CN115479943A - 一种图像识别与超声波反射相结合的煤矸识别、分选方法 - Google Patents

一种图像识别与超声波反射相结合的煤矸识别、分选方法 Download PDF

Info

Publication number
CN115479943A
CN115479943A CN202211315583.8A CN202211315583A CN115479943A CN 115479943 A CN115479943 A CN 115479943A CN 202211315583 A CN202211315583 A CN 202211315583A CN 115479943 A CN115479943 A CN 115479943A
Authority
CN
China
Prior art keywords
coal
gangue
identification
image
ultrasonic reflection
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
CN202211315583.8A
Other languages
English (en)
Inventor
戴瑞云
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202211315583.8A priority Critical patent/CN115479943A/zh
Publication of CN115479943A publication Critical patent/CN115479943A/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
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/11—Analysing solids by measuring attenuation of acoustic waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N9/00—Investigating density or specific gravity of materials; Analysing materials by determining density or specific gravity
    • G01N9/24—Investigating density or specific gravity of materials; Analysing materials by determining density or specific gravity by observing the transmission of wave or particle radiation through the material
    • 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
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • 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
    • G06V10/40—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
    • G06V10/52—Scale-space analysis, e.g. wavelet analysis
    • 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
    • G06V20/10—Terrestrial scenes

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Acoustics & Sound (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明公开一种图像识别与超声波反射相结合的煤矸识别、分选方法，通过识别数据计算分析中心先设定煤、矸石密度的阈值，再通过运输装置运送的待识别的煤矸原煤，经高速识别探头拍照，将煤矸图像发送给识别数据计算分析中心；识别数据计算分析中心对煤矸的表面特征进行数据采集、建模、存库，经目标检测网络识别煤矸轮廓；煤矸图像经过目标检测网络识别，得到煤块和矸石的运动控制坐标、煤矸所处于目标框的长、宽数据，实现对图像分割，及利用目标检测算法将主体物与背景分离；使用超声波反射进一步的进行类别的识别，从而获取物体的面密度，通过其面密度与识别数据计算分析中心的煤块、矸石数据进行分析，来精准判断煤矸原煤为煤块还是矸石，然后再通过控制系统控制执行系统进行分选。

