CN113344912B - 矿石颗粒分割系统、方法和机器可读存储介质 - Google Patents
矿石颗粒分割系统、方法和机器可读存储介质 Download PDFInfo
- Publication number
- CN113344912B CN113344912B CN202110762509.XA CN202110762509A CN113344912B CN 113344912 B CN113344912 B CN 113344912B CN 202110762509 A CN202110762509 A CN 202110762509A CN 113344912 B CN113344912 B CN 113344912B
- Authority
- CN
- China
- Prior art keywords
- ore
- image
- particle
- network
- gradient
- 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.)
- Active
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 91
- 239000002245 particle Substances 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 34
- 230000005540 biological transmission Effects 0.000 claims abstract description 3
- 238000000605 extraction Methods 0.000 claims description 53
- 230000001360 synchronised effect Effects 0.000 claims description 45
- 238000012549 training Methods 0.000 claims description 37
- 238000012163 sequencing technique Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/10024—Color image
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/30132—Masonry; Concrete
-
- 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
- G06T2207/30242—Counting objects in image
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种矿石颗粒分割系统、方法和机器可读存储介质,涉及矿石分割技术领域,矿石颗粒分割系统包括依次连接的矿石传输子系统、图像处理子系统和预先训练好的矿石分割模型;其中,矿石传输子系统包括皮带;图像处理子系统用于对皮带上传输矿石的矿石深度图像和矿石彩色图像进行采集及同步处理,得到目标图像对;预先训练好的矿石分割模型用于对目标图像对进行矿石颗粒的分割,以分别得到每张图像的大矿石颗粒和小矿石颗粒。本发明克服了大小块矿石在形态学差异较大这一难题,提升了模型对大块矿石和小块矿石的识别准确率。
Description
技术领域
本发明涉及矿石分割技术领域,尤其是涉及一种矿石颗粒分割系统、方法和机器可读存储介质。
背景技术
在矿山开采到目标矿物或元素提取完成之前,需要很复杂的富集过程。通常,在矿石从矿脉体剥离之后,首先需要对矿石和脉石进行分离,进而通过粗碎、中细碎过程将矿物进行破碎,对于有些工艺流程而言,破碎后的矿石还需要进一步分离、富集,从而满足更加经济的入选品位,实现经济效益最大化。
无论在上述的哪个环节而言,都有矿石在传送带上从某一工艺传递到下一个工艺的过程。然而,由于皮带矿石的粒级分布广泛,从亚毫米粒径到1000mm(露天采矿)或400mm(地下采矿)在皮带上均有分布,从而很难有一种统一的图像处理方法能够解决皮带中各类破碎后的矿石分割问题。
例如,由于大块矿石的部分边缘不完整,矿石表面存在台阶及凹陷,导致目前采用图像分割方法对彩色图像进行矿石形态学处理及分割容易出现过分割;而受分辨率及深度一维信息影响,较难区分中小矿石堆叠与大块凹陷矿石形态学的差异,易出现过分割。尽管大块矿石与小块矿石是同一类物质,但是大块矿石与小块矿石在形态学上的差异不仅仅是大小的差异,在纹理和结构上也存在着不同,小块矿石往往没有大块矿石中表面台阶以及破碎过程中的特异性触点,因此无法采用一个统一的方法对皮带上的多类矿石进行分割,导致矿石分割结果的精确性较低。
发明内容
本发明的目的在于提供一种矿石颗粒分割系统、方法和机器可读存储介质,克服了大小块矿石在形态学差异较大这一难题,提升了模型对大块矿石和小块矿石的识别准确率。
第一方面,本发明提供一种矿石颗粒分割系统,矿石颗粒分割系统包括依次连接的矿石传输子系统、图像处理子系统和预先训练好的矿石分割模型;其中,矿石传输子系统包括皮带;图像处理子系统用于对皮带上传输矿石的矿石深度图像和矿石彩色图像进行采集及同步处理,得到目标图像对;预先训练好的矿石分割模型用于对目标图像对进行矿石颗粒的分割,以分别得到每张图像的大矿石颗粒和小矿石颗粒。
