CN117456526A - 基于深度学习的焦炭显微组分自动识别及焦炭异性指数(oti)计算系统 - Google Patents
基于深度学习的焦炭显微组分自动识别及焦炭异性指数(oti)计算系统 Download PDFInfo
- Publication number
- CN117456526A CN117456526A CN202311131434.0A CN202311131434A CN117456526A CN 117456526 A CN117456526 A CN 117456526A CN 202311131434 A CN202311131434 A CN 202311131434A CN 117456526 A CN117456526 A CN 117456526A
- Authority
- CN
- China
- Prior art keywords
- module
- image
- oti
- coke
- electrically connected
- 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
- 239000000571 coke Substances 0.000 title claims abstract description 91
- 238000013135 deep learning Methods 0.000 title claims abstract description 52
- 230000011218 segmentation Effects 0.000 claims abstract description 49
- 238000001514 detection method Methods 0.000 claims abstract description 43
- 238000004364 calculation method Methods 0.000 claims abstract description 39
- 238000003709 image segmentation Methods 0.000 claims abstract description 38
- 238000005070 sampling Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000003287 optical effect Effects 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 27
- 238000005259 measurement Methods 0.000 claims description 25
- 238000012986 modification Methods 0.000 claims description 25
- 230000004048 modification Effects 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 230000008520 organization Effects 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 11
- 230000006855 networking Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 4
- 229910052799 carbon Inorganic materials 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 238000007689 inspection Methods 0.000 description 14
- 239000003245 coal Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 238000003763 carbonization Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于深度学习的焦炭显微组分自动识别及焦炭异性指数(OTI)计算系统,包括组分自动识别及OTI计算系统,所述组分自动识别及OTI计算系统的内部设置有图像分割模块,所述组分自动识别及OTI计算系统的内部设置有分割模型模块。本发明通过图像分割模块,可基于已建立模型进行图像的自动分割工作,可依据分割图像进行组分的自动识别,采取CNN分割的方式,且在接收采集图片时可对图像信息进行检测及增强,以提高数据后续处理效果,同时通过OTI计算模块,可对组分识别结果进行计算判断识别精确度,以保障识别效果,且通过数据抽检模块,用于对已经计算分析数据进行随机抽样检测,以验证系统计算结构的准确性与精度。
