CN114638992A - 基于人工智能的显微镜下岩矿石图像识别方法 - Google Patents

基于人工智能的显微镜下岩矿石图像识别方法 Download PDF

Info

Publication number
CN114638992A
CN114638992A CN202210274629.XA CN202210274629A CN114638992A CN 114638992 A CN114638992 A CN 114638992A CN 202210274629 A CN202210274629 A CN 202210274629A CN 114638992 A CN114638992 A CN 114638992A
Authority
CN
China
Prior art keywords
image
rock
ore
mineral
artificial intelligence
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
CN202210274629.XA
Other languages
English (en)
Inventor
侯振隆
赵文天
申晋容
魏继康
刘欣慰
张显
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.)
Northeastern University China
Original Assignee
Northeastern University China
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 Northeastern University China filed Critical Northeastern University China
Priority to CN202210274629.XA priority Critical patent/CN114638992A/zh
Publication of CN114638992A publication Critical patent/CN114638992A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping

Landscapes

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

Abstract

本发明提供一种基于人工智能的显微镜下岩矿石图像识别方法，涉及矿产勘查中的岩矿石鉴定领域，首先，进行矿石标本数据采集并在显微镜下拍摄图像；其次，根据不同矿物在显微镜下的特征，通过人工观察进行初步的种类划分与归类；然后，对获取的图像数据进行增强和处理，创建训练集与测试集；最后，利用U‑net卷积神经网络进行训练并测试，计算矿物含量与识别准确率。本发明能够有效提高显微镜下岩矿石识别鉴定的效率，基于人工智能的识别方法还能有效避免人为主观干扰，降低人工成本，适用于大批量岩矿石样本的自动化识别，对于研究深部地壳结构、实现矿体的精准圈定，以及矿山生产中的岩矿石分类提供了技术支撑。

