CN114972922A - 基于机器学习的煤矸分选识别方法、装置及设备 - Google Patents

基于机器学习的煤矸分选识别方法、装置及设备 Download PDF

Info

Publication number
CN114972922A
CN114972922A CN202210610083.0A CN202210610083A CN114972922A CN 114972922 A CN114972922 A CN 114972922A CN 202210610083 A CN202210610083 A CN 202210610083A CN 114972922 A CN114972922 A CN 114972922A
Authority
CN
China
Prior art keywords
gangue
coal
energy
image
low
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
CN202210610083.0A
Other languages
English (en)
Inventor
柴天佑
黄杰
吴高昌
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 CN202210610083.0A priority Critical patent/CN114972922A/zh
Publication of CN114972922A publication Critical patent/CN114972922A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/06—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption
    • G01N23/083—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption the radiation being X-rays
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/54—Extraction of image or video features relating to texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level

Abstract

本申请公开了一种基于机器学习的煤矸分选识别方法、装置及设备，可解决目前在进行煤矸分选识别时，误判和漏判率较高的技术问题。包括：获取待进行煤矸分选识别的伪双能X射线煤矸石图像，并将伪双能X射线煤矸石图像剪切为低能射线图像和高能射线图像；基于最大类间方差法对低能射线图像进行阈值分割，并依据阈值分割结果进行连通域提取，以确定出伪双能X射线煤矸石图像中所包含的所有煤矸区域；根据低能射线图像和高能射线图像计算每块煤矸区域的煤矸特征，煤矸特征包括灰度特征、纹理特征以及物理特征中的至少一种；将煤矸特征作为特征向量输入训练完成的煤矸分选识别模型，获取每块煤矸区域的煤矸分选识别结果。