Description
技术领域
本发明涉及炭焦组分识别技术领域,更具体地说,涉及基于深度学习的焦炭显微组分自动识别及焦炭异性指数(OTI)计算系统。
背景技术
焦炭显微组分指在反光偏光显微镜下放大500倍观测到的焦炭气孔壁微观形态,它由不同等色区尺寸和不同的组织形态构成,不同变质程度的煤干馏后形成的焦炭其光学特征不同,按其组织形态和等色区尺寸可分为不同的组分。焦炭的冶金性能主要由焦炭的光学组织决定。研究表明,焦炭显微组分与焦炭的冷强度和热性质具有一定的相关性,可用来预测焦炭的性质。
传统的分析方法主要是依靠人工观测数点对焦炭不同显微组分区分统计,该方法检测精度差、工作量大、效率低,尤其对那些混煤较多或配合煤形成的焦炭显微组分的检测往往检测结果不理想。因此需要对现有的检测方法进行改进。
本发明内容
针对现有技术中存在的问题,本发明的目的在于提供基于深度学习的焦炭显微组分自动识别及焦炭异性指数(OTI)计算系统,它可以实现待检测图像的自动分割,还具备基于OTI计算进行检测结果检验的效果。
为解决上述问题,本发明采用如下的技术方案:
基于深度学习的焦炭显微组分自动识别及焦炭异性指数(OTI)计算系统,包括组分自动识别及OTI计算系统,所述组分自动识别及OTI计算系统的内部设置有图像分割模块,所述组分自动识别及OTI计算系统的内部设置有分割模型模块,所述组分自动识别及OTI计算系统的内部设置有系统管理模块,所述组分自动识别及OTI计算系统通过通讯网口电性连接有互联网,所述组分自动识别及OTI计算系统通过通讯网口电性连接有云服务器,所述组分自动识别及OTI计算系统通过通讯网口电性连接有数据中心,所述组分自动识别及OTI计算系统通过通讯网口电性连接有信息传输模块,所述信息传输模块通过通讯网口电性连接有图像采集模块。
作为本发明的一种优选方案,所述图像分割模块包括图像检测模块、图像增强模块、CNN分割模块和图像切断模块,所述图像检测模块用于对采集到的图像信息进行检测,检测采集图像的完整性,防止图像误差影响检测结果,所述图像增强模块用于对已检测采集图像画质进行增强,去除噪点以提高检测结果与精度,所述CNN分割模块是将图像Patch作为CNN的输入并进行pixel-level标记,通过扫描图像,每次看一个或几个像素组成的小“滤镜”,直到映射出整个图像,可将采集图像进行分割,所述图像切断模块用于对已采集图像信息进行分切,可将单个大图像切断为两个或多个小图像,可进行图像的单独处理,加速图像处理效率,所述图像切断模块电性连接于CNN分割模块,所述CNN分割模块电性连接于图像增强模块,所述图像增强模块电性连接于图像检测模块,所述图像检测模块、图像增强模块、CNN分割模块和图像切断模块均电性连接于图像分割模块,所述图像分割模块电性连接于组分自动识别及OTI计算系统。
作为本发明的一种优选方案,所述分割模型模块包括模型构建模块、模型训练模块和人工修改模块,所述模型构建模块用于对分割模型进行构建,基于网络模型进行构建,所述模型训练模块用于对已构建模型进行训练,可对模型进行更新,所述人工修改模块用于对已构建模型采取人工的方式进行需求修改,模型的建立更加灵活,所述人工修改模块电性连接于模型训练模块,所述模型训练模块电性连接于模型构建模块,所述模型构建模块、模型训练模块和人工修改模块均电性连接于分割模型模块,所述分割模型模块电性连接于组分自动识别及OTI计算系统。
作为本发明的一种优选方案,所述系统管理模块包括参数设定模块、OTI计算模块、数据抽检模块、人工校验模块、深度学习模块和设备自检模块,所述参数设定模块用于对系统工作参数进行设定,可对采集过程进行拍摄亮度及拍摄色温的调节,所述OTI计算模块用于对分析的图像数据信息进行计算,焦炭光学组织的OTI指数是指焦炭光学各向异性程度,OTI值越高焦炭光学组织的异性程度越高,其计算公式如下:
OTI=∑fi(OTI)i
式中:fi—焦炭光学组织的百分含量;(OTI)i—焦炭光学组织的赋值,可基于OTI计算结果判断图像检测识别的组分识别准确性,所述数据抽检模块用于对已经计算分析数据进行随机抽样检测,以验证系统计算结构的准确性与精度,所述人工校验模块用于采用人工计算的方式进行手动校验,所述深度学习模块用于系统联网后依据大数据进行深度学习,对图像分割特征进学习,所述设备自检模块用于对设备工作过程中的设备进行自检测,可对故障设备及时知晓,方便检修,防止影响后续工作的进行,所述设备自检模块电性连接于深度学习模块,所述深度学习模块电性连接于人工校验模块,所述人工校验模块电性连接于数据抽检模块,所述数据抽检模块电性连接于OTI计算模块,所述OTI计算模块电性连接于参数设定模块,所述参数设定模块、OTI计算模块、数据抽检模块、人工校验模块、深度学习模块和设备自检模块均电性连接于系统管理模块,所述系统管理模块电性连接于组分自动识别及OTI计算系统。
