CN113673625A - 一种矿物的分选方法、装置、电子设备及存储介质 - Google Patents
一种矿物的分选方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113673625A CN113673625A CN202111019460.5A CN202111019460A CN113673625A CN 113673625 A CN113673625 A CN 113673625A CN 202111019460 A CN202111019460 A CN 202111019460A CN 113673625 A CN113673625 A CN 113673625A
- Authority
- CN
- China
- Prior art keywords
- minerals
- image
- recognized
- mineral
- target characteristic
- 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
- 229910052500 inorganic mineral Inorganic materials 0.000 title claims abstract description 318
- 239000011707 mineral Substances 0.000 title claims abstract description 307
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 239000002910 solid waste Substances 0.000 claims abstract description 169
- 239000004575 stone Substances 0.000 claims abstract description 133
- 230000004927 fusion Effects 0.000 claims abstract description 53
- 238000004364 calculation method Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims description 15
- 239000000463 material Substances 0.000 claims description 14
- 238000004043 dyeing Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 238000002347 injection Methods 0.000 description 15
- 239000007924 injection Substances 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 13
- 239000010811 mineral waste Substances 0.000 description 11
- 239000000243 solution Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 238000000926 separation method Methods 0.000 description 6
- 238000005507 spraying Methods 0.000 description 6
- 238000011084 recovery Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 239000000428 dust Substances 0.000 description 2
- 238000009432 framing Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000002932 luster Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000000149 penetrating effect Effects 0.000 description 2
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000010970 precious metal Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 210000003462 vein Anatomy 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Processing Of Solid Wastes (AREA)
Abstract
本申请提供了一种矿物的分选方法、装置、电子设备及存储介质,获取待识别目标特征图像;其中,待识别目标特征图像中显示有待识别原石中包括的各个成分;从待识别目标特征图像中提取待识别原石中包括的矿物特征参数,并基于矿物特征参数以及预先确定的回收矿物的目标特征参数和/或固体废物的目标特征参数,进行特征参数融合计算,确定出待识别原石中包括的矿物的类别信息;基于待识别原石中包括的矿物的类别信息,对回收矿物/或固体废物进行细分定位处理,在细分定位处理划分的细分网格中确定出回收矿物/或固体废物在待识别原石中的位置信息。这样,可以快速准确的确定出回收矿物/或固体废物的类别信息和位置信息,从而完成矿物的分选。
Description
技术领域
本申请涉及矿物的分选技术领域,尤其是涉及一种矿物的分选方法、装置、电子设备及存储介质。
背景技术
随着科学技术的发展,人们越来越重视自然资源开采过程中选矿的效率和环境的保护,对矿物分选要求也越来越高,矿物包含煤炭、有色金属物质、黑色金属物质及贵金属物质的回收矿物以及固体废物。由于固体废物的存在,分选出固体废物和回收矿物是在矿物开采过程中必须要进行的步骤,如何确定在采集到的原石中的固体废物的位置并进行清除,成了亟需解决的问题。
现阶段,现有的分选方法有彩色相机采图分选系统,通过表面的颜色、光泽、纹理去进行图像处理分析,最后通过中心定位回收矿物或固体废物位置,根据选定分选喷出。这种分选系统存在以下问题:相机的焦距调节困难,由于矿物的大小是不一致的,所以对相机的参数要求比较高,在调焦距的时候也要顾及各个尺寸。生产过程粉尘太大会影响采图效果,加大图像处理难度。相机采图只能拍到矿物的表面,不能穿透内部,图像处理容易导致误判。分选系统定位不精准,容易出现误喷,喷气时间固定,如遇大块固体废物会喷不走的问题。
发明内容
有鉴于此,本申请的目的在于提供一种矿物的分选方法及装置,先通过图像特征提取出矿物特征参数,将矿物特征参数与回收矿物的目标特征参数和/或固体废物的目标特征参数进行特征参数融合计算,准确的确定出矿物的类别信息,然后利用面阵定位技术通过对回收矿物/或固体废物进行细分定位准确的确定出回收矿物/或固体废物在待识别原石中的位置信息,从而快速的完成了对矿物的分选。
本申请实施例提供了一种矿物的分选方法,所述分选方法包括:
获取待识别原石的待识别目标特征图像;其中,所述待识别目标特征图像中显示有待识别原石中包括的各个成分;
从所述待识别目标特征图像中提取所述待识别原石中包括的矿物特征参数,并基于所述矿物特征参数以及预先确定的回收矿物的目标特征参数和/或固体废物的目标特征参数,进行特征参数融合计算,确定出所述待识别原石中包括的矿物的类别信息;
基于所述待识别原石中包括的矿物的类别信息,对所述回收矿物/或所述固体废物进行细分定位处理,在细分定位处理划分的细分网格中确定出所述回收矿物/或所述固体废物在所述待识别原石中的位置信息。
进一步的,所述基于所述矿物特征参数以及预先确定的回收矿物的目标特征参数和/或固体废物的目标特征参数,进行特征参数融合计算,包括:
将所述矿物特征参数以及所述回收矿物的目标特征参数/或所述固体废物的目标特征参数进行特征参数融合计算,确定出融合特征参数;
将所述融合特征参数与所述回收矿物的目标特征参数和/或固体废物的目标特征参数进行分析处理,确定出所述矿物的类别信息,所述类别信息至少包含所述待识别目标特征图像中显示有待识别原石中包括的各个成分中的一种。
进一步的,通过以下步骤获取所述待识别目标特征图像:
获取所述待识别原石的原始图像,将所述原始图像进行分割处理得到所述待识别原石的样本图像;
提取所述待识别原石的样本图像中的包括的各个成分的图像灰度参数特征,获得所述待识别目标特征图像。
进一步的,在所述在细分定位处理划分的细分网格中确定出所述回收矿物/或所述固体废物的位置信息之后,所述分选方法还包括:基于所述类别信息,对所述待识别目标特征图像中的不同位置进行染色显示,其中,所述待识别目标特征图像中的回收矿物对应位置与待识别目标特征图像中的固体废物的位置的显示颜色不同。
进一步的,所述分选方法还包括:
在所述细分网格中依据所述回收矿物的物料大小/或所述固体废物的物料大小,对所述细分网格进行缩放设置,得到缩放后的回收矿物位置信息和缩放后的固体废物位置信息;
利用与所述缩放后的固体废物位置信息相对应的喷嘴喷出所述固体废物。
本申请实施例还提供了一种矿物的分选装置,所述分选装置包括:
获取模块,用于获取待识别原石的待识别目标特征图像,所述待识别目标特征图像中显示有待识别原石中包括的各个成分;
第一确定模块,用于从所述待识别目标特征图像中提取所述待识别原石中包括的矿物特征参数,并基于所述矿物特征参数以及预先确定的回收矿物的目标特征参数和/或固体废物的目标特征参数,进行特征参数融合计算,确定出所述待识别原石中包括的矿物的类别信息;
第二确定模块,用于基于所述待识别原石中包括的矿物的类别信息,对所述回收矿物/或所述固体废物进行细分定位,在细分网格中确定出所述回收矿物/或所述固体废物在所述待识别原石中的位置信息。
进一步的,所述第一确定模块在用于所述基于所述矿物特征参数以及预先确定的回收矿物的目标特征参数和/或固体废物的目标特征参数,进行特征参数融合计算时,还用于:
将所述矿物特征参数以及所述回收矿物的目标特征参数/或所述固体废物的目标特征参数进行特征参数融合计算,确定出融合特征参数;
将所述融合特征参数与所述回收矿物的目标特征参数和/或固体废物的目标特征参数进行分析处理,确定出所述矿物的类别信息,所述类别信息至少包含所述待识别目标特征图像中显示有待识别原石中包括的各个成分中的一种。
进一步的,所述获取模块用于通过以下步骤获取所述待识别目标特征图像:
获取所述待识别原石的原始图像,将所述原始图像进行分割处理得到所述待识别原石的样本图像;
提取所述待识别原石的样本图像中的包括的各个成分的图像灰度参数特征,获得所述待识别目标特征图像。
本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如上述的一种矿物的分选方法的步骤。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上述的一种矿物的分选方法的步骤。
本申请提供了一种矿物的分选方法及装置,所述分选方法包括:获取待识别原石的待识别目标特征图像,其中,所述待识别目标特征图像中显示有待识别原石中包括的各个成分;从所述待识别目标特征图像中提取所述待识别原石中包括的矿物特征参数,并基于所述矿物特征参数以及预先确定的回收矿物的目标特征参数和/或固体废物的目标特征参数,进行特征参数融合计算,确定出所述待识别原石中包括的矿物的类别信息;基于所述待识别原石中包括的矿物的类别信息,对所述回收矿物/或所述固体废物进行细分定位处理,在细分定位处理划分的细分网格中确定出所述回收矿物/或所述固体废物在所述待识别原石中的位置信息。
这样,先通过图像特征提取出矿物特征参数,将矿物特征参数与回收矿物的目标特征参数和/或固体废物的目标特征参数进行特征参数融合计算,准确的确定出矿物的类别信息,然后利用面阵定位技术通过对回收矿物/或固体废物进行细分定位准确的确定出回收矿物/或固体废物在待识别原石中的位置信息,并且降低了设备成本和时间成本以及提高了环境的保护。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例所提供的一种矿物的分选方法的流程图;
图2为本申请实施例所提供的另一种矿物的分选方法的流程图;
图3为本申请实施例所提供的一种矿物的分选装置的结构示意图之一;
图4为本申请实施例所提供的一种矿物的分选装置的结构示意图之二;
图5为本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例,都属于本申请保护的范围。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的全部其他实施例,都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容,结合特定应用场景“矿物的位置识别”,给出以下实施方式,对于本领域技术人员来说,在不脱离本申请的精神和范围的情况下,可以将这里定义的一般原理应用于其他实施例和应用场景。
本申请实施例下述方法、装置、电子设备或计算机可读存储介质可以应用于任何需要进行数据的获取的场景,本申请实施例并不对具体的应用场景作限制,任何使用本申请实施例提供的一种矿物的分选方法及装置的方案均在本申请保护范围内。
经研究发现,现阶段,现有的分选方法有彩色相机采图分选系统,通过表面的颜色、光泽、纹理去进行图像处理分析,最后通过中心定位回收矿物或固体废物位置,根据选定分选喷出。这种分选系统存在以下问题:相机的焦距调节困难,由于矿物的大小是不一致的,所以对相机的参数要求比较高,在调焦距的时候也要顾及各个尺寸。生产过程粉尘太大会影响采图效果,加大图像处理难度。相机采图只能拍到矿物的表面,不能穿透内部,图像处理容易导致误判。分选系统定位不精准,容易出现误喷,喷气时间固定,如遇大块固体废物会喷不走的问题。
基于此,本申请提供了一种矿物的分选方法,所述分选方法包括:获取待识别原石的待识别目标特征图像,其中,所述待识别目标特征图像中显示有待识别原石中包括的各个成分;从所述待识别目标特征图像中提取所述待识别原石中包括的矿物特征参数,并基于所述矿物特征参数以及预先确定的回收矿物的目标特征参数和/或固体废物的目标特征参数,进行特征参数融合计算,确定出所述待识别原石中包括的矿物的类别信息;基于所述待识别原石中包括的矿物的类别信息,对所述回收矿物/或所述固体废物进行细分定位处理,在细分定位处理划分的细分网格中确定出所述回收矿物/或所述固体废物在所述待识别原石中的位置信息。
这样,先通过图像特征提取出矿物特征参数,将矿物特征参数与回收矿物的目标特征参数和/或固体废物的目标特征参数进行特征参数融合计算,快速准确的确定出矿物的类别信息,然后利用面阵定位技术通过对回收矿物/或固体废物进行细分定位准确的确定出回收矿物/或固体废物在待识别原石中的位置信息。
为便于对本申请进行理解,下面结合具体实施例对本申请提供的技术方案进行详细说明。
请参阅图1,图1为本申请实施例所提供的一种矿物的分选方法的流程图。如图1所示,本申请实施例提供的分选方法,包括:
S101:获取待识别原石的待识别目标特征图像;其中,所述待识别目标特征图像中显示有待识别原石中包括的各个成分。
该步骤中,获取待识别原石的待识别目标特征图像,其中,待识别目标特征图像为待识别原石进行特征提取后的X射线图像,在待识别目标特征图像中显示着待识别原石中的成分信息。
这里,待识别原石为矿物,待识别原石的成分为回收矿物和固体废物。
这里,可以按照预设的时间获取待识别目标特征图像。
这里,通过以下步骤获取所述待识别目标特征图像:
A:获取所述待识别原石的原始图像,将所述原始图像进行分割处理得到所述待识别原石的样本图像。
其中,利用X射线图像采集技术的穿透力穿过待识别原石(矿物)进行图像采集,使得获取到待识别原石的目标图像中显示着待识别原石的各个成分。在获取到原始图像之后,将原始图像按照预设的图像分割区域进行分割处理、按照预设的像素值进行分割处理、按照边缘的图像分割或是按照特定理论进行图像分割,此部分不做限定,获得不同分割区域下对应的多个样本图像,并且,在样本图像中也显有待识别原石的成分,样本图像中的待识别原石的成分可以为回收矿物、也可以为固体废物、亦可以为回收矿物和固体废物。
B:提取所述待识别原石的样本图像中的包括的各个成分的图像灰度参数特征,获得所述待识别目标特征图像。
其中,提取图像灰度参数特征为了对待识别原石的样本图像中的各个成分进行提取,针对于一个成分,在依照图像灰度参数特征提取成分后得到待识别目标特征图像,且该待识别目标特征图像携带着该成分的图像灰度参数特征。
其中,对样本图像进行预处理,如去除样本图像中的噪声等其他图像处理过程,此部分不做限定,现有技术中的任一种图像处理方式都可作为上述预处理的过程,在对样本图像进行预处理后此时的样本图像的清晰度有所提高,然后基于Bolb提取技术通过二值化,使矿物区域与背景区域分离,提取出矿物区域Blob,然后通过特征提取技术取矿物区域Blob的灰度值、对比度、纹理、能量值等特征值,其中,对比度的特征提取是通过以下公式完成的:
(i-j)表示相邻像素间灰度差,P(I,j)表示相邻像素间灰度差为P的像素分布概率。
其中,能量值公式为以下公式,P(i,j)为样本图像上位置为i,j的像素值。
通过以上方式将多个样本图像中的成分进行特征提取,获得存放着回收矿物成分、固体废物成分的待识别目标特征图像。
其中,可以通过以下方法对样本图像进行预处理:
通过gauss掩膜对图像进行平滑处理,去除图像噪声,其中x为图像像素值,Gσ(x)为进行处理后的像素值,σ为标准差。
其中,图像灰度参数特征为样本图像中的待识别原石的成分所在图像区域的像素值,举例来讲,获取到的样本图像中显示着待识别原石的一个成分或是多个成分,在样本图像中显示的一个成分或是多个成分所在的样本图像的像素值为灰度值,根据该成分在样本图像中的像素值进行特征提取获得图像灰度参数特征。
S102:从所述待识别目标特征图像中提取所述待识别原石中包括的矿物特征参数,并基于所述矿物特征参数以及预先确定的回收矿物的目标特征参数和/或固体废物的目标特征参数,进行特征参数融合计算,确定出所述待识别原石中包括的矿物的类别信息。
该步骤中,在获取到待识别目标特征图像之后,在待识别目标特征图像中提取出待识别原石中的矿物特征参数,利用矿物特征参数和预先确定的回收矿物的目标特征参数和/或固体废物的目标特征参数进行特征参数融合计算,利用特征参数融合计算的结果信息确定出待识别原石中包括的矿物的类别信息,其中,矿物的类别信息为回收矿物/或固体废物。
其中,矿物特征参数为待识别原石的待识别目标特征图像中的成分图像灰度特征参数、纹理特征参数、对比度参数等。
这里,回收矿物的目标特征参数和/或固体废物的目标特征参数是在根据不同矿脉的矿物预先建立好的矿物精准模型所输出的特征参数,其中,回收矿物的目标特征参数和/或固体废物的目标特征参数可以为矿物精准模型输出的回收矿物和/或固体废物在纹理、颜色、以及物理结构上的特征参数。
上述步骤中,所述基于所述矿物特征参数以及预先确定的回收矿物的目标特征参数和/或固体废物的目标特征参数,进行特征参数融合计算,包括:
a:将所述矿物特征参数以及所述回收矿物的目标特征参数/或所述固体废物的目标特征参数进行特征参数融合计算,确定出融合特征参数。
这里,该融合特征参数是为了确定出待识别原石中的各个成分的类别信息。
其中,将矿物特征参数和回收矿物的目标特征参数进行特征参数融合计算确定出第一参数,将矿物特征参数和固体废物的目标特征参数进行特征参数融合计算第二参数,上述特征参数融合计算通过以下二次非线性拟合函数进行计算:
Y=F(X)
针对于回收矿物,将矿物特征参数和回收矿物的目标特征参数进行特征参数融合计算确定出第一参数值,X为待识别目标特征图像中成分图像灰度特征参数(矿物特征参数),Y为矿物特征参数和回收矿物的目标特征参数进行特征参数融合计算确定出第一参数值。
针对于固体废物,将矿物特征参数和固体废物的目标特征参数进行特征参数融合计算确定出第一参数值,X为待识别目标特征图像中成分图像灰度特征参数(矿物特征参数),Y为矿物特征参数和固体废物的目标特征参数进行特征参数融合计算确定出第二参数值。
b:将所述融合特征参数与所述回收矿物的目标特征参数和/或固体废物的目标特征参数进行分析处理,确定出所述矿物的类别信息,所述类别信息至少包含所述待识别目标特征图像中显示有待识别原石中包括的各个成分中的一种。
其中,针对于各一个成分的分析处理过程为,针对于每一个成分计算出的一个第一参数值和/或一个第二参数值进行的。
其中,融合特征参数为上述第一参数值和第二参数值,将计算出的第一参数值与回收矿物的目标特征参数进行比对,若该第一参数值在回收矿物的目标特征参数对应的误差区间范围内则,确定出该待识别目标特征图像中的矿物的类别信息为回收矿物,其中,目标特征参数对应的误差区间范围为预先建立的矿物精准模型输出的回收矿物的目标特征参数对应的误差区间范围,举例来讲,该目标特征参数和误差区间范围与矿物精准模型的不断训练优化成正相关的,矿物精准模型优化的越好则误差区间范围越小,如回收矿物的目标特征参数为0.2,误差区间范围为±0.01。将计算出的第二参数值与固体废物的目标特征参数进行比对,若该第二参数值在固体废物的目标特征参数对应的区间范围内则,确定出该待识别目标特征图像中的矿物的类别信息为固体废物,固体废物的目标特征参数对应的区间范围的设置过程与上述回收矿物的目标特征参数对应的区间范围相一致,此部分不在赘述。
在具体实施例中,在待识别目标特征图像中提取待识别原石的矿物特征参数,矿物的特征参数为该待识别目标特征图像中的待识别原石成分图像灰度特征参数,将矿物的特征参数分别与在矿物精准模型中获取的回收矿物的目标特征参数和/或固体废物的目标特征参数进行特征参数融合计算获得第一参数值和第二参数值,将第一参数值与矿物精准模型输出的回收矿物的目标特征参数对应的误差区间范围进行比较,若该第一参数值在回收矿物的目标特征参数对应的误差区间范围则说明该待识别目标特征图像的待检测原石的成分为回收矿物;将第二参数值与矿物精准模型输出的固体废物的目标特征参数对应的误差区间范围进行比较,若该第二参数值在固体废物的目标特征参数对应的误差区间范围则说明该待识别目标特征图像的待检测固体废物的成分为回收矿物,从而可以准确的确定出该待识别目标特征图像中的待识别原石的成分的类别信息(矿物的类别信息)。
S103:基于所述待识别原石中包括的矿物的类别信息,对所述回收矿物/或所述固体废物进行细分定位,在细分网格中确定出所述回收矿物/或所述固体废物在所述待识别原石中的位置信息。
该步骤中,在确定待识别原石中的矿物的类别信息后,对回收矿物/或固体废物进行细分定位,在细分网格中确定出回收矿物/或固体废物在待识别原石中的位置信息。
这里,利用面阵图像定位技术针对于待识别目标特征图像确定好的该成分类别信息为回收矿物进行细分定位,因为在面阵图像定位技术中会对回收矿物所在的平面图像进行网格划分,使得可以根据细分网格的网格参数信息能够准确的确定出回收矿物在待识别原石中的位置信息,固体废物的分选过程与上述一致,此部分不再赘述在确定出回收矿物/或固体废物的位置信息后,在所述细分网格中依据所述回收矿物的物料大小/或所述固体废物的物料大小,对所述细分网格进行缩放设置,得到缩放后的回收矿物位置信息和缩放后的固体废物位置信息;利用与所述缩放后的固体废物位置信息相对应的喷嘴喷出所述固体废物。
其中,回收矿物的物料大小/或所述固体废物的物料大小为在待识别目标特征图像中所显示的回收矿物/或固体废物的图像的大小。
这里,针对于回收矿物,在细分网格中可以根据网格参数对已经确定好的待识别目标特征图像为回收矿物的物料大小进行缩放设置,这里,若待识别目标特征图像中的回收矿物的物料太小则放大待识别目标特征图像,若待识别目标特征图像中的回收矿物的物料太大则缩小待识别目标特征图像。针对于固体废物,在细分网格中可以根据网格参数对已经确定好的待识别目标特征图像为固体废物的物料大小进行缩放设置,这里,若待识别目标特征图像中固体废物的物料太大则缩小待识别目标特征图像。依据固体废物的物料大小进行缩放后的位置信息得到了在待识别原石中该固体废物位置信息,然后将缩放后的固体废物位置信息相对应的喷嘴将待识别原石中的固体废物喷射出去,从而准确的确定出了固体废物和回收矿物的分选。
在具体实施例中,根据面阵定位技术中的网格划分能够实现对回收矿物/或固体废物进行细分定位,从而确定出回收矿物/或固体废物在待识别原石中的精准定位,在确定出回收矿物/或固体废物在带识别原石中的精准定位后,依照可以在网格划分中对待识别目标特征图像进行缩放可以使得待识别图像中的回收矿物图像/或固体废物图像进行相应的缩放,在进行缩放后得到待识别目标特征图像中的回收矿物/或固体废物的位置信息,基于待识别目标特征图像中的固体废物的位置信息确定出相对应的待识别原石中的固体废物的位置信息,将固体废物可以根据待别原石中的位置信息相对应的喷嘴进行喷射,从而完成对回收矿物和固体废物的类别信息的识别、位置的确定以及完成回收矿物和固体废物的分选。
本申请提供了一种矿物的分选方法,所述分选方法包括:获取待识别原石的待识别目标特征图像;其中,所述待识别目标特征图像中显示有待识别原石中包括的各个成分;从所述待识别目标特征图像中提取所述待识别原石中包括的矿物特征参数,并基于所述矿物特征参数以及预先确定的回收矿物的目标特征参数和/或固体废物的目标特征参数,进行特征参数融合计算,确定出所述待识别原石中包括的矿物的类别信息;基于所述待识别原石中包括的矿物的类别信息,对所述回收矿物/或所述固体废物进行细分定位处理,在细分定位处理划分的细分网格中确定出所述回收矿物/或所述固体废物在所述待识别原石中的位置信息。
这样,先通过图像特征提取出矿物特征参数,将矿物特征参数与回收矿物的目标特征参数和/或固体废物的目标特征参数进行特征参数融合计算,准确的确定出矿物的类别信息,然后利用面阵定位技术通过对回收矿物/或固体废物进行细分定位准确的确定出回收矿物/或固体废物在待识别原石中的位置信息,从而快速的完成了对矿物的分选。
请参阅图2,图2为本申请实施例所提供的另一种矿物的分选方法的流程图。如图2中所示,本申请实施例提供的分选方法,包括:
S201:获取待识别目标特征图像;其中,所述待识别目标特征图像中显示有待识别原石中包括的各个成分。
S202:从所述待识别目标特征图像中提取所述待识别原石中包括的矿物特征参数,并基于所述矿物特征参数以及预先确定的回收矿物的目标特征参数和/或固体废物的目标特征参数,进行特征参数融合计算,确定出所述待识别原石中包括的矿物的类别信息。
S203:基于所述待识别原石中包括的矿物的类别信息,对所述回收矿物/或所述固体废物进行细分定位处理,在细分定位处理划分的细分网格中确定出所述回收矿物/或所述固体废物在所述待识别原石中的位置信息。
其中,S201至S203的描述可以参照S101至S103的描述,并且能达到相同的技术效果,对此不做赘述。
S204:基于所述类别信息,对所述待识别目标特征图像中的不同位置进行染色显示,其中,所述待识别目标特征图像中的回收矿物对应位置与待识别目标特征图像中的固体废物的位置的显示颜色不同。
该步骤中,根据确定出的矿物的类别信息,对待识别目标图像中的回收矿物/或固体废物的不同位置信息染色显示,其中,待识别目标特征图像中的回收矿物显示的颜色信息与固体废物显示的颜色信息是不相同的。
在具体实施例中,对待识别目标特征图像中的回收矿物/或固体废物所在的位置进行染色显示,可以设置为回收矿物的染色显示为蓝色,固体废物的染色显示为黄色,此部分不做限定,只要回收矿物的染色显示和固体废物的染色显示不相同即可。在对待识别目标特征图像中的回收矿物/或固体废物所在的位置进行染色显示之后,在待识别目标图像中根据回收矿物的位置信息将回收矿物的轮廓进行框选,可选的,可以用黑色线条轮廓进行框选,此部分不做限定,只要线条轮廓颜色与回收矿物的染色显示颜色不同即可,固体废物的轮廓框选过程与回收矿物的轮廓框选过程相同此过程不在赘述。使得在待识别目标特征图像将染色和框选后的回收矿物/或固体废物进行显示,可以使得用户直观的确定出回收矿物和固体废物的分选结果。
本申请提供了一种矿物的分选方法,所述分选方法包括:获取待识别原石的待识别目标特征图像,其中,所述待识别目标特征图像中显示有待识别原石中包括的各个成分;从所述待识别目标特征图像中提取所述待识别原石中包括的矿物特征参数,并基于所述矿物特征参数以及预先确定的回收矿物的目标特征参数和/或固体废物的目标特征参数,进行特征参数融合计算,确定出所述待识别原石中包括的矿物的类别信息;基于所述待识别原石中包括的矿物的类别信息,对所述回收矿物/或所述固体废物进行细分定位处理,在细分定位处理划分的细分网格中确定出所述回收矿物/或所述固体废物在所述待识别原石中的位置信息。基于所述类别信息,对所述待识别目标特征图像中的不同位置进行染色显示,其中,所述待识别目标特征图像中的回收矿物对应位置与待识别目标特征图像中的固体废物的位置的显示颜色不同。
这样,先通过图像特征提取出矿物特征参数,将矿物特征参数与回收矿物的目标特征参数和/或固体废物的目标特征参数进行特征参数融合计算,准确的确定出矿物的类别信息,然后利用面阵定位技术通过对回收矿物/或固体废物进行细分定位准确的确定出回收矿物/或固体废物在待识别原石中的位置信息,从而快速的完成了对矿物的分选。
请参阅图3、图4,图3为本申请实施例所提供的一种矿物的分选装置的结构示意图之一;图4为本申请实施例所提供的一种矿物的分选装置的结构示意图之二;如图3中所示,所述分选装置300包括:
获取模块310,用获取待识别原石的待识别目标特征图像;其中,所述待识别目标特征图像中显示有待识别原石中包括的各个成分;
第一确定模块320,用于从所述待识别目标特征图像中提取所述待识别原石中包括的矿物特征参数,并基于所述矿物特征参数以及预先确定的回收矿物的目标特征参数和/或固体废物的目标特征参数,进行特征参数融合计算,确定出所述待识别原石中包括的矿物的类别信息;
第二确定模块330,用于基于所述待识别原石中包括的矿物的类别信息,对所述回收矿物/或所述固体废物进行细分定位处理,在细分定位处理划分的细分网格中确定出所述回收矿物/或所述固体废物在所述待识别原石中的位置信息。
可选的,如图3所示,所述第一确定模块320在用于所述基于所述矿物特征参数以及预先确定的回收矿物的目标特征参数和/或固体废物的目标特征参数,进行特征参数融合计算时,还用于:
将所述矿物特征参数以及所述回收矿物的目标特征参数/或所述固体废物的目标特征参数进行特征参数融合计算,确定出融合特征参数;
将所述融合特征参数与所述回收矿物的目标特征参数和/或固体废物的目标特征参数进行分析处理,确定出所述矿物的类别信息,所述类别信息至少包含所述待识别目标特征图像中显示有待识别原石中包括的各个成分中的一种。
可选的,如图3所示,所述获取模块310还用于:
获取所述待识别原石的原始图像,将所述原始图像进行分割处理得到所述待识别原石的样本图像;
提取所述待识别原石的样本图像中的包括的各个成分的图像灰度参数特征,获得所述待识别目标特征图像。
如图4中所示,所述分选装置300还包括染色显示模块340,所述染色显示模块340用于:
基于所述类别信息,对所述待识别目标特征图像中的不同位置进行染色显示,其中,所述待识别目标特征图像中的回收矿物对应位置与待识别目标特征图像中的固体废物的位置的显示颜色不同。
可选的,如图4所示,所述分选装置300还包括喷射模块350,所述喷射模块350用于:
在所述细分网格中依据所述回收矿物的物料大小/或所述固体废物的物料大小,对所述细分网格进行缩放设置,得到缩放后的回收矿物位置信息和缩放后的固体废物位置信息;
利用与所述缩放后的固体废物位置信息相对应的喷嘴喷出所述固体废物。
本申请实施例提供一种矿物的分选装置,所述分选装置包括:获取模块,用于获取待识别原石的待识别目标特征图像;其中,所述待识别目标特征图像中显示有待识别原石中包括的各个成分;第一确定模块,用于从所述待识别目标特征图像中提取所述待识别原石中包括的矿物特征参数,并基于所述矿物特征参数以及预先确定的回收矿物的目标特征参数和/或固体废物的目标特征参数,进行特征参数融合计算,确定出所述待识别原石中包括的矿物的类别信息;第二确定模块,用于基于所述待识别原石中包括的矿物的类别信息,对所述回收矿物/或所述固体废物进行细分定位处理,在细分定位处理划分的细分网格中确定出所述回收矿物/或所述固体废物在所述待识别原石中的位置信息。
这样,先通过图像特征提取出矿物特征参数,将矿物特征参数与回收矿物的目标特征参数和/或固体废物的目标特征参数进行特征参数融合计算,准确的确定出矿物的类别信息,然后利用面阵定位技术通过对回收矿物/或固体废物进行细分定位准确的确定出回收矿物/或固体废物在待识别原石中的位置信息,从而快速的完成了对矿物的分选。
请参阅图5,图5为本申请实施例所提供的一种电子设备的结构示意图。如图5中所示,所述电子设备500包括处理器510、存储器520和总线530。
所述存储器520存储有所述处理器510可执行的机器可读指令,当电子设备500运行时,所述处理器510与所述存储器520之间通过总线530通信,所述机器可读指令被所述处理器510执行时,可以执行如上述图1以及图2所示方法实施例中的矿物的分选方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时可以执行如上述图1以及图2所示方法实施例中的矿物的分选方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(RandomAccessMemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种矿物的分选方法,其特征在于,所述分选方法包括:
获取待识别原石的待识别目标特征图像;其中,所述待识别目标特征图像中显示有待识别原石中包括的各个成分;
从所述待识别目标特征图像中提取所述待识别原石中包括的矿物特征参数,并基于所述矿物特征参数以及预先确定的回收矿物的目标特征参数和/或固体废物的目标特征参数,进行特征参数融合计算,确定出所述待识别原石中包括的矿物的类别信息;
基于所述待识别原石中包括的矿物的类别信息,对所述回收矿物/或所述固体废物进行细分定位处理,在细分定位处理划分的细分网格中确定出所述回收矿物/或所述固体废物在所述待识别原石中的位置信息。
2.根据权利要求1所述的分选方法,其特征在于,所述基于所述矿物特征参数以及预先确定的回收矿物的目标特征参数和/或固体废物的目标特征参数,进行特征参数融合计算,包括:
将所述矿物特征参数以及所述回收矿物的目标特征参数/或所述固体废物的目标特征参数进行特征参数融合计算,确定出融合特征参数;
将所述融合特征参数与所述回收矿物的目标特征参数和/或固体废物的目标特征参数进行分析处理,确定出所述矿物的类别信息,所述类别信息至少包含所述待识别目标特征图像中显示有待识别原石中包括的各个成分中的一种。
3.根据权利要求1所述的分选方法,其特征在于,通过以下步骤获取所述待识别目标特征图像:
获取所述待识别原石的原始图像,将所述原始图像进行分割处理得到所述待识别原石的样本图像;
提取所述待识别原石的样本图像中的包括的各个成分的图像灰度参数特征,获得所述待识别目标特征图像。
4.根据权利要求1所述的分选方法,其特征在于,在所述在细分定位处理划分的细分网格中确定出所述回收矿物/或所述固体废物的位置信息之后,所述分选方法还包括:
基于所述类别信息,对所述待识别目标特征图像中的不同位置进行染色显示,其中,所述待识别目标特征图像中的回收矿物对应位置与待识别目标特征图像中的固体废物的位置的显示颜色不同。
5.根据权利要求1所述的分选方法,其特征在于,所述分选方法还包括:
在所述细分网格中依据所述回收矿物的物料大小/或所述固体废物的物料大小,对细分网格进行缩放设置,得到缩放后的回收矿物位置信息和缩放后的固体废物位置信息;
利用与所述缩放后的固体废物位置信息相对应的喷嘴喷出所述固体废物。
6.一种矿物的分选装置,其特征在于,所述分选装置包括:
获取模块,用于获取待识别原石的待识别目标特征图像;其中,所述待识别目标特征图像中显示有待识别原石中包括的各个成分;
第一确定模块,用于从所述待识别目标特征图像中提取所述待识别原石中包括的矿物特征参数,并基于所述矿物特征参数以及预先确定的回收矿物的目标特征参数和/或固体废物的目标特征参数,进行特征参数融合计算,确定出所述待识别原石中包括的矿物的类别信息;
第二确定模块,用于基于所述待识别原石中包括的矿物的类别信息,对所述回收矿物/或所述固体废物进行细分定位处理,在细分定位处理划分的细分网格中确定出所述回收矿物/或所述固体废物在所述待识别原石中的位置信息。
7.根据权利要求6所述的分选装置,其特征在于,所述第一确定模块在用于所述基于所述矿物特征参数以及预先确定的回收矿物的目标特征参数和/或固体废物的目标特征参数,进行特征参数融合计算时,还用于:
将所述矿物特征参数以及所述回收矿物的目标特征参数/或所述固体废物的目标特征参数进行特征参数融合计算,确定出融合特征参数;
将所述融合特征参数与所述回收矿物的目标特征参数和/或固体废物的目标特征参数进行分析处理,确定出所述矿物的类别信息,所述类别信息至少包含所述待识别目标特征图像中显示有待识别原石中包括的各个成分中的一种。
8.根据权利要求6所述的分选装置,其特征在于,所述获取模块用于通过以下步骤获取所述待识别目标特征图像:
获取所述待识别原石的原始图像,将所述原始图像进行分割处理得到所述待识别原石的样本图像;
提取所述待识别原石的样本图像中的包括的各个成分的图像灰度参数特征,获得所述待识别目标特征图像。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过所述总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至5中任一所述的一种矿物的分选方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至5中任一所述的一种矿物的分选方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111019460.5A CN113673625B (zh) | 2021-09-01 | 一种矿物的分选方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111019460.5A CN113673625B (zh) | 2021-09-01 | 一种矿物的分选方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113673625A true CN113673625A (zh) | 2021-11-19 |
CN113673625B CN113673625B (zh) | 2024-06-28 |
Family
ID=
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100017020A1 (en) * | 2008-07-16 | 2010-01-21 | Bradley Hubbard-Nelson | Sorting system |
CN104858157A (zh) * | 2015-05-11 | 2015-08-26 | 武汉理工大学 | 一种有色金属破碎料智能分选装置 |
CN105478373A (zh) * | 2016-01-28 | 2016-04-13 | 北矿机电科技有限责任公司 | 一种基于射线透射识别的矿石智能分选控制系统 |
CN106040618A (zh) * | 2016-05-29 | 2016-10-26 | 内蒙古科技大学 | 一种基于皮带传输的小颗粒矿石x荧光选矿机 |
CN106944366A (zh) * | 2017-03-28 | 2017-07-14 | 沈阳隆基电磁科技股份有限公司 | 一种基于x射线识别的矿石智能分选设备及方法 |
CN108136445A (zh) * | 2015-07-16 | 2018-06-08 | Uhv技术股份有限公司 | 材料分拣系统 |
CN109844509A (zh) * | 2016-06-21 | 2019-06-04 | 索雷克核研究中心 | 用于识别多个固体物体的xrf分析仪、分拣系统及其分拣方法 |
US20200384506A1 (en) * | 2019-06-05 | 2020-12-10 | X Development Llc | Determining ore characteristics |
CN113095244A (zh) * | 2021-04-17 | 2021-07-09 | 武汉财源通网络科技有限公司 | 基于物联网和特征识别的矿物资源勘探多维度分析处理系统 |
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100017020A1 (en) * | 2008-07-16 | 2010-01-21 | Bradley Hubbard-Nelson | Sorting system |
CN104858157A (zh) * | 2015-05-11 | 2015-08-26 | 武汉理工大学 | 一种有色金属破碎料智能分选装置 |
CN108136445A (zh) * | 2015-07-16 | 2018-06-08 | Uhv技术股份有限公司 | 材料分拣系统 |
CN105478373A (zh) * | 2016-01-28 | 2016-04-13 | 北矿机电科技有限责任公司 | 一种基于射线透射识别的矿石智能分选控制系统 |
CN106040618A (zh) * | 2016-05-29 | 2016-10-26 | 内蒙古科技大学 | 一种基于皮带传输的小颗粒矿石x荧光选矿机 |
CN109844509A (zh) * | 2016-06-21 | 2019-06-04 | 索雷克核研究中心 | 用于识别多个固体物体的xrf分析仪、分拣系统及其分拣方法 |
CN106944366A (zh) * | 2017-03-28 | 2017-07-14 | 沈阳隆基电磁科技股份有限公司 | 一种基于x射线识别的矿石智能分选设备及方法 |
US20200384506A1 (en) * | 2019-06-05 | 2020-12-10 | X Development Llc | Determining ore characteristics |
CN113095244A (zh) * | 2021-04-17 | 2021-07-09 | 武汉财源通网络科技有限公司 | 基于物联网和特征识别的矿物资源勘探多维度分析处理系统 |
Non-Patent Citations (2)
Title |
---|
刘明宝;杨超普;阎赞;印万忠;: "钼和铜矿山废石X荧光预选的可行性研究", 矿山机械, no. 02, 10 February 2017 (2017-02-10), pages 50 - 54 * |
郭永存;于中山;卢熠昌;: "基于PSO优化NP-FSVM的煤矸光电智能分选技术研究", 煤炭科学技术, no. 04, 15 April 2019 (2019-04-15), pages 13 - 19 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lopez-Molina et al. | Multiscale edge detection based on Gaussian smoothing and edge tracking | |
CN107256225B (zh) | 一种基于视频分析的热度图生成方法及装置 | |
Bhat et al. | Recognition of vehicle number plate using matlab | |
CN104166841A (zh) | 一种视频监控网络中指定行人或车辆的快速检测识别方法 | |
Williams et al. | Particle shape characterisation and its application to discrete element modelling | |
CN103530638A (zh) | 多摄像头下的行人匹配方法 | |
CN112966665A (zh) | 路面病害检测模型训练方法、装置和计算机设备 | |
CN103971377A (zh) | 基于先验形状水平集分割的建筑物提取方法 | |
CN107480585A (zh) | 基于dpm算法的目标检测方法 | |
CN109635811A (zh) | 空间植物的图像分析方法 | |
CN112926399A (zh) | 目标对象检测方法、装置、电子设备和存储介质 | |
CN103886319A (zh) | 一种基于机器视觉的举牌智能识别方法 | |
Teng et al. | Adaptive morphological filtering method for structural fusion restoration of hyperspectral images | |
Lindeberg et al. | Scale detection and region extraction from a scale-space primal sketch | |
CN115731493A (zh) | 基于视频图像识别的降水微物理特征参量提取与分析方法 | |
Hitimana et al. | Automatic estimation of live coffee leaf infection based on image processing techniques | |
Essa et al. | Volumetric directional pattern for spatial feature extraction in hyperspectral imagery | |
CN112950594A (zh) | 产品表面缺陷的检测方法、设备及存储介质 | |
Raikar et al. | Automatic building detection from satellite images using internal gray variance and digital surface model | |
CN113673625B (zh) | 一种矿物的分选方法、装置、电子设备及存储介质 | |
CN113673625A (zh) | 一种矿物的分选方法、装置、电子设备及存储介质 | |
CN106886796A (zh) | 图标位置识别方法、装置及终端设备 | |
CN116580410A (zh) | 票据号码识别方法、装置、电子设备及存储介质 | |
Gao et al. | Traffic video-based moving vehicle detection and tracking in the complex environment | |
Imran et al. | Image-based automatic energy meter reading using deep learning |
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 |