Description

基于机器学习的煤矸分选识别方法、装置及设备
技术领域
本申请涉及煤矸分选领域，尤其涉及到一种基于机器学习的煤矸分选识别方法、装置及设备。
背景技术
随着煤矿企业竞争加剧、节能环保理念日渐深入，传统煤矸分选方法已愈发难以满足煤矿企业的选煤需求，而基于X射线透射(X-Ray Transmission,XRT)技术的煤矸分选识别方法凭借高效率、低成本、更环保的优势，逐渐成为煤矸分选领域的研究重点。
目前，工业现场多采用阈值判别的方式对煤矸石进行分类，即根据X射线图像所反映出的灰度信息进行相关统计，通过朗伯比尔定律计算出R值，并依据经验对不同精度、不同粒度的煤块设置相应的阈值，从而通过这些阈值实现煤矸分类。显然，这种方法极度依赖主观经验，且利用阈值直接判断过于简单，缺乏足够的统计信息支撑，因此极容易造成煤矸石的误判和漏判。
发明内容
有鉴于此，本申请提供了一种基于机器学习的煤矸分选识别方法、装置及设备，可解决在采用阈值判别的方式对煤矸石进行分类时，因缺乏足够的统计信息支撑，极容易造成煤矸石的误判和漏判的技术问题。
根据本申请的一个方面，提供了一种基于机器学习的煤矸分选识别方法，该方法包括：
获取待进行煤矸分选识别的伪双能X射线煤矸石图像，并将所述伪双能X射线煤矸石图像剪切为低能射线图像和高能射线图像；
基于最大类间方差法对所述低能射线图像进行阈值分割，并依据阈值分割结果进行连通域提取，以确定出所述伪双能X射线煤矸石图像中所包含的所有煤矸区域；
根据所述低能射线图像和所述高能射线图像计算每块煤矸区域的煤矸特征，所述煤矸特征包括灰度特征、纹理特征以及物理特征中的至少一种；
将所述煤矸特征作为特征向量输入训练完成的煤矸分选识别模型，获取所述每块煤矸区域的煤矸分选识别结果。
根据本申请的另一个方面，提供了一种基于机器学习的煤矸分选识别装置，该装置包括：
剪切模块，用于获取待进行煤矸分选识别的伪双能X射线煤矸石图像，并将所述伪双能X射线煤矸石图像剪切为低能射线图像和高能射线图像；
提取模块，用于基于最大类间方差法对所述低能射线图像进行阈值分割，并依据阈值分割结果进行连通域提取，以确定出所述伪双能X射线煤矸石图像中所包含的所有煤矸区域；
计算模块，用于根据所述低能射线图像和所述高能射线图像计算每块煤矸区域的煤矸特征，所述煤矸特征包括灰度特征、纹理特征以及物理特征中的至少一种；
获取模块，用于将所述煤矸特征作为特征向量输入训练完成的煤矸分选识别模型，获取所述每块煤矸区域的煤矸分选识别结果。
根据本申请的又一个方面，提供了一种存储介质，其上存储有计算机程序，程序被处理器执行时实现上述基于机器学习的煤矸分选识别方法。
根据本申请再一个方面，提供了一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，处理器执行程序时实现上述基于机器学习的煤矸分选识别方法。
借由上述技术方案，本申请提供了一种基于机器学习的煤矸分选识别方法、装置及设备，可在获取待进行煤矸分选识别的伪双能X射线煤矸石图像后，将伪双能X射线煤矸石图像剪切为低能射线图像和高能射线图像；进一步基于最大类间方差法对低能射线图像进行阈值分割，并依据阈值分割结果进行连通域提取，以确定出伪双能X射线煤矸石图像中所包含的所有煤矸区域；之后根据低能射线图像和高能射线图像计算每块煤矸区域的煤矸特征，煤矸特征包括灰度特征、纹理特征以及物理特征中的至少一种；最后将煤矸特征作为特征向量输入训练完成的煤矸分选识别模型，获取每块煤矸区域的煤矸分选识别结果。通过本申请中的技术方案，可通过融合高、低能射线图像中的灰度特征、纹理特征以及物理特征，并组成特征向量输入到深度神经网络模型中进行训练和预测，从而避免了阈值选取不准确带来的误判和漏判现象进而有利于提高煤矸识别准确率。实践表明，本发明为机器学习方法和X射线透射技术在煤矸分选领域的应用提供了新途径，有利于煤炭资源地高效利用。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1示出了本申请实施例提供的一种基于机器学习的煤矸分选识别方法的流程示意图；
图2示出了本申请实施例提供的另一种基于机器学习的煤矸分选识别方法的流程示意图；
图3示出了本申请实施例提供的一种基于机器学习的煤矸分选识别的原理流程示意图；
图4示出了本申请实施例提供的一种伪双能X射线煤矸石图像的实例示意图；
图5示出了本申请实施例提供的一种伪双能X射线煤矸石图像中煤矿和矸石位置及数量结果的实例示意图；
图6示出了本申请实施例提供的一种最终煤矸分选识别结果的实例示意图；
图7示出了本申请实施例提供的一种基于机器学习的煤矸分选识别装置的结构示意图；
图8示出了本申请实施例提供的另一种基于机器学习的煤矸分选识别装置的结构示意图；
图9示出了本发明实施例提供的一种计算机设备的实体结构示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本申请。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
在具体的应用场景中，基于X射线透射(X-Ray Transmission,XRT)技术的煤矸分选法是煤矸分选领域的一种常见方法，在基于XRT的煤矸分选识别方法依据X射线穿透煤块(或矸石)时，不同煤块(或矸石)对X射线的线性吸收系数不同的原理来采集伪双能X射线煤矸石图像(采用一个独立X射线源和两组响应不同能谱的探测器以及一组滤波铜片组成的伪双能X射线系统产生的图像)。通过计算机视觉领域中的图像处理方法对采集到的X射线煤矸石图像进行分析，先获取图像中所有煤块(或矸石)的位置及数量信息，然后依据X射线图像所反映出的灰度信息计算出每块煤块(或矸石)的R值，并依据事先设定好的阈值对煤矸石进行识别。然而，由于阈值的选取极度依赖主观经验，缺乏足够的统计信息支撑，因此极容易造成煤矸石的误判和漏判。
有鉴于此，本申请提供了一种基于机器学习的煤矸分选识别方法，如图3所示的原理示意图，可首先在工业现场获取待进行煤矸分选识别的伪双能X射线煤矸石图像，将图像分为高、低能射线图像两部分；进一步获取伪双能X射线煤矸石图像中所有煤块或矸石的位置及数量信息；进一步进行灰度特征提取，即计算每个煤块或矸石的灰度均值和灰度峰值；还可同步进行纹理特征提取，即计算每个煤块或矸石的灰度共生矩阵并统计其对比度信息；此外，还可同步进行物理特征的提取，即计算每个煤块或矸石的R值和Z值；进一步将灰度特征、纹理特征以及物理特征向量输入离线训练完成的煤矸分选识别模型(如支持向量机模型、多层感知机模型等)中，进行预测获取分类结果。通过本申请中的技术方案，可同时融合高、低能射线图像中的灰度特征、纹理特征以及物理特征，并组成特征向量输入到煤矸分选识别模型(如支持向量机模型)中进行训练和预测，从而避免了阈值选取不准确带来的误判和漏判现象进而有利于提高煤矸识别准确率。
相应的，为了解决在采用阈值判别的方式对煤矸石进行分类时，因缺乏足够的统计信息支撑，极容易造成煤矸石的误判和漏判的技术问题，本申请提供了一种基于机器学习的煤矸分选识别方法，如图1所示，该方法包括：
101、获取待进行煤矸分选识别的伪双能X射线煤矸石图像，并将伪双能X射线煤矸石图像剪切为低能射线图像和高能射线图像。
在具体的应用场景中，伪双能X射线煤矸石图像如图4所示，图像左侧为低能部分，右侧为高能部分，具体可通过OpenCV读取图像并剪切即可将原始图像分为低能射线图像和高能射线图像两部分。
对于本申请的执行主体可为基于机器学习的煤矸分选识别装置，可在获取待进行煤矸分选识别的伪双能X射线煤矸石图像后，将伪双能X射线煤矸石图像剪切为低能射线图像和高能射线图像；进一步基于最大类间方差法对低能射线图像进行阈值分割，并依据阈值分割结果进行连通域提取，以确定出伪双能X射线煤矸石图像中所包含的所有煤矸区域；之后根据低能射线图像和高能射线图像计算每块煤矸区域的煤矸特征，煤矸特征包括灰度特征、纹理特征以及物理特征中的至少一种；最后将煤矸特征作为特征向量输入训练完成的煤矸分选识别模型，获取每块煤矸区域的煤矸分选识别结果。
102、基于最大类间方差法对低能射线图像进行阈值分割，并依据阈值分割结果进行连通域提取，以确定出伪双能X射线煤矸石图像中所包含的所有煤矸区域。
对于本实施例，可通过对实施例步骤101剪切得到的低能射线图像再一次进行图像分割，并依据分割结果提取连通域，进一步通过调用OpenCV中的OTSU算法和连通域提取函数即可通过连通域获得伪双能X射线煤矸石图像中所包含的各个煤矸(煤块或矸石)区域的位置坐标及数量信息。在对低能射线图像进行图像分割时，作为一种优选方式，可基于最大类间方差法对低能射线图像进行阈值分割，需要说明的是，该图像分割过程还可替换为其它任意一种可实现连通域提取的图像分割技术，对此均应落入本申请中的保护范围，在此不进行具体的限定。为便于显示，在确定出伪双能X射线煤矸石图像中所包含的所有煤矸区域后，在低能射线图中用候选框标记出提取的煤块或矸石区域，处理结果如图5所示。
103、根据低能射线图像和高能射线图像计算每块煤矸区域的煤矸特征，煤矸特征包括灰度特征、纹理特征以及物理特征中的至少一种。
对于本实施例，在确定出伪双能X射线煤矸石图像中所包含的所有煤矸区域后，可进一步计算每块煤矸区域的灰度均值及灰度峰值以此作为灰度特征；相应的，还可计算每块煤矸区域的灰度共生矩阵，并统计其对比度信息以此作为纹理特征，其具体过程如下：首先根据实施例步骤102确定出的每块煤矸区域的位置坐标截取该区域，从而获得大小为Hn×Wn的矩阵(Hn和Wn取决于该煤矸区域内煤块或矸石的大小)，并将其灰度级从65535(16位)转换到LG(LG取64)，依据四个不同方向计算相邻(即为1)灰度级分别为i和j的一对像素点出现的概率，从而获得64×64的灰度共生矩阵；接着在此基础上对计算得到的灰度共生矩阵进行归一化，并依据归一化后的灰度共生矩阵统计出该煤矸区域的对比度信息；值得指出的是，由于计算出的灰度共生矩阵有四个不同方向，因此最终获得的对比度信息也有四个，最终取它们的平均值作为纹理特征。相应的，还可计算每块煤矸区域的R值和Z值，以此作为物理特征。
104、将煤矸特征作为特征向量输入训练完成的煤矸分选识别模型，获取每块煤矸区域的煤矸分选识别结果。
对于本实施例，在基于煤矸特征确定每块煤矸区域的煤矸分选识别结果时，具体可将灰度特征、纹理特征以及物理特征中的至少一种作为特征向量输入训练完成的煤矸分选识别模型，以获取煤矸分选识别模型输出的每块煤矸区域的煤矸分选识别结果。为保证煤矸分选识别模型能够结合煤矸区域的多个维度特征，输出相对最为精准的煤矸分选识别结果，在本实施例中，优选将高、低能射线图像中的灰度特征、纹理特征以及物理特征三个维度的特征组成特征向量，输入到煤矸分选识别模型中进行训练和预测，从而避免了阈值选取不准确带来的误判和漏判现象进而有利于提高煤矸识别准确率。
通过本实施例中基于机器学习的煤矸分选识别方法，可在获取待进行煤矸分选识别的伪双能X射线煤矸石图像后，将伪双能X射线煤矸石图像剪切为低能射线图像和高能射线图像；进一步基于最大类间方差法对低能射线图像进行阈值分割，并依据阈值分割结果进行连通域提取，以确定出伪双能X射线煤矸石图像中所包含的所有煤矸区域；之后根据低能射线图像和高能射线图像计算每块煤矸区域的煤矸特征，煤矸特征包括灰度特征、纹理特征以及物理特征中的至少一种；最后将煤矸特征作为特征向量输入训练完成的煤矸分选识别模型，获取每块煤矸区域的煤矸分选识别结果。通过本申请中的技术方案，可通过融合高、低能射线图像中的灰度特征、纹理特征以及物理特征，并组成特征向量输入到深度神经网络模型中进行训练和预测，从而避免了阈值选取不准确带来的误判和漏判现象进而有利于提高煤矸识别准确率。实践表明，本发明为机器学习方法和X射线透射技术在煤矸分选领域的应用提供了新途径，有利于煤炭资源地高效利用。
进一步的，作为上述实施例具体实施方式的细化和扩展，为了完整说明本实施例的实施方式，本实施例还提供了另一种基于机器学习的煤矸分选识别方法，如图2所示，该方法包括：
201、获取待进行煤矸分选识别的伪双能X射线煤矸石图像，并将伪双能X射线煤矸石图像剪切为低能射线图像和高能射线图。
对于本实施例，在获取到待进行煤矸分选识别的伪双能X射线煤矸石图像Io后，可将图像剪切为高、低能射线图像两部分，用公式特征描述为：
[IL,IH]＝fs(Io(x,y))
其中，IL、IH分别表示低能射线图和高能射线图，fs表示图像的剪切操作，即选取图像矩阵的左半部分作为低能射线图像，右半部分作为高能射线图像。
202、根据低能射线图像中的像素分布，计算低能射线图像中每一灰度等级下像素值所占的比重，基于每一灰度等级下像素值所占的比重迭代计算最大类间方差，依据最大类间方差对低能射线图像进行阈值分割，得到阈值分割结果。
其中，低能射线图像中的像素分布具体指低能射线图IL的高和宽，以及低能射线图IL中每一灰度等级下的像素值。
对于本实施例，可选取低能射线图IL对其进行阈值分割，获取阈值分割结果，以依据阈值分割结果提取连通域，由此获得伪双能X射线煤矸石图像中所包含煤块或矸石的位置坐标及数量信息。其具体实现过程如下：
f(IL(x,y))表示对低能射线图像进行阈值分割，阈值分割采用最大类间方差法(OTSU算法)，分割后的输出结果I'(x,y)为：
Figure BDA0003672910670000081
式中，ni表示低能射线图像IL中像素值为i的像素个数；H和W分别表示低能射线图像IL的高和宽；L表示的低能射线图像IL灰度等级，计算时通常取255；pi表示每一像素值所占的比重，即概率；通过将k从0至L-1不断迭代计算出最大类间方差，由此找到最佳阈值k*，从而实现分割。
203、根据阈值分割结果中任一当前像素与对应邻域像素的像素值，进行连通域的标记，将标记完成的至少一个连通域确定为伪双能X射线煤矸石图像中所包含的煤矸区域。
对于本实施例，最终可获取到伪双能X射线煤矸石图像中所包含的每块煤矸区域的位置信息及数量信息，该位置信息及数量信息用于标定伪双能X射线煤矸石图像中所包含的煤矸区域。具体在基于实施例步骤202对低能射线图像进行阈值分割，得到阈值分割结果后，可进一步依据阈值分割结果提取连通域，由此获得煤块或矸石的位置坐标及数量信息：
C(n)＝g[f(IL(x,y))],n＝1,...,N.
式中，f(IL(x,y))表示对低能射线图像进行阈值分割后的输出结果I'(x,y)，相应的，上述公式表达对应的输出结果C(n)可转化为：
C(n)＝g(I′(x,y)),n＝1,...,N.
式中，g表示连通域提取函数，对于分割结果I'(x,y)，若当前像素为前景区域(即煤块或矸石区域)，判断其周围4领域像素值I'(x-1,y)、I'(x,y-1)、I'(x+1,y)、I'(x,y+1)是否相同，相同则用一个大于0的值作为该连通域的标记值，该标记值不能与已标记的其他连通域标记值重复；若当前像素为背景区域，则不用标记，在标记数组中用“0”代替。最终标记的连通区域个数N即为图像中所有煤块(或矸石)的个数，即确定出伪双能X射线煤矸石图像中所包含煤块或矸石的数量信息，所提取的连通区域坐标集C(n)即包含了煤块或矸石区域的坐标信息，及进一步确定出伪双能X射线煤矸石图像中所包含每块煤矸区域的坐标信息。
204、根据低能射线图像和高能射线图像计算每块煤矸区域的煤矸特征，煤矸特征包括灰度特征、纹理特征以及物理特征中的至少一种。
在具体的应用场景中，对于本实施例，在计算每块煤矸区域的灰度特征时，可计算每块煤矸区域的灰度均值及灰度峰值以此作为灰度特征，其计算过程可描述为：
Figure BDA0003672910670000091
其中，Mn和Pn分别表示计算得到的每块煤矸区域的灰度均值及灰度峰值；
Figure BDA0003672910670000092
表示低、高能射线图像中煤矸区域的灰度均值；
Figure BDA0003672910670000093
表示低高能射线图像中煤矸区域的灰度峰值；
Figure BDA0003672910670000094
和
Figure BDA0003672910670000095
分别表示依据提取的煤矸区域坐标集C(n)得到的低能像素值和高能像素值集合，具体可依据煤矸区域坐标集C(n)中每块煤矸区域的坐标信息，确定出每块煤矸区域在低能射线图像中的低能像素值集合，以及在高能射线图像中的高能像素值集合(低能射线图像和高能射线图像中对应的煤矸区域的位置相同)：
Figure BDA0003672910670000096
相应的，实施例步骤具体可以包括：确定每块煤矸区域在低能射线图像中的低能像素值集合，以及在高能射线图像中的高能像素值集合；根据低能像素值集合和高能像素值集合计算每块煤矸区域的灰度均值及灰度峰值，将灰度均值及灰度峰值确定为每块煤矸区域的灰度特征。
其中，在根据低能像素值集合和高能像素值集合计算每块煤矸区域的灰度均值及灰度峰值时，实施例步骤具体可以包括：将低能像素值集合中低能像素的累加像素值确定为低能射线图像对应的第一灰度均值，将高能像素值集合中高能像素的累加像素值确定为高能射线图像对应的第二灰度均值；将低能像素值集合中低能像素的最大像素值确定为低能射线图像对应的第一灰度峰值，将高能像素值集合中高能像素的最大像素值确定为高能射线图像对应的第二灰度峰值；将第一灰度均值和第二灰度均值的比值确定为每块煤矸区域的灰度均值，将第一灰度峰值和第二灰度峰值的比值确定为每块煤矸区域的灰度峰值。
在具体的应用场景中，在计算每块煤矸区域的纹理特征时，计算每块煤矸区域的灰度共生矩阵，并统计其对比度信息以此作为纹理特征，其计算过程可描述为：
Figure BDA0003672910670000101
其中，
Figure BDA0003672910670000102
表示计算得到的每块煤矸区域的灰度共生矩阵，其大小为LG×LG的方阵，它描绘了在每块煤矸区域G内(大小为Hn×Wn的矩阵)，方向(包括0°、45°、90°以及135°四个方向)距离为δ
Figure BDA0003672910670000103
灰度级分别为i和j的一对像素点出现的概率；
Figure BDA0003672910670000104
表示归一化处理后的灰度共生矩阵，S是
Figure BDA0003672910670000105
各元素值求和后的结果，d＝1,2,3,4分别对应θ的四个方向；最终依据归一化后的灰度共生矩阵即可计算出每块煤矸区域的对比度信息CON。