Description

一种图像识别与超声波反射相结合的煤矸识别、分选方法
技术领域
本发明涉及矿石分选技术领域，特别涉及一种图像识别与超声波反射相结合的煤矸识别、分选方法。
背景技术
从煤矿里开采出来的原煤必然含有矸石，而分选出煤块和矸石是提高原煤质量的必要步骤；目前煤矸分选方法主要是：第一用射线法对煤和矸石所含元素差别，及对能量吸收系数不同进行区分；第二采用光谱探测法，根据煤矸的光谱差异确定其化学组成和相对含量区分煤矸这两种识别方法，再配合机械手来分选识别的煤块或矸石；
利用射线法和光谱探测法这两种方法，进行煤矿井下皮带传输系统异物识别价格昂贵维护困难，光谱探测又需要发光发热温度较高，对煤矸识别不准确；而射线产生的辐射对人体伤害大，并且机械手在抓取不同规格形状的煤块或矸石时会出现抓取的精度低、力度差，成功率低等问题。
发明内容
针对现有技术存在的问题，本发明提供一种图像识别与超声波反射相结合的煤矸识别、分选方法，本发明可以广泛应用煤矸识别之外的其它矿物体的识别、分选。
为了实现上述目的，本发明技术方案如下：
一种图像识别与超声波反射相结合的煤矸识别、分选方法，其具体方法如下：
通过识别数据计算分析中心先设定煤、矸石密度的阈值，再通过运输装置运送的待识别的煤矸原煤，经高速识别探头拍照，将煤矸图像发送给识别数据计算分析中心；
识别数据计算分析中心对煤矸的表面特征进行数据采集、建模、存库，经目标检测网络识别煤矸轮廓；
煤矸图像经过目标检测网络识别，得到煤块和矸石的运动控制坐标、煤矸所处于目标框的长、宽数据，实现对图像分割，及利用目标检测算法将主体物与背景分离；
使用超声波反射进一步的进行类别的识别，从而获取物体的面密度，通过其面密度与识别数据计算分析中心设定的煤、矸石密度的阈值进行对比分析，来精准判断煤矸为煤块还是矸石，然后再通过控制系统控制执行系统进行分选。
可选的，该方法还包括：利用超声波反射的计算公式进一步判断该物体是煤块还是矸石，得到的数据传递给识别数据计算分析中心，结合高速识别探头采集的表面特征数据，使得图像识别算法深度学习，能更快更精准的识别出煤块和矸石。
可选的，所述超声波反射计算公式如下：
定义超声波反射衰减系数为Rπ，v表示超声波在介质中的反射系数，w表示超声波在介质中的角频率，ρ1表示空气密度，c1表示超声波在空气中的传播速度，ρs表示介质的平均面密度；
有
Figure BDA0003908351800000021
则有
Figure BDA0003908351800000022
可选的，通过测量得到标准件的反射衰减系数为Rπ1，未知介质的反射衰减系数为
Figure BDA0003908351800000023
标准件的称重值为
Figure BDA0003908351800000024
则未知介质的面密度可以用下式求得：
Figure BDA0003908351800000025
再根据煤与矸石密度的不同，与识别数据计算分析中心设定的阈值，来区分煤和矸石。
可选的，目标检测算法包括：首先对数据集进行预处理，针对异物目标背景复杂受煤块干扰大的问题，通过正确标记训练数据同时，采用效果较好的骨干网络并引入不同尺度特征层加权特征融合。
可选的，所述目标检测算法是将待检测的物体看作一个点，即目标框的中心点，然后通过热点图找出中心并由此回归出目标物体的其他属性，如物体的尺寸信息，姿态信息等。
可选的，所述目标检测算法的网络结构最终输出的特征映射的分辨率相较于原始图像进行了4倍下采样。
可选的，所述目标检测算法由三个独立的头部结构组成，分别是中心点预测，中心点偏置和目标框的大小。
可选的，所述图像识别提供待煤矸的x、y、w、h、confidence；其中，x、 y指的是主体物中心点的坐标，w、h指的是目标框的宽和高，confidence是目标框的置信度。
可选的，所述通过最小外轮廓提取法，可以知道主体物的长边，短边尺寸，以及主体物与x轴的偏转角度。
采用本发明的技术方案，具有以下有益效果：
本发明通过图像分割得到煤矸的运动坐标和大致形状大小，再使用超声波反射进行类别识别来判定具体为煤块或是矸石，然后再进行分选；这样保证工作人员的身体安全，避免了光谱探测法发光发热带来的安全隐患和射线法带来的辐射伤害，同时克服了机械爪所带来的抓取方式单一、精度差等缺点，具有煤矸识别速度快、精度高、误差小、分选率高等特点。
附图说明
图1为本发明的本发明的工作流程示意图；
图2为本发明的图像识别流程图；
图3为本发明的图像识别分析建模示意图；
图4为本发明的现场高速相机摄取煤矸数据采集示意图；
图5为本发明的引导板开启闭合示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之
“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。
参照图1至图5，本发明提供一种图像识别与超声波反射相结合的煤矸识别、分选方法，其具体方法如下：
通过识别数据计算分析中心先设定煤、矸石密度的阈值，再通过运输装置运送的待识别的煤矸原煤，经高速识别探头拍照，将煤矸图像发送给识别数据计算分析中心；
识别数据计算分析中心对煤矸的表面特征进行数据采集、建模、存库，经目标检测网络识别煤矸轮廓；
煤矸图像经过目标检测网络识别，得到煤块和矸石的运动控制坐标、煤矸所处于目标框的长、宽数据，实现对图像分割，及利用目标检测算法将主体物与背景分离；
使用超声波反射进一步的进行类别的识别，从而获取物体的面密度，通过其面密度与识别数据计算分析中心设定的煤、矸石密度的阈值进行对比分析，来精准判断煤矸为煤块还是矸石，然后再通过控制系统控制执行系统进行分选；
其中，识别数据计算分析中心先设定煤、矸石密度的阈值，此阈值是通过相关密度测量设备先测量好煤和矸石的密度，然后再设定至识别数据计算分析中心；另外根据分个矿的地方不同，则设定煤、矸石密度的阈值不同。
进一步的，该方法还包括：利用超声波反射的计算公式进一步判断该物体是煤块还是矸石，得到的数据传递给识别数据计算分析中心，结合高速识别探头采集的表面特征数据，使得图像识别算法深度学习，能更快更精准的识别出煤块和矸石。
进一步的，所述超声波反射计算公式如下：
进一步的，定义超声波反射衰减系数为Rπ，v表示超声波在介质中的反射系数，w表示超声波在介质中的角频率，ρ1表示空气密度，c1表示超声波在空气中的传播速度，ρs表示介质的平均面密度。
有
Figure BDA0003908351800000051
则有
Figure BDA0003908351800000052
进一步的，通过测量得到标准件的反射衰减系数为Rπ1，未知介质的反射衰减系数为
Figure BDA0003908351800000053
标准件的称重值为
Figure BDA0003908351800000054
则未知介质的面密度为
Figure BDA0003908351800000061
再根据煤与矸石密度的不同，与识别数据计算分析中心设定的阈值，来区分煤和矸石。
进一步的，为了适应算法对煤矸检测的适应性，提出了改进的深度学习算法，针对皮带上光线暗，光照不均造成的图像质量低，目标检测算法首先对数据集进行预处理，针对异物目标背景复杂受煤块干扰大的问题，通过正确标记训练数据同时，采用效果较好的骨干网络并引入不同尺度特征层加权特征融合；
其中，改进后的深度学习算法网络加快了收敛速度并减少了参数计算量，在保证检测速度的情况下，检测精度有了较大提升。
进一步的，所述目标检测算法是将待检测的物体看作一个点，即目标框的中心点，然后通过热点图找出中心并由此回归出目标物体的其他属性，如物体的尺寸信息，姿态信息等。
进一步的，所述目标检测算法的网络结构最终输出的特征映射的分辨率相较于原始图像进行了4倍下采样；因此无需多尺度的设计便能适应各种尺度物体的检测。该算法基于anchor-free，因此无需事先设置锚框，进而避免了相关超参数的选择问题，同时免去了NMS的后处理过程，使得网络的计算量和训练的时间得到大大的减少。
进一步的，所述目标检测算法由三个独立的头部结构组成，分别是中心点预测，中心点偏置和目标框的大小。
进一步的，所述图像识别提供待煤矸的x、y、w、h、confidence；其中， x、y指的是主体物中心点的坐标，w、h指的是目标框的宽和高，confidence是目标框的置信度。
进一步的，所述通过最小外轮廓提取法，可以知道主体物的长边，短边尺寸，以及主体物与x轴的偏转角度。
如图1、图2、图3、图4所示图像识别流程图包括以下：
数据标注(图像标注)，传输带匀速传输煤块和矸石，识别探头通过高速相机摄取对煤矸的表面特征进行数据采集，经识别数据计算分析中心的目标检测网络识别煤矸轮廓进行初筛，超声波反射采集煤矸面密度进行精筛，采用图像算法深度学习，实现煤杂识别；
建模(检测模型+分类模型)，图像识别程序提供待煤矸的 (x,y,w,h,confidence)，其中，x,y指的是主体物中心点的坐标；w,h指的是目标框的宽和高；confidence是目标框的置信度；通过最小外轮廓提取法，可以知道主体物的长边，短边尺寸，以及主体物与x轴的偏转角度；
物体检测卷积神经网络反复学习(轮廓+坐标)及超声波反射(煤矸识别)，利用超声波反射进一步判断该物体是煤块还是矸石，得到的数据传递给识别数据计算分析中心，结合识别探头采集的表面特征数据，使得图像识别算法深度学习，能更快更精准的识别出煤块和矸石。
如图1、图5所示，为了当识别数据计算分析中心分析出煤矸原煤中的煤块和矸石时，则运输装置继续匀速运输煤块、矸石，当煤块、矸石到达传输带边缘时，控制系统发送命令到执行系统，控制操纵引导板的打开或闭合来对煤块和矸石进行分选，分选出的煤块和矸石分别分选进对应的煤块和矸石的容器内；
其中，引导板均匀分成多个，每个可以单独控制，依据目标框的大小，控制系统判断并由执行系统来控制一个还是多个引导板的开启，使其开启的尺寸略大于将要落下的矸石的尺寸，待矸石落在引导板之下的矸石容器后开启的引导板闭合，煤块继续在引导板的上方滚落至煤块容器中，从而进行煤矸分选；
引导板的开启依据矸石是否已经到了传输装置边缘，根据传输带的长度，传输带的匀速，矸石一级目标检测中心点的位置，从而判断开启哪些位置的引导板使矸石落入矸石容器中。
每个引导板跟末端的执行系统间置有反力弹簧，执行系统内置线圈、磁路和触点，在线圈两端施加电压或直流电流后使其产生电磁力，当电磁力大于弹簧反力时，带动磁路的衔铁吸合使常开常闭接点动作，引导板打开；当线圈的电压或电流下降或消失时衔铁释放，接点复位，引导板关闭。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (10)

1.一种图像识别与超声波反射相结合的煤矸识别、分选方法，其特征在于，包括具体方法如下；
通过识别数据计算分析中心先设定煤、矸石密度的阈值，再通过运输装置运送的待识别的煤矸原煤，经高速识别探头拍照，将煤矸图像发送给识别数据计算分析中心；
识别数据计算分析中心对煤矸的表面特征进行数据采集、建模、存库，经目标检测网络识别煤矸轮廓；
煤矸图像经过目标检测网络识别，得到煤块和矸石的运动控制坐标、煤矸所处于目标框的长、宽数据，实现对图像分割，及利用目标检测算法将主体物与背景分离；
使用超声波反射进一步的进行类别的识别，从而获取物体的面密度，通过其面密度与识别数据计算分析中心设定的煤、矸石密度的阈值进行对比分析，来精准判断煤矸为煤块还是矸石，然后再通过控制系统控制执行系统进行分选。
2.根据权利要求1所述的图像识别与超声波反射相结合的煤矸识别、分选方法，其特征在于，所述该方法还包括：利用超声波反射的计算公式进一步判断该物体是煤块还是矸石；得到的数据传递给识别数据计算分析中心，并结合高速识别探头采集的表面特征数据，使得图像识别算法深度学习，能更快更精准的识别出煤块和矸石。
3.根据权利要求2所述的基于图像识别的煤矸识别和分选方法，其特征在于，所述所述超声波反射计算公式如下：
定义超声波反射衰减系数为Rπ，v表示超声波在介质中的反射系数，w表示超声波在介质中的角频率，ρ1表示空气密度，c1表示超声波在空气中的传播速度，ρs表示介质的平均面密度；
有
Figure FDA0003908351790000011
则有
Figure FDA0003908351790000012
4.根据权利要求3所述的图像识别与超声波反射相结合的煤矸识别、分选方法，其特征在于，通过测量得到标准件的反射衰减系数为Rπ1，未知介质的反射衰减系数为Rπ2；标准件的称重值为
Figure FDA0003908351790000021
则未知介质的面密度可以用下式求得：
Figure FDA0003908351790000022
再根据煤与矸石密度的不同，与识别数据计算分析中心设定的阈值，来区分煤和矸石。
5.根据权利要求1所述的图像识别与超声波反射相结合的煤矸识别、分选方法，其特征在于，所述目标检测算法包括：首先对数据集进行预处理，针对异物目标背景复杂受煤块干扰大的问题，通过正确标记训练数据同时，采用效果较好的骨干网络并引入不同尺度特征层加权特征融合。
6.根据权利要求1所述的图像识别与超声波反射相结合的煤矸识别、分选方法，其特征在于，所述目标检测算法是将待检测的物体看作一个点，即目标框的中心点，然后通过热点图找出中心并由此回归出目标物体的其他属性，如物体的尺寸信息，姿态信息等。
7.根据权利要求6所述的图像识别与超声波反射相结合的煤矸识别、分选方法，其特征在于，所述目标检测算法的网络结构最终输出的特征映射的分辨率相较于原始图像进行了4倍下采样。
8.根据权利要求7所述的图像识别与超声波反射相结合的煤矸识别、分选方法，其特征在于，所述目标检测算法由三个独立的头部结构组成，分别是中心点预测，中心点偏置和目标框的大小。
9.根据权利要求8所述的图像识别与超声波反射相结合的煤矸识别、分选方法，其特征在于，所述图像识别提供待检测的煤矸的x、y、w、h、confidence；其中，x、y指的是主体物中心点的坐标，w、h指的是目标框的宽和高，confidence是目标框的置信度。
10.根据权利要求9所述的图像识别与超声波反射相结合的煤矸识别、分选方法，其特征在于，所述通过最小外轮廓提取法，可以知道主体物的长边，短边尺寸，以及主体物与x轴的偏转角度。
CN202211315583.8A 2022-10-25 2022-10-25 一种图像识别与超声波反射相结合的煤矸识别、分选方法 Pending CN115479943A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211315583.8A CN115479943A (zh) 2022-10-25 2022-10-25 一种图像识别与超声波反射相结合的煤矸识别、分选方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211315583.8A CN115479943A (zh) 2022-10-25 2022-10-25 一种图像识别与超声波反射相结合的煤矸识别、分选方法

Publications (1)

Publication Number Publication Date
CN115479943A true CN115479943A (zh) 2022-12-16

Family

ID=84396183

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211315583.8A Pending CN115479943A (zh) 2022-10-25 2022-10-25 一种图像识别与超声波反射相结合的煤矸识别、分选方法

Country Status (1)

Country Link
CN (1) CN115479943A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116137029A (zh) * 2023-02-09 2023-05-19 西安科技大学 煤矸分离设备的多参量智能煤矸监测反馈方法和系统
CN116460366A (zh) * 2023-06-01 2023-07-21 中国机械总院集团江苏分院有限公司 一种超声波切割机及使用其的超声波加工工艺
CN116698977A (zh) * 2023-08-07 2023-09-05 山东科技大学 一种基于声音信号的煤矸识别传感器及识别方法
CN118154900A (zh) * 2024-05-10 2024-06-07 陕西中环机械有限责任公司 一种矸石井下智慧充填管控系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111881909A (zh) * 2020-07-27 2020-11-03 精英数智科技股份有限公司 煤矸识别方法、装置、电子设备及存储介质
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
CN112588609A (zh) * 2020-12-11 2021-04-02 精英数智科技股份有限公司 煤矸分选方法、装置及电子设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111881909A (zh) * 2020-07-27 2020-11-03 精英数智科技股份有限公司 煤矸识别方法、装置、电子设备及存储介质
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
CN112588609A (zh) * 2020-12-11 2021-04-02 精英数智科技股份有限公司 煤矸分选方法、装置及电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
朱彦存: "基于深度学习的煤矿运煤皮带异物识别研究", CNKI优秀硕士学位论文全文库 工程科技I辑, 15 March 2022 (2022-03-15), pages 1 - 68 *
李良晖: "放顶煤工作面煤矸混合度自动识别研究进展", 《煤炭工程》, vol. 49, no. 10, 31 December 2017 (2017-12-31), pages 30 - 34 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116137029A (zh) * 2023-02-09 2023-05-19 西安科技大学 煤矸分离设备的多参量智能煤矸监测反馈方法和系统
CN116137029B (zh) * 2023-02-09 2023-10-20 西安科技大学 煤矸分离设备的多参量智能煤矸监测反馈方法和系统
CN116460366A (zh) * 2023-06-01 2023-07-21 中国机械总院集团江苏分院有限公司 一种超声波切割机及使用其的超声波加工工艺
CN116460366B (zh) * 2023-06-01 2023-08-29 中国机械总院集团江苏分院有限公司 一种超声波切割机及使用其的超声波加工工艺
CN116698977A (zh) * 2023-08-07 2023-09-05 山东科技大学 一种基于声音信号的煤矸识别传感器及识别方法
CN116698977B (zh) * 2023-08-07 2023-10-31 山东科技大学 一种基于声音信号的煤矸识别传感器及识别方法
CN118154900A (zh) * 2024-05-10 2024-06-07 陕西中环机械有限责任公司 一种矸石井下智慧充填管控系统
CN118154900B (zh) * 2024-05-10 2024-07-05 陕西中环机械有限责任公司 一种矸石井下智慧充填管控系统

Similar Documents

Publication Publication Date Title
CN115479943A (zh) 一种图像识别与超声波反射相结合的煤矸识别、分选方法
US8611604B2 (en) Object detection device
CN106733701B (zh) 马铃薯多级联合智能缺陷检测系统及检测方法
CN110344621A (zh) 一种面向智能车库的车轮点云检测方法
CN115691026B (zh) 一种森林防火的智能预警监控管理方法
CN107238821B (zh) 一种基于特征谱特征的机场跑道异物检测方法及装置
CN110766067B (zh) 基于机器学习的毫米波雷达材质识别方法
CN104463196A (zh) 一种基于视频的天气现象识别方法
US11123772B2 (en) Concentrating rare earth elements from coal waste
CN105044122A (zh) 一种基于半监督学习模型的铜件表面缺陷视觉检测系统及检测方法
CN110711718A (zh) 基于x光图像的快递包裹智能分拣系统、方法及存储介质
CN110246122A (zh) 基于机器视觉的小型轴承质量检测方法、装置及系统
CN105512640A (zh) 一种基于视频序列的人流量统计方法
WO2023202259A1 (zh) 物料分选系统及分选方法
EP3521864A1 (en) Millimeter wave image based human body foreign object detection method and system
CN104463249B (zh) 一种基于弱监督学习框架的遥感图像机场检测方法
CN112330607A (zh) 基于图像识别技术的煤矸识别方法、装置及系统
CN111175248B (zh) 智能化肉品质在线检测方法和检测系统
CN114549493A (zh) 一种基于深度学习的磁芯缺陷检测系统及方法
CN111359913A (zh) 一种通过激光雷达分选矿石的方法
KR20230116401A (ko) 차량용 라이다 시스템 및 그 객체 분류 방법
CN115308222A (zh) 一种基于机器视觉的芯片外观不良识别系统及方法
KR101415362B1 (ko) 강수입자 분류 시스템 및 그 방법
Zewei et al. Vehicle recognition and classification method based on laser scanning point cloud data
CN116578913A (zh) 一种面向复杂电磁环境的可靠无人机检测识别方法

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