CN113570542A - 一种基于机器视觉的遮挡情况下煤矸石检测方法 - Google Patents

一种基于机器视觉的遮挡情况下煤矸石检测方法 Download PDF

Info

Publication number
CN113570542A
CN113570542A CN202110330074.1A CN202110330074A CN113570542A CN 113570542 A CN113570542 A CN 113570542A CN 202110330074 A CN202110330074 A CN 202110330074A CN 113570542 A CN113570542 A CN 113570542A
Authority
CN
China
Prior art keywords
image
coal gangue
complete
layer
generator
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
CN202110330074.1A
Other languages
English (en)
Inventor
缪燕子
王啸林
王贺升
代伟
杨春雨
张宗伟
邓慧颖
蒋超康
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.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
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 China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN202110330074.1A priority Critical patent/CN113570542A/zh
Publication of CN113570542A publication Critical patent/CN113570542A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种在遮挡情况下，基于计算机视觉的识别煤和矸石的方法。该方法包括：使用Mask RCNN从采集的图像中将煤或矸石没被遮挡的可见部分分割出来；使用Completion‑GAN网络根据图像分割出的可见部分生成被遮挡的不可见部分，进而获得完整图像；使用完整图像进行检测，得到识别结果。本发明提出了用计算机视觉技术在遮挡情况下识别煤和矸石的方法，依据实例引导，使用Completion‑GAN网络有监督的将部分煤矸石图像生成为完整煤矸石图像，解决了遮挡情况下特征不明显导致的煤矸石检测精度较低的问题，同时用人工智能的方法进行煤矸石检测降低了煤矸石分拣的人工成本，提高了矿井智能化水平及煤矸分拣效率。

Description

一种基于机器视觉的遮挡情况下煤矸石检测方法
技术领域
本发明涉及深度学习、计算机视觉领域，具体是使用Completion-GAN网络在遮挡情况下识别煤和矸石的方法。
背景技术
煤炭工业的绿色发展已经成为全社会关注的焦点，煤炭的清洁加工和利用是实现煤 炭工业绿色发展的重中之重。煤炭入选率是衡量煤炭绿色发展水平的有效指标，目前一些发 达国家的原煤入选率已超过了80％，我国原煤入选率约为60％。传统的拣矸工作主要在地面 依靠人工完成，存在拣矸效率低、劳动强度大、工作环境恶劣等问题，不仅如此，煤矸石堆 放存在占用土地、污染大气、危害水土、潜在灾变等一系列严重问题。
近年来，利用深度神经网络进行图像的研究已经成为机器学习和计算机视觉研究的热点。利用机器视觉，人工智能自动分拣煤矸石已经成为未来煤矸石分拣的发展趋势。但是现有的煤矸石自动分拣装置效率低下，难以识别相互堆叠，相互遮挡的煤矸石。本发明提供了一种遮挡情况下识别煤矸石的方法。
发明内容
本发明的目的是解决遮挡情况下煤和矸石的识别问题。
为实现本发明的目的而采用的技术方案包括以下步骤：
1)使用Mask RCNN从采集的图像中将煤或矸石没被遮挡的可见部分分割出来；
对采集的煤矸石图像进行预处理，将图像尺寸调整为1024*1024。经过改进的VGGNet 与FPN网络耦合的网络进行不同尺度的特征提取；
改进的VGGNet网络进行特征提取下采样，其结构采用原有的VGGNet16网络卷积基结构的前十三层；改进的VGGNet网络共计进行13次深度卷积，卷积核的尺寸为3*3，改进后的VGGNet网络减少了模型体积，在不损失性能的前提下提高了计算速度。
2)使用Completion-GAN网络根据图像分割出的可见部分生成被遮挡的不可见部分，进而获得完整图像；
Completion-GAN神经网络模型包括特征学习器F、条件编码器E、生成器G和判别器D；
特征学习器F由输入层、卷积层、全连接层、输出层构成；特征学习器仅在训练网络时发挥作用，它的输入为与条件编码器输入的部分煤矸石图像相对应的完整煤矸石图像；它的作用是为生成器生成图像提供指导，生成和条件变量纹理、外观特征相同的完整煤矸石图像。
条件编码器E由输入层、卷积层、池化层、全连接层、输出层构成；它的输入为分割后提取出来的煤矸石可见部分图像，它的作用是为生成器提供条件变量，条件变量为部分煤矸石图像。
生成器G由输入层、全连接层、卷积层、输出层构成；它的作用是依据条件变量(部分煤矸石图像)，在与其对应的完整煤矸石图像的指导下生成新的完整煤矸石图像。
判别器D由输入层、卷积层、全连接层、输出层构成；它的作用是判别生成器生成的图像真伪。
训练Completion-GAN网络模型包括以下步骤：
2.1)对训练集进行预处理，将完整煤矸石图像进行随机分割，得到对应的部分煤矸石图像，最终得到成对图像的训练集，具体包括以下步骤：
2.1.1)从矿井下获取煤矸石图像数据集I，从中抽取i个样本
Figure RE-GDA0003123701910000021
i为批处理大小，Ig为数据集中的完整煤矸石图像。
2.1.2)对原始煤矸石图像Ig进行随机裁剪，得到其对应的部分煤矸石图像Im，最终得到处理后的数据集I＝(Ig,Im)。
2.2)将完整的煤矸石图像输入到特征学习器，训练特征学习器F；
2.3)将对应的部分煤矸石图像输入到条件编码器，训练条件编码器E；
2.4)固定Completion-GAN网络模型生成器参数，学习判别器D参数，具体包括以下步骤：
2.4.1)从处理后的训练数据集I＝(Ig,Im)中取出k个图像对，k表示批处理大小。
Figure RE-GDA0003123701910000022
为第i个图像对；
2.4.2)将
Figure RE-GDA0003123701910000031
输入到特征学习器F中，输出完整煤矸石图像的纹理特征和外观特征
Figure RE-GDA0003123701910000032
2.4.3)将
Figure RE-GDA0003123701910000033
输入到条件编码器E中，输出条件变量编码
Figure RE-GDA0003123701910000034
2.4.4)将外观特征
Figure RE-GDA0003123701910000035
和条件变量编码
Figure RE-GDA0003123701910000036
输入到Completion-GAN网络生成器G 中生成图像，得到生成的完整煤矸石图像
Figure RE-GDA0003123701910000037
2.4.5)更新Completion-GAN神经网络判别器参数θd，
Figure RE-GDA0003123701910000038
η为学习率，
Figure RE-GDA0003123701910000039
为目标函数
Figure RE-GDA00031237019100000310
对判别器参数θd的偏导数。
2.4.6)使目标函数
Figure RE-GDA00031237019100000311
最大化，即令
Figure RE-GDA00031237019100000312
式中，
Figure RE-GDA00031237019100000313
为修改后的生成数据，D()为判别值。
2.5)固定Completion-GAN网络模型判别器参数，学习生成器G参数，具体包括以下步骤：
2.5.1)将煤矸石图像特征
Figure RE-GDA00031237019100000314
和条件变量编码
Figure RE-GDA00031237019100000315
输入到生成器G中；
2.5.2)更新生成器参数θg，使目标函数
Figure RE-GDA00031237019100000316
最大化，即令：
Figure RE-GDA00031237019100000317
式中，
Figure RE-GDA00031237019100000318
为目标函数
Figure RE-GDA00031237019100000319
对生成器参数θg的偏导数。
3)得到生成的完整图像后，用现有的目标检测算法检测煤矸石。
由于我们的网络生成的多重多样的结果需要与原图像一致，这要求生成图像的外观及纹理特征尽可能与已知像素区域中对应的图像的外观形状和纹理特征相同。因此需要添加条件约束，对此定义如下损失函数：
Figure RE-GDA0003123701910000041
式中，
Figure RE-GDA0003123701910000042
为外观形状损失，
Figure RE-GDA0003123701910000043
为纹理特征损失，pdata为训练数据集的分布，M()为Completion-GAN网络模型表示的函数。
Completion-GAN网络对抗损失构建如下：
Figure RE-GDA0003123701910000044
最终损失函数为：
Figure RE-GDA0003123701910000045
式中，λ1,λ2为平衡系数，平衡两种损失的重要程度。
Completion-GAN神经网络模型采用Adam梯度下降算法更新模型中的权重和偏移。
Completion-GAN神经网络模型卷积层的激活函数为Relu激活函数；Completion-GAN 神经网络模型卷积层利用层归一化进行数据处理。
本发明解决了传统目标检测方法对于遮挡情况下煤矸石识别不鲁棒的问题。提高了煤矸石分拣的效率。本发明改进了多种现有的机器视觉算法并将其融合。将分割提取后的图像可见部分用Completion-GAN网络生成完整图像然后再进行检测。对于遮挡情况下进行目标检测提出了一种新的思路。
附图说明
图1为MaskRCN算法分割提取煤矸石图像可见部分的流程图。
图2为用Completion-GAN网络由煤矸石的可见部分生成煤矸石的完整图像的流程图。
图3为本发明设计的Completion-GAN网络结构图
具体实施方式
下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。
实施案例:
1)结合图一，用MaskRCNN从采集的图像中将煤或矸石没被遮挡的可见部分分割出来，包括以下步骤：
1.1)对采集的煤矸石图像进行预处理，将图像尺寸调整为1024*1024。经过改进的VGGNet与FPN网络耦合的网络进行不同尺度的特征提取；
1.2)提取到的特征图设定感兴趣区域,将获得的多个ROI输送到RPN网络进行候选区域筛选；
1.3)利用RoIAlign层对每个候选出的ROI提取固定尺寸的特征图；
1.4)将固定尺寸的特征图输入至FCN网络，得到遮挡煤矸石的可见部分图像。
经过改进的VGGNet与FPN网络耦合的网络由两部分构成：
(1)一部分为深度可分离卷积的VGGNet网络进行特征提取下采样，其结构采用原有的VGGNet16网络卷积基结构的前十三层；改进的VGGNet网络共计进行13次深度卷积，卷积核的尺寸为3*3。
(2)另一部分为FPN网络进行特征提取上采样。FPN网络采用的最邻近上采样，采样频率为2。
2)结合图2、图3，用Completion-GAN网络根据图像分割出的可见部分生成被遮挡的不可见部分，进而获得完整图像；
Completion-GAN网络模型包括特征学习器F、条件编码器E、生成器G和判别器D；
特征学习器F由输入层、卷积层、全连接层、输出层构成；特征学习器仅在训练网络时发挥作用，它的输入为与条件编码器输入的部分煤矸石图像相对应的完整煤矸石图像；它的作用是为生成器生成图像提供指导，生成和条件变量纹理、外观特征相同的完整煤矸石图像。
条件编码器E由输入层、卷积层、池化层、全连接层、输出层构成；它的输入为分割后提取出来的煤矸石可见部分图像，它的作用是为生成器提供条件变量，条件变量为部分煤矸石图像。
生成器G由输入层、全连接层、卷积层、输出层构成；它的作用是依据条件变量(部分煤矸石图像)，在与其对应的完整煤矸石图像的指导下生成新的完整煤矸石图像。
判别器D由输入层、卷积层、全连接层、输出层构成；它的作用是判别生成器生成的图像真伪。
训练Completion-GAN网络网络模型包括以下步骤：
2.1)对训练集进行预处理，将完整煤矸石图像进行随机分割，得到对应的部分煤矸石图像，最终得到成对图像的训练集，具体包括以下步骤：
2.1.1)从矿井下获取煤矸石图像数据集I，从中抽取i个样本
Figure RE-GDA0003123701910000061
i为批处理大小，Ig为数据集中的完整煤矸石图像。
2.1.2)对原始煤矸石图像Ig进行随机裁剪，得到其对应的部分煤矸石图像Im，最终得到处理后的数据集I＝(Ig,Im)。
2.2)将完整的煤矸石图像输入到特征学习器，训练特征学习器F；
2.3)将对应的部分煤矸石图像输入到条件编码器，训练条件编码器E；
2.4)固定Completion-GAN网络模型生成器参数，学习判别器D参数，具体包括以下步骤：
2.4.1)从处理后的训练数据集I＝(Ig,Im)中取出k个图像对，k表示批处理大小。
Figure RE-GDA0003123701910000062
为第i个图像对；
2.4.2)将
Figure RE-GDA0003123701910000063
输入到特征学习器F中，输出完整煤矸石图像的纹理特征和外观特征
Figure RE-GDA0003123701910000064
2.4.3)将
Figure RE-GDA0003123701910000065
输入到条件编码器E中，输出条件变量编码
Figure RE-GDA0003123701910000066
2.4.4)将外观特征
Figure RE-GDA0003123701910000067
和条件变量编码
Figure RE-GDA0003123701910000068
输入到Completion-GAN网络生成器G 中生成图像，得到生成的完整煤矸石图像
Figure RE-GDA0003123701910000071
2.4.5)更新Completion-GAN网络判别器D参数θd，
Figure RE-GDA0003123701910000072
η为学习率，
Figure RE-GDA0003123701910000073
为目标函数
Figure RE-GDA0003123701910000074
对判别器参数θd的偏导数。
2.4.6)使目标函数
Figure RE-GDA0003123701910000075
最大化，即令
Figure RE-GDA0003123701910000076
式中，
Figure RE-GDA0003123701910000077
为修改后的生成数据，D()为判别值。
2.5)固定Completion-GAN网络模型判别器参数，学习生成器G参数，具体包括以下步骤：
2.5.1)将煤矸石图像特征
Figure RE-GDA0003123701910000078
和条件变量编码
Figure RE-GDA0003123701910000079
输入到生成器G中；
2.5.2)更新生成器参数θg，使目标函数
Figure RE-GDA00031237019100000710
最大化，即令：
Figure RE-GDA00031237019100000711
式中，
Figure RE-GDA00031237019100000712
为目标函数
Figure RE-GDA00031237019100000713
对生成器参数θg的偏导数。
3)得到生成的完整图像后，用现有的目标检测算法检测煤矸石。
定义如下损失函数：
Figure RE-GDA00031237019100000714
Completion-GAN网络对抗损失构建如下：
Figure RE-GDA00031237019100000715
最终损失函数构造如下：
Figure RE-GDA0003123701910000081
使用获得的完整图像进行检测，得到识别结果。
Completion-GAN网络模型采用Adam梯度下降算法更新模型中的权重和偏移。
Completion-GAN网络模型卷积层的激活函数为Relu激活函数；Completion-GAN网络模型卷积层利用层归一化进行数据处理。

Claims (9)

1.一种在遮挡情况下识别煤和矸石的方法，其特征在于：包括如下步骤：
步骤1、使用MaskRCNN从采集的图像中将煤或矸石没被遮挡的可见部分分割出来；
步骤2、使用Completion-GAN网络根据图像分割出的可见部分生成被遮挡的不可见部分，进而获得完整图像；
步骤3、使用完整图像进行检测，得到识别结果。
2.根据权利要求1所述步骤2中使用Completion-GAN网络根据图像分割出的可见部分生成被遮挡的不可见部分，进而获得完整图像的方法，其特征在于，Completion-GAN网络模型包括条件变量编码器E、特征学习器F、生成器G、判别器D；
条件编码器E由输入层、卷积层、池化层、全连接层、输出层构成；它的输入为分割后提取出来的煤矸石可见部分图像，它的作用是为生成器提供条件变量，条件变量为部分煤矸石图像。
特征学习器F由输入层、卷积层、全连接层、输出层构成；特征学习器仅在训练网络时发挥作用，它的输入为与条件编码器输入的部分煤矸石图像相对应的完整煤矸石图像；它的作用是为生成器生成图像提供指导，生成和条件变量纹理、外观特征相同的完整煤矸石图像。
生成器G由输入层、全连接层、卷积层、输出层构成；它的作用是依据条件变量(部分煤矸石图像)，在与其对应的完整煤矸石图像的指导下生成新的完整煤矸石图像。
判别器D由输入层、卷积层、全连接层、输出层构成；它的作用是判别生成器生成的图像真伪。
3.根据权利要求1所述的使用Completion-GAN网络根据图像分割出的可见部分生成被遮挡的不可见部分，进而获得完整图像的训练方法包括以下步骤：
步骤21、对训练集进行预处理，将完整煤矸石图像进行随机分割，得到对应的部分煤矸石图像，最终得到成对图像的训练集；
步骤22、将完整的煤矸石图像输入到特征学习器，训练特征学习器F；
步骤23、将对应的部分煤矸石图像输入到条件编码器，训练条件编码器E；
步骤24、固定Completion-GAN网络模型生成器参数，学习判别器D参数；
步骤25、固定Completion-GAN网络模型判别器参数，学习生成器G参数。
4.根据权利要求3所述的对训练集进行预处理的方法，其特征在于包括以下步骤：
步骤211、从矿井下获取煤矸石图像数据集I，从中抽取i个样本
Figure FDA0002996051520000021
i为批处理大小，Ig为数据集中的完整煤矸石图像。
步骤212、对原始煤矸石图像Ig进行随机裁剪，得到其对应的部分煤矸石图像Im，最终得到处理后的数据集I＝(Ig,Im)。
5.根据权利要求3所述的固定Completion-GAN网络模型生成器参数，学习判别器D参数的方法，其特征在于包括以下步骤：
步骤241、从处理后的训练数据集I＝(Ig,Im)中取出k个图像对，k表示批处理大小。
Figure FDA0002996051520000022
为第i个图像对；
步骤242、将
Figure FDA0002996051520000023
输入到特征学习器F中，输出完整煤矸石图像的纹理特征和外观特征
Figure FDA0002996051520000024
步骤243、将
Figure FDA0002996051520000025
输入到条件编码器E中，输出条件变量编码
Figure FDA0002996051520000026
步骤244、将外观特征
Figure FDA0002996051520000027
和条件变量编码
Figure FDA0002996051520000028
输入到Completion-GAN网络生成器G中生成图像，得到生成的完整煤矸石图像
Figure FDA0002996051520000029
步骤245、更新Completion-GAN网络判别器D参数θd，
Figure FDA00029960515200000210
η为学习率，
Figure FDA00029960515200000211
为目标函数
Figure FDA00029960515200000212
对判别器参数θd的偏导数。
步骤246、使目标函数
Figure FDA00029960515200000213
最大化，即令
Figure FDA00029960515200000214
式中，
Figure FDA00029960515200000215
为修改后的生成数据，D()为判别值。
6.根据权利要求3所述的固定Completion-GAN网络模型判别器参数，学习生成器G参数的方法，其特征在于包括以下步骤：
步骤251、将煤矸石图像特征
Figure FDA0002996051520000031
和条件变量编码
Figure FDA0002996051520000032
输入到生成器G中；
步骤222、更新生成器参数θg，使目标函数
Figure FDA0002996051520000033
最大化，即令：
Figure FDA0002996051520000034
式中，
Figure FDA0002996051520000035
为目标函数
Figure FDA0002996051520000036
对生成器参数θg的偏导数。
7.根据权利要求1所述步骤2中使用Completion-GAN网络根据图像分割出的可见部分生成被遮挡的不可见部分，进而获得完整图像的方法，其特征在于，定义如下条件约束损失函数：
Figure FDA0002996051520000037
式中，
Figure FDA0002996051520000038
为外观形状损失，
Figure FDA0002996051520000039
为纹理特征损失，pdata为训练数据集的分布，M()为Completion-GAN网络模型表示的函数。
8.根据权利要求3所述的由图像的可见部分生成完整图像的方法，其特征在于：Completion-GAN网络神经网络模型采用Adam梯度下降算法更新模型中的权重和偏移。
9.根据权利要求3所述的由图像的可见部分生成完整图像的方法，其特征在于，Completion-GAN网络模型卷积层的激活函数为Relu激活函数；Completion-GAN神经网络模型卷积层利用层归一化进行数据处理。
CN202110330074.1A 2021-03-29 2021-03-29 一种基于机器视觉的遮挡情况下煤矸石检测方法 Pending CN113570542A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110330074.1A CN113570542A (zh) 2021-03-29 2021-03-29 一种基于机器视觉的遮挡情况下煤矸石检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110330074.1A CN113570542A (zh) 2021-03-29 2021-03-29 一种基于机器视觉的遮挡情况下煤矸石检测方法

Publications (1)

Publication Number Publication Date
CN113570542A true CN113570542A (zh) 2021-10-29

Family

ID=78161207

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110330074.1A Pending CN113570542A (zh) 2021-03-29 2021-03-29 一种基于机器视觉的遮挡情况下煤矸石检测方法

Country Status (1)

Country Link
CN (1) CN113570542A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115310361A (zh) * 2022-08-16 2022-11-08 中国矿业大学 基于wgan-cnn煤矿井下粉尘浓度预测方法和系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115310361A (zh) * 2022-08-16 2022-11-08 中国矿业大学 基于wgan-cnn煤矿井下粉尘浓度预测方法和系统
CN115310361B (zh) * 2022-08-16 2023-09-15 中国矿业大学 基于wgan-cnn煤矿井下粉尘浓度预测方法和系统

Similar Documents

Publication Publication Date Title
CN107016405B (zh) 一种基于分级预测卷积神经网络的害虫图像分类方法
CN112435221A (zh) 一种基于生成式对抗网络模型的图像异常检测方法
CN106971152A (zh) 一种基于航拍图像的检测输电线路中鸟巢的方法
CN109410238B (zh) 一种基于PointNet++网络的枸杞识别计数方法
CN110543878A (zh) 一种基于神经网络的指针仪表读数识别方法
CN110264448B (zh) 一种基于机器视觉的绝缘子故障检测方法
CN107346420A (zh) 一种基于深度学习的自然场景下文字检测定位方法
CN106934418B (zh) 一种基于卷积递归网络的绝缘子红外诊断方法
CN109657610A (zh) 一种高分辨率多源遥感影像的土地利用变化检测方法
CN111368825B (zh) 一种基于语义分割的指针定位方法
CN112347970B (zh) 一种基于图卷积神经网络的遥感影像地物识别方法
CN113673509B (zh) 一种基于图像文本的仪表检测分类方法
CN103345617A (zh) 中药识别的方法及其系统
CN115205692A (zh) 基于生成对抗网络的典型地物要素智能识别与提取方法
CN110866547B (zh) 基于多特征和随机森林的中药饮片自动分类系统及方法
CN113570542A (zh) 一种基于机器视觉的遮挡情况下煤矸石检测方法
CN110648312A (zh) 一种基于鳞片形态特征分析的羊毛与羊绒纤维识别方法
CN109670408A (zh) 一种基于对象的遥感图像水体提取方法
CN107392927B (zh) 一种亚米级遥感影像渔业网箱提取方法
Xu et al. Remote Sensing Mapping of Cage and Floating-raft Aquaculture in China's Offshore Waters Using Machine Learning Methods and Google Earth Engine
CN111882573A (zh) 一种基于高分辨率影像数据的耕地地块提取方法及系统
CN112580659A (zh) 一种基于机器视觉的矿石识别方法
CN113210264B (zh) 烟草杂物剔除方法及装置
CN113313081B (zh) 融合车载三维激光点云与影像的道路交通杆状物分类方法
CN115439690A (zh) 一种结合CNN和Transformer的烤烟烟叶图像分级方法

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