相应的，实施例步骤具体可以包括：计算每块煤矸区域的灰度共生矩阵，并对灰度共生矩阵进行归一化处理；依据归一化处理后的灰度共生矩阵计算每块煤矸区域的对比度信息，将对比度信息确定为纹理特征。
在具体的应用场景中，在计算每块煤矸区域的物理特征时，可计算每块煤矸区域的R值和Z值以此作为物理特征，其计算过程可描述为：
Figure BDA0003672910670000111
其中，Rn和Zn分别表示计算得到的每块煤矸区域的R值和Z值，其依据XRT技术原理，通过朗伯比尔定律计算获得每块煤矸区域每个像素点的R值和Z值，即
Figure BDA0003672910670000112
和
Figure BDA0003672910670000113
并将它们的平均值作为该煤矸区域的R值和Z值的最终结果；Ih0、Il0表示高低能射线图像中无煤块或矸石区域(即分割结果I'(x,y)的背景区域)的灰度均值；R值和Z值反映了煤块或矸石对X射线的吸收程度，从而描绘了矿石的原子序数信息并将图像灰度信息同其背后所反映的物理原理结合起来，增强了煤矸图像样本的可分性，有利于分类器的判别。
相应的，实施例步骤具体可以包括：通过朗伯比尔定律计算每个煤矸区域内每个像素点的R值和Z值；将每个煤矸区域内所有像素点对应R值的平均值和Z值的平均值确定为每块煤矸区域的物理特征。
205、将灰度特征、纹理特征以及物理特征中的至少一种输入训练完成的煤矸分选识别模型，得到伪双能X射线煤矸石图像中每块煤矸区域对应为煤块或矸石的煤矸分选识别结果。
在具体的应用场景中，在执行本实施例步骤之前，需要预先对煤矸分选识别模型进行预训练，以获取符合预设训练标准的煤矸分选识别模型。具体的可提取样本伪双能X射线煤矸石图像中灰度特征、纹理特征及物理特征中的至少一种作为特征向量，并获取样本伪双能X射线煤矸石图像中每块煤矸区域对应的煤矸标记数据(即标记每块煤矸区域是煤矿或矸石)，进一步的，将该特征向量以及煤矸标记数据输入到预先创建的煤矸分选识别模型中，对煤矸分选识别模型中进行离线训练，并将训练完成的模型结果以xml格式保存下来，以实现本实施例步骤中基于训练完成的煤矸分选识别模型确定伪双能X射线煤矸石图像中每块煤矸区域对应为煤块或矸石的煤矸分选识别结果。其中，煤矸分选识别模型可选用机器学习算法中的其他模型，例如可选用支持向量机模型，核函数选择径向基核函数(Radial Basis Function,RBF)，惩罚系数C和gamma分别通过网格搜索法寻找到最优参数值，对此不进行具体的限定。
相应的，在预训练煤矸分选识别模型时，实施例步骤具体可以包括：获取预设数量个样本伪双能X射线煤矸石图像，并将样本伪双能X射线煤矸石图像按照预设比例划分为训练集和测试集，其中，样本伪双能X射线煤矸石图像中包含煤矸标记数据；确定训练集所包含的样本伪双能X射线煤矸石图像中每块煤矸区域的煤矸特征，将每块煤矸区域的煤矸特征作为特征向量，将煤矸标记数据作为特征标签，训练煤矸分选识别模型，其中，煤矸分选识别模型是基于深度神经网络构建的；利用测试集中的样本伪双能X射线煤矸石图像对煤矸分选识别模型进行训练结果验证，获取煤矸分选识别模型的预测精准度，若判断预测精准度大于预设阈值，则确定煤矸分选识别模型训练完成。
示例性的，为预训练煤矸分选识别模型，本发明总计采集获取到316组样本伪双能X射线煤矸石图像(共计687块煤矿或矸石)，其中煤块数量总计417块，矸石数量总计270块。提取每块煤矸石的灰度特征、纹理特征及物理特征作为特征向量并将其分为训练集(70％)和测试集(30％)两部分，煤矸分选识别模型在训练集上进行训练并通过测试集进行测试，总体识别准确率高达97.10％；同时，本发明还对工业现场采集到的图像进行了现场测试，最终结果表明本发明方法总体识别准确率高达86.27％，满足实际矿石分选需求。
进一步的，对于本实施例，在基于煤矸特征确定每块煤矸区域的煤矸分选识别结果时，具体可将灰度特征、纹理特征以及物理特征中的至少一种作为特征向量输入训练完成的煤矸分选识别模型，以获取煤矸分选识别模型输出的每块煤矸区域的对应为煤块或矸石的煤矸分选识别结果。为保证煤矸分选识别模型能够结合煤矸区域的多个维度特征，输出相对最为精准的煤矸分选识别结果，在本实施例中，优选将高、低能射线图像中的灰度特征、纹理特征以及物理特征三个维度的特征组成特征向量，输入到煤矸分选识别模型中进行训练和预测，从而避免了阈值选取不准确带来的误判和漏判现象进而有利于提高煤矸识别准确率。为便于显示，在原始图像上用带下标的候选框标记为矸石，不带下标的候选框标记为煤块，煤矸分选识别结果示例性如图6所示。
本实施例提供的一种基于机器学习的煤矸分选识别方法，可在获取待进行煤矸分选识别的伪双能X射线煤矸石图像后，将伪双能X射线煤矸石图像剪切为低能射线图像和高能射线图像；进一步基于最大类间方差法对低能射线图像进行阈值分割，并依据阈值分割结果进行连通域提取，以确定出伪双能X射线煤矸石图像中所包含的所有煤矸区域；之后根据低能射线图像和高能射线图像计算每块煤矸区域的煤矸特征，煤矸特征包括灰度特征、纹理特征以及物理特征中的至少一种；最后将煤矸特征作为特征向量输入训练完成的煤矸分选识别模型，获取每块煤矸区域的煤矸分选识别结果。通过本申请中的技术方案，可通过融合高、低能射线图像中的灰度特征、纹理特征以及物理特征，并组成特征向量输入到深度神经网络模型中进行训练和预测，从而避免了阈值选取不准确带来的误判和漏判现象进而有利于提高煤矸识别准确率。实践表明，本发明为机器学习方法和X射线透射技术在煤矸分选领域的应用提供了新途径，有利于煤炭资源地高效利用。
进一步的，作为图1所示方法的具体实现，本实施例提供了一种基于机器学习的煤矸分选识别装置，如图7所示，该装置包括：剪切模块31、提取模块32、计算模块33、获取模块34；
剪切模块31，可用于获取待进行煤矸分选识别的伪双能X射线煤矸石图像，并将伪双能X射线煤矸石图像剪切为低能射线图像和高能射线图像；
提取模块32，可用于基于最大类间方差法对低能射线图像进行阈值分割，并依据阈值分割结果进行连通域提取，以确定出伪双能X射线煤矸石图像中所包含的所有煤矸区域；
计算模块33，可用于根据低能射线图像和高能射线图像计算每块煤矸区域的煤矸特征，煤矸特征包括灰度特征、纹理特征以及物理特征中的至少一种；
