CN115205637A - 一种矿车物料的智能识别方法 - Google Patents

一种矿车物料的智能识别方法 Download PDF

Info

Publication number
CN115205637A
CN115205637A CN202211133562.4A CN202211133562A CN115205637A CN 115205637 A CN115205637 A CN 115205637A CN 202211133562 A CN202211133562 A CN 202211133562A CN 115205637 A CN115205637 A CN 115205637A
Authority
CN
China
Prior art keywords
mine car
preprocessed
layer
extraction module
images
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
CN202211133562.4A
Other languages
English (en)
Other versions
CN115205637B (zh
Inventor
宋照岭
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.)
Shandong Shiji Mining Electromechanical Co ltd
Original Assignee
Shandong Shiji Mining Electromechanical Co 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 Shandong Shiji Mining Electromechanical Co ltd filed Critical Shandong Shiji Mining Electromechanical Co ltd
Priority to CN202211133562.4A priority Critical patent/CN115205637B/zh
Publication of CN115205637A publication Critical patent/CN115205637A/zh
Application granted granted Critical
Publication of CN115205637B publication Critical patent/CN115205637B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像识别和处理技术领域，提供了一种矿车物料的智能识别方法，采集矿车物料图像，对矿车物料图像进行扩充和分组操作，构建训练样本库；构建卷积神经网络模型，利用训练样本库中的每组样本对卷积神经网络模型进行训练；在连续时间段内采集4个待识别的矿车物料图像，利用训练好的卷积神经网络模型，对4个待识别的矿车物料图像进行识别，输出识别结果。本申请能够克服环境多样性，提高准确度。

