CN112712134A - 一种原料颗粒分类识别方法、系统、介质及电子终端 - Google Patents
一种原料颗粒分类识别方法、系统、介质及电子终端 Download PDFInfo
- Publication number
- CN112712134A CN112712134A CN202110056355.2A CN202110056355A CN112712134A CN 112712134 A CN112712134 A CN 112712134A CN 202110056355 A CN202110056355 A CN 202110056355A CN 112712134 A CN112712134 A CN 112712134A
- Authority
- CN
- China
- Prior art keywords
- image
- size
- classification
- raw material
- images
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 96
- 239000002994 raw material Substances 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 230000011218 segmentation Effects 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims description 36
- 230000008859 change Effects 0.000 claims description 23
- 239000000571 coke Substances 0.000 claims description 19
- 239000008188 pellet Substances 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 230000014509 gene expression Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 5
- 229910000805 Pig iron Inorganic materials 0.000 description 4
- 239000008187 granular material Substances 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 238000003723 Smelting Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005453 pelletization Methods 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005245 sintering Methods 0.000 description 1
- -1 wherein 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
- G06F18/24—Classification techniques
-
- 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
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种原料颗粒分类识别方法、系统、介质及电子终端,方法包括:采集原始数据集,原始数据集包括:一个或多个原料颗粒图像;将原始数据集输入分类神经网络进行训练,获取分类识别模型,训练过程包括:对原料颗粒图像进行等尺寸分割;采集待分类图像;将待分类图像输入分类识别模型,进行图像分类,获取图像分类结果;根据图像分类结果,确定待分类图像的类别;本发明中的方法,通过将原始数据集输入分类神经网络进行训练,训练过程包括对原始数据集中的原始颗粒图像进行等尺寸分割,进而获取分类识别模型,并将待分类数据输入分类识别模型中,获取图像分类结果,进而确定待分类图像的类别,能较好地对待分类图像中的原料颗粒进行分类。
Description
技术领域
本发明涉及分类识别领域,尤其涉及一种原料颗粒分类识别方法、系统、介质及电子终端。
背景技术
焦炭、矿石、烧结矿、球团等类别的原料颗粒是高炉炼铁的重要原料,如果原料颗粒出现如原料类别错误、原料缺失等异常情况,会造成生铁产量降低、生铁质量下降、高炉寿命缩短等一系列影响,目前,在皮带机将原料颗粒送入高炉进行钢铁冶炼这一步骤中,并未对原料颗粒进行分类识别,不能保证用于高炉炼铁的原料颗粒处于正常状态,无法较好地规避原料颗粒出现异常的情况,容易造成不必要的损失。
