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 PDF

Info

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
convolution
hyperspectral
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
Application number
CN202110840606.6A
Other languages
English (en)
Inventor
李文军
林赐云
高泽天
龙伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jilin University
Original Assignee
Jilin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jilin University filed Critical Jilin University
Priority to CN202110840606.6A priority Critical patent/CN113533220A/zh
Publication of CN113533220A publication Critical patent/CN113533220A/zh
Pending legal-status Critical Current

Links

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

一种基于高光谱成像技术的煤炭种类识别方法
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：
Figure BDA0003178778380000031
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：
Figure BDA0003178778380000032
上式中，σ表示噪声n的标准差，
Figure BDA0003178778380000041
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：
Figure BDA0003178778380000042
上式中，a为可学习的系数。
输出采用软最大输出函数softmax:
Figure BDA0003178778380000051
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：
Figure BDA0003178778380000052
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：
Figure FDA0003178778370000011
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：
Figure FDA0003178778370000012
上式中，σ表示噪声n的标准差，
Figure FDA0003178778370000013
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：
Figure FDA0003178778370000021
上式中，a为可学习的系数；
输出采用软最大输出函数softmax:
Figure FDA0003178778370000022
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：
Figure FDA0003178778370000031
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。
CN202110840606.6A 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 Pending CN113533220A (zh)

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 (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (9)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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 (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
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
CN113533220A (zh) 一种基于高光谱成像技术的煤炭种类识别方法
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
CN110824586B (zh) 基于改进决策树算法的降水预测方法
CN114049305B (zh) 基于改进ALI和Faster-RCNN的配电线路销钉缺陷检测方法
CN112347910B (zh) 一种基于多模态深度学习的信号指纹识别方法
CN110717520A (zh) 基于高光谱图像空间特征和光谱特征融合的固废识别方法
CN116258664A (zh) 一种基于深度学习的光伏电池片智能缺陷检测方法
Hu et al. Accurate identification strategy of coal and gangue using infrared imaging technology combined with convolutional neural network
CN112213244B (zh) 基于机器学习的机动车尾气林格曼黑度测量装置及方法
CN113112482A (zh) 一种基于注意力机制网络的pcb缺陷检测方法
CN117911252A (zh) 基于深度学习去除图像中光照的方法及系统
CN116993639A (zh) 基于结构重参数化的可见光与红外图像融合方法
CN116363536B (zh) 一种基于无人机巡查数据的电网基建设备缺陷归档方法
CN116990437A (zh) 一种用于原煤灰分的入洗量前馈自动调节系统
CN111105364A (zh) 一种基于秩一分解和神经网络的图像复原方法
CN116559037A (zh) 一种基于图像技术的露天矿爆区粉尘浓度动态测量方法
CN109785315A (zh) 烟梗重量的测量方法、存储介质、终端及装置
CN116309221A (zh) 一种多光谱图像融合模型的构建方法
CN108645841B (zh) 一种拉曼光谱小波融合的芝麻油多元掺伪检测方法
CN114897835B (zh) 一种基于图像的煤炭产品灰分实时检测系统
CN113159083A (zh) 一种基于Faster R-CNN网络的烟叶分级方法
Yu et al. PCB Defect Detection Based on GAN Data Generation with Self-attentive Mechanism
CN112749507B (zh) 一种全息在线计量煤和生物质耦合发电掺混比例的方法
CN111027852B (zh) 基于大数据处理和灰色理论分析风发电效益的方法

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

Application publication date: 20211022

WD01 Invention patent application deemed withdrawn after publication