CN113658212A - 图像预测的方法 - Google Patents
图像预测的方法 Download PDFInfo
- Publication number
- CN113658212A CN113658212A CN202110928454.5A CN202110928454A CN113658212A CN 113658212 A CN113658212 A CN 113658212A CN 202110928454 A CN202110928454 A CN 202110928454A CN 113658212 A CN113658212 A CN 113658212A
- Authority
- CN
- China
- Prior art keywords
- image
- particles
- data
- range
- time
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000002245 particle Substances 0.000 claims abstract description 106
- 238000003745 diagnosis Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000033001 locomotion Effects 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 6
- 239000002041 carbon nanotube Substances 0.000 claims description 6
- 229910021393 carbon nanotube Inorganic materials 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims 2
- 230000002123 temporal effect Effects 0.000 claims 1
- 238000012935 Averaging Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/207—Analysis of motion for motion estimation over a hierarchy of resolutions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/222—Studio circuitry; Studio devices; Studio equipment
- H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects
- H04N5/2628—Alteration of picture size, shape, position or orientation, e.g. zooming, rotation, rolling, perspective, translation
-
- 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
- G06T2207/10056—Microscopic image
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Dispersion Chemistry (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请公开了一种图像预测的方法,利用图像处理技术预测通道内颗粒的性质,包括如下步骤:图像噪声诊断分析;采用图像叠加机制,索引图像;统校待测范围内颗粒的数据;分析预测待测范围内颗粒随时间的变化及性质,采用图像噪声诊断分析可有效预防不稳定干扰误差,使图像像素值稳定不受干扰;采用图像叠加机制,将图像按照索引区域分类,使界限清晰,有利于颗粒准确识别;采用统校待测范围内颗粒的数据可对图像信息进行识别统计,根据需要也可以与实验数据建立关系函数,从而精准预测随时间变化的运动颗粒的性质与状态,本申请能够解决现有技术中无法精准预测颗粒状态变化与性质的问题。
Description
技术领域
本申请属于化工领域,具体涉及图像预测的方法。
背景技术
颗粒运动的准确识别与预测对判断物质状态与性质具有重要意义。然而,当前测量技术难以准确实时度量与预测,尤其涉及运动颗粒在通道内质量生长增加的情况,因此,采用图像处理技术成为必要手段。
当前,采用图像处理预测颗粒运动的难点在于噪声干扰、图像不清晰、预测准确度低等问题,解决这些问题有助于准确衡量颗粒运动状态与性质,最优化工艺参数,最终实现精准调控的目的。
运用图像技术预测颗粒性质对优化参数、节约成本与资源等极为重要。
发明内容
本申请实施例的目的是提供图像预测的方法,能够解决现有技术中无法精准预测颗粒状态变化与性质的问题。
为了解决上述技术问题,本申请是这样实现的:
图像预测的方法,其特征在于,利用图像处理技术预测通道内颗粒的性质,包括如下步骤:
图像噪声诊断分析;
采用图像叠加机制,索引图像;
统校待测范围内颗粒的数据;
分析预测待测范围内颗粒随时间的变化及性质。
可选地,所述颗粒的性质指通过图像数据反映的颗粒属性或特性,包括质量、体积、密度、速度、形态、温度;
可选地,所述图像噪声是指图像数据中由干扰因素所引起的信息,例如:高温环境下的红光、自然光线变化;
所述图像噪声分析的步骤包括:
选取一段时间内,同一视角下不同位置的至少一个无颗粒运动影响位置,提取该时间段内所述位置的图像信息,并统计概率分布;
可选地,所述图像噪声小于某一预设值则图像噪声不予考虑,大于或等于所述预设值时考虑图像噪声率;
考虑所述图像噪声率时,从该时刻提取的图像数据中剔除干扰噪声。
可选地,所述图像叠加机制是指采用切片叠加图像的原理使待测范围内根据缩放因子与概率矩阵分成至少两组区域并以索引图像表示,使所述区域界线更清晰。
所述待测范围是指拍摄的通道区域或所述图像与非通道区域之差区域。
可选地,所述统校待测范围内颗粒的数据是指计算任一时刻或时间段内颗粒识别区域的图像数据,例如:颗粒面积占比、气泡纵横比、气泡分形维数。
可选地,所述统校待测范围内颗粒的数据还包括指计算任一时刻或时间段内颗粒识别区域的校正数据;
所述校正数据是指将至少三组任一时刻或时间段内的图像数据与实验数据的对比,并建立关系表达式,例如:碳纳米管生长过程中的颗粒图像面积占比与颗粒质量关系式。
可选地,所述关系表达式的建立方法通过选取至少三组任一时刻或时间段内的图像数据与实验数据的差值,建立预测区间或预测函数。
可选地,分析预测待测范围内颗粒随时间的变化及性质是指根据所述统校待测范围内颗粒的数据的变化准确预测所需时刻或时间段的颗粒的性质及变化。
在本申请实施例中,采用图像噪声诊断分析可有效预防不稳定干扰误差,使图像像素值稳定不受干扰;采用图像叠加机制,三维空间转换为二维平面,将图像按照索引区域分类,使界限清晰,有利于颗粒准确识别;采用统校待测范围内颗粒的数据可对图像信息进行识别统计,根据需要也可以与实验数据建立关系函数,从而精准预测随时间变化的运动颗粒的性质。本申请能够解决现有技术中无法精准预测颗粒状态变化与性质的问题。
附图说明
图1是本申请实施例中图像预测的方法的流程示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”等所区分的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。此外,说明书以及权利要求中“和/或”表示所连接对象的至少其中之一,字符“/”,一般表示前后关联对象是一种“或”的关系。
下面结合附图,通过具体的实施例及其应用场景对本申请实施例提供的图像预测方法进行详细地说明。
参见图1,本申请的实施例提供了图像预测的方法,利用图像处理技术预测通道内颗粒的性质,包括如下步骤:
步骤S100:图像噪声诊断分析;
通过对图像噪声进行诊断分析,判断是否排除噪声干扰,若干扰误差超过预设值,则排除图像噪声,若不超过所述预设值,可根据需求决定是否消噪。
需要说明的是,是否消除噪声,其不仅与噪声来源有关而且与预测颗粒的结果有关。
需要说明的是,若通道内为高温,则伴随不稳定红光出现,若通道在自然环境中,宜受太阳光源因素影响,不稳定光源对图像颗粒的准确识别起重要作用。
需要说明的是,若预测结果仅需要提供颗粒变化曲线,而无需准确预测其颗粒性质的准确数值,则在稳定噪声的干扰下,可不予消除。
需要说明的是,根据预设需求、噪声来源及预测结果,合理诊断噪声,并予以消除,对准确识别待测范围内颗粒运动具有有益效果。
步骤S200:采用图像叠加机制,索引图像;
采用图像叠加机制,可以使图像转化为设定的索引图像,使颗粒与环境的界限更加明显,三维空间等效为二维平面观测。
需要说明的是,颗粒在所述通道内运动,所述通道的形状一般为薄壁圆柱形,且观测区域为透明,可探测内部颗粒运动状态。
需要说明的是,所述通道截面应为空心正n边形(n>3,n为正整数)或圆形,基于假设颗粒在截面上任意位置出现的机会是随机的基础上建立的。
需要说明的是,相机的拍摄方向与所述通道的方向垂直且相对位置不发生运动。
需要说明的是,所拍摄的图像可以等效为所述通道内平行于图像所有切面图像的叠加。
步骤S300:统校待测范围内颗粒的数据;
根据需要判断是否需要校正数据,所述校正数据是图像实时统计数据与该时刻或时间段内的实验值进行对比校正,建立函数关系表达式。
若无实验条件或仅统计图像曲线,则需统计图像内颗粒的特性进而预测颗粒的变化即可。
步骤S400:分析预测待测范围内颗粒随时间的变化及性质。
根据函数关系表达式以图像数据的变化等效为颗粒性质,进而实现准确预测所需要的颗粒的性质。
若无函数关系表达式,则通过图像数据的变化预测颗粒性质的变化曲线。
在本申请实施例中,采用图像噪声诊断分析可有效预防不稳定干扰误差,使图像像素值稳定不受干扰;采用图像叠加机制,三维空间转换为二维平面,将图像按照索引区域分类,使界限清晰,有利于颗粒准确识别;采用统校待测范围内颗粒的数据可对图像信息进行识别统计,根据需要也可以与实验数据建立关系函数,从而精准预测随时间变化的运动颗粒的性质。本申请能够解决现有技术中无法精准预测颗粒状态变化与性质的问题。
优选地,所述颗粒的性质指通过图像数据反映的颗粒属性或特性,包括质量、体积、密度、速度、形态、温度;
需要说明的是,所述颗粒为固体非透明颗粒。
所述质量是指所述通道内颗粒的固有属性,对于流化床内处于生长阶段的碳纳米管来说,不同时间段的质量呈现一定的变化,所述质量根据该时间段内颗粒面积占待测范围衡量。
需要说明的是,对于非生长状态的颗粒,判断方法同生长阶段颗粒一致。
所述体积同样是颗粒的固有属性,预测体积可以根据面积占比,也可以根据图像面积求解体积与实验体积进行对比,同理密度也可根据图像与实验数据建立关系表达式,进行相应预测。
所述速度则是捕捉图像颗粒的运动情况,求解随时间变化的速度。
所述形态是指颗粒的形状属性,对应图像数据可参考分形维数或纵横比等。
所述温度是指颗粒的表面温度,与此对应,图像的获取应为红外,捕获颗粒表面温度信号。
可选地,所述图像噪声是指图像数据中由干扰因素所引起的信息,例如:高温环境下的红光、自然光线变化;
所述图像噪声诊断分析的步骤包括:
选取一段时间内,同一视角下不同位置的至少一个无颗粒运动影响位置,提取该时间段内所述位置的图像信息,并统计概率分布;
需要说明的是,所述位置可以是无颗粒运动的任何位置,包括所述通道壁面,选取多个位置可增加误差准确率。
需要说明的是,在本发明实施例中,选取三组不同位置的非颗粒运动影响点,统计一段时间内像素值出现的次数,并绘制正态分布,求解均值与方差。
可选地,所述图像噪声小于某一预设值则图像噪声不予考虑,大于或等于所述预设值时考虑图像噪声率;
考虑所述图像噪声率时,从该时刻提取的图像数据中剔除干扰噪声。
需要说明的是,在本发明实施例中,所述预设值为在区间[μ-nσ,μ-nσ]内的概率,其中μ为均值,n为正整数,σ为方差。
需要说明的是,在本发明实施例中,剔除干扰噪声的方法为滤波、PDE等方法。
可选地,所述图像叠加机制是指采用切片叠加图像的原理使待测范围内根据缩放因子与概率矩阵分成至少两组区域并以索引图像表示,使所述区域界线更清晰。
所述待测范围是指拍摄的通道区域或所述图像与非通道区域之差区域。
需要说明的是,缩放因子是指叠加图像放大或缩小的比例,例如:将图像放大1.5倍,则缩放因子为1.5,将图像缩小2倍,则缩放因子为0.5。
需要说明的是,概率矩阵根据分组区域进行设置,例如:在本发明实施例中,将图像分成4组区域,分别是P1(内部)、P2(外部)、P3(边界)、P4(噪声)。
P1=a11×c1+a12×c2+a13×c3+a14×c4
P2=a21×c1+a22×c2+a23×c3+a24×c4
P3=a31×c1+a32×c2+a33×c3+a34×c4
P4=a41×c1+a42×c2+a43×c3+a44×c4
其中,a为4×4的已知矩阵,该矩阵的数据根据落入该区域的概率进行定义,在每组区域的概率和为1,c1~c4为在原始图片尺度上每次变化时出现的次数。例如,在本发明实施例中,a矩阵为
根据缩放因子和概率矩阵将当前图像的像素值转化为索引图像。
需要说明的是,所述待测范围指相机拍摄的所述通道内的所有区域。
可选地,所述统校待测范围内颗粒的数据是指计算任一时刻或时间段内颗粒识别区域的图像数据,例如:颗粒面积占比、气泡纵横比、气泡分形维数。
需要说明的是,在本发明实施例中,图像数据为经过识别的具有特定含义的数据,例如:颗粒面积占比指的是在所述待测范围内识别颗粒的面积占所述待测范围的比例;气泡纵横比是指识别的气泡形状,垂直方向最大距离与水平距离最大距离之比;气泡分形维数是识别的气泡的分形特性。
可选地,所述统校待测范围内颗粒的数据还包括指计算任一时刻或时间段内颗粒识别区域的校正数据;
所述校正数据是指将至少三组任一时刻或时间段内的图像数据与实验数据的对比,并建立关系表达式,例如:碳纳米管生长过程中的颗粒图像面积占比与颗粒质量关系式。
需要说明的是,所述校正数据越多,关系表达式越准确。
需要说明的是,在碳纳米管生长过程中,选取5-7分钟、10-12分钟、16-18分钟等三个时间段,称量三个时间段的颗粒质量,统计三个时间段的图像面积占比。
可选地,所述关系表达式的建立方法通过选取至少三组任一时刻或时间段内的图像数据与实验数据的差值,建立预测区间或预测函数。
需要说明的是,在碳纳米管生长过程中,颗粒质量与图像面积占比均同步增加,二者差值为常数。例如:
预测所述质量需至少三次测量一段时间内颗粒的真实质量,并与该时间段内的图像识别面积对应,求解对应预测常数或预测区间关系;
其中,t为时间,M为质量,S为面积,C为待求常数或区间;
需要说明的是,若待求C为区间,则设置C的数值可采用求均值的方式,若区间内样本较多则可采用正态分布求均值常数;同理亦可预估任意时间颗粒质量的最大最小值情况。
需要说明的是,对于具有颗粒性质与图像数据非同步增加的情况需拟合预测函数或近似函数。
需要说明的是,对于颗粒性质与任意图形数据豪无关联,则无法预测。
可选地,分析预测待测范围内颗粒随时间的变化及性质是指根据所述统校待测范围内颗粒的数据的变化准确预测所需时刻或时间段的颗粒的性质及变化。
需要说明的是,对于具有预测区间表达式的函数,通过图像数据可直接预测该时间内的颗粒的性质,或者根据曲线的变化预测未知时间颗粒的性质。
需要说明的是,对于预测函数需求解近似关系表达式,并根据图像数据的实时显示,带入预测函数表达式,预测颗粒的性质。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外,需要指出的是,本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能,还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能,例如,可以按不同于所描述的次序来执行所描述的方法,并且还可以添加、省去、或组合各种步骤。另外,参照某些示例所描述的特征可在其他示例中被组合。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (9)
1.图像预测的方法,其特征在于,利用图像处理技术预测通道内颗粒的性质,包括如下步骤:
图像噪声诊断分析;
采用图像叠加机制,索引图像;
统校待测范围内颗粒的数据;
分析预测待测范围内颗粒随时间的变化及性质。
2.根据权利要求1所述的图像预测的方法,其特征在于,所述颗粒的性质指通过图像数据反映的颗粒属性或特性,包括质量、体积、密度、速度、形态、温度。
3.根据权利要求1所述的图像预测的方法,其特征在于,所述图像噪声是指图像数据中由干扰因素所引起的信息,例如:高温环境下的红光、自然光线变化;
所述图像噪声分析的步骤包括:
所述待测范围内,任意时间段,同一视角下不同位置的至少一个无颗粒运动影响位置,提取该时间段内所述位置的图像信息,并统计概率分布;所述待测范围是指拍摄的通道区域或所述图像与非通道区域之差区域。
4.根据权利要求3所述的图像预测的方法,其特征在于,所述图像噪声小于某一预设值则图像噪声不予考虑,大于或等于所述预设值时考虑图像噪声率;
考虑所述图像噪声率时,从提取的图像数据中剔除干扰噪声。
5.根据权利要求1所述的图像预测的方法,其特征在于,所述图像叠加机制是指采用切片叠加图像的原理使待测范围内根据缩放因子与概率矩阵分成至少两组区域并以索引图像表示,使所述区域界线更清晰,三维空间等效为二维平面观测。
6.根据权利要求1所述的图像预测的方法,其特征在于,所述统校待测范围内颗粒的数据是指计算任一时刻或时间段内颗粒识别区域的图像数据,例如:颗粒面积占比、气泡纵横比、气泡分形维数。
7.根据权利要求6所述的图像预测的方法,其特征在于,所述统校待测范围内颗粒的数据还包括指计算任一时刻或时间段内颗粒识别区域的校正数据;
所述校正数据是指将至少三组任一时刻或时间段内的图像数据与实验数据的对比,并建立关系表达式,例如:碳纳米管生长过程中的颗粒图像面积占比与颗粒质量关系式。
8.根据权利要求7所述的图像预测的方法,其特征在于,所述关系表达式的建立方法通过选取至少三组任一时刻或时间段内的图像数据与实验数据的差值,建立预测常数或预测区间或预测函数。
9.根据权利要求1所述的图像预测的方法,其特征在于,分析预测待测范围内颗粒随时间的变化及性质是指根据所述统校待测范围内颗粒的数据的变化准确预测所需时刻或时间段的颗粒的性质及变化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110928454.5A CN113658212B (zh) | 2021-08-13 | 2021-08-13 | 图像预测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110928454.5A CN113658212B (zh) | 2021-08-13 | 2021-08-13 | 图像预测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113658212A true CN113658212A (zh) | 2021-11-16 |
CN113658212B CN113658212B (zh) | 2024-09-17 |
Family
ID=78479699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110928454.5A Active CN113658212B (zh) | 2021-08-13 | 2021-08-13 | 图像预测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113658212B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4814868A (en) * | 1987-10-02 | 1989-03-21 | Quadtek, Inc. | Apparatus and method for imaging and counting moving particles |
CN1606033A (zh) * | 2004-11-18 | 2005-04-13 | 上海交通大学 | 红外图像序列中弱小目标的检测和跟踪方法 |
US20100284609A1 (en) * | 2008-02-05 | 2010-11-11 | CENTRE DE RECHERCHE INDUSTRIELLE DU QUéBEC | Apparatus and method for measuring size distribution of granular matter |
CN109269951A (zh) * | 2018-09-06 | 2019-01-25 | 山西智卓电气有限公司 | 基于图像的浮选尾煤灰分、浓度、粗颗粒含量检测方法 |
CN110033516A (zh) * | 2019-04-16 | 2019-07-19 | 重庆交通大学 | 基于双目相机图像采集识别的针片状颗粒含量检测方法 |
CN110223317A (zh) * | 2019-04-26 | 2019-09-10 | 中国矿业大学 | 一种基于图像处理的移动目标检测与轨迹预测方法 |
CN111368643A (zh) * | 2020-02-12 | 2020-07-03 | 杭州电子科技大学 | 一种大肠杆菌动态生长监测方法 |
CN111402321A (zh) * | 2020-03-22 | 2020-07-10 | 华北理工大学 | 一种固体颗粒在高温熔池中目标识别及体积估计的方法 |
CN112528913A (zh) * | 2020-12-18 | 2021-03-19 | 中山艾尚智同信息科技有限公司 | 一种基于图像的砂石颗粒物粒径检测分析系统 |
CN112949141A (zh) * | 2021-03-26 | 2021-06-11 | 福州大学 | 基于有限元方法的磁纳米颗粒浓度分布预测方法 |
CN213517926U (zh) * | 2020-11-16 | 2021-06-22 | 鞍钢集团矿业有限公司 | 一种基于图像识别技术的磨机给矿量预测系统 |
-
2021
- 2021-08-13 CN CN202110928454.5A patent/CN113658212B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4814868A (en) * | 1987-10-02 | 1989-03-21 | Quadtek, Inc. | Apparatus and method for imaging and counting moving particles |
CN1606033A (zh) * | 2004-11-18 | 2005-04-13 | 上海交通大学 | 红外图像序列中弱小目标的检测和跟踪方法 |
US20100284609A1 (en) * | 2008-02-05 | 2010-11-11 | CENTRE DE RECHERCHE INDUSTRIELLE DU QUéBEC | Apparatus and method for measuring size distribution of granular matter |
CN109269951A (zh) * | 2018-09-06 | 2019-01-25 | 山西智卓电气有限公司 | 基于图像的浮选尾煤灰分、浓度、粗颗粒含量检测方法 |
CN110033516A (zh) * | 2019-04-16 | 2019-07-19 | 重庆交通大学 | 基于双目相机图像采集识别的针片状颗粒含量检测方法 |
CN110223317A (zh) * | 2019-04-26 | 2019-09-10 | 中国矿业大学 | 一种基于图像处理的移动目标检测与轨迹预测方法 |
CN111368643A (zh) * | 2020-02-12 | 2020-07-03 | 杭州电子科技大学 | 一种大肠杆菌动态生长监测方法 |
CN111402321A (zh) * | 2020-03-22 | 2020-07-10 | 华北理工大学 | 一种固体颗粒在高温熔池中目标识别及体积估计的方法 |
CN213517926U (zh) * | 2020-11-16 | 2021-06-22 | 鞍钢集团矿业有限公司 | 一种基于图像识别技术的磨机给矿量预测系统 |
CN112528913A (zh) * | 2020-12-18 | 2021-03-19 | 中山艾尚智同信息科技有限公司 | 一种基于图像的砂石颗粒物粒径检测分析系统 |
CN112949141A (zh) * | 2021-03-26 | 2021-06-11 | 福州大学 | 基于有限元方法的磁纳米颗粒浓度分布预测方法 |
Non-Patent Citations (1)
Title |
---|
王慧等: "基于分形理论和形状特征的大气颗粒物研究", 环境科学与管理, vol. 42, no. 04, 15 April 2017 (2017-04-15), pages 56 - 59 * |
Also Published As
Publication number | Publication date |
---|---|
CN113658212B (zh) | 2024-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082467B (zh) | 基于计算机视觉的建材焊接表面缺陷检测方法 | |
CN112101278A (zh) | 基于k近邻特征提取和深度学习的宅基地点云分类方法 | |
CN112115898B (zh) | 多指针仪表检测方法、装置、计算机设备及存储介质 | |
CN112115897B (zh) | 多指针仪表报警检测方法、装置、计算机设备及存储介质 | |
CN111428625A (zh) | 一种基于深度学习的交通场景目标检测方法及系统 | |
CN110910421B (zh) | 基于分块表征和可变邻域聚类的弱小运动目标检测方法 | |
CN113283419B (zh) | 基于注意力的卷积神经网络指针式仪表图像读数识别方法 | |
CN110688884B (zh) | 客流统计方法及装置 | |
CN111339839A (zh) | 一种密集型目标检测计量方法 | |
CN110879982A (zh) | 一种人群计数系统及方法 | |
CN107194917B (zh) | 基于dap和arelm的在轨sar图像变化检测方法 | |
CN114463843A (zh) | 一种基于深度学习的多特征融合鱼类异常行为检测方法 | |
CN105184829A (zh) | 一种紧密空间目标检测和高精度质心定位方法 | |
CN112714308B (zh) | 一种检测视频滚动条纹的方法及装置 | |
CN111121946B (zh) | 大动态范围大离散单区域多点精准确定异常值的方法 | |
CN106824826B (zh) | 一种玉米单倍体分拣系统 | |
CN113658212B (zh) | 图像预测的方法 | |
CN115830514A (zh) | 一种适用于带弯曲河道的全河段表面流速计算方法及系统 | |
CN107230201B (zh) | 基于样本自标定elm的在轨sar图像变化检测方法 | |
CN115797299A (zh) | 一种光学复合膜的缺陷检测方法 | |
CN113435464B (zh) | 异常数据检测方法、装置、电子设备及计算机存储介质 | |
CN110084112B (zh) | 一种基于图像处理的交通拥堵判断方法 | |
CN112911164A (zh) | 一种用于气密性试验的相机的曝光时间调整方法及系统 | |
CN117237676B (zh) | 一种核电厂基于事件相机对小目标掉落轨迹的处理方法 | |
CN117954126B (zh) | 基于多传感数据融合的兽药在线监测系统及方法 |
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 | ||
GR01 | Patent grant |