CN116740499A - 一种基于红外热成像技术的煤矸识别方法 - Google Patents

一种基于红外热成像技术的煤矸识别方法 Download PDF

Info

Publication number
CN116740499A
CN116740499A CN202310702391.0A CN202310702391A CN116740499A CN 116740499 A CN116740499 A CN 116740499A CN 202310702391 A CN202310702391 A CN 202310702391A CN 116740499 A CN116740499 A CN 116740499A
Authority
CN
China
Prior art keywords
thermal imaging
coal
gangue
coal gangue
sample
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
CN202310702391.0A
Other languages
English (en)
Inventor
王艳
张宗唐
汤强
孙亚茹
王锦红
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.)
Anhui University of Science and Technology
Original Assignee
Anhui University of Science and Technology
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 Anhui University of Science and Technology filed Critical Anhui University of Science and Technology
Priority to CN202310702391.0A priority Critical patent/CN116740499A/zh
Publication of CN116740499A publication Critical patent/CN116740499A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77Processing 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
    • G06V10/774Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/004Artificial life, i.e. computing arrangements simulating life
    • G06N3/006Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/10Image acquisition
    • G06V10/16Image acquisition using multiple overlapping images; Image stitching
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Multimedia (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)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)

Abstract

本发明涉及煤矿绿色开采领域,具体涉及一种基于红外热成像技术的煤矸识别方法。分别采集同一矿场的煤和矸石置于同一环境中,采集每次改变环境温度后的煤红外热成像图片和矸石红外热成像图片并进行预处理,得到样本热成像图片;利用飞蛾扑火算法优化的支持向量机对样本热成像图片进行筛选,获取优选样本热成像图片;基于YOLO算法建立煤矸识别模型,将优选样本热成像图片输入煤矸识别模型进行训练,得到训练好的煤矸识别模型;利用训练好的煤矸识别模型进行煤矸识别。本发明通过飞蛾扑火算法优化的支持向量机结合YOLO算法用于煤矸识别,能够有效提高煤矸的辨识精度和运算速度,适用于煤矿绿色开采。

