CN115176136A - 区段性地确定施加至传送带上的散装物料的体积的方法 - Google Patents

区段性地确定施加至传送带上的散装物料的体积的方法 Download PDF

Info

Publication number
CN115176136A
CN115176136A CN202180008164.7A CN202180008164A CN115176136A CN 115176136 A CN115176136 A CN 115176136A CN 202180008164 A CN202180008164 A CN 202180008164A CN 115176136 A CN115176136 A CN 115176136A
Authority
CN
China
Prior art keywords
depth
volume
bulk material
depth image
training
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
CN202180008164.7A
Other languages
English (en)
Inventor
C.辛特多弗
C.辛特雷特
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.)
Gravel Master Hmh Ltd
Original Assignee
Gravel Master Hmh Ltd
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 Gravel Master Hmh Ltd filed Critical Gravel Master Hmh Ltd
Publication of CN115176136A publication Critical patent/CN115176136A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G01N15/02—Investigating particle size or size distribution
    • G01N15/0205—Investigating particle size or size distribution by optical means
    • G01N15/0227—Investigating particle size or size distribution by optical means using imaging; using holography
    • 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
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N15/1429—Signal processing
    • 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
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N15/1429—Signal processing
    • G01N15/1433—Signal processing using image recognition
    • 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
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N15/1468—Optical investigation techniques, e.g. flow cytometry with spatial resolution of the texture or inner structure of the particle
    • G01N15/147—Optical investigation techniques, e.g. flow cytometry with spatial resolution of the texture or inner structure of the particle the analysis being performed on a sample stream
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • 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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • 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
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N2015/1497—Particle shape
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30164—Workpiece; Machine component
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Dispersion Chemistry (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Image Analysis (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种用于区段性地确定施加至传送带(1)上的散装物料(2)的体积的方法，其中，由深度传感器(3)在检测区域(4)中区段性地检测散装物料(2)的深度图像(6)。为了这样设计开篇所述类型的方法，使得即使散装物料重叠，也可以在超过2m/s的输送速度中可靠地分类，而无需采取复杂的设计措施，建议将所检测的二维的深度图像(6)输入提前训练的卷积的神经网络，所述神经网络具有至少三个前后相继的卷积层和布置在后面的体积分类器(20)，所述体积分类器的输出值(21)作为所述检测区域(4)内的散装物料的体积被输出。

