果萍,赵彬,刘景权(2015)对MgO球团矿还原后的矿相结构进行试验研究,得出了增加球团矿气孔率、改善球团矿冶金性能、提高冶炼强度、降低焦比的生产方案。丁明明,李娟,孔凡备等(2018)采用数学方法对球团矿微观矿相的纹理特征进行提取,并分析不同碱度的矿相特征参数,实现矿相的碱度以及矿相部位的判别。而CNN(卷积神经网络)作为新兴事物目前已经应用在各大领域,并取得了惊人的成绩,将深度学习模型应用到球团矿相中的研究却屈指可数。
发明内容
本发明目的:将深度学习理念应用于球团矿相分析,开发了一种融合PCA与CNN算法的分类识别技术,可以为球团矿质量评价提供高效、智能的鉴定方法。
为解决上述技术问题,本发明提供一种基于PCA-CNN分类识别的球团矿相预测碱度的方法,其中,该方法包括以下步骤:
Step1:将不同碱度不同部位的球团矿相样本,进行预处理,形成有标签的样本集;
Step2:取样本集的60%作为训练样本输入耦合模型,20%作为验证集,另外20%作为测试集;
Step3:将有标签的样本集放入PCA与CNN耦合模型,做PCA主特征提取、深度特征提取、多层特征融合处理,在传统CNN模型结构中将每次卷积得到的特征进行PCA降维,将PCA的主特征提取融入到CNN的深度学习中,实现浅层信息特征与深层的特征的多层特征融合,多层融合方式选择早融合即先对每层卷积操作后的特征进行按点逐位相加融合,再统一进行检测;
Step4:进行全连接层处理:全连接→ReLU层→Dropout层,该网络包含两个全连接层,第一个全连接层的输入为多层融合矿相特征,第二个全连接层与输出层相连;
Step5:输出层输出矿相位置或球团碱度识别结果;
Step6:输入验证样本集对耦合模型能力进行初步评估,对网络参数做进一步调整,网络选取交叉熵代价函数作为损失函数,对模型识别结果进行评价;
Step7:将测试样本输入耦合模型,验证对矿相位置和球团碱度的识别精度。
进一步的,所述Step1中预处理为选用图像增强、PCA降维、高斯滤波、图像分割四种方法对球团矿相进行预处理。
进一步的,所述Step3中处理过程为:以卷积层C1流程为例:PCA 降维→卷积→ReLU层→池化→归一化→特征融合,使用96个大小为11×11的卷积核,激活函数选用ReLU函数,池化操作窗口选择大小为3x3,步长为2的最大值池化,最后将池化归一化后的结果与PCA 对输入图像的降维结构进行特征融合,提取第一融合特征,作为第二层卷积的输入,C1层的参数个数为34944(96×11×11×3+96=34944)个。
进一步的,所述Step4中,第一个全连接层的输入为多层融合矿相特征,该层共有37752832个参数,第二个全连接层与输出层相连,该层的参数为16388个。
本发明有益效果:通过图像增强、高斯滤波、图像分割以及PCA 降维四种方法对矿相样本集进行预处理,可以有效提高数据质量,避免模型陷入过拟合;PCA与CNN两种算法深度融合,在传统CNN 模型结构中将每次卷积得到的特征进行PCA降维,将PCA的主特征提取融入到CNN的深度学习中,实现浅层信息特征与深层的特征的多层特征融合,多层融合方式选择早融合即先对每层卷积操作后的特征进行按点逐位相加融合,再统一进行检测,从而增强整体模型对图像的表现能力,实现球团矿位置及碱度的准确高效分类。
附图说明
图1本发明处理流程图;
图2球团矿相图;
图3基于PCA的主特征提取矿相图;
图4基于矿相识别的CNN与PCA耦合模型图;
图5中心部位图像特征提取图;
(a)原始图像;(b)-(f)第1-5卷积层后获取的特征图像;
图6 1/4部位图像特征提取图;
(a)原始图像;(b)-(f)第1-5卷积层后获取的特征图像;
图7边缘部位图像特征提取图;
(a)原始图像;(b)-(f)第1-5卷积层后获取的特征图像;
图8测试集上的训练损失图;
图9测试集上的识别准确率图。
具体实施方式
本技术采用CNN与PCA算法结合的思想对球团矿相进行分析,该技术中,PCA处理图像的核心目的是剔除和类标签(性能指标) 无关的特征,在这种情况下,采用PCA算法进行特征降维可以减少特征数,减少噪音和冗余,减少过度拟合的可能性。从数据增强和数据降维两个角度出发,首先采用图像增强、高斯滤波、图像分割和 PCA降维4种图像处理方法对矿相样本数据进行扩充,然后通过建立PCA与CNN耦合模型,在传统CNN模型结构中将每次卷积得到的特征进行PCA降维,将PCA的主特征提取融入到CNN的深度学习中,实现浅层信息特征与深层的特征的多层特征融合,来防止模型过拟合,提高模型识别准确率。
总的来说,这一过程可以用如图1所示:
Step1:将不同碱度不同部位的球团矿相样本,选用图像增强、高斯滤波、图像分割和PCA降维四种方法对球团矿相进行预处理,形成有标签的样本集。
Step2:取样本集的60%作为训练样本输入耦合模型,20%作为验证集,另外20%作为测试集;
Step3:将有标签的样本集放入PCA与CNN耦合模型,做降维,卷积池化和特征融合处理,以卷积层C1流程为例:PCA降维→卷积→ReLU→池化→归一化→特征融合,使用96个大小为11×11的卷积核,激活函数选用ReLU函数,池化操作窗口选择大小为3x3,步长为2的最大值池化。最后将池化归一化后的结果与PCA对输入图像的降维结构进行特征融合,提取第一融合特征,作为第二层卷积的输入。C1层的参数个数为34944(96×11×11×3+96=34944)个;
Step4:全连接层流程:全连接→ReLU层→Dropout层,该网络包含两个全连接层,第一个全连接层的输入为多层融合矿相特征,该层共有37752832个参数,第二个全连接层与输出层相连,对于矿相位置识别的模型而言,该层的参数为12291个,对于球团矿碱度识别的模型而言,该层的参数为16388个;
Step5:输出层输出矿相位置或球团碱度识别结果;
Step6:输入验证样本集对耦合模型能力进行初步评估,对网络参数做进一步调整,网络选取交叉熵代价函数作为损失函数,对模型识别结果进行评价;
Step7:将测试样本输入耦合模型,验证对矿相位置和球团碱度的识别精度。
将碱度分别为0.6,0.8,1.0和1.2的各2000带标签的球团矿相样本图进行切片抛磨制样,置于显微镜下,分别获取球团矿中心部位、1/4部位以及边缘部位的矿相,形成有标签的样本集,如图2所示。
采用PCA主成分分析方法来实现高维图像特征数据的降维处理以及浅层图像特征提取。并采用均方误差(Mean Square Error,MSE)检验经过降维处理后图像与原图像的特征相似度。随机抽取一张碱度为 0.6的训练样本,对其进行PCA降维处理,处理后的图像如图3所示。
通过与原图对比可以发现,经过降维后的图像并没有丢失太多信息,矿相的绝大多数特征在降维后的图像中都能清晰显示。表1为对测试样本集进行PCA降维得到的MSE值。
表1 PCA降维图像与原图像均方误差值
测试样本的MSE值均小于0.1,这说明经过PCA处理的图片与原图相比,图像特征相似度很高,以此证明采用PCA算法可以进行矿相主特征提取,并且效果显著,在提高模型计算速度的同时也提高了模型的识别精度。
建立基于矿相识别的PCA与CNN耦合模型,将PCA降维后的图像与原始图像结合建立数据样本集作为模型输入,模型主框架采用经典的AlexNet网络,AlexNet网络各层的结构细节及参数情况如表2所示。
表2 AlexNet各层结构细节及参数
其中各层参数个数是由卷积核大小与卷积核数量的乘积再加上偏置数量,即卷积核的数量计算得来的,在全连接层中将4096个神经元分成两组,对上一层的池化结果全链接处理,输出层输出的是 1000个类别标签,其大小可以根据实际问题进行调整,在球团矿相碱度识别问题中,类别标签个数为4,在矿相位置识别问题中,类别标签个数为3。
基于矿相识别的PCA与CNN耦合模型在AlexNet每次卷积得到的特征图像后融入PCA降维过程,实现浅层信息特征与深层信息特征的多层特征融合,将最终融合后的特征信息作为检测标准传入全连接层,对矿相所属部位以及碱度进行识别,模型结构如图4所示。
图5至图7为AlexNet框架下碱度为0.6的某一矿相样本分别在中心部位,1/4部位和边缘部位的特征提取过程。
通过观察中心部位,1/4部位和边缘部位的特征提取图像可以发现随着模型深度的加深,图像的像素越来越低,但是最主要的特征越来越明显。最后,用测试样本集测试PCA与CNN耦合算法的训练结果,并与传统CNN模型结果对比,对比结果表6所示,比较发现, PCA与CNN耦合算法的碱度识别准确率分别为93.82%,高于传统 CNN算法92.73%的准确率。
表3两种算法的识别准确率
图8给出两种算法对测试样本集进行矿相碱度识别过程中,训练损失函数值的对比结果。横坐标代表迭代次数,随着迭代次数的增加,网络损失值在不断下降当迭代次数超过400时,两种算法的损失值趋于稳定,但从图中可以看出,PCA与CNN耦合算法的损失程度明显低于传统CNN算法,其损失值的下降速度也高于传统CNN算法。
图9为两种算法对测试样本集进行矿相位置识别过程中,准确率的对比结果。图9可以看出,当网络迭代次数超过400次时,两种算法的准确率趋于稳定,CNN和PCA耦合算法的准确率相对更稳定,并维持94%左右。这说明CNN与PCA耦合算法在提高了传统CNN 算法的识别精度的同时也相应的提高了模型的计算速度,将CNN与 PCA耦合算法应用于球团矿相识别问题具有较好的效果,精确度令人满意。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (4)
1.一种基于PCA-CNN分类识别的球团矿相预测碱度的方法,其特征在于,该方法包括以下步骤:
Step1:将不同碱度不同部位的球团矿相样本,进行预处理,形成有标签的样本集;
Step2:取样本集的60%作为训练样本输入耦合模型,20%作为验证集,另外20%作为测试集;
Step3:将有标签的样本集放入PCA与CNN耦合模型,做PCA主特征提取、深度特征提取、多层特征融合处理,在传统CNN模型结构中将每次卷积得到的特征进行PCA降维,将PCA的主特征提取融入到CNN的深度学习中,实现浅层信息特征与深层特征的多层特征融合,多层融合方式选择早融合即先对每层卷积操作后的特征进行按点逐位相加融合,再统一进行检测;
Step4:进行全连接层处理:全连接→ReLU层→Dropout层,该网络包含两个全连接层,第一个全连接层的输入为多层融合矿相特征,第二个全连接层与输出层相连;
Step5:输出层输出矿相位置或球团碱度识别结果;
Step6:输入验证样本集对耦合模型能力进行初步评估,对网络参数做进一步调整,网络选取交叉熵代价函数作为损失函数,对模型识别结果进行评价;
Step7:将测试样本输入耦合模型,验证对矿相位置和球团碱度的识别精度。
2.根据权利要求1所述的一种基于PCA-CNN分类识别的球团矿相预测碱度的方法,其特征在于,所述Step1中预处理为选用图像增强、PCA降维、高斯滤波、图像分割四种方法对球团矿相进行预处理。
3.根据权利要求1所述的一种基于PCA-CNN分类识别的球团矿相预测碱度的方法,其特征在于,所述Step3中处理过程为:以卷积层C1流程为例:PCA降维→卷积→ReLU层→池化→归一化→特征融合,使用96个大小为11×11的卷积核,激活函数选用ReLU函数,池化操作窗口选择大小为3x3,步长为2的最大值池化,最后将池化归一化后的结果与PCA对输入图像的降维结构进行特征融合,提取第一融合特征,作为第二层卷积的输入,C1层的参数个数为34944个。
4.根据权利要求1所述的一种基于PCA-CNN分类识别的球团矿相预测碱度的方法,其特征在于,所述Step4中,第一个全连接层的输入为多层融合矿相特征,该层共有37752832个参数,第二个全连接层与输出层相连,该层的参数为16388个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010384091.9A CN111563553A (zh) | 2020-05-08 | 2020-05-08 | 一种基于pca-cnn分类识别的球团矿相预测碱度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010384091.9A CN111563553A (zh) | 2020-05-08 | 2020-05-08 | 一种基于pca-cnn分类识别的球团矿相预测碱度的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111563553A true CN111563553A (zh) | 2020-08-21 |
Family
ID=72071858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010384091.9A Pending CN111563553A (zh) | 2020-05-08 | 2020-05-08 | 一种基于pca-cnn分类识别的球团矿相预测碱度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111563553A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183639A (zh) * | 2020-09-30 | 2021-01-05 | 四川大学 | 一种矿物图像识别与分类方法 |
CN113793308A (zh) * | 2021-08-25 | 2021-12-14 | 北京科技大学 | 一种基于神经网络的球团矿质量智能评级方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220971A (zh) * | 2017-06-02 | 2017-09-29 | 太原理工大学 | 一种基于卷积神经网络和主成分分析法的肺结节特征提取方法 |
CN109815967A (zh) * | 2019-02-28 | 2019-05-28 | 北京环境特性研究所 | 基于特征融合的cnn舰船目标识别系统及方法 |
-
2020
- 2020-05-08 CN CN202010384091.9A patent/CN111563553A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220971A (zh) * | 2017-06-02 | 2017-09-29 | 太原理工大学 | 一种基于卷积神经网络和主成分分析法的肺结节特征提取方法 |
CN109815967A (zh) * | 2019-02-28 | 2019-05-28 | 北京环境特性研究所 | 基于特征融合的cnn舰船目标识别系统及方法 |
Non-Patent Citations (2)
Title |
---|
信自成;李杰;韩闯闯;刘卫星;杨爱民;张玉柱;: "镁质熔剂性球团抗压强度研究", 烧结球团 * |
徐述腾等: ""基于深度学习的镜下矿石矿物的智能识别实验研究"", 《岩石学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183639A (zh) * | 2020-09-30 | 2021-01-05 | 四川大学 | 一种矿物图像识别与分类方法 |
CN113793308A (zh) * | 2021-08-25 | 2021-12-14 | 北京科技大学 | 一种基于神经网络的球团矿质量智能评级方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI739798B (zh) | 一種建立資料識別模型的方法及裝置 | |
CN108305243B (zh) | 一种基于深度学习的磁瓦表面缺陷检测方法 | |
CN105069447B (zh) | 一种人脸表情的识别方法 | |
Wu et al. | End-to-end chromosome Karyotyping with data augmentation using GAN | |
CN107607554A (zh) | 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法 | |
CN111563553A (zh) | 一种基于pca-cnn分类识别的球团矿相预测碱度的方法 | |
CN112001253B (zh) | 基于改进Fast R-CNN的煤尘颗粒图像识别方法 | |
CN111242202B (zh) | 基于度量学习的车削加工刀具磨损状态监测方法 | |
CN111027443B (zh) | 一种基于多任务深度学习的票据文本检测方法 | |
CN113096088B (zh) | 一种基于深度学习的混凝土结构检测方法 | |
CN112734734A (zh) | 一种基于改进残差网络的铁路隧道裂缝检测方法 | |
CN108846047A (zh) | 一种基于卷积特征的图片检索方法及系统 | |
CN103984951A (zh) | 一种磁粉检测缺陷自动识别方法及系统 | |
CN116416479B (zh) | 基于深度卷积融合多尺度图像特征的矿物分类方法 | |
CN112101467A (zh) | 一种基于深度学习的高光谱图像分类方法 | |
CN105447506A (zh) | 一种基于区间分布概率特征的手势识别方法 | |
Liang et al. | A lightweight network for defect detection in nickel-plated punched steel strip images | |
CN116883393B (zh) | 一种基于无锚框目标检测算法的金属表面缺陷检测方法 | |
CN108764062B (zh) | 一种基于视觉的服装裁片识别方法 | |
CN109636781B (zh) | 一种基于特征挖掘和加权贝叶斯分类器的缺陷提取方法 | |
CN112288000A (zh) | 一种基于支持向量机的铁谱图像智能识别方法 | |
CN109872319B (zh) | 一种基于特征挖掘和神经网络的热图像缺陷提取方法 | |
CN108596249B (zh) | 图像特征提取及分类的方法和装置 | |
Fan et al. | A dynamic size-based time series feature and application in identification of zinc flotation working conditions | |
CN115797326A (zh) | 一种基于改进yolox-s算法的金属铸件表面缺陷检测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200821 |
|
WD01 | Invention patent application deemed withdrawn after publication |