Description

基于人工智能的显微镜下岩矿石图像识别方法
技术领域
本发明涉及矿产勘查中的岩矿石鉴定技术领域，具体涉及一种基于人工智能的显微镜下岩矿石图像识别方法。
背景技术
近年来，随着人工智能技术的兴起，地球科学领域正日趋智能化，显微镜下岩矿石鉴定领域也因此发生了重大变革。由于传统识别方法主要依赖于地质专业人员，识别结果不可避免地受到主观因素影响。当鉴定的工作量较大时，极易产生耗时增加、准确率下降等问题。基于人工智能的识别方法避免了人为干扰，具有自动化、速度快等优点。因此，开展该领域的研究对于解决上述问题具有重要意义。
卷积神经网络(Convolutional Neural Network,CNN)是人工智能的核心技术。其研究始于20世纪80、90年代，时间延迟网络和LeNet-5是最早出现的CNN；进入21世纪以来，基于深度学习的方法主要通过CNN实现，已广泛应用于人脸识别、语音识别、图像去雾、噪音去除等领域。在最近十年中，大数据与人工智能的引入使地球信息科学实现跨越式发展，也改变了地质学的应用方式。国内外学者在岩矿石智能识别方向上已开展了大量的研究：Marmo等(Marmo R,Amodio S,Tagliaferri R,et al.Textural identification ofcarbonate rocks by image processing and neural network:Methodology proposaland examples[J].Computers&geosciences,2005,31(5):649-659.)将灰度数字图像作为输入，基于多感知器神经网络实现了对不同环境下的碳酸盐岩的图像识别，实验效果显著；Singh和Rao(Singh V,Rao S M.Application of image processing and radial basisneural network techniques for ore sorting and ore classification[J].MineralsEngineering,2005,18(15):1412-1420.)基于矿石颗粒(Mn、Fe、Al2O3含量丰富)的视觉纹理和径向基神经网络，提出了锰铁冶金厂饲料矿石分类的新方法；Singh等(Singh N,Singh TN,Tiwary A,et al.Textural identification of basaltic rock mass using imageprocessing and neural network[J].Computational Geosciences,2010,14(2):301-310.)提出了一种基于不同玄武岩岩样薄片图像处理的纹理识别的新方法，实现了玄武质岩石纹理自动识别，准确率达92.22％；Ghiasi-Freez等(Ghiasi-Freez J,SoleimanpourI,Kadkhodaie-Ilkhchi A,et al.Semi-automated porosity identification from thinsection images using image analysis and intelligent discriminant classifiers[J].Computers&geosciences,2012,45:36-45.)利用图像分析技术提取图像几何形状参数，实现了薄片图像的识别；
Figure BDA0003555350000000011
等(
Figure BDA0003555350000000012
M,Górszczyk A,
Figure BDA0003555350000000013
B.Theapplication of pattern recognition in the automatic classification ofmicroscopic rock images[J].Computers&Geosciences,2013,60:126-133.)针对9种不同的岩石种类，通过最近邻算法、k近邻算法等实现了分类；程国建等(程国建,杨静,黄全舟等.基于概率神经网络的岩石薄片图像分类识别研究[J].科学技术与工程,2013,13(31):9231-9235.)尝试将k-means聚类分割算法与概率神经网络结合，实现对岩石薄片的分类；Chatterjee(Chatterjee S.Vision-based rock-type classification of limestoneusing multi-class support vector machine[J].Applied intelligence,2013,39(1):14-27.)提出了基于图像的岩石类型分析与分类方法，该方法的总体准确率为96.2％；张野等(张野,李明超,韩帅.基于岩石图像深度学习的岩性自动识别与分类方法[J].岩石学报,2018,34(2):333-342.)基于Inception-v3深度卷积神经网络模型，建立了岩石图像集分析的深度学习迁移模型，实现了岩石岩性的自动识别与分类；徐述腾和周永章(徐述腾,周永章.基于深度学习的镜下矿石矿物的智能识别实验研究[J].岩石学报,2018,34(11):3244-3252.)开展了基于深度学习的镜下矿石矿物的智能识别实验研究，训练出的模型识别成功率高于90％。从上述研究中发现，显微镜下图像智能化与自动化识别的研究得到了较快发展，但是能够实现多类矿物高精度识别的神经网络较少，准确率仍有待提升。
