CN113533220A - 一种基于高光谱成像技术的煤炭种类识别方法 - Google Patents
一种基于高光谱成像技术的煤炭种类识别方法 Download PDFInfo
- Publication number
- CN113533220A CN113533220A CN202110840606.6A CN202110840606A CN113533220A CN 113533220 A CN113533220 A CN 113533220A CN 202110840606 A CN202110840606 A CN 202110840606A CN 113533220 A CN113533220 A CN 113533220A
- Authority
- CN
- China
- Prior art keywords
- coal
- image
- hyperspectral
- layer
- size
- 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 91
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000000701 chemical imaging Methods 0.000 title claims abstract description 16
- 238000005516 engineering process Methods 0.000 title claims abstract description 10
- 238000012937 correction Methods 0.000 claims abstract description 20
- 238000001914 filtration Methods 0.000 claims abstract description 18
- 238000011176 pooling Methods 0.000 claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000000654 additive Substances 0.000 claims description 2
- 230000000996 additive effect Effects 0.000 claims description 2
- 230000004044 response Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 9
- 239000004484 Briquette Substances 0.000 abstract 1
- 238000004939 coking Methods 0.000 description 11
- 238000001228 spectrum Methods 0.000 description 7
- 238000005286 illumination Methods 0.000 description 4
- 239000003077 lignite Substances 0.000 description 4
- 238000002156 mixing Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- RHZUVFJBSILHOK-UHFFFAOYSA-N anthracen-1-ylmethanolate Chemical compound C1=CC=C2C=C3C(C[O-])=CC=CC3=CC2=C1 RHZUVFJBSILHOK-UHFFFAOYSA-N 0.000 description 3
- 239000003830 anthracite Substances 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- QJZYHAIUNVAGQP-UHFFFAOYSA-N 3-nitrobicyclo[2.2.1]hept-5-ene-2,3-dicarboxylic acid Chemical compound C1C2C=CC1C(C(=O)O)C2(C(O)=O)[N+]([O-])=O QJZYHAIUNVAGQP-UHFFFAOYSA-N 0.000 description 2