Description

一种矿车物料的智能识别方法
技术领域
本发明涉及矿车设备技术领域，具体涉及一种矿车物料的智能识别方法。
背景技术
当前，混杂在煤中的矸石会降低燃烧率，燃烧产物会致环境污染，因此煤矸石识别是煤矿生产加工过程中的重要环节，也是充分利用能源资源、减轻环境污染、节约人力资源和提高生产效率的有效途径。目前在煤矿副井轨道分运系统中，需要根据矿车物料类别对矿车进行分运，矿车物流一般分为煤炭、矸石和杂物三类。
随着计算机视觉技术的发展，尤其是卷积神经网络的发展，基于深度学习的矿车物料识别方法以其低成本、方便部署等特点逐渐应用于副井矿车轨道分运系统中。然而现有的矿车物料识别方法准确率偏低，主要原因在于：（1）训练样本数量无法满足需求；（2）由于环境存在多样性，算法性能无法满足生成要求。因此，现在亟需一种矿车物料的智能识别方法来解决上述问题。
发明内容
鉴于上述问题，提出了本申请，以便提供一种矿车物料的智能识别方法，用于克服环境多样性，提高准确度。
本申请提供了一种矿车物料的智能识别方法，包括：
步骤S1，采集矿车物料图像，对矿车物料图像进行扩充和分组操作，构建训练样本库；
步骤S2，构建卷积神经网络模型，利用训练样本库中的每组样本对卷积神经网络模型进行训练；其中每组样本包括4个预处理后的物料图像，表征不同角度、噪声下的同一矿车物料图像；
步骤S3，在连续时间段内采集4个待识别的矿车物料图像，利用训练好的卷积神经网络模型，对4个待识别的矿车物料图像进行识别，输出识别结果；其中连续时间段的大小根据经验设置，确保4个待识别的矿车物料图像同时表征煤炭、矸石或杂物。
进一步的，步骤S1具体包括：
步骤S11，利用安装在副井井口的监控设备采集矿车物料图像；
步骤S12，分别对每个矿车物料图像进行翻转操作，实现2倍扩充，得到第一预处理图像，其中第一预处理图像包括翻转的矿车物料图像和无翻转的矿车物料图像；
步骤S13，利用随机的预设旋转角度，分别对第一预处理图像进行旋转操作，实现6倍扩充，得到第二预处理图像，其中第二预处理图像包括左转的第一预处理图像、右转的第一预处理图像以及无旋转的第一预处理图像；
步骤S14，分别对第二预处理图像进行噪声注入操作，实现24倍扩充，得到预处理后的物料图像，其中预处理后的物料图像包括高斯噪声注入的第二预处理图像、乘性噪声注入的第二预处理图像、椒盐噪声注入的第二预处理图像、无噪声注入的第二预处理图像。
步骤S15，将每个矿车物料图像扩充后的24个预处理后的物料图像随机分为6组样本，其中每组样本包括4个预处理后的物料图像，构建训练样本库。
进一步的，监控设备是摄像机。
进一步的，步骤S2具体包括：
步骤S21，构建第一特征提取模块、第二特征提取模块、第三特征提取模块、第四特征提取模块；
步骤S22，构建拼接模块，用于将第一特征提取模块、第二特征提取模块、第三特征提取模块、第四特征提取模块输出的特征进行拼接操作；
步骤S23，依次构建全连接层、Dropout层、Softmax层，对拼接模块输出的特征进行分类，产生分类结果；
步骤S24，利用训练样本库中的每组样本对卷积神经网络模型进行训练。
进一步的，第一特征提取模块、第二特征提取模块、第三特征提取模块、第四特征提取模块结构相同。
进一步的，每个特征提取模块包括第一卷积层、第一归一化层、第二卷积层、第二归一化层、第三卷积层、第一最大池化层、第一平均池化层；
预处理后的物料图像输入到第一卷积层，其卷积核大小为7×7，第一归一化层的输入端连接第一卷积层的输出端；第二卷积层的输入端连接第一归一化层的输出端，其卷积核大小为5×5，第二归一化层的输入端连接第二卷积层的输出端，第三卷积层的输入端连接第二归一化层的输出端，其卷积核大小为3×3，第一最大池化层的输入端连接第三卷积层的输出端，第一平均池化层的输入端连接第一最大池化层的输出端。
进一步的，分类结果为煤炭、矸石和杂物。
本申请的有益效果是：
（1）本申请提供了一种矿车物料的智能识别方法，对采集的矿车物料图像进行扩充操作，并利用随机的不同角度、噪声下的同一矿车物料图像对卷积神经网络模型进行识别，克服环境多样性，提高卷积神经网络模型识别的准确度。
（2）本申请利用卷积神经网络模型，对连续时间段内的4个相同类别的矿车物料图像进行特征提取和识别，综合考虑环境多样性，进一步改善矿车物料图像识别的准确度。
附图说明
为了更清楚地说明本申请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描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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的附图。
图1为本申请提供的矿车物料的智能识别方法的流程图；
图2为本申请提供的扩充操作的流程图；
图3为本申请提供的卷积神经网络模型的结构图。
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的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。