Description

一种基于红外热成像技术的煤矸识别方法
技术领域
本发明涉及煤矿绿色开采领域,具体涉及一种基于红外热成像技术的煤矸识别方法。
背景技术
被称为“黑色的金子”的煤炭仍然是我国的主要能源。在煤炭的掘进与开采过程中,原煤中不可避免的会掺入固态废弃物—煤矸石,煤矸石是煤层中或煤层周围伴有可燃物质的岩石,成分主要包括SiO2、Fe2O3和Al2O3等,其含碳量和燃烧值较低,此外,煤矸石中含有As、Cr、Hg、Cd等多种有毒重金属,部分矿区的煤矸石还含有大量的硫化物,在燃烧过程中会产生大量的污染物,增加燃烧废气、废料的排放,引起生态环境污染,因此,在煤炭绿色开采的环境下,将矸石从煤中分选出来是采煤工业中极为重要的环节。
目前,现有技术中心常见的采煤方法有干法选煤、湿法选煤和人工拣选等,但是这些方法存在效率低下、受辐射、易受环境因素的影响等问题,基于图像处理手段的煤矸识别方法中,普通采集到的图像又容易收到光线等因素的干扰,导致煤矸识别的准确性较低,依旧无法适用于煤矿的绿色开采。
发明内容
为了解决现有技术中本发明提供一种基于红外热成像技术的煤矸识别方法,该方案包括:分别采集同一矿场的煤和矸石置于同一环境中,采集每次改变环境温度后的煤红外热成像图片和矸石红外热成像图片并进行预处理,得到样本热成像图片;利用飞蛾扑火算法优化的支持向量机对样本热成像图片进行筛选,获取优选样本热成像图片;基于YOLO算法建立煤矸识别模型,将优选样本热成像图片输入煤矸识别模型进行训练,得到训练好的煤矸识别模型;利用训练好的煤矸识别模型进行煤矸识别。本发明通过飞蛾扑火算法优化的支持向量机结合YOLO算法用于煤矸识别,能够有效提高煤矸的辨识精度和运算速度,适用于煤矿绿色开采。
本发明采用如下技术方案:一种基于红外热成像技术的煤矸识别方法,包括:
分别采集同一矿场的煤和矸石置于同一环境中,依次改变煤和矸石所处环境的温度,采集每次改变环境温度后的煤红外热成像图片和矸石红外热成像图片;
对采集到的热成像图片进行预处理,得到多个温度梯度下的样本热成像图片;
利用飞蛾扑火算法优化的支持向量机对多个温度梯度下的样本热成像图片进行筛选,获取分选效果最好的温度梯度作为最优温度梯度,将最优温度梯度对应的样本热成像图片作为优选样本热成像图片;
基于YOLO算法建立煤矸识别模型,将优选样本热成像图片输入煤矸识别模型进行训练,得到训练好的煤矸识别模型;
利用训练好的煤矸识别模型进行煤矸识别。
进一步的,利用飞蛾扑火算法优化的支持向量机对多个温度梯度下的样本热成像图片进行筛选,获取分选效果最好的温度梯度作为最优温度梯度的方法为:
将多个温度梯度下的样本热成像图片输入飞蛾扑火算法优化的支持向量机;
确定惩罚系数和核函数参数的寻优范围,设定飞蛾扑火算法的参数初值;
计算飞蛾扑火算法中每个飞蛾和火焰的适应度值,当适应度值满足飞蛾扑火算法的终止条件时,输出惩罚系数和核函数参数的最优解;
支持向量机根据输出的最优解得到分选效果最好的温度梯度作为最优温度梯度。
进一步的,对采集到的热成像图片进行预处理的方法包括:
依次提取每个温度梯度下对应采集到的热成像图片;
对采集到的热成像图片的分辨率进行裁剪;
对采集到的热成像图片依次进行灰度化、特征提取、归一化和降维操作。
进一步的,对采集到的热成像图片依次进行灰度化、特征提取、归一化和降维操作,具体包括:
采用加权平均值法对采集到的热成像图片进行灰度化处理;
采用局部二值模式对灰度化图像中的像素点进行二值化处理,得到二值化图像,提取二值化图像的LBP特征;
对二值化图像的归一化区间为[0,1],得到归一化图像;
采用线性判别分析方法对归一化图像进行降维操作。
进一步的,分别采集同一矿场的煤和矸石置于同一环境中,具体为:
将同一矿场的煤和矸石放置于同一环境中,保持环境温度固定,持续12个小时。
进一步的,将优选样本热成像图片输入煤矸识别模型进行训练的方法为:
获取优选样本热成像图像对应温度梯度下的样本可见光图像;
将优选样本热成像图像与对应温度梯度下的样本可见光图像进行拼接,构建数据集;
将数据集作为煤矸识别模型的输入进行训练,根据煤矸识别模型中的评价指标确定煤矸识别模型完成训练。
本发明的有益效果是:本发明采用红外热成像技术应用于煤矸识别,相较于传统选矸方法,减少了煤矿高湿、高粉尘等复杂环境因素对煤矸高效识别过程的影响,同时能够忽视传统图像采集中光线对图像的影响,将飞蛾扑火算法(MFO)应用于支持向量机(SVM)的优化中,能够提高最优解的求解速度,即提高支持向量机的分类精度,又有助于后续结合深度学习YOLO算法进行煤矸识别的效率,使得煤矸识别流程趋于智能化,增强了煤矸辨识的可靠性,非常适用于煤矿绿色开采的研究。
附图说明
为了更清楚地说明本发明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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种基于红外热成像技术的煤矸识别方法流程示意图;
图2为本发明实施例的飞蛾扑火算法优化的支持向量机中最优温度梯度获取方法流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
如图1所示,给出了本发明实施例的一种基于红外热成像技术的煤矸识别方法流程示意图,包括:
101.分别采集同一矿场的煤和矸石置于同一环境中,依次改变煤和矸石所处环境的温度,采集每次改变环境温度后的煤红外热成像图片和矸石红外热成像图片;