发明内容
本发明提供一种原料颗粒分类识别方法、系统、介质及电子终端,以解决现有技术中在将原料颗粒送入高炉进行钢铁冶炼这一步骤中,并未对原料颗粒进行分类识别,无法较好地规避原料颗粒出现异常的情况,容易造成不必要的损失。
本发明提供的原料颗粒分类识别方法,包括:
采集原始数据集,所述原始数据集包括:一个或多个原料颗粒图像;
将所述原始数据集输入分类神经网络进行训练,获取分类识别模型,训练过程包括:对所述原料颗粒图像进行等尺寸分割;
采集待分类图像;
将所述待分类图像输入所述分类识别模型,进行图像分类,获取图像分类结果;
根据所述图像分类结果,确定所述待分类图像的类别。
可选的,将所述原始数据集输入分类神经网络进行训练,获取分类识别模型的步骤包括:
对所述原始数据集中的原始颗粒图像进行归一化处理,获取归一化图像;
对所述归一化图像进行等尺寸分割,获取小尺寸图像集,所述小尺寸图像集包括:一个或多个小尺寸图像;
对所述小尺寸图像进行特征提取,获取图像特征;
根据所述图像特征,对所述小尺寸图像集中的小尺寸图像进行分类,获取小尺寸分类结果;
根据所述小尺寸分类结果,对所述分类神经网络进行训练,获取分类识别模型。
可选的,对所述归一化图像进行等尺寸分割,获取小尺寸图像集的步骤包括:
根据预设的标准尺寸,判断所述归一化图像是否能被分割为整数个标准尺寸的图像;
若所述归一化图像能够被分割为整数个标准尺寸的图像,则对所述归一化图像进行顺序分割,获取所述小尺寸图像集,所述小尺寸图像集中的小尺寸图像的尺寸为所述标准尺寸;
若所述归一化图像不能被分割为整数个标准尺寸的图像,则对所述归一化图像进行尺寸变更,获取尺寸变更图像;
根据预设的标准尺寸,对所述尺寸变更图像进行顺序分割,获取小尺寸图像集。
可选的,对所述归一化图像进行尺寸变更的步骤包括:
所述归一化图像包括:第一边和第二边,所述第一边和第二边连接;
根据预设的标准尺寸m×m,分别判断所述第一边的长度和第二边的长度能否被m整除;
若所述第一边的长度不能被m整除,则对所述第一边进行尺寸变更,获取第一变更尺寸;
若所述第二边的长度不能被m整除,则对所述第二边进行尺寸变更,获取第二变更尺寸;
根据所述第一变更尺寸和/或所述第二变更尺寸,获取所述变更尺寸图像;
对所述第一边进行尺寸变更及对所述第二边进行尺寸变更的数学表达为:
hnew=(h//m+1)×m
wnew=(w//m+1)×m
其中,hnew为所述第一变更尺寸,h为所述第一边的长度,m为标准尺寸中的长度,//为向下取整,wnew为第二变更尺寸,w为所述第二边的长度。
可选的,根据所述第一变更尺寸和/或所述第二变更尺寸,获取所述变更尺寸图像的步骤包括:
根据所述第一变更尺寸和/或所述第二变更尺寸,构建中间图像,所述中间图像的像素点的值均为0;
根据所述中间图像和原始数据集中对应的原料颗粒图像的像素值,将原始数据集中对应的原料颗粒图像的像素值写入所述中间图像,获取所述变更尺寸图像。
可选的,所述图像分类结果中的类别至少包括以下之一:焦炭、矿石、烧结矿、球团、异常。
可选的,根据所述图像分类结果,确定所述待分类图像的类别的步骤包括:
根据所述图像分类结果,获取图像分类结果中的异常类别数量,所述异常类别数量为所述图像分类结果中的小尺寸图像的类别为异常的图像数量;
判断所述异常类别数量是否超出预设的阈值范围,获取第一判断结果;
根据所述第一判断结果,获取所述图像分类结果中的焦炭类别数量、矿石类别数量、烧结矿类别数量、球团类别数量;
判断所述焦炭类别数量、矿石类别数量、烧结矿类别数量、球团类别数量中的最大值,获取第二判断结果;
根据所述第二判断结果,确定所述待分类图像的类别。
本发明还提供一种原料颗粒分类识别系统,包括:
采集模块,用于采集原始数据集,所述原始数据集包括:一个或多个原料颗粒图像;
预处理模块,用于将所述原始数据集输入分类神经网络进行训练,获取分类识别模型,训练过程包括:对所述原料颗粒图像进行等尺寸分割;
处理模块,用于采集待分类图像;将所述待分类图像输入所述分类识别模型,进行图像分类,获取图像分类结果;
分类模块,用于根据所述图像分类结果,确定所述待分类图像的类别;所述采集模块、预处理模块、处理模块和分类模块连接。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述中任一项所述方法。
本发明还提供一种电子终端,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行上述中任一项所述方法。
本发明的有益效果:本发明中的原料颗粒分类识别方法,通过将原始数据集输入分类神经网络进行训练,训练过程包括对原始数据集中的原始颗粒图像进行等尺寸分割,进而获取分类识别模型,并将待分类数据输入所述分类识别模型中,获取图像分类结果,进而确定待分类图像的类别,能够较好地对待分类图像中的原料颗粒进行分类,判断出其所属的原料类别,并及时判断出原料颗粒处于异常的情况,避免造成不必要的损失。