作为本发明的一种优选方案,所述图像采集模块包括样光片模块、显微测定模块和图像标记模块,所述样光片模块用于对焦炭的样光片进行制取使用,所述显微测定模块用于对已制取的样光片通过显微拍摄的方式进行测定,所述图像标记模块用于对测定图像进行编号,在测定数据存储后方便后续的查询查找使用,所述图像标记模块电性连接于显微测定模块,所述显微测定模块电性连接于样光片模块,所述样光片模块、显微测定模块和图像标记模块均电性连接于图像采集模块,所述图像采集模块电性连接于信息传输模块。
基于深度学习的焦炭显微组分自动识别及焦炭异性指数(OTI)计算系统的使用方法,包括如下步骤:
步骤一:A启动组分自动识别及OTI计算系统,用于系统的联网工作;
步骤二:B开始图像采集模块,用于对待检测炭焦图像信息进行采集;
步骤三:C开始信息传输模块,用于将采集信息进行传输检测;
步骤四:D开始图像分割模块,用于对接收到的待检测图像数据进行增强分割;
步骤五:E开始分割模型模块,用于图像分割模型的建立;
步骤六:F开始系统管理模块,用于系统的管理、数据的计算、数据的检验及系统的深度学习工作;
步骤七:G开始云服务器,用于在图像处理过程中协助本地服务器进行图像数据的处理工作,提升数据处理效率;
步骤八:H开始数据中心,用于对系统各项数据信息的存储。
作为本发明的一种优选方案,所述B包括B1开始样光片模块,B2开始显微测定模块,B3开始图像标记模块。
作为本发明的一种优选方案,所述D包括D1开始图像检测模块,D2开始图像增强模块,D3开始CNN分割模块,D4开始图像切断模块。
作为本发明的一种优选方案,所述E包括E1开始模型构建模块,E2开始模型训练模块,E3开始人工修改模块。
作为本发明的一种优选方案,所述F包括F1开始参数设定模块,F2开始OTI计算模块,F3开始数据抽检模块,F4开始人工校验模块,F5开始深度学习模块,F6开始设备自检模块。
相比于现有技术,本发明的优点在于:通过图像分割模块,可基于已建立模型进行图像的自动分割工作,可依据分割图像进行组分的自动识别,采取CNN分割的方式,且在接收采集图片时可对图像信息进行检测及增强,以提高数据后续处理效果,同时通过OTI计算模块,可对组分识别结果进行计算判断识别精确度,以保障识别效果,且通过数据抽检模块,用于对已经计算分析数据进行随机抽样检测,以验证系统计算结构的准确性与精度。
附图说明
图1为本发明的基于深度学习的焦炭显微组分自动识别及焦炭异性指数(OTI)计算系统的原理框图;
图2为本发明的基于深度学习的焦炭显微组分自动识别及焦炭异性指数(OTI)计算系统的工作流程图;
图3为本发明的基于深度学习的焦炭显微组分自动识别及焦炭异性指数(OTI)计算系统的图像采集模块工作流程图;
图4为本发明的基于深度学习的焦炭显微组分自动识别及焦炭异性指数(OTI)计算系统的图像分割模块工作流程图;
图5为本发明的基于深度学习的焦炭显微组分自动识别及焦炭异性指数(OTI)计算系统的分割模型模块工作流程图;
图6为本发明的基于深度学习的焦炭显微组分自动识别及焦炭异性指数(OTI)计算系统的系统管理模块工作流程图;
图7为本发明的基于深度学习的焦炭显微组分自动识别及焦炭异性指数(OTI)计算系统的焦炭光学组织OTI指数计算示例图。
图中标号说明:
1、组分自动识别及OTI计算系统;2、图像分割模块;3、分割模型模块;4、系统管理模块;5、图像采集模块;6、信息传输模块;7、互联网;8、云服务器;9、数据中心;21、图像检测模块;22、图像增强模块;23、CNN分割模块;24、图像切断模块;31、模型构建模块;32、模型训练模块;33、人工修改模块;41、参数设定模块;42、OTI计算模块;43、数据抽检模块;44、人工校验模块;45、深度学习模块;46、设备自检模块;51、样光片模块;52、显微测定模块;53、图像标记模块。
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。
在本发明的描述中,需要说明的是,术语“上”、“下”、“内”、“外”、“顶/底端”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。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“设置有”、“套设/接”、“连接”等,应做广义理解,例如“连接”,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,可以具体情况理解上述术语在本发明中的具体含义。