因此，开展显微镜下岩矿石智能化识别方法的研究，对于促进深部找矿智能化、精细化发展具有重要支撑作用。
发明内容
针对现有技术的不足，本发明的目的是提出一种基于人工智能的显微镜下岩矿石图像识别方法，提高显微镜下岩矿石的识别效率，更加准确地实现岩矿石分类和矿物含量估算。
为实现上述技术效果，本发明提出的一种基于人工智能的显微镜下岩矿石图像识别方法，包括：
步骤1：利用光学显微镜采集岩矿石标本图像，制作样本数据集；
步骤2：构建卷积神经网络，利用样本数据集进行训练，得到训练后的神经网络模型；
步骤3：利用训练后的神经网络模型对待预测岩矿石标本进行矿物种类的预测；
步骤4：针对预测出的矿物类别，分别计算各矿物的百分比含量。
所述步骤1包括：
步骤1.1：采集岩矿石标本并将标本磨制成光片，岩矿石标本采集应覆盖完整的研究区域，涵盖该区域所有的岩矿石样本种类；
步骤1.2：在光学显微镜下观察标本光片并采集标本图像，针对不同种类的样本采集不同倍镜、光圈参数下的图像；
步骤1.3：对图像数据进行归类，并对已分类的图像中所含矿物进行标记；
步骤1.4：对步骤1.3中完成标记的图像进行数据增强，生成样本数据集。
所述步骤1.3包括：
根据镜下矿物的颜色、形状、纹理和表面光滑程度，对获取的镜下图像进行初步的种类划分和归类；根据显微镜下岩矿石特征使用Python工具箱LabelImg进行图像的注释标注，将注释为Pascal Voc格式保存为XML文件。
所述步骤1.4中所述数据增强表述为：使用Python工具箱imgaug对图像上的BoundingBoxes进行翻转、旋转、镜像、随机裁剪处理，并保持坐标和图像同步改变；Bounding box是一个虚构的矩形，用作目标检测的参考并为目标创建碰撞框；
图像翻转指对矿物原始图像经过上下、左右翻转，具体为在上下翻转后，所有像素的纵坐标都与原始图像对应纵坐标关于此图像的水平中心线对称，左右翻转即为翻转后像素横坐标与原始图像对应横坐标关于此图像垂直中心线左右对称；
图像旋转指不改变图像矿物类别的情况下，将原始图片随机旋转一定角度获得图像像素位置变化的图形图像；
图像镜像指不改变原始图像的尺寸、形状，将图像以中轴线为中心进行镜像对换；
图像随机裁剪指将原始图像以随机大小、随机宽高比进行裁剪，以扩充数据集。
所述步骤2包括：
步骤2.1：将样本数据集划分为训练集和测试集；
步骤2.2：构建U-net卷积神经网络，并训练步骤2.1中的训练集；
步骤2.3：利用测试集对U-net卷积神经网络模型进行测试，计算准确率P：
P＝TP/(TP+FP) (1)
其中，TP表示矿物类别预测正确的样本数；FP表示矿物类别预测错误的样本数。
所述步骤4表述为：
采用Python工具箱Numpy和PIL中的函数，遍历图像的全部像素点，将原图像的RGB值通过公式(2)转化为灰度值Grey；
Grey＝0.299×R+0.587×G+0.114×B (2)
统计各矿物对应的灰度值范围，从而获得各矿物含量百分比。
所述步骤2.2具体表述为：使用U-net卷积神经网络进行训练，有效训练时长不少于150小时，训练完成后保存结果为PTH模型文件。
本发明的有益效果是：
本发明提出了一种基于人工智能的显微镜下岩矿石图像识别方法，采集岩矿石标本并获取光学显微镜下的标本图像，借助图像处理方法，对图像数据进行预处理制作样本集，通过数据增强获得大量的图像数据，达到增强模型泛化能力、提高实验结果准确性的目的，构建U-net卷积神经网络并进行训练，利用训练后的神经网络模型实现岩矿石图像的智能识别；该方法能够提高矿物的鉴定速度和准确率，避免人为主观干扰，降低人工成本，适用于大批量岩矿石样本的自动化识别，对于研究深部地壳结构、实现矿体的精准圈定，以及矿山生产中的岩矿石分类提供了技术支撑。
附图说明
图1为本发明中基于人工智能的显微镜下岩矿石图像识别方法的流程图；
图2为本发明中采集的矿石样本光片在20×10倍镜下的照片，其中(a)为磁铁矿与赤铁矿交代伴生镜下照片，(b)为磁铁矿镜下照片；
图3为本发明中利用Python工具箱LabelImg标注图像注释的示意图；
图4为本发明中进行数据增强后的图像，其中(a)为照片经旋转后的图像，(b)为照片经翻转后的图像；
图5为本发明中估算矿物含量的结果(右上角图例)示意图。
具体实施方式
下面结合附图和具体实施实例对发明做进一步说明。本实施例在如下配置的计算机上运行测试：CPU，Intel Core i7-9750H；GPU，NIVIDIA GeForce GTX1660 Ti；内存，16GB。
如图1所示，一种基于人工智能的显微镜下岩矿石图像识别方法，包括：