附图说明
图1是本发明实施例中原料颗粒分类识别方法的一流程示意图;
图2是本发明实施例中原料颗粒分类识别方法的另一流程示意图;
图3是本发明实施例中原料颗粒分类识别系统的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
发明人发现,焦炭、矿石、烧结矿、球团等类别的原料颗粒是高炉炼铁的重要原料,如果原料颗粒出现如原料类别错误、原料缺失等异常情况,会造成生铁产量降低、生铁质量下降、高炉寿命缩短等一系列影响,目前,在皮带机将原料颗粒送入高炉进行钢铁冶炼这一步骤中,并未对原料颗粒进行分类识别,不能保证用于高炉炼铁的原料颗粒处于正常状态,无法较好地规避原料颗粒出现异常的情况,容易造成不必要的损失,因此,发明人提出一种原料颗粒分类识别方法、系统、介质及电子终端,通过将原始数据集输入分类神经网络进行训练,训练过程包括对原始数据集中的原始颗粒图像进行等尺寸分割,进而获取分类识别模型,并将待分类数据输入所述分类识别模型中,获取图像分类结果,进而确定待分类图像的类别,能够较好地对待分类图像中的原料颗粒进行分类识别,判断出待分类图像所属的原料类别,并及时判断出原料颗粒处于异常的情况,避免造成不必要的损失,可实施性较强,识别精确度较高。
如图1所示,本实施例中的原料颗粒分类识别方法,包括:
S1:采集原始数据集,所述原始数据集包括:一个或多个原料颗粒图像;通过采集原始数据集,为训练基于深度学习的分类神经网络提供数据基础,例如:从原料厂运送原料颗粒的皮带机采集原料颗粒图像,其中,原料颗粒的类别包括焦炭、矿石、烧结矿、球团、异常五种类别,焦炭、矿石、烧结矿、球团是不同的原料颗粒类别,其形态特征存在差异,如:焦炭是块稍大、颜色灰黑的固体,矿石是颗粒小、色泽灰白的固体,烧结矿是表面粗糙并且有蜂窝状孔洞的固体,球团是呈规则球形、颜色纯黑的固体颗粒;异常类别指的是四类原料颗粒出现异常的情况,如原料颗粒数极少或没有、原料颗粒被雨水淋湿严重、原料颗粒分类错误等,具体的异常类别识别条件可以根据实际情况设定,此处不再赘述,通过采集原始数据集,能够较好地对分类神经网络进行训练,在一些实施例中,对于原始数据集中不同类别的数量可以根据实际情况进行相应设置,例如:原始数据集中任意两种类别的数量差值小于任意一种类别的图像数量的10%,以此实现对原始数据集中各类别的原料颗粒图像的较为均匀的分布,提高训练的精确度,可实施性较强;
S2:将所述原始数据集输入分类神经网络进行训练,获取分类识别模型,训练过程包括:对所述原料颗粒图像进行等尺寸分割;通过将所述原始数据集输入分类神经网络进行训练,训练过程包括:对原料颗粒图像进行等尺寸分割,对等尺寸分割后的图像进行分类,根据分类结果,确定图像的类别,经过多次迭代训练与学习,获取分类识别模型,具有较好的原料颗粒图像的分类识别的能力,实施较方便;例如:将所述原始颗粒图像进行等尺寸分割,根据等尺寸分割后所得的小尺寸图像集对分类神经网络进行训练,其中,对分类神经网络的内部结构进行训练的步骤主要是利用小尺寸图像集中的小尺寸图像对分类神经网络进行训练,提高分类神经网络的分类精确度;
S3:采集待分类图像;例如:采集需要进行分类的原料颗粒图像作为待分类图像;
S4:将所述待分类图像输入所述分类识别模型,进行图像分类,获取图像分类结果;例如:将所述待分类图像输入所述分类识别模型,根据所述待分类图像的尺寸和预设的标准尺寸,对所述待分类图像进行等尺寸分割,对等尺寸分割后的小尺寸图像集中的小尺寸图像进行图像分类,获取图像分类结果,所述图像分类结果包括:一个或多个小尺寸图像的类别;
S5:根据所述图像分类结果,确定所述待分类图像的类别。通过对所述图像分类结果进行判断,确定待分类图像的类别,能够较好地对待分类图像进行原料颗粒分类,分类效果较好,分类结果较精确,并及时判断出原料颗粒处于异常的情况,避免造成不必要的损失,例如:根据所述图像分类结果和预设的阈值范围,判断图像分类结果中的异常类别的小尺寸图像的数量是否超出预设的阈值范围,若图像分类结果中的异常类别的小尺寸图像的数量超出预设的阈值范围,则判定该待分类图像的类别为异常,若图像分类结果中的异常类别的小尺寸图像的数量未超出预设的阈值范围,则判断所述焦炭类别数量、矿石类别数量、烧结矿类别数量、球团类别数量中的最大值,将除了异常类别以外数量最多的类别确定为该待分类图像的类别,能够较及时地判断出原料颗粒的处于异常的情况,分类精确度较高,实施较方便。
如图2所示,在一些实施例中的原料颗粒分类识别方法,包括:
S101:采集原始数据集,所述原始数据集包括:一个或多个原料颗粒图像;例如:采集一个或多个包含原料颗粒的高清图像作为原料颗粒图像,方便对原料颗粒图像进行识别分类;