实施例:
请参阅图1-7,基于深度学习的焦炭显微组分自动识别及焦炭异性指数(OTI)计算系统,包括组分自动识别及OTI计算系统1,所述组分自动识别及OTI计算系统1的内部设置有图像分割模块2,所述组分自动识别及OTI计算系统1的内部设置有分割模型模块3,所述组分自动识别及OTI计算系统1的内部设置有系统管理模块4,所述组分自动识别及OTI计算系统1通过通讯网口电性连接有互联网7,所述组分自动识别及OTI计算系统1通过通讯网口电性连接有云服务器8,所述组分自动识别及OTI计算系统1通过通讯网口电性连接有数据中心9,所述组分自动识别及OTI计算系统1通过通讯网口电性连接有信息传输模块6,所述信息传输模块6通过通讯网口电性连接有图像采集模块5。
本实施例中,所述图像分割模块2包括图像检测模块21、图像增强模块22、CNN分割模块23和图像切断模块24,所述图像检测模块21用于对采集到的图像信息进行检测,检测采集图像的完整性,防止图像误差影响检测结果,所述图像增强模块22用于对已检测采集图像画质进行增强,去除噪点以提高检测结果与精度,所述CNN分割模块23是将图像Patch作为CNN的输入并进行pixel-level标记,通过扫描图像,每次看一个或几个像素组成的小“滤镜”,直到映射出整个图像,可将采集图像进行分割,所述图像切断模块24用于对已采集图像信息进行分切,可将单个大图像切断为两个或多个小图像,可进行图像的单独处理,加速图像处理效率;所述分割模型模块3包括模型构建模块31、模型训练模块32和人工修改模块33,所述模型构建模块31用于对分割模型进行构建,基于网络模型进行构建,所述模型训练模块32用于对已构建模型进行训练,可对模型进行更新,所述人工修改模块33用于对已构建模型采取人工的方式进行需求修改,模型的建立更加灵活;所述系统管理模块4包括参数设定模块41、OTI计算模块42、数据抽检模块43、人工校验模块44、深度学习模块45和设备自检模块46,所述参数设定模块41用于对系统工作参数进行设定,可对采集过程进行拍摄亮度及拍摄色温的调节,所述OTI计算模块42用于对分析的图像数据信息进行计算,焦炭光学组织的OTI指数是指焦炭光学各向异性程度,OTI值越高焦炭光学组织的异性程度越高,其计算公式如下:
OTI=∑fi(OTI)i
式中:fi—焦炭光学组织的百分含量;(OTI)i—焦炭光学组织的赋值,可基于OTI计算结果判断图像检测识别的组分识别准确性,所述数据抽检模块43用于对已经计算分析数据进行随机抽样检测,以验证系统计算结构的准确性与精度,所述人工校验模块44用于采用人工计算的方式进行手动校验,所述深度学习模块45用于系统联网后依据大数据进行深度学习,对图像分割特征进学习,所述设备自检模块46用于对设备工作过程中的设备进行自检测,可对故障设备及时知晓,方便检修,防止影响后续工作的进行;所述图像采集模块5包括样光片模块51、显微测定模块52和图像标记模块53,所述样光片模块51用于对焦炭的样光片进行制取使用,所述显微测定模块52用于对已制取的样光片通过显微拍摄的方式进行测定,所述图像标记模块53用于对测定图像进行编号,在测定数据存储后方便后续的查询查找使用。
具体的,所述图像分割模块2包括图像检测模块21、图像增强模块22、CNN分割模块23和图像切断模块24,所述图像检测模块21用于对采集到的图像信息进行检测,检测采集图像的完整性,防止图像误差影响检测结果,所述图像增强模块22用于对已检测采集图像画质进行增强,去除噪点以提高检测结果与精度,所述CNN分割模块23是将图像Patch作为CNN的输入并进行pixel-level标记,通过扫描图像,每次看一个或几个像素组成的小“滤镜”,直到映射出整个图像,可将采集图像进行分割,所述图像切断模块24用于对已采集图像信息进行分切,可将单个大图像切断为两个或多个小图像,可进行图像的单独处理,加速图像处理效率,所述图像切断模块24电性连接于CNN分割模块23,所述CNN分割模块23电性连接于图像增强模块22,所述图像增强模块22电性连接于图像检测模块21,所述图像检测模块21、图像增强模块22、CNN分割模块23和图像切断模块24均电性连接于图像分割模块2,所述图像分割模块2电性连接于组分自动识别及OTI计算系统1。
本实施例中,所述图像分割模块2包括图像检测模块21、图像增强模块22、CNN分割模块23和图像切断模块24,所述图像检测模块21用于对采集到的图像信息进行检测,检测采集图像的完整性,防止图像误差影响检测结果,所述图像增强模块22用于对已检测采集图像画质进行增强,去除噪点以提高检测结果与精度,所述CNN分割模块23是将图像Patch作为CNN的输入并进行pixel-level标记,通过扫描图像,每次看一个或几个像素组成的小“滤镜”,直到映射出整个图像,可将采集图像进行分割,所述图像切断模块24用于对已采集图像信息进行分切,可将单个大图像切断为两个或多个小图像,可进行图像的单独处理,加速图像处理效率。