步骤1：利用光学显微镜采集岩矿石标本图像，制作样本数据集；包括：
步骤1.1：采集岩矿石标本(如铁矿)并将标本磨制成光片，岩矿石标本采集应覆盖完整的研究区域，涵盖该区域所有的岩矿石样本种类；
步骤1.2：在光学显微镜下观察标本光片并采集标本图像，针对不同种类的样本采集不同倍镜、光圈参数下的图像；
对光片进行镜下观察并拍摄照片，在不同样本和不同倍镜、不同光圈等参数的条件下，尽可能多地收集训练样本的图像数据，以减少在模型训练过程中设备与人为因素的干扰。对比不同参数的镜下图像，选择图像最清晰、矿物特征最明显时的矿物原始图像用于处理与模型训练；
以矿物图像镜下倍数为依据进行初步归类；利用实验室光学显微镜对矿石标本的光片进行镜下观察与照片拍摄，在对比不同参数的镜下图像后，选择20×10倍镜下433张矿物原始图像(如图2)进行后续处理与模型训练。
步骤1.3：对图像数据进行归类，并对已分类的图像中所含矿物进行标记；
首先将图像进行整理，根据不同矿物所在镜下的不同特征，通过人工观察进行种类划分和归类；根据镜下矿物特点，包括：颜色、形状、纹理和表面光滑程度等进行矿物种类划分。采集的矿石样本主要包括磁铁矿与赤铁矿两类，考虑到磁铁矿和赤铁矿间的交代关系。则本实施例中待识别的矿物类型共三种，即：磁铁矿(Mag)、赤铁矿(Hem)、磁铁矿与赤铁矿相互交代(Mag+Hem)；
然后进行图像数据预处理，对已分类的图像中所含矿物进行标记；标记图像中矿物的方法为：根据显微镜下岩矿石特征使用Python工具箱LabelImg进行图像的注释标注，将注释为Pascal Voc格式保存为XML文件；
本实施例中，根据Mag、Hem、Mag+Hem三类矿石矿物镜下特征，分别选出3000个对应的矿物图像选框(如图3)，并注释为Pascal Voc格式保存为XML文件。
步骤1.4：对步骤1.3中完成标记的图像进行数据增强，生成样本数据集；
所述数据增强表述为：使用Python工具箱imgaug对图像上多个Bounding Boxes进行翻转、旋转、镜像、随机裁剪处理，并保持坐标和图像同步改变；Bounding box是一个虚构的矩形，用作目标检测的参考并为目标创建碰撞框；
图像翻转指对矿物原始图像经过上下、左右翻转，具体为在上下翻转后，所有像素的纵坐标都与原始图像对应纵坐标关于此图像的水平中心线对称，左右翻转即为翻转后像素横坐标与原始图像对应横坐标关于此图像垂直中心线左右对称；
图像旋转指不改变图像矿物类别的情况下，将原始图片随机旋转一定角度获得图像像素位置变化的图形图像；
图像镜像指不改变原始图像的尺寸、形状，将图像以中轴线为中心进行镜像对换；
图像随机裁剪指将原始图像以随机大小、随机宽高比进行裁剪，以扩充数据集；
使用Python工具箱imgaug对图像进行翻转、旋转、镜像和随机裁剪等处理，经过图像增强后得到4000张图像数据(如图4)，扩充了训练集中图像数量，从而增强模型泛化能力，提高实验结果准确性。
步骤2：构建卷积神经网络，利用样本数据集进行训练，得到训练后的神经网络模型；包括：
步骤2.1：创建用于机器学习的图像训练集和测试集；选取数据增强后的图像中80％作为训练集，20％作为测试集；对于训练集的图像数据，要保证每种矿物种类数目相近，不能有较大差距；对于测试集，需要标出所有矿物种类，用于计算结果的准确率；
步骤2.2：构建U-net卷积神经网络，并训练步骤2.1中的训练集；使用U-net卷积神经网络进行训练，有效训练时长不少于150小时，训练完成后保存结果为PTH模型文件。
步骤2.3：利用测试集对U-net卷积神经网络模型进行测试，计算准确率P：
P＝TP/(TP+FP) (1)
其中，TP(True Positive)表示判定为正样本，事实上也是正样本，即算法预测的矿物类别是正确的；FP(False Positive)表示判定为正样本，但事实上是负样本，即算法预测的矿物类别是错误的。经计算，本实施例识别准确率可达93％以上，识别速度为0.28张/秒(或单张图像识别时间为3.6秒)。
根据矿物图像特征，选择利用Single Shot MultiBox Detector(SSD)进行PascalVoc数据集目标检测，(SSD是一种直接预测目标类别和Bounding box的多目标检测算法)。
步骤3：利用训练后的神经网络模型对待预测岩矿石标本进行矿物种类的预测；
步骤4：针对预测出的矿物类别，分别计算各矿物的百分比含量；采用Python工具箱Numpy和PIL中的函数，首先遍历图像的全部像素点，将原图像的RGB值通过公式(2)转化为灰度值Grey；
Grey＝0.299×R+0.587×G+0.114×B (2)
然后统计各矿物对应的灰度值范围，从而获得各矿物含量百分比，其结果作为图例显示在图像右上角(如图5)，其中，Mag约为16.08％，Hem约为25.09％。尽管从图像识别的角度，本实施例中待识别的矿物有三种，但在计算矿物含量百分比时采用了灰度值方法，使得Mag+Hem中的Mag和Hem含量百分比也能够分别计算，故这里仅列出Mag和Hem的含量百分比。综上，本实施例证明了该方法具有可行性与实用性。