获取模块34，可用于将煤矸特征作为特征向量输入训练完成的煤矸分选识别模型，获取每块煤矸区域的煤矸分选识别结果。
在具体的应用场景中，提取模块32，具体可用于根据低能射线图像中的像素分布，计算低能射线图像中每一灰度等级下像素值所占的比重，基于每一灰度等级下像素值所占的比重迭代计算最大类间方差；依据最大类间方差对低能射线图像进行阈值分割，得到阈值分割结果；根据阈值分割结果中任一当前像素与对应邻域像素的像素值，进行连通域的标记；将标记完成的至少一个连通域确定为伪双能X射线煤矸石图像中所包含的煤矸区域。
在具体的应用场景中，在根据低能射线图像和高能射线图像计算每块煤矸区域的灰度特征时，计算模块33，具体可用于确定每块煤矸区域在低能射线图像中的低能像素值集合，以及在高能射线图像中的高能像素值集合；根据低能像素值集合和高能像素值集合计算每块煤矸区域的灰度均值及灰度峰值，将灰度均值及灰度峰值确定为每块煤矸区域的灰度特征。
相应的，在根据低能像素值集合和高能像素值集合计算每块煤矸区域的灰度均值及灰度峰值时，计算模块33，具体可用于将低能像素值集合中低能像素的累加像素值确定为低能射线图像对应的第一灰度均值，将高能像素值集合中高能像素的累加像素值确定为高能射线图像对应的第二灰度均值；将低能像素值集合中低能像素的最大像素值确定为低能射线图像对应的第一灰度峰值，将高能像素值集合中高能像素的最大像素值确定为高能射线图像对应的第二灰度峰值；将第一灰度均值和第二灰度均值的比值确定为每块煤矸区域的灰度均值，将第一灰度峰值和第二灰度峰值的比值确定为每块煤矸区域的灰度峰值。
在具体的为应用场景中，在根据低能射线图像和高能射线图像计算每块煤矸区域的纹理特征时，计算模块33，具体可用于计算每块煤矸区域的灰度共生矩阵，并对灰度共生矩阵进行归一化处理；依据归一化处理后的灰度共生矩阵计算每块煤矸区域的对比度信息，将对比度信息确定为纹理特征。
在具体的应用场景中，在根据低能射线图像和高能射线图像计算每块煤矸区域的物理特征时，计算模块33，具体可用于通过朗伯比尔定律计算每个煤矸区域内每个像素点的R值和Z值；将每个煤矸区域内所有像素点对应R值的平均值和Z值的平均值确定为每块煤矸区域的物理特征。
在具体的应用场景中，为实现对煤矸分选识别模型的预训练，如图8所示，该装置还包括：训练模块35；
训练模块35，可用于获取预设数量个样本伪双能X射线煤矸石图像，并将样本伪双能X射线煤矸石图像按照预设比例划分为训练集和测试集，其中，样本伪双能X射线煤矸石图像中包含煤矸标记数据；确定训练集所包含的样本伪双能X射线煤矸石图像中每块煤矸区域的煤矸特征，将每块煤矸区域的煤矸特征作为特征向量，将煤矸标记数据作为特征标签，训练煤矸分选识别模型，其中，煤矸分选识别模型是基于深度神经网络构建的；利用测试集中的样本伪双能X射线煤矸石图像对煤矸分选识别模型进行训练结果验证，获取煤矸分选识别模型的预测精准度，若判断预测精准度大于预设阈值，则确定煤矸分选识别模型训练完成。
相应的，获取模块34，可用于将灰度特征、纹理特征以及物理特征中的至少一种输入训练完成的煤矸分选识别模型，得到伪双能X射线煤矸石图像中每块煤矸区域对应为煤块或矸石的煤矸分选识别结果。
需要说明的是，本发明实施例提供的一种基于机器学习的煤矸分选识别装置所涉及各功能模块的其他相应描述，可以参考图1所示方法的对应描述，在此不再赘述。
基于上述如图1所示方法，相应的，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：获取待进行煤矸分选识别的伪双能X射线煤矸石图像，并将伪双能X射线煤矸石图像剪切为低能射线图像和高能射线图像；基于最大类间方差法对低能射线图像进行阈值分割，并依据阈值分割结果进行连通域提取，以确定出伪双能X射线煤矸石图像中所包含的所有煤矸区域；根据低能射线图像和高能射线图像计算每块煤矸区域的煤矸特征，煤矸特征包括灰度特征、纹理特征以及物理特征中的至少一种；将煤矸特征作为特征向量输入训练完成的煤矸分选识别模型，获取每块煤矸区域的煤矸分选识别结果。
基于上述如图1、图2所示方法和如图7、图8所示装置的实施例，本发明实施例还提供了一种计算机设备的实体结构图，如图9所示，该计算机设备包括：处理器41、存储器42、及存储在存储器42上并可在处理器上运行的计算机程序，其中存储器42和处理器41均设置在总线43上处理器41执行程序时实现以下步骤：获取待进行煤矸分选识别的伪双能X射线煤矸石图像，并将伪双能X射线煤矸石图像剪切为低能射线图像和高能射线图像；基于最大类间方差法对低能射线图像进行阈值分割，并依据阈值分割结果进行连通域提取，以确定出伪双能X射线煤矸石图像中所包含的所有煤矸区域；根据低能射线图像和高能射线图像计算每块煤矸区域的煤矸特征，煤矸特征包括灰度特征、纹理特征以及物理特征中的至少一种；将煤矸特征作为特征向量输入训练完成的煤矸分选识别模型，获取每块煤矸区域的煤矸分选识别结果。
通过本发明的技术方案，本发明可在获取待进行煤矸分选识别的伪双能X射线煤矸石图像后，将伪双能X射线煤矸石图像剪切为低能射线图像和高能射线图像；进一步基于最大类间方差法对低能射线图像进行阈值分割，并依据阈值分割结果进行连通域提取，以确定出伪双能X射线煤矸石图像中所包含的所有煤矸区域；之后根据低能射线图像和高能射线图像计算每块煤矸区域的煤矸特征，煤矸特征包括灰度特征、纹理特征以及物理特征中的至少一种；最后将煤矸特征作为特征向量输入训练完成的煤矸分选识别模型，获取每块煤矸区域的煤矸分选识别结果。通过本申请中的技术方案，可通过融合高、低能射线图像中的灰度特征、纹理特征以及物理特征，并组成特征向量输入到深度神经网络模型中进行训练和预测，从而避免了阈值选取不准确带来的误判和漏判现象进而有利于提高煤矸识别准确率。实践表明，本发明为机器学习方法和X射线透射技术在煤矸分选领域的应用提供了新途径，有利于煤炭资源地高效利用。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上仅为本发明的优选实施例，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (10)

1.一种基于机器学习的煤矸分选识别方法，其特征在于，包括：
获取待进行煤矸分选识别的伪双能X射线煤矸石图像，并将所述伪双能X射线煤矸石图像剪切为低能射线图像和高能射线图像；
基于最大类间方差法对所述低能射线图像进行阈值分割，并依据阈值分割结果进行连通域提取，以确定出所述伪双能X射线煤矸石图像中所包含的所有煤矸区域；
根据所述低能射线图像和所述高能射线图像计算每块煤矸区域的煤矸特征，所述煤矸特征包括灰度特征、纹理特征以及物理特征中的至少一种；
将所述煤矸特征作为特征向量输入训练完成的煤矸分选识别模型，获取所述每块煤矸区域的煤矸分选识别结果。
2.根据权利要求1所述的方法，其特征在于，所述基于最大类间方差法对所述低能射线图像进行阈值分割，并依据阈值分割结果进行连通域提取，以确定出所述伪双能X射线煤矸石图像中所包含的所有煤矸区域，包括：
根据所述低能射线图像中的像素分布，计算所述低能射线图像中每一灰度等级下像素值所占的比重，基于所述每一灰度等级下像素值所占的比重迭代计算最大类间方差；
依据所述最大类间方差对所述低能射线图像进行阈值分割，得到阈值分割结果；
根据所述阈值分割结果中任一当前像素与对应邻域像素的像素值，进行连通域的标记；
将标记完成的至少一个连通域确定为所述伪双能X射线煤矸石图像中所包含的煤矸区域。
3.根据权利要求1所述的方法，其特征在于，所述根据所述低能射线图像和所述高能射线图像计算每块煤矸区域的煤矸特征，包括：
确定每块煤矸区域在所述低能射线图像中的低能像素值集合，以及在所述高能射线图像中的高能像素值集合；
根据所述低能像素值集合和所述高能像素值集合计算所述每块煤矸区域的灰度均值及灰度峰值，将所述灰度均值及灰度峰值确定为所述每块煤矸区域的灰度特征。
4.根据权利要求3所述的方法，其特征在于，所述根据所述低能像素值集合和所述高能像素值集合计算所述每块煤矸区域的灰度均值及灰度峰值，包括：
将所述低能像素值集合中低能像素的累加像素值确定为所述低能射线图像对应的第一灰度均值，将所述高能像素值集合中高能像素的累加像素值确定为所述高能射线图像对应的第二灰度均值；
将所述低能像素值集合中低能像素的最大像素值确定为所述低能射线图像对应的第一灰度峰值，将所述高能像素值集合中高能像素的最大像素值确定为所述高能射线图像对应的第二灰度峰值；
将所述第一灰度均值和所述第二灰度均值的比值确定为所述每块煤矸区域的灰度均值，将所述第一灰度峰值和所述第二灰度峰值的比值确定为所述每块煤矸区域的灰度峰值。
5.根据权利要求1所述的方法，其特征在于，所述根据所述低能射线图像和所述高能射线图像计算每块煤矸区域的煤矸特征，包括：
计算每块煤矸区域的灰度共生矩阵，并对所述灰度共生矩阵进行归一化处理；
依据归一化处理后的灰度共生矩阵计算所述每块煤矸区域的对比度信息，将所述对比度信息确定为纹理特征。
6.根据权利要求1所述的方法，其特征在于，所述根据所述低能射线图像和所述高能射线图像计算每块煤矸区域的煤矸特征，包括：
通过朗伯比尔定律计算每个煤矸区域内每个像素点的R值和Z值；
将所述每个煤矸区域内所有像素点对应R值的平均值和Z值的平均值确定为所述每块煤矸区域的物理特征。
7.根据权利要求1所述的方法，其特征在于，所述在将所述煤矸特征作为特征向量输入训练完成的煤矸分选识别模型，获取所述每块煤矸区域的煤矸分选识别结果之前，还包括：
获取预设数量个样本伪双能X射线煤矸石图像，并将所述样本伪双能X射线煤矸石图像按照预设比例划分为训练集和测试集，其中，所述样本伪双能X射线煤矸石图像中包含煤矸标记数据；
确定所述训练集所包含的样本伪双能X射线煤矸石图像中每块煤矸区域的煤矸特征，将所述每块煤矸区域的煤矸特征作为特征向量，将所述煤矸标记数据作为特征标签，训练所述煤矸分选识别模型，其中，所述煤矸分选识别模型是基于深度神经网络构建的；
利用所述测试集中的样本伪双能X射线煤矸石图像对所述煤矸分选识别模型进行训练结果验证，获取所述煤矸分选识别模型的预测精准度，若判断所述预测精准度大于预设阈值，则确定所述煤矸分选识别模型训练完成；
所述将所述煤矸特征作为特征向量输入训练完成的煤矸分选识别模型，获取所述每块煤矸区域的煤矸分选识别结果，包括：
将所述灰度特征、所述纹理特征以及所述物理特征中的至少一种输入训练完成的煤矸分选识别模型，得到所述伪双能X射线煤矸石图像中每块煤矸区域对应为煤块或矸石的煤矸分选识别结果。
8.一种基于机器学习的煤矸分选识别装置，其特征在于，包括：
剪切模块，用于获取待进行煤矸分选识别的伪双能X射线煤矸石图像，并将所述伪双能X射线煤矸石图像剪切为低能射线图像和高能射线图像；
提取模块，用于基于最大类间方差法对所述低能射线图像进行阈值分割，并依据阈值分割结果进行连通域提取，以确定出所述伪双能X射线煤矸石图像中所包含的所有煤矸区域；
计算模块，用于根据所述低能射线图像和所述高能射线图像计算每块煤矸区域的煤矸特征，所述煤矸特征包括灰度特征、纹理特征以及物理特征中的至少一种；
获取模块，用于将所述煤矸特征作为特征向量输入训练完成的煤矸分选识别模型，获取所述每块煤矸区域的煤矸分选识别结果。
9.一种存储介质，其上存储有计算机程序，其特征在于，程序被处理器执行时实现权利要求1至7中任一项所述的基于机器学习的煤矸分选识别方法。
10.一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，其特征在于，处理器执行程序时实现权利要求1至7中任一项所述的基于机器学习的煤矸分选识别方法。
CN202210610083.0A 2022-05-31 2022-05-31 基于机器学习的煤矸分选识别方法、装置及设备 Pending CN114972922A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210610083.0A CN114972922A (zh) 2022-05-31 2022-05-31 基于机器学习的煤矸分选识别方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210610083.0A CN114972922A (zh) 2022-05-31 2022-05-31 基于机器学习的煤矸分选识别方法、装置及设备

Publications (1)

Publication Number Publication Date
CN114972922A true CN114972922A (zh) 2022-08-30

Family

ID=82957193

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210610083.0A Pending CN114972922A (zh) 2022-05-31 2022-05-31 基于机器学习的煤矸分选识别方法、装置及设备

Country Status (1)

Country Link
CN (1) CN114972922A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115641467A (zh) * 2022-09-30 2023-01-24 北京霍里思特科技有限公司 一种矿石中杂质的识别方法、装置、介质及电子设备
CN116060321A (zh) * 2023-03-14 2023-05-05 天津美腾科技股份有限公司 煤矸分选调节方法、装置及非易失性存储介质
CN116159773A (zh) * 2023-02-28 2023-05-26 安徽理工大学 一种基于可见光和x射线串联的煤矸分离方法及其装置
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

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115641467A (zh) * 2022-09-30 2023-01-24 北京霍里思特科技有限公司 一种矿石中杂质的识别方法、装置、介质及电子设备
CN116159773A (zh) * 2023-02-28 2023-05-26 安徽理工大学 一种基于可见光和x射线串联的煤矸分离方法及其装置
CN116060321A (zh) * 2023-03-14 2023-05-05 天津美腾科技股份有限公司 煤矸分选调节方法、装置及非易失性存储介质
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

Similar Documents

Publication Publication Date Title
CN114972922A (zh) 基于机器学习的煤矸分选识别方法、装置及设备
CN109447065B (zh) 一种乳腺影像识别的方法及装置
US10817741B2 (en) Word segmentation system, method and device
CN103065134B (zh) 一种具有提示信息的指纹识别装置和方法
JP5379085B2 (ja) スキャンされた文書画像内の前景画素群の連結グループをマーキング種類に基づき分類する方法及びシステム
CN103049763B (zh) 一种基于上下文约束的目标识别方法
Hu et al. Automatic plankton image recognition with co-occurrence matrices and support vector machine
CN106650740B (zh) 一种车牌识别方法及终端
CN109671068B (zh) 一种基于深度学习的腹部肌肉标注方法及装置
CN115797798B (zh) 基于废弃矿山遥感图像的生态修复效果评估方法
CN110503054B (zh) 文本图像的处理方法及装置
CN111242899B (zh) 基于图像的瑕疵检测方法及计算机可读存储介质
AU2020272936B2 (en) Methods and systems for crack detection using a fully convolutional network
CN112700461A (zh) 一种肺结节检测和表征类别识别的系统
CN115170518A (zh) 基于深度学习和机器视觉的细胞检测方法及系统
CN111597875A (zh) 一种交通标志识别方法、装置、设备及存储介质
Dumaliang et al. Coin identification and conversion system using image processing
KR101093107B1 (ko) 영상정보 분류방법 및 장치
CN114581928A (zh) 一种表格识别方法及系统
CN106548195A (zh) 一种基于改进型hog‑ulbp特征算子的目标检测方法
Kavitha et al. A robust script identification system for historical Indian document images
CN115861956A (zh) 一种基于解耦头部的Yolov3道路垃圾检测方法
CN114821165A (zh) 一种轨道检测图像采集分析方法
Naz et al. Challenges in baseline detection of cursive script languages
CN111144488B (zh) 一种基于邻近共同预测的病理切片视野分类提升方法

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