S201:对所述原始数据集中的原始颗粒图像进行归一化处理,获取归一化图像;通过对原始颗粒图像进行归一化处理,能够降低后续数据的处理难度和复杂程度;
在一些实施例中,对所述原始数据集中的原始颗粒图像进行归一化处理的数学表达为:
I1=I0/255
其中,I0为归一化处理前图像中单个像素点的数值,I1为归一化处理后图像中单个像素点的数值;
S202:对所述归一化图像进行等尺寸分割,获取小尺寸图像集,所述小尺寸图像集包括:一个或多个小尺寸图像;每一个小尺寸图像均为所述归一化图像的一部分;
在一些实施例中,对所述归一化图像进行等尺寸分割,获取小尺寸图像集的步骤包括:
根据预设的标准尺寸m×m,判断所述归一化图像是否能被分割为整数个标准尺寸的图像;在一些实施例中,所述归一化图像包括:第一边和第二边,所述第一边和第二边连接,判断所述归一化图像是否能被分割为整数个标准尺寸的图像的判断条件的数学表达为:
(h×w)%(m×m)=0
其中,h为所述第一边的长度,w为所述第二边的长度,%为取余数,m为标准尺寸中的长度;
若所述归一化图像能够被分割为整数个标准尺寸的图像,则对所述归一化图像进行顺序分割,获取所述小尺寸图像集,所述小尺寸图像集中的小尺寸图像的尺寸为所述标准尺寸;
若所述归一化图像不能被分割为整数个标准尺寸的图像,则对所述归一化图像进行尺寸变更,获取尺寸变更图像;
根据预设的标准尺寸,对所述尺寸变更图像进行顺序分割,获取小尺寸图像集;
在一些实施例中,对所述归一化图像进行尺寸变更的步骤包括:
根据预设的标准尺寸m×m,分别判断所述第一边的长度和第二边的长度能否被m整除;在一些实施例中,判断所述第一边的长度和第二边的长度能否被m整除的判断条件的数学表达为:
h%m=0;W%m=0
其中,h为所述第一边的长度,w为所述第二边的长度,%为取余数,m为标准尺寸中的长度;
若所述第一边的长度不能被m整除,则对所述第一边进行尺寸变更,获取第一变更尺寸;在一些实施例中,若所述第一边的长度能被m整除,则保持第一边的长度不变;
若所述第二边的长度不能被m整除,则对所述第二边进行尺寸变更,获取第二变更尺寸;在一些实施例中,若所述第二边的长度能被m整除,则保持第二边的长度不变;
根据所述第一变更尺寸和/或所述第二变更尺寸,获取所述变更尺寸图像;即若所述第一边的长度能被m整除,则保持第一边的长度不变,同时,所述第二边的长度不能被m整除,则对所述第二边进行尺寸变更,获取第二变更尺寸,根据所述第一边的长度和所述第二变更尺寸,获取变更尺寸图像;若所述第一边的长度不能被m整除,则对所述第一边进行尺寸变更,获取第一变更尺寸,同时,所述第二边的长度能被m整除,则保持第二边的长度不变,根据第一变更尺寸和第二边的长度,获取变更尺寸图像;若所述第一边的长度不能被m整除,则对所述第一边进行尺寸变更,获取第一变更尺寸,同时,所述第二边的长度不能被m整除,则对所述第二边进行尺寸变更,获取第二变更尺寸,根据所述第一变更尺寸和第二变更尺寸,获取所述尺寸变更图像;
对所述第一边进行尺寸变更的数学表达为:
hnew=(h//m+1)×m
对所述第二边进行尺寸变更的数学表达为:
wnew=(w//m+1)×m
其中,hnew为所述第一变更尺寸,h为所述第一边的长度,m为标准尺寸中的长度,//为向下取整,wnew为第二变更尺寸,w为所述第二边的长度;
在一些实施例中,根据所述第一变更尺寸和/或所述第二变更尺寸,获取所述变更尺寸图像的步骤包括:
根据所述第一变更尺寸和/或所述第二变更尺寸,构建中间图像,所述中间图像的像素点的值均为0;例如:若所述第一边发生尺寸变更且所述第二边也发生了尺寸变更,则根据第一变更尺寸和第二变更尺寸,构建中间图像,所述中间图像的像素点的值均为0,且中间图像的相邻两边的长度分别为第一变更尺寸和第二变更尺寸;若所述第一边发生尺寸变更且第二边未发生尺寸变更,则根据第一变更尺寸和第一边的长度,构建中间图像,所述中间图像的像素点的值均为0,中间图像的相邻两边的长度分别为第一变更尺寸和第一边的长度;若所述第一边未发生尺寸变更且第二边发生尺寸变更,则根据所述第一边的长度和所述第二变更尺寸,构建中间图像,所述中间图像的像素点的值均为0,中间图像的相邻两边的长度分别为所述第一边的长度和所述第二变更尺寸;
根据所述中间图像和原始数据集中对应的原料颗粒图像的像素值,将原始数据集中对应的原料颗粒图像的像素值写入所述中间图像,获取所述变更尺寸图像;
S203:对所述小尺寸图像进行特征提取,获取图像特征;
S204:根据所述图像特征,对所述小尺寸图像集中的小尺寸图像进行分类,获取小尺寸分类结果;其中,所述小尺寸分类结果包括:一个或多个小尺寸图像的类别;在一些实施例中,所述小尺寸图像的类别至少包括以下之一:焦炭、矿石、烧结矿、球团、异常;
S205:根据所述小尺寸分类结果,对所述分类神经网络进行训练,获取分类识别模型;
S301:采集待分类图像;
S401:将所述待分类图像输入所述分类识别模型,进行图像分类,获取图像分类结果;在一些实施例中,所述图像分类结果中的类别至少包括以下之一:焦炭、矿石、烧结矿、球团、异常;
S501:根据所述图像分类结果,确定所述待分类图像的类别。
在一些实施例中,根据所述图像分类结果,确定所述待分类图像的类别的步骤包括:
根据所述图像分类结果,获取图像分类结果中的异常类别数量,所述异常类别数量为所述图像分类结果中的小尺寸图像的类别为异常的图像数量;
判断所述异常类别数量是否超出预设的阈值范围,获取第一判断结果;
根据所述第一判断结果,获取所述图像分类结果中的焦炭类别数量、矿石类别数量、烧结矿类别数量、球团类别数量;
判断所述焦炭类别数量、矿石类别数量、烧结矿类别数量、球团类别数量中的最大值,获取第二判断结果;
根据所述第二判断结果,确定所述待分类图像的类别。例如:假设图像分类结果中包括n个不同类别的小尺寸图像,则根据该n个不同类别的小尺寸图像,获取n个不同类别的小尺寸图像中的类别为异常的小尺寸图像的数量,即异常类别数量,若所述异常类别数量超出预设的阈值范围,则获取第一判断结果,即判定该待分类图像的类别为异常,若所述异常类别数量未超出预设的阈值范围,则获取所述图像分类结果中的焦炭类别数量、矿石类别数量、烧结矿类别数量、球团类别数量,即n个不同类别的小尺寸图像中的类别分别为焦炭、矿石、烧结矿、球团的小尺寸图像的数量,并判断所述焦炭类别数量、矿石类别数量、烧结矿类别数量、球团类别数量中的最大值,将数量最多的类别确定为该待分类图像的类别,分类精确度较高,能够较好地对待分类图像中的原料颗粒进行分类,判断出其所属的原料类别,并及时判断出原料颗粒处于异常的情况,避免造成不必要的损失,可实施性较强。
如图3所示,本实施例还提供一种原料颗粒分类识别系统,包括:
采集模块,用于采集原始数据集,所述原始数据集包括:一个或多个原料颗粒图像;
预处理模块,用于将所述原始数据集输入分类神经网络进行训练,获取分类识别模型,训练过程包括:尺寸分割;
处理模块,用于采集待分类图像;将所述待分类图像输入所述分类识别模型,进行图像分类,获取图像分类结果;
分类模块,用于根据所述图像分类结果,确定所述待分类图像的类别;所述采集模块、预处理模块、处理模块和分类模块依次连接;通过将原始数据集输入分类神经网络进行训练,训练过程包括对原始数据集中的原始颗粒图像进行等尺寸分割,进而获取分类识别模型,并将待分类数据输入所述分类识别模型中,获取图像分类结果,进而确定待分类图像的类别,能够较好地对待分类图像中的原料颗粒进行分类,判断出其所属的原料类别,并及时判断出原料颗粒处于异常的情况,避免造成不必要的损失。
本实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本实施例中的任一项方法。
本实施例还提供一种电子终端,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行本实施例中任一项方法。
本实施例中的计算机可读存储介质,本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例提供的电子终端,包括处理器、存储器、收发器和通信接口,存储器和通信接口与处理器和收发器连接并完成相互间的通信,存储器用于存储计算机程序,通信接口用于进行通信,处理器和收发器用于运行计算机程序,使电子终端执行如上方法的各个步骤。
在本实施例中,存储器可能包含随机存取存储器(Random Access Memory,简称RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种原料颗粒分类识别方法,其特征在于,包括:
采集原始数据集,所述原始数据集包括:一个或多个原料颗粒图像;
将所述原始数据集输入分类神经网络进行训练,获取分类识别模型,训练过程包括:对所述原料颗粒图像进行等尺寸分割;
采集待分类图像;
将所述待分类图像输入所述分类识别模型,进行图像分类,获取图像分类结果;
根据所述图像分类结果,确定所述待分类图像的类别。
2.根据权利要求1所述的原料颗粒分类识别方法,其特征在于,将所述原始数据集输入分类神经网络进行训练,获取分类识别模型的步骤包括:
对所述原始数据集中的原始颗粒图像进行归一化处理,获取归一化图像;
对所述归一化图像进行等尺寸分割,获取小尺寸图像集,所述小尺寸图像集包括:一个或多个小尺寸图像;
对所述小尺寸图像进行特征提取,获取图像特征;
根据所述图像特征,对所述小尺寸图像集中的小尺寸图像进行分类,获取小尺寸分类结果;
根据所述小尺寸分类结果,对所述分类神经网络进行训练,获取分类识别模型。
3.根据权利要求2所述的原料颗粒分类识别方法,其特征在于,对所述归一化图像进行等尺寸分割,获取小尺寸图像集的步骤包括:
根据预设的标准尺寸,判断所述归一化图像是否能被分割为整数个标准尺寸的图像;
若所述归一化图像能够被分割为整数个标准尺寸的图像,则对所述归一化图像进行顺序分割,获取所述小尺寸图像集,所述小尺寸图像集中的小尺寸图像的尺寸为所述标准尺寸;
若所述归一化图像不能被分割为整数个标准尺寸的图像,则对所述归一化图像进行尺寸变更,获取尺寸变更图像;
根据预设的标准尺寸,对所述尺寸变更图像进行顺序分割,获取小尺寸图像集。
4.根据权利要求3所述的原料颗粒分类识别方法,其特征在于,对所述归一化图像进行尺寸变更的步骤包括:
所述归一化图像包括:第一边和第二边,所述第一边和第二边连接;
根据预设的标准尺寸m×m,分别判断所述第一边的长度和第二边的长度能否被m整除;
若所述第一边的长度不能被m整除,则对所述第一边进行尺寸变更,获取第一变更尺寸;
若所述第二边的长度不能被m整除,则对所述第二边进行尺寸变更,获取第二变更尺寸;
根据所述第一变更尺寸和/或所述第二变更尺寸,获取所述变更尺寸图像;
对所述第一边进行尺寸变更及对所述第二边进行尺寸变更的数学表达为:
hnew=(h//m+1)×m
wnew=(w//m+1)×m
其中,hnew为所述第一变更尺寸,h为所述第一边的长度,m为标准尺寸中的长度,//为向下取整,wnew为第二变更尺寸,w为所述第二边的长度。
5.根据权利要求4所述的原料颗粒分类识别方法,其特征在于,根据所述第一变更尺寸和/或所述第二变更尺寸,获取所述变更尺寸图像的步骤包括:
根据所述第一变更尺寸和/或所述第二变更尺寸,构建中间图像,所述中间图像的像素点的值均为0;
根据所述中间图像和原始数据集中对应的原料颗粒图像的像素值,将原始数据集中对应的原料颗粒图像的像素值写入所述中间图像,获取所述变更尺寸图像。
6.根据权利要求1所述的原料颗粒分类识别方法,其特征在于,所述图像分类结果中的类别至少包括以下之一:焦炭、矿石、烧结矿、球团、异常。
7.根据权利要求1所述的原料颗粒分类识别方法,其特征在于,根据所述图像分类结果,确定所述待分类图像的类别的步骤包括:
根据所述图像分类结果,获取图像分类结果中的异常类别数量,所述异常类别数量为所述图像分类结果中的小尺寸图像的类别为异常的图像数量;
判断所述异常类别数量是否超出预设的阈值范围,获取第一判断结果;
根据所述第一判断结果,获取所述图像分类结果中的焦炭类别数量、矿石类别数量、烧结矿类别数量、球团类别数量;
判断所述焦炭类别数量、矿石类别数量、烧结矿类别数量、球团类别数量中的最大值,获取第二判断结果;
根据所述第二判断结果,确定所述待分类图像的类别。
8.一种原料颗粒分类识别系统,其特征在于,包括:
采集模块,用于采集原始数据集,所述原始数据集包括:一个或多个原料颗粒图像;
预处理模块,用于将所述原始数据集输入分类神经网络进行训练,获取分类识别模型,训练过程包括:尺寸分割;
处理模块,用于采集待分类图像;将所述待分类图像输入所述分类识别模型,进行图像分类,获取图像分类结果;
分类模块,用于根据所述图像分类结果,确定所述待分类图像的类别;所述采集模块、预处理模块、处理模块和分类模块连接。
9.一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如权利要求1至7中任一项所述方法。
10.一种电子终端,其特征在于,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行如权利要求1至7中任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110056355.2A CN112712134A (zh) | 2021-01-15 | 2021-01-15 | 一种原料颗粒分类识别方法、系统、介质及电子终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110056355.2A CN112712134A (zh) | 2021-01-15 | 2021-01-15 | 一种原料颗粒分类识别方法、系统、介质及电子终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112712134A true CN112712134A (zh) | 2021-04-27 |
Family
ID=75549146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110056355.2A Pending CN112712134A (zh) | 2021-01-15 | 2021-01-15 | 一种原料颗粒分类识别方法、系统、介质及电子终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112712134A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177922A (zh) * | 2021-05-06 | 2021-07-27 | 中冶赛迪重庆信息技术有限公司 | 一种原料异物识别方法、系统、介质及电子终端 |
CN113591740A (zh) * | 2021-08-04 | 2021-11-02 | 清华大学 | 基于深度学习的复杂河流环境下泥沙颗粒识别方法及装置 |
CN113592829A (zh) * | 2021-08-04 | 2021-11-02 | 清华大学 | 基于分割重组的深度学习泥沙颗粒识别方法及装置 |
CN116493290A (zh) * | 2023-06-28 | 2023-07-28 | 苏州吉玛环保科技有限公司 | 一种用于塑料颗粒生产的智能分选方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102955935A (zh) * | 2011-08-26 | 2013-03-06 | 江苏正圆信息科技有限公司 | 基于图象融合的泥沙识别的方法与系统 |
CN106097379A (zh) * | 2016-07-22 | 2016-11-09 | 宁波大学 | 一种使用自适应阈值的图像篡改检测与定位方法 |
CN108985353A (zh) * | 2018-06-27 | 2018-12-11 | 天津大学 | 基于图像端对端的空气污染程度分类方法 |
CN110136084A (zh) * | 2019-05-16 | 2019-08-16 | 哈尔滨工业大学(深圳) | 基于离散小波变换的自动clahe图像增强方法、装置、系统及存储介质 |
CN111144508A (zh) * | 2019-12-30 | 2020-05-12 | 中国矿业大学(北京) | 煤矿副井轨道运输自动控制系统与控制方法 |
CN111310756A (zh) * | 2020-01-20 | 2020-06-19 | 陕西师范大学 | 一种基于深度学习的损伤玉米颗粒检测和分类方法 |
-
2021
- 2021-01-15 CN CN202110056355.2A patent/CN112712134A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102955935A (zh) * | 2011-08-26 | 2013-03-06 | 江苏正圆信息科技有限公司 | 基于图象融合的泥沙识别的方法与系统 |
CN106097379A (zh) * | 2016-07-22 | 2016-11-09 | 宁波大学 | 一种使用自适应阈值的图像篡改检测与定位方法 |
CN108985353A (zh) * | 2018-06-27 | 2018-12-11 | 天津大学 | 基于图像端对端的空气污染程度分类方法 |
CN110136084A (zh) * | 2019-05-16 | 2019-08-16 | 哈尔滨工业大学(深圳) | 基于离散小波变换的自动clahe图像增强方法、装置、系统及存储介质 |
CN111144508A (zh) * | 2019-12-30 | 2020-05-12 | 中国矿业大学(北京) | 煤矿副井轨道运输自动控制系统与控制方法 |
CN111310756A (zh) * | 2020-01-20 | 2020-06-19 | 陕西师范大学 | 一种基于深度学习的损伤玉米颗粒检测和分类方法 |
Non-Patent Citations (1)
Title |
---|
沙爱民等: "基于卷积神经网络的路表病害识别与测量", 《中国公路学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177922A (zh) * | 2021-05-06 | 2021-07-27 | 中冶赛迪重庆信息技术有限公司 | 一种原料异物识别方法、系统、介质及电子终端 |
CN113591740A (zh) * | 2021-08-04 | 2021-11-02 | 清华大学 | 基于深度学习的复杂河流环境下泥沙颗粒识别方法及装置 |
CN113592829A (zh) * | 2021-08-04 | 2021-11-02 | 清华大学 | 基于分割重组的深度学习泥沙颗粒识别方法及装置 |
CN113591740B (zh) * | 2021-08-04 | 2024-05-14 | 清华大学 | 基于深度学习的复杂河流环境下泥沙颗粒识别方法及装置 |
CN113592829B (zh) * | 2021-08-04 | 2024-05-17 | 清华大学 | 基于分割重组的深度学习泥沙颗粒识别方法及装置 |
CN116493290A (zh) * | 2023-06-28 | 2023-07-28 | 苏州吉玛环保科技有限公司 | 一种用于塑料颗粒生产的智能分选方法及系统 |
CN116493290B (zh) * | 2023-06-28 | 2023-09-05 | 苏州吉玛环保科技有限公司 | 一种用于塑料颗粒生产的智能分选方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112712134A (zh) | 一种原料颗粒分类识别方法、系统、介质及电子终端 | |
CN110852395B (zh) | 一种基于自主学习和深度学习的矿石粒度检测方法和系统 | |
JP6151763B2 (ja) | 再帰的な区分化を用いた文書画像についての単語区分化 | |
US20180053091A1 (en) | System and method for model compression of neural networks for use in embedded platforms | |
CN110378313B (zh) | 细胞团识别方法、装置及电子设备 | |
CN109993221B (zh) | 一种图像分类方法及装置 | |
WO2011044058A2 (en) | Detecting near duplicate images | |
CN111460927A (zh) | 对房产证图像进行结构化信息提取的方法 | |
CN112016574B (zh) | 一种基于特征融合的图像分类方法 | |
CN108921172B (zh) | 基于支持向量机的图像处理装置及方法 | |
CN116309577B (zh) | 一种高强传送带物料智能检测方法及系统 | |
CN112597904A (zh) | 一种用于高炉料面图像的识别与分类方法 | |
CN111931817A (zh) | 一种球团矿矿相识别方法和装置 | |
Chidester et al. | Discriminative bag-of-cells for imaging-genomics | |
Luan et al. | Sunflower seed sorting based on convolutional neural network | |
Xu et al. | Multiple guidance network for industrial product surface inspection with one labeled target sample | |
CN114581928A (zh) | 一种表格识别方法及系统 | |
CN112037174A (zh) | 染色体异常检测方法、装置、设备及计算机可读存储介质 | |
Julca-Aguilar et al. | Text/non-text classification of connected components in document images | |
CN108460772B (zh) | 基于卷积神经网络的广告骚扰传真图像检测系统及方法 | |
CN116721079A (zh) | 一种硅片表面缺陷的机器视觉识别方法、装置及介质 | |
Pratama et al. | Big cats classification based on body covering | |
CN114170589A (zh) | 一种基于nas的岩石岩性识别方法、终端设备及存储介质 | |
CN114463574A (zh) | 一种遥感图像的场景分类方法及装置 | |
CN113361635A (zh) | 基于表示预测的小样本类增量学习方法 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 401329 No. 5-6, building 2, No. 66, Nongke Avenue, Baishiyi Town, Jiulongpo District, Chongqing Applicant after: MCC CCID information technology (Chongqing) Co.,Ltd. Address before: 20-24 / F, No.7 Longjing Road, North New District, Yubei District, Chongqing Applicant before: CISDI CHONGQING INFORMATION TECHNOLOGY Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210427 |