CN115731519A - 一种非接触式全尾砂膏体搅拌均匀度监测方法及系统 - Google Patents
一种非接触式全尾砂膏体搅拌均匀度监测方法及系统 Download PDFInfo
- Publication number
- CN115731519A CN115731519A CN202211487680.5A CN202211487680A CN115731519A CN 115731519 A CN115731519 A CN 115731519A CN 202211487680 A CN202211487680 A CN 202211487680A CN 115731519 A CN115731519 A CN 115731519A
- Authority
- CN
- China
- Prior art keywords
- paste
- area
- image
- uneven
- uniform
- 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
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种非接触式全尾砂膏体搅拌均匀度监测方法及系统,属于矿山充填技术领域。所述方法包括:在连续式搅拌机进行膏体制备的过程中,持续采集膏体表面图像;使用深度学习方法对采集的膏体表面图像进行处理,分割出非膏体区域和膏体不均匀区域;根据分割出的非膏体区域和膏体不均匀区域,确定膏体搅拌均匀度。采用本发明,能够在保证膏体搅拌均匀度量化精度的同时,实现膏体搅拌均匀度的实时量化。
Description
技术领域
本发明涉及矿山充填技术领域,特别是指一种非接触式全尾砂膏体搅拌均匀度监测方法及系统。
背景技术
膏体充填技术是矿山充填领域的关键技术,包括尾砂浓密、膏体搅拌、管道输送、充填固化四大工艺环节。搅拌环节需要使用连续式搅拌机将全尾砂与胶结剂、粗骨料及改性剂等胶凝材料充分混合,使其均匀分散,获得流动性良好且充填强度高的优质膏体。但全尾砂属于细粒度物料,分散较为困难,不均匀的膏体表面会存在未完全打散的材料块,有经验的工程师可通过现场观察制备好的膏体表面特征估计搅拌情况。到目前为止,尚无对膏体搅拌均匀度实现实时量化的方法,难以及时优化搅拌机构型、功率等工艺参数,膏体搅拌性能提升困难。
综上所述,目前基于连续式搅拌机制备膏体的充填工艺存在如下问题:
(1)上游采矿工艺参数波动会影响充填过程,搅拌环节需要及时调整;
(2)搅拌环节无法实现有效的均匀度监测,膏体质量难以实时量化,无法快速有效地实现工艺调控;
(3)搅拌图像数据量不足,难以达到较高的检测精度。
发明内容
本发明实施例提供了非接触式全尾砂膏体搅拌均匀度监测方法及系统,能够在保证膏体搅拌均匀度量化精度的同时,实现膏体搅拌均匀度的实时量化。所述技术方案如下:
一方面,提供了一种非接触式全尾砂膏体搅拌均匀度监测方法,包括:
在连续式搅拌机进行膏体制备的过程中,持续采集膏体表面图像;
使用深度学习方法对采集的膏体表面图像进行处理,分割出非膏体区域和膏体不均匀区域;
根据分割出的非膏体区域和膏体不均匀区域,确定膏体搅拌均匀度。
进一步地,所述在连续式搅拌机进行膏体制备的过程中,持续采集膏体表面图像包括:
在连续式搅拌机进行膏体制备的过程中,通过设置在连续式搅拌机上方的图像采集模块持续采集膏体表面图像。
进一步地,所述使用深度学习方法对采集的膏体表面图像进行处理,分割出非膏体区域和膏体不均匀区域包括:
对采集到的膏体表面图像进行直方图均衡化预处理,并将图像大小缩放到m*n,将缩放后的图像使用overlap-tile策略裁剪成若干个k*k大小的图像,利用预先训练好的非膏体区域分割模型对每个裁剪后的图像进行分割后,使用overlap-tile策略将分割结果拼接回m*n大小,得到图像中的非膏体区域;其中,k≤m,k≤n;
对采集到的膏体表面图像进行灰度化预处理,并将图像大小缩放到p*q,将缩放后的图像使用overlap-tile策略裁剪成若干个r*r大小的图像,利用预先训练好的膏体不均匀区域分割模型对每个裁剪后的图像进行分割后,使用overlap-tile策略将分割结果拼接回p*q大小,得到图像中的膏体不均匀区域;其中,r≤p,r≤q。
进一步地,非膏体区域分割模型中的分割指:将裁剪后的图像中的非膏体区域进行标记;其中,非膏体区域指图像中不属于膏体部分的所有区域,包括:搅拌机桨叶、搅拌槽边缘以及其它遮挡摄像头视野的物体所在的区域。
进一步地,膏体不均匀区域分割模型中的分割指:将裁剪后的图像中的不均匀区域通过深度学习方法进行标记;其中,不均匀区域指膏体表面呈波纹状的凸起部分和分层部分。
进一步地,所述根据分割出的非膏体区域和膏体不均匀区域,确定膏体搅拌均匀度包括:
计算出膏体表面图像中膏体不均匀区域占膏体区域总面积的比例p;
根据桨叶位置确定当前桨叶位置下膏体不均匀区域占膏体区域总面积的比例p的高斯分布;
根据当前桨叶位置下膏体不均匀区域占比的高斯分布,得到其概率分布函数F,将膏体不均匀区域占膏体区域总面积的比例p作为自变量输入所述概率分布函数F中,计算得到膏体搅拌均匀度I=1-F(p)。
进一步地,所述计算出膏体表面图像中膏体不均匀区域占膏体区域总面积的比例p包括:
将膏体不均匀区域分割的结果图等比例缩放到与非膏体区域分割结果图相同的大小,将其中膏体不均匀区域与非膏体区域分割结果图中的非膏体区域重叠的部分去除,计算剩余膏体不均匀区域的像素数得到膏体不均匀区域的面积s0;
将图像总像素数减去非膏体区域分割结果中非膏体区域的像素数,得到膏体区域的总面积s1;
利用膏体不均匀区域的面积s0除以膏体区域的总面积得到膏体不均匀区域占膏体区域总面积的比例=s0/s1。
另一方面,还提供了一种非接触式全尾砂膏体搅拌均匀度监测系统,包括:
图像采集模块,用于在连续式搅拌机进行膏体制备的过程中,持续采集膏体表面图像;
图像分析模块,使用深度学习方法对采集的膏体表面图像进行处理,分割出非膏体区域和膏体不均匀区域,根据分割出的非膏体区域和膏体不均匀区域,确定膏体搅拌均匀度。
本发明实施例提供的技术方案带来的有益效果至少包括:
本发明实施例中,在连续式搅拌机进行膏体制备的过程中,持续采集膏体表面图像;使用深度学习方法对采集的膏体表面图像进行处理,分割出非膏体区域和膏体不均匀区域;根据分割出的非膏体区域和膏体不均匀区域,确定膏体搅拌均匀度。这样,基于计算机视觉和深度学习,并通过均匀度指标实现了膏体搅拌均匀度的精确定量计算和对搅拌过程的远程监控,有利于提高膏体充填的精细化制备水平;从而解决了膏体搅拌均匀度难以实时量化监测的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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为本发明实施例提供的非接触式全尾砂膏体搅拌均匀度监测系统的结构示意图;
图2为本发明实施例提供的非接触式全尾砂膏体搅拌均匀度监测方法的流程示意图;
图3为本发明实施例提供的非接触式全尾砂膏体搅拌均匀度监测方法的详细流程示意图;
图4为本发明实施例提供的非膏体区域分割模型、膏体不均匀区域分割模型和高斯过程模型的训练流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
本发明实施例提供了一种非接触式全尾砂膏体搅拌均匀度监测方法,还提供了一种对应的监测系统,如图1所示,包括:
图像采集模块,用于在连续式搅拌机进行膏体制备的过程中,持续采集膏体表面图像;
图像分析模块,使用深度学习方法对采集的膏体表面图像进行处理,分割出非膏体区域和膏体不均匀区域,根据分割出的非膏体区域和膏体不均匀区域,确定膏体搅拌均匀度。
本实施例中,如图1所示,所述监测系统还包括:搅拌系统,其中,所述搅拌系统包括:连续式搅拌机;搅拌系统中的连续式搅拌机一端连接物料入料端,另一端为膏体出料端,其中,物料入料端为尾砂浆、胶凝材料及添加剂等的入料口。
本实施例中,图像采集模块连接图像分析模块,图像采集模块包括:工业摄像机及用于数据传输的工业互联网通信组件;摄像机安装在连续式搅拌机上方,对准制备中的搅拌槽连续拍摄制备中的膏体表观图像;工业互联网通信组件负责将拍摄到的膏体表观图像传输到图像分析模块中,图像分析模块接收图像采集模块发送的图像进行分析,通过计算得到均匀度指标。同时工业互联网通信组件根据需求传递对摄像机采样频率变化及开关的控制信号。
如图2和图3所示,本发明实施例提供了一种非接触式全尾砂膏体搅拌均匀度监测方法,包括:
S101,在连续式搅拌机进行膏体制备的过程中,持续采集膏体表面图像;
本实施例中,在连续式搅拌机进行膏体制备的过程中,通过设置在连续式搅拌机上方的图像采集模块中的摄像机持续采集膏体表面图像,并通过工业互联网通信组件将采集的膏体表面图像传输至图像分析模块中。
本实施例中,摄像机按照一定间隔(如每10秒一张)定期采样,获得膏体表面图像。
S102,使用深度学习方法对采集的膏体表面图像进行处理,分割出非膏体区域和膏体不均匀区域;具体可以包括以下步骤:
A1,非膏体区域分割:对采集到的膏体表面图像进行直方图均衡化预处理,并将图像大小缩放到m*n(例如,384*256),将缩放后的图像使用overlap-tile策略裁剪成若干个k*k(k≤m,k≤n;例如,256*256)大小的图像,利用预先训练好的非膏体区域分割模型对每个裁剪后的图像进行分割后,使用overlap-tile策略将分割结果拼接回m*n大小,得到图像中的非膏体区域;
本实施例中,非膏体区域分割模型中的分割指:将裁剪后的图像中的非膏体区域进行标记,从而识别出非膏体区域;其中,非膏体区域指图像中不属于膏体部分的所有区域,包括:搅拌机桨叶、搅拌槽边缘以及其它遮挡摄像头视野的物体所在的区域。
A2,膏体不均匀区域分割:对采集到的膏体表面图像进行灰度化预处理,并将图像大小缩放到p*q(例如,1536*1024),将缩放后的图像使用overlap-tile策略裁剪成若干个r*r(r≤p,r≤q;例如,512*512)大小的图像,利用预先训练好的膏体不均匀区域分割模型对每个裁剪后的图像进行分割后,使用overlap-tile策略将分割结果拼接回p*q大小,得到图像中的膏体不均匀区域。
本实施例中,膏体不均匀区域分割模型中的分割指:将裁剪后的图像中的不均匀区域通过深度学习方法进行标记,从而识别出膏体不均匀区域;其中,不均匀区域指膏体表面呈波纹状的凸起部分和分层部分。
本实施例中,利用预先训练好的非膏体区域分割模型和膏体不均匀区域分割模型,对膏体分别进行非膏体区域分割和膏体不均匀区域分割。因此,非膏体区域分割模型和膏体不均匀区域分割模型需要在部署前进行训练。如图4所示,两个模型均使用Deeplab v3模型,使用unified focal loss损失函数和adam优化器,在学习率为2*10-5的条件下分别进行训练。非膏体区域分割模型使用手工标记好的非膏体区域训练数据,对训练数据中的原始图像进行直方图均衡化预处理,并将图像大小缩放到384*256,再随机裁剪出大小为256*256的区域作为输入,进行75个轮次的训练;膏体不均匀区域分割模型使用手工标记好的膏体不均匀区域训练数据,对训练数据中的原始图像进行灰度化预处理,并将图像大小缩放到1536*1024,再随机裁剪出大小为512*512的区域作为输入,进行250个轮次的训练。
S103,根据分割出的非膏体区域和膏体不均匀区域,确定膏体搅拌均匀度,具体可以包括以下步骤:
B1,计算膏体区域中不均匀区域面积占膏体区域总面积的比例p(即:膏体不均匀区域占比):计算出膏体表面图像中膏体不均匀区域占膏体区域总面积的比例p;具体可以包括以下步骤:
B11,将膏体不均匀区域分割的结果图等比例缩放到与非膏体区域分割结果图相同的大小,将其中膏体不均匀区域与非膏体区域分割结果图中的非膏体区域重叠的部分去除,计算剩余膏体不均匀区域的像素数得到膏体不均匀区域的面积s0;
B12,将图像总像素数减去非膏体区域分割结果中非膏体区域的像素数,得到膏体区域的总面积s1;
B13,利用膏体不均匀区域的面积s0除以膏体区域的总面积得到膏体不均匀区域占膏体区域总面积的比例p=s0/s1。
B2,根据桨叶位置确定当前桨叶位置下当前膏体表面图像对应的膏体不均匀区域占膏体区域总面积的比例p的高斯分布;具体可以包括以下步骤:
B21,确定非膏体区域中的桨叶位置:将预先确定好的桨叶模板与非膏体区域分割的结果进行匹配,找到最佳匹配,将该匹配位置的左上角的纵坐标数值作为该图像的桨叶位置的数值pos;
B22,确定当前桨叶位置下的膏体不均匀区域占比分布:利用预先训练好的高斯过程模型,将桨叶位置pos作为输入,得到一个高斯分布输出;其中,该高斯分布即为当前桨叶位置下膏体不均匀区域占比p的高斯分布。
本实施例中,从训练好的高斯过程模型中找到该桨叶位置对应的高斯分布。
本实施例中,高斯过程模型需要在部署前进行训练。如图4所示,训练使用的数据为前述非膏体区域分割模型和膏体不均匀区域分割模型对图像分割后,按照步骤B1计算得到的膏体区域中不均匀区域面积占膏体区域总面积的比例p,利用gpytorch框架,使用反向传播的方式,对高斯过程模型中的length-scale、output-scale等超参数进行训练。训练使用adam优化器,学习率为0.1,进行75个轮次的训练。
B3,计算不均匀度指标:根据当前桨叶位置下膏体不均匀区域占比的高斯分布,得到其概率分布函数F,将膏体不均匀区域占膏体区域总面积的比例p作为自变量输入所述概率分布函数F中,计算得到膏体搅拌均匀度I=1-F(p)。
本实施例中,通过计算当前膏体不均匀区域占比p在高斯分布模型下的概率分布函数的结果,得到均匀度指标I。根据均匀度指标I偏离该高斯分布的均值的程度判断膏体是否均匀;具体的:
若概率分布结果小于等于0.682,则表明当前的膏体不均匀区域占比p小于均值或偏离均值程度小于一个标准差,视为均匀;
若概率分布函数结果大于0.682且小于等于0.954,则表明当前的膏体不均匀区域占比p偏离均值程度大于一个标准差小于两个标准差,视为比较不均匀;
若概率分布函数结果大于0.954,则表明当前的膏体不均匀区域占比p偏离均值程度大于两个标准差,视为不均匀。
本实施例中,S102和S103在图像分析模块中执行。
本发明实施例所述的非接触式全尾砂膏体搅拌均匀度监测方法,至少具有以下有益效果:
1)本发明实施例所提供的系统和方法是一种膏体制备场景下的非接触式膏体搅拌均匀度监测系统及方法,该系统及方法基于计算机视觉和深度学习,并通过均匀度指标实现了膏体搅拌均匀度的精确定量计算和对搅拌过程的远程监控,有利于提高膏体充填的精细化制备水平;从而解决了膏体搅拌均匀度难以实时量化监测的问题。
2)本发明实施例所提供的系统和方法实现了对目前矿山主流的连续式膏体搅拌设备进行可视化、数字化搅拌质量检测,具有自动化程度高、检测速度快的特点,可为矿山膏体充填料浆制备质量控制提供技术指导,具有重要的实用价值和理论意义,适用于有色、黑色、贵金属、稀有金属等各种采用胶结充填的矿山企业。
3)本发明实施例所提供的系统和方法具有可靠性高、实时监测等优点,提高了制备的膏体质量,保证了充填料浆的高质量制备,具有耗能低、自动化水平高、易于部署等优势,可以降低充填管理成本。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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,均应包含在本发明的保护范围之内。
Claims (8)
1.一种非接触式全尾砂膏体搅拌均匀度监测方法,其特征在于,包括:
在连续式搅拌机进行膏体制备的过程中,持续采集膏体表面图像;
使用深度学习方法对采集的膏体表面图像进行处理,分割出非膏体区域和膏体不均匀区域;
根据分割出的非膏体区域和膏体不均匀区域,确定膏体搅拌均匀度。
2.根据权利要求1所述的非接触式全尾砂膏体搅拌均匀度监测方法,其特征在于,所述在连续式搅拌机进行膏体制备的过程中,持续采集膏体表面图像包括:
在连续式搅拌机进行膏体制备的过程中,通过设置在连续式搅拌机上方的图像采集模块持续采集膏体表面图像。
3.根据权利要求1所述的非接触式全尾砂膏体搅拌均匀度监测方法,其特征在于,所述使用深度学习方法对采集的膏体表面图像进行处理,分割出非膏体区域和膏体不均匀区域包括:
对采集到的膏体表面图像进行直方图均衡化预处理,并将图像大小缩放到m*n,将缩放后的图像使用overlap-tile策略裁剪成若干个k*k大小的图像,利用预先训练好的非膏体区域分割模型对每个裁剪后的图像进行分割后,使用overlap-tile策略将分割结果拼接回m*n大小,得到图像中的非膏体区域;其中,k≤m,k≤n;
对采集到的膏体表面图像进行灰度化预处理,并将图像大小缩放到p*q,将缩放后的图像使用overlap-tile策略裁剪成若干个r*r大小的图像,利用预先训练好的膏体不均匀区域分割模型对每个裁剪后的图像进行分割后,使用overlap-tile策略将分割结果拼接回p*q大小,得到图像中的膏体不均匀区域;其中,r≤p,r≤q。
4.根据权利要求3所述的非接触式全尾砂膏体搅拌均匀度监测方法,其特征在于,非膏体区域分割模型中的分割指:将裁剪后的图像中的非膏体区域进行标记;其中,非膏体区域指图像中不属于膏体部分的所有区域,包括:搅拌机桨叶、搅拌槽边缘以及其它遮挡摄像头视野的物体所在的区域。
5.根据权利要求3所述的非接触式全尾砂膏体搅拌均匀度监测方法,其特征在于,膏体不均匀区域分割模型中的分割指:将裁剪后的图像中的不均匀区域通过深度学习方法进行标记;其中,不均匀区域指膏体表面呈波纹状的凸起部分和分层部分。
6.根据权利要求1所述的非接触式全尾砂膏体搅拌均匀度监测方法,其特征在于,所述根据分割出的非膏体区域和膏体不均匀区域,确定膏体搅拌均匀度包括:
计算出膏体表面图像中膏体不均匀区域占膏体区域总面积的比例p;
根据桨叶位置确定当前桨叶位置下膏体不均匀区域占膏体区域总面积的比例p的高斯分布;
根据当前桨叶位置下膏体不均匀区域占比的高斯分布,得到其概率分布函数F,将膏体不均匀区域占膏体区域总面积的比例p作为自变量输入所述概率分布函数F中,计算得到膏体搅拌均匀度I=1-F(p)。
7.根据权利要求6所述的非接触式全尾砂膏体搅拌均匀度监测方法,其特征在于,所述计算出膏体表面图像中膏体不均匀区域占膏体区域总面积的比例p包括:
将膏体不均匀区域分割的结果图等比例缩放到与非膏体区域分割结果图相同的大小,将其中膏体不均匀区域与非膏体区域分割结果图中的非膏体区域重叠的部分去除,计算剩余膏体不均匀区域的像素数得到膏体不均匀区域的面积s0;
将图像总像素数减去非膏体区域分割结果中非膏体区域的像素数,得到膏体区域的总面积s1;
利用膏体不均匀区域的面积s0除以膏体区域的总面积得到膏体不均匀区域占膏体区域总面积的比例=s0/s1。
8.一种非接触式全尾砂膏体搅拌均匀度监测系统,其特征在于,包括:
图像采集模块,用于在连续式搅拌机进行膏体制备的过程中,持续采集膏体表面图像;
图像分析模块,使用深度学习方法对采集的膏体表面图像进行处理,分割出非膏体区域和膏体不均匀区域,根据分割出的非膏体区域和膏体不均匀区域,确定膏体搅拌均匀度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211487680.5A CN115731519A (zh) | 2022-11-25 | 2022-11-25 | 一种非接触式全尾砂膏体搅拌均匀度监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211487680.5A CN115731519A (zh) | 2022-11-25 | 2022-11-25 | 一种非接触式全尾砂膏体搅拌均匀度监测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115731519A true CN115731519A (zh) | 2023-03-03 |
Family
ID=85298252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211487680.5A Pending CN115731519A (zh) | 2022-11-25 | 2022-11-25 | 一种非接触式全尾砂膏体搅拌均匀度监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115731519A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117476124A (zh) * | 2023-11-09 | 2024-01-30 | 山东德宜新材料有限公司 | 一种聚偏氟乙烯助剂加注智能控制管理系统 |
-
2022
- 2022-11-25 CN CN202211487680.5A patent/CN115731519A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117476124A (zh) * | 2023-11-09 | 2024-01-30 | 山东德宜新材料有限公司 | 一种聚偏氟乙烯助剂加注智能控制管理系统 |
CN117476124B (zh) * | 2023-11-09 | 2024-04-30 | 山东德宜新材料有限公司 | 一种聚偏氟乙烯助剂加注智能控制管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114266989A (zh) | 一种混凝土拌合物和易性测定方法和装置 | |
CN114565561A (zh) | 基于深度学习的混凝土配方调整方法、装置及可读介质 | |
CN115731519A (zh) | 一种非接触式全尾砂膏体搅拌均匀度监测方法及系统 | |
CN110415230B (zh) | 一种基于深度学习的ct切片图像语义分割系统及方法 | |
WO2021007871A1 (zh) | 一种基于云边协同的氧化铝生产运行优化系统及方法 | |
CN112348122A (zh) | 可行驶区域的标注方法、装置和电子设备 | |
CN108647722B (zh) | 一种基于过程尺寸特征的锌矿品位软测量方法 | |
CN110363355B (zh) | 一种氧化铝生产指标的云-边协同预报系统及方法 | |
US20210065021A1 (en) | Working condition state modeling and model correcting method | |
CN112541427B (zh) | 一种优质重型废钢的识别和料量评估方法 | |
CN112419397B (zh) | 一种基于图像和深度神经网络的矿石粒度分级方法及系统 | |
CN113837193B (zh) | 一种基于改进U-Net网络的锌浮选泡沫图像分割方法 | |
CN117218118B (zh) | 基于图像序列的坍落度监测方法、装置及可读介质 | |
CN112329782A (zh) | 一种原料粒度确定方法、系统、终端及介质 | |
CN101739556A (zh) | 钢坯号自动识别方法 | |
WO2023168899A1 (zh) | 圆锥破碎机排料口尺寸智能调整方法、装置及可读介质 | |
CN108931621B (zh) | 一种基于过程纹理特征的锌矿品位软测量方法 | |
CN102375907A (zh) | 用于预测或确定冲压件上的凹缩的方法 | |
CN116468990B (zh) | 一种基于集中判图的任务随机派发智能管理系统及方法 | |
CN115953687A (zh) | 基于遥感技术的小微水体受损等级划分方法和装置 | |
CN115861235A (zh) | 一种基于多特征数据融合的浮选尾煤灰分预测方法 | |
CN114863313A (zh) | 一种基于图像识别的水处理过程监控方法 | |
CN104007273A (zh) | 一种河流泥沙含量的监测设备及其测算方法 | |
CN114170427A (zh) | 基于雨胞的无线微波雨衰减模型ssim图像相似度评价方法 | |
CN106774085B (zh) | 一种沥青混合料生产质量远程监控系统及方法 |
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 |