Claims (7)

1.一种基于人工智能的显微镜下岩矿石图像识别方法，其特征在于，包括：
步骤1：利用光学显微镜采集岩矿石标本图像，制作样本数据集；
步骤2：构建卷积神经网络，利用样本数据集进行训练，得到训练后的神经网络模型；
步骤3：利用训练后的神经网络模型对待预测岩矿石标本进行矿物种类的预测；
步骤4：针对预测出的矿物类别，分别计算各矿物的百分比含量。
2.根据权利要求1所述的一种基于人工智能的显微镜下岩矿石图像识别方法，其特征在于，所述步骤1包括：
步骤1.1：采集岩矿石标本并将标本磨制成光片，岩矿石标本采集应覆盖完整的研究区域，涵盖该区域所有的岩矿石样本种类；
步骤1.2：在光学显微镜下观察标本光片并采集标本图像，针对不同种类的样本采集不同倍镜、光圈参数下的图像；
步骤1.3：对图像数据进行归类，并对已分类的图像中所含矿物进行标记；
步骤1.4：对步骤1.3中完成标记的图像进行数据增强，生成样本数据集。
3.根据权利要求2所述的一种基于人工智能的显微镜下岩矿石图像识别方法，其特征在于，所述步骤1.3包括：
根据镜下矿物的颜色、形状、纹理和表面光滑程度，对获取的镜下图像进行初步的种类划分和归类；根据显微镜下岩矿石特征使用Python工具箱LabelImg进行图像的注释标注，将注释为Pascal Voc格式保存为XML文件。
4.根据权利要求2所述的一种基于人工智能的显微镜下岩矿石图像识别方法，其特征在于，所述步骤1.4中所述数据增强表述为：使用Python工具箱imgaug对图像上的BoundingBoxes进行翻转、旋转、镜像、随机裁剪处理，并保持坐标和图像同步改变；Bounding box是一个虚构的矩形，用作目标检测的参考并为目标创建碰撞框；
图像翻转指对矿物原始图像经过上下、左右翻转，具体为在上下翻转后，所有像素的纵坐标都与原始图像对应纵坐标关于此图像的水平中心线对称，左右翻转即为翻转后像素横坐标与原始图像对应横坐标关于此图像垂直中心线左右对称；
图像旋转指不改变图像矿物类别的情况下，将原始图片随机旋转一定角度获得图像像素位置变化的图形图像；
图像镜像指不改变原始图像的尺寸、形状，将图像以中轴线为中心进行镜像对换；
图像随机裁剪指将原始图像以随机大小、随机宽高比进行裁剪，以扩充数据集。
5.根据权利要求1所述的一种基于人工智能的显微镜下岩矿石图像识别方法，其特征在于，所述步骤2包括：
步骤2.1：将样本数据集划分为训练集和测试集；
步骤2.2：构建U-net卷积神经网络，并训练步骤2.1中的训练集；
步骤2.3：利用测试集对U-net卷积神经网络模型进行测试，计算准确率P：
P＝TP/(TP+FP) (1)
其中，TP表示矿物类别预测正确的样本数；FP表示矿物类别预测错误的样本数。
6.根据权利要求1所述的一种基于人工智能的显微镜下岩矿石图像识别方法，其特征在于，所述步骤4表述为：
采用Python工具箱Numpy和PIL中的函数，遍历图像的全部像素点，将原图像的RGB值通过公式(2)转化为灰度值Grey；
Grey＝0.299×R+0.587×G+0.114×B (2)
统计各矿物对应的灰度值范围，从而获得各矿物含量百分比。
7.根据权利要求4所述的一种基于人工智能的显微镜下岩矿石图像识别方法，其特征在于，所述步骤2.2具体表述为：使用U-net卷积神经网络进行训练，有效训练时长不少于150小时，训练完成后保存结果为PTH模型文件。
CN202210274629.XA 2022-03-21 2022-03-21 基于人工智能的显微镜下岩矿石图像识别方法 Pending CN114638992A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210274629.XA CN114638992A (zh) 2022-03-21 2022-03-21 基于人工智能的显微镜下岩矿石图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210274629.XA CN114638992A (zh) 2022-03-21 2022-03-21 基于人工智能的显微镜下岩矿石图像识别方法