具体的,所述分割模型模块3包括模型构建模块31、模型训练模块32和人工修改模块33,所述模型构建模块31用于对分割模型进行构建,基于网络模型进行构建,所述模型训练模块32用于对已构建模型进行训练,可对模型进行更新,所述人工修改模块33用于对已构建模型采取人工的方式进行需求修改,模型的建立更加灵活,所述人工修改模块33电性连接于模型训练模块32,所述模型训练模块32电性连接于模型构建模块31,所述模型构建模块31、模型训练模块32和人工修改模块33均电性连接于分割模型模块3,所述分割模型模块3电性连接于组分自动识别及OTI计算系统1。
本实施例中,所述分割模型模块3包括模型构建模块31、模型训练模块32和人工修改模块33,所述模型构建模块31用于对分割模型进行构建,基于网络模型进行构建,所述模型训练模块32用于对已构建模型进行训练,可对模型进行更新,所述人工修改模块33用于对已构建模型采取人工的方式进行需求修改,模型的建立更加灵活。
具体的,所述系统管理模块4包括参数设定模块41、OTI计算模块42、数据抽检模块43、人工校验模块44、深度学习模块45和设备自检模块46,所述参数设定模块41用于对系统工作参数进行设定,可对采集过程进行拍摄亮度及拍摄色温的调节,所述OTI计算模块42用于对分析的图像数据信息进行计算,焦炭光学组织的OTI指数是指焦炭光学各向异性程度,OTI值越高焦炭光学组织的异性程度越高,其计算公式如下:
OTI=∑fi(OTI)i
式中:fi—焦炭光学组织的百分含量;(OTI)i—焦炭光学组织的赋值,可基于OTI计算结果判断图像检测识别的组分识别准确性,所述数据抽检模块43用于对已经计算分析数据进行随机抽样检测,以验证系统计算结构的准确性与精度,所述人工校验模块44用于采用人工计算的方式进行手动校验,所述深度学习模块45用于系统联网后依据大数据进行深度学习,对图像分割特征进学习,所述设备自检模块46用于对设备工作过程中的设备进行自检测,可对故障设备及时知晓,方便检修,防止影响后续工作的进行,所述设备自检模块46电性连接于深度学习模块45,所述深度学习模块45电性连接于人工校验模块44,所述人工校验模块44电性连接于数据抽检模块43,所述数据抽检模块43电性连接于OTI计算模块42,所述OTI计算模块42电性连接于参数设定模块41,所述参数设定模块41、OTI计算模块42、数据抽检模块43、人工校验模块44、深度学习模块45和设备自检模块46均电性连接于系统管理模块4,所述系统管理模块4电性连接于组分自动识别及OTI计算系统1。
本实施例中,所述系统管理模块4包括参数设定模块41、OTI计算模块42、数据抽检模块43、人工校验模块44、深度学习模块45和设备自检模块46,所述参数设定模块41用于对系统工作参数进行设定,可对采集过程进行拍摄亮度及拍摄色温的调节,所述OTI计算模块42用于对分析的图像数据信息进行计算,焦炭光学组织的OTI指数是指焦炭光学各向异性程度,OTI值越高焦炭光学组织的异性程度越高,其计算公式如下:
OTI=∑fi(OTI)i
式中:fi—焦炭光学组织的百分含量;(OTI)i—焦炭光学组织的赋值,可基于OTI计算结果判断图像检测识别的组分识别准确性,所述数据抽检模块43用于对已经计算分析数据进行随机抽样检测,以验证系统计算结构的准确性与精度,所述人工校验模块44用于采用人工计算的方式进行手动校验,所述深度学习模块45用于系统联网后依据大数据进行深度学习,对图像分割特征进学习,所述设备自检模块46用于对设备工作过程中的设备进行自检测,可对故障设备及时知晓,方便检修,防止影响后续工作的进行。
具体的,所述图像采集模块5包括样光片模块51、显微测定模块52和图像标记模块53,所述样光片模块51用于对焦炭的样光片进行制取使用,所述显微测定模块52用于对已制取的样光片通过显微拍摄的方式进行测定,所述图像标记模块53用于对测定图像进行编号,在测定数据存储后方便后续的查询查找使用,所述图像标记模块53电性连接于显微测定模块52,所述显微测定模块52电性连接于样光片模块51,所述样光片模块51、显微测定模块52和图像标记模块53均电性连接于图像采集模块5,所述图像采集模块5电性连接于信息传输模块6。
本实施例中,所述图像采集模块5包括样光片模块51、显微测定模块52和图像标记模块53,所述样光片模块51用于对焦炭的样光片进行制取使用,所述显微测定模块52用于对已制取的样光片通过显微拍摄的方式进行测定,所述图像标记模块53用于对测定图像进行编号,在测定数据存储后方便后续的查询查找使用。