在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种，但是不排除包含至少一种的情况。
本申请提供了一种矿车物料的智能识别方法，对采集的矿车物料图像进行扩充操作，并利用随机的不同角度、噪声下的同一矿车物料图像对卷积神经网络模型进行系列，克服环境多样性，提高卷积神经网络模型识别的准确度。同时利用卷积神经网络模型，对连续时间段内的4个相同类别的矿车物料图像进行特征提取和识别，综合考虑环境多样性，进一步改善矿车物料图像识别的准确度。
下面结合附图和具体实施例对本申请作进一步说明。
图1为本申请实施例提供的一种矿车物料的智能识别方法的流程图。如图1所示，一种矿车物料的智能识别方法包括：
步骤S1，采集矿车物料图像，对矿车物料图像进行扩充和分组操作，构建训练样本库。
在本申请该实施例中，所述步骤S1具体包括：
步骤S11，利用安装在副井井口的监控设备采集矿车物料图像。其中监控设备可以是摄像机。
步骤S12，分别对每个矿车物料图像进行翻转操作，实现2倍扩充，得到第一预处理图像，其中第一预处理图像包括翻转的矿车物料图像和无翻转的矿车物料图像。具体扩充操作的流程图如图2所示。
步骤S13，利用随机的预设旋转角度，分别对第一预处理图像进行旋转操作，实现6倍扩充，得到第二预处理图像，其中第二预处理图像包括左转的第一预处理图像、右转的第一预处理图像以及无旋转的第一预处理图像。
步骤S14，分别对第二预处理图像进行噪声注入操作，实现24倍扩充，得到预处理后的物料图像，其中预处理后的物料图像包括高斯噪声注入的第二预处理图像、乘性噪声注入的第二预处理图像、椒盐噪声注入的第二预处理图像、无噪声注入的第二预处理图像。
步骤S15，将每个矿车物料图像扩充后的24个预处理后的物料图像随机分为6组样本，其中每组样本包括4个预处理后的物料图像，构建训练样本库。
在卷积神经网络算法中有许多的参数，训练这些参数，使其能够正确的工作则需要大量的训练样本，而由于煤炭、矸石和杂物图像数量较少，因此对采集的矿车物料图像进行扩充操作，将原始的矿车物料图像扩大了 24 倍，避免因为训练样本库过小而造成卷积神经网络算法过拟合问题，提高了卷积神经网络算法识别的准确性。
步骤S2，构建卷积神经网络模型，利用训练样本库中的每组样本对卷积神经网络模型进行训练。
在本申请该实施例中，如图3所示，所述步骤S2具体包括：
步骤S21，构建第一特征提取模块、第二特征提取模块、第三特征提取模块、第四特征提取模块。
具体的，第一特征提取模块、第二特征提取模块、第三特征提取模块、第四特征提取模块结构相同。
每个特征提取模块包括第一卷积层、第一归一化层、第二卷积层、第二归一化层、第三卷积层、第一最大池化层、第一平均池化层。
预处理后的物料图像输入到第一卷积层，其卷积核大小为7×7，第一归一化层的输入端连接第一卷积层的输出端，通过设置归一化层使卷积神经网络更快、更稳定。第二卷积层的输入端连接第一归一化层的输出端，其卷积核大小为5×5，第二归一化层的输入端连接第二卷积层的输出端，第三卷积层的输入端连接第二归一化层的输出端，其卷积核大小为3×3，第一最大池化层的输入端连接第三卷积层的输出端，第一平均池化层的输入端连接第一最大池化层的输出端。
本申请在特征提取模块的第一卷积层、第二卷积层后省略池化操作，而仅在第三卷积层后采用池化操作，能够防止由于池化操作而造成的细节特征丢失，提高特征提取的完整性，改善后续物料图像识别的准确度。
步骤S22，构建拼接模块，用于将第一特征提取模块、第二特征提取模块、第三特征提取模块、第四特征提取模块输出的特征进行拼接操作；
步骤S23，依次构建全连接层、Dropout层、Softmax层，对拼接模块输出的特征进行分类，产生分类结果。其中分类结果为煤炭、矸石和杂物。
步骤S24，利用训练样本库中的每组样本对卷积神经网络模型进行训练。
在本申请中，从每个矿车物料图像扩充后的24个预处理后的物料图像中随机选择4个预处理后的物料图像，对卷积神经网络模型进行训练。由于4个预处理后的物料图像表征不同角度、噪声下的同一矿车物料图像，因此能够克服环境多样性，综合优化卷积神经网络模型，提高了卷积神经网络模型识别的准确度。
步骤S3，在连续时间段内采集4个待识别的矿车物料图像，利用训练好的卷积神经网络模型，对4个待识别的矿车物料图像进行识别，输出识别结果。其中，连续时间段的大小根据经验设置，确保4个待识别的矿车物料图像同时表征煤炭、矸石或杂物。
在本申请中，利用卷积神经网络模型，对连续的4个相同类别的矿车物料图像进行特征提取和识别，综合考虑环境多样性，提高了卷积神经网络模型的学习能力，进一步增强了矿车物料图像识别的准确度。
上述说明示出并描述了本申请的若干优选实施例，但如前所述，应当理解本申请并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本申请的精神和范围，则都应在本申请所附权利要求的保护范围内。

