CN112990027A - 一种基于高光谱图像的煤矸识别方法及装置 - Google Patents
一种基于高光谱图像的煤矸识别方法及装置 Download PDFInfo
- Publication number
- CN112990027A CN112990027A CN202110300195.1A CN202110300195A CN112990027A CN 112990027 A CN112990027 A CN 112990027A CN 202110300195 A CN202110300195 A CN 202110300195A CN 112990027 A CN112990027 A CN 112990027A
- Authority
- CN
- China
- Prior art keywords
- coal
- gangue
- hyperspectral image
- hyperspectral
- spectrum
- 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 108
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000001228 spectrum Methods 0.000 claims abstract description 54
- 238000000926 separation method Methods 0.000 claims abstract description 16
- 238000002372 labelling Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000003702 image correction Methods 0.000 claims description 2
- 230000002349 favourable effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 6
- 238000000701 chemical imaging Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 230000002085 persistent effect Effects 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 229910052736 halogen Inorganic materials 0.000 description 3
- 150000002367 halogens Chemical class 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000007885 magnetic separation Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 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
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本公开是关于一种基于高光谱图像的煤矸识别方法及装置。该方法包括：获取煤和矸石的高光谱图像；在所述高光谱图像中框选煤和矸石的感兴趣区域，完成感兴趣区域的标注；选择所述煤和矸石的感兴趣区域的波谱，分别作为煤和矸石的目标波谱；按照所述目标波谱显示待测高光谱图像；采用目标识别算法识别所述待测高光谱图像中的煤和矸石。本公开提供的方案，能大大提高煤矸识别的准确性，有助于进一步进行煤矸分选的效率。
Description
技术领域
本公开涉及图像识别领域，尤其涉及一种基于高光谱图像的煤矸识别方法及装置。
背景技术
煤矸分选任务就是将原煤中的一些煤矸石区分出去，这些煤矸石是在煤炭开采过程中的一种附属物，将煤矸进行分选将有助于提高最终煤炭的质量。
目前煤矿企业中已有一些煤矸分选的方法，主要包括干选法和湿选法两大类。干选法主要有风力选煤法、射线透视法和磁选法等；湿选法主要有重介质选煤法、跳汰选煤法等。目前的这些煤矸分选方法也存在一定的问题，例如射线透视法有一定的辐射污染，重介质选煤法成本较高、处理不便，且前期的人工分选劳动强度太大。
发明内容
为克服相关技术中存在的问题，本公开提供一种基于高光谱图像的煤矸识别方法及装置，能够更加高效且安全无污染地实现煤矸识别。
根据本公开实施例的第一方面，提供一种基于高光谱图像的煤矸识别方法，包括：
获取煤和矸石的高光谱图像；
在所述高光谱图像中框选煤和矸石的感兴趣区域，完成感兴趣区域的标注；
选择所述煤和矸石的感兴趣区域的波谱，分别作为煤和矸石的目标波谱；
按照所述目标波谱显示待测高光谱图像；
采用目标识别算法识别所述待测高光谱图像中的煤和矸石。
根据本公开实施例的第二方面，提供一种基于高光谱图像的煤矸识别装置，包括：
图像获取模块，用于获取煤和矸石的高光谱图像；
区域标注模块，用于在所述高光谱图像中框选煤和矸石的感兴趣区域，完成感兴趣区域的标注；
第一波谱选择模块，用于选择所述煤和矸石的感兴趣区域的波谱，分别作为煤和矸石的目标波谱；
图像显示模块，用于按照所述目标波谱显示待测高光谱图像；
煤矸识别模块，用于采用目标识别算法识别所述待测高光谱图像中的煤和矸石。
根据本公开实施例的第三方面，提供一种终端设备，包括：
处理器；以及
存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如上所述的方法。
根据本公开实施例的第四方面，提供一种非暂时性机器可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如上所述的方法。
本公开的实施例提供的技术方案可以包括以下有益效果：
通过使用光谱数据分析技术来对高光谱图像进行分析处理，实现了对煤和矸石的识别，大大提高了煤矸识别的准确性，有助于进一步进行煤矸分选的效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
通过结合附图对本公开示例性实施方式进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显，其中，在本公开示例性实施方式中，相同的参考标号通常代表相同部件。
图1是根据本公开一示例性实施例示出的一种基于高光谱图像的煤矸识别方法的流程示意图；
图2是高光谱成像平台的结构示意图；
图3是ENVI软件对高光谱数据进行目标识别效果；
图4是根据本公开一示例性实施例示出的另一种基于高光谱图像的煤矸识别方法的流程示意图；
图5是根据本公开一示例性实施例示出的另一种基于高光谱图像的煤矸识别方法的流程示意图；
图6是根据本公开一示例性实施例示出的一种基于高光谱图像的煤矸识别装置的结构框图；
图7是根据本公开一示例性实施例示出的一种计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施方式。虽然附图中显示了本公开的优选实施方式，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本公开可能采用术语“第一”、“第二”、“第三”等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本公开的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
高光谱成像技术在空间成像的同时，会记录下成百个连续光谱通道的数据，这些光谱通道窄，而且连续，从每个像元都可以提取出一条连续的光谱曲线，于是这些高光谱数据中包含了丰富的数据信息。
本公开中提出的煤矸识别方法就是使用高光谱相机来对煤和矸石进行成像，然后将成像之后的数据使用ENVI软件进行数据分析，实现目标识别的目的。
以下结合附图详细描述本公开实施例的技术方案。
图1是根据本公开一示例性实施例示出的一种基于高光谱图像的煤矸识别方法的流程示意图。
参见图1，
该方法包括：
110、获取煤和矸石的高光谱图像；
具体的，为了得到高光谱图像，需要搭建一个对煤和矸石进行高光谱成像的高光谱成像平台，其示意图如图2所示，这个平台主要包括的组件有高光谱相机、卤素灯、运行平台和计算机等设备，其中，高光谱相机使用的成像波段为近红外波段和短波红外波段。高光谱成像的主要步骤为：将煤和矸石放在传送带上，将高光谱相机垂直安装，从上往下照射，然后在高光谱相机旁边安装卤素灯，将卤素灯打开，驱动运行平台运行，使煤和矸石通过高光谱相机的成像区域，最终在计算机安装的成像软件中会留下对煤和矸石成像得到的高光谱数据。
120、在所述高光谱图像中框选煤和矸石的感兴趣区域，完成感兴趣区域的标注；
具体的，在得到高光谱数据之后，可以使用ENVI软件来对煤和矸石的高光谱数据进行分析，以达到对其进行目标识别的目的，本实施例中，可以使用ENVI软件中的TargetDetection Wizard工具来进行分析。
一张标准ENVI格式的高光谱数据主要包括两个文件，即.img文件和.hdr文件。其中.img格式的数据就是包含了几百个通道的高光谱数据，可以理解为一个数据立方体，而.hdr格式的文件是该高光谱数据的头文件，包含了一些高光谱图像的波段信息、通道数等内容。
使用ENVI软件打开高光谱数据之后，ENVI显示的是一个彩色的图片，这是ENVI软件从几百个波段中选了三个波段来进行显示，当然，用户也可以自定义显示的波段。在使用Target Detection Wizard工具之前，还需要做一个准备工作，就是对该高光谱数据进行ROI区域标定，ROI区域即为感兴趣区域，使用ENVI软件来标定ROI区域，需要建立两个类别，即煤和矸石两类，然后使用多边形工具在高光谱图像中对煤和矸石进行标定。之后就可以使用Target Detection Wizard工具来对煤和矸石的高光谱数据进行目标识别了。
130、选择所述煤和矸石的感兴趣区域的波谱，分别作为煤和矸石的目标波谱；
具体的，ENVI软件提供了一些选择目标波谱的方式，可选择使用从ROI区域导入目标波谱。
140、按照所述目标波谱显示待测高光谱图像；
150、采用目标识别算法识别所述待测高光谱图像中的煤和矸石。
具体的，经过步骤110-130，可以确定出能够明显区分煤和矸石的目标波谱，就可以按照目标波谱来对煤矸混合物的高光谱图像进行显示，并进一步采用目标识别算法来实现对待测高光谱图像中煤和矸石的识别。
ENVI自带八种目标识别的算法，本实施例中，可选择使用CEM算法(ConstrainedEnergy Minimization)或MTTCIMF算法。其中，使用MTTCIMF算法前，需要先对待测高光谱图像执行MNF变换。CEM算法和MTTCIMF算法都可以很好的将煤和矸石识别出来。ENVI软件对高光谱数据进行目标识别效果如图3所示。
本实施例中，基于煤和矸石的高光谱数据，使用了高光谱数据的分析方法，将图像中的煤和矸石进行了目标识别，提高了对于煤和矸石识别的准确性，并能够进一步提高后续煤矸分选的效率。
可选地，在该实施例中，步骤130中，在选择所述煤和矸石的感兴趣区域的波谱之前，还包括：
对所述高光谱图像进行大气校正的步骤。
具体的，大气校正是一种预处理方法，可以消除大气和光照等因素对地物反射的作用，而且经过大气校正之后的图像的亮度有一定的增强，本实施例中，可使用快速大气校正方法，这是一种比较常用的校正方法。
图4是根据本公开一示例性实施例示出的另一种基于高光谱图像的煤矸识别方法的流程示意图。
参见图4，
该方法包括：
410、获取煤和矸石的高光谱图像；
420、在所述高光谱图像中框选煤和矸石的感兴趣区域，完成感兴趣区域的标注；
430、选择所述煤和矸石的感兴趣区域的波谱，分别作为煤和矸石的目标波谱；
440、选择所述高光谱图像中背景区域的波谱作为背景波谱；
450、按照所述目标波谱和背景波谱显示待测高光谱图像；
460、采用目标识别算法识别所述待测高光谱图像中的煤、矸石和背景。
本实施例中，为了避免在背景区域和煤或者矸石比较相似时，出现背景区域有可能会被误识别为煤或矸石的情况，因此，为了得到更好的识别效果，选择将背景区域的波谱，即背景波谱也进行一个标注，这样，目标识别算法就会对待测高光谱图像中的三个类别进行识别，即煤、矸石、背景。
可选地，在该实施例中，步骤150中，在采用目标识别算法识别所述待测高光谱图像中的煤和矸石之前，该方法还包括：
对所述待测高光谱图像进行最小噪声分离变换。
具体的，对待测高光谱图像进行MNF变换(最小噪声分离变换)，可以分离数据中的噪声，降低数据的维度，减少计算量，弥补主成分分析在高光谱数据处理中的不足。
可选地，在该实施例中，该方法还包括：
160、对煤和矸石的识别结果进行聚类和过滤处理。
具体的，在使用目标识别算法对煤和矸石进行识别之后，为了得到更好的识别效果，可选择使用聚类和过滤的算法来对上述的识别结果中的噪声进行处理，这个步骤可以达到一定的数据平滑的效果。
如图5所示为本实施例的完整流程图。
图6是根据本公开一示例性实施例示出的一种基于高光谱图像的煤矸识别装置的结构框图。
参见图6，
该装置包括：
图像获取模块，用于获取煤和矸石的高光谱图像；
区域标注模块，用于在所述高光谱图像中框选煤和矸石的感兴趣区域，完成感兴趣区域的标注；
第一波谱选择模块，用于选择所述煤和矸石的感兴趣区域的波谱，分别作为煤和矸石的目标波谱；
图像显示模块，用于按照所述目标波谱显示待测高光谱图像；
煤矸识别模块，用于采用目标识别算法识别所述待测高光谱图像中的煤和矸石。
可选地，在该实施例中，该装置还包括：
图像校正模块，用于在选择所述煤和矸石的感兴趣区域的波谱之前，对所述高光谱图像进行大气校正。
可选地，在该实施例中，该装置还包括：
第二波谱选择模块，用于选择所述高光谱图像中背景区域的波谱作为背景波谱；
所述图像显示模块，用于按照所述目标波谱和背景波谱显示待测高光谱图像；
所述煤矸识别模块，用于采用目标识别算法识别所述待测高光谱图像中的煤、矸石和背景。
图7是根据本公开一示例性实施例示出的一种计算设备的结构示意图。
参见图7，计算设备700包括存储器710和处理器720。
处理器720可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器710可以包括各种类型的存储单元，例如系统内存、只读存储器(ROM)，和永久存储装置。其中，ROM可以存储处理器720或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中，永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中，永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。系统内存可以是可读写存储设备或者易失性可读写存储设备，例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外，存储器710可以包括任意计算机可读存储媒介的组合，包括各种类型的半导体存储芯片(DRAM，SRAM，SDRAM，闪存，可编程只读存储器)，磁盘和/或光盘也可以采用。在一些实施方式中，存储器710可以包括可读和/或写的可移除的存储设备，例如激光唱片(CD)、只读数字多功能光盘(例如DVD-ROM，双层DVD-ROM)、只读蓝光光盘、超密度光盘、闪存卡(例如SD卡、min SD卡、Micro-SD卡等等)、磁性软盘等等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。
存储器710上存储有可执行代码，当可执行代码被处理器720处理时，可以使处理器720执行上文述及的方法中的部分或全部。
上文中已经参考附图详细描述了本公开的方案。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细描述的部分，可以参见其他实施例的相关描述。本领域技术人员也应该知悉，说明书中所涉及的动作和模块并不一定是本发明所必须的。另外，可以理解，本公开实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减，本公开实施例装置中的模块可以根据实际需要进行合并、划分和删减。
此外，根据本公开的方法还可以实现为一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括用于执行本公开的上述方法中部分或全部步骤的计算机程序代码指令。
或者，本公开还可以实施为一种非暂时性机器可读存储介质(或计算机可读存储介质、或机器可读存储介质)，其上存储有可执行代码(或计算机程序、或计算机指令代码)，当所述可执行代码(或计算机程序、或计算机指令代码)被电子设备(或计算设备、服务器等)的处理器执行时，使所述处理器执行根据本公开的上述方法的各个步骤的部分或全部。
本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。
附图中的流程图和框图显示了根据本公开的多个实施例的系统和方法的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标记的功能也可以以不同于附图中所标记的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种基于高光谱图像的煤矸识别方法，其特征在于，包括：
获取煤和矸石的高光谱图像；
在所述高光谱图像中框选煤和矸石的感兴趣区域，完成感兴趣区域的标注；
选择所述煤和矸石的感兴趣区域的波谱，分别作为煤和矸石的目标波谱；
按照所述目标波谱显示待测高光谱图像；
采用目标识别算法识别所述待测高光谱图像中的煤和矸石。
2.根据权利要求1所述的方法，其特征在于，在选择所述煤和矸石的感兴趣区域的波谱之前，还包括：
对所述高光谱图像进行大气校正的步骤。
3.根据权利要求1所述的方法，其特征在于，还包括：
选择所述高光谱图像中背景区域的波谱作为背景波谱；
按照所述目标波谱和背景波谱显示待测高光谱图像；
采用目标识别算法识别所述待测高光谱图像中的煤、矸石和背景。
4.根据权利要求1所述的方法，其特征在于，在采用目标识别算法识别所述待测高光谱图像中的煤和矸石之前，还包括：
对所述待测高光谱图像进行最小噪声分离变换。
5.根据权利要求1-4任一项所述的方法，其特征在于，还包括：
对煤和矸石的识别结果进行聚类和过滤处理。
6.一种基于高光谱图像的煤矸识别装置，其特征在于，包括：
图像获取模块，用于获取煤和矸石的高光谱图像；
区域标注模块，用于在所述高光谱图像中框选煤和矸石的感兴趣区域，完成感兴趣区域的标注；
第一波谱选择模块，用于选择所述煤和矸石的感兴趣区域的波谱，分别作为煤和矸石的目标波谱；
图像显示模块，用于按照所述目标波谱显示待测高光谱图像；
煤矸识别模块，用于采用目标识别算法识别所述待测高光谱图像中的煤和矸石。
7.根据权利要求6所述的装置，其特征在于，还包括：
图像校正模块，用于在选择所述煤和矸石的感兴趣区域的波谱之前，对所述高光谱图像进行大气校正。
8.根据权利要求6所述的装置，其特征在于，还包括：
第二波谱选择模块，用于选择所述高光谱图像中背景区域的波谱作为背景波谱；
所述图像显示模块，用于按照所述目标波谱和背景波谱显示待测高光谱图像；
所述煤矸识别模块，用于采用目标识别算法识别所述待测高光谱图像中的煤、矸石和背景。
9.一种终端设备，其特征在于，包括：
处理器；以及
存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如权利要求1-5中任一项所述的方法。
10.一种非暂时性机器可读存储介质，其上存储有可执行代码，其特征在于，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110300195.1A CN112990027A (zh) | 2021-03-22 | 2021-03-22 | 一种基于高光谱图像的煤矸识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110300195.1A CN112990027A (zh) | 2021-03-22 | 2021-03-22 | 一种基于高光谱图像的煤矸识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112990027A true CN112990027A (zh) | 2021-06-18 |
Family
ID=76334208
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110300195.1A Pending CN112990027A (zh) | 2021-03-22 | 2021-03-22 | 一种基于高光谱图像的煤矸识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112990027A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113609908A (zh) * | 2021-07-02 | 2021-11-05 | 赣州好朋友科技有限公司 | 矿料识别方法、分选设备及计算机可读存储介质 |
| CN113609989A (zh) * | 2021-08-06 | 2021-11-05 | 中国工商银行股份有限公司 | 目标对象的检测方法、装置和服务器 |
| CN113609991A (zh) * | 2021-08-06 | 2021-11-05 | 中国工商银行股份有限公司 | 目标对象的检测方法、装置和服务器 |
| CN115841594A (zh) * | 2022-12-07 | 2023-03-24 | 中国矿业大学(北京) | 基于注意力机制的煤矸高光谱变图像域数据识别方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180365820A1 (en) * | 2017-06-19 | 2018-12-20 | ImpactVision, Inc. | System and method for hyperspectral image processing to identify object |
| CN110378295A (zh) * | 2019-07-22 | 2019-10-25 | 安徽理工大学 | 一种多光谱图像信息和光谱信息异构融合的煤矸识别方法 |
| CN111077093A (zh) * | 2020-01-10 | 2020-04-28 | 安徽理工大学 | 一种基于多光谱技术的煤矸石快速检测的方法与装置 |
| CN111346842A (zh) * | 2018-12-24 | 2020-06-30 | 顺丰科技有限公司 | 煤矸石分拣方法、装置、设备及存储介质 |
| CN112465063A (zh) * | 2020-12-11 | 2021-03-09 | 中国矿业大学 | 一种基于多传感信息融合的放顶煤过程中煤矸识别方法 |
| CN112488082A (zh) * | 2020-12-24 | 2021-03-12 | 刘强 | 基于深度学习的煤矸石智能分拣系统 |
-
2021
- 2021-03-22 CN CN202110300195.1A patent/CN112990027A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180365820A1 (en) * | 2017-06-19 | 2018-12-20 | ImpactVision, Inc. | System and method for hyperspectral image processing to identify object |
| CN111346842A (zh) * | 2018-12-24 | 2020-06-30 | 顺丰科技有限公司 | 煤矸石分拣方法、装置、设备及存储介质 |
| CN110378295A (zh) * | 2019-07-22 | 2019-10-25 | 安徽理工大学 | 一种多光谱图像信息和光谱信息异构融合的煤矸识别方法 |
| CN111077093A (zh) * | 2020-01-10 | 2020-04-28 | 安徽理工大学 | 一种基于多光谱技术的煤矸石快速检测的方法与装置 |
| CN112465063A (zh) * | 2020-12-11 | 2021-03-09 | 中国矿业大学 | 一种基于多传感信息融合的放顶煤过程中煤矸识别方法 |
| CN112488082A (zh) * | 2020-12-24 | 2021-03-12 | 刘强 | 基于深度学习的煤矸石智能分拣系统 |
Non-Patent Citations (4)
| Title |
|---|
| DAKUO HE ETAL.: "Coal mine area monitoring method by machine learning and multispectral remote sensing ima", 《INFRARED PHYSICS & TECHNOLOGY》, pages 160 - 162 * |
| 卢青: "基于高光谱图像技术的黄瓜种子品质无损检测技术研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》, pages 1 - 3 * |
| 张强 等: "《基于深度神经网络技术的高分遥感图像处理及应用》", 31 August 2020, 中国宇航出版社, pages: 119 * |
| 杨恩 等: "煤岩界面的高光谱识别原理", 《煤炭学报》, vol. 43, no. 2, pages 1 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113609908A (zh) * | 2021-07-02 | 2021-11-05 | 赣州好朋友科技有限公司 | 矿料识别方法、分选设备及计算机可读存储介质 |
| CN113609989A (zh) * | 2021-08-06 | 2021-11-05 | 中国工商银行股份有限公司 | 目标对象的检测方法、装置和服务器 |
| CN113609991A (zh) * | 2021-08-06 | 2021-11-05 | 中国工商银行股份有限公司 | 目标对象的检测方法、装置和服务器 |
| CN115841594A (zh) * | 2022-12-07 | 2023-03-24 | 中国矿业大学(北京) | 基于注意力机制的煤矸高光谱变图像域数据识别方法 |
| CN115841594B (zh) * | 2022-12-07 | 2023-11-10 | 中国矿业大学(北京) | 基于注意力机制的煤矸高光谱变图像域数据识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112990027A (zh) | 一种基于高光谱图像的煤矸识别方法及装置 | |
| CN112348787B (zh) | 物体缺陷检测模型的训练方法、物体缺陷检测方法及装置 | |
| JP6888770B2 (ja) | 試料内のアーチファクトを分類する方法と装置 | |
| CN108229561B (zh) | 一种基于深度学习的颗粒产品缺陷检测方法 | |
| Hu et al. | The potential of double K‐means clustering for banana image segmentation | |
| US20150206030A1 (en) | Face or other object detection including template matching | |
| CN110199172A (zh) | 用于检测样本的溶血、黄疸、脂血、或常态的方法、设备和质量检验模块 | |
| CN106951899A (zh) | 基于图像识别的异常检测方法 | |
| KR102003781B1 (ko) | 초분광영상화 기법을 이용한 글라스(Glass) 결함 검출 장치 | |
| US8023766B1 (en) | Method and system of processing an image containing undesirable pixels | |
| CN108133481A (zh) | 一种针对荧光免疫层析试条成像系统的图像处理算法 | |
| CN113706490B (zh) | 一种晶片缺陷检测方法 | |
| WO2013063765A1 (en) | Object detection using extended surf features | |
| CN107505325B (zh) | 冬枣果实的全方位品质检测方法 | |
| CN109001218A (zh) | 基于高光谱成像技术的苹果表面缺陷快速无损识别方法 | |
| Najeeb et al. | Dates maturity status and classification using image processing | |
| CN112871751A (zh) | 识别煤和煤矸石的方法及其识别装置 | |
| CN106780428B (zh) | 一种基于颜色识别的芯片数量检测方法及系统 | |
| US20210133971A1 (en) | Methods and apparatus for fine-grained hil index determination with advanced semantic segmentation and adversarial training | |
| JP2021527219A (ja) | 単一ディープニューラルネットワークをエンドツーエンド訓練法で使用する検体容器特徴付け | |
| JP4038210B2 (ja) | 自動流動顕微鏡のための粒子抽出 | |
| CN105825182A (zh) | 一种在线识别裂颖稻种的双面分析方法 | |
| CN117664950A (zh) | 一种基于拉曼检测技术的创新药质量分析系统 | |
| CN116532381A (zh) | 水果分拣机器人的控制方法、装置、电子设备 | |
| CN112990028A (zh) | 基于分类器对煤和矸石进行分类的方法和煤矸分选装置 |
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 |