Description

区段性地确定施加至传送带上的散装物料的体积的方法
技术领域
本发明涉及一种用于区段性地确定施加至传送带上的散装物料的体积的方法，其中，由深度传感器在检测区域中区段性地由散装物料检测得到深度图像。
背景技术
已知(WO2006027802A1)使用双摄像头和激光三角测量装置来测量传送带上的散装物料，并且由测量数据计算和分类散装物料的特性、例如散装物料的体积或者几何形状。
然而，现有技术的缺点是这些摄影测量学的方法在确定散装物料的体积时非常耗时，因为必须对散装物料中的每个所检测的颗粒执行一系列复杂的检测算法和测量算法，这由于高的颗粒数量和每个颗粒的单独的计算耗费而总计需要大量的计算时间。此外，在使用这种方法时，传送带上的颗粒不能重叠，尽管这在实际的传送带运行中是不可避免的。由于这些限制，在现有技术中每小时只能测量约100-200个颗粒。由于通常的传送带所传送的颗粒远多于现有技术的方法在相同时间段内所能测量的颗粒，因此使用已知的测量方法会导致传送速度显着减慢，从而导致生产力降低。即使对于需要大量位置空间的复杂系统，也只能实现低于2m/s的皮带速度。
发明内容
因此本发明所要解决的技术问题在于，在超过2m/s的输送速度中，即使是在重叠的情况下仍可靠地对散装物料进行分类，而无需为此采取设计方面的复杂的措施。
本发明如下解决所述技术问题，即将所检测的二维的深度图像输入提前训练的卷积的神经网络，所述神经网络具有至少三个前后相继的卷积层、即所谓的卷积层面，以及布置在后面的体积分类器、例如所谓的全连接层，所述体积分类器的输出值作为检测区域内存在的散装物料的体积被输出。因此，本发明基于这样的考虑，即在使用二维的深度图像时，在为此所使用的神经网络用具有已知的散装物料体积的训练深度图像进行训练之后，可以从深度信息中提取确定体积所必要的信息。卷积层在此将输入深度图像减少为一系列单独的特征，这些特征又由布置在后面的体积分类器分析，从而结果能够确定输入深度图像中成像的材料的总体积。根据可用的计算功率，所设置的卷积层的数量可以为至少三个、优选五个，每个卷积层之后可以跟随用于减少信息的池化层。在卷积层和布置在后面的体积分类器之间可以以已知的方式设置用于降低维度的层，所谓的压平层。因此不必再针对每个单独的颗粒计算体积。由于在深度图像中针对每个像点仅以一个值来反映被成像的对象与深度传感器之间的距离，因此与处理彩色图像相比，可以减少待处理的数据量，可以加快测量方法并且减少神经网络的存储需求。因此，神经网络可以在具有GPU辅助的成本低廉的人工智能并行计算单元上实现，并且能够与散装物料的颜色无关地使用所述方法。即使在3m/s、优选4m/s的传送带速度中也可以通过加速测量过程来确定散装物料的体积。图像中数据量的这种减少也降低了针对正确地确定散装物料的体积的易错性。与彩色或者灰度图像不同的是，使用深度图像具有附加的优点，即测量过程在很大程度上不依赖于不断变化的曝光条件。例如可以使用通常仅用于彩色图像的vgg16网络(Simonyan/Zisserman,Very Deep Convolutional Networks for Large-Scale Image Recognition,2015)作为神经网络，所述vgg16网络缩减为仅一个通道、即用于深度像点的值。例如可以通过3D摄像机检测深度图像，因为所述3D摄像机由于较小的位置空间需求即使在提供的空间较小时也能够布置在传送带上方。为了补偿体积检测时的波动并且补偿校正神经网络的错误的输出值，还可以对多个依次相续的输出值进行平均，并且将平均值作为存在于检测区域中的散装物料的体积输出。
如果非散装物料的元件位于深度传感器的检测范围内，则神经网络的训练会变得更加困难，并且在运行过程中测量精度会降低。这例如包括传送带本身的振动的构件或者其他机器元件。为了避免由此产生的干扰，建议从深度图像和/或训练深度图像中去除下述像点的值，所述像点的深度等于或者超过深度传感器与针对该像点的背景之间的先前检测到的距离。由此能够去除例如由传送带的振动引起的干扰图像信息，并且深度图像和训练图像都能够被限制为与测量相关的信息。
然而，仅散装物料的体积不足以确定尤其是在粉碎机中使用时所需的过程参数。因此建议针对颗粒尺寸分布的每个类别，卷积层后都跟随有量分类器，并且将该量分类器的输出值作为颗粒尺寸分布输出。该颗粒尺寸分布为直方图，所述直方图能够以绝对数量值或者以与散装物料体积相关的相对数量值形成，并且由此提供重要的结论、例如关于粉碎间隙、可能的故障或者粉碎机的其它工艺参数的结论。由此能够通过按照本发明的措施自动地检测高速粉碎机的以传统的方式仅能非常费事地确定的筛分曲线，因为不必针对各个单独的颗粒检测参数并且由此计算相关的变量。直接由深度图像确定颗粒尺寸分布由此也降低了在确定颗粒尺寸分布时的易错性。
为了能够根据散装物料的机械特性更好地划分所述散装物料建议，在卷积层后布置立方度分类器，所述立方度分类器的输出值作为立方度被输出。散装物料的各个单独的颗粒的轴比例被视为立方度，所述轴比例例如是颗粒的长度和厚度的商。
神经网络的训练需要大量的训练深度图像，所述训练深度图像尽可能精确地反映待检测的散装物料。然而用于测量散装物料的必要的量的工作耗费是极高的。为了尽管如此仍给神经网络提供足够的训练深度图像来确定散装物料的体积，建议先为每个具有已知的体积的示例颗粒检测示例深度图像，并且将所述示例深度图像与所述体积共同存储，之后将多个示例深度图像随机组合成训练深度图像，使合成的示例深度图像的体积之和作为散装物料体积与所述训练深度图像对应，然后将训练深度图像在输入侧提供给神经网络并且将对应的散装物料体积在输出侧提供给神经网络，并且在学习步骤中适配各个单独的网络节点的权重。所述训练方法基于这样的考虑，即能够通过组合所测量的示例颗粒的示例深度图像产生训练深度图像的多种组合。因此检测相对较少的具有其体积的示例颗粒的示例深度图像就足够用于产生大量的能够用于训练神经网络的训练深度图像。为了训练神经网络，在各个单独的训练步骤中以已知方式适配各个网络节点之间的权重，使得实际的输出值尽可能地对应于神经网络末端的预设的输出值。在此可以在网络节点上预设不同的激活函数，所述激活函数对于是否将网络节点上存在的总值传递到神经网络的下一个层具有决定性意义。与体积类似，其他参数、例如立方度、异物份额或者杂质份额、或者颗粒尺寸也可以分配给示例深度图像。还可以为每个训练深度图像分配由示例深度图像的颗粒产生的颗粒尺寸分布。为了进行深度图像处理在此还建议从深度图像中去除下述像点的值，所述像点的深度等于或者超过深度传感器与针对该像点的传送带之间的先前检测到的距离。由此使训练深度图像和被测量的散装物料的深度图像仅具有对测量来说重要的或者说与测量相关的信息，由此实现了更稳定的训练特性并且提高了使用时的识别率。通过选择示例深度图像或者由所述示例深度图像组成的训练深度图像，可以针对任意类型的散装材料训练神经网络。
为了进一步改善训练特性和识别率建议，将具有随机定向的示例深度图像组合成训练深度图像。因此，在对于每个示例深度图像颗粒的数量给定的情况下，颗粒的可能的布局的数量明显提高，而无需生成更多的示例深度图像，并且避免了神经网络的过拟合。
如果将示例深度图像通过部分地重叠组合形成训练深度图像，则可以省去散装物料颗粒的分离并且能够在传送带输送速度相同的情况下确定更大的散装物料体积，其中，训练深度图像在重叠区域中的深度值对应于两个示例深度图像的最小深度。为了检测实际的散装物料分布，必须考虑两个颗粒相互重叠的情况。可以这样对神经网络进行训练，使得识别这种重叠并且尽管存在重叠但仍能够确定示例颗粒的体积。
附图说明
在附图中示例性地示出了本发明的技术方案。在附图中：
图1示出了加载有散装物料的传送带、深度传感器和计算单元的示意性的侧视图，
图2示出了卷积的神经网络的示意图，并且
图3示出了由四个示例深度图像组成的训练深度图像。
具体实施方式
图1示出了用于执行按照本发明的方法的装置，所述装置包括传送带1，散装物料被施加至所述传送带2上。深度传感器3产生在所述深度传感器3的检测区域4中的散装物料2的深度图像6并且将这些深度图像发送给计算单元5。
深度图像在计算单元5中被输入神经网络并且由所述神经网络进行处理。散装物料体积的确定在此例如可以包含以下步骤并且针对深度图像6在图2中示出：在第一工作步骤7中，将深度图像6输入第一卷积层。在此通过深度图像6与卷积核的逐像素的卷积在卷积层中由深度图像6产生多个输出8、即所谓的特征图，所述特征图映射不同的方面。这些输出8具有与深度图像6相同的尺寸和相同数量的像素。在接下来的工作步骤9中借助池化层减少像素的数量。在此针对每个由例如由4个像素构成的正方形的输出8仅选择具有最高值的那个并将其传送到输出10的相应的像素中，所述输出10与输出8相比是被压缩的。由于这些正方形相互重叠，因此像素的数量以因子2减少。工作步骤7和9在其他层中重复，然而在工作步骤11中将卷积应用到每个输出10，由此使产生的输出12的数量进一步增大。在步骤13中将池化层应用到输出12上使得像素的数量进一步降低并且产生输出14。步骤15与步骤11类似地进行并且产生输出16。步骤17与步骤13类似地进行，降低像素的数量并且提供输出18。卷积层和池化层的应用步骤可以根据在深度图像6中待确定的方面继续重复。在步骤19中，输出18的像素通过降维排列并且所述像素的信息被传输给分类器、例如体积分类器20，所述分类器的输出值21可以作为存在于检测区域中的散装材物料的体积被输出。除了体积分类器20可以设置附加的量分类器22，所述量分类器的输出值23形成颗粒尺寸分布的直方图的相对的或者绝对的量。此外可以设置立方度分类器24，所述立方度分类器的输出值25对应于存在于检测区域中的散装物料的2的平均立方度。
训练深度图像26的结构可以由图3得出。提前测量的不同颗粒的四个示例深度图像27、28、29、30被组合成训练深度图像25。示例深度图像27、28、29、30在此可以在任意位置中并且以任意定向组合成训练深度图像26并且可以部分重叠。重叠部在训练深度图像26中由阴影线表示。

Claims (7)

1.一种用于区段性地确定施加至传送带(1)上的散装物料(2)的体积的方法，其中，由深度传感器(3)在检测区域(4)中区段性地由所述散装物料(2)检测得到深度图像(6)，其特征在于，将所检测的二维的深度图像(6)输入提前训练的卷积的神经网络，所述神经网络具有至少三个前后相继的卷积层和布置在后的体积分类器(20)，所述体积分类器的输出值(21)作为所述检测区域(4)内的散装物料的体积被输出。
2.根据权利要求1所述的方法，其特征在于，从所述深度图像(6)中去除下述像点的值，所述像点的深度等于或者超过深度传感器与针对所述像点的背景之间的先前检测到的距离。
3.根据权利要求1或2所述的方法，其特征在于，对于颗粒尺寸分布的每个类别，卷积层后布置有量分类器(22)，并且所述量分类器(22)的输出值作为颗粒尺寸分布输出。
4.根据权利要求1至3之一所述的方法，其特征在于，所述卷积层后布置有立方度分类器(24)，所述立方度分类器的输出值作为立方度被输出。
5.一种用于训练用于前述权利要求之一所述的方法的神经网络的方法，其特征在于，首先为每个具有已知的体积的示例颗粒检测示例深度图像(27、28、29、30)，并且将所述示例深度图像与所述体积共同存储，之后将多个示例深度图像(27、28、29、30)随机地组合成训练深度图像，使组合的示例深度图像(27、28、29、30)的体积之和作为散装物料体积与所述训练深度图像对应，之后将训练深度图像在输入侧提供给所述神经网络并且将对应的散装物料体积在输出侧提供给神经网络，并且在学习步骤中适配各个单独的网络节点的权重。
6.根据权利要求5所述的方法，其特征在于，所述示例深度图像(27、28、29、30)以随机的定向组合成训练深度图像(26)。
7.根据权利要求5或6所述的方法，其特征在于，所述示例深度图像(27、28、29、30)以部分的重叠组合成训练深度图像(26)，其中，所述训练深度图像(26)在重叠区域中的深度值对应于两个示例深度图像(27、28、29、30)的最小深度。
CN202180008164.7A 2020-05-13 2021-05-10 区段性地确定施加至传送带上的散装物料的体积的方法 Pending CN115176136A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
ATA50422/2020A AT523754A2 (de) 2020-05-13 2020-05-13 Verfahren zum abschnittsweisen Bestimmen des Volumens eines auf ein Förderband aufgegebenen Schüttgutes
ATA50422/2020 2020-05-13
PCT/AT2021/060162 WO2021226646A1 (de) 2020-05-13 2021-05-10 Verfahren zum abschnittsweisen bestimmen des volumens eines auf ein förderband aufgegebenen schüttgutes

Publications (1)

Publication Number Publication Date
CN115176136A true CN115176136A (zh) 2022-10-11

Family

ID=75953805

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180008164.7A Pending CN115176136A (zh) 2020-05-13 2021-05-10 区段性地确定施加至传送带上的散装物料的体积的方法

Country Status (5)

Country Link
US (1) US20230075334A1 (zh)
EP (1) EP4150316A1 (zh)
CN (1) CN115176136A (zh)
AT (1) AT523754A2 (zh)
WO (1) WO2021226646A1 (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
BRPI0514958A (pt) 2004-09-07 2008-07-01 Petromodel Ehf aparelho e método para análise de tamanho, forma e angularidade e para análise composicional de partìculas de mineral e rocha
CA2971718C (en) * 2015-02-20 2019-08-27 Halliburton Energy Services, Inc. Classifying particle size and shape distribution in drilling fluids
US10954729B2 (en) * 2015-08-31 2021-03-23 Helmerich & Payne Technologies, Llc System and method for estimating cutting volumes on shale shakers
CN105478373B (zh) * 2016-01-28 2018-02-27 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

Also Published As

Publication number Publication date
AT523754A2 (de) 2021-11-15
US20230075334A1 (en) 2023-03-09
EP4150316A1 (de) 2023-03-22
WO2021226646A1 (de) 2021-11-18

Similar Documents

Publication Publication Date Title
CN115176137A (zh) 区段性确定施加至输送带上的散装物料颗粒尺寸分布方法
US10803615B2 (en) Object recognition processing apparatus, object recognition processing method, and program
CN111145188B (zh) 一种基于ResNet与UNet模型的图像分割方法
US20220180189A1 (en) Device and method for training an image generator
EP3226533B1 (en) Signal processing apparatus and signal processing method
KR102023231B1 (ko) 결함 검사 장치 및 결함 검사 방법
US9519060B2 (en) Methods and systems for vehicle classification from laser scans using global alignment
Li et al. Three-dimensional backbone network for 3D object detection in traffic scenes
CN112364881B (zh) 一种进阶采样一致性图像匹配方法
Łukiański et al. The diagnostic of two-phase separation process using digital image segmentation algorithms
CN115176136A (zh) 区段性地确定施加至传送带上的散装物料的体积的方法
Andersson et al. Minimizing profile error when estimating the sieve-size distribution of iron ore pellets using ordinal logistic regression
CN111695582A (zh) 一种颤振纹理的检测方法及其装置
CN111582778B (zh) 操作场地货物堆积度量方法、装置、设备及存储介质
CN107024480A (zh) 一种立体图像采集装置
US20230075710A1 (en) Method of dust suppression for crushers with spraying devices
CN116403062A (zh) 一种点云目标检测方法、系统、设备及介质
WO2021245118A1 (en) Method and system for training a neural network-implemented sensor system to classify objects in a bulk flow
Nayak et al. Neural network approach for Indian currency recognition
Cateni et al. Fuzzy inference systems applied to image classification in the industrial field
CN113139932A (zh) 一种基于集成学习的深度学习缺陷图像识别方法及系统
Podsiadlo et al. Fast classification of engineering surfaces without surface parameters
CN115175766B (zh) 在破碎机空转时识别磨损的方法
ANAGÜN et al. Surface Roughness Classificiation of Electro Discharge Machined Surfaces with Image Processing and Deep Ensemble Learning
Chaiyakhan et al. Traffic sign classification using support vector machine and image segmentation

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