基于深度学习的焦炭显微组分自动识别及焦炭异性指数(OTI)计算系统的使用方法,包括如下步骤:
步骤一:A启动组分自动识别及OTI计算系统,用于系统的联网工作;
步骤二:B开始图像采集模块,用于对待检测炭焦图像信息进行采集;
步骤三:C开始信息传输模块,用于将采集信息进行传输检测;
步骤四:D开始图像分割模块,用于对接收到的待检测图像数据进行增强分割;
步骤五:E开始分割模型模块,用于图像分割模型的建立;
步骤六:F开始系统管理模块,用于系统的管理、数据的计算、数据的检验及系统的深度学习工作;
步骤七:G开始云服务器,用于在图像处理过程中协助本地服务器进行图像数据的处理工作,提升数据处理效率;
步骤八:H开始数据中心,用于对系统各项数据信息的存储。
具体的,B包括B1开始样光片模块,B2开始显微测定模块,B3开始图像标记模块。
具体的,D包括D1开始图像检测模块,D2开始图像增强模块,D3开始CNN分割模块,D4开始图像切断模块。
具体的,E包括E1开始模型构建模块,E2开始模型训练模块,E3开始人工修改模块。
具体的,F包括F1开始参数设定模块,F2开始OTI计算模块,F3开始数据抽检模块,F4开始人工校验模块,F5开始深度学习模块,F6开始设备自检模块。
以上,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其改进构思加以等同替换或改变,都应涵盖在本发明的保护范围内。
Claims (10)
1.基于深度学习的焦炭显微组分自动识别及焦炭异性指数(OTI)计算系统,包括组分自动识别及OTI计算系统(1),其特征在于,所述组分自动识别及OTI计算系统(1)的内部设置有图像分割模块(2),所述组分自动识别及OTI计算系统(1)的内部设置有分割模型模块(3),所述组分自动识别及OTI计算系统(1)的内部设置有系统管理模块(4),所述组分自动识别及OTI计算系统(1)通过通讯网口电性连接有互联网(7),所述组分自动识别及OTI计算系统(1)通过通讯网口电性连接有云服务器(8),所述组分自动识别及OTI计算系统(1)通过通讯网口电性连接有数据中心(9),所述组分自动识别及OTI计算系统(1)通过通讯网口电性连接有信息传输模块(6),所述信息传输模块(6)通过通讯网口电性连接有图像采集模块(5)。
2.根据权利要求1所述的基于深度学习的焦炭显微组分自动识别及焦炭异性指数(OTI)计算系统,其特征在于,所述图像分割模块(2)包括图像检测模块(21)、图像增强模块(22)、CNN分割模块(23)和图像切断模块(24),所述图像检测模块(21)用于对采集到的图像信息进行检测,检测采集图像的完整性,防止图像误差影响检测结果,所述图像增强模块(22)用于对已检测采集图像画质进行增强,去除噪点以提高检测结果与精度,所述CNN分割模块(23)是将图像Patch作为CNN的输入并进行pixel-level标记,通过扫描图像,每次看一个或几个像素组成的小“滤镜”,直到映射出整个图像,可将采集图像进行分割,所述图像切断模块(24)用于对已采集图像信息进行分切,可将单个大图像切断为两个或多个小图像,可进行图像的单独处理,加速图像处理效率,所述图像切断模块(24)电性连接于CNN分割模块(23),所述CNN分割模块(23)电性连接于图像增强模块(22),所述图像增强模块(22)电性连接于图像检测模块(21),所述图像检测模块(21)、图像增强模块(22)、CNN分割模块(23)和图像切断模块(24)均电性连接于图像分割模块(2),所述图像分割模块(2)电性连接于组分自动识别及OTI计算系统(1)。
3.根据权利要求1所述的基于深度学习的焦炭显微组分自动识别及焦炭异性指数(OTI)计算系统,其特征在于,所述分割模型模块(3)包括模型构建模块(31)、模型训练模块(32)和人工修改模块(33),所述模型构建模块(31)用于对分割模型进行构建,基于网络模型进行构建,所述模型训练模块(32)用于对已构建模型进行训练,可对模型进行更新,所述人工修改模块(33)用于对已构建模型采取人工的方式进行需求修改,模型的建立更加灵活,所述人工修改模块(33)电性连接于模型训练模块(32),所述模型训练模块(32)电性连接于模型构建模块(31),所述模型构建模块(31)、模型训练模块(32)和人工修改模块(33)均电性连接于分割模型模块(3),所述分割模型模块(3)电性连接于组分自动识别及OTI计算系统(1)。
