CN116452506A - 一种基于机器学习的井下煤矸石智能视觉识别分选方法 - Google Patents
一种基于机器学习的井下煤矸石智能视觉识别分选方法 Download PDFInfo
- Publication number
- CN116452506A CN116452506A CN202310250068.4A CN202310250068A CN116452506A CN 116452506 A CN116452506 A CN 116452506A CN 202310250068 A CN202310250068 A CN 202310250068A CN 116452506 A CN116452506 A CN 116452506A
- Authority
- CN
- China
- Prior art keywords
- image
- ore
- gray
- hyperplane
- pixel
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 8
- 238000000926 separation method Methods 0.000 title claims abstract description 6
- 230000000007 visual effect Effects 0.000 title claims abstract description 6
- 238000000034 method Methods 0.000 claims abstract description 37
- 239000003245 coal Substances 0.000 claims abstract description 30
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000000877 morphologic effect Effects 0.000 claims abstract description 6
- 238000012706 support-vector machine Methods 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 239000002699 waste material Substances 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 2
- 238000005260 corrosion Methods 0.000 claims description 2
- 238000006073 displacement reaction Methods 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 abstract description 4
- 238000013145 classification model Methods 0.000 abstract description 3
- 238000006243 chemical reaction Methods 0.000 abstract 1
- 230000011218 segmentation Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 7
- 238000005286 illumination Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003707 image sharpening Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06V10/30—Noise filtering
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及的是一种基于机器学习的井下煤矸石智能视觉识别分选方法。通过对图像采集设备在井下传送带上获取矿石图像,进行分割、平滑滤波与锐化增强以滤除高斯噪声干扰;采用直方图均衡化和形态学开闭运算进行灰度变换,增加图像对比度,祛除细小噪声;采集图像分成细胞单元中各像素点的梯度或边缘方向直方图,直方图组合起来提取图像HOG特征;使用SVM对矿石HOG特征进行分类,识别矿石所属类别,统计矿石识别结果,保存并输出矿石对应种类。本方法能在真实的井下环境中提取矿石图像特征,提高分类模型的鲁棒性和识别准确率,提升系统图像处理速度和识别的效率,适用于井下煤矸石筛选领域。
Description
技术领域
本发明属于图像处理以及目标识别技术领域,具体涉及一种工业应用中井下煤与矸石的智能视觉识别方法。
背景技术
煤是我国主要的能源物质,而矸石是成煤过程中伴生的一种物质,由于煤矸石发热值低,会极大得影响成煤质量,故煤矸石筛选是煤矿生产中的一个重要环节,也是清洁煤技术应用中的重中之重。
