CN112560941A - 基于图像检测的煤矸识别方法 - Google Patents
基于图像检测的煤矸识别方法 Download PDFInfo
- Publication number
- CN112560941A CN112560941A CN202011468232.1A CN202011468232A CN112560941A CN 112560941 A CN112560941 A CN 112560941A CN 202011468232 A CN202011468232 A CN 202011468232A CN 112560941 A CN112560941 A CN 112560941A
- Authority
- CN
- China
- Prior art keywords
- coal
- gangue
- neural network
- convolutional neural
- image
- 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 107
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 46
- 239000004575 stone Substances 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 239000004484 Briquette Substances 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000003190 augmentative effect Effects 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 abstract description 17
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000003818 cinder Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供的一种基于图像检测的煤矸识别方法,包括:将煤矸图像的训练样本输入到卷积神经网络中对卷积神经网络进行训练;采集实时煤矸图像,将实时煤矸图像输入到经过训练的卷积神经网络进行识别,输出识别结果;将识别结果进行背景识别处理,识别出煤块,通过上述方法,能够对传输带裂纹进行准确鉴别,提出传输带裂纹对识别结果的影响,有效提高最终识别精度,另一方面,对图像识别算法进行改进,提升算法模型的泛化能力,进一步提升检测的精确度。
Description
技术领域
本发明涉及一种识别方法,尤其涉及一种基于图像检测的煤矸识别方法。
背景技术
在煤矿生产中需要对煤块进行分拣,即从采集的矿石中分拣出煤炭,去除石块、煤矸等,因此,在分拣之前,如何准确识别出煤块是一个极为重要的前提,现有技术中,对于煤块的识别往往基于图像检测的方式,但是现有的基于图像的煤块识别存在如下缺陷:现有的识别方法误识别严重,从而准确性低,这是由于在识别过程中往往受到外界的干扰,比如传输带的影响,即将传输带的裂纹等识别为煤块的边界,从而将煤块裂纹所包含的区域识别为煤块,另一方面,现有的识别方法自身缺陷导致识别准确性低。
因此,为了解决上述技术问题,亟需提出一种新的技术手段。
发明内容
有鉴于此,本发明的目的是提供一种基于图像检测的煤矸识别方法,能够对传输带裂纹进行准确鉴别,提出传输带裂纹对识别结果的影响,有效提高最终识别精度,另一方面,对图像识别算法进行改进,提升算法模型的泛化能力,进一步提升检测的精确度。
本发明提供的一种基于图像检测的煤矸识别方法,包括:
将煤矸图像的训练样本输入到卷积神经网络中对卷积神经网络进行训练;
采集实时煤矸图像,将实时煤矸图像输入到经过训练的卷积神经网络进行识别,输出识别结果;
将识别结果进行背景识别处理,识别出煤块。
进一步,在煤矸图像的训练样本输入到卷积神经网络之前对训练样本进行预处理,包括:
对训练样本图像进行处理,提取出煤矸边界框;
对煤矸边界框进行分类标记,其中边界框分类包括:特征明显煤块、特征不明显煤块、特征明显石块、特征不明显石块以及煤矸石。
进一步,对卷积神经网络进行训练前对卷积神经网络进行预处理,包括:
构建卷积神经网络的激活函数:
Mish=x*tanh(ln(1+ex));其中,Mish为函数输出值,x为卷积神经网络的神经元输入参数;
设置卷积神经网络的YOLOv5网络结构:
将卷积神经网络中的CSPDarknet53结构设定为两个预测分支,其中一个预测分支特征为38*38*N,另一预测分支为19*19*N,其中,N为设定值;
扩大卷积神经网络的卷积核数量为初始卷积核数量的1.2-1.8倍。
进一步,卷积神经网络在训练过程中还包括:
对训练样本图像进行水平翻转、裁剪、几何变换以及马赛克操作。
进一步,在采集煤矸图像时,对相邻两帧图像采集时间间隔满足:0<t<h1/v,其中,t为相邻两帧图像采集时间间隔,h1为图像检测区域的高度,v为输送煤块的传输带的速度。