Claims (7)

1.一种矿车物料的智能识别方法，其特征在于，所述智能识别方法包括：
步骤S1，采集矿车物料图像，对矿车物料图像进行扩充和分组操作，构建训练样本库；
步骤S2，构建卷积神经网络模型，利用训练样本库中的每组样本对卷积神经网络模型进行训练；其中每组样本包括4个预处理后的物料图像，表征不同角度、噪声下的同一矿车物料图像；
步骤S3，在连续时间段内采集4个待识别的矿车物料图像，利用训练好的卷积神经网络模型，对4个待识别的矿车物料图像进行识别，输出识别结果；其中连续时间段的大小根据经验设置，确保4个待识别的矿车物料图像同时表征煤炭、矸石或杂物。
2.根据权利要求1所述的智能识别方法，其特征在于，步骤S1具体包括：
步骤S11，利用安装在副井井口的监控设备采集矿车物料图像；
步骤S12，分别对每个矿车物料图像进行翻转操作，实现2倍扩充，得到第一预处理图像，其中第一预处理图像包括翻转的矿车物料图像和无翻转的矿车物料图像；
步骤S13，利用随机的预设旋转角度，分别对第一预处理图像进行旋转操作，实现6倍扩充，得到第二预处理图像，其中第二预处理图像包括左转的第一预处理图像、右转的第一预处理图像以及无旋转的第一预处理图像；
步骤S14，分别对第二预处理图像进行噪声注入操作，实现24倍扩充，得到预处理后的物料图像，其中预处理后的物料图像包括高斯噪声注入的第二预处理图像、乘性噪声注入的第二预处理图像、椒盐噪声注入的第二预处理图像、无噪声注入的第二预处理图像；
步骤S15，将每个矿车物料图像扩充后的24个预处理后的物料图像随机分为6组样本，其中每组样本包括4个预处理后的物料图像，构建训练样本库。
3.根据权利要求2所述的智能识别方法，其特征在于，监控设备是摄像机。
4.根据权利要求1所述的智能识别方法，其特征在于，步骤S2具体包括：
步骤S21，构建第一特征提取模块、第二特征提取模块、第三特征提取模块、第四特征提取模块；
步骤S22，构建拼接模块，用于将第一特征提取模块、第二特征提取模块、第三特征提取模块、第四特征提取模块输出的特征进行拼接操作；
步骤S23，依次构建全连接层、Dropout层、Softmax层，对拼接模块输出的特征进行分类，产生分类结果；
步骤S24，利用训练样本库中的每组样本对卷积神经网络模型进行训练。
5.根据权利要求4所述的智能识别方法，其特征在于，第一特征提取模块、第二特征提取模块、第三特征提取模块、第四特征提取模块结构相同。
6.根据权利要求5所述的智能识别方法，其特征在于，每个特征提取模块包括第一卷积层、第一归一化层、第二卷积层、第二归一化层、第三卷积层、第一最大池化层、第一平均池化层；
预处理后的物料图像输入到第一卷积层，其卷积核大小为7×7，第一归一化层的输入端连接第一卷积层的输出端；第二卷积层的输入端连接第一归一化层的输出端，其卷积核大小为5×5，第二归一化层的输入端连接第二卷积层的输出端，第三卷积层的输入端连接第二归一化层的输出端，其卷积核大小为3×3，第一最大池化层的输入端连接第三卷积层的输出端，第一平均池化层的输入端连接第一最大池化层的输出端。
7.根据权利要求6所述的智能识别方法，其特征在于，分类结果为煤炭、矸石和杂物。
CN202211133562.4A 2022-09-19 2022-09-19 一种矿车物料的智能识别方法 Active CN115205637B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211133562.4A CN115205637B (zh) 2022-09-19 2022-09-19 一种矿车物料的智能识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211133562.4A CN115205637B (zh) 2022-09-19 2022-09-19 一种矿车物料的智能识别方法

Publications (2)

Publication Number Publication Date
CN115205637A true CN115205637A (zh) 2022-10-18
CN115205637B CN115205637B (zh) 2022-12-02

Family

ID=83573193

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211133562.4A Active CN115205637B (zh) 2022-09-19 2022-09-19 一种矿车物料的智能识别方法

Country Status (1)

Country Link
CN (1) CN115205637B (zh)