目前工业应用的普遍选矸方法,诸如人工选矸、机械湿选等技术,都无法兼顾高效性以及安全性。人工选矸比较依赖工人经验,长时间井下工作会导致工人注意力下降,影响分选正确率,也会危害工人的身体健康。我国的煤矿主要分布在北方,这限制了机械湿选法的应用,该方法需要大量的水资源。针对上述方法产生的弊端,本发明重点研究基于计算机视觉和机器学习的煤矸石识别分类方法,对井下采集得到的煤矸石图像进行预处理,利用图像的HOG(方向梯度直方图)特征,采用SVM(支持向量机)分类器对煤和矸石进行精准识别。这种方法可以降低对于人工的依赖性,且提高煤矸石分选的效率。
目前煤矸石识别领域存在一些问题,例如井下多粉尘多噪声,环境阴暗空气潮湿,不同地质条件下的煤矸石形态差异较大,这些情况都会导致在实际的井下应用场景中,采集的煤矸石的图像质量极易受到环境条件的影响,分类模型的抗干扰性差,在复杂条件交叉影响下的识别准确率较低。
本发明提出了一种基于机器学习的煤矸石识别方法,适用于井下矸石分选领域。
发明内容
本发明针对现有技术中的上述问题,结合目前在计算机视觉领域表现优异的基于特征分类的图像处理方法,提出一种基于计算机视觉与机器学习的井下煤矸石智能识别方法。该方法能在真实的井下环境中提取矿石图像特征,提高分类模型的鲁棒性和识别准确率,提升系统图像处理速度和识别的效率,适用于井下煤矸石筛选领域。
为了达到上述目的,本发明采用的技术方案如下:
本发明涉及一种基于机器学习的井下煤矸石智能视觉识别分选方法,包括以下步骤:
步骤(1)、通过图像采集设备在井下传送带上获取矿石图像,进行拉普拉斯增强和高斯滤波;
步骤(2)、对处理后的煤矸石图像进行形态学处理;
步骤(3)、对检测过后的图像进行HOG特征提取;
步骤(4)、根据特征运用SVM识别矿石种类;
步骤(5)、统计结果,将数据保存;
本发明的有益效果是,该方法在增加煤与矸石识别的效率、降低矿石识别对人工的依赖性的情况下,还能保证识别准确率,对矸石或者其他采矿废料的分选筛除有一定的参考价值。
附图说明
下面结合附图和实施例对本发明进一步说明:
图1为本发明实施例的总体流程图;
图2为本发明灰度拉伸、平滑滤波效果图(图像增强、平滑滤波效果图);
图3为本发明使用的特征可视化图(T-SNE特征可视化图);
图4为本发明使用的SVM示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明,以下实施例不构成对本发明的限定。
如图1所示,本发明方法的实施流程具体包括以下步骤:
S1010:通过井下摄像机采集得到矿石图像数据,对采集得到的图像做降噪、增强。
井下环境存在光照条件不足的情况,会导致所采集图像灰暗、对比度偏低,从而丢失矿石的纹理细节。因此,本发明采用拉普拉斯算子进行图像增强来提升图像中煤矸石块表面的明暗度,更好地表达煤矸石石块表面的细节信息。囿于其特殊性质,拉普拉斯算子也会增强图像中的噪声,所以本发明在采取的方案是在图像增强前先降噪。由于井下的大多数噪声为高斯噪声,故对采集的图像使用高斯滤波会得到比较好的效果。高斯滤波本质上是对图像进行加权平均的过程,其公式(1)具体如下:
其中,以图像中某一像素点(x,y)为例,△x2+△y2表示以(x,y)为中心的9个像素点(包括中心点本身)到该像素点的距离,σ表示高斯函数的标准差,通常根据具体实验预先设为固定值,根据公式(1)计算并归一化,得到本方法采用的3*3高斯核。
再将高斯核与图像上每一个像素点(x,y)的灰度值f(x,y)进行卷积,即可得到降噪后的该像素点的灰度g(x,y)。即每一个像素点的值,都是通过将本身与其邻域内其他像素点加权平均得到的。
其后采用拉普拉斯算子对灰度图像进行空间平滑滤波增强,消除在井下不充分光照条件下造成的光线不均匀,局部高亮导致的纹理丢失的问题。图像锐化处理的作用是使灰度反差增强,从而使模糊图像变得更加清晰。运算过程中,将图像中的每一个像素(x,y)的灰度值g(x,y)作为输入,经过拉普拉斯算子运算得到掩膜矩阵,其最终锐化公式(2)具体如下:
其中末项为如下公式(3):
此时,原像素点(x,y)的灰度值由g(x,y)变为h(x,y),即锐化后图像灰度矩阵为H,图像通过降噪和增强后的效果图如图1所示。
S1110:采用直方图均衡化增强对比度,运用形态学操作进一步去除图像细微噪声干扰。
由于受工业应用场景设备的影响,传送带上采集的图像经过降噪和锐化增强后,常常仍然会有图像过暗的情况,所以本发明采用灰度直方图均衡化来增强对比度。图像的灰度直方图表征的是该图像的灰度分布。如果图像的灰度直方图几乎覆盖了整个灰度的取值范围,并且除了个别灰度值的个数较为突出,整个灰度值分布近似于均匀分布,那么这幅图像就具有较大的灰度动态范围和较高的对比度,同时图像的细节更为丰富。由于井下不充分的光照条件,需要使用直方图均衡化来进一步增强图像。已经证明,仅仅依靠输入图像的直方图信息,就可以得到一个变换函数,利用该变换函数可以将输入图像达到上述效果,该过程就是直方图均衡化。公式(4)为:
灰度为i的像素记其灰度级为ri,其在图像中的出现次数是ni,p(ri)即为灰度级ri在图像中出现的概率,由ni除以图像像素总数N得来。如此将灰度级为rk的累计概率分布与原图灰度级范围255运算,即可得到映射后的灰度sk。图像灰度矩阵由H经过直方图均衡化后变为S。
由于传送带长时间使用过程中存在大量煤矸石废渣,表现为图像上的细小成像和噪声,影响图像质量,不利于图像的特征表达,因此本发明引入开运算处理这一情况,同时进一步处理因光照条件产生的噪声。在数学形态学中,开运算被定义为先腐蚀后膨胀,它具有消除细小物体,在纤细处分离物体和平滑较大物体边界的作用,其公式为:
其中⊙和分别为腐蚀和膨胀,A为处理之前的图像,其灰度矩阵即为S,C为操作核,C在S上平移,C中的原点就相当于卷积核的核中心,结果也是存储在核中心对应位置的元素上。⊙腐蚀是C与任一像素点(x,y)的8邻域灰度值做矩阵减法,并把所得矩阵中最小的值作为(x,y)像素点的操作后灰度值,/>膨胀时则取所得矩阵的最大值更新(x,y)像素点的灰度值,此时进行操作后的图像灰度矩阵为T。如此达到在总的位置、形状和面积不变的情况下,除去孤立的小点,毛刺的目标。经过直方图均衡化和形态学操作以后的效果图如图2所示。
S1140:对预处理过的图像进行HOG特征提取。
方向梯度直方图通过计算和统计图像局部区域的梯度方向直方图来构成特征,在一副图像中,局部目标的表象和形状能够被梯度或边缘的方向密度分布很好地描述。首先将图像分成小的连通区域,即细胞单元,然后采集细胞单元中各像素点的梯度的或边缘的方向直方图。最后把这些直方图组合起来就可以构成特征描述器作为矿石表面纹理特征提取的一部分。
应用HOG描述符提取矿石纹理特征具有以下优点。首先,该方法在图像的局部方格上分别做运算,所以具备极好的几何不变性和光照不变性,这既适应井下复杂的光照条件,也能很好得提取形态各异的矿石特征;其次,在粗的空间域抽样、精细的方向抽样以及较强的局部光学归一化等条件下,该描述符允许矿石的形态存在较大的差异,这些差异会被过滤而不会影响最终的检测结果。
为了更好得展示本发明所采用的特征提取方法的有效性,我们随机选择了八十张煤与矸石的图像,经过上述预处理步骤以后,采用HOG描述符提取了图像的特征,并用目前主流的t-SNE方法将其投影到二维空间中,如图3所示,可以看到HOG特征很好的区分开了煤与矸石,同时也说明了本发明的图像预处理工作的有效性,这为接下来的分类工作提供了坚实的基础。
S1160:经过HOG算子提取特征,使用SVM分类器模型进行训练和预测。
采用SVM对特征进行分类,其对应图如图4所示。对每个图像提取出d个用于分类的特征,将其抽象为一个d维列向量pi,并按属性标记为q=1或q=-1(该图像中矿石是煤或煤矸石),即数据集可以(pi,qi)表示其特征以及所属种类。基本的SVM分类过程即是在d维样本空间中,用d-1维超平面将样本空间一分为二,清晰划分不同数据点所代表的图像所属的矿石性质。
超平面可通过如下线性方程来描述公式(6)具体如下:
wTx+b=0 (6)
其中w=(w1,w2,...,wd)为法向量,决定了超平面的方向;b为位移项,决定了超平面与原点之间的距离。由于可能有许多超平面可以把数据分类,因此,SVM力图选择能够使离超平面最近的两类数据点到超平面距离最大的最佳超平面。这种最接近超平面的数据点,也就是最接近分类标准的煤和煤矸石,即为支持向量,也就是对分类标准贡献最高的数据点。通过计算位于超平面两侧最近的煤和煤矸石数据点到超平面的距离,选择使得距离最大的w和b,以确定最佳超平面。
以上描述SVM只能解决线性可分的问题,由于本方法面对的实际应用场景比较复杂,影响因素众多,所以实际采用的是线性SVM的扩展,基于核技巧非线性SVM。核技巧先使用一个变换将原空间的数据映射到新空间(例如更高维甚至无穷维的空间),然后在新空间里用线性方法从训练数据中学习得到模型,如此即可将线性支持向量机推广到非线性支持向量机。如公式(7):
为了兼顾分类准确性和泛化能力,本方法采用带有正则化项的hinge损失函数来实现多类别分类目的,其具体为公式(8):
S1170:SVM对煤矸石HOG特征进行分类之后,输出识别结果,即矿石所属种类。
本文中所描述的具体实例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (1)
1.一种基于机器学习的井下煤矸石智能视觉识别分选方法,其特征在于,包括以下步骤:
步骤(1)、通过图像采集设备在井下传送带上获取矿石图像,对采集得到的图像进行高斯滤波和拉普拉斯处理;高斯滤波本质上是对图像进行加权平均的过程,其公式(1)具体如下:
其中,以图像中某一像素点(x,y)为例,Δx2+Δy2表示以(x,y)为中心的9个像素点(包括中心点本身)到该像素点的距离,σ表示高斯函数的标准差,通常根据具体实验预先设为固定值,根据公式(1)计算并归一化,得到本方法采用的3*3高斯核。
再将高斯核与图像上每一个像素点(x,y)的灰度值f(x,y)进行卷积,即可得到降噪后的该像素点的灰度g(x,y)。即每一个像素点的值,都是通过将本身与其邻域内其他像素点加权平均得到的。
其后采用拉普拉斯算子对图像进行锐化增强。将图像中的每一个像素(x,y)的灰度值g(x,y)作为输入,经过拉普拉斯算子运算得到掩膜矩阵,其最终锐化公式(2)具体如下:
其中末项为如下公式(3):
此时,原像素点(x,y)的灰度值由g(x,y)变为h(x,y),即锐化后图像灰度矩阵为H。
步骤(2)、对处理后的煤矸石图像进行直方图均衡化增强对比度,并运用形态学操作进一步去除图像细微噪声干扰。直方图均衡化具体公式如下:
灰度为i的像素记其灰度级为ri,其在图像中的出现次数是ni,p(ri)即为灰度级ri在图像中出现的概率,由ni除以图像像素总数N得来。如此将灰度级为rk的累计概率分布与原图灰度级范围255运算,即可得到映射后的灰度sk。图像灰度矩阵由H经过直方图均衡化后变为S。
由于传送带长时间使用过程中存在大量煤矸石废渣,表现为图像上的细小成像和噪声,导致图像特征表达变差。采用形态学操作处理这一情况,其具体公式为:
其中⊙和分别为腐蚀和膨胀,A为处理之前的图像,其灰度矩阵即为S,C为操作核,C在S上平移,C中的原点就相当于卷积核的核中心,结果也是存储在核中心对应位置的元素上。⊙腐蚀是C与任一像素点(x,y)的8邻域灰度值做矩阵减法,并把所得矩阵中最小的值作为(x,y)像素点的操作后灰度值,/>膨胀时则取所得矩阵的最大值更新(x,y)像素点的灰度值,此时进行操作后的图像灰度矩阵为T。
步骤(3)、对检测过后的图像进行HOG(方向梯度直方图)特征提取,将图像分成小的连通区域,即细胞单元,然后采集细胞单元中各像素点的梯度的或边缘的方向直方图。最后把这些直方图组合起来就可以构成特征描述器作为矿石表面纹理特征提取的一部分。
步骤(4)、根据HOG算子提取的特征,运用SVM(支持向量机)分类器模型识别矿石种类;采用SVM对特征进行分类。即是对每个图像提取出d个用于分类的特征,将其抽象为一个d维列向量pi,并按属性标记为q=1或q=-1(该图像中矿石是煤或煤矸石),即数据集可以(pi,qi)表示其特征以及所属种类。基本的SVM分类过程即是在d维样本空间中,用d-1维超平面将样本空间一分为二,清晰划分不同数据点所代表的图像所属的矿石性质。
超平面可通过如下线性方程来描述公式(6)具体如下:
wTx+b=0 (6)
其中w=(w1,w2,...,wd)为法向量,决定了超平面的方向;b为位移项,决定了超平面与原点之间的距离。由于可能有许多超平面可以把数据分类,因此,SVM力图选择能够使离超平面最近的两类数据点到超平面距离最大的最佳超平面。这种最接近超平面的数据点,也就是最接近分类标准的煤和煤矸石,即为支持向量,也就是对分类标准贡献最高的数据点。通过计算位于超平面两侧最近的煤和煤矸石数据点到超平面的距离,选择使得距离最大的w和b,以确定最佳超平面。
以上描述SVM只能解决线性可分的问题,由于本方法面对的实际应用场景比较复杂,所以实际采用的是线性SVM的扩展,基于核技巧非线性SVM。核技巧先使用一个变换将原空间的数据映射到新空间(例如更高维甚至无穷维的空间),然后在新空间里用线性方法从训练数据中学习得到模型,如此即可将线性支持向量机推广到非线性支持向量机,其具体公式如下:
为了兼顾分类准确性和泛化能力,本方法采用带有正则化项的hinge损失函数来实现多类别分类目的,其具体为公式(8):
其中m为训练集规模,Li为第i个样本的总得分,L为训练样本的总得分。
步骤(5)、SVM对矿石图像HOG特征进行分类之后,输出并保存识别结果,即矿石所属种类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310250068.4A CN116452506A (zh) | 2023-03-13 | 2023-03-13 | 一种基于机器学习的井下煤矸石智能视觉识别分选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310250068.4A CN116452506A (zh) | 2023-03-13 | 2023-03-13 | 一种基于机器学习的井下煤矸石智能视觉识别分选方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116452506A true CN116452506A (zh) | 2023-07-18 |
Family
ID=87129246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310250068.4A Pending CN116452506A (zh) | 2023-03-13 | 2023-03-13 | 一种基于机器学习的井下煤矸石智能视觉识别分选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116452506A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116977827A (zh) * | 2023-09-25 | 2023-10-31 | 中国检验认证集团山东有限公司 | 一种基于人工智能的铁矿石检测方法和系统 |
CN117011302A (zh) * | 2023-10-08 | 2023-11-07 | 山东济宁运河煤矿有限责任公司 | 一种基于煤矸识别的智能干选系统 |
CN117710377A (zh) * | 2024-02-06 | 2024-03-15 | 中国科学院长春光学精密机械与物理研究所 | 一种基于深度学习算法的cmos的缺陷检测方法 |
-
2023
- 2023-03-13 CN CN202310250068.4A patent/CN116452506A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116977827A (zh) * | 2023-09-25 | 2023-10-31 | 中国检验认证集团山东有限公司 | 一种基于人工智能的铁矿石检测方法和系统 |
CN117011302A (zh) * | 2023-10-08 | 2023-11-07 | 山东济宁运河煤矿有限责任公司 | 一种基于煤矸识别的智能干选系统 |
CN117011302B (zh) * | 2023-10-08 | 2024-01-09 | 山东济宁运河煤矿有限责任公司 | 一种基于煤矸识别的智能干选系统 |
CN117710377A (zh) * | 2024-02-06 | 2024-03-15 | 中国科学院长春光学精密机械与物理研究所 | 一种基于深度学习算法的cmos的缺陷检测方法 |
CN117710377B (zh) * | 2024-02-06 | 2024-05-24 | 中国科学院长春光学精密机械与物理研究所 | 一种基于深度学习算法的cmos的缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107316031B (zh) | 用于行人重识别的图像特征提取方法 | |
CN116452506A (zh) | 一种基于机器学习的井下煤矸石智能视觉识别分选方法 | |
CN107610114B (zh) | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 | |
CN101398894B (zh) | 机动车车牌自动识别方法及其实现装置 | |
US20230289979A1 (en) | A method for video moving object detection based on relative statistical characteristics of image pixels | |
CN108009518A (zh) | 一种基于快速二分卷积神经网络的层次化交通标识识别方法 | |
CN108711149B (zh) | 基于图像处理的矿岩粒度检测方法 | |
CN102298698A (zh) | 基于角点与边缘信息融合的遥感图像飞机检测方法 | |
CN103729856B (zh) | 一种利用s变换信号提取的布匹疵点检测方法 | |
CN110706235A (zh) | 一种基于双级级联分割的远红外行人检测方法 | |
Rabee et al. | License plate detection and recognition in complex scenes using mathematical morphology and support vector machines | |
CN111476804A (zh) | 托辊图像高效分割方法、装置、设备及存储介质 | |
CN112597904A (zh) | 一种用于高炉料面图像的识别与分类方法 | |
CN105354547A (zh) | 一种结合纹理和彩色特征的行人检测方法 | |
CN109507193A (zh) | 一种基于局部对比度增强与二值模式的织物瑕疵检测方法 | |
CN117765287A (zh) | 一种结合lwr和密度聚类的图像目标提取方法 | |
Hua et al. | Image segmentation algorithm based on improved visual attention model and region growing | |
CN117496570A (zh) | 一种基于多尺度卷积的人脸识别方法及系统 | |
CN105512682B (zh) | 一种基于Krawtchouk矩和KNN-SMO分类器的密级标识识别方法 | |
CN108288041B (zh) | 一种行人目标错检去除的预处理方法 | |
Lv et al. | Method to acquire regions of fruit, branch and leaf from image of red apple in orchard | |
Pratama et al. | Big cats classification based on body covering | |
Al-Shemarry et al. | Identifying License Plates in Distorted Vehicle Images: Detecting Distorted Vehicle Licence Plates Using a Novel Preprocessing Methods With Hybrid Feature Descriptors | |
Aung et al. | Study for license plate detection | |
Lu et al. | Clustering based road detection method |
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 |