CN114066861A - 一种基于交叉算法边缘检测理论和视觉特征的煤矸识别方法 - Google Patents

一种基于交叉算法边缘检测理论和视觉特征的煤矸识别方法 Download PDF

Info

Publication number
CN114066861A
CN114066861A CN202111383723.0A CN202111383723A CN114066861A CN 114066861 A CN114066861 A CN 114066861A CN 202111383723 A CN202111383723 A CN 202111383723A CN 114066861 A CN114066861 A CN 114066861A
Authority
CN
China
Prior art keywords
coal
gangue
gray
image
edge detection
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
Application number
CN202111383723.0A
Other languages
English (en)
Other versions
CN114066861B (zh
Inventor
郭永存
王鑫泉
王爽
程刚
王文善
何磊
刘普壮
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.)
Anhui University of Science and Technology
Original Assignee
Anhui University of Science and Technology
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 Anhui University of Science and Technology filed Critical Anhui University of Science and Technology
Priority to CN202111383723.0A priority Critical patent/CN114066861B/zh
Publication of CN114066861A publication Critical patent/CN114066861A/zh
Application granted granted Critical
Publication of CN114066861B publication Critical patent/CN114066861B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30132—Masonry; Concrete

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于交叉算法边缘检测理论和视觉特征的煤矸识别方法，根据煤和煤矸石的灰度图像的灰度值，在边缘附近存在沿着斜向‑45°和45°方向单调递增的现象，提出了交叉算法边缘检测理论，使用交叉算法进行煤和煤矸石图像的边缘检测，将检测结果经过形态学技术处理，获得单个煤和煤矸石图像的分割结果。提取煤和煤矸石单图的均值、对比度和熵值作为识别特征构建支持向量机分类模型。解决了复杂背景条件下煤矸分选中存在的边缘检测失误、图像分割失真和识别精度低等问题，图像分割精确、识别特征少、识别准确度高。