Publications (1)

Publication Number Publication Date
CN114638992A true CN114638992A (zh) 2022-06-17

Family

ID=81949270

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210274629.XA Pending CN114638992A (zh) 2022-03-21 2022-03-21 基于人工智能的显微镜下岩矿石图像识别方法

Country Status (1)

Country Link
CN (1) CN114638992A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117456311A (zh) * 2023-12-22 2024-01-26 东北大学 矿物伴生体识别方法与系统、存储介质和设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117456311A (zh) * 2023-12-22 2024-01-26 东北大学 矿物伴生体识别方法与系统、存储介质和设备

Similar Documents

Publication Publication Date Title
CN111062915B (zh) 一种基于改进YOLOv3模型的实时钢管缺陷检测方法
CN109829907A (zh) 一种基于深度学习的金属轴表面缺陷识别方法
CN109460753B (zh) 一种检测水上漂浮物的方法
CN111695514B (zh) 一种基于深度学习的雾天下车辆检测方法
CN107230203A (zh) 基于人眼视觉注意机制的铸件缺陷识别方法
CN111178190B (zh) 基于深度图像的目标检测方法、装置及存储介质
CN111027443B (zh) 一种基于多任务深度学习的票据文本检测方法
CN114638784A (zh) 一种基于fe-yolo的铜管表面缺陷检测方法及装置
Sun et al. Autonomous crack and bughole detection for concrete surface image based on deep learning
CN113177924A (zh) 一种工业流水线产品瑕疵检测方法
CN112964712A (zh) 一种快速检测沥青路面状态的方法
CN114565675A (zh) 一种在视觉slam前端去除动态特征点的方法
CN113887524A (zh) 基于语义分割的磁铁矿显微图像分割方法
CN112949612A (zh) 一种基于无人机高分辨率遥感影像海岸带地物分类方法
CN114549446A (zh) 一种基于深度学习的气缸套缺陷标检测方法
CN114638992A (zh) 基于人工智能的显微镜下岩矿石图像识别方法
CN111507398A (zh) 基于目标检测的变电站金属仪器锈蚀识别方法
CN110647887A (zh) 用于煤泥浮选泡沫图像分割中内部标记符的提取方法
CN116052110B (zh) 一种路面标线缺损智能定位方法及系统
CN117351371A (zh) 一种基于深度学习的遥感图像目标检测方法
CN112464744A (zh) 一种鱼姿态识别方法
CN117079125A (zh) 一种基于改进型YOLOv5的猕猴桃授粉花朵识别方法
CN110163090A (zh) 一种基于多特征和尺度估计的pcb板标识跟踪方法
CN116912670A (zh) 基于改进yolo模型的深海鱼类识别方法
Li et al. Surface defect detection of seals based on K-means clustering algorithm and particle swarm optimization

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