在一个具体实施例中,采集的煤和矸石选自安徽淮南矿区,本实施例中分别收集200块大小相近的煤和煤矸石,共计400个杨平,粒径控制在50mm。
本实施例中采集红外热成像图像所选择的设备是FLIRE50热成像仪(美国菲力尔公司),该设备可以同时生成可见光图片和热成像图片,其中,生成的热成像图片的分辨率为320×240,可见光图片的分辨率大小为2048×1536,热灵敏度小于0.1℃,采用多端动态成像(MSX)技术。
在进行图像采集前,需要分别采集同一矿场的煤和矸石置于同一环境中,具体为:将同一矿场的煤和矸石放置于同一环境中,保持环境温度固定,持续12个小时。
本实施例进一步搭建温度条件系统,设置温度变化范围为0~100℃,通过以5℃为步进依次改变环境温度,采集每次改变温度后煤和矸石的红外热成像图片,从而得到多个温度梯度下的红外热成像图片。
在另一个实施例中,每次改变环境温度的步进还可以是10℃,该步进可以根据实际情况灵活进行调整。
102.对采集到的热成像图片进行预处理,得到多个温度梯度下的样本热成像图片;
对采集到的热成像图片进行预处理的方法包括:
依次提取每个温度梯度下对应采集到的热成像图片;
对采集到的热成像图片的分辨率进行裁剪;本实施例中采用数据增强的方法增加训练数据样本,对原始可见光图像背景进行剪裁,将分辨率大小由2048×1536裁剪为672×672,在图像4个顶点附近以及图像的中心附近进行随机剪裁,得到分辨率大小为448×448的图像,对图像分辨率进行缩小,得到分辨率大小为224×224的图像,并进行旋转、翻转等操作,不改变样本标签的前提下将数据量提升至原来的15倍;对红外热图像背景进行裁剪,在图像4个顶点附近以及图像的中心附近进行随机剪裁,得到分辨率大小为224×224的图像,进行旋转、翻转等操作,不改变样本标签的前提下将数据量提升至原来的15倍;
对采集到的热成像图片依次进行灰度化、特征提取、归一化和降维操作,具体包括:
采用加权平均值法对采集到的热成像图片进行灰度化处理:
Vgray=0.299R+0.587G+0.114B
Vgray=R=G=B
其中,Vgray为灰度值。
采用局部二值模式(LBP)对灰度化图像中的像素点进行二值化处理,得到二值化图像,提取二值化图像的LBP特征;
本实施例中通过对灰度化图像中的像素点按照顺时针进行二值化处理,将二进制序列转换成十进制数,并统计直方图,从而提取二值化图像中的LBP特征;在另一个实施例中,对灰度化图像中的像素点还可以按照逆时针顺序进行二值化处理。
式中,P为像素总数,R为邻域半径,ga为中心点灰度值,gi(i=1,2,...,P)为除中心位置外的其余像素点。
本实施例进一步采用旋转不变的LBP消除旋转对特征提取的影响,将标准LBP算子旋转P-1次,具体表示为:
式中,为P个LBP值的最小值,ROR(k,i)为二进制序列k顺时针旋转i次。
对二值化图像的归一化区间为[0,1],得到归一化图像;
采用线性判别分析方法(LDA)对归一化图像进行降维操作。
103.利用飞蛾扑火算法优化的支持向量机对多个温度梯度下的样本热成像图片进行筛选,获取分选效果最好的温度梯度作为最优温度梯度,将最优温度梯度对应的样本热成像图片作为优选样本热成像图片;
如图2所示,利用飞蛾扑火算法优化支持向量机对样本图像进行筛选,获取最优温度梯度对应的样本热成像图片的方法为:
将多个温度梯度下的样本热成像图片输入飞蛾扑火算法优化的支持向量机,本实施例中将多个温度梯度下的样本热成像图片按照7∶3的比例划分训练集和测试集。
确定惩罚系数C和核函数参数g的寻优范围,设定飞蛾扑火算法的参数初值;
计算飞蛾扑火算法中每个飞蛾和火焰的适应度值,根据适应度值更新最优值,更新飞蛾和火焰的最优位置;
判断适应度值是否满足飞蛾扑火算法的终止条件,当适应度值满足飞蛾扑火算法的终止条件时,输出惩罚系数和核函数参数的最优解;
将寻优出的最优解带入SVM分类器,根据分类准确率和分选时间等评价指标筛选出煤矸分选效果最优的温度梯度,进而本实施例获取最优温度梯度对应的样本红外热成像图片。
104.基于YOLO算法建立煤矸识别模型,将优选样本热成像图片输入煤矸识别模型进行训练,得到训练好的煤矸识别模型;利用训练好的煤矸识别模型进行煤矸识别。
本实施例中采用留出法(hold-out)将优选样本热成像图片划分为训练集和测试集,将优选样本热成像图片输入煤矸识别模型进行训练的方法为:
获取训练集中优选样本热成像图像对应温度梯度下的样本可见光图像;
将训练集中的优选样本热成像图像与对应温度梯度下的样本可见光图像进行拼接,构建数据集;
将数据集作为煤矸识别模型的输入进行训练,根据煤矸识别模型中的评价指标确定煤矸识别模型完成训练。
本发明采用红外热成像技术应用于煤矸识别,相较于传统选矸方法,减少了煤矿高湿、高粉尘等复杂环境因素对煤矸高效识别过程的影响,同时能够忽视传统图像采集中光线对图像的影响,将飞蛾扑火算法(MFO)应用于支持向量机(SVM)的优化中,能够提高最优解的求解速度,即提高支持向量机的分类精度,又有助于后续结合深度学习YOLO算法进行煤矸识别的效率,使得煤矸识别流程趋于智能化,增强了煤矸辨识的可靠性,非常适用于煤矿绿色开采的研究。
以上所述仅为本发明的较佳实施例而已,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 (6)

1.一种基于红外热成像技术的煤矸识别方法,其特征在于,包括:
分别采集同一矿场的煤和矸石置于同一环境中,依次改变煤和矸石所处环境的温度,采集每次改变环境温度后的煤红外热成像图片和矸石红外热成像图片;
对采集到的热成像图片进行预处理,得到多个温度梯度下的样本热成像图片;
利用飞蛾扑火算法优化的支持向量机对多个温度梯度下的样本热成像图片进行筛选,获取分选效果最好的温度梯度作为最优温度梯度,将最优温度梯度对应的样本热成像图片作为优选样本热成像图片;
基于YOLO算法建立煤矸识别模型,将优选样本热成像图片输入煤矸识别模型进行训练,得到训练好的煤矸识别模型;
利用训练好的煤矸识别模型进行煤矸识别。
2.根据权利要求1所述的一种基于红外热成像技术的煤矸识别方法,其特征在于,利用飞蛾扑火算法优化的支持向量机对多个温度梯度下的样本热成像图片进行筛选,获取分选效果最好的温度梯度作为最优温度梯度的方法为:
将多个温度梯度下的样本热成像图片输入飞蛾扑火算法优化的支持向量机;
确定惩罚系数和核函数参数的寻优范围,设定飞蛾扑火算法的参数初值;
计算飞蛾扑火算法中每个飞蛾和火焰的适应度值,当适应度值满足飞蛾扑火算法的终止条件时,输出惩罚系数和核函数参数的最优解;
支持向量机根据输出的最优解得到分选效果最好的温度梯度作为最优温度梯度。
3.根据权利要求1所述的一种基于红外热成像技术的煤矸识别方法,其特征在于,对采集到的热成像图片进行预处理的方法包括:
依次提取每个温度梯度下对应采集到的热成像图片;
对采集到的热成像图片的分辨率进行裁剪;
对采集到的热成像图片依次进行灰度化、特征提取、归一化和降维操作。
4.根据权利要求3所述的一种基于红外热成像技术的煤矸识别方法,其特征在于,对采集到的热成像图片依次进行灰度化、特征提取、归一化和降维操作,具体包括:
采用加权平均值法对采集到的热成像图片进行灰度化处理;
采用局部二值模式对灰度化图像中的像素点进行二值化处理,得到二值化图像,提取二值化图像的LBP特征;
对二值化图像的归一化区间为[0,1],得到归一化图像;
采用线性判别分析方法对归一化图像进行降维操作。
5.根据权利要求1所述的一种基于红外热成像技术的煤矸识别方法,其特征在于,分别采集同一矿场的煤和矸石置于同一环境中,具体为:
将同一矿场的煤和矸石放置于同一环境中,保持环境温度固定,持续12个小时。
6.根据权利要求1所述的一种基于红外热成像技术的煤矸识别方法,其特征在于,将优选样本热成像图片输入煤矸识别模型进行训练的方法为:
获取优选样本热成像图像对应温度梯度下的样本可见光图像;
将优选样本热成像图像与对应温度梯度下的样本可见光图像进行拼接,构建数据集;
将数据集作为煤矸识别模型的输入进行训练,根据煤矸识别模型中的评价指标确定煤矸识别模型完成训练。
CN202310702391.0A 2023-06-13 2023-06-13 一种基于红外热成像技术的煤矸识别方法 Pending CN116740499A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310702391.0A CN116740499A (zh) 2023-06-13 2023-06-13 一种基于红外热成像技术的煤矸识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310702391.0A CN116740499A (zh) 2023-06-13 2023-06-13 一种基于红外热成像技术的煤矸识别方法

Publications (1)

Publication Number Publication Date
CN116740499A true CN116740499A (zh) 2023-09-12

Family

ID=87911009

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310702391.0A Pending CN116740499A (zh) 2023-06-13 2023-06-13 一种基于红外热成像技术的煤矸识别方法

Country Status (1)

Country Link
CN (1) CN116740499A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117576622A (zh) * 2023-11-07 2024-02-20 广东省科学院广州地理研究所 一种融合热红外的稀土矿开采区识别方法、系统和介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117576622A (zh) * 2023-11-07 2024-02-20 广东省科学院广州地理研究所 一种融合热红外的稀土矿开采区识别方法、系统和介质

Similar Documents

Publication Publication Date Title
Maitre et al. Mineral grains recognition using computer vision and machine learning
Peyghambari et al. Hyperspectral remote sensing in lithological mapping, mineral exploration, and environmental geology: an updated review
CN108631727A (zh) 一种基于卷积神经网络的太阳能电池板缺陷识别方法
CN106610969A (zh) 基于多模态信息的视频内容审查系统及方法
CN112307919B (zh) 一种基于改进YOLOv3的单证图像中数字信息区域识别方法
CN116740499A (zh) 一种基于红外热成像技术的煤矸识别方法
CN112893159B (zh) 一种基于图像识别的煤矸石分拣方法
CN110659649A (zh) 一种基于近红外光成像的图像处理与字符识别算法
CN110702648B (zh) 基于非下采样轮廓波变换的荧光光谱污染物分类方法
CN112560941A (zh) 基于图像检测的煤矸识别方法
CN115830533A (zh) 基于K-means聚类改进YOLOv5算法的安全帽佩戴检测方法
CN110889834A (zh) 一种基于云计算的公路隧道围岩分级方法
CN116958503B (zh) 一种基于图像处理的污泥干化等级识别方法及系统
Khan et al. Car Number Plate Recognition (CNPR) system using multiple template matching
CN114418970A (zh) 基于卫星遥感的雾霾分布与气溶胶光学厚度检测方法和装置
CN115292538A (zh) 一种基于深度学习的地图线要素提取方法
CN109409409A (zh) 基于hog+cnn的交通标志的实时检测方法
CN114065798A (zh) 基于机器识别的视觉识别方法及装置
CN112785568A (zh) 一种基于深度学习的磁瓦缺陷分割方法
CN112509026A (zh) 一种绝缘子裂缝长度识别方法
CN109829511B (zh) 基于纹理分类的下视红外图像中云层区域检测方法
Varkentin et al. Development of an application for car license plates recognition using neural network technologies
CN110751150A (zh) 一种基于fpga的二值神经网络车牌识别方法及系统
CN116309407A (zh) 一种铁路接触网螺栓异常状态的检测方法
CN114066861A (zh) 一种基于交叉算法边缘检测理论和视觉特征的煤矸识别方法

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