- 239000010883 coal ash Substances 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000004021 humic acid Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000005997 Calcium carbide Substances 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000003723 Smelting Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 239000002802 bituminous coal Substances 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000000571 coke Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- CLZWAWBPWVRRGI-UHFFFAOYSA-N tert-butyl 2-[2-[2-[2-[bis[2-[(2-methylpropan-2-yl)oxy]-2-oxoethyl]amino]-5-bromophenoxy]ethoxy]-4-methyl-n-[2-[(2-methylpropan-2-yl)oxy]-2-oxoethyl]anilino]acetate Chemical compound CC1=CC=C(N(CC(=O)OC(C)(C)C)CC(=O)OC(C)(C)C)C(OCCOC=2C(=CC=C(Br)C=2)N(CC(=O)OC(C)(C)C)CC(=O)OC(C)(C)C)=C1 CLZWAWBPWVRRGI-UHFFFAOYSA-N 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于高光谱成像技术的煤炭种类识别方法，属于煤炭检测技术领域。具体方法如下，首先将煤块置于高光谱成像系统的载物台上，打开光源，通过高光谱相机进行图像采集。将采集到的图像进行黑白校正处理，采用BM3D对通过校正处理后的其他噪声进行滤波，将滤波后的纯净估计图像作为输入，传输到建立好的卷积神经网络模型中进行训练，经过卷积和池化操作，提取特征，最后经过全连接层输出分类结果，最终实现煤炭的种类识别。本发明方法实现煤炭的种类识别，相比于传统的检测方法，检测速度快且操作简单，为选煤和煤炭的配比提供参考。
Description
技术领域
本发明涉及煤炭检测技术领域，更具体地说，涉及一种基于高光谱成像技术的煤炭种类识别方法。
背景技术
我国的煤储藏量达6000亿吨，居世界第三位，从低变质程度的褐煤到高变质程度的无烟煤都有储存。煤炭的种类共有9种，分别为焦煤、肥煤、无烟煤、瘦煤、弱粘结煤、气煤、褐煤、长焰煤、贫煤。
焦煤是炼焦用煤中之主焦煤，除了供给冶炼外还可造气和电石。肥煤也是炼焦用煤的一种，但其品种稀少。无烟煤燃烧时间长、火力旺，是理想的高炉喷吹燃料。
传统的煤炭灰分检测主要依靠灼烧法，这种方法检测精度较高，也是应用相对广泛的一种煤炭的灰分检测方法。但是这种方法在实现的过程中较为复杂，效率较低，分析周期长，且检测结果会受到人为操作的影响。瘦煤是炼焦用煤中之配煤，除作炼焦配煤外，还可用与造气、发电和其它动力用煤。弱粘结煤是炼焦煤与非炼焦煤之间的过度煤种，主要用作造气、燃料和配焦。气煤也炼焦煤种之一，主要用作配煤炼焦。褐煤是为经变质的煤，外以朽木内含原生腐植酸。其主要特点是含水多、比重小、热量低、可制取活性炭、硫化煤、褐煤蜡、腐植酸和其它化工产品。长焰煤是变质程度最低的煤，主要用作燃料。贫煤是变质程度最高的烟煤，延续时间长，主要用作动力煤。
目前传统的对于煤炭的种类识别方法主要有两种，一种是通过人工识别的方法进行煤炭种类识别，另一种是通过化学测定的方法进行煤炭种类识别。人工识别的方法识别准确率相对较低，会有较大的误差，造成人力物力的浪费。化学测定的方法虽然识别准确，但耗时较长，且需要较高的资金支持。
发明内容
本发明提出了一种基于高光谱成像技术的煤炭种类识别方法。通过高光谱相机采集不同种类煤炭的高光谱图像，对其进行黑白校正，去除在采集过程中存在的暗电流的影响。经过黑白校正后的高光谱图像仍然存在噪声，因此需要进一步对其进行去噪，通过BM3D对校正后的高光谱图像进行去噪。将BM3D后得到的高光谱图像输入到卷积神经网络中进行特征提取及分类，最终实现不同煤炭种类的分类识别。相比于传统的人工识别方法具有更快的速度和更高的准确率，且识别速度更快；相比于化学测定识别方法，本发明发法检测速度更快，成本更低，更具有实际应用价值。
本发明通过以下技术方案来实现：一种基于高光谱成像技术的煤炭种类识别方法，包括对煤炭的图像采集，将煤炭放置在高光谱相机的正下方，打开光源，调节各个参数，确保相机可以采集到清晰的煤炭高光谱图像，由计算机控制进行高光谱图像采集。由于光源光照强度分布不均匀，以及设备本身存在的暗电流的影响，会导致存在较多的噪声干扰，因此要对采集到的煤炭高光谱图像进行校正，目的是为了减弱或者消除这种噪声带来的影响。进行黑白校正后的图像还是会存在一些噪声，因此采用BM3D进行去噪，得到纯净图像，将图像输入到卷积神经网络模型中进行训练学习，最后得到煤炭所属的种类，实现煤炭的种类识别。
一种基于高光谱成像技术的煤炭种类识别方法，其特征主要包括以下步骤：
步骤1：选取不同种类的煤炭作为样本，将样本分别放在高光谱成系统的载物台上，打开高光谱相机和光源，调节相机和光源的高度，同时调节曝光时间等参数，确保可以采集到清晰的煤炭样本图像，进行高光谱图像采集。
步骤2：由于光源光照强度分布不均匀，以及设备本身存在的暗电流的影响，会导致存在较多的噪声干扰，因此要对采集到的煤炭高光谱图像进行校正减弱或者消除这种噪声带来的影响。