4.根据权利要求1所述的基于深度学习的焦炭显微组分自动识别及焦炭异性指数(OTI)计算系统,其特征在于,所述系统管理模块(4)包括参数设定模块(41)、OTI计算模块(42)、数据抽检模块(43)、人工校验模块(44)、深度学习模块(45)和设备自检模块(46),所述参数设定模块(41)用于对系统工作参数进行设定,可对采集过程进行拍摄亮度及拍摄色温的调节,所述OTI计算模块(42)用于对分析的图像数据信息进行计算,焦炭光学组织的OTI指数是指焦炭光学各向异性程度,OTI值越高焦炭光学组织的异性程度越高,其计算公式如下:
OTI=∑fi(OTI)i
式中:fi—焦炭光学组织的百分含量;(OTI)i—焦炭光学组织的赋值,可基于OTI计算结果判断图像检测识别的组分识别准确性,所述数据抽检模块(43)用于对已经计算分析数据进行随机抽样检测,以验证系统计算结构的准确性与精度,所述人工校验模块(44)用于采用人工计算的方式进行手动校验,所述深度学习模块(45)用于系统联网后依据大数据进行深度学习,对图像分割特征进学习,所述设备自检模块(46)用于对设备工作过程中的设备进行自检测,可对故障设备及时知晓,方便检修,防止影响后续工作的进行,所述设备自检模块(46)电性连接于深度学习模块(45),所述深度学习模块(45)电性连接于人工校验模块(44),所述人工校验模块(44)电性连接于数据抽检模块(43),所述数据抽检模块(43)电性连接于OTI计算模块(42),所述OTI计算模块(42)电性连接于参数设定模块(41),所述参数设定模块(41)、OTI计算模块(42)、数据抽检模块(43)、人工校验模块(44)、深度学习模块(45)和设备自检模块(46)均电性连接于系统管理模块(4),所述系统管理模块(4)电性连接于组分自动识别及OTI计算系统(1)。
5.根据权利要求1所述的基于深度学习的焦炭显微组分自动识别及焦炭异性指数(OTI)计算系统,其特征在于,所述图像采集模块(5)包括样光片模块(51)、显微测定模块(52)和图像标记模块(53),所述样光片模块(51)用于对焦炭的样光片进行制取使用,所述显微测定模块(52)用于对已制取的样光片通过显微拍摄的方式进行测定,所述图像标记模块(53)用于对测定图像进行编号,在测定数据存储后方便后续的查询查找使用,所述图像标记模块(53)电性连接于显微测定模块(52),所述显微测定模块(52)电性连接于样光片模块(51),所述样光片模块(51)、显微测定模块(52)和图像标记模块(53)均电性连接于图像采集模块(5),所述图像采集模块(5)电性连接于信息传输模块(6)。
6.根据权利要求1-5任意一项所述的基于深度学习的焦炭显微组分自动识别及焦炭异性指数(OTI)计算系统的使用方法,其特征在于,包括如下步骤:
步骤一:(A)启动组分自动识别及OTI计算系统,用于系统的联网工作;
步骤二:(B)开始图像采集模块,用于对待检测炭焦图像信息进行采集;
步骤三:(C)开始信息传输模块,用于将采集信息进行传输检测;
步骤四:(D)开始图像分割模块,用于对接收到的待检测图像数据进行增强分割;
步骤五:(E)开始分割模型模块,用于图像分割模型的建立;
步骤六:(F)开始系统管理模块,用于系统的管理、数据的计算、数据的检验及系统的深度学习工作;
步骤七:(G)开始云服务器,用于在图像处理过程中协助本地服务器进行图像数据的处理工作,提升数据处理效率;
步骤八:(H)开始数据中心,用于对系统各项数据信息的存储。
7.根据权利要求6所述的基于深度学习的焦炭显微组分自动识别及焦炭异性指数(OTI)计算系统的使用方法,其特征在于,所述(B)包括(B1)开始样光片模块,(B2)开始显微测定模块,(B3)开始图像标记模块。
8.根据权利要求6所述的基于深度学习的焦炭显微组分自动识别及焦炭异性指数(OTI)计算系统的使用方法,其特征在于,所述(D)包括(D1)开始图像检测模块,(D2)开始图像增强模块,(D3)开始CNN分割模块,(D4)开始图像切断模块。
9.根据权利要求6所述的基于深度学习的焦炭显微组分自动识别及焦炭异性指数(OTI)计算系统的使用方法,其特征在于,所述(E)包括(E1)开始模型构建模块,(E2)开始模型训练模块,(E3)开始人工修改模块。
10.根据权利要求6所述的基于深度学习的焦炭显微组分自动识别及焦炭异性指数(OTI)计算系统的使用方法,其特征在于,所述(F)包括(F1)开始参数设定模块,(F2)开始OTI计算模块,(F3)开始数据抽检模块,(F4)开始人工校验模块,(F5)开始深度学习模块,(F6)开始设备自检模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311131434.0A CN117456526A (zh) | 2023-09-04 | 2023-09-04 | 基于深度学习的焦炭显微组分自动识别及焦炭异性指数(oti)计算系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311131434.0A CN117456526A (zh) | 2023-09-04 | 2023-09-04 | 基于深度学习的焦炭显微组分自动识别及焦炭异性指数(oti)计算系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117456526A true CN117456526A (zh) | 2024-01-26 |