进一步,将识别结果进行背景识别处理具体包括:
获取训练样本图像中煤块边界框的深度信息;
基于煤块边界框的深度信息进行统计处理,得到深度阈值范围(K1,K2);
对识别结果的煤块边界框进行二值化处理:
将煤块边界框经过二值化处理后的图像进行边界轮廓提取,判断边界轮廓最小外接矩形面积是否大于设定阈值,如是,则表明当前煤炭边界框的图像为对应的实物为煤炭。
本发明的有益效果:通过本发明,能够对传输带裂纹进行准确鉴别,提出传输带裂纹对识别结果的影响,有效提高最终识别精度,另一方面,对图像识别算法进行改进,提升算法模型的泛化能力,进一步提升检测的精确度。
附图说明
下面结合附图和实施例对本发明作进一步描述:
图1为本发明的流程图。
图2为本发明的背景识别示意图。
图3为边界框的示意图。
具体实施方式
以下对本发明做出进一步向详细说明:
本发明提供的一种基于图像检测的煤矸识别方法,包括:
将煤矸图像的训练样本输入到卷积神经网络中对卷积神经网络进行训练;
采集实时煤矸图像,将实时煤矸图像输入到经过训练的卷积神经网络进行识别,输出识别结果;其中,在采集实时煤矸图像时,采用现有的深度相机采集;
将识别结果进行背景识别处理,识别出煤块,通过上述方法,能够对传输带裂纹进行准确鉴别,提出传输带裂纹对识别结果的影响,有效提高最终识别精度,另一方面,对图像识别算法进行改进,提升算法模型的泛化能力,进一步提升检测的精确度。
本实施例中,在煤矸图像的训练样本输入到卷积神经网络之前对训练样本进行预处理,包括:
对训练样本图像进行处理,提取出煤矸边界框;其中,煤矸边界框是基于煤流图像进行提取,煤矸边界框为图像中包含煤块或者煤矸石或者石块的图像的最小矩形框,如图3所示,图3中为一帧图像,不规则形状表示煤块、煤矸石或者石块等,虚线矩形框为煤矸边界框,从图3中可以看出:煤矸边界框为包含煤块、石块等图像边界的最小矩形框;
对煤矸边界框进行分类标记,其中边界框分类包括:特征明显煤块、特征不明显煤块、特征明显石块、特征不明显石块以及煤矸石,通过上述方法,用于对卷积神经网络进行训练,使卷积神经网络学习各个类别的特征,便于后续识别。
本实施例中,对卷积神经网络进行训练前对卷积神经网络进行预处理,包括:
构建卷积神经网络的激活函数:
Mish=x*tanh(ln(1+ex));其中,Mish为函数输出值,x为卷积神经网络的神经元输入参数;其中,卷积神经网络的损失函数:
Loss=objLoss+classLoss+bboxLoss,其中,objLoss为煤矸边界框图像的损失,classLoss为煤矸边界框图像的类别损失,bboxLoss为煤矸边界框图像的边框损失,其中,bboxLoss采用CIoU算法进行计算;通过上述的激活函数和损失函数,有效解决了煤矸边界框图像的边界饱和问题,而且具有良好的梯度流向负区间,函数图像更加平滑,并且使得整个卷积神经网络具有更强的泛化能力和更精确检测结果;
设置卷积神经网络的YOLOv5网络结构:
将卷积神经网络中的CSPDarknet53结构设定为两个预测分支,其中一个预测分支特征为38*38*N,另一预测分支为19*19*N,其中,N为设定值,根据实际需要设定,在该步骤中,能够提升卷积神经网络对于不同尺寸规格的煤矸目标的识别能力;
扩大卷积神经网络的卷积核数量为初始卷积核数量的1.2-1.8倍,在该步骤下,能够有效提升卷积神经网络的识别准确率,准确率提升能够达到1.8%。
本实施例中,卷积神经网络在训练过程中还包括:
对训练样本图像进行水平翻转、裁剪、几何变换以及马赛克操作,通过上述方法,能够有效提升卷积神经网络训练时的数据集大小,从不同维度对卷积神经网络进行训练,增强卷积神经网络的泛化能力。
本实施例中,在采集煤矸图像时,对相邻两帧图像采集时间间隔满足:0<t<h1/v,其中,t为相邻两帧图像采集时间间隔,h1为图像检测区域的高度,v为输送煤块的传输带的速度,通过该方法,能够有效避免在图像采集过程中出现漏采集的情况,从而防止后续煤块分拣出现漏检。
本实施例中,在实际中,煤矸、煤块等的传输通过传输带实现,并且在传输带上实现煤炭分拣,因此,所采集的图像也是通过包括煤块、煤矸石、石块以及传输带的表面,而传输带在使用中往往出现裂纹,而这些裂纹为重要的干扰之一,在图像边界提取时,往往存在将传输带的裂纹当做煤块的边界进行提取,从而造成识别结果极为不准确,因此需要对识别结果的进行背景识别处理。
将识别结果进行背景识别处理具体包括:
获取训练样本图像中煤块边界框的深度信息;
基于煤块边界框的深度信息进行统计处理,得到深度阈值范围(K1,K2),该步骤中,采用现有的聚类算法实现;如图2所示,从图2中可以看出,煤块图像深度的波峰出现在传输带(或称为皮带)之前;
对识别结果的煤块边界框进行二值化处理:
将煤块边界框经过二值化处理后的图像进行边界轮廓提取,判断边界轮廓最小外接矩形面积是否大于设定阈值,该设定阈值根据实际传输带的状态进行设定,如是,则表明当前煤炭边界框的图像为对应的实物为煤炭,如否,则表明将传输带上的裂纹所包含的破旧区域误判断为煤块;通过上述方法,能够准确剔除传输带为背景的干扰,有效提升煤炭识别的准确性。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种基于图像检测的煤矸识别方法,其特征在于:包括:
将煤矸图像的训练样本输入到卷积神经网络中对卷积神经网络进行训练;
采集实时煤矸图像,将实时煤矸图像输入到经过训练的卷积神经网络进行识别,输出识别结果;
将识别结果进行背景识别处理,识别出煤块。
2.根据权利要求1所述基于图像检测的煤矸识别方法,其特征在于:在煤矸图像的训练样本输入到卷积神经网络之前对训练样本进行预处理,包括:
对训练样本图像进行处理,提取出煤矸边界框;
对煤矸边界框进行分类标记,其中边界框分类包括:特征明显煤块、特征不明显煤块、特征明显石块、特征不明显石块以及煤矸石。
3.根据权利要求1所述基于图像检测的煤矸识别方法,其特征在于:对卷积神经网络进行训练前对卷积神经网络进行预处理,包括:
构建卷积神经网络的激活函数:
Mish=x*tanh(ln(1+ex));其中,Mish为函数输出值,x为卷积神经网络的神经元输入参数;
设置卷积神经网络的YOLOv5网络结构:
将卷积神经网络中的CSPDarknet53结构设定为两个预测分支,其中一个预测分支特征为38*38*N,另一预测分支为19*19*N,其中,N为设定值;
扩大卷积神经网络的卷积核数量为初始卷积核数量的1.2-1.8倍。
4.根据权利要求1所述基于图像检测的煤矸识别方法,其特征在于:卷积神经网络在训练过程中还包括:
对训练样本图像进行水平翻转、裁剪、几何变换以及马赛克操作。
5.根据权利要求1所述基于图像检测的煤矸识别方法,其特征在于:在采集煤矸图像时,对相邻两帧图像采集时间间隔满足:0<t<h1/v,其中,t为相邻两帧图像采集时间间隔,h1为图像检测区域的高度,v为输送煤块的传输带的速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011468232.1A CN112560941A (zh) | 2020-12-14 | 2020-12-14 | 基于图像检测的煤矸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011468232.1A CN112560941A (zh) | 2020-12-14 | 2020-12-14 | 基于图像检测的煤矸识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112560941A true CN112560941A (zh) | 2021-03-26 |
Family
ID=75064619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011468232.1A Pending CN112560941A (zh) | 2020-12-14 | 2020-12-14 | 基于图像检测的煤矸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112560941A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283391A (zh) * | 2021-06-28 | 2021-08-20 | 西安科技大学 | 一种综放开采放落过程复杂工况煤矸识别方法 |
CN113421222A (zh) * | 2021-05-21 | 2021-09-21 | 西安科技大学 | 一种轻量化煤矸目标检测方法 |
CN113435542A (zh) * | 2021-07-22 | 2021-09-24 | 安徽理工大学 | 一种基于深度学习的煤矸实时检测方法 |
CN113591689A (zh) * | 2021-07-29 | 2021-11-02 | 安徽理工大学 | 一种煤和矸石rgb图像识别方法及其系统 |
CN115527154A (zh) * | 2022-10-21 | 2022-12-27 | 西安科技大学 | 基于煤矸动态化识别的顶煤放煤口精准闭合控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135468A (zh) * | 2019-04-24 | 2019-08-16 | 中国矿业大学(北京) | 一种煤矸石的识别方法 |
CN111814673A (zh) * | 2020-07-08 | 2020-10-23 | 重庆农村商业银行股份有限公司 | 一种修正文本检测边界框的方法、装置、设备及存储介质 |
CN111860689A (zh) * | 2020-07-31 | 2020-10-30 | 中国矿业大学 | 一种基于相位一致性和轻量卷积神经网络的煤矸识别方法 |
-
2020
- 2020-12-14 CN CN202011468232.1A patent/CN112560941A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135468A (zh) * | 2019-04-24 | 2019-08-16 | 中国矿业大学(北京) | 一种煤矸石的识别方法 |
CN111814673A (zh) * | 2020-07-08 | 2020-10-23 | 重庆农村商业银行股份有限公司 | 一种修正文本检测边界框的方法、装置、设备及存储介质 |
CN111860689A (zh) * | 2020-07-31 | 2020-10-30 | 中国矿业大学 | 一种基于相位一致性和轻量卷积神经网络的煤矸识别方法 |
Non-Patent Citations (1)
Title |
---|
刘 凯: ""基于分数阶微积分的煤矸图像边界标记识别研究 "", 《中国博士学位论文全文数据库工程科技Ⅰ辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113421222A (zh) * | 2021-05-21 | 2021-09-21 | 西安科技大学 | 一种轻量化煤矸目标检测方法 |
CN113283391A (zh) * | 2021-06-28 | 2021-08-20 | 西安科技大学 | 一种综放开采放落过程复杂工况煤矸识别方法 |
CN113435542A (zh) * | 2021-07-22 | 2021-09-24 | 安徽理工大学 | 一种基于深度学习的煤矸实时检测方法 |
CN113591689A (zh) * | 2021-07-29 | 2021-11-02 | 安徽理工大学 | 一种煤和矸石rgb图像识别方法及其系统 |
CN115527154A (zh) * | 2022-10-21 | 2022-12-27 | 西安科技大学 | 基于煤矸动态化识别的顶煤放煤口精准闭合控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112560941A (zh) | 基于图像检测的煤矸识别方法 | |
CN109961049B (zh) | 一种复杂场景下香烟品牌识别方法 | |
CN111862064B (zh) | 一种基于深度学习的银质丝材表面瑕疵识别方法 | |
CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN106651872B (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
CN109377485B (zh) | 一种方便面包装缺陷机器视觉检测方法 | |
CN107392232B (zh) | 一种浮选工况分类方法和系统 | |
CN105388162B (zh) | 基于机器视觉的原料硅片表面划痕检测方法 | |
CN108985170A (zh) | 基于三帧差分法及深度学习的输电线路悬挂物识别方法 | |
CN109087286A (zh) | 一种基于计算机图像处理和模式识别的检测方法及应用 | |
CN114972356B (zh) | 塑料制品表面缺陷检测识别方法及系统 | |
CN110349125A (zh) | 一种基于机器视觉的led芯片外观缺陷检测方法及系统 | |
CN111368825A (zh) | 一种基于语义分割的指针定位方法 | |
CN113222938A (zh) | 芯片缺陷检测方法及系统与计算机可读存储介质 | |
CN108020554A (zh) | 一种带钢表面缺陷识别检测方法 | |
CN112907561A (zh) | 一种基于深度学习的笔记本外观瑕疵检测方法 | |
CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
CN114627116B (zh) | 一种基于人工智能的织物疵点识别方法及系统 | |
CN111612747A (zh) | 产品表面裂缝快速检测方法及检测系统 | |
CN114549493A (zh) | 一种基于深度学习的磁芯缺陷检测系统及方法 | |
CN113870202A (zh) | 一种基于深度学习技术的远端芯片缺陷检测系统 | |
CN115731493A (zh) | 基于视频图像识别的降水微物理特征参量提取与分析方法 | |
CN111178405A (zh) | 一种融合多种神经网络的相似物体识别方法 | |
CN106900601A (zh) | 一种快速精准识别对虾图像虾头点与虾尾点的方法 | |
CN108205678A (zh) | 一种含有亮斑干扰的铭牌文字识别处理方法 |
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: 20210326 |
|
RJ01 | Rejection of invention patent application after publication |