在可选的实施方式中,矿石传输子系统还包括皮带上设置的预设个数的托辊,以及每个托辊上安装的编码器;编码器用于通过产生压变脉冲记录皮带运动速度。
在可选的实施方式中,图像处理子系统包括图像采集模块、同步计数设备和相机控制模块;图像采集模块包括线扫描深度相机和线阵彩色相机;其中,扫描深度相机用于采集皮带上传输矿石的矿石深度图像;线阵彩色相机用于采集皮带上传输矿石的矿石彩色图像;同步计数设备用于产生同步脉冲计数;相机控制模块用于基于皮带运动速度和同步脉冲计数确定线扫描深度相机和线阵彩色相机的采集频率,以使处于采集频率时,同一皮带位置处采集的矿石深度图像与矿石彩色图像同步。
在可选的实施方式中,预先训练好的矿石分割模型包括第一特征提取子网络和第二特征提取子网络;以及分别与第一特征提取子网络和第二特征提取连接的分类子网络;第一特征提取子网络用于对目标图像对中的大粒径矿石图像进行特征提取;第二特征提取子网络用于对目标图像对的小粒径矿石图像进行特征提取;分类子网络用于对大粒径矿石图像和小粒径矿石图像进行图像维度统一及特征向量拼接,以输出目标图像对的大矿石颗粒和小矿石颗粒。
第二方面,本发明提供一种矿石颗粒分割方法,方法通过前述实施方式任一项的矿石颗粒分割系统执行;方法包括:获取线扫描深度相机采集的皮带上传输矿石的矿石深度图像,以及线阵彩色相机采集的皮带上传输矿石的矿石彩色图像;将矿石深度图像和矿石彩色图像进行同步处理,得到同步后的目标图像对;将目标图像对输入至预先训练好的矿石分割模型,并通过预先训练好的矿石分割模型输出最终的矿石分割结果。
在可选的实施方式中,将矿石深度图像和矿石彩色图像进行同步处理,得到同步后的目标图像对的步骤,包括:获取通过皮带托辊上安装的编码器产生的压变脉冲确定皮带运动速度,以及获取通过同步计数设备产生的同步脉冲计数;基于皮带运动速度和同步脉冲计数确定线扫描深度相机和线阵彩色相机保持同步采集时的采集频率;基于采集频率将同一皮带位置处采集的矿石深度图像与矿石彩色图像进行同步采集,得到同步后的目标图像对。
在可选的实施方式中,预先训练好的矿石分割模型的训练步骤,包括:对矿石彩色图像中超过指定阈值的矿石粒度进行区域标注,得到标注后的矿石彩色图像;标注后的矿石彩色图像包括标注区域的面积及标注区域的个数;对标注后的矿石彩色图像进行梯度处理,得到矿石灰度图像;基于矿石灰度图像和矿石深度图像进行拼接,确定训练样本集;基于训练样本集对改进的矿石分割模型进行训练,直至模型收敛,得到训练好的矿石分割模型;改进的矿石分割模型包括第一特征提取子网络和第二特征提取子网络,以及分别与第一特征提取子网络和第二特征提取连接的分类子网络。
在可选的实施方式中,矿石灰度图像包括沿X轴方向处理的第一灰度图像和沿Y轴方向处理的第二灰度图像;训练样本集中包括大粒径矿石图像和小粒径矿石图像;基于矿石灰度图像和矿石深度图像进行拼接,确定训练样本集的步骤,包括:将矿石深度图像进行边缘检测处理,得到目标深度图像;基于第一灰度图像、第二灰度图像以及目标深度图像确定梯度图;基于预先确定的梯度阈值对梯度图的梯度比例进行判定,确定图像中的大粒径矿石图像和小粒径矿石图像。
在可选的实施方式中,标注后的矿石彩色图像包括标注区域的面积及标注区域的个数;基于预先确定的梯度阈值对梯度图的梯度比例进行判定,确定图像中的大粒径矿石图像和小粒径矿石图像的步骤,包括:对标注区域的面积和标注区域的个数分别进行排序,得到对应的排序面积集合和排序个数集合;对排序面积集合和排序个数集合分别进行固定百分比处理,确定大粒径矿石集合和小粒径矿石集合;分别计算大粒径矿石集合的第一梯度平均值和小粒径矿石集合的第二梯度平均值;基于得到第一梯度平均值和第二梯度平均值确定梯度阈值,以便基于梯度阈值对梯度图的梯度比例进行判定,确定图像中的大粒径矿石图像和小粒径矿石图像。
第三方面,本发明提供一种机器可读存储介质,机器可读存储介质存储有机器可执行指令,机器可执行指令在被处理器调用和执行时,机器可执行指令促使处理器实现前述实施方式任一项的矿石颗粒分割方法。
本发明提供的矿石颗粒分割系统、方法和机器可读存储介质,该矿石颗粒分割系统包括依次连接的矿石传输子系统、图像处理子系统和预先训练好的矿石分割模型;其中,矿石传输子系统包括皮带;图像处理子系统用于对皮带上传输矿石的矿石深度图像和矿石彩色图像进行采集及同步处理,得到目标图像对;预先训练好的矿石分割模型用于对目标图像对进行矿石颗粒的分割,以分别得到每张图像的大矿石颗粒和小矿石颗粒。上述矿石颗粒分割系统通过分别采集矿石深度图像和矿石彩色图像,通过一系列处理得到目标图像对,将其输入至预先训练好的矿石分割模型,并通过矿石分割模型中两种卷积神经网络模型分别进行分类,克服了大小块矿石在形态学差异较大这一难题,提升了模型对大块矿石和小块矿石的识别准确率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种矿石颗粒分割系统的结构示意图;
图2为本发明实施例提供的一种矿石皮带同步采集装置示意图;
图3为本发明实施例提供的预先训练好的矿石分割模型的具体结构示意图;
图4为本发明实施例提供的一种矿石颗粒识别结果对比示意图;
图5为本发明实施例提供的一种矿石颗粒分割方法的流程示意图;
图6为本发明实施例提供的一种矿石颗粒的目标标记示意图。
图标:10-矿石颗粒分割系统;101-图像处理子系统;102-矿石传输子系统;103-预先训练好的矿石分割模型。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通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,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
此外,术语“水平”、“竖直”、“悬垂”等术语并不表示要求部件绝对水平或悬垂,而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平,并不是表示该结构一定要完全水平,而是可以稍微倾斜。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
下面结合附图,对本发明的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
考虑到皮带矿石的粒级分布广泛,从亚毫米粒径到1000mm(露天采矿)或400mm(地下采矿)在皮带上均有分布,对于本应用最常见的应用场景0-250mm的选矿过程粗碎环节中,常见的粒级分布仍然有20%的质量平均粒径大于100mm,同时有20%质量最大粒径小于10mm。然而目前的方法图像处理的前景和背景没有明显区别,全幅图像均是目标前景;大矿石表面的凹陷和纹路与细小矿石的堆叠在图像表面纹理及形态学上的构成十分相似;且矿石是不规则多面体,大矿石在光照下的阴影区域往往无法闭合,也使得很难有一种统一的图像处理方法能够解决皮带中各类破碎后的矿石分割问题,得到稳定的粒度输出。
申请人考虑到采用图像分割方法对彩色图像进行矿石形态学处理及分割容易出现过分割,其主要的原因是一方面大块矿石的部分边缘不完整,无法形成完整包络,另外,矿石表面的台阶及凹陷造成很大干扰;采用深度相机拍摄的深度图对大块矿石的提取准确率较高,但受分辨率及深度一维信息影响,较难区分中小矿石堆叠与大块凹陷矿石形态学的差异,易出现欠分割。因此提出了一种将同步的彩色图像和深度图像作为训练输入的改进深度神经网络模型,利用该模型进一步设计矿石颗粒分割系统10,并根据不同的标记条件进行了不同类型的卷积层设计,解决了不同卷积网络对细节分辨能力差异较大的问题。
为矿石颗粒分割系统10便于理解,首先对本发明实施例提供的矿石颗粒分割系统10进行详细说明,参见图1所示的一种矿石颗粒分割系统10的结构示意图,该矿石颗粒分割系统包括依次连接的矿石传输子系统102、图像处理子系统101和预先训练好的矿石分割模型103;
其中,矿石传输子系统102包括皮带;图像处理子系统101用于对皮带上传输矿石的矿石深度图像和矿石彩色图像进行采集及同步处理,得到目标图像对;预先训练好的矿石分割模型103用于对目标图像对进行矿石颗粒的分割,以分别得到每张图像的大矿石颗粒和小矿石颗粒。
本发明实施例提供的矿石颗粒分割系统10,通过分别采集矿石深度图像和矿石彩色图像,通过一系列处理得到目标图像对,将其输入至预先训练好的矿石分割模型103,并通过矿石分割模型中两种卷积神经网络模型分别进行分类,克服了大小块矿石在形态学差异较大这一难题,提升了模型对大块矿石和小块矿石的识别准确率。
在一种实施方式中,矿石传输子系统102还包括皮带上设置的预设个数的托辊,以及每个托辊上安装的编码器。优选的,为了防止托辊与皮带之间打滑,编码器在两组托辊间不同位置对称方向安装两套,两者的计数率均选取最高的,以便消除打滑影响。
为便于理解,参见图2所示,示例出一种矿石皮带同步采集装置,其中包括有上述图像处理子系统101,图像处理子系统101包括图像采集模块、同步计数设备和相机控制模块(图中未示出),图像采集模块包括线扫描深度相机和线阵彩色相机;其中,扫描深度相机用于采集皮带上传输矿石的矿石深度图像,线阵彩色相机用于采集皮带上传输矿石的矿石彩色图像。
由于线扫描深度相机和线阵彩色相机设置距离通常为固定距离,因此编码器可以通过产生压变脉冲来测量记录皮带运动速度。
为了保证两个相机对图像采样的同步性,可以通过控制相机的采集频率来使得彩色图像和深度图像的照片同步。通过上述同步计数设备产生同步脉冲计数,相机控制模块基于皮带运动速度和同步脉冲计数确定线扫描深度相机和线阵彩色相机的采集频率,以使处于采集频率时,同一皮带位置处采集的矿石深度图像与矿石彩色图像同步。通过同步脉冲计数与触发,来控制线扫描激光器(线扫深度相机)和线阵彩色相机对皮带上的矿石进行图像采样。
在一种实施方式中,预先训练好的矿石分割模型103包括第一特征提取子网络和第二特征提取子网络;以及分别与第一特征提取子网络和第二特征提取连接的分类子网络;其中,第一特征提取子网络用于对目标图像对中的大粒径矿石图像进行特征提取;第二特征提取子网络用于对目标图像对的小粒径矿石图像进行特征提取;分类子网络用于对大粒径矿石图像和小粒径矿石图像进行图像维度统一及特征向量拼接,以输出目标图像对的大矿石颗粒和小矿石颗粒。
上述预先训练好的矿石分割模型103可以采用改进的faster-RCNN模型,在具体实施时,该预先训练好的矿石分割模型103的具体结构可以参见图3所示,其中,第一特征提取子网络为图3中的VGG-16神经网络,用于大块矿石的特征提取。第二特征提取子网络为图3中的ResNet-101神经网络,用于小块矿石的特征提取。
在实际应用中,基于VGG-16的前31层网络结构得到维度为[N,512,H,W]的特征向量,其中N为每次训练图片的数量,H为图像的高,W为图像的宽;基于ResNet-101的conv1层+bn1层+relu层+maxpool层+layer1层+layer2层+layer3层,共计220层网络结构得到维度为[N,1024,H,W]的特征向量,其中N为每次训练图片的数量,H为图像的高,W为图像的宽。
上述预先训练好的矿石分割模型103通过上述VGG-16神经网络和ResNet-101分别提取大粒径矿石特征和小粒径矿石特征后,可以进一步通过不同深度的全连接层得到维度相同的特征向量后拼接,进而得到精确回归的Bbox目标边框。
综上,本实施例提供的矿石颗粒分割系统10,可以通过构建两种卷积神经网络模型,克服了大小块矿石在形态学差异较大这一难题,使得训练模型对大块矿石和小块矿石的识别准确率得到了提高。可以看出图4中灰色线条为单一神经网络的识别结果,白色线条为本实施例采用的改进结构后的神经网络的识别结果。
本发明还提供一种矿石颗粒分割方法,该方法通过前述实施方式任一项的矿石颗粒分割系统10执行,参见图5所示的流程图,该方法主要包括以下步骤S502至步骤S506:
步骤S502,获取线扫描深度相机采集的皮带上传输矿石的矿石深度图像,以及线阵彩色相机采集的皮带上传输矿石的矿石彩色图像。
步骤S504,将矿石深度图像和矿石彩色图像进行同步处理,得到同步后的目标图像对。
步骤S506,将目标图像对输入至预先训练好的矿石分割模型,并通过预先训练好的矿石分割模型输出最终的矿石分割结果。
本发明实施例提供的矿石颗粒分割方法,通过分别采集矿石深度图像和矿石彩色图像,通过一系列处理得到目标图像对,将其输入至预先训练好的矿石分割模型,并通过矿石分割模型中两种卷积神经网络模型分别进行分类,克服了大小块矿石在形态学差异较大这一难题,提升了模型对大块矿石和小块矿石的识别准确率。
在一种实施方式中,为了保证相机采集的图像同步,需要将矿石深度图像和矿石彩色图像进行同步处理,得到同步后的目标图像对,该目标图像对也即同步后的矿石深度图像和同步后的矿石彩色图像。在具体实施时,可以通过以下步骤实现:
步骤(1),获取通过皮带托辊上安装的编码器产生的压变脉冲确定皮带运动速度,以及获取通过同步计数设备产生的同步脉冲计数;
步骤(2),基于皮带运动速度和同步脉冲计数确定线扫描深度相机和线阵彩色相机保持同步采集时的采集频率;
步骤(3),基于采集频率将同一皮带位置处采集的矿石深度图像与矿石彩色图像进行同步采集,得到同步后的目标图像对。
上述步骤(1)至步骤(3)的具体实施方式,可以参见上述系统实施例,此处不再赘述。
进一步,由于对模型结构进行了改进,因此需要对模型针对本实施例的应用场景进行训练,则上述预先训练好的矿石分割模型的训练步骤,包括:
步骤1,对矿石彩色图像中超过指定阈值的矿石粒度进行区域标注,得到标注后的矿石彩色图像;标注后的矿石彩色图像包括标注区域的面积及标注区域的个数;
步骤2,对标注后的矿石彩色图像进行梯度处理,得到矿石灰度图像;
步骤3,基于矿石灰度图像和矿石深度图像进行拼接,确定训练样本集;
步骤4,基于训练样本集对改进的矿石分割模型进行训练,直至模型收敛,得到训练好的矿石分割模型;改进的矿石分割模型包括第一特征提取子网络和第二特征提取子网络,以及分别与第一特征提取子网络和第二特征提取连接的分类子网络。
针对上述步骤1,超过指定阈值的矿石粒度用于表征图中完整且块度重大的矿石,诸如可以通过矩形框进行圈选。每张图中标注的矿石面积和为S(单位:像素),需要注意的是,当两个或多个标记框重复标记某一区域时,面积求和累积需要重复计算两次或多次;每张图像标记框个数可以记为k。
为了保证训练后模型测试的准确性,上述标注的彩色图像可以为i(i≥1000)张。
针对上述步骤2,矿石灰度图像包括沿X轴方向处理的第一灰度图像和沿Y轴方向处理的第二灰度图像,在一种实施方式中,灰度变换可以通过sobel运算执行。
在实际处理时,将每张矿石彩色图像C进行沿着x方向进行灰度变换得到第一灰度图像Gx,沿着y方向进行灰度变换得到第二灰度图像Gy(其中,Gx、Gy均为m×n×1的256阶灰度图像)。
针对上述步骤3,训练样本集中包括大粒径矿石图像和小粒径矿石图像,在具体实施时,可以进一步包括以下步骤3.1至步骤3.3:
步骤3.1,将矿石深度图像进行边缘检测处理,得到目标深度图像;
步骤3.2,基于第一灰度图像、第二灰度图像以及目标深度图像确定梯度图;
步骤3.3,基于预先确定的梯度阈值对梯度图的梯度比例进行判定,确定图像中的大粒径矿石图像和小粒径矿石图像。
针对上述步骤3.1,对矿石深度图像进行边缘检测处理可以采用Sobel运算,在实际应用中,也可以根据实际需要选择其他方式,此处不作具体限定。
针对上述步骤3.2,在一种具体的示例中,Gx和Gy均为与矿石深度图像进行计算得到的,因此可以参见此时,m=3,n=3,D为矿石深度图像。进而,深度图像的梯度图G可以通过Gx和Gy确定,也即G=|GX|+|GY|。
针对上述步骤3.3,图像的梯度比例可以通过计算深度图梯度变换图的累计大梯度数值Q进行确定。在具体实施时,可以首先计算Q:其中,gij为梯度图G的元素。则,该图像的梯度比例q表示为q=Q/(m*n)。在判定时,若q≥th2,则为大粒径矿石图像,否则q<th2,为小粒径矿石图像。
上述th1和th2为判定的两个阈值,上述步骤3.3可以进一步包括步骤3.3.1至步骤3.3.4:以下step1至step6对阈值的确定进行说明:
步骤3.3.1,对标注区域的面积和标注区域的个数分别进行排序,得到对应的排序面积集合和排序个数集合;
步骤3.3.2,对排序面积集合和排序个数集合分别进行固定百分比处理,确定大粒径矿石集合和小粒径矿石集合;
步骤3.3.3,分别计算大粒径矿石集合的第一梯度平均值和小粒径矿石集合的第二梯度平均值;
步骤3.3.4,基于得到第一梯度平均值和第二梯度平均值确定梯度阈值,以便基于梯度阈值对梯度图的梯度比例进行判定,确定图像中的大粒径矿石图像和小粒径矿石图像。
在执行上述步骤3.3.1之前,由于标注后的矿石彩色图像包括标注区域的面积及标注区域的个数,每张图中标注的矿石面积和为S,每张图像标记框个数为k,因此,计算训练集T中每张图片标记框平均面积值f=S/k。进而,在执行上述步骤3.3.1时,将训练集的图片按照标记框面积f从大到小排序,得到集合Tf,有Tf1,Tf2,...,Tfi;将训练集的图片按照标记框个数k从大到小排序,得到集合Tk,有Tk1,Tk2,...,Tki。
对于上述步骤3.3.2,对于集合序列固定百分比子集,做如下表示方法有:Tf0.1=Tf1,Tf2,...,Tfround(0.1i),Tf-0.1=Tfround(0.9i),...,Tfi-1,Tfi,其中,round()为四舍五入取整,即表示固定百分比的最大/最小值集合,于是可以得到训练集大块矿石集合Tr=Tf0.3∩Tk0.5和小块矿石集合Ts=Tf-0.3∩Tk-0.5,0.3和0.5的取值为经验值,表示面积大且个数多,小块集合是面积小且标注少(多是粉末矿)。
对于上述步骤3.3.3,计算上述大块矿石集合Tr中每张图片的梯度值,集合中每张梯度图像素点的集合记为Gr,对Gr从大到小进行排序,于是有其最大梯度平均值thr(也即第一梯度平均值),用于表示该图像梯度最大的2%像素点的梯度平均值,公式中的0.02即为th2。
同理可以计算小块矿石集的图像梯度最大的2%像素点的梯度平均值ths(也即第二梯度平均值)。于是,可以得到上述阈值th1=(thr+ths)/2。
进一步,考虑到一般的矿石深度图的梯度图,通过肉眼观察得到梯度最大值10%以内的像素点具有最大的梯度代表性。因此,可以将大块矿石集合的全图最高百分比从0.01-0.1按照每区间0.01进行离散化,将每个集合中的图片随机分5组,按照上述公式分别计算这5组中各个thr和ths,满足thr-ths最大且组间方差最小即是所求解。优选的,当阈值大于0.02时,方差的变化不再显著,即证明该阈值有比较好的泛化能力,可以用于区分大小块矿石梯度百分比。
进一步,将彩色图像C进行灰度变换后得到灰度图像Gy(m×n×1),将其和深度图像D(m×n×1)构造成图像I(m×n×2),I替代彩色图像作为神经网络输入。根据上述深度图判据,可以初步判断彩色图中大块矿石的多少,因此,当大块矿石较多时,采用传统的VGG-16进行特征提取,其可以对大块矿石特征进行有效学习;而ResNet残差网络可以获得较强的细节分辨率,从而对小块矿石的特征提取更加明显。
在实际测量时,可以将实时采集的矿石皮带图像首先基于深度图进行大小块的判断,然后输入至上述预先训练好的矿石分割模型之中,从而可以得到实时彩色矿石图片的目标标记。
由于目标标记通常为矩形框标记,参见图6,但考虑到矿石颗粒通常为椭圆形,因此在矿石进行目标标记后,可以将每块矿石标记区域矩形内接椭圆(椭圆长短轴与矩形长短轴平行)的面积及长短轴来等效表示矿石颗粒在皮带上的投影及长短轴,其中,Si为内接椭圆的面积,a,b分别是标记矩形的长短边。
综上,上述实施例将采用梯度算子变换后的深度图像的统计结果作为大小块矿石的判据,用来分别图中矿石的大小,作为不同卷积神经网络入口的输入判断;并通过构造灰度-深度融合图替代彩色图像作为神经网络输入,解决了单一传感器识别矿石叠落不准确的问题;同时用灰度图代替彩色图,省去了对颜色差异不敏感的矿石特征提取的计算量;通过构建两种卷积神经网络模型,克服了大小块矿石在形态学差异较大这一难题,使得训练模型对大块矿石和小块矿石的识别准确率得到了提高。
本发明实施例所提供的矿石颗粒分割系统、方法和机器可读存储介质的计算机程序产品,包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统具体工作过程,可以参考前述实施例中的对应过程,在此不再赘述。
本发明实施例所提供的可读存储介质的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (3)
1.一种矿石颗粒分割系统,其特征在于,所述矿石颗粒分割系统包括依次连接的矿石传输子系统、图像处理子系统和预先训练好的矿石分割模型;其中,所述矿石传输子系统包括皮带;
所述图像处理子系统用于对所述皮带上传输矿石的矿石深度图像和矿石彩色图像进行采集及同步处理,得到目标图像对;
所述预先训练好的矿石分割模型用于对所述目标图像对进行矿石颗粒的分割,以分别得到每张图像的大矿石颗粒和小矿石颗粒;所述预先训练好的矿石分割模型采用改进的faster-RCNN模型,包括第一特征提取子网络和第二特征提取子网络,以及分别与第一特征提取子网络和第二特征提取连接的分类子网络;
其中,第一特征提取子网络为VGG-16神经网络,用于对所述目标图像对中的大粒径矿石图像进行特征提取;第二特征提取子网络为ResNet-101神经网络,用于对所述目标图像对的小粒径矿石图像进行特征提取;基于VGG-16的前31层网络结构得到维度为[N,512,H,W]的特征向量;基于ResNet-101的conv1层+bn1层+relu层+maxpool层+layer1层+layer2层+layer3层,共计220层网络结构得到维度为[N,1024,H,W]的特征向量;其中,N为每次训练图片的数量,H为图像的高,W为图像的宽;
所述分类子网络用于对所述大粒径矿石图像和所述小粒径矿石图像进行图像维度统一及特征向量拼接,具体的,通过不同深度的全连接层得到维度相同的特征向量后拼接,得到精确回归的Bbox目标边框,以输出所述目标图像对的大矿石颗粒和小矿石颗粒;
所述矿石传输子系统还包括皮带上设置的预设个数的托辊,以及每个所述托辊上安装的编码器;
所述编码器用于通过产生压变脉冲记录皮带运动速度;
所述图像处理子系统包括图像采集模块、同步计数设备和相机控制模块;所述图像采集模块包括线扫描深度相机和线阵彩色相机;
其中,扫描深度相机用于采集皮带上传输矿石的所述矿石深度图像;所述线阵彩色相机用于采集皮带上传输矿石的所述矿石彩色图像;
所述同步计数设备用于产生同步脉冲计数;
所述相机控制模块用于基于所述皮带运动速度和所述同步脉冲计数确定所述线扫描深度相机和线阵彩色相机的采集频率,以使处于所述采集频率时,同一皮带位置处采集的所述矿石深度图像与所述矿石彩色图像同步;
所述预先训练好的矿石分割模型的训练步骤,包括:
对所述矿石彩色图像中超过指定阈值的矿石粒度进行区域标注,得到标注后的矿石彩色图像;所述标注后的矿石彩色图像包括标注区域的面积及标注区域的个数;
对所述标注后的矿石彩色图像进行梯度处理,得到矿石灰度图像;
基于所述矿石灰度图像和所述矿石深度图像进行拼接,确定训练样本集;
基于所述训练样本集对改进的矿石分割模型进行训练,直至模型收敛,得到所述训练好的矿石分割模型;所述改进的矿石分割模型包括第一特征提取子网络和第二特征提取子网络,以及分别与所述第一特征提取子网络和所述第二特征提取连接的分类子网络;
所述矿石灰度图像包括沿X轴方向处理的第一灰度图像和沿Y轴方向处理的第二灰度图像;所述训练样本集中包括大粒径矿石图像和小粒径矿石图像;所述基于所述矿石灰度图像和所述矿石深度图像进行拼接,确定训练样本集的步骤,包括:
将所述矿石深度图像进行边缘检测处理,得到目标深度图像;
基于所述第一灰度图像、第二灰度图像以及所述目标深度图像确定梯度图;
基于预先确定的梯度阈值对所述梯度图的梯度比例进行判定,确定图像中的大粒径矿石图像和小粒径矿石图像;
所述标注后的矿石彩色图像包括标注区域的面积及标注区域的个数;所述基于预先确定的梯度阈值对所述梯度图的梯度比例进行判定,确定图像中的大粒径矿石图像和小粒径矿石图像的步骤,包括:
对所述标注区域的面积和所述标注区域的个数分别进行排序,得到对应的排序面积集合和排序个数集合;
对所述排序面积集合和所述排序个数集合分别进行固定百分比处理,确定大粒径矿石集合和小粒径矿石集合;
分别计算所述大粒径矿石集合的第一梯度平均值和所述小粒径矿石集合的第二梯度平均值;
基于得到第一梯度平均值和所述第二梯度平均值确定所述梯度阈值,以便基于所述梯度阈值对所述梯度图的梯度比例进行判定,确定图像中的大粒径矿石图像和小粒径矿石图像。
2.一种矿石颗粒分割方法,其特征在于,所述方法通过权利要求1所述的矿石颗粒分割系统执行;所述方法包括:
获取线扫描深度相机采集的皮带上传输矿石的矿石深度图像,以及线阵彩色相机采集的皮带上传输矿石的矿石彩色图像;
将所述矿石深度图像和所述矿石彩色图像进行同步处理,得到同步后的目标图像对;
将所述目标图像对输入至预先训练好的矿石分割模型,并通过所述预先训练好的矿石分割模型输出最终的矿石分割结果;所述预先训练好的矿石分割模型采用改进的faster-RCNN模型,包括第一特征提取子网络和第二特征提取子网络,以及分别与第一特征提取子网络和第二特征提取连接的分类子网络;
其中,第一特征提取子网络为VGG-16神经网络,用于对所述目标图像对中的大粒径矿石图像进行特征提取;第二特征提取子网络为ResNet-101神经网络,用于对所述目标图像对的小粒径矿石图像进行特征提取;基于VGG-16的前31层网络结构得到维度为[N,512,H,W]的特征向量;基于ResNet-101的conv1层+bn1层+relu层+maxpool层+layer1层+layer2层+layer3层,共计220层网络结构得到维度为[N,1024,H,W]的特征向量;其中,N为每次训练图片的数量,H为图像的高,W为图像的宽;
所述分类子网络用于对所述大粒径矿石图像和所述小粒径矿石图像进行图像维度统一及特征向量拼接,具体的,通过不同深度的全连接层得到维度相同的特征向量后拼接,得到精确回归的Bbox目标边框,以输出所述目标图像对的大矿石颗粒和小矿石颗粒;
所述将所述矿石深度图像和所述矿石彩色图像进行同步处理,得到同步后的目标图像对的步骤,包括:
获取通过皮带托辊上安装的编码器产生的压变脉冲确定皮带运动速度,以及获取通过同步计数设备产生的同步脉冲计数;
基于所述皮带运动速度和所述同步脉冲计数确定所述线扫描深度相机和线阵彩色相机保持同步采集时的采集频率;
基于所述采集频率将同一皮带位置处采集的所述矿石深度图像与所述矿石彩色图像进行同步采集,得到同步后的所述目标图像对;
所述预先训练好的矿石分割模型的训练步骤,包括:
对所述矿石彩色图像中超过指定阈值的矿石粒度进行区域标注,得到标注后的矿石彩色图像;所述标注后的矿石彩色图像包括标注区域的面积及标注区域的个数;
对所述标注后的矿石彩色图像进行梯度处理,得到矿石灰度图像;
基于所述矿石灰度图像和所述矿石深度图像进行拼接,确定训练样本集;
基于所述训练样本集对改进的矿石分割模型进行训练,直至模型收敛,得到所述训练好的矿石分割模型;所述改进的矿石分割模型包括第一特征提取子网络和第二特征提取子网络,以及分别与所述第一特征提取子网络和所述第二特征提取连接的分类子网络;
所述矿石灰度图像包括沿X轴方向处理的第一灰度图像和沿Y轴方向处理的第二灰度图像;所述训练样本集中包括大粒径矿石图像和小粒径矿石图像;所述基于所述矿石灰度图像和所述矿石深度图像进行拼接,确定训练样本集的步骤,包括:
将所述矿石深度图像进行边缘检测处理,得到目标深度图像;
基于所述第一灰度图像、第二灰度图像以及所述目标深度图像确定梯度图;
基于预先确定的梯度阈值对所述梯度图的梯度比例进行判定,确定图像中的大粒径矿石图像和小粒径矿石图像;
所述标注后的矿石彩色图像包括标注区域的面积及标注区域的个数;所述基于预先确定的梯度阈值对所述梯度图的梯度比例进行判定,确定图像中的大粒径矿石图像和小粒径矿石图像的步骤,包括:
对所述标注区域的面积和所述标注区域的个数分别进行排序,得到对应的排序面积集合和排序个数集合;
对所述排序面积集合和所述排序个数集合分别进行固定百分比处理,确定大粒径矿石集合和小粒径矿石集合;
分别计算所述大粒径矿石集合的第一梯度平均值和所述小粒径矿石集合的第二梯度平均值;
基于得到第一梯度平均值和所述第二梯度平均值确定所述梯度阈值,以便基于所述梯度阈值对所述梯度图的梯度比例进行判定,确定图像中的大粒径矿石图像和小粒径矿石图像。
3.一种机器可读存储介质,其特征在于,所述机器可读存储介质存储有机器可执行指令,所述机器可执行指令在被处理器调用和执行时,所述机器可执行指令促使所述处理器实现权利要求2所述的矿石颗粒分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110762509.XA CN113344912B (zh) | 2021-07-06 | 2021-07-06 | 矿石颗粒分割系统、方法和机器可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110762509.XA CN113344912B (zh) | 2021-07-06 | 2021-07-06 | 矿石颗粒分割系统、方法和机器可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113344912A CN113344912A (zh) | 2021-09-03 |
CN113344912B true CN113344912B (zh) | 2024-04-16 |
Family
ID=77482755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110762509.XA Active CN113344912B (zh) | 2021-07-06 | 2021-07-06 | 矿石颗粒分割系统、方法和机器可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344912B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116733472B (zh) * | 2023-06-05 | 2024-06-04 | 江西华丽丰科技有限公司 | 一种基于智能算法的金属矿石采选控制系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108470173A (zh) * | 2018-04-17 | 2018-08-31 | 北京矿冶科技集团有限公司 | 一种矿石颗粒的分割方法 |
CN109447990A (zh) * | 2018-10-22 | 2019-03-08 | 北京旷视科技有限公司 | 图像语义分割方法、装置、电子设备和计算机可读介质 |
CN109886282A (zh) * | 2019-02-26 | 2019-06-14 | 腾讯科技(深圳)有限公司 | 对象检测方法、装置、计算机可读存储介质和计算机设备 |
CN111881909A (zh) * | 2020-07-27 | 2020-11-03 | 精英数智科技股份有限公司 | 煤矸识别方法、装置、电子设备及存储介质 |