步骤3：对于经过黑白校正后的高光谱图像还有噪声存在的问题，采用BM3D对校正后的高光谱图像进行处理。经过块匹配寻找与给定参考块相似块的过程，经过三维块变换、硬阈值滤波和逆向三维变换，最后聚集得到去噪后的估计图像。
步骤4：建立卷积神经网络模型，将经过BM3D处理后的高光谱图像作为输入，经过卷积和池化等操作，提取特征，经过全连接层和分类器，得到所属煤炭种类。将数据集划分为训练集、测试集和验证集，根据误差进行反向传播，更新参数，减小误差，通过不断地学习和训练，通过测试集测试模型训练的效果，通过验证集验证模型的准确性。
步骤5：当模型训练好后，采集新的煤炭样本图像，通过黑白校正和滤波得到估计图像输入到训练好的卷积神经网络模型中，输出得到所属的煤炭类别，最终实现煤炭种类的识别。
附图说明
图1：高光谱成像系统结构图；
图2：卷积神经网络结构图。
具体实施方式
一种基于高光谱成像技术的煤炭种类识别方法，具体实施方式如下：
步骤1：如附图1所示的高光谱成像系统结构，选取不同种类的煤炭3作为样本，将样本分别放在高光谱成系统的载物台4上，打开高光谱相机1和光源2，调节相机1和光源2的高度，同时调节曝光时间等参数，确保可以采集到清晰的煤炭样本图像，进行高光谱图像采集。
步骤2：由于光源2的光照强度分布不均匀，以及设备本身存在的暗电流的影响，会导致存在较多的噪声干扰，因此要对采集到的煤炭高光谱图像进行校正减弱或者消除这种噪声带来的影响。
通过下式进行黑白校正：
上式中，黑白标定后得到的煤炭颗粒样本图像为C，白板标定图像为Iw，黑板标定图像为Id，Ir为原始的煤炭颗粒图像。
步骤3：对于经过黑白校正后的高光谱图像还有噪声存在的问题，采用BM3D对校正后的高光谱图像进行处理。经过块匹配寻找与给定参考块相似块的过程，经过三维块变换、硬阈值滤波和逆向三维变换，最后聚集得到去噪后的估计图像。
BM3D算法分为两个阶段，分别为基础估计阶段和最终估计阶段，每个阶段又分为三步，分别为块匹配、协同滤波和聚集。
步骤3.1：选取图像中的任意块作为参考块，构造出若干个相似群组，按照距离由小到大将所有的相似块参考块组合成三维块，对三维块进行三维变换而得到稀疏表示，通过系数收缩来进行图像去噪；
步骤3.2：协同滤波在基础估计阶段和最终估计阶段采用不同的滤波方法。在基础估计阶段采用协同硬阈值滤波，该阶段输入图像为噪声图像，表示为真实图像加上加性噪声。
在最终估计阶段采用协同维纳滤波，使实际输出与误差输出之间的均方误差最小，得到最理想的输出结果。对于输入信号f＝y+n，经验滤波器如下式：
上式中，σ表示噪声n的标准差，
表示yi重构之后得到估计的去噪图像。
步骤3.3：为解决在块匹配过程中会出现重复匹配的情况，通过聚焦对那些重复估计的像素点将其所有估计加权平均，得到最终的估计值。
步骤4：建立卷积神经网络模型，将经过BM3D处理后的高光谱图像作为输入，经过卷积和池化等操作，提取特征，经过全连接层和分类器，得到所属煤炭种类。将数据集划分为训练集、测试集和验证集，根据误差进行反向传播，更新参数，减小误差，通过不断地学习和训练，通过测试集测试模型训练的效果，通过验证集验证模型的准确性。
卷积神经网络如附图2所示的结构，具体结构如下所示：
第一层卷积层利用64个大小为7*7，步长为2的卷积核对输入的煤炭高光谱图像进行滤波，输出大小为112*112；
第二层最大池化层利用大小为3*3，步长为2的池化窗口，对上一层的卷积结果进行池化，输出大小为56*56；
第三层包含两个卷积层，两个卷积层均是利用64个大小为3*3，步长为1的卷积核对上一层的池化结果进行卷积，输出大小为56*56；
第四层包含两个卷积层，两个卷积层均是利用128个大小为3*3，步长为1的卷积核对上一层的池化结果进行卷积，输出大小为28*28；
第五层包含两个卷积层，两个卷积层均是利用256个大小为3*3，步长为1的卷积核对上一层的池化结果进行卷积，输出大小为14*14；
第六层包含两个卷积层，两个卷积层均是利用512个大小为3*3，步长为1的卷积核对上一层的池化结果进行卷积，输出大小为7*7；
第七层为全连接层FC。
第八层为全连接层FC。
其中，对卷积结果使用参数校正线性单元PReLU激活函数，得到激活结果；对池化结果使用局部响应归一化操作，得到归一化结果。
参数校正线性单元的表达式为：
上式中，a为可学习的系数。
输出采用软最大输出函数softmax:
上式中，x1,x2,…,xn表示所有模型结果，exp(xi)表示将模型结果转化为非负数。Softmax函数的作用为将模型结果转为概率，所有结果的概率和为1。
损失函数使用交叉熵作为损失函数：
上式中，ti指示变量(0或1),如果该类别和样本的类别相同就是1，否则是0；yi表示样本属于类别i的概率。
步骤5：当模型训练好后，采集新的煤炭样本图像，通过黑校正和滤波得到估计图像输入到训练好的卷积神经网络模型中，输出得到所属的煤炭类别，最终实现煤炭种类的识别。
一种基于高光谱成像技术的煤炭种类识别方法，通过高光谱成像系统图1中的高光谱相机1进行煤炭的图像采集，将煤炭3放置在高光谱相机正下方的载物台4上，打开光源2，调节各个参数，确保高光谱相机1可以采集到清晰的煤炭高光谱图像，通过计算机进行控制高光谱图像采集。由于光源2的光照强度分布不均匀，以及设备本身存在的暗电流的影响，会导致存在较多的噪声干扰，因此要对采集到的煤炭高光谱图像进行黑白校正，减弱或者消除暗电流噪声带来的影响。采用BM3D进行块匹配、协同滤波和聚集处理去除在黑白校正之后残余的其他噪声，得到纯净图像，将图像输入到卷积神经网络模型进行训练学习，得到煤炭所属的种类，最终实现煤炭的种类识别。
Claims (1)
1.一种基于高光谱成像技术的煤炭种类识别方法，其特征在于：
步骤1：如附图1所示的高光谱成像系统结构，选取不同种类的煤炭3作为样本，将样本分别放在高光谱成系统的载物台4上，打开高光谱相机1和光源2，调节相机1和光源2的高度，同时调节曝光时间等参数，确保可以采集到清晰的煤炭样本图像，进行高光谱图像采集；
步骤2：由于光源2的光照强度分布不均匀，以及设备本身存在的暗电流的影响，会导致存在较多的噪声干扰，因此要对采集到的煤炭高光谱图像进行校正减弱或者消除这种噪声带来的影响；
通过下式进行黑白校正：
上式中，黑白标定后得到的煤炭颗粒样本图像为C，白板标定图像为Iw，黑板标定图像为Id，Ir为原始的煤炭颗粒图像；
步骤3：对于经过黑白校正后的高光谱图像还有噪声存在的问题，采用BM3D对校正后的高光谱图像进行处理；经过块匹配寻找与给定参考块相似块的过程，经过三维块变换、硬阈值滤波和逆向三维变换，最后聚集得到去噪后的估计图像；
BM3D算法分为两个阶段，分别为基础估计阶段和最终估计阶段，每个阶段又分为三步，分别为块匹配、协同滤波和聚集；
步骤3.1：选取图像中的任意块作为参考块，构造出若干个相似群组，按照距离由小到大将所有的相似块参考块组合成三维块，对三维块进行三维变换而得到稀疏表示，通过系数收缩来进行图像去噪；
步骤3.2：协同滤波在基础估计阶段和最终估计阶段采用不同的滤波方法；在基础估计阶段采用协同硬阈值滤波，该阶段输入图像为噪声图像，表示为真实图像加上加性噪声；
在最终估计阶段采用协同维纳滤波，使实际输出与误差输出之间的均方误差最小，得到最理想的输出结果，对于输入信号f＝y+n，经验滤波器如下式：
上式中，σ表示噪声n的标准差，
表示yi重构之后得到估计的去噪图像；
步骤3.3：为解决在块匹配过程中会出现重复匹配的情况，通过聚焦对那些重复估计的像素点将其所有估计加权平均，得到最终的估计值；
步骤4：建立卷积神经网络模型，将经过BM3D处理后的高光谱图像作为输入，经过卷积和池化等操作，提取特征，经过全连接层和分类器，得到所属煤炭种类；将数据集划分为训练集、测试集和验证集，根据误差进行反向传播，更新参数，减小误差，通过不断地学习和训练，通过测试集测试模型训练的效果，通过验证集验证模型的准确性；
卷积神经网络如附图2所示的结构，具体结构如下所示：
第一层卷积层利用64个大小为7*7，步长为2的卷积核对输入的煤炭高光谱图像进行滤波，输出大小为112*112；
第二层最大池化层利用大小为3*3，步长为2的池化窗口，对上一层的卷积结果进行池化，输出大小为56*56；
第三层包含两个卷积层，两个卷积层均是利用64个大小为3*3，步长为1的卷积核对上一层的池化结果进行卷积，输出大小为56*56；
第四层包含两个卷积层，两个卷积层均是利用128个大小为3*3，步长为1的卷积核对上一层的池化结果进行卷积，输出大小为28*28；
第五层包含两个卷积层，两个卷积层均是利用256个大小为3*3，步长为1的卷积核对上一层的池化结果进行卷积，输出大小为14*14；
第六层包含两个卷积层，两个卷积层均是利用512个大小为3*3，步长为1的卷积核对上一层的池化结果进行卷积，输出大小为7*7；
第七层为全连接层FC；
第八层为全连接层FC；
其中，对卷积结果使用参数校正线性单元PReLU激活函数，得到激活结果；对池化结果使用局部响应归一化操作，得到归一化结果；
参数校正线性单元的表达式为：
上式中，a为可学习的系数；
输出采用软最大输出函数softmax:
上式中，x1,x2,…,xn表示所有模型结果，exp(xi)表示将模型结果转化为非负数，Softmax函数的作用为将模型结果转为概率，所有结果的概率和为1；
损失函数使用交叉熵作为损失函数：
上式中，ti指示变量(0或1),如果该类别和样本的类别相同就是1，否则是0；yi表示样本属于类别i的概率；
步骤5：当模型训练好后，采集新的煤炭样本图像，通过黑校正和滤波得到估计图像输入到训练好的卷积神经网络模型中，输出得到所属的煤炭类别，最终实现煤炭种类的识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110840606.6A CN113533220A (zh) | 2021-07-25 | 2021-07-25 | 一种基于高光谱成像技术的煤炭种类识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110840606.6A CN113533220A (zh) | 2021-07-25 | 2021-07-25 | 一种基于高光谱成像技术的煤炭种类识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113533220A true CN113533220A (zh) | 2021-10-22 |
Family
ID=78088928
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110840606.6A Pending CN113533220A (zh) | 2021-07-25 | 2021-07-25 | 一种基于高光谱成像技术的煤炭种类识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113533220A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113988802A (zh) * | 2021-10-27 | 2022-01-28 | 杭州临江环保热电有限公司 | 一种燃料综合管理方法、系统及储存介质 |
| CN116233602A (zh) * | 2022-12-15 | 2023-06-06 | 山东大学 | 一种高光谱相机的自动对焦方法、系统、介质及设备 |
| CN116229260A (zh) * | 2023-02-21 | 2023-06-06 | 岭南现代农业科学与技术广东省实验室河源分中心 | 基于高光谱与卷积神经网络的病变板栗分类方法、系统及介质 |
| CN117611828A (zh) * | 2024-01-19 | 2024-02-27 | 云南烟叶复烤有限责任公司 | 一种基于高光谱图像分割技术的非烟杂物检测方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN204082073U (zh) * | 2014-09-09 | 2015-01-07 | 焦作煤业(集团)鑫珠春工业有限责任公司 | 一种双插式孔口控水防喷装置 |
| CN109003247A (zh) * | 2018-07-26 | 2018-12-14 | 吉林大学 | 彩色图像混合噪声的去除方法 |
| CN109214990A (zh) * | 2018-07-02 | 2019-01-15 | 广东工业大学 | 一种基于Inception模型的深度卷积神经网络图像去噪方法 |
| CN109859141A (zh) * | 2019-02-18 | 2019-06-07 | 安徽理工大学 | 一种深立井井壁图像去噪方法 |
| CN110599409A (zh) * | 2019-08-01 | 2019-12-20 | 西安理工大学 | 基于多尺度卷积组与并行的卷积神经网络图像去噪方法 |
| CN111079845A (zh) * | 2019-12-20 | 2020-04-28 | 西安交通大学 | 一种煤炭中煤矸石和煤的分类识别方法 |
| 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 |
| CN112881306A (zh) * | 2021-01-15 | 2021-06-01 | 吉林大学 | 一种基于高光谱图像的煤炭灰分含量快速检测方法 |
| CN112950632A (zh) * | 2021-04-18 | 2021-06-11 | 吉林大学 | 一种基于高光谱成像技术和卷积神经网络的煤炭质量检测方法 |
-
2021
- 2021-07-25 CN CN202110840606.6A patent/CN113533220A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN204082073U (zh) * | 2014-09-09 | 2015-01-07 | 焦作煤业(集团)鑫珠春工业有限责任公司 | 一种双插式孔口控水防喷装置 |
| CN109214990A (zh) * | 2018-07-02 | 2019-01-15 | 广东工业大学 | 一种基于Inception模型的深度卷积神经网络图像去噪方法 |
| CN109003247A (zh) * | 2018-07-26 | 2018-12-14 | 吉林大学 | 彩色图像混合噪声的去除方法 |
| CN109859141A (zh) * | 2019-02-18 | 2019-06-07 | 安徽理工大学 | 一种深立井井壁图像去噪方法 |
| CN110599409A (zh) * | 2019-08-01 | 2019-12-20 | 西安理工大学 | 基于多尺度卷积组与并行的卷积神经网络图像去噪方法 |
| CN111079845A (zh) * | 2019-12-20 | 2020-04-28 | 西安交通大学 | 一种煤炭中煤矸石和煤的分类识别方法 |
| 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 |
| CN112881306A (zh) * | 2021-01-15 | 2021-06-01 | 吉林大学 | 一种基于高光谱图像的煤炭灰分含量快速检测方法 |