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295506A (zh) * 2016-07-25 2017-01-04 华南理工大学 一种基于集成卷积神经网络的年龄识别方法
CN107886165A (zh) * 2017-12-30 2018-04-06 北京工业大学 一种基于计算机模式识别的并行卷积神经网络方法
CN109635784A (zh) * 2019-01-10 2019-04-16 重庆邮电大学 基于改进的卷积神经网络的交通标志识别方法
CN110135468A (zh) * 2019-04-24 2019-08-16 中国矿业大学(北京) 一种煤矸石的识别方法
CN111860689A (zh) * 2020-07-31 2020-10-30 中国矿业大学 一种基于相位一致性和轻量卷积神经网络的煤矸识别方法
CN112464873A (zh) * 2020-12-09 2021-03-09 携程计算机技术（上海）有限公司 模型的训练方法、人脸活体识别方法、系统、设备及介质
WO2021057426A1 (zh) * 2019-09-29 2021-04-01 腾讯科技（深圳）有限公司 融合图像处理模型的训练方法、装置、设备及存储介质
CN112861881A (zh) * 2021-03-08 2021-05-28 太原理工大学 一种基于改进MobileNet模型的蜂窝肺识别方法
CN113052057A (zh) * 2021-03-19 2021-06-29 北京工业大学 一种基于改进卷积神经网络的交通标志识别方法
CN113592825A (zh) * 2021-08-02 2021-11-02 安徽理工大学 一种基于yolo算法的煤矸实时检测方法
CN114049935A (zh) * 2021-11-23 2022-02-15 齐鲁工业大学 一种基于多卷积神经网络的her2图像分类系统
CN114359727A (zh) * 2021-12-31 2022-04-15 华南农业大学 基于轻量级优化Yolo v4的茶叶病害识别方法及系统
WO2022083383A1 (zh) * 2020-10-19 2022-04-28 北京字节跳动网络技术有限公司 图像处理方法、装置、电子设备及计算机可读存储介质
CN114612968A (zh) * 2022-03-02 2022-06-10 盐城工学院 一种基于卷积神经网络的唇纹识别方法
CN114627109A (zh) * 2022-04-26 2022-06-14 河北工程大学 基于图像增强和深度学习的煤矸分类识别方法与流程
US20220234077A1 (en) * 2021-01-23 2022-07-28 Anhui University of Science and Technology Photoelectric Coal and Gangue Sorting Device and Sorting Method Therefor
US20220243910A1 (en) * 2021-02-03 2022-08-04 Xinqian Shu System and method for calcining coal gangue

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295506A (zh) * 2016-07-25 2017-01-04 华南理工大学 一种基于集成卷积神经网络的年龄识别方法
CN107886165A (zh) * 2017-12-30 2018-04-06 北京工业大学 一种基于计算机模式识别的并行卷积神经网络方法
CN109635784A (zh) * 2019-01-10 2019-04-16 重庆邮电大学 基于改进的卷积神经网络的交通标志识别方法
CN110135468A (zh) * 2019-04-24 2019-08-16 中国矿业大学(北京) 一种煤矸石的识别方法
WO2021057426A1 (zh) * 2019-09-29 2021-04-01 腾讯科技（深圳）有限公司 融合图像处理模型的训练方法、装置、设备及存储介质
CN111860689A (zh) * 2020-07-31 2020-10-30 中国矿业大学 一种基于相位一致性和轻量卷积神经网络的煤矸识别方法
WO2022083383A1 (zh) * 2020-10-19 2022-04-28 北京字节跳动网络技术有限公司 图像处理方法、装置、电子设备及计算机可读存储介质
CN112464873A (zh) * 2020-12-09 2021-03-09 携程计算机技术（上海）有限公司 模型的训练方法、人脸活体识别方法、系统、设备及介质
US20220234077A1 (en) * 2021-01-23 2022-07-28 Anhui University of Science and Technology Photoelectric Coal and Gangue Sorting Device and Sorting Method Therefor
US20220243910A1 (en) * 2021-02-03 2022-08-04 Xinqian Shu System and method for calcining coal gangue
CN112861881A (zh) * 2021-03-08 2021-05-28 太原理工大学 一种基于改进MobileNet模型的蜂窝肺识别方法
CN113052057A (zh) * 2021-03-19 2021-06-29 北京工业大学 一种基于改进卷积神经网络的交通标志识别方法
CN113592825A (zh) * 2021-08-02 2021-11-02 安徽理工大学 一种基于yolo算法的煤矸实时检测方法
CN114049935A (zh) * 2021-11-23 2022-02-15 齐鲁工业大学 一种基于多卷积神经网络的her2图像分类系统
CN114359727A (zh) * 2021-12-31 2022-04-15 华南农业大学 基于轻量级优化Yolo v4的茶叶病害识别方法及系统
CN114612968A (zh) * 2022-03-02 2022-06-10 盐城工学院 一种基于卷积神经网络的唇纹识别方法
CN114627109A (zh) * 2022-04-26 2022-06-14 河北工程大学 基于图像增强和深度学习的煤矸分类识别方法与流程

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
LINGLING SU ET AL: "Research on Coal Gangue Identification by Using Convolutional Neural Network", 《2018 2ND IEEE ADVANCED INFORMATION MANAGEMENT,COMMUNICATES,ELECTRONIC AND AUTOMATION CONTROL CONFERENCE (IMCEC)》 *
SHIWEI LEI ET AL: "Visual classification method based on CNN for coal-gangue sorting robots", 《2020 5TH INTERNATIONAL CONFERENCE ON AUTOMATION, CONTROL AND ROBOTICS ENGINEERING (CACRE)》 *
倪云峰 等: "基于卷积神经网络的煤矸石识别算法研究", 《现代电子技术》 *
王雨晨: "基于残差网络的图像分类方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
雷世威 等: "基于改进 YOLOv3 的煤矸识别方法研究", 《矿业安全与环保》 *
黄曼曼: "基于卷积神经网络的煤矸石图像识别方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 *

Also Published As

Publication number Publication date
CN115205637B (zh) 2022-12-02

Similar Documents

Publication Publication Date Title
CN109639481B (zh) 一种基于深度学习的网络流量分类方法、系统及电子设备
Xu et al. A hybrid deep-learning model for fault diagnosis of rolling bearings
Khaing et al. Development of control system for fruit classification based on convolutional neural network
CN113947590B (zh) 一种基于多尺度注意力引导和知识蒸馏的表面缺陷检测方法
CN109815956B (zh) 一种基于自适应位置分割的车牌字符识别方法
Gill et al. An integrated approach using CNN-RNN-LSTM for classification of fruit images
CN106168539A (zh) 基于卷积神经网络的滚动轴承故障诊断方法及系统
CN112396109A (zh) 基于递归图与多层卷积神经网络的电机轴承故障诊断方法
CN106462940A (zh) 图像中通用对象检测
CN112750129B (zh) 一种基于特征增强位置注意力机制的图像语义分割模型
CN106650696B (zh) 一种基于奇异值分解的手写电气元件符号识别方法
CN114898466A (zh) 一种面向智慧工厂的视频动作识别方法及系统
Zhang et al. An integrated approach for vehicle detection and type recognition
CN115219197A (zh) 一种轴承故障智能诊断方法、系统、介质、设备及终端
CN115452376A (zh) 基于改进轻量级深度卷积神经网络的轴承故障诊断方法
Fu et al. An improved deep convolutional neural network with multiscale convolution kernels for fault diagnosis of rolling bearing
CN115205637B (zh) 一种矿车物料的智能识别方法
Năstăsescu et al. Conditional wasserstein gan for energy load forecasting in large buildings
Zhang et al. Weighted data normalization based on eigenvalues for artificial neural network classification
CN111461184A (zh) 基于多元特征矩阵的xgb多维运维数据异常检测方法
CN111563455A (zh) 基于时间序列信号和压缩卷积神经网络的伤损识别方法
CN114813963A (zh) 基于tcn网络的列车轮轴故障声发射检测方法
CN114842295A (zh) 绝缘子故障检测模型的获得方法、装置及电子设备
CN114492644A (zh) 一种基于改进神经网络的电机故障检测方法
AlKhateeb Word-based handwritten Arabic scripts recognition using dynamic Bayesian network

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