Description

一种基于交叉算法边缘检测理论和视觉特征的煤矸识别方法
技术领域
本发明涉及煤矸分选领域，具体是一种基于交叉算法边缘检测理论和视觉特征的煤矸识别方法。
背景技术
煤炭的高效清洁利用是煤炭工业的发展主题之一，环境保护和大气治理越来越受到社会和科研工作者的关注。降低煤炭的含矸率是减少固体垃圾产生和废气排放的有效途径，能够提升煤炭质量、减少运输成本和解放人力，同时推进煤矸废固的再利用。
煤和煤矸石在物理和化学方面存在多种差异特征，学者们多采用煤和煤矸石在物理方面的差异特征结合神经网络识别模型进行无损识别。常见的物理方面的差异特征主要有密度特征、硬度特征、介电特征、声学特征、射线衰减特征和光学特征等。煤和煤矸石的光学特征主要包含光谱特征和视觉特征，在光谱特征研究方面，主要有红外光谱、近红外光谱和多光谱等，但是光谱特征受光线变化的影响较大。随着机器视觉技术的广泛应用，煤和煤矸石的视觉特征识别是目前研究的热点，具有图像采集速度快、识别特征多样和识别精准度高等特点。视觉特征识别煤和煤矸石的目前有两个难点：首先是复杂背景下的煤矸图像分割，其次是多变的差异特征的提取。
发明内容
针对现有技术的不足，本发明的目的是提供一种基于交叉算法边缘检测理论和视觉特征的煤矸识别方法；解决了复杂背景条件下煤矸分选中存在的边缘检测失误、图像分割失真和识别精度低等问题，图像分割精确、识别特征少、识别准确度高。
本发明实现发明目的采用如下技术方案：
一种基于交叉算法边缘检测理论和视觉特征的煤矸识别方法，将输入的煤和煤矸石图像转化成灰度图像，再使用交叉边缘检测算法检测一种基于交叉算法边缘检测理论和视觉特征的煤矸识别方法和煤矸石的边缘，然后进行形态学处理，将每个煤和煤矸石对应的连通域标记为掩模。使用掩模分割原始图像中的煤和煤矸石的单图，提取煤和煤矸石图像的灰度和纹理特征组建特征向量，选取适量的特征向量训练SVM分类模型，对需要识别的煤和煤矸石，实时提取其特征向量，输入到SVM分类模型，就能实时识别煤和煤矸石；
一种基于交叉算法边缘检测理论和视觉特征的煤矸识别方法，包括以下步骤：
S1:获取煤和煤矸石原始图像，并转化成灰度图像；
S2:沿X和Y方向逐个提取像素矩阵Aij，矩阵长度为n；
Figure BDA0003366600100000021
其中，w和h分别为原始灰度图像A的宽度和高度。
S3:在像素矩阵的中心像素的斜向-45°和45°方向上存在灰度值单调变化，即满足下列两个条件的其中之一：
Figure BDA0003366600100000022
其中，γ是调控因子，γ≥2。
则以中心像素的灰度值赋值为0，其余像素的灰度值为255，逐个构建赋值像素矩阵Bij，即：
Figure BDA0003366600100000023
S4:将赋值像素矩阵依次排列进行重构，得到边缘检测图像B；所有灰度值为0的像素构成了灰度图像B上物体的边缘，交叉边缘检测得到的结果是一张二值图像。
S5:使用交叉边缘检测算法检测煤和煤矸石的边缘，然后进行形态学处理，将每个煤和煤矸石对应的连通域标记为掩模,使用掩模分割原始图像中的煤和煤矸石的单图；
S6：煤和煤矸石的单图经过灰度转化后得到灰度图像R。均值能够是表征灰度图像R的灰度特征指数，对比度和熵值是表征灰度图像R的纹理特征指数。为简化计算，先计算出灰度图像R的灰度共生矩阵C，对灰度共生矩阵C归一化后，求取灰度共生矩阵C的灰度直方图K，根据灰度直方图可以求解表征灰度等级的均值。
Figure BDA0003366600100000031
式中，l为灰度的分级，K(l)是在l灰度等级下的灰度值。
对比度度量了图像的和纹理的清晰度。纹理越清晰，灰度值反差越大，对比度也就越大；
Figure BDA0003366600100000032
熵值反映了灰度图像包含信息量的随机性，体现了图像的复杂程度。
Figure BDA0003366600100000033
统计每个煤和煤矸石的灰度和纹理特征，发现煤和煤矸石图像在均值、对比度和熵值方面存在较大差异，可以使用均值、对比度和熵值作为煤和煤矸石的识别特征。提取煤和煤矸石的均值、对比度和熵值构建特征向量T。
T＝[M H S] (7)
S7:选取适量的特征向量T训练SVM分类模型，对需要识别的煤和煤矸石，实时提取其特征向量，输入到SVM分类模型，就能实时识别煤和煤矸石。
本发明的有益效果：
1、图像边缘检测过程简单，图像分割速度快。
2、能够应对复杂多变的背景。
3、识别特征少，识别速度快。
4、识别准确率高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术中所需使用的附图做简要介绍，显而易见地，对于本领域普通技术员来讲，在不付出创造性劳动的前提下，还可根据这些附图获得其他的附图。
