CN113569795A - 一种基于机器视觉的煤矸石识别方法及系统 - Google Patents
一种基于机器视觉的煤矸石识别方法及系统 Download PDFInfo
- Publication number
- CN113569795A CN113569795A CN202110902535.8A CN202110902535A CN113569795A CN 113569795 A CN113569795 A CN 113569795A CN 202110902535 A CN202110902535 A CN 202110902535A CN 113569795 A CN113569795 A CN 113569795A
- Authority
- CN
- China
- Prior art keywords
- image
- data set
- coal gangue
- model
- coal
- 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 85
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 53
- 230000004927 fusion Effects 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 19
- 238000003064 k means clustering Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 2
- 239000000428 dust Substances 0.000 abstract description 4
- 238000003912 environmental pollution Methods 0.000 abstract description 2
- 238000000926 separation method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 239000004484 Briquette Substances 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F18/23—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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于机器视觉的煤矸石识别方法及系统,其主要目的是提高煤矸石检测的自动化水平和识别率,同时对粉尘等干扰因素保持鲁棒性,该系统主要包括三大部分:1.对煤流视频的读取;2.将采集到的视频送入高性能计算机进行检测;3.输出检测结果,本发明采用的方法能提高煤矸石检测的智能化水平,同时大大减少工作人员的劳动量,不会造成环境污染,在真实矿井环境中具有较强的鲁棒性,能提高对煤矸石识别的正确率,也适于大规模推广。
Description
技术领域
本发明属于煤矸石识别的技术领域,尤其涉及一种基于机器视觉的煤矸石识别方法及系统。
背景技术
煤炭在我国能源中占有举足轻重的地位,在煤炭开采过程中,开采到的原煤中通常会夹杂着煤矸石,煤矸石是在煤形成的过程中产生的一种含碳量较低的岩石,属于煤炭中的杂质。一方面,煤矸石会影响成品煤的质量,降低煤炭的燃烧率,而且其燃烧产物会污染环境;另一方面,片状的煤矸石可能会在皮带运输的过程中导致运输皮带撕裂。因此,对原煤中夹杂着的煤矸石进行识别和分拣是十分必要的。
目前,基于观察颜色和纹理分布的人工分选是目前应用最广泛的煤矸石分选方法之一,但是这种方式存在劳动强度大、自动化程度不高、工作环境差,选矸效率低等问题。除此之外,还开发了包括X射线、伽马射线和激光的干燥技术,以根据煤矸石的结构和组成特征来区分煤矸石和煤,但这对工人的健康是有害的。近年来,机械湿选法在煤矿中得到了广泛的应用,然而其生产工艺耗水量大,并且排放的物质污染周围环境,并不适合大规模的在煤矿企业中推广应用。此外,跳汰机不适合在供水稀缺的地区使用。随着计算机视觉的发展,人们探索了在煤矸石分选中采用视觉图像处理来检测煤矸石的可能性,建设了综合识别模型、支持向量机模型和卷积神经网络模型,利用图像包含的特征来识别不同的矿石。传统的基于图像处理的方式需要人为的设计并提取图像的特征,并将提取的特征送入支持向量机来进行识别,但由于这种方式所采用的特征比较固定,很容易受到图像质量的影响。
相较于传统的计算机视觉技术,卷积神经网络不需要对图像做预处理、图像分割和人工设计图像特征等方面的工作,不仅减少了图像预处理的复杂度,也降低了人为因素对特征提取的影响,具有安全、易于维护等优点,是目前煤矸石识别的一个重要发展方向。
中国专利:一种基于机器视觉和电容融合的煤矸石识别与分离方法及其装置,申请公布号:CN112295955A,申请公布日:2021年2月2日,有以下问题:1.利用获取的图像来判断煤或煤矸石的厚度,并结合煤或煤矸石经过电极板时电阻两端的电压来对煤矸石进行识别,需要电压数据所以浪费了部分硬件装置,不能充分利用图像的各级特征;2.涉及多种装置单元,包括检测单元、输送单元、电动单元和气动单元,其中每个单元都包含了相应的硬件设备,会导致成本提高;3. 除了涉及的装置多以外,对各装置的安装有较为严格的要求,由于安装要求高,对周围的空间也会有相应的要求,实施起来比较繁琐;4.此方法建立在煤和煤矸石被独立分开放置在传送带的基础上,所假设的工作条件过于理想化,不太符合实际情况;5. 方法更偏向基于硬件,检测模型的识别率较低,因此需要设计一种基于机器视觉的煤矸石识别方法及系统来解决上述问题。
发明内容
本发明的目的在于提供一种能够解决上述问题的一种基于机器视觉的煤矸石识别方法及系统。
本发明采用的技术方案如下:
一种基于机器视觉的煤矸石识别方法,该方法包括如下步骤:
a. 对采集到的由煤块和煤矸石组成的图像进行标注并作为原始数据集,然后对图像进行重建并作为重建数据集;
b. 在数据集的图像中利用聚类算法来获取符合煤矸石形状的先验框,用聚类出的先验框代替目标检测YOLOv3模型原始的先验框;
c. 对目标检测YOLOv3模型进行修改,将特征融合部分改成加权特征融合;
d. 使用两阶段训练法来训练改进后的YOLOv3模型,再将训练好的YOLOv3模型用于实时煤流视频的煤矸石检测。
本发明的进一步改进在于:所述的对图像进行重建包括对图像进行超分辨率重建得到重建图像,和原始的标注信息共同作为重建数据集。
本发明的进一步改进在于:所述的步骤b采用k-means聚类算法来获得基于原始图像中煤矸石形状的9个不同大小的先验框。
本发明的进一步改进在于:所述的步骤c中加权特征融合包括:在进行特征融合时,首先为待融合的特征层分配不同的权重因子,然后再将与权重因子相乘后的特征层进行级联融合。
本发明的进一步改进在于:所述的步骤d中的两阶段训练法包括:先使用重建数据集来训练改进后的YOLOv3模型,再使用原始数据集对重建数据集训练好的模型进行训练。
本发明的进一步改进在于:一种基于机器视觉的煤矸石识别系统,该系统包括图像采集模块、检测模块、输出模块,其中:
所述图像采集模块用于获取传送带上的实时图像或视频;
所述检测模块利用经过两阶段训练法训练好的改进YOLOv3模型对采集到的图像或视频进行煤矸石检测;
所述输出模块用于输出检测结果。
本发明的进一步改进在于:所述的两阶段训练法包括:先使用重建数据集来训练改进后的YOLOv3模型,再使用原始数据集对重建数据集训练好的模型进行训练。
本发明的进一步改进在于:所述的重建数据集包括:原始数据集中的图像经过超分辨率重建后得到的重建图像、原始数据集中的标注信息。
本发明的进一步改进在于:所述的改进YOLOv3模型包括:利用k-means聚类算法获得的先验框代替YOLOv3模型原始的先验框、用加权特征融合代替YOLOv3模型的特征融合部分。
本发明的进一步改进在于:所述的加权特征融合包括:在进行特征融合时,首先为待融合的特征层分配不同的权重因子,然后再将与权重因子相乘后的特征层进行级联融合。
有益效果:
采用基于卷积神经网络的深度检测算法来进行检测;一方面,不会对工人身体产生危害且不会污染环境;另一方面,可以利用图像多层次的特征,避免了依赖固定特征会导致识别失效的情况,同时能提高煤矸石识别的效率且大大降低人工的劳动量;采用两阶段法来训练检测模型,使检测模型适应真实的矿井环境,减少粉尘等干扰因素对图像识别率的影响,能提高煤矸石检测的智能化水平,同时大大减少工作人员的劳动量,不会造成环境污染,在真实矿井环境中具有较强的鲁棒性,能提高对煤矸石识别的正确率,也适于大规模推广。
附图说明
图1是本发明的系统流程图;
图2是本发明的YOLOv3框架;
图3是本发明的改进后的特征融合;
图4是本发明的两阶段训练流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。
本发明讲述了本发明提出了一种基于卷积神经网络对图像或视频中的煤矸石进行检测的方法及系统。其主要目的是提高煤矸石检测的自动化水平和识别率,同时对粉尘等干扰因素保持鲁棒性,该系统主要包括三大部分:1.对煤流视频的读取;2.将采集到的视频送入高性能计算机进行检测;3.输出检测结果。下面是各部分的详细说明:
第一部分:对煤流视频的读取
该部分由工业相机和照明设备组成,工业相机安装于运输皮带的上方用于采集运输带上煤流的实时视频,然后通过光纤将工业相机采集到的实时视频传输到高性能计算平台上。照明设备采用恒流光源,使得煤块表面的光源均匀一致,为工业级高清相机提供稳定的光源。
第二部分:将采集到的视频送入高性能计算机进行检测
通过光纤将读取到的煤流视频传输给高性能计算机,然后计算机利用深度检测算法对视频帧进行检测。具体来说,是利用本专利改进后的YOLOv3算法来对视频帧进行检测,YOLOv3算法具有很高的实时性,因此本专利选用YOLOv3算法作为基础检测模型并对其进行改进,以实现检测煤矸石的目的。以下是得到改进YOLOv3模型的步骤:
YOLOv3的基本框架如图2所示,它采用Darknet-53网络作为骨干网络来提取图像的特征,最终得到3个尺寸分别为 13×13,26×26,52×52的特征图。在图2中,y1表示尺度为13×13×255的高层特征,y2表示特征融合后尺度为26×26×255的中层特征,y3表示特征融合后尺度为52×52×255的低层特征。YOLOv3根据公开数据集中目标的大小通过k-means聚类的方式得到9个固定的先验框,并将其划分到这3个特征图上,尺度最大的y1使用最大的3个先验框,尺度最小的y3使用最小的3个先验框,这样特征图上的每个网格都会有3个先验框来进行检测,物体中心落在哪个网格里,哪个网格就负责检测此物体,最后以张量的形式输出物体的类别和位置。
由于YOLOv3所提供的9个先验框是在公开数据集上获得的,并不符合矿井图像的实际情况,因此,本专利所提方法对先验框的大小进行调整,在真实的矿井数据集图像上利用k-means聚类算法获得符合实际矿井图像的先验框。
同时,为了更好的利用深度检测模型提取出来的特征,本专利对YOLOv3模型的特征融合部分进行改进,使特征中的语义信息和物理信息得到充分利用。在YOLOv3中,由原始的26×26尺寸特征层C2与经13×13尺寸特征层上采样后形成的特征层C1进行融合得到最终用于y2预测的26×26尺寸特征层C5,采用的是直接沿通道维度进行拼接的方式,本专利对此进行改进,为待融合的两个特征层C1和C2分别赋予不同的权重后再进行融合。其中,为原始的26×26尺寸特征层C2分配一个大于1且小于1.5的权重β,同时为13×13尺寸特征层上采样后形成的特征层C1分配一个大于0.5且小于1的权重α,以使原始的26×26尺寸的特征层C2能主导预测层y2的预测过程;预测层y3所用的特征C6是由原始的52×52尺寸特征层C4与特征层C5上采样后得到的52×52尺寸的特征层C3进行融合得到的,本专利为原始的56×56尺寸特征层C4分配一个大于1且小于1.5的权重μ,同时为52×52尺寸的特征层C3分配一个大于0.5且小于1的权重λ,以使原始的52×52尺寸的特征C4能主导预测层y3的预测过程,也就是在检测小尺度目标时,使低层物理信息发挥更大的作用。
原始的特征融合方式如式(1)所示:
由式(2)可看出,与直接级联的融合方式不同,本专利采用的方法先为待融合的两个特征分配权重因子,以使它们在预测过程中发挥不同程度的作用,改进后的特征融合部分如图3所示。
训练改进后的YOLOv3模型首先需要收集好相应的数据集,也就是运输带上的煤块图像,标注出其中煤矸石的类别信息和位置信息并制作标签文件,之后利用图像和相应的标签来对深度检测模型进行训练;
由于井下工矿条件复杂,照明环境较差,且粉尘及水雾同时存在的情况时有发生,致使煤矿井下的相机获取到的图像通常较为模糊。因此,本专利提出通过两个阶段来训练检测模型,在使用原始图像训练目标检测模型之前,先将原始数据集图像进行复制,对复制后的原始数据集图像使用图像超分辨率重建算法进行重建以获得更加清晰、分辨率更高的煤块图像;之后,首先利用重建后的数据集图像对改进的YOLOv3模型进行训练,使模型在清晰的数据集图像上充分学习到检测煤矸石的知识。用重建图像训练完模型之后,再使用原始数据集图像对模型进行训练,达到微调检测模型的目的,使模型在已经学到检测煤矸石所需知识的基础上适应真实的矿井检测环境,从而使检测模型在实际检测的过程中具备较强的鲁棒性。
对改进后的检测模型用两阶段训练法进行训练,将训练好的检测模型迁移到高性能计算机中,当接收到相机获取到的视频后便可自动对煤矸石进行检测。
第三部分:输出检测结果
高性能计算机获取到工业相机采集到的实时视频煤流视频后,会对实时视频进行检测,识别出其中的煤矸石并用矩形框标出其具体位置,之后将检测结果输出给后续设备。
第一,对采用的目标检测模型进行了针对性改进,包括:1.调整原始先验框的大小,在获取到的真实矿井图像数据集上进行k-means聚类得到9个先验框,使先验框的尺寸适应真实的矿井图像;2.改进了多尺度特征的融合方式,以任务需求为导向,在进行特征融合时对待融合的特征层分配不同的权重进行融合,使融合后的特征对具体任务更有针对性。
第二,在训练检测模型阶段,使用同一个数据集分两个阶段来训练模型,其中第一阶段使用经过超分辨率重建后的数据集图像来训练检测模型,第二阶段使用原始的数据集图像来训练检测模型。
本发明的有益效果:
1.直接对获取的图像利用深度目标检测算法来进行煤矸石的识别,不需要电压数据所以节省了部分硬件装置,且采用的深度检测算法更专注于图像本身的特征,能充分利用图像的各级特征;
2.包含的硬件装置比较少,主要包括图像采集设备和高性能计算设备,图像采集设备主要包括工业摄像机,高性能计算设备主要包括带有高性能显卡的计算机;专利交底的方法需要的装置少,主要是工业相机和高性能计算机,成本不会太高,易于推广;
3.安装要求不高,对周围空间的要求小,实施起来相对简单,易于上手;
4.只要求煤和煤矸石平铺在传送带上,只要确保煤和煤矸石不相互覆盖就行,工作条件更加符合实际情况,更易于投入实际应用;
5.方法主要体现在算法方面,对采用的深度检测模型的特征融合部分进行了一定的修改,并对检测模型的训练阶段进行了改进,提高检测模型的识别率。
以上仅为本发明的较佳实施例而已。
Claims (10)
1.一种基于机器视觉的煤矸石识别方法,其特征在于:该方法包括如下步骤:
a. 对采集到的由煤块和煤矸石组成的图像进行标注并作为原始数据集,然后对图像进行重建并作为重建数据集;
b. 在数据集的图像中利用聚类算法来获取符合煤矸石形状的先验框,用聚类出的先验框代替目标检测YOLOv3模型原始的先验框;
c. 对目标检测YOLOv3模型进行修改,将特征融合部分改成加权特征融合;
d. 使用两阶段训练法来训练改进后的YOLOv3模型,再将训练好的YOLOv3模型用于实时煤流视频的煤矸石检测。
2.如权利要求1所述的方法,其特征在于:所述的对图像进行重建包括对图像进行超分辨率重建得到重建图像,和原始的标注信息共同作为重建数据集。
3.如权利要求1或2所述的方法,其特征在于:所述的步骤b采用k-means聚类算法来获得基于原始图像中煤矸石形状的9个不同大小的先验框。
4.如权利要求1所述的方法,其特征在于:所述的步骤c中加权特征融合包括:在进行特征融合时,首先为待融合的特征层分配不同的权重因子,然后再将与权重因子相乘后的特征层进行级联融合。
5.如权利要求1所述的方法,其特征在于:所述的步骤d中的两阶段训练法包括:先使用重建数据集来训练改进后的YOLOv3模型,再使用原始数据集对重建数据集训练好的模型进行训练。
6.一种基于机器视觉的煤矸石识别系统,其特征在于:该系统包括图像采集模块、检测模块、输出模块,其中:
所述图像采集模块用于获取传送带上的实时图像或视频;
所述检测模块利用经过两阶段训练法训练好的改进YOLOv3模型对采集到的图像或视频进行煤矸石检测;
所述输出模块用于输出检测结果。
7.如权利要求6所述的系统,其特征在于:所述的两阶段训练法包括:先使用重建数据集来训练改进后的YOLOv3模型,再使用原始数据集对重建数据集训练好的模型进行训练。
8.如权利要求6或7所述的系统,其特征在于,所述的重建数据集包括:原始数据集中的图像经过超分辨率重建后得到的重建图像、原始数据集中的标注信息。
9.如权利要求6所述的系统,其特征在于:所述的改进YOLOv3模型包括:利用k-means聚类算法获得的先验框代替YOLOv3模型原始的先验框、用加权特征融合代替YOLOv3模型的特征融合部分。
10.如权利要求6或9所述的系统,其特征在于:所述的加权特征融合包括:在进行特征融合时,首先为待融合的特征层分配不同的权重因子,然后再将与权重因子相乘后的特征层进行级联融合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110902535.8A CN113569795A (zh) | 2021-08-06 | 2021-08-06 | 一种基于机器视觉的煤矸石识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110902535.8A CN113569795A (zh) | 2021-08-06 | 2021-08-06 | 一种基于机器视觉的煤矸石识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113569795A true CN113569795A (zh) | 2021-10-29 |
Family
ID=78170744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110902535.8A Pending CN113569795A (zh) | 2021-08-06 | 2021-08-06 | 一种基于机器视觉的煤矸石识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113569795A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116597258A (zh) * | 2023-07-18 | 2023-08-15 | 华东交通大学 | 一种基于多尺度特征融合的矿石分选模型训练方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110441320A (zh) * | 2019-08-05 | 2019-11-12 | 北京泰豪信息科技有限公司 | 一种煤矸石检测方法、装置及系统 |
CN110490804A (zh) * | 2019-08-14 | 2019-11-22 | 西安工程大学 | 一种基于生成对抗网络的生成超分辨图像的方法 |
US20200033431A1 (en) * | 2018-07-30 | 2020-01-30 | Jo Schlemper | Deep learning techniques for magnetic resonance image reconstruction |
CN112354874A (zh) * | 2020-09-03 | 2021-02-12 | 江苏旷博智能技术有限公司 | 煤和矸石的识别方法以及矸石自动分离系统 |
-
2021
- 2021-08-06 CN CN202110902535.8A patent/CN113569795A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200033431A1 (en) * | 2018-07-30 | 2020-01-30 | Jo Schlemper | Deep learning techniques for magnetic resonance image reconstruction |
CN110441320A (zh) * | 2019-08-05 | 2019-11-12 | 北京泰豪信息科技有限公司 | 一种煤矸石检测方法、装置及系统 |
CN110490804A (zh) * | 2019-08-14 | 2019-11-22 | 西安工程大学 | 一种基于生成对抗网络的生成超分辨图像的方法 |
CN112354874A (zh) * | 2020-09-03 | 2021-02-12 | 江苏旷博智能技术有限公司 | 煤和矸石的识别方法以及矸石自动分离系统 |
Non-Patent Citations (4)
Title |
---|
GONG H等: "Object detection based on improved YOLOv3-tiny", 《2019 CHINESE AUTOMATION CONGRESS (CAC)》, pages 3240 - 3245 * |
崔艳鹏: "一种改进YOLOv3的动态小目标检测方法", 《西安电子科技大学学报》, vol. 47, no. 3, pages 1 - 7 * |
曾文冠: "基于卷积神经网络的声呐图像目标识别与检测", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 2, pages 31 - 32 * |
李云伍等: "基于改进空洞卷积神经网络的丘陵山区田间道路场景识别", 《农业工程学报》, vol. 35, no. 7, pages 154 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116597258A (zh) * | 2023-07-18 | 2023-08-15 | 华东交通大学 | 一种基于多尺度特征融合的矿石分选模型训练方法及系统 |
CN116597258B (zh) * | 2023-07-18 | 2023-09-26 | 华东交通大学 | 一种基于多尺度特征融合的矿石分选模型训练方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109879005B (zh) | 皮带撕裂检测装置及方法 | |
CN111275688A (zh) | 基于注意力机制的上下文特征融合筛选的小目标检测方法 | |
CN109241982A (zh) | 基于深浅层卷积神经网络的目标检测方法 | |
CN111967313B (zh) | 一种深度学习目标检测算法辅助的无人机图像标注方法 | |
CN102053563A (zh) | 模拟机飞行训练数据采集及质量评估系统 | |
CN112893159B (zh) | 一种基于图像识别的煤矸石分拣方法 | |
CN113145492A (zh) | 一种用于梨外观品质视觉分级方法及分级生产线 | |
CN112488229A (zh) | 一种基于特征分离和对齐的域自适应无监督目标检测方法 | |
CN113569795A (zh) | 一种基于机器视觉的煤矸石识别方法及系统 | |
CN113313684B (zh) | 一种暗光条件下基于视频的工业缺陷检测系统 | |
CN114535133B (zh) | 基于双能射线透射成像的煤和矸石分选方法、装置及系统 | |
CN113205163B (zh) | 数据标注方法及装置 | |
CN112785568A (zh) | 一种基于深度学习的磁瓦缺陷分割方法 | |
CN108629776A (zh) | 矿岩粒度检测系统 | |
WO2023159927A1 (zh) | 基于条件分支和专家系统的对象快速检测方法 | |
CN115063680B (zh) | 一种基于标签及图像合成技术的桥梁病害识别方法 | |
CN116189173A (zh) | 一种基于大数据的海水珍珠纹理识别方法 | |
CN110751150A (zh) | 一种基于fpga的二值神经网络车牌识别方法及系统 | |
CN113378685B (zh) | 用于矿山修复治理效果评估的人工智能检测系统及方法 | |
CN108734158B (zh) | 一种实时列车车号识别方法及装置 | |
CN115007474A (zh) | 一种基于图像识别的选煤机器人及选煤方法 | |
Wang et al. | A detection method for densely distributed coal and gangue with uneven particle based on DeepLabV3+ | |
Wang et al. | Multi-scale coal and gangue detection in dense state based on improved Mask RCNN | |
CN111723861A (zh) | 一种用于煤矿控制挡板的煤矸石百分比识别方法 | |
CN115775381B (zh) | 一种光照不均匀下的矿井电机车路况识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211029 |