| CN112950632A (zh) * | 2021-04-18 | 2021-06-11 | 吉林大学 | 一种基于高光谱成像技术和卷积神经网络的煤炭质量检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 余杰: "基于BP神经网络的煤岩图像分类识别", 《第五届全国煤矿自动化与信息化学术会议暨第届中国煤矿信息化与自动化高层论坛论文集》 * |
| 王志刚 等: "BM3D 算法在低剂量CT 图像去噪中的应用", 《电脑与电信 算法研究》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113988802A (zh) * | 2021-10-27 | 2022-01-28 | 杭州临江环保热电有限公司 | 一种燃料综合管理方法、系统及储存介质 |
| CN116233602A (zh) * | 2022-12-15 | 2023-06-06 | 山东大学 | 一种高光谱相机的自动对焦方法、系统、介质及设备 |
| CN116233602B (zh) * | 2022-12-15 | 2024-06-04 | 山东大学 | 一种高光谱相机的自动对焦方法、系统、介质及设备 |
| CN116229260A (zh) * | 2023-02-21 | 2023-06-06 | 岭南现代农业科学与技术广东省实验室河源分中心 | 基于高光谱与卷积神经网络的病变板栗分类方法、系统及介质 |
| CN117611828A (zh) * | 2024-01-19 | 2024-02-27 | 云南烟叶复烤有限责任公司 | 一种基于高光谱图像分割技术的非烟杂物检测方法 |
| CN117611828B (zh) * | 2024-01-19 | 2024-05-24 | 云南烟叶复烤有限责任公司 | 一种基于高光谱图像分割技术的非烟杂物检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113533220A (zh) | 一种基于高光谱成像技术的煤炭种类识别方法 | |
| CN110210608B (zh) | 基于注意力机制和多层次特征融合的低照度图像增强方法 | |
| CN112950632B (zh) | 一种基于高光谱成像技术和卷积神经网络的煤炭质量检测方法 | |
| CN111062880A (zh) | 一种基于条件生成对抗网络的水下图像实时增强方法 | |
| CN110232419A (zh) | 一种边坡岩石类别自动识别的方法 | |
| CN114972085B (zh) | 一种基于对比学习的细粒度噪声估计方法和系统 | |
| CN112749675A (zh) | 一种基于卷积神经网络的马铃薯病害识别方法 | |
| CN113033705B (zh) | 一种基于模式识别的铜转炉吹炼造渣期终点智能判断与校验方法 | |
| CN113610024A (zh) | 一种多策略的深度学习遥感影像小目标检测方法 | |
| Hortinela et al. | Classification of Cacao Beans Based on their External Physical Features Using Convolutional Neural Network | |
| CN113870341A (zh) | 基于rgb和激光特征融合的高炉烧结矿粒径检测方法及系统 | |
| CN107862344B (zh) | 一种图像分类方法 | |
| CN113657472B (zh) | 一种基于子空间学习的多源遥感数据融合方法 | |
| Niu et al. | Underwater Waste Recognition and Localization Based on Improved YOLOv5. | |
| CN114358204A (zh) | 基于自监督的无参考图像质量评估方法及系统 | |
| CN109785315A (zh) | 烟梗重量的测量方法、存储介质、终端及装置 | |
| CN113112482A (zh) | 一种基于注意力机制网络的pcb缺陷检测方法 | |
| CN114418963A (zh) | 一种基于机器视觉的电池极板缺陷检测方法 | |
| CN118396937A (zh) | 一种小样本芯片外观缺陷检测方法及系统 | |
| CN114897909B (zh) | 基于无监督学习的曲轴表面裂纹监测方法及系统 | |
| CN117372352A (zh) | 一种基于多流卷积神经网络的水下图像质量评价方法 | |
| CN112364904A (zh) | 一种基于随机抽样的模型剪枝方法 | |
| CN115619677A (zh) | 一种基于改进的CycleGAN的图像去雾方法 | |
| CN116091818A (zh) | 基于多神经网络级联模型的指针式仪表读数识别方法 | |
| CN116452489A (zh) | 一种基于神经网络算法的多部位猪肉肌内脂肪含量的估算方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20211022 |