图1是本发明实施例的交叉算法边缘检测原理图；
图2是本发明实施例的煤矸识别流程图；
图3是本发明实施例的煤矸原始图；
图4是本发明实施例的交叉算法边缘检测结果图；
图5是本发明实施例的膨胀操作结果图；
图6是本发明实施例的清除小连通域的结果图；
图7是本发明实施例的填充连通域的结果图；
图8是本发明实施例的腐蚀操作结果图；
图9是本发明实施例的掩模设置图；
图10是本发明实施例的煤矸原始图的分割标记图；
图11是本发明实施例的煤的单图；
图12是本发明实施例的煤矸石的单图；
图13是本发明实施例的煤和煤矸石的视觉特征差异图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1所示，是交叉算法边缘检测原理图，是以原始灰度像图像A的像素大小是7*7，像素矩阵的大小是3*3为例；原始灰度像图像A经过逐个提取像素矩阵、提取交叉斜向像素、提取单调变化像素、构建赋值像素矩阵和依次构成二值图像之后得到边缘检测图像B；
一种基于交叉算法边缘检测理论和视觉特征的煤矸识别方法，包括以下步骤：
S1:获取煤和煤矸石原始图像，并转化成灰度图像；
S2:沿X和Y方向逐个提取像素矩阵Aij，矩阵长度为n；
Figure BDA0003366600100000041
其中，w和h分别为原始灰度图像A的宽度和高度。
S3:在像素矩阵的中心像素的斜向-45°和45°方向上存在灰度值单调变化，即满足下列两个条件的其中之一：
Figure BDA0003366600100000042
其中，γ是调控因子，γ≥2。
则以中心像素的灰度值赋值为0，其余像素的灰度值为255，逐个构建赋值像素矩阵Bij，即：
Figure BDA0003366600100000051
S4:将赋值像素矩阵依次排列进行重构，得到边缘检测图像B；所有灰度值为0的像素构成了灰度图像B上物体的边缘，交叉边缘检测得到的结果是一张二值图像。
S5:使用交叉边缘检测算法检测煤和煤矸石的边缘，然后进行形态学处理，将每个煤和煤矸石对应的连通域标记为掩模,使用掩模分割原始图像中的煤和煤矸石的单图；
如图3所示是一张进行灰度转化得到的包含多个煤和煤矸石的图像，对然后对图3进行交叉边缘检测，设定n＝7，γ＝2.18，得到的结果如图4所示。对图4进行膨胀操作得到图5，清除图5内的小连通区域，得到图6。填充图6内的连通域，得到图7，对图7进行腐蚀操作，得到图8；图8中每个白色的连通域对应一个煤或煤矸石，如图9所示，将每个标记的白色连通域依次设置为掩模，可以分割原始图像，如图10所示；分割得到的单个的煤或煤矸石图像分别如图11和图12所示。
S6：煤和煤矸石的单图经过灰度转化后得到灰度图像R。均值能够是表征灰度图像R的灰度特征指数，对比度和熵值是表征灰度图像R的纹理特征指数。为简化计算，先计算出灰度图像R的灰度共生矩阵C，对灰度共生矩阵C归一化后，求取灰度共生矩阵C的灰度直方图K，根据灰度直方图可以求解表征灰度等级的均值。
Figure BDA0003366600100000052
式中，l为灰度的分级，K(l)是在l灰度等级下的灰度值。
对比度度量了图像的和纹理的清晰度。纹理越清晰，灰度值反差越大，对比度也就越大；
Figure BDA0003366600100000053
熵值反映了灰度图像包含信息量的随机性，体现了图像的复杂程度。
Figure BDA0003366600100000054
统计每个煤和煤矸石的灰度和纹理特征，结果如图13所示；发现煤和煤矸石图像在均值、对比度和熵值方面存在较大差异，可以使用均值、对比度和熵值作为煤和煤矸石的识别特征。提取煤和煤矸石的均值、对比度和熵值构建特征向量T。
T＝[M H S] (7)
S7:选取适量的特征向量T训练SVM分类模型，对需要识别的煤和煤矸石，实时提取其特征向量，输入到SVM分类模型，就能实时识别煤和煤矸石。
一种基于交叉算法边缘检测理论和视觉特征的煤矸识别方法，具体的识别流程如图2所示；将输入的煤和煤矸石图像转化成灰度图像，再使用交叉边缘检测算法检测一种基于交叉算法边缘检测理论和视觉特征的煤矸识别方法和煤矸石的边缘，然后进行形态学处理，将每个煤和煤矸石对应的连通域标记为掩模。使用掩模分割原始图像中的煤和煤矸石的单图，提取煤和煤矸石图像的灰度和纹理特征组建特征向量，选取适量的特征向量T训练SVM分类模型，对需要识别的煤和煤矸石，实时提取其特征向量，输入到SVM分类模型，就能实时识别煤和煤矸石。解决了复杂背景条件下煤矸分选中存在的边缘检测失误、图像分割失真和识别精度低等问题，图像分割精确、识别特征少、识别准确度高。制造成本低，运行维护简单，为煤矸石光电分选提供了新的方法和理论研究参考案例。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (1)

