CN112308114A - 白钨矿的分选方法、装置和可读存储介质 - Google Patents
白钨矿的分选方法、装置和可读存储介质 Download PDFInfo
- Publication number
- CN112308114A CN112308114A CN202011020692.8A CN202011020692A CN112308114A CN 112308114 A CN112308114 A CN 112308114A CN 202011020692 A CN202011020692 A CN 202011020692A CN 112308114 A CN112308114 A CN 112308114A
- Authority
- CN
- China
- Prior art keywords
- scheelite
- sorting
- raw ore
- model
- picture
- 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
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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明提供了一种白钨矿的分选方法、装置和可读存储介质,所述白钨矿的分选方法通过采集待分选白钨矿的原矿图片;将所述原矿图片输入到预设分选模型中,得到所述待分选白钨矿的类别,所述预设分选模型由原矿图片训练得到,即通过采集待分选白钨矿的原矿图片,并基于原矿图片训练得到的预设分选模型对待分选白钨矿的类别进行识别分选,从而能够减少成本及节省人力,进而提高生产效率以及分选率。
Description
技术领域
本发明涉及白钨矿识别技术领域,特别涉及一种白钨矿的分选方法、装置和可读存储介质。
背景技术
钨在冶金和金属材料领域中属高熔点稀有金属或称难熔稀有金属。钨及其合金是现代工业、国防及高新技术应用中的极为重要的功能材料之一,广泛应用于航天、原子能、船舶、汽车工业、电气工业、电子工业、化学工业等诸多领域。在现有技术中,通常采用手选方式对钨矿石进行识别采选,因此存在生产效率低、成本高、工人劳动强度大且分选率低的缺陷。
发明内容
本发明的主要目的是提供一种白钨矿的分选方法、装置和可读存储介质,旨在解决采用手选方式对钨白钨矿进行识别采选,存在生产效率低、成本高、工人劳动强度大且分选率低的问题。
为实现上述目的,本发明提供一种白钨矿的分选方法,所述白钨矿的分选方法包括:
采集待分选白钨矿的原矿图片;
将所述原矿图片输入到预设分选模型中,得到所述待分选白钨矿的类别,所述预设分选模型由原矿图片训练得到。
可选地,所述采集待分选白钨矿的原矿图片的步骤之后,所述白钨矿的分选方法还包括:
获取训练集中的各个原矿图片的像素值;
获取所述像素值大于第一阈值的原矿图片,并对获取的原矿图片进行增强处理以得到第一目标训练样本;
将所述第一目标训练样本输入至预设网络模型中进行训练,以得到第一分选模型,并将所述第一分选模型作为所述预设分选模型。
可选地,所述对获取的原矿图片进行增强处理的步骤包括:
若所述获取的原矿图片的像素值小于第二阈值,则对所述获取的原矿图片进行log增强,其中,所述第二阈值大于所述第一阈值;
若所述获取的原矿图片的像素值大于或等于所述第二阈值,则对所述获取的原矿图片进行线性增强。
可选地,所述将所述第一目标训练样本输入至预设网络中进行训练,以得到第一分选模型的步骤包括:
将所述第一目标训练样本输入至预设网络模型中,并按照回归方式进行训练,以得到第一分选模型。
可选地,所述获取训练集中的各个原矿图片的像素值的步骤之后还包括:
获取所述像素值小于或等于所述第一阈值的原矿图片作为第二目标训练样本;
将所述第二目标训练样本输入至所述预设网络模型中进行训练,以得到第二分选模型,并将所述第二分选模型作为所述预设分选模型。
可选地,所述将所述第二目标训练样本输入至所述预设网络中进行训练,以得到第二分选模型的步骤包括:
将所述第二目标训练样本输入至所述预设网络模型中,并按照二分类方式进行训练,以得到第二分选模型。
此外,为实现上述目的,本发明还提出一种白钨矿的分选装置,所述白钨矿的分选装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的白钨矿的分选程序,所述白钨矿的分选程序被所述处理器执行时实现如以上所述的白钨矿的分选方法的步骤。
此外,为实现上述目的,本发明还提出一种可读存储介质,所述可读存储介质上存储有白钨矿的分选程序,所述白钨矿的分选程序被处理器执行时实现如以上所述的白钨矿的分选方法的步骤。
本发明提出的白钨矿的分选方法、装置和可读存储介质,所述白钨矿的分选方法通过采集待分选白钨矿的原矿图片;将所述原矿图片输入到预设分选模型中,得到所述待分选白钨矿的类别,所述预设分选模型由原矿图片训练得到,即通过采集待分选白钨矿的原矿图片,并基于原矿图片训练得到的预设分选模型对待分选白钨矿的类别进行识别分选,从而能够减少成本及节省人力,进而提高生产效率以及分选率。
附图说明
为了更清楚地说明本发明实施例或示例性中的技术方案,下面将对实施例或示例性描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以按照这些附图示出的获得其他的附图。
图1为本发明实施例方案涉及的硬件运行环境的终端结构示意图;
图2为本发明白钨矿的分选方法第一实施例的流程示意图;
图3为本发明白钨矿的分选方法第二实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明的主要解决方案是:采集待分选白钨矿的原矿图片;将所述原矿图片输入到预设分选模型中,得到所述待分选白钨矿的类别,所述预设分选模型由原矿图片训练得到。
由于通常采用手选方式对钨矿石进行识别采选,因此存在生产效率低、成本高、工人劳动强度大且分选率低的缺陷。
本发明提供一种解决方案,采集待分选白钨矿的原矿图片;将所述原矿图片输入到预设分选模型中,得到所述待分选白钨矿的类别,所述预设分选模型由原矿图片训练得到,即通过采集待分选白钨矿的原矿图片,并基于原矿图片训练得到的预设分选模型对待分选白钨矿的类别进行识别分选,从而能够减少成本及节省人力,进而提高生产效率以及分选率。
如图1所示,图1是本发明实施例方案涉及的终端的硬件运行环境示意图。
如图1所示,该终端可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)、遥控器,可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如存储器(non-volatile memory)),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的终端的结构并不构成对终端的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及白钨矿的分选程序。
在图1所示的终端中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的白钨矿的分选程序,并执行以下操作:
采集待分选白钨矿的原矿图片;
将所述原矿图片输入到预设分选模型中,得到所述待分选白钨矿的类别,所述预设分选模型由原矿图片训练得到。
进一步地,处理器1001可以调用存储器1005中存储的白钨矿的分选程序,还执行以下操作:
获取训练集中的各个原矿图片的像素值;
获取所述像素值大于第一阈值的原矿图片,并对获取的原矿图片进行增强处理以得到第一目标训练样本;
将所述第一目标训练样本输入至预设网络模型中进行训练,以得到第一分选模型,并将所述第一分选模型作为所述预设分选模型。
进一步地,处理器1001可以调用存储器1005中存储的白钨矿的分选程序,还执行以下操作:
若所述获取的原矿图片的像素值小于第二阈值,则对所述获取的原矿图片进行log增强,其中,所述第二阈值大于所述第一阈值;
若所述获取的原矿图片的像素值大于或等于所述第二阈值,则对所述获取的原矿图片进行线性增强。
进一步地,处理器1001可以调用存储器1005中存储的白钨矿的分选程序,还执行以下操作:
将所述第一目标训练样本输入至预设网络模型中,并按照回归方式进行训练,以得到第一分选模型。
进一步地,处理器1001可以调用存储器1005中存储的白钨矿的分选程序,还执行以下操作:
获取所述像素值小于或等于所述第一阈值的原矿图片作为第二目标训练样本;
将所述第二目标训练样本输入至所述预设网络模型中进行训练,以得到第二分选模型,并将所述第二分选模型作为所述预设分选模型。
进一步地,处理器1001可以调用存储器1005中存储的白钨矿的分选程序,还执行以下操作:
将所述第二目标训练样本输入至所述预设网络模型中,并按照二分类方式进行训练,以得到第二分选模型。
本发明提供一种白钨矿的分选方法。
参照图2,图2为本发明白钨矿的分选方法第一实施例的流程示意图。
本实施例提出一种白钨矿的分选方法,该白钨矿的分选方法包括:
S10、采集待分选白钨矿的原矿图片;
S20、将所述原矿图片输入到预设分选模型中,得到所述待分选白钨矿的类别,所述预设分选模型由原矿图片训练得到。
本实施例中,本申请的白钨矿的分选方法可以是可编程逻辑控制器(PLC)执行,也可以是由内置控制芯片的服务器执行,本发明优选为PLC。待分选白钨矿的图像信息可以通过工业相机或其他拍摄设备获取。
具体地,执行步骤S10时,PLC发送图片采集指令到工业相机或其他拍摄设备,工业相机或其他拍摄设备接收到图像采集指令后,工业相机或其他拍摄设备对待分选白钨矿进行拍摄,以获取所述待分选白钨矿的原矿图片,并发送至PLC,PLC接收到所述原矿图片,即采集所述待分选白钨矿的原矿图片。
进一步地,在获取到所述原矿图片后,将所述原矿图片输入至所述预设分选模型中,以得到所述待分选白钨矿的类别,其中,所述待分选白钨矿的类别包括废石以及白钨矿。
进一步地,在获取到所述待分选白钨矿的类别,根据所述类别对所述待分选白钨矿进行分选。
即本实施例中通过采集待分选白钨矿的原矿图片,并基于原矿图片训练得到的预设分选模型对待分选白钨矿的类别进行识别分选,从而能够减少成本及节省人力,进而提高生产效率以及分选率。
进一步地,参照图3,基于第一实施例提出本发明第二实施例,在本实施例中,所述采集待分选白钨矿的原矿图片的步骤之后,所述白钨矿的分选方法还包括:
S30、获取训练集中的各个原矿图片的像素值;
S40、获取所述像素值大于第一阈值的原矿图片,并对获取的原矿图片进行增强处理以得到第一目标训练样本;
S50、将所述第一目标训练样本输入至预设网络模型中进行训练,以得到第一分选模型,并将所述第一分选模型作为所述预设分选模型。
由于原矿(白钨矿)中含有不同粒径的白钨矿,具体为大粒径白钨矿、中粒径白钨矿以及小粒径白钨矿,此时,在采集白钨矿的图片时,对于中粒径或大粒径的白钨矿,光线无法较好地穿透该白钨矿,成像较黑且比较模糊,无法清晰地展现白钨矿各个部分的信息,即本实施例中在采集到待分选白钨矿的原矿图片后,需要对原矿图片的像素进行判断,以区分该原矿图片对应的白钨矿的粒径级别。
具体地,获取原矿图片中的像素值,在所述像素值大于第一阈值时,则确定该原矿图片对应白钨矿的粒径级别为大粒径级别或中粒径级别;在所述像素值小于或等于第一阈值时,则确定该原矿图片对应白钨矿的粒径级别为小粒径级别,即光线可穿透小粒径白钨矿,成像清晰,使得获取的原矿图片能够清楚展示白钨矿各个部分的信息。
可选地,所述第一阈值为90像素。当然,在其他实施例中,所述第一阈值还可以设置为其他数值,在此并不进行限定。
进一步地,采集到原矿图片后,可将原矿图片的集合按照预定的比例构建训练集和测试集,比如,训练集和测试集的比例为7/3等,在此并不进行限定。
由于所述预设分选模型由原矿图片训练得到,即在获取到训练集的各个原矿图片后,根据上述的方法对原矿图片的像素进行判断,以区分该原矿图片对应的白钨矿的粒径级别。
具体地,获取训练集中的各个原矿图片的像素值,在所述像素值大于所述第一阈值时,确定所述原矿图片对应的白钨矿为大粒径白钨矿,此时,为了获取较为清晰的图片,则对所述像素值大于第一阈值的原矿图片,进行增强处理,以得到第一目标训练样本;而在获取到第一目标训练样本后,将所述第一目标训练样本输入至预设网络模型中进行训练,以得到第一分选模型,并将所述第一分选模型作为所述预设分选模型。
可选地,所述预设网络模型为基于深度学习训练获得的处理模型。当然,在其他实施例中,所述预设网络模型还可以为其他类型的训练模型,比如:基于采用Re-LU激活函数的卷积神经网络构建处理模型等,在此并不进行限定。
本实施例中,将所述第一目标训练样本输入至预设网络模型中,并按照回归方式进行训练,以得到第一分选模型。例如本发明实施例可以采用回归方式进行训练,在训练时正则化选择多种形式,以获取第一分选模型的特征值和权重,在此并不进行限定。
进一步地,由于对于原矿图片的像素远远高于第一阈值的原矿图片,其灰度值已经处于人眼可辨别的范围内,即为了防止原矿图片增强后出现阶跃变化,使得灰度变化不再连续的问题,本实施例在所述原矿图片的像素值大于第一阈值时,对所述原矿图片进行增强处理之前,需要再次判断原矿图片的像素值。即在所述原矿图片的像素值大于第一阈值时,比对所述原矿图片的像素值与第二阈值的关系,以根据所述原矿图片的像素值与第二阈值的关系选择原矿图片的增强方式。
具体地,若所述获取的原矿图片的像素值小于第二阈值,则对所述获取的原矿图片进行log增强;若所述获取的原矿图片的像素值大于或等于所述第二阈值,则对所述获取的原矿图片进行线性增强。
可选地,所述第二阈值大于所述第一阈值。本实施例中,所述第二阈值为2000像素。
即在所述像素值大于或等于2000像素时,其灰度值已经处于人眼可辨别的范围内,即通过对其进行线性增强,以弥补经过log变换增强后原矿图片会可能出现阶跃变化,使得灰度变化不再连续的问题。
而在所述像素值小于或等于所述第一阈值时,确定所述原矿图片对应的白钨矿为小粒径白钨矿,此时,所述原矿图片的成像清晰,即只要获取所述像素值小于或等于所述第一阈值的原矿图片,以作为第二目标训练样本,并在获取到第二目标训练样本后,将所述第二目标训练样本输入至预设网络模型中进行训练,以得到第二分选模型,并将所述第二分选模型作为所述预设分选模型。
本实施例中,将所述第二目标训练样本输入至预设网络模型中,并按照二分类方式进行训练,以得到第二分选模型。其中,二分类方法的目标函数可以描述为:利用样本数据在特征空间中寻找一个超球面其中是超球面的球心,R是超球面的半径,如果f(x)<R则yi=+1表示该样本属于正类别,如果f(x)>R则yi=-1表示该样本属于反类别。最优的超球面应该使得超球面的表面积最小化并且样本数据离该超球面的最小距离最大化,即该超球面的表面积尽量小,正反类别样本数据离原超球面的最小距离分别形成两个同心超球面,同心超球面组成的超球壳的壳厚度尽量大。
即本实施例通过区分原矿图片对应白钨矿的粒径大小,从而对不同粒径级别的白钨矿进行训练,比如,在白钨矿为大粒径级别白钨矿或中粒径级别白钨矿时,对增强处理后的原矿图片进行回归方式训练得到预设分选模型;在白钨矿为小粒径级别白钨矿时,对原矿图片进行二分类方式训练得到预设分选模型,从而避免出现因白钨矿粒径较大导致识别不准或误识别的情况,以提高白钨矿的识别分选效果。
在一实施例中,在白钨矿为大粒径级别白钨矿或中粒径级别白钨矿时,对增强处理后的原矿图片进行回归方式训练得到预设分选模型,或者在白钨矿为小粒径级别白钨矿时,对原矿图片进行二分类方式训练得到预设分选模型,能够提高分选的富集比。参照下表:
精矿中的碳酸钙的含量下降相比之前4.9个点,尾矿中碳酸钙的含量相比之前增加了12个点,即多数碳酸钙已经被抛到废石中,精矿中碳酸钙的含量已基本符合要求(精矿中碳酸钙在10度以下),同时,抛废率相比之前上升了7.8个点,即提升了富集比。
本发明还提出一种白钨矿的分选装置,所述白钨矿的分选装置包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的白钨矿的分选程序,所述白钨矿的分选程序被所述处理器执行时实现如以上实施例所述的白钨矿的分选方法的步骤。
本发明还提出一种可读存储介质,该可读存储介质上存储有白钨矿的分选程序,所述白钨矿的分选程序被处理器执行时实现如以上任一实施例所述的白钨矿的分选方法的步骤。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,云端服务器,或者网络设备等)执行本发明各个实施例的方法。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种白钨矿的分选方法,其特征在于,所述白钨矿的分选方法包括:
采集待分选白钨矿的原矿图片;
将所述原矿图片输入到预设分选模型中,得到所述待分选白钨矿的类别,所述预设分选模型由原矿图片训练得到。
2.如权利要求1所述的白钨矿的分选方法,其特征在于,所述采集待分选白钨矿的原矿图片的步骤之后,所述白钨矿的分选方法还包括:
获取训练集中的各个原矿图片的像素值;
获取所述像素值大于第一阈值的原矿图片,并对获取的原矿图片进行增强处理以得到第一目标训练样本;
将所述第一目标训练样本输入至预设网络模型中进行训练,以得到第一分选模型,并将所述第一分选模型作为所述预设分选模型。
3.如权利要求2所述的白钨矿的分选方法,其特征在于,所述对获取的原矿图片进行增强处理的步骤包括:
若所述获取的原矿图片的像素值小于第二阈值,则对所述获取的原矿图片进行log增强,其中,所述第二阈值大于所述第一阈值;
若所述获取的原矿图片的像素值大于或等于所述第二阈值,则对所述获取的原矿图片进行线性增强。
4.如权利要求2所述的白钨矿的分选方法,其特征在于,所述将所述第一目标训练样本输入至预设网络中进行训练,以得到第一分选模型的步骤包括:
将所述第一目标训练样本输入至预设网络模型中,并按照回归方式进行训练,以得到第一分选模型。
5.如权利要求2所述的白钨矿的分选方法,其特征在于,所述获取训练集中的各个原矿图片的像素值的步骤之后还包括:
获取所述像素值小于或等于所述第一阈值的原矿图片作为第二目标训练样本;
将所述第二目标训练样本输入至所述预设网络模型中进行训练,以得到第二分选模型,并将所述第二分选模型作为所述预设分选模型。
6.如权利要求5所述的白钨矿的分选方法,其特征在于,所述将所述第二目标训练样本输入至所述预设网络中进行训练,以得到第二分选模型的步骤包括:
将所述第二目标训练样本输入至所述预设网络模型中,并按照二分类方式进行训练,以得到第二分选模型。
7.一种白钨矿的分选装置,其特征在于,所述白钨矿的分选装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的白钨矿的分选程序,所述白钨矿的分选程序被所述处理器执行时实现如权利要求1~6中任一项所述的白钨矿的分选方法的步骤。
8.一种可读存储介质,其特征在于,所述可读存储介质上存储有白钨矿的分选装置程序,所述白钨矿的分选程序被处理器执行时实现如权利要求1~6中任一项所述的白钨矿的分选方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011020692.8A CN112308114A (zh) | 2020-09-24 | 2020-09-24 | 白钨矿的分选方法、装置和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011020692.8A CN112308114A (zh) | 2020-09-24 | 2020-09-24 | 白钨矿的分选方法、装置和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112308114A true CN112308114A (zh) | 2021-02-02 |
Family
ID=74488630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011020692.8A Pending CN112308114A (zh) | 2020-09-24 | 2020-09-24 | 白钨矿的分选方法、装置和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112308114A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116468724A (zh) * | 2023-06-08 | 2023-07-21 | 四川亿欣新材料有限公司 | 一种基于光学传感技术的碳酸钙含量测试方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180253980A1 (en) * | 2017-03-03 | 2018-09-06 | Farrokh Mohamadi | Drone Terrain Surveillance with Camera and Radar Sensor Fusion for Collision Avoidance |
US10318847B1 (en) * | 2016-03-30 | 2019-06-11 | Descartes Labs, Inc. | Iterative relabeling using spectral neighborhoods |
CN109919179A (zh) * | 2019-01-23 | 2019-06-21 | 平安科技(深圳)有限公司 | 微动脉瘤自动检测方法、装置及计算机可读存储介质 |
CN110046653A (zh) * | 2019-03-22 | 2019-07-23 | 赣州好朋友科技有限公司 | 一种基于xrt射线的白钨分选方法和系统 |
CN110298806A (zh) * | 2019-07-04 | 2019-10-01 | 上海融军科技有限公司 | 红外图像增强方法和系统 |
CN110766689A (zh) * | 2019-11-06 | 2020-02-07 | 深圳微品致远信息科技有限公司 | 基于卷积神经网络进行物品图像缺陷检测的方法及装置 |
CN111461036A (zh) * | 2020-04-07 | 2020-07-28 | 武汉大学 | 一种利用背景建模增强数据的实时行人检测方法 |
CN111461213A (zh) * | 2020-03-31 | 2020-07-28 | 华中科技大学 | 一种目标检测模型的训练方法、目标快速检测方法 |
-
2020
- 2020-09-24 CN CN202011020692.8A patent/CN112308114A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10318847B1 (en) * | 2016-03-30 | 2019-06-11 | Descartes Labs, Inc. | Iterative relabeling using spectral neighborhoods |
US20180253980A1 (en) * | 2017-03-03 | 2018-09-06 | Farrokh Mohamadi | Drone Terrain Surveillance with Camera and Radar Sensor Fusion for Collision Avoidance |
CN109919179A (zh) * | 2019-01-23 | 2019-06-21 | 平安科技(深圳)有限公司 | 微动脉瘤自动检测方法、装置及计算机可读存储介质 |
CN110046653A (zh) * | 2019-03-22 | 2019-07-23 | 赣州好朋友科技有限公司 | 一种基于xrt射线的白钨分选方法和系统 |
CN110298806A (zh) * | 2019-07-04 | 2019-10-01 | 上海融军科技有限公司 | 红外图像增强方法和系统 |
CN110766689A (zh) * | 2019-11-06 | 2020-02-07 | 深圳微品致远信息科技有限公司 | 基于卷积神经网络进行物品图像缺陷检测的方法及装置 |
CN111461213A (zh) * | 2020-03-31 | 2020-07-28 | 华中科技大学 | 一种目标检测模型的训练方法、目标快速检测方法 |
CN111461036A (zh) * | 2020-04-07 | 2020-07-28 | 武汉大学 | 一种利用背景建模增强数据的实时行人检测方法 |
Non-Patent Citations (2)
Title |
---|
JUNJIE ZHANG.ET.: "NODULe:Combining Constrained Multi-Scale LoG Filters with Densely Dilated 3D Deep Convolutional Neural Network for Pulmonary Nodule Detection", 《NEUROCOMPUTING》 * |
罗仙平等: "智能分拣选矿技术的发展及其应用", 《金属矿山》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116468724A (zh) * | 2023-06-08 | 2023-07-21 | 四川亿欣新材料有限公司 | 一种基于光学传感技术的碳酸钙含量测试方法 |
CN116468724B (zh) * | 2023-06-08 | 2023-08-29 | 四川亿欣新材料有限公司 | 一种基于光学传感技术的碳酸钙含量测试方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109165301B (zh) | 视频封面选择方法、装置和计算机可读存储介质 | |
CN108304775B (zh) | 遥感图像识别方法、装置、存储介质以及电子设备 | |
CN112162930B (zh) | 一种控件识别的方法、相关装置、设备及存储介质 | |
CN106846362B (zh) | 一种目标检测跟踪方法和装置 | |
US9870420B2 (en) | Classification and storage of documents | |
CN111935479B (zh) | 一种目标图像确定方法、装置、计算机设备及存储介质 | |
US20220019834A1 (en) | Automatically predicting text in images | |
CN109961032B (zh) | 用于生成分类模型的方法和装置 | |
CN110135514B (zh) | 一种工件分类方法、装置、设备及介质 | |
US20140037203A1 (en) | Image Recognition System in a Cloud Environment | |
CN110667593B (zh) | 基于深度学习的驾驶提醒方法、装置、设备及存储介质 | |
JP7328012B2 (ja) | 電子・電気機器部品屑の組成解析方法、電子・電気機器部品屑の組成解析装置、及び電子・電気機器部品屑の処理方法 | |
CN112801132B (zh) | 一种图像处理方法和装置 | |
CN111027450A (zh) | 银行卡信息识别方法、装置、计算机设备及存储介质 | |
CN111861488A (zh) | 机器学习模型对比方法及装置 | |
CN111046283A (zh) | 特征选择方法、装置、设备及存储介质 | |
CN115424171A (zh) | 火焰和烟雾检测方法、装置和存储介质 | |
CN108052918A (zh) | 一种笔迹比对系统及方法 | |
CN113962199B (zh) | 文本识别方法、装置、设备、存储介质及程序产品 | |
CN112308114A (zh) | 白钨矿的分选方法、装置和可读存储介质 | |
CN111488939A (zh) | 模型训练方法、分类方法、装置及设备 | |
CN110751225A (zh) | 图像分类方法、装置及存储介质 | |
CN111597845A (zh) | 一种二维码检测方法、装置、设备及可读存储介质 | |
JP2013196045A (ja) | 画像処理装置、画像処理方法、制御プログラムおよび記録媒体 | |
JP7328011B2 (ja) | 電子・電気機器部品屑の組成解析方法、電子・電気機器部品屑の組成解析装置、及び電子・電気機器部品屑の処理方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210202 |
|
RJ01 | Rejection of invention patent application after publication |