CN115565024A - 一种基于yolov5图像识别算法和深度相机的矿石块度检测方法 - Google Patents

一种基于yolov5图像识别算法和深度相机的矿石块度检测方法 Download PDF

Info

Publication number
CN115565024A
CN115565024A CN202211101572.XA CN202211101572A CN115565024A CN 115565024 A CN115565024 A CN 115565024A CN 202211101572 A CN202211101572 A CN 202211101572A CN 115565024 A CN115565024 A CN 115565024A
Authority
CN
China
Prior art keywords
image
ore
yolov5
marking
depth camera
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
CN202211101572.XA
Other languages
English (en)
Inventor
赵鑫
范春晖
李美洲
李�杰
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.)
China Railway 19th Bureau Group Mining Investment Co Ltd
Original Assignee
China Railway 19th Bureau Group Mining Investment 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 China Railway 19th Bureau Group Mining Investment Co Ltd filed Critical China Railway 19th Bureau Group Mining Investment Co Ltd
Priority to CN202211101572.XA priority Critical patent/CN115565024A/zh
Publication of CN115565024A publication Critical patent/CN115565024A/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
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

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

Abstract

本发明公开了一种基于YOLOV5图像识别算法和深度相机的矿石块度检测方法，包括：采集某矿山爆堆图片；使用软件对图片中的矿石块标注并生成标注文件；YOLOV5算法改进，增加网络层和Anchor；利用以上图像数据训练YOLOV5数学模型；使用训练出的模型对新爆堆图像进行识别获得带矿石图像的标记框；将标记框中图像取出，对取出的图像做分水岭分割获得矿石轮廓；获得摄像头到爆堆的距离数据，根据相似三角形法则计算出矿石的实际尺寸；统计各直径区间矿石块数量得到块度分布率。该方法实现了矿石石块的智能识别以及块度分析的实用性、准确性和实时性；相较于二维图像在计算不同距离石块尺寸时数值更加准确。

Description

一种基于YOLOV5图像识别算法和深度相机的矿石块度检测 方法
技术领域
本发明涉及图像识别技术领域，特别是一种基于YOLOV5图像识别算法和深度相机的矿石块度检测方法。
背景技术
在实际的矿石开采过程中爆堆区域存在着不同块度的矿石，若不加以区分，则不利于后续的铲装、运输、筛选、机械破碎等工序。为提升效率节约成本，需要在装车时将一定块度范围的矿石装于车中。现有的矿石开采作业中缺乏成熟完善的技术手段能够在开采过程中准确高效的识别矿石的块度。因此，需要通过引进先进的机器视觉和图像识别技术来实现矿石开采过程中的矿石块度测量功能以提高生产过程中的自动化和智能化水平，优化控制生产流程，从而更有效地利用矿产资源。
借助机器视觉的方法正在逐渐取代人工检测矿石块度的方式。近年来世界上很多国家的研究机构及机器视觉技术公司都在陆续研发矿石块度自动检测系统。其中包括加拿大Waterloo大学研发的Wipfrag机器视觉系统；美国Arizona大学开发的Split Online在线物体块度分析系统；美卓公司推出的Visio Rock全自动视觉系统；Mukherjee采用特征学习的方法对油砂矿石图像进行分割；Amankwah等人利用meanshift聚类得到矿石区域，产生标记图像，再利用基于标记控制的分水岭算法分割图像；Michael Noy使用近距离数字摄影技术实现岩石块度测量；V V Suprunenko1使用深度学习方法进行矿石块度分割；HadiYaghoobi等人基于神经网络和特征提取方法，提出了一种确定碎石块度分布的算法。
国内不少研究机构和公司也在持续研发矿石块度自动检测系统。其中包括：北京矿冶研究院研发的BOSA II矿石块度图像分析仪；董珂利用改进的分水岭分割算法对矿石图像进行分割；王亚静等利用熵率超像素分割将图像分为一系列紧凑的利用熵率超像素图像分割；周静等提出一种基于协同表征的二部图矿石图像分割方法；马喜祺等提出一种基于卷积神经网络和图像处理技术的带矿图像分割方法。
上述矿石块度检测方法在矿石块度计算上有一些采用的是对二维图像的分析，此类方法需要提前放置已知尺寸的标识物并提前进行相机标定。放置标识物并作相机标定的方法在爆堆石块距离不一致的情况下测算的矿石尺寸偏差较大，而且相机标定后位置如果发生变化则需要重新标定。此类方法在实际应用中适用性较差。还有一些方法虽然能够测量出爆堆的三维数据但是需要后期再进行数据分析才能得到爆堆块度分布率，缺乏实时性。本发明的目的是针对前述方法的不足，提出一种基于YOLOV5图像识别算法和深度相机的矿石块度检测方法，以实现爆堆矿石块度的实时精确检测与分析。
发明内容
本发明的目的是针对现有技术的不足，提供一种基于YOLOV5图像识别算法和深度相机的矿石块度检测方法，以实现爆堆矿石块度的实时精确检测与分析。
为达到上述目的，本发明按照以下技术方案实施：
步骤一采集爆堆图片：使用照相机采集爆堆图像作为样本集，将样本集分为训练集、验证集和测试集；
步骤二矿石石块标注：使用标注软件对图像中的石块进行标注，同时生成标注文件；
步骤三改进YOLOV5网络：增加一组Anchor，将新增的参数设为比较小的值，在YOLOhead网络层增加一组上采样模块使特征图扩大，增加一组融合层以获得更大特征图，增加一层小目标检测层以实现更好的小目标检测；
步骤四训练YOLOV5数学模型：
(1)anchor boxes先验尺度获取，采用K-means聚类方法，对训练集中的手工标注框尺寸进行聚类以获得先验尺寸，选取聚类中心k＝3；
(2)设置训练参数，根据训练集特性和硬件条件设置，设置初始学习率为0.001，epoch为50，batch_size为4，使用余弦退火方式调整学习率；
(3)训练YOLOV5数学模型，利用mAP0.5:0.95的值作为模型性能评估指标，保存mAP0.5:0.95值最高的模型，经过充分训练后mAP0.5:0.95达到53.6％；
步骤五模型验证：利用上一步骤训练好的模型对验证集图片进行识别，识别出的石块被标记框框出，识别前需设置图形规格img-size为640或2560，置信度阈值conf-thres设为0.01，交并比参数iou-thres设为0.45；
步骤六分水岭分割：
(1)图像二值化，将标记框中图像取出，使用自适应阈值化算法对石块图像进行二值化处理以区别石块区域图像和背景区域图像，阈值是邻域值减去常数C的高斯加权总和；
(2)确定背景区域，使用开运算去除图像中的噪声，分离图像中石块的边界，利用膨胀运算得到图像中的背景区域；
(3)确定前景区域，利用距离变换将二值图像转换为灰度图像，再将灰度图做二值化，二值化的阈值为0.03×灰度图的最大灰度值；
(4)确定未知区域，计算二值图像中背景图像与前景图像的差值，得到未知区域图像；
(5)为各区域添加标签，扫描二值图像的每个像素点，将像素值相同且相互连通的像素点分为相同的组，最终得到图像中所有的像素连通组件，为每个组件添加标签，用0标记未知区域，用1标记背景区域，用其他正整数标记前景区域；
(6)分水岭分割，使用前面预设置的标签来引导图像的分割，在图像中将灰度值较高的点作为起始点做涨水操作，则不同水盆的相接处就是分水岭，分水岭分割算法将标记框中的矿石图像与其他图像分隔开，将分割后的图像做二值化操作以便提取物体轮廓；
步骤七轮廓提取及尺寸计算：遍历所有的标记框，使用轮廓提取算法提取标记框中各物体的轮廓，其中直径最大的轮廓就是矿石轮廓；
步骤八深度相机实现实时块度统计：使用深度摄像机得到爆堆图像的同时获得摄像头到爆堆的距离数据，根据相似三角形法则计算出矿石的实际尺寸，统计各直径区间矿石块数量得到块度分布率。
本发明与现有技术相比，具有的有益效果是：
(1)采用三维深度相机作为图像采集设备，在采集爆堆矿石图像时，不仅可以采集二维平面图像同时也采集了摄像机到爆堆的深度数据。在计算矿石石块尺寸时，只需要设置摄像机的焦距参数与像素尺寸参数就可以通过相似三角形原理计算出矿石石块的实际尺寸，而不用像传统二维相机那样需要提前标定相机并放置标识物，因此大大提高了检测的实用性。
(2)采用了三维深度相机，在计算矿石石块尺寸时，可以准确计算出镜头中不同距离的矿石石块的尺寸，避免了传统二维相机只能估算的弊端，大大提高了检测的准确性。
(3)在程序中将算法集成到摄像头中，实现了爆堆矿石块度分布的实时检测，满足了检测中对实时性的要求。
(4)采用YOLOV5目标检测算法与分水岭分割算法相结合的方法，先检测出石块的具体位置再分析出矿石的轮廓，避免了大量误判的情况，使本发明具有了抗干扰性。
附图说明
图1为相似三角形法则计算矿石实际尺寸示意图；
图2为训练结果1示意图；
图3为训练结果2示意图；
图4为训练结果3示意图；
图5为训练结果4示意图；
图6为训练结果5示意图；
图7为训练结果6示意图；
图8为训练结果7示意图；
图9为训练结果8示意图；
图10为训练结果9示意图；
图11为训练结果10示意图。
具体实施方式
下面通过实施案例对本发明做进一步详细说明：
参考图1-图11，以袁家村铁矿为例，选择矿山上的爆堆作为数据集采集来源，使用照相机拍摄不同爆堆的矿石图片，拍摄距离2-14米，共拍摄图片2109张，其中2000张作为训练集和验证集数据，109张作为测试集数据。
使用标注软件对采集回的图片进行石块标注，同时生成标注文件，在标注过程中注意要同时标注大、中、小块以使数据集均衡。
改写YOLOV5网络程序，增加一组Anchor，将新增的参数设为比较小的值。新增加的上采样模块为
[-1,1,Conv,[256,1,1]],
[-1,1,nn.Upsample,[None,2,'nearest']],
[[-1,2],1,Concat,[1]],
[-1,3,BottleneckCSP,[256,False]],
在YOLOhead网络层增加一组上采样模块使特征图扩大，增加一组融合层以获得更大特征图。新增的融合层为
[-1,1,Conv,[256,3,2]],
[[-1,18],1,Concat,[1]],
[-1,3,BottleneckCSP,[256,False]],
增加一层小目标检测层以实现更好的小目标检测。更新的检测层为
[[21,24,27,30],1,Detect,[nc,anchors]]。
训练YOLOV5数学模型。使用K-means聚类算法获得先验尺度，聚类中心k＝3，设置初始学习率为0.001，epoch为50，batch_size为4，使用余弦退火方式调整学习率，训练结果如图2-图11所示。
利用mAP0.5:0.95的值作为模型性能评估指标，保存mAP0.5:0.95值最高的模型，经过充分训练后mAP0.5:0.95达到53.6％。
利用上一步骤训练好的模型对验证集图片进行识别，识别出的石块被标记框框出，识别前需设置图形规格img-size为2560，置信度阈值conf-thres设为0.01，交并比参数iou-thres设为0.45；
将标记框中图像取出；
使用自适应阈值化算法对石块图像进行二值化处理以区别石块区域图像和背景区域图像，阈值是邻域值减去常数C的高斯加权总和；
使用开运算去除图像中的噪声，分离图像中石块的边界，利用膨胀运算得到图像中的背景区域，利用距离变换将二值图像转换为灰度图像，再将灰度图做二值化，二值化的阈值为0.03×灰度图的最大灰度值，计算二值图像中背景图像与前景图像的差值，得到未知区域图像，为各区域添加标签，扫描二值图像的每个像素点，将像素值相同且相互连通的像素点分为相同的组，最终得到图像中所有的像素连通组件，为每个组件添加标签，用0标记未知区域，用1标记背景区域，用其他正整数标记前景区域，使用前面预设置的标签来引导图像的分割，在图像中将灰度值较高的点作为起始点做涨水操作，则不同水盆的相接处就是分水岭；分水岭分割算法将标记框中的矿石图像与其他图像分隔开，将分割后的图像做二值化操作以便提取物体轮廓；
提取矿石轮廓并计算轮廓尺寸
遍历所有的标记框，使用轮廓提取算法提取标记框中各物体的轮廓，其中直径最大的轮廓就是矿石轮廓，使用深度摄像机得到爆堆图像的同时获得摄像头到爆堆的距离数据，根据相似三角形法则计算出矿石的实际尺寸，统计各直径区间矿石块数量得到块度分布率。
本方法使用的深度摄像头参数：RGB摄像头焦距1.88mm，像素尺寸3um×3um，深度摄像头焦距1.93mm，RGB摄像头分辨率1280×720，深度摄像头分辨率1280×720，深度摄像头探测深度范围0.4m-20m。测试场景摄像头到物体距离范围：2m-14m。
块度分布及过筛率统计图如表1、表2所示
表1：块度分布率
块度mm 0-100 100-200 200-300 300-400 400-500 500-600 600-700 700-800
占比％ 35.84 25.34 17.12 7.08 3.20 3.20 3.88 2.05
块度mm 800-900 900-1000 1000-1100 1100-1200 1200-1300 1300-1400 1400-1500 1500-1600
占比％ 0.68 0.23 0.00 0.00 0.00 0.23 0.00 0.46
块度mm 1600-1700 1700-1800 1800-1900 1900-2000 2000-2100 2100-2200 2200-2300 2300-2400
占比％ 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
块度mm 2400-2500 2500-2600 2600-2700 2700-2800 2800-2900 2900-3000
占比％ 0.00 0.00 0.23 0.00 0.23 0.00
。
表2：过筛率
Figure BDA0003839679910000051
Figure BDA0003839679910000061
本发明通过将YOLOV5图像识别算法与分水岭分割算法相结合的方法来实现实时的爆堆矿石块度检测与分析，该方法具有实用性强、准确性高、实时性好、抗干扰能力强等特点。该方法可应用于矿山爆堆块度分析，无人挖机辅助采矿，传送带矿石块度检测等多个领域。
上述实例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变都落入本发明的保护范围。

Claims (7)

1.一种基于YOLOV5图像识别算法和深度相机的矿石块度检测方法，其特征在于，包括以下步骤：
步骤一 采集爆堆图片：使用照相机采集爆堆图像作为样本集，将样本集分为训练集、验证集和测试集；
步骤二 矿石石块标注：使用标注软件对图像中的石块进行标注，同时生成标注文件；
步骤三 改进YOLOV5网络：增加一组Anchor，将新增的参数设为比较小的值，在YOLOhead网络层增加一组上采样模块使特征图扩大，增加一组融合层以获得更大特征图，增加一层小目标检测层以实现更好的小目标检测；
步骤四 训练YOLOV5数学模型：
(1) anchor boxes先验尺度获取，采用K-means聚类方法，对训练集中的手工标注框尺寸进行聚类以获得先验尺寸，选取聚类中心k=3；
(2) 设置训练参数，根据训练集特性和硬件条件设置，设置初始学习率为0.001，epoch为50，batch_size为4，使用余弦退火方式调整学习率；
(3) 训练YOLOV5数学模型，利用mAP0.5:0.95的值作为模型性能评估指标，保存mAP0.5:0.95值最高的模型，经过充分训练后mAP0.5:0.95达到53.6%；
步骤五 模型验证：利用上一步骤训练好的模型对测试集图片进行识别，识别出的石块被标记框框出，识别前需设置图形规格img-size为640或2560，置信度阈值conf-thres设为0.01，交并比参数iou-thres设为0.45；
步骤六 分水岭分割：
(1) 图像二值化，将标记框中图像取出，使用自适应阈值化算法对石块图像进行二值化处理以区别石块区域图像和背景区域图像，阈值为邻域值减去常数C的高斯加权总和；
(2) 确定背景区域，使用开运算去除图像中的噪声，分离图像中石块的边界，利用膨胀运算得到图像中的背景区域；
(3) 确定前景区域，利用距离变换将二值图像转换为灰度图像，再将灰度图做二值化，二值化的阈值为0.03×灰度图的最大灰度值；
(4) 确定未知区域，计算二值图像中背景图像与前景图像的差值，得到未知区域图像；
(5) 为各区域添加标签，扫描二值图像的每个像素点，将像素值相同且相互连通的像素点分为相同的组，最终得到图像中所有的像素连通组件，为每个组件添加标签，用0标记未知区域，用1标记背景区域，用其他正整数标记前景区域；
(6) 分水岭分割，使用前面预设置的标签来引导图像的分割，在图像中将灰度值较高的点作为起始点做涨水操作，则不同水盆的相接处就是分水岭，分水岭分割算法将标记框中的矿石图像与其他图像分隔开，将分割后的图像做二值化操作以便提取物体轮廓；
步骤七 轮廓提取及尺寸计算：遍历所有的标记框，使用轮廓提取算法提取标记框中各物体的轮廓，其中直径最大的轮廓就是矿石轮廓；
步骤八 深度相机实现实时块度统计：使用深度摄像机得到爆堆图像的同时获得摄像头到爆堆的距离数据，根据相似三角形法则计算出矿石的实际尺寸，统计各直径区间矿石块数量得到块度分布率。
2.根据权利要求1所述基于YOLOV5图像识别算法和深度相机的矿石块度检测方法，其特征在于，新增的一组Anchor设置值为[5,6, 8,14, 15,11]。
3.根据权利要求1所述基于YOLOV5图像识别算法和深度相机的矿石块度检测方法，其特征在于，新增加的上采样模块为
[-1, 1, Conv, [256, 1, 1]]；
[-1, 1, nn.Upsample, [None, 2, 'nearest']]；
[[-1, 2], 1, Concat, [1]]；
[-1, 3, BottleneckCSP, [256, False]]。
4.根据权利要求1所述基于YOLOV5图像识别算法和深度相机的矿石块度检测方法，其特征在于，新增的融合层为
[-1, 1, Conv, [256, 3, 2]]；
[[-1, 18], 1, Concat, [1]]；
[-1, 3, BottleneckCSP, [256, False]]。
5.根据权利要求1所述基于YOLOV5图像识别算法和深度相机的矿石块度检测方法，其特征在于，检测层更新为[[21, 24, 27, 30], 1, Detect, [nc, anchors]]。
6.根据权利要求1所述基于YOLOV5图像识别算法和深度相机的矿石块度检测方法，其特征在于，自适应阈值化算法的局部区域的尺寸为标记框的短边。
7.根据权利要求1所述基于YOLOV5图像识别算法和深度相机的矿石块度检测方法，其特征在于，使用相似三角形法则计算矿石实际尺寸。
CN202211101572.XA 2022-09-09 2022-09-09 一种基于yolov5图像识别算法和深度相机的矿石块度检测方法 Pending CN115565024A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211101572.XA CN115565024A (zh) 2022-09-09 2022-09-09 一种基于yolov5图像识别算法和深度相机的矿石块度检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211101572.XA CN115565024A (zh) 2022-09-09 2022-09-09 一种基于yolov5图像识别算法和深度相机的矿石块度检测方法

Publications (1)

Publication Number Publication Date
CN115565024A true CN115565024A (zh) 2023-01-03

Family

ID=84741071

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211101572.XA Pending CN115565024A (zh) 2022-09-09 2022-09-09 一种基于yolov5图像识别算法和深度相机的矿石块度检测方法

Country Status (1)

Country Link
CN (1) CN115565024A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116733472A (zh) * 2023-06-05 2023-09-12 江西华丽丰科技有限公司 一种基于智能算法的金属矿石采选控制系统
CN117274193A (zh) * 2023-09-21 2023-12-22 中铁十九局集团矿业投资有限公司 一种基于人工智能的铜矿数据分析方法及系统
CN117611829A (zh) * 2024-01-24 2024-02-27 三一重型装备有限公司 井下矿石图像的分割方法、装置、作业机械及电子设备
CN116733472B (zh) * 2023-06-05 2024-06-04 江西华丽丰科技有限公司 一种基于智能算法的金属矿石采选控制系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116733472A (zh) * 2023-06-05 2023-09-12 江西华丽丰科技有限公司 一种基于智能算法的金属矿石采选控制系统
CN116733472B (zh) * 2023-06-05 2024-06-04 江西华丽丰科技有限公司 一种基于智能算法的金属矿石采选控制系统
CN117274193A (zh) * 2023-09-21 2023-12-22 中铁十九局集团矿业投资有限公司 一种基于人工智能的铜矿数据分析方法及系统
CN117611829A (zh) * 2024-01-24 2024-02-27 三一重型装备有限公司 井下矿石图像的分割方法、装置、作业机械及电子设备

Similar Documents

Publication Publication Date Title
CN115565024A (zh) 一种基于yolov5图像识别算法和深度相机的矿石块度检测方法
Wu et al. Road pothole extraction and safety evaluation by integration of point cloud and images derived from mobile mapping sensors
CN109101924B (zh) 一种基于机器学习的路面交通标志识别方法
CN106875381B (zh) 一种基于深度学习的手机外壳缺陷检测方法
CN109377485B (zh) 一种方便面包装缺陷机器视觉检测方法
CN107424142B (zh) 一种基于图像显著性检测的焊缝识别方法
CN108257128B (zh) 一种基于3d卷积神经网络的肺结节检测装置的建立方法
CN103049763B (zh) 一种基于上下文约束的目标识别方法
CN108921120B (zh) 一种适应广泛零售场景下的香烟识别方法
CN114998852A (zh) 一种基于深度学习的公路路面病害智能检测方法
CN112017164A (zh) 基于深度阈值卷积模型的土石料级配检测方法
Guo et al. A method of blasted rock image segmentation based on improved watershed algorithm
Kanaeva et al. Road pavement crack detection using deep learning with synthetic data
CN112560941A (zh) 基于图像检测的煤矸识别方法
Li et al. Pixel-level recognition of pavement distresses based on U-Net
CN111091071B (zh) 基于探地雷达双曲波拟合的地下目标检测方法及系统
CN107516315B (zh) 一种基于机器视觉的掘进机出渣监测方法
CN105184317A (zh) 一种基于svm分类的车牌字符分割方法
CN112102287B (zh) 一种基于图像的生球裂纹自动检测与识别方法
Park et al. Patch-based crack detection in black box road images using deep learning
Zhang et al. Segmentation algorithm of complex ore images based on templates transformation and reconstruction
Zhang et al. Intelligent analysis method of dam material gradation for asphalt-core rock-fill dam based on enhanced Cascade Mask R-CNN and GCNet
CN108319927B (zh) 一种自动识别病害的方法
CN116402753A (zh) 一种基于改进的YOLOv5的钢材缺陷检测方法
CN113780069B (zh) 一种汇流场景下的车道线分离绘制方法及装置

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