1.一种基于交叉算法边缘检测理论和视觉特征的煤矸识别方法，其特征在于：将输入的煤和煤矸石图像转化成灰度图像，再使用交叉边缘检测算法检测一种基于交叉算法边缘检测理论和视觉特征的煤矸识别方法和煤矸石的边缘，然后进行形态学处理，将每个煤和煤矸石对应的连通域标记为掩模；使用掩模分割原始图像中的煤和煤矸石的单图，提取煤和煤矸石图像的灰度和纹理特征组建特征向量，选取适量的特征向量训练支持向量机分类模型，对需要识别的煤和煤矸石，实时提取其特征向量，输入到SVM分类模型，就能实时识别煤和煤矸石；
一种基于交叉算法边缘检测理论和视觉特征的煤矸识别方法，包括以下步骤：
S1:获取煤和煤矸石原始图像，并转化成灰度图像；
S2:沿X和Y方向逐个提取像素矩阵Aij，矩阵长度为n；
Figure FDA0003366600090000011
其中，w和h分别为原始灰度图像A的宽度和高度；
S3:在像素矩阵的中心像素的斜向-45°和45°方向上存在灰度值单调变化，即满足下列两个条件的其中之一：
Figure FDA0003366600090000012
其中，γ是调控因子，γ≥2；
则以中心像素的灰度值赋值为0，其余像素的灰度值为255，逐个构建赋值像素矩阵Bij，即：
Figure FDA0003366600090000013
S4:将赋值像素矩阵依次排列进行重构，得到边缘检测图像B；所有灰度值为0的像素构成了灰度图像B上物体的边缘，交叉边缘检测得到的结果是一张二值图像；
S5:使用交叉边缘检测算法检测煤和煤矸石的边缘，然后进行形态学处理，将每个煤和煤矸石对应的连通域标记为掩模，使用掩模分割原始图像中的煤和煤矸石的单图；
S6：煤和煤矸石的单图经过灰度转化后得到灰度图像R；均值能够是表征灰度图像R的灰度特征指数，对比度和熵值是表征灰度图像R的纹理特征指数；为简化计算，先计算出灰度图像R的灰度共生矩阵C，对灰度共生矩阵C归一化后，求取灰度共生矩阵C的灰度直方图K，根据灰度直方图可以求解表征灰度等级的均值；
Figure FDA0003366600090000021
式中，l为灰度的分级，K(l)是在l灰度等级下的灰度值；
对比度度量了图像的和纹理的清晰度；纹理越清晰，灰度值反差越大，对比度也就越大；
Figure FDA0003366600090000022
熵值反映了灰度图像包含信息量的随机性，体现了图像的复杂程度；
Figure FDA0003366600090000023
统计每个煤和煤矸石的灰度和纹理特征，发现煤和煤矸石图像在均值、对比度和熵值方面存在较大差异，可以使用均值、对比度和熵值作为煤和煤矸石的识别特征；提取煤和煤矸石的均值、对比度和熵值构建特征向量T；
T＝[M H S] (7)
S7:选取适量的特征向量T训练SVM分类模型，对需要识别的煤和煤矸石，实时提取其特征向量，输入到SVM分类模型，就能实时识别煤和煤矸石。
CN202111383723.0A 2021-11-22 2021-11-22 一种基于交叉算法边缘检测理论和视觉特征的煤矸识别方法 Active CN114066861B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111383723.0A CN114066861B (zh) 2021-11-22 2021-11-22 一种基于交叉算法边缘检测理论和视觉特征的煤矸识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111383723.0A CN114066861B (zh) 2021-11-22 2021-11-22 一种基于交叉算法边缘检测理论和视觉特征的煤矸识别方法

Publications (2)

Publication Number Publication Date
CN114066861A true CN114066861A (zh) 2022-02-18
CN114066861B CN114066861B (zh) 2024-04-19

Family

ID=80278816

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111383723.0A Active CN114066861B (zh) 2021-11-22 2021-11-22 一种基于交叉算法边缘检测理论和视觉特征的煤矸识别方法

Country Status (1)

Country Link
CN (1) CN114066861B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117011302A (zh) * 2023-10-08 2023-11-07 山东济宁运河煤矿有限责任公司 一种基于煤矸识别的智能干选系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005001749A1 (fr) * 2003-06-27 2005-01-06 Lp Technologies (Shanghai) Inc. Procede permettant d'ameliorer les informations d'images numeriques d'un code barres bidimensionnel
CN102521572A (zh) * 2011-12-09 2012-06-27 中国矿业大学 一种煤和矸石的图像识别方法
US20140291213A1 (en) * 2011-10-27 2014-10-02 Shangdong Borun Process Industrial Technology Corp. Co., Ltd. Process and system for dry coal separation by coal gangue removal
CN107145884A (zh) * 2017-04-26 2017-09-08 太原理工大学 煤矸石近红外图像识别技术
CN112330607A (zh) * 2020-10-20 2021-02-05 精英数智科技股份有限公司 基于图像识别技术的煤矸识别方法、装置及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005001749A1 (fr) * 2003-06-27 2005-01-06 Lp Technologies (Shanghai) Inc. Procede permettant d'ameliorer les informations d'images numeriques d'un code barres bidimensionnel
US20140291213A1 (en) * 2011-10-27 2014-10-02 Shangdong Borun Process Industrial Technology Corp. Co., Ltd. Process and system for dry coal separation by coal gangue removal
CN102521572A (zh) * 2011-12-09 2012-06-27 中国矿业大学 一种煤和矸石的图像识别方法
CN107145884A (zh) * 2017-04-26 2017-09-08 太原理工大学 煤矸石近红外图像识别技术
CN112330607A (zh) * 2020-10-20 2021-02-05 精英数智科技股份有限公司 基于图像识别技术的煤矸识别方法、装置及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
郭永存: "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》, vol. 47, no. 4, 30 April 2019 (2019-04-30), pages 1 - 7 *
郭永存: "煤矸双能X 射线图像多维度分析识别方法", 《煤炭学报》, vol. 46, no. 1, 31 January 2021 (2021-01-31), pages 1 - 10 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117011302A (zh) * 2023-10-08 2023-11-07 山东济宁运河煤矿有限责任公司 一种基于煤矸识别的智能干选系统
CN117011302B (zh) * 2023-10-08 2024-01-09 山东济宁运河煤矿有限责任公司 一种基于煤矸识别的智能干选系统

Also Published As

Publication number Publication date
CN114066861B (zh) 2024-04-19

Similar Documents

Publication Publication Date Title
CN111325203B (zh) 一种基于图像校正的美式车牌识别方法及系统
CN103049763B (zh) 一种基于上下文约束的目标识别方法
CN107038416B (zh) 一种基于二值图像改进型hog特征的行人检测方法
CN111401372A (zh) 一种扫描文档图文信息提取与鉴别的方法
CN111401353B (zh) 一种数学公式的识别方法、装置及设备
CN114841972A (zh) 基于显著性图和语义嵌入特征金字塔的输电线路缺陷识别方法
CN106610969A (zh) 基于多模态信息的视频内容审查系统及方法
CN112307919B (zh) 一种基于改进YOLOv3的单证图像中数字信息区域识别方法
CN110598566A (zh) 图像处理方法、装置、终端和计算机可读存储介质
CN113610024B (zh) 一种多策略的深度学习遥感影像小目标检测方法
CN112733858B (zh) 基于字符区域检测的图像文字快速识别方法及装置
CN116071763A (zh) 基于文字识别的教辅图书智能校编系统
CN113065396A (zh) 基于深度学习的扫描档案图像的自动化归档处理系统及方法
CN112509026A (zh) 一种绝缘子裂缝长度识别方法
CN114066861B (zh) 一种基于交叉算法边缘检测理论和视觉特征的煤矸识别方法
CN113077438B (zh) 针对多细胞核彩色图像的细胞核区域提取方法及成像方法
CN110516592A (zh) 一种基于手写数字字符的识别方法
CN117576699A (zh) 一种基于深度学习的机车工单信息智能识别方法及系统
CN115063679B (zh) 一种基于深度学习的路面质量评估方法
CN116486273A (zh) 一种小样本遥感图像水体信息提取方法
CN115965987A (zh) 基于异构架构的表格文字结构化识别方法
Velu et al. Automatic letter sorting for Indian postal address recognition system based on pin codes
Biswas et al. Text extraction from scanned land map images
CN110334778B (zh) 基于描述内容与图像内容特征的图像综合相似分析方法
CN113901913A (zh) 一种用于古籍文档图像二值化的卷积网络

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
GR01 Patent grant