Family
ID=89591729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311131434.0A Pending CN117456526A (zh) | 2023-09-04 | 2023-09-04 | 基于深度学习的焦炭显微组分自动识别及焦炭异性指数(oti)计算系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117456526A (zh) |
-
2023
- 2023-09-04 CN CN202311131434.0A patent/CN117456526A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107862338B (zh) | 基于双检验法的海洋环境监测数据质量管理方法及系统 | |
US8792705B2 (en) | System and method for automated defect detection utilizing prior data | |
CN103528617B (zh) | 一种座舱仪表自动识别和检测方法及装置 | |
CN107764976B (zh) | 土壤氮素快速诊断方法及在线监测系统 | |
CN109324039A (zh) | 试纸条反应浓度检测方法、装置、存储介质及计算机设备 | |
WO2014178062A2 (en) | Method and system for analysing body fluids | |
CN116245230B (zh) | 一种电站设备的运行巡检与趋势分析方法及系统 | |
CN111896549A (zh) | 一种基于机器学习的建筑物裂缝监测系统和方法 | |
CN110472581A (zh) | 一种基于深度学习的细胞图像分析方法 | |
CN100470578C (zh) | 基于计算机视觉的科学仪器工作状态监测方法 | |
CN116128881A (zh) | 一种用于缺陷产品同步标记的镜片检测系统及方法 | |
CN111899238A (zh) | 一种双光源图像的缺陷检测方法、装置、介质及电子设备 | |
CN117456526A (zh) | 基于深度学习的焦炭显微组分自动识别及焦炭异性指数(oti)计算系统 | |
WO2018078582A1 (en) | Method for distinguishing fresh meat from meat subjected to freezing by means of analysis of images of muscle tissue and corresponding system arranged to execute said method | |
CN112967224A (zh) | 一种基于人工智能的电子电路板检测系统、方法及介质 | |
CN117095246A (zh) | 基于偏振成像的深度学习指针仪表读数识别方法 | |
CN116721083A (zh) | 一种检测电力设备瑕疵的背夹及其检测方法 | |
CN115937555A (zh) | 一种基于标准化流模型的工业缺陷检测算法 | |
CN116757998A (zh) | 基于ai的ctc细胞和ctc样细胞的筛查方法及装置 | |
CN112508946B (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 | |
CN116230208A (zh) | 基于深度学习的胃粘膜炎症分型辅助诊断系统 | |
CN110174413A (zh) | 一种叶片缺陷检测方法及维护方法 | |
CN115855145A (zh) | 一种铜芯导线质量检测评估方法 | |
CN113418919A (zh) | 纺织纤维成分定性定量在线分析系统及方法 | |
CN204044085U (zh) | 一种基于光谱成像的异物检测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |