CN112818952A - 煤岩分界线的识别方法、装置及电子设备 - Google Patents
煤岩分界线的识别方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112818952A CN112818952A CN202110267457.9A CN202110267457A CN112818952A CN 112818952 A CN112818952 A CN 112818952A CN 202110267457 A CN202110267457 A CN 202110267457A CN 112818952 A CN112818952 A CN 112818952A
- Authority
- CN
- China
- Prior art keywords
- image
- processing
- coal
- coal rock
- classification
- 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.)
- Granted
Links
- 239000003245 coal Substances 0.000 title claims abstract description 291
- 239000011435 rock Substances 0.000 title claims abstract description 288
- 238000000034 method Methods 0.000 title claims abstract description 137
- 238000012545 processing Methods 0.000 claims abstract description 241
- 238000013145 classification model Methods 0.000 claims abstract description 109
- 239000011159 matrix material Substances 0.000 claims description 49
- 238000004422 calculation algorithm Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 27
- 238000005065 mining Methods 0.000 claims description 24
- 230000005641 tunneling Effects 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 238000005260 corrosion Methods 0.000 claims description 19
- 230000007797 corrosion Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 18
- 238000012706 support-vector machine Methods 0.000 claims description 11
- 238000009825 accumulation Methods 0.000 claims description 9
- 238000007476 Maximum Likelihood Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000009412 basement excavation Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 17
- 230000000877 morphologic effect Effects 0.000 description 11
- 238000011160 research Methods 0.000 description 8
- 238000007635 classification algorithm Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000003064 k means clustering Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000003628 erosive effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 238000004873 anchoring Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
- G06V20/38—Outdoor scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种煤岩分界线的识别方法、装置及电子设备,本申请实施例中,煤岩分界线的识别装置获取工作面与顶板相交部分的ROI图像;对该图像进行截断线性拉伸处理,得到拉伸处理后图像,然后基于训练后的目标煤岩分类模型,将拉伸处理后图像中的像素进行煤岩分类,得到煤岩分类结果图像;采用加权平均法对煤岩分类结果图像进行灰度化处理,得到煤岩分类结果图像对应的灰度图像;采用阈值法对灰度图像进行二值化处理,得到二值化图像;再对二值化图像进数学形态学的闭运算处理和开运算处理,数学形态学处理后图像;最后对数学形态学处理后图像进行边界跟踪处理,识别得到目标矿井的煤岩分界线。本方案可以对煤岩分界线进行精准识别。
Description
技术领域
本申请涉及图像处理技术领域,具体涉及一种煤岩分界线的识别方法、装置及电子设备。
背景技术
煤岩识别技术是实现煤矿智能开采和巷道自动化智能掘进的一大关键技术,主要目的是对煤-岩分界线精准识别,进而确保采煤机/掘进机沿着煤-岩分界面跟顶或者跟底截割。
人工采煤/掘进或当前机械化采煤/掘进可以通过肉眼近距离识别煤-岩分界面,但对于智能开采/掘进甚至未来无人开采/掘进,必须进行自动化的煤岩识别。
由于煤岩识别难度大,采用传统接触式和非接触式识别方法实施时均会遇到不同程度的问题。近年来,基于图像的煤岩识别方法成为研究的热点,是最直观的一种识别方法。但目前图像识别同样只能对图片中的目标进行分类,并不能实际指导截割滚筒的高度调整。随着人工智能的兴起,有学者将深度学习目标检测算法用于煤岩识别,该方法可以表示煤岩的位置,但不论何种形状的目标都只能用矩形框框出来,识别精度也有待进一步提高。
而基于数字图像处理技术的研究比较少,即便有学者通过边缘检测和滤波等方式提高边缘提取的效果,但同时也提取到了很多煤岩内部的边缘,不利于指导截割滚筒高度调整,因此,迫切需要一种煤岩界面自动化智能化精准识别方法,利用该方法精准指导采煤机/掘进机截割滚筒的截割高度调整。
发明内容
本申请实施例提供一种煤岩分界线的识别方法、装置及电子设备,可以对煤岩分界线进行精准识别。
第一方面,本申请实施例提供了一种煤岩分界线的识别方法,包括:
获取目标矿井中工作面与顶板相交部分的ROI图像,所述工作面为采煤工作面或巷道掘进工作面;
对所述ROI图像进行截断线性拉伸处理,得到截断线性拉伸处理后图像,所述截断线性拉伸处理包括:取所述ROI图像对应的直方图累积在前n%和后n%处对应的像素值为最小值和最大值,将位于前n%和后n%之间的像素值按照像素值处理公式映射到0~255范围内,所述像素值处理公式为:
所述y为输出图像的像素值,所述x为输入图像的像素值,所述smin为输入图像像素值的最小值,所述smax为输入图像像素值的最大值,所述dmin为输出图像像素值的最小值,所述dmax为输出图像像素值的最大值;
基于训练后的目标煤岩分类模型,将所述截断线性拉伸处理后图像中的像素进行煤岩分类,得到煤岩分类结果图像,所述煤岩分类结果图像包括煤像素以及岩像素;
采用加权平均法对所述煤岩分类结果图像进行灰度化处理,得到所述煤岩分类结果图像对应的灰度图像;
采用阈值法对所述灰度图像进行二值化处理,得到二值化图像,所述二值化处理包括:将所述灰度图中灰度值大于灰度阈值的像素赋值为1,将所述灰度图中灰度值小于所述灰度阈值的像素赋值为0;
对所述二值化图像进数学形态学的闭运算处理和开运算处理,得到数学形态学处理后图像;
对所述数学形态学处理后图像进行边界跟踪处理,得到所述目标矿井的煤岩分界线。
在一些实施例中,所述对所述数学形态学处理后图像进行边界跟踪处理,得到所述目标矿井的煤岩分界线之后,所述方法还包括:
根据所述煤岩分界线调节采煤机以及掘进机截割滚筒的高度。
在一些实施例中,所述基于训练后的目标煤岩分类模型,将所述截断线性拉伸处理后图像中的像素进行煤岩分类,得到煤岩分类结果图像之前,所述方法还包括:
从截断线性拉伸处理后图像中选择训练样本,所述训练样本包括煤样本以及岩样本;
基于所述训练样本对预设的多个煤岩分类模型进行训练,得到训练后的多个煤岩分类模型,所述多个煤岩分类模型包括最大似然法分类模型、K均值聚类算法分类模型、支持向量机分类模型和BP人工神经网络分类模型;
通过混淆矩阵评价所述训练后的多个煤岩分类模型中每个分类模型的分类性能;
将分类性能最高的分类模型确定为所述目标煤岩分类模型。
在一些实施例中,所述通过混淆矩阵评价所述训练后的多个煤岩分类模型中每个分类模型的分类性能,包括:
根据对应的混淆矩阵分别计算所述训练后的多个煤岩分类模型中每个煤岩分类模型的总体分类精度和Kappa系数;
根据所述总体分类精度和所述Kappa系数评价每个分类模型的分类性能。
在一些实施例中,所述根据对应的混淆矩阵分别计算所述训练后的多个煤岩分类模型中每个煤岩分类模型的总体分类精度和Kappa系数,包括:
基于对应的混淆矩阵,根据总体分类精度公式确定所述总体分类精度,所述总体分类精度公式为:
所述OveralAccuracy为总体分类精度,所述N为样本总数,所述m为目标类型数量,所述pii表示被正确分类的样本数,所述i为样本行列数;
基于对应的混淆矩阵,根据Kappa系数确定公式确定所述Kappa系数,所述Kappa系数确定公式为:
所述pi+表示第i行的样本数量之和,所述p+i表示第i列样本数量之和。
在一些实施例中,所述采用加权平均法对所述煤岩分类结果图像进行灰度化处理,得到所述煤岩分类结果图像对应的灰度图像,包括:
采用加权平均法,根据灰度化公式对所述煤岩分类结果图像进行灰度化处理,得到所述煤岩分类结果图像对应的灰度图像,所述灰度化公式为:
Gray(i,j)=0.299R(i,j)+0.578G(i,j)+0.114B(i,j);
所述R、所述G以及所述B分别为所述煤岩分类结果图像的三个通道,所述(i,j)表示像素点。
在一些实施例中,所述采用阈值法对所述灰度图像进行二值化处理,得到二值化图像,之前,所述方法还包括:
采用最大类间方差法确定所述灰度阈值。
在一些实施例中,所述对所述二值化图像进数学形态学的闭运算处理和开运算处理,得到数学形态学处理后图像,包括:
对所述二值化图像进行膨胀处理,再进行腐蚀处理,得到闭运算后图像;
对所述闭运算后图像进行腐蚀处理,再进行膨胀处理,得到所述数学形态学处理后图像。
第二方面,本申请实施例还提供了一种煤岩分界线的识别装置,包括:
获取单元,用于获取目标矿井中工作面与顶板相交部分的ROI图像,所述工作面为采煤工作面或巷道掘进工作面;
处理单元,用于对所述ROI图像进行截断线性拉伸处理,得到截断线性拉伸处理后图像,所述截断线性拉伸处理包括:取所述ROI图像对应的直方图累积在前n%和后n%处对应的像素值为最小值和最大值,将位于前n%和后n%之间的像素值按照像素值处理公式映射到0~255范围内,所述像素值处理公式为:
所述y为输出图像的像素值,所述x为输入图像的像素值,所述smin为输入图像像素值的最小值,所述smax为输入图像像素值的最大值,所述dmin为输出图像像素值的最小值,所述dmax为输出图像像素值的最大值;
所述处理单元,还用于基于训练后的目标煤岩分类模型,将所述截断线性拉伸处理后图像中的像素进行煤岩分类,得到煤岩分类结果图像,所述煤岩分类结果图像包括煤像素以及岩像素;
所述处理单元,还用于采用加权平均法对所述煤岩分类结果图像进行灰度化处理,得到所述煤岩分类结果图像对应的灰度图像;
所述处理单元,还用于采用阈值法对所述灰度图像进行二值化处理,得到二值化图像,所述二值化处理包括:将所述灰度图中灰度值大于灰度阈值的像素赋值为1,将所述灰度图中灰度值小于所述灰度阈值的像素赋值为0;
所述处理单元,还用于对所述二值化图像进数学形态学的闭运算处理和开运算处理,得到数学形态学处理后图像;
所述处理单元,还用于对所述数学形态学处理后图像进行边界跟踪处理,得到所述目标矿井的煤岩分界线。
在一些实施方式中,所述处理单元,还用于:
根据所述煤岩分界线调节采煤机以及掘进机截割滚筒的高度。
在一些实施方式中,所述处理单元,还用于:
从截断线性拉伸处理后图像中选择训练样本,所述训练样本包括煤样本以及岩样本;
基于所述训练样本对预设的多个煤岩分类模型进行训练,得到训练后的多个煤岩分类模型,所述多个煤岩分类模型包括最大似然法分类模型、K均值聚类算法分类模型、支持向量机分类模型和BP人工神经网络分类模型;
通过混淆矩阵评价所述训练后的多个煤岩分类模型中每个分类模型的分类性能;
将分类性能最高的分类模型确定为所述目标煤岩分类模型。
在一些实施方式中,所述处理单元,还用于:
根据对应的混淆矩阵分别计算所述训练后的多个煤岩分类模型中每个煤岩分类模型的总体分类精度和Kappa系数;
根据所述总体分类精度和所述Kappa系数评价每个分类模型的分类性能。
在一些实施方式中,所述处理单元,具体还用于:
基于对应的混淆矩阵,根据总体分类精度公式确定所述总体分类精度,所述总体分类精度公式为:
所述OveralAccuracy为总体分类精度,所述N为样本总数,所述m为目标类型数量,所述pii表示被正确分类的样本数,所述i为样本行列数;
基于对应的混淆矩阵,根据Kappa系数确定公式确定所述Kappa系数,所述Kappa系数确定公式为:
所述pi+表示第i行的样本数量之和,所述p+i表示第i列样本数量之和。
在一些实施方式中,所述处理单元,具体还用于:
采用加权平均法,根据灰度化公式对所述煤岩分类结果图像进行灰度化处理,得到所述煤岩分类结果图像对应的灰度图像,所述灰度化公式为:
Gray(i,j)=0.299R(i,j)+0.578G(i,j)+0.114B(i,j);
所述R、所述G以及所述B分别为所述煤岩分类结果图像的三个通道,所述(i,j)表示像素点。
在一些实施方式中,所述处理单元,还用于:
采用最大类间方差法确定所述灰度阈值。
在一些实施方式中,所述处理单元,具体还用于:
对所述二值化图像进行膨胀处理,再进行腐蚀处理,得到闭运算后图像;
对所述闭运算后图像进行腐蚀处理,再进行膨胀处理,得到所述数学形态学处理后图像。
第三方面,本申请实施例还提供了一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时执行本申请实施例提供的任一种煤岩分界线的识别方法中的步骤。
第四方面,本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有多条指令,所述指令适于处理器进行加载,以执行本申请实施例提供的任一种煤岩分界线的识别方法中的步骤。
本申请实施例,煤岩分界线的识别装置获取目标矿井中工作面与顶板相交部分的ROI图像,工作面为采煤工作面或巷道掘进工作面;对ROI图像进行截断线性拉伸处理,得到截断线性拉伸处理后图像,然后基于训练后的目标煤岩分类模型,将截断线性拉伸处理后图像中的像素进行煤岩分类,得到煤岩分类结果图像,煤岩分类结果图像包括煤像素以及岩像素;采用加权平均法对煤岩分类结果图像进行灰度化处理,得到煤岩分类结果图像对应的灰度图像;采用阈值法对灰度图像进行二值化处理,得到二值化图像;再对二值化图像进数学形态学的闭运算处理和开运算处理,得到数学形态学处理后图像;最后对数学形态学处理后图像进行边界跟踪处理,得到目标矿井的煤岩分界线。本方案可以对煤岩分界线进行精准识别。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的煤岩分界线的识别方法的一个流程示意图;
图2是本申请实施例中边界跟踪处理的一个示意图;
图3是本申请实施例提供的煤岩分界线的识别方法的另一个流程示意图;
图4是本申请实施例提供的一个煤岩界面示意图;
图5是本申请实施例提供的一个截断线性拉伸处理的煤岩界面示意图;
图6是本申请实施例提供的一个分类效果图;
图7是本申请实施例提供的一个神经网络训练误差曲线;
图8是本申请实施例提供的一个煤岩界面示意图;
图9是本申请实施例提供的另一个煤岩界面示意图;
图10是本申请实施例提供的一个煤岩界面对比示意图;
图11是本申请实施例提供的煤岩分界线的识别装置的一个模块结构示意图;
图12为本发明实施例提供的煤岩分界线的识别装置的一个硬件结构示意图;
图13为本发明实施例提供的电子设备的一个实施例示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在以下的说明中,本申请的具体实施例将参考由一部或多部计算机所执行的步骤及符号来说明,除非另有述明。因此,这些步骤及操作将有数次提到由计算机执行,本文所指的计算机执行包括了由代表了以一结构化型式中的数据的电子信号的计算机处理单元的操作。此操作转换该数据或将其维持在该计算机的内存系统中的位置处,其可重新配置或另外以本领域测试人员所熟知的方式来改变该计算机的运作。该数据所维持的数据结构为该内存的实体位置,其具有由该数据格式所定义的特定特性。但是,本申请原理以上述文字来说明,其并不代表为一种限制,本领域测试人员将可了解到以下所述的多种步骤及操作亦可实施在硬件当中。
本申请的原理使用许多其它泛用性或特定目的运算、通信环境或组态来进行操作。所熟知的适合用于本申请的运算系统、环境与组态的范例可包括(但不限于)手持电话、个人计算机、服务器、多处理器系统、微电脑为主的系统、主架构型计算机、及分布式运算环境,其中包括了任何的上述系统或装置。
本申请中的术语“第一”、“第二”和“第三”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。
请参阅图1,图1是本申请一实施例提供的煤岩分界线的识别方法的流程示意图。该煤岩分界线的识别方法的执行主体可以是本申请实施例提供的煤岩分界线的识别装置,或者集成了该煤岩分界线的识别装置的电子设备,其中,该煤岩分界线的识别装置可以采用硬件或者软件的方式实现。该煤岩分界线的识别方法可以包括:
101、获取目标矿井中工作面与顶板相交部分的ROI图像。
本实施例中,该工作面为采煤工作面或巷道掘进工作面,其中,目标矿井为当前需要进行挖掘工作的矿井,顶板是指巷道掘进面的顶板或采煤工作面的顶板。
本申请采用高感光度防爆相机采集采煤工作面或巷道掘进工作面图像,采集时尽量保证光照充足且均匀。以跟顶开采/掘进为例,排除图像中其他无关信息对煤岩界面提取的干扰,仅选取工作面与顶板相交部分作为感兴趣区域(Region of interest,ROI)进行研究。
102、对ROI图像进行截断线性拉伸处理,得到截断线性拉伸处理后图像。
本实施例中,对图像进行线性拉伸处理,可以增加图像亮度,同时也是对数据进行标准化,具体地,煤矿井下光线强度低,为增强图像亮度有利于辨识,对图像进行截断线性拉伸处理。线性拉伸不仅可以增强图像亮度,也是对数据的一种标准化处理,这对后续机器学习分类算法具有积极意义。原始图像整体偏暗,图像像素值偏低,取直方图累积在前n%和后n%处对应的像素值为最小值和最大值,将位于前n%和后n%之间的像素值按照像素值处理公式映射到0~255范围内,小于最小值的赋值为0,大于最大值的赋值为255,本实施例经过试验,选择n=2效果最好。
其中,直方图是灰度级的函数,描述图像中该灰度级的像素个数(或该灰度级像素出现的频率):其横坐标是灰度级,纵坐标表示图像中该灰度级出现的个数(频率),其中,像素值处理公式为:
其中,y为输出图像的像素值,x为输入图像的像素值,smin为输入图像像素值的最小值,smax为输入图像像素值的最大值,dmin为输出图像像素值的最小值,dmax为输出图像像素值的最大值。
由于直接对二值图像进行边界跟踪,算法不仅识别出煤岩边界,煤岩内部边缘尤其是采煤机/掘进机截割滚筒切割之后的痕迹也一并识别出来,无法指导采煤机/掘进机滚筒调高。此时采用边界跟踪算法无法得到理想的单像素宽度煤岩边界,因此需先对分界线两侧煤岩进行有效地分类,进而对分类之后的图像提取边界,故执行步骤103。
103、基于训练后的目标煤岩分类模型,将截断线性拉伸处理后图像中的像素进行煤岩分类,得到煤岩分类结果图像。
本实施例中,煤岩分类结果图像包括煤像素以及岩像素。
需要说明的是,对于每个矿井,都需要首先从预设的多个煤岩分类模型中选取最合适该矿井的分类模型,即需要首先确定目标矿井对应的目标煤岩分类模型,为后续的煤岩界面识别提供基础。
本实施例中,确定目标矿井的目标煤岩分类模型的步骤包括:
A、从截断线性拉伸处理后图像中选择训练样本。
具体地,在正式进行煤岩分界线的识别之前,选取目标矿井中工作面与顶板相交部分的ROI图像,对ROI图像进行截断线性拉伸处理,得到截断线性拉伸处理后图像,然后从截断线性拉伸处理后图像中选择训练样本,该样本为像素样本,包括煤样本以及岩样本。
B、基于所述训练样本对预设的多个煤岩分类模型进行训练,得到训练后的多个煤岩分类模型。
其中,所述多个煤岩分类模型包括最大似然法分类模型、K均值聚类算法分类模型、支持向量机分类模型和BP人工神经网络分类模型。
C、通过混淆矩阵评价所述训练后的多个煤岩分类模型中每个分类模型的分类性能。
具体地,根据对应的混淆矩阵分别计算所述训练后的多个煤岩分类模型中每个煤岩分类模型的总体分类精度和Kappa系数;根据所述总体分类精度和所述Kappa系数评价每个分类模型的分类性能。
其中,所述根据对应的混淆矩阵分别计算所述训练后的多个煤岩分类模型中每个煤岩分类模型的总体分类精度和Kappa系数,包括:
基于对应的混淆矩阵,根据总体分类精度公式确定所述总体分类精度,所述总体分类精度公式为:
所述OveralAccuracy为总体分类精度,所述N为样本总数,所述m为目标类型数量,本申请中m为2,所述pii表示被正确分类的样本数,所述i为样本行列数;
基于对应的混淆矩阵,根据Kappa系数确定公式确定所述Kappa系数,所述Kappa系数确定公式为:
所述pi+表示第i行的样本数量之和,所述p+i表示第i列样本数量之和。
具体地,混淆矩阵又名误差矩阵,是一个N行N列的方阵,常用于评价分类模型的分类性能。混淆矩阵的行表示样本真实的类别,列表示分类模型预测的类别。本申请中的混淆矩阵N=2,矩阵中对角线上的数字表示被正确分类的样本数,其值越高说明分类效果越好;表示验证样本第类目标被识别为第类目标的个数;和分别表示第行和第列样本数量之和。由此可得到四种分类算法的混淆矩阵。
根据混淆矩阵计算总体分类精度(Overall Accuracy)和Kappa系数。总体分类精度表示混淆矩阵对角线上样本数量之和与验证样本总数的比值。Kappa系数不仅考虑了被正确分类的样本,还考虑了错分、漏分的样本,其值在-1~1之间。Kappa系数越大表示一致性越高。
D、将分类性能最高的分类模型确定为所述目标煤岩分类模型。
对比上说四种分类算法的总体分类精度和Kappa系数。本申请采用总体分类精度和Kappa系数最高的分类算法,将所选取分类模型的输出作为边界跟踪算法的输入,提取到煤岩边界。
经过分类之后的图像,可大致提取出连续单像素宽度的煤岩边界,而煤岩内部没有检测到边缘,但是存在许多孤立的点或者细小区域分布在边界附近。因此需对分类后的图像做二值化处理,对分类之后的图像进一步采取形态学方法处理,以消除这些细小区域对边界提取的不良影响。
104、采用加权平均法对煤岩分类结果图像进行灰度化处理,得到煤岩分类结果图像对应的灰度图像。
二值化图像是指图像中的每一个像素其灰度值只有0或者1两个取值,灰度级为2的图像。通常情况下1表示白色,0表示黑色。
边界跟踪算法一般建立在以下基础之上:①输入图像为二值图像;②图像包含的区域与图像边界相连接时,图像边框填充单像素宽度背景(0)值。因此需先对彩色图像进行二值化处理。
彩色图像有RGB三个通道,图像处理时需对R、G、B三个分量同时进行处理。灰度图只有一个通道,或者说RGB三个分量相等,此时任一分量的值称为灰度值。本申请采用加权平均法按照灰度化公式对RGB三个分量加权平均从而实现图像灰度化。
具体地,采用加权平均法,根据灰度化公式对所述煤岩分类结果图像进行灰度化处理,得到所述煤岩分类结果图像对应的灰度图像,所述灰度化公式为:
Gray(i,j)=0.299R(i,j)+0.578G(i,j)+0.114B(i,j);
所述R、所述G以及所述B分别为所述煤岩分类结果图像的三个通道,所述(i,j)表示像素点。
105、采用阈值法对灰度图像进行二值化处理,得到二值化图像。
本实施例中,二值化处理包括:将灰度图中灰度值大于灰度阈值的像素赋值为1,将灰度图中灰度值小于灰度阈值的像素赋值为0;
具体地,采用阈值法实现对灰度图像的二值化处理,假设阈值为T,灰度值大于T的像素赋值为1,灰度值小于T的像素赋值为0,按照二值化公式得到输出图像,输出图像中像素为1的部分构成前景,像素为0的部分构成背景,其中,二值化公式为:
其中,f(x,y)、g(x,y)分别表示输入图像和输出图像在坐标处像素值。
图像二值化的关键在于选取合适的阈值。本申请采用最大类间方差法(大津法)确定灰度阈值,其原理是按照该方法确定的阈值进行二值化,前景和背景的类间方差最大,而部分像素错分均会导致方差变小,因此按照类间方差最大的原则进行二值化意味着错分概率最小。
如果将二值化图像直接作为边界跟踪算法的输入,得到边缘跟踪结果。输出图像中仅边界部分像素值为1,其余部分像素值均为0。此时,算法不仅识别出煤岩边界,煤岩内部边缘尤其是采煤机/掘进机截割滚筒切割之后的痕迹也一并识别出来,无法指导采煤机/掘进机滚筒调高,也不利于后续的分析和研究。这是因为图像二值化处理本身可以看作一种基于阈值的分类方法,将像素点分为两类,一类是黑色表示煤,一类是白色表示岩,而从二值化图像可明显地看出大量像素点被错分的情况,此时采用边界跟踪算法必然无法得到理想的单像素宽度煤岩边界。因此需对二值化图像进行数学形态学处理,然后进行边界跟踪,从而提取煤-岩分界面。
106、对二值化图像进数学形态学的闭运算处理和开运算处理,得到数学形态学处理后图像。
本实施例中,数学形态学处理后图像为消除边界附近相互渗透到对方区域的细小区域的图像。
具体地,采用数学形态学的膨胀、腐蚀、闭运算和开运算等基本运算的组合对提取的边界进行处理。其中,腐蚀运算可以使前景区域从外向内缩小;膨胀运算使前景区域从内向外扩大;使用同一个结构元素,对一幅图像先进行膨胀处理,再进行腐蚀处理,整个过程称为闭运算。闭运算可以平滑轮廓、弥合狭窄间断,填充裂缝,消除孔洞。与闭运算相反,使用同一个结构元素,对一幅图像先进行腐蚀处理,再进行膨胀处理,整个过程称为开运算。开运算可以平滑轮廓、断开或者消除前景区域的狭窄细长部分。
将闭运算和开运算组合,对煤岩分类之后的图像进行处理,以消除边界附近孤立的点或者细小区域,首先将分类后的图像转换为二值图像,前景区域(白色)表示顶板岩层,背景区域(黑色)表示煤,实现过程及原理如下:
(1)闭运算:a、膨胀:前景区域内的细小背景区域(孔洞)由于前景区域的扩张而消失,煤岩总体分界线下移。b、腐蚀:对膨胀之后的图像进行腐蚀操作,已经消失的细小背景区域不再出现,煤岩总体分界线由于前景区域的收缩上移到初始位置。
(2)开运算:a、腐蚀:背景区域内的细小前景区域由于前景区域的收缩而消失,煤岩总体分界线上移。b、膨胀:对腐蚀之后的图像进行膨胀操作,已经消失的细小前景区域不再出现,煤岩总体分界线由于前景区域的扩张下移到初始位置。
上述过程虽然改变了图像的微观形态,但是煤岩总体分界线的趋势和位置不变,不影响指导采煤机/掘进机滚筒高度调节。由于筛选出的煤岩分类算法分类效果良好,不会出现大面积错分的情况,因此不需要设置过大尺寸的结构元素。本申请选择一定半径的圆形结构元素,对分类后的图像先进行闭运算,再进行开运算,输出形态学处理后的图像。
107、对数学形态学处理后图像进行边界跟踪处理,得到目标矿井的煤岩分界线。
本实施例中,将形态学处理之后的图像作为边界跟踪算法的输入,提取到煤-岩交界面。
具体地,边界一般指前景区域的边界,可分为内边界和外边界。二值图像中前景区域表示顶板岩层,背景区域表示煤,跟顶开采/掘进中为避免过截割应使截割滚筒尽量偏低,因此本申请选择提取外边界。请参阅图2,在图中标出值为1的像素点,省略值为0的像素点,算法实现过程如下:
①按照从左至右,从上到下的顺序扫描图像,找到最左上方值为1的前景点并标记为p0,p0上方的相邻点标记为q0。显然q0一定是值为0的背景点,否则q0就是最左上方的前景点。
②以p0为中心,q0为起点展开八邻域逆时针搜索,记搜索到的第一个前景点为p1,紧邻且先于p1出现的背景点为q1,存储p0的位置。
③令p=p1,q=q1。
④记以p为中心,q为起点的逆时针方向8个相邻点为x0,x1,...,x7。
⑤令xk表示第一个出现的前景点。
⑥令p=xk,q=xk-1。
⑦重复步骤⑤和⑥,当p=p0时停止计算,此时得到的序列p就是前景区域内边界点的集合。
⑧标记序列p所有点的八邻域点中所有的背景点r,得到前景区域外边界点的集合。
上述过程得到的边界是封闭的,对于本申请中前景与图像边界相接,边界不封闭的情况同样适用,只需在图像四周填充单像素宽度背景值即可。若图像存在多个边界,则对所有边界逐一处理。
此时提取到连续单像素宽度边界且不含杂质。统计边界上所有像素的纵坐标,取平均值,转换为井下测量坐标,从而为采煤机、掘进机滚筒高度调节提供依据。
108、根据煤岩分界线调节采煤机以及掘进机截割滚筒的高度。
本实施例中,根据煤岩分界线调节采煤机以及掘进机截割滚筒的高度,从而采煤机以及掘进机可以根据煤岩分界线进行工作。
本申请与现有技术相比,具有以下优点和效果:
(1)提出了一套完整的煤岩界面识别方法:图像预处理→煤岩机器学习分类→对分类结果图像二值化处理→形态学处理→边界跟踪识别。该方法思路清晰,原理简单,效果理想,具有良好的可行性;
(2)将机器学习算法和数字图像处理技术相结合应用于煤岩界面识别,为煤岩识别提供了新的思路和方向;
(3)对数字图像进行机器学习分类,形态学处理消除边界附近细小区域,二者共同为边界跟踪算法创造良好的条件。三个算法相结合,克服了单一算法的局限性;
(4)分类模型采用BP神经网络(目标矿井最终选取的目标目标煤岩分类模型),以像素为研究对象,与当下主流的深度学习图像分割算法相比,具有结构简单,计算量小,训练速度快等优点。
根据上述实施例所描述的煤岩分界线的识别方法,以下将作进一步详细说明。
请参照图3,在该示意图中,左边为本申请实施例提供的煤岩分界线的识别方法的一流程示意图,右边为每个步骤所对应的作用。该煤岩分界线的识别方法可以应用于电子设备,如图3所示,该煤岩分界线的识别方法的流程可以如下:
301、图像预处理,选取ROI。
以巷道跟顶掘进为例,在煤矿巷道现场采用高感光度防爆相机采集掘进面图像,该巷道采用掘锚一体机进行掘进,可清晰地看到掘锚一体机截割滚筒切割煤岩体之后留下的痕迹。
请参阅图4,图4为本实施例中ROI的一示意图,图像中上方是岩层,下方是煤,跟顶掘进工况下研究目标是找到煤岩的边界,进而指导掘进机截割滚筒截割高度调节。为排除图像中其他无关信息对煤岩界面提取的干扰,舍弃掘进面图像中顶板铺网、左侧面以及掘进机机身部分,仅选取掘进面与顶板相交部分作为感兴趣区域(ROI)进行研究。
302、对图像进行截断线性拉伸处理。
本实施例中,取直方图累积在前n%和后n%处对应的像素值为最小值和最大值,将位于前n%和后n%之间的像素值按照素值处理公式映射到0-255范围内,小于最小值的赋值为0,大于最大值的赋值为255,经过试验,选择n=2效果最好,其中,截断线性拉伸处理的图像如图5所示,像素值处理公式如下:
其中,y为输出图像的像素值,x为输入图像的像素值,smin为输入图像像素值的最小值,smax为输入图像像素值的最大值,amin为输出图像像素值的最小值,amax为输出图像像素值的最大值。
303、建立煤岩图像分类模型。
本实施例中,分别采用最大似然法(MLE)、K均值聚类算法(k-means)、支持向量机(SVM)和BP人工神经网络(ANN)等分类算法对线性拉伸之后的图像所包含的所有像素逐一分类。分类结果中用白色表示顶板岩层,黑色表示煤。选取1632个属于煤的样本点和1578个属于岩的样本点作为训练样本。K均值聚类算法中,由于掘进面只有煤和岩两类目标,因此令聚类中心个数k=2,初始聚类中心随机选择。神经网络的激活函数选择sigmoid函数,sigmoid参数取0.9,学习率取0.2,动量因子取0.8,允许误差取0.001,最大迭代步数取2000,因为该问题是一个简单的二分类问题,不需要复杂的网络结构,所以隐含层层数设置为1。最大似然法和支持向量机不设置参数。四种算法的分类效果如图6所示,神经网络训练误差曲线如图7所示,其中,图中横坐标‘Iteration’表示“迭代次数”;纵坐标‘TrainingRMS’表示‘训练模型的均方根’;标题‘Neural Net RMS Plot’意思为“神经网络均方根误差曲线”。
304、精度评价、分类模型选择与图像像素级煤岩分类。
通过混淆矩阵(误差矩阵)来评价分类模型的分类性能。混淆矩阵,是一个N行N列的方阵,它的行表示样本真实的类别,列表示分类模型预测的类别。本申请中的混淆矩阵N=2,矩阵中对角线上的数字pii表示被正确分类的样本数,其值越高说明分类效果越好;pij表示验证样本第j类目标被识别为第i类目标的个数;pi+和p+i分别表示第i行和第i列样本数量之和。四种算法的混淆矩阵如表1至4所示。
表1 K-means分类混淆矩阵
表2 MLE分类混淆矩阵
表3 SVM分类混淆矩阵
表4 ANN分类混淆矩阵
根据混淆矩阵计算总体分类精度(Overall Accuracy)和Kappa系数。按照总体分类精度公式计算总体分类精度,总体分类精度表示混淆矩阵对角线上样本数量之和与验证样本总数的比值。按照Kappa系数确定公式计算Kappa系数,Kappa系数不仅考虑了被正确分类的样本,还考虑了错分、漏分的样本,其值在-1~1之间。
所述OveralAccuracy为总体分类精度,所述N为样本总数,所述m为目标类型数量,本申请中m为2,所述pii表示被正确分类的样本数,所述i为样本行列数;所述pi+表示第i行的样本数量之和,所述p+i表示第i列样本数量之和。
四种算法的总体分类精度和Kappa系数如表5所示。
表5四种模型分类结果
请参阅图6,图6中,(a)为K-means分类效果图,(b)为MLE分类效果图,(c)为SVM分类效果图,(d)为ANN分类效果图,结合4种分类模型的分类效果图以及总体分类精度和Kappa系数,K-means聚类算法虽然可以取得高达98.3650%的总体分类精度和0.9672的Kappa系数,但是从图6中的(a)中可以看出明显的错分情况,分界线上方有许多属于顶板岩层的样本点被错分成了煤。最大似然法的分类效果最差,总体分类精度和Kappa系数在四种分类模型中均是最低的,从图6(b)中可以看出分界线以下大量属于煤的样本被错分成顶板岩层。SVM和ANN分类效果相当,总体分类精度和Kappa系数均接近理想值,图6(c)和图6(d)中仅在分界线中部偏右存在少数错分的情况,本申请采用总体分类精度和Kappa系数略高的ANN进行分类,将ANN的输出作为边界跟踪算法的输入,提取到的煤岩边界如图8所示。
经过ANN分类之后的图像,可大致提取出连续单像素宽度的煤岩边界,而煤岩内部没有检测到边缘,但是存在许多孤立的点或者细小区域分布在边界附近。这是因为四种分类模型都是对像素点逐一分类,在边界附近煤和岩两类目标相互渗透,在对方区域内形成许多孤立的细小区域,边界跟踪算法将这些细小区域的边界也提取出来,对后续的研究会造成一定的干扰。因此需对分类后的图像做二值化处理,对ANN分类之后的图像进一步采取形态学方法处理,以消除这些细小区域对边界提取的不良影响。
305、对煤岩分类结果图像二值化处理。
本步骤中,对步骤304分类后的彩色图像进行二值化处理。
本申请采用加权平均法按照灰度化公式对得到的彩色分类图像RGB三个分量加权平均从而实现图像灰度化。灰度化公式为:
Gray(i,j)=0.299R(i,j)+0.578G(i,j)+0.114B(i,j);
所述R、所述G以及所述B分别为所述煤岩分类结果图像的三个通道,所述(i,j)表示像素点。
本申请采用最大类间方差法(大津法)确定灰度图像二值化处理的阈值T,按照二值化公式得到输出图像,输出图像中像素为1的部分构成前景,像素为0的部分构成背景。按照类间方差最大的原则进行二值化,使得错分概率最小。按照上述方法得到的二值图像如图9所示。二值化公式为:
其中,f(x,y)、g(x,y)分别表示输入图像和输出图像在坐标(x,y)处像素值。
如果把图9二值化图像直接用于边界跟踪识别,算法不仅识别出煤岩边界,煤岩内部边缘尤其是采煤机/掘进机截割滚筒切割之后的痕迹也一并识别出来,从二值化图像可明显地看出大量像素点被错分的情况,此时采用边界跟踪算法必然无法得到理想的单像素宽度煤岩边界,因此需对二值化图像进行数学形态学处理,然后进行边界跟踪,从而提取煤-岩分界面。
306、形态学处理。
数学形态学广泛应用于提取对表达和描绘图像中区域形状有用的图像分量,图像预处理和后处理等。其基本运算包括膨胀、腐蚀、闭运算和开运算。
定义结构元素是实现上述形态学处理基本运算的基础和前提。结构元素(SE)是由值为0或1的矩阵组成,其形状可以是线形、矩形、菱形、圆形等,结构元素的原点一般是它的中心像素。结构元素在二值图像中平移,每次平移1个步长,在平移过程中的每个位置均与相应位置的二值图像进行特定的逻辑运算。
腐蚀运算可以使前景区域从外向内缩小,膨胀运算使前景区域从内向外扩大。
使用同一个结构元素,对一幅图像先进行膨胀处理,再进行腐蚀处理,整个过程称为闭运算。闭运算可以平滑轮廓、弥合狭窄间断,填充裂缝,消除孔洞。与闭运算相反,使用同一个结构元素,对一幅图像先进行腐蚀处理,再进行膨胀处理,整个过程称为开运算。开运算可以平滑轮廓、断开或者消除前景区域的狭窄细长部分。
将闭运算和开运算组合,对ANN分类之后的图像进行处理,以消除边界附近孤立的点或者细小区域,首先将分类后的图像转换为二值图像,前景区域(白色)表示顶板岩层,背景区域(黑色)表示煤,实现过程及原理如下:
(1)闭运算:a、膨胀:前景区域内的细小背景区域(孔洞)由于前景区域的扩张而消失,煤岩总体分界线下移。b、腐蚀:对膨胀之后的图像进行腐蚀操作,已经消失的细小背景区域不再出现,煤岩总体分界线由于前景区域的收缩上移到初始位置。
(2)开运算:a、腐蚀:背景区域内的细小前景区域由于前景区域的收缩而消失,煤岩总体分界线上移。b、膨胀:对腐蚀之后的图像进行膨胀操作,已经消失的细小前景区域不再出现,煤岩总体分界线由于前景区域的扩张下移到初始位置。
由于ANN分类效果良好,没有出现大面积错分的情况,因此不需要设置过大尺寸的结构元素。本申请选择半径为2的圆形结构元素,对分类后的图像先进行闭运算,再进行开运算,输出图像煤岩边界趋于平滑,边界附近渗透到对方区域的细小区域全部消失,形态学处理前后对比如图10所示。
307、对二值化图像边界跟踪识别。
将形态学处理之后的图像作为边界跟踪算法的输入,此时提取到连续单像素宽度边界且不含杂质,对比原图可以看出,提取的边界和真实边界基本吻合。此外,形态学处理对分类模型具有一定的容错性,即使在分类过程中出现少量的错分,在形态学处理这一步中也可以得到弥补和纠正。统计边界上所有像素的纵坐标,取平均值,转换为井下测量坐标,从而为掘进机和采煤机滚筒高度调节提供依据。
经过试验,按照本申请提出的基于人工神经网络分类和边界跟踪算法的煤岩界面识别方法,对来自某矿采煤工作面的原始图像进行提取边界,该方法提取到的煤岩边界连续且宽度为1个像素,其位置与走势与ROI内真实的煤岩界面基本吻合,验证了该方法的有效性和可靠性。
综上所述,本申请实施例,煤岩分界线的识别装置获取目标矿井中工作面与顶板相交部分的ROI图像,工作面为采煤工作面或巷道掘进工作面;对ROI图像进行截断线性拉伸处理,得到截断线性拉伸处理后图像,然后基于训练后的目标煤岩分类模型,将截断线性拉伸处理后图像中的像素进行煤岩分类,得到煤岩分类结果图像,煤岩分类结果图像包括煤像素以及岩像素;采用加权平均法对煤岩分类结果图像进行灰度化处理,得到煤岩分类结果图像对应的灰度图像;采用阈值法对灰度图像进行二值化处理,得到二值化图像;再对二值化图像进数学形态学的闭运算处理和开运算处理,得到数学形态学处理后图像;最后对数学形态学处理后图像进行边界跟踪处理,得到目标矿井的煤岩分界线。本方案可以对煤岩分界线进行精准识别。
为便于更好的实施本申请实施例提供的煤岩分界线的识别方法,本申请实施例还提供一种基于上述煤岩分界线的识别方法的装置。其中名词的含义与上述煤岩分界线的识别方法中相同,具体实现细节可以参考方法实施例中的说明。
请参阅图11,图11为本申请实施例提供的煤岩分界线的识别装置的结构示意图,其中该煤岩分界线的识别装置100可以包括获取单元110及处理单元111等,其中:
获取单元110,用于获取目标矿井中工作面与顶板相交部分的ROI图像,所述工作面为采煤工作面或巷道掘进工作面;
处理单元111,用于对所述ROI图像进行截断线性拉伸处理,得到截断线性拉伸处理后图像,所述截断线性拉伸处理包括:取所述ROI图像对应的直方图累积在前n%和后n%处对应的像素值为最小值和最大值,将位于前n%和后n%之间的像素值按照像素值处理公式映射到0~255范围内,所述像素值处理公式为:
所述y为输出图像的像素值,所述x为输入图像的像素值,所述smin为输入图像像素值的最小值,所述smax为输入图像像素值的最大值,所述dmin为输出图像像素值的最小值,所述dmax为输出图像像素值的最大值;
所述处理单元111,还用于基于训练后的目标煤岩分类模型,将所述截断线性拉伸处理后图像中的像素进行煤岩分类,得到煤岩分类结果图像,所述煤岩分类结果图像包括煤像素以及岩像素;
所述处理单元111,还用于采用加权平均法对所述煤岩分类结果图像进行灰度化处理,得到所述煤岩分类结果图像对应的灰度图像;
所述处理单元111,还用于采用阈值法对所述灰度图像进行二值化处理,得到二值化图像,所述二值化处理包括:将所述灰度图中灰度值大于灰度阈值的像素赋值为1,将所述灰度图中灰度值小于所述灰度阈值的像素赋值为0;
所述处理单元111,还用于对所述二值化图像进数学形态学的闭运算处理和开运算处理,得到数学形态学处理后图像;
所述处理单元111,还用于对所述数学形态学处理后图像进行边界跟踪处理,得到所述目标矿井的煤岩分界线。
在一些实施方式中,所述处理单元111,还用于:
根据所述煤岩分界线调节采煤机以及掘进机截割滚筒的高度。
在一些实施方式中,所述处理单元111,还用于:
从截断线性拉伸处理后图像中选择训练样本,所述训练样本包括煤样本以及岩样本;
基于所述训练样本对预设的多个煤岩分类模型进行训练,得到训练后的多个煤岩分类模型,所述多个煤岩分类模型包括最大似然法分类模型、K均值聚类算法分类模型、支持向量机分类模型和BP人工神经网络分类模型;
通过混淆矩阵评价所述训练后的多个煤岩分类模型中每个分类模型的分类性能;
将分类性能最高的分类模型确定为所述目标煤岩分类模型。
在一些实施方式中,所述处理单元111,还用于:
根据对应的混淆矩阵分别计算所述训练后的多个煤岩分类模型中每个煤岩分类模型的总体分类精度和Kappa系数;
根据所述总体分类精度和所述Kappa系数评价每个分类模型的分类性能。
在一些实施方式中,所述处理单元111,具体还用于:
基于对应的混淆矩阵,根据总体分类精度公式确定所述总体分类精度,所述总体分类精度公式为:
所述OveralAccuracy为总体分类精度,所述N为样本总数,所述m为目标类型数量,所述pii表示被正确分类的样本数,所述i为样本行列数;
基于对应的混淆矩阵,根据Kappa系数确定公式确定所述Kappa系数,所述Kappa系数确定公式为:
所述pi+表示第i行的样本数量之和,所述p+i表示第i列样本数量之和。
在一些实施方式中,所述处理单元111,具体还用于:
采用加权平均法,根据灰度化公式对所述煤岩分类结果图像进行灰度化处理,得到所述煤岩分类结果图像对应的灰度图像,所述灰度化公式为:
Gray(i,j)=0.299R(i,j)+0.578G(i,j)+0.114B(i,j);
所述R、所述G以及所述B分别为所述煤岩分类结果图像的三个通道,所述(i,j)表示像素点。
在一些实施方式中,所述处理单元111,还用于:
采用最大类间方差法确定所述灰度阈值。
在一些实施方式中,所述处理单元111,具体还用于:
对所述二值化图像进行膨胀处理,再进行腐蚀处理,得到闭运算后图像;
对所述闭运算后图像进行腐蚀处理,在进行膨胀处理,得到所述数学形态学处理后图像。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
上面图11从模块化功能实体的角度对本申请实施例中的煤岩分界线的识别装置进行了描述,下面从硬件处理的角度对本申请实施例中的煤岩分界线的识别装置进行详细描述,请参阅图12,本申请实施例中的煤岩分界线的识别装置120一个实施例,包括:
输入装置121、输出装置122、处理器123和存储器124(其中处理器123的数量可以一个或多个,图12中以一个处理器123为例)。在本申请的一些实施例中,输入装置121、输出装置122、处理器123和存储器124可通过总线或其它方式连接,其中,图12中以通过总线连接为例。
其中,通过调用存储器124存储的操作指令,处理器123,用于执行如下步骤:
获取目标矿井中工作面与顶板相交部分的ROI图像,所述工作面为采煤工作面或巷道掘进工作面;
对所述ROI图像进行截断线性拉伸处理,得到截断线性拉伸处理后图像,所述截断线性拉伸处理包括:取所述ROI图像对应的直方图累积在前n%和后n%处对应的像素值为最小值和最大值,将位于前n%和后n%之间的像素值按照像素值处理公式映射到0~255范围内,所述像素值处理公式为:
所述y为输出图像的像素值,所述x为输入图像的像素值,所述smin为输入图像像素值的最小值,所述smax为输入图像像素值的最大值,所述dmin为输出图像像素值的最小值,所述dmax为输出图像像素值的最大值;
基于训练后的目标煤岩分类模型,将所述截断线性拉伸处理后图像中的像素进行煤岩分类,得到煤岩分类结果图像,所述煤岩分类结果图像包括煤像素以及岩像素;
采用加权平均法对所述煤岩分类结果图像进行灰度化处理,得到所述煤岩分类结果图像对应的灰度图像;
采用阈值法对所述灰度图像进行二值化处理,得到二值化图像,所述二值化处理包括:将所述灰度图中灰度值大于灰度阈值的像素赋值为1,将所述灰度图中灰度值小于所述灰度阈值的像素赋值为0;
对所述二值化图像进数学形态学的闭运算处理和开运算处理,得到数学形态学处理后图像;
对所述数学形态学处理后图像进行边界跟踪处理,得到所述目标矿井的煤岩分界线。
请参阅图13,图13为本申请实施例提供的电子设备的实施例示意图。
如图13所示,本申请实施例提供了一种电子设备,包括存储器1310、处理器1320及存储在存储器1320上并可在处理器1320上运行的计算机程序1311,处理器1320执行计算机程序1311时实现以下步骤:
获取目标矿井中工作面与顶板相交部分的ROI图像,所述工作面为采煤工作面或巷道掘进工作面;
对所述ROI图像进行截断线性拉伸处理,得到截断线性拉伸处理后图像,所述截断线性拉伸处理包括:取所述ROI图像对应的直方图累积在前n%和后n%处对应的像素值为最小值和最大值,将位于前n%和后n%之间的像素值按照像素值处理公式映射到0~255范围内,所述像素值处理公式为:
所述y为输出图像的像素值,所述x为输入图像的像素值,所述smin为输入图像像素值的最小值,所述smax为输入图像像素值的最大值,所述dmin为输出图像像素值的最小值,所述dmax为输出图像像素值的最大值;
基于训练后的目标煤岩分类模型,将所述截断线性拉伸处理后图像中的像素进行煤岩分类,得到煤岩分类结果图像,所述煤岩分类结果图像包括煤像素以及岩像素;
采用加权平均法对所述煤岩分类结果图像进行灰度化处理,得到所述煤岩分类结果图像对应的灰度图像;
采用阈值法对所述灰度图像进行二值化处理,得到二值化图像,所述二值化处理包括:将所述灰度图中灰度值大于灰度阈值的像素赋值为1,将所述灰度图中灰度值小于所述灰度阈值的像素赋值为0;
对所述二值化图像进数学形态学的闭运算处理和开运算处理,得到数学形态学处理后图像;
对所述数学形态学处理后图像进行边界跟踪处理,得到所述目标矿井的煤岩分界线。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见上文针对煤岩分界线的识别方法的详细描述,此处不再赘述。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请实施例提供一种计算机可读存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本申请实施例所提供的任一种煤岩分界线的识别方法中的步骤。例如,该指令可以执行如下步骤:
获取目标矿井中工作面与顶板相交部分的ROI图像,所述工作面为采煤工作面或巷道掘进工作面;
对所述ROI图像进行截断线性拉伸处理,得到截断线性拉伸处理后图像,所述截断线性拉伸处理包括:取所述ROI图像对应的直方图累积在前n%和后n%处对应的像素值为最小值和最大值,将位于前n%和后n%之间的像素值按照像素值处理公式映射到0~255范围内,所述像素值处理公式为:
所述y为输出图像的像素值,所述x为输入图像的像素值,所述smin为输入图像像素值的最小值,所述smax为输入图像像素值的最大值,所述dmin为输出图像像素值的最小值,所述dmax为输出图像像素值的最大值;
基于训练后的目标煤岩分类模型,将所述截断线性拉伸处理后图像中的像素进行煤岩分类,得到煤岩分类结果图像,所述煤岩分类结果图像包括煤像素以及岩像素;
采用加权平均法对所述煤岩分类结果图像进行灰度化处理,得到所述煤岩分类结果图像对应的灰度图像;
采用阈值法对所述灰度图像进行二值化处理,得到二值化图像,所述二值化处理包括:将所述灰度图中灰度值大于灰度阈值的像素赋值为1,将所述灰度图中灰度值小于所述灰度阈值的像素赋值为0;
对所述二值化图像进数学形态学的闭运算处理和开运算处理,得到数学形态学处理后图像;
对所述数学形态学处理后图像进行边界跟踪处理,得到所述目标矿井的煤岩分界线。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
其中,该计算机可读存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该计算机可读存储介质中所存储的指令,可以执行本申请实施例所提供的任一种煤岩分界线的识别方法中的步骤,因此,可以实现本申请实施例所提供的任一种煤岩分界线的识别方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上对本申请实施例所提供的一种煤岩分界线的识别方法、装置及电子设备进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种煤岩分界线的识别方法,其特征在于,包括:
获取目标矿井中工作面与顶板相交部分的ROI图像,所述工作面为采煤工作面或巷道掘进工作面;
对所述ROI图像进行截断线性拉伸处理,得到截断线性拉伸处理后图像,所述截断线性拉伸处理包括:取所述ROI图像对应的直方图累积在前n%和后n%处对应的像素值为最小值和最大值,将位于前n%和后n%之间的像素值按照像素值处理公式映射到0~255范围内,所述像素值处理公式为:
所述y为输出图像的像素值,所述x为输入图像的像素值,所述smin为输入图像像素值的最小值,所述smax为输入图像像素值的最大值,所述dmin为输出图像像素值的最小值,所述dmax为输出图像像素值的最大值;
基于训练后的目标煤岩分类模型,将所述截断线性拉伸处理后图像中的像素进行煤岩分类,得到煤岩分类结果图像,所述煤岩分类结果图像包括煤像素以及岩像素;
采用加权平均法对所述煤岩分类结果图像进行灰度化处理,得到所述煤岩分类结果图像对应的灰度图像;
采用阈值法对所述灰度图像进行二值化处理,得到二值化图像,所述二值化处理包括:将所述灰度图中灰度值大于灰度阈值的像素赋值为1,将所述灰度图中灰度值小于所述灰度阈值的像素赋值为0;
对所述二值化图像进数学形态学的闭运算处理和开运算处理,得到数学形态学处理后图像;
对所述数学形态学处理后图像进行边界跟踪处理,得到所述目标矿井采掘工作面的煤岩分界线。
2.根据权利要求1所述的方法,其特征在于,所述对所述数学形态学处理后图像进行边界跟踪处理,得到所述目标矿井的煤岩分界线之后,所述方法还包括:
根据所述煤岩分界线调节采煤机以及掘进机截割滚筒的高度。
3.根据权利要求2所述的方法,其特征在于,所述基于训练后的目标煤岩分类模型,将所述截断线性拉伸处理后图像中的像素进行煤岩分类,得到煤岩分类结果图像之前,所述方法还包括:
从截断线性拉伸处理后图像中选择训练样本,所述训练样本包括煤样本以及岩样本;
基于所述训练样本对预设的多个煤岩分类模型进行训练,得到训练后的多个煤岩分类模型,所述多个煤岩分类模型包括最大似然法分类模型、K均值聚类算法分类模型、支持向量机分类模型和BP人工神经网络分类模型;
通过混淆矩阵评价所述训练后的多个煤岩分类模型中每个分类模型的分类性能;
将分类性能最高的分类模型确定为所述目标煤岩分类模型。
4.根据权利要求3所述的方法,其特征在于,所述通过混淆矩阵评价所述训练后的多个煤岩分类模型中每个分类模型的分类性能,包括:
根据对应的混淆矩阵分别计算所述训练后的多个煤岩分类模型中每个煤岩分类模型的总体分类精度和Kappa系数;
根据所述总体分类精度和所述Kappa系数评价每个分类模型的分类性能。
6.根据权利要求1所述的方法,其特征在于,所述采用加权平均法对所述煤岩分类结果图像进行灰度化处理,得到所述煤岩分类结果图像对应的灰度图像,包括:
采用加权平均法,根据灰度化公式对所述煤岩分类结果图像进行灰度化处理,得到所述煤岩分类结果图像对应的灰度图像,所述灰度化公式为:
Gray(i,j)=0.299R(i,j)+0.578G(i,j)+0.114B(i,j);
所述R、所述G以及所述B分别为所述煤岩分类结果图像的三个通道,所述(i,j)表示像素点。
7.根据权利要求1至6中任一项所述的方法,其特征在于,所述采用阈值法对所述灰度图像进行二值化处理,得到二值化图像,之前,所述方法还包括:
采用最大类间方差法确定所述灰度阈值。
8.根据权利要求7所述的方法,其特征在于,所述对所述二值化图像进数学形态学的闭运算处理和开运算处理,得到数学形态学处理后图像,包括:
对所述二值化图像进行膨胀处理,再进行腐蚀处理,得到闭运算后图像;
对所述闭运算后图像进行腐蚀处理,再进行膨胀处理,得到所述数学形态学处理后图像。
9.一种煤岩分界线的识别装置,其特征在于,包括:
获取单元,用于获取目标矿井中工作面与顶板相交部分的ROI图像,所述工作面为采煤工作面或巷道掘进工作面;
处理单元,用于对所述ROI图像进行截断线性拉伸处理,得到截断线性拉伸处理后图像,所述截断线性拉伸处理包括:取所述ROI图像对应的直方图累积在前n%和后n%处对应的像素值为最小值和最大值,将位于前n%和后n%之间的像素值按照像素值处理公式映射到0~255范围内,所述像素值处理公式为:
所述y为输出图像的像素值,所述x为输入图像的像素值,所述smin为输入图像像素值的最小值,所述smax为输入图像像素值的最大值,所述dmin为输出图像像素值的最小值,所述dmax为输出图像像素值的最大值;
所述处理单元,还用于基于训练后的目标煤岩分类模型,将所述截断线性拉伸处理后图像中的像素进行煤岩分类,得到煤岩分类结果图像,所述煤岩分类结果图像包括煤像素以及岩像素;
所述处理单元,还用于采用加权平均法对所述煤岩分类结果图像进行灰度化处理,得到所述煤岩分类结果图像对应的灰度图像;
所述处理单元,还用于采用阈值法对所述灰度图像进行二值化处理,得到二值化图像,所述二值化处理包括:将所述灰度图中灰度值大于灰度阈值的像素赋值为1,将所述灰度图中灰度值小于所述灰度阈值的像素赋值为0;
所述处理单元,还用于对所述二值化图像进数学形态学的闭运算处理和开运算处理,得到数学形态学处理后图像;
所述处理单元,还用于对所述数学形态学处理后图像进行边界跟踪处理,得到所述目标矿井的煤岩分界线。
10.一种电子设备,其特征在于,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时执行如权利要求1至7任一项所述的煤岩分界线的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110267457.9A CN112818952B (zh) | 2021-03-11 | 2021-03-11 | 煤岩分界线的识别方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110267457.9A CN112818952B (zh) | 2021-03-11 | 2021-03-11 | 煤岩分界线的识别方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112818952A true CN112818952A (zh) | 2021-05-18 |
CN112818952B CN112818952B (zh) | 2024-07-26 |
Family
ID=75863266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110267457.9A Active CN112818952B (zh) | 2021-03-11 | 2021-03-11 | 煤岩分界线的识别方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112818952B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569966A (zh) * | 2021-07-30 | 2021-10-29 | 太原理工大学 | 基于gaf-深度学习的煤岩界面比例识别分类方法 |
CN113947588A (zh) * | 2021-10-25 | 2022-01-18 | 煤炭科学研究总院 | 煤岩识别方法、装置以及存储介质 |
CN115081866A (zh) * | 2022-06-16 | 2022-09-20 | 安徽理工大学 | 一种回采煤层介质状态区划方法、系统、设备和存储介质 |
CN117292197A (zh) * | 2023-10-10 | 2023-12-26 | 山东能源集团西北矿业有限公司 | 一种tbm接触界面的识别方法 |
WO2024120339A1 (zh) * | 2022-12-05 | 2024-06-13 | 北京天玛智控科技股份有限公司 | 煤矿综采工作面的控制方法、装置和电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496004A (zh) * | 2011-11-24 | 2012-06-13 | 中国矿业大学(北京) | 一种基于图像的煤岩界面识别方法与系统 |
CN103207999A (zh) * | 2012-11-07 | 2013-07-17 | 中国矿业大学(北京) | 一种基于煤岩图像特征抽取以及分类识别的煤岩分界方法和系统 |
CN105913445A (zh) * | 2016-05-05 | 2016-08-31 | 河南理工大学 | 一种基于机器视觉的煤岩界面识别及定位方法 |
WO2020062470A1 (zh) * | 2018-09-28 | 2020-04-02 | 中国矿业大学 | 基于固态激光雷达成像对煤岩界面进行识别的装置及方法 |
-
2021
- 2021-03-11 CN CN202110267457.9A patent/CN112818952B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496004A (zh) * | 2011-11-24 | 2012-06-13 | 中国矿业大学(北京) | 一种基于图像的煤岩界面识别方法与系统 |
CN103207999A (zh) * | 2012-11-07 | 2013-07-17 | 中国矿业大学(北京) | 一种基于煤岩图像特征抽取以及分类识别的煤岩分界方法和系统 |
CN105913445A (zh) * | 2016-05-05 | 2016-08-31 | 河南理工大学 | 一种基于机器视觉的煤岩界面识别及定位方法 |
WO2020062470A1 (zh) * | 2018-09-28 | 2020-04-02 | 中国矿业大学 | 基于固态激光雷达成像对煤岩界面进行识别的装置及方法 |
Non-Patent Citations (1)
Title |
---|
黄韶杰;: "基于灰度阈值法的煤岩界面识别研究", 工矿自动化, vol. 39, no. 05, 28 April 2013 (2013-04-28), pages 52 - 54 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569966A (zh) * | 2021-07-30 | 2021-10-29 | 太原理工大学 | 基于gaf-深度学习的煤岩界面比例识别分类方法 |
CN113569966B (zh) * | 2021-07-30 | 2023-10-10 | 太原理工大学 | 基于gaf-深度学习的煤岩界面比例识别分类方法 |
CN113947588A (zh) * | 2021-10-25 | 2022-01-18 | 煤炭科学研究总院 | 煤岩识别方法、装置以及存储介质 |
CN115081866A (zh) * | 2022-06-16 | 2022-09-20 | 安徽理工大学 | 一种回采煤层介质状态区划方法、系统、设备和存储介质 |
WO2024120339A1 (zh) * | 2022-12-05 | 2024-06-13 | 北京天玛智控科技股份有限公司 | 煤矿综采工作面的控制方法、装置和电子设备 |
CN117292197A (zh) * | 2023-10-10 | 2023-12-26 | 山东能源集团西北矿业有限公司 | 一种tbm接触界面的识别方法 |
CN117292197B (zh) * | 2023-10-10 | 2024-08-09 | 山东能源集团西北矿业有限公司 | 一种tbm接触界面的识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112818952B (zh) | 2024-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107609549B (zh) | 一种自然场景下证件图像的文本检测方法 | |
CN112818952B (zh) | 煤岩分界线的识别方法、装置及电子设备 | |
US10817741B2 (en) | Word segmentation system, method and device | |
CN110838126B (zh) | 细胞图像分割方法、装置、计算机设备和存储介质 | |
Pan et al. | A robust system to detect and localize texts in natural scene images | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN108596166A (zh) | 一种基于卷积神经网络分类的集装箱箱号识别方法 | |
CN106934386B (zh) | 一种基于自启发式策略的自然场景文字检测方法及系统 | |
Lee et al. | Binary segmentation algorithm for English cursive handwriting recognition | |
CN108038481A (zh) | 一种结合最大极值稳定区域和笔画宽度变化的文本定位方法 | |
CN104361336A (zh) | 一种水下视频图像的文字识别方法 | |
CN109685065B (zh) | 试卷内容自动分类的版面分析方法、系统 | |
CN109784342A (zh) | 一种基于深度学习模型的ocr识别方法及终端 | |
CN113158977B (zh) | 改进FANnet生成网络的图像字符编辑方法 | |
Valizadeh et al. | An adaptive water flow model for binarization of degraded document images | |
Breuel | Robust, simple page segmentation using hybrid convolutional mdlstm networks | |
Gilly et al. | A survey on license plate recognition systems | |
CN110689003A (zh) | 低照度成像车牌识别方法、系统、计算机设备及存储介质 | |
CN113673384A (zh) | Lm滤波器组引导纹理特征自主学习的甲骨文字检测方法 | |
Wu et al. | Contour restoration of text components for recognition in video/scene images | |
Chen et al. | A multi-plane approach for text segmentation of complex document images | |
Feild et al. | Scene text recognition with bilateral regression | |
CN108205678A (zh) | 一种含有亮斑干扰的铭牌文字识别处理方法 | |
CN114445814B (zh) | 一种字符区域提取方法、计算机可读存储介质 | |
Tang et al. | Recognition of japanese historical hand-written characters based on object detection methods |
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 |