CN112330693A (zh) * | 2020-11-13 | 2021-02-05 | 北京伟景智能科技有限公司 | 一种煤矸石检测方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9690984B2 (en) * | 2015-04-14 | 2017-06-27 | Microsoft Technology Licensing, Llc | Two-dimensional infrared depth sensing |
CN110706267B (zh) * | 2019-09-04 | 2022-11-15 | 五邑大学 | 一种基于采矿过程的矿石三维坐标获取方法及其装置 |
-
2021
- 2021-07-06 CN CN202110762509.XA patent/CN113344912B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108470173A (zh) * | 2018-04-17 | 2018-08-31 | 北京矿冶科技集团有限公司 | 一种矿石颗粒的分割方法 |
CN109447990A (zh) * | 2018-10-22 | 2019-03-08 | 北京旷视科技有限公司 | 图像语义分割方法、装置、电子设备和计算机可读介质 |
CN109886282A (zh) * | 2019-02-26 | 2019-06-14 | 腾讯科技(深圳)有限公司 | 对象检测方法、装置、计算机可读存储介质和计算机设备 |
CN111881909A (zh) * | 2020-07-27 | 2020-11-03 | 精英数智科技股份有限公司 | 煤矸识别方法、装置、电子设备及存储介质 |
CN112330693A (zh) * | 2020-11-13 | 2021-02-05 | 北京伟景智能科技有限公司 | 一种煤矸石检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
基于U-Net 和Res-_UNet模型的传送带矿石图像分割方法;柳小波 等;《东北大学学报(自然科学版)》;第40卷(第11期);第1623-1629页 * |
基于形态学优化处理的标记符分水岭矿石图像分割;蔡改贫 等;《科学技术与工程》;第20卷(第23期);第9497-9502页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113344912A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108898047B (zh) | 基于分块遮挡感知的行人检测方法及系统 | |
CN111709935B (zh) | 一种用于地面运动皮带上实时煤矸石定位识别方法 | |
CN113240642A (zh) | 图像缺陷检测方法及装置、电子设备、存储介质 | |
CN104978567B (zh) | 基于场景分类的车辆检测方法 | |
CN106886216A (zh) | 基于rgbd人脸检测的机器人自动跟踪方法和系统 | |
US9785850B2 (en) | Real time object measurement | |
CN101122952A (zh) | 一种图片文字检测的方法 | |
CN108073849B (zh) | 条码检测方法、装置及系统 | |
CN110598566A (zh) | 图像处理方法、装置、终端和计算机可读存储介质 | |
CN109800756B (zh) | 一种用于中文历史文献密集文本的文字检测识别方法 | |
CN110992305A (zh) | 基于深度学习和多目标跟踪技术的包裹计数方法及系统 | |
CN113344912B (zh) | 矿石颗粒分割系统、方法和机器可读存储介质 | |
CN106023249A (zh) | 一种基于局部二值相似性模式的运动目标检测方法 | |
CN111028263B (zh) | 一种基于光流颜色聚类的运动物体分割方法及其系统 | |
CN114419006A (zh) | 一种随背景变化的灰度视频文字类水印去除方法及系统 | |
CN102136060A (zh) | 一种群体密度检测方法 | |
CN116580026B (zh) | 精密零部件外观缺陷自动光学检测方法、设备及存储介质 | |
CN107704864B (zh) | 基于图像对象性语义检测的显著目标检测方法 | |
US20170352170A1 (en) | Nearsighted camera object detection | |
CN115082923B (zh) | 一种基于机器视觉的牛奶包装盒生产日期识别方法 | |
CN115294035A (zh) | 亮点定位方法、亮点定位装置、电子设备及存储介质 | |
CN112785550B (zh) | 图像质量值确定方法、装置、存储介质及电子装置 | |
CN105184244B (zh) | 视频人脸检测方法及装置 | |
CN114655655A (zh) | 一种基于UNet网络的传送带跑偏检测方法 | |
CN114663803A (zh) | 基于视频流的物流中心挂装类服装分类方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |