CN117788905A - 一种针对脉状矿石的识别方法、装置、系统及介质 - Google Patents
一种针对脉状矿石的识别方法、装置、系统及介质 Download PDFInfo
- Publication number
- CN117788905A CN117788905A CN202311803225.6A CN202311803225A CN117788905A CN 117788905 A CN117788905 A CN 117788905A CN 202311803225 A CN202311803225 A CN 202311803225A CN 117788905 A CN117788905 A CN 117788905A
- Authority
- CN
- China
- Prior art keywords
- mask
- training
- network model
- ore
- sample image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 72
- 229910052500 inorganic mineral Inorganic materials 0.000 claims abstract description 60
- 239000011707 mineral Substances 0.000 claims abstract description 60
- 230000000873 masking effect Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000015654 memory Effects 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000010878 waste rock Substances 0.000 abstract description 6
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 12
- 239000011733 molybdenum Substances 0.000 description 12
- 229910052750 molybdenum Inorganic materials 0.000 description 12
- 230000008569 process Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 229910052626 biotite Inorganic materials 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种针对脉状矿石的识别方法、装置、系统及介质，包括：获取具有类型标注的训练矿样图像，并根据所述训练矿样图像生成对应的像素掩码；将所述像素掩码和所述训练矿样图像分别输入到空间掩码网络模型的掩码分支和主干网络中进行训练，直到模型收敛；在推理时，屏蔽已训练完成的空间掩码网络模型中的掩码分支；将待识别矿石图像输入到已屏蔽掩码分支的空间掩码网络模型中进行识别处理，得到针对脉状矿石的识别结果。本发明利用已经标注好的矿石或者废石输入到空间掩码网络进行训练，通过训练完成的空间掩码网络模型对脉状矿石进行识别，提高对脉状矿石识别的准确率。
Description
技术领域
本发明涉及矿石识别领域，尤其涉及一种针对脉状矿石的识别方法、装置、系统和介质。
背景技术
钼矿特征颗粒细小，可见光成像特征存在模糊、细小或者盲区等缺陷，并且成像容易受到环境干扰例如光照、反光、泥浆等工况环境因素影响，因此图像的可行性很小，大量的钼聚集大小在1-3mm左右，射线拍出来的特征比较弱。从矿石角度，钼矿中钼含量少，一部分呈现细微脉状，或有黑云母等强干扰；从成像角度，矿废的综合高低能数据分布重合率高；从识别角度，钼矿特征占比少，基岩部分干扰强。传统的分类模型要准确定位提取到关键特征上的难度高，很难捕捉到钼矿和基岩的差异性，分辨矿石特征。
发明内容
鉴于上述现有技术的不足，本发明的目的在于提供一种针对脉状矿石的识别方法，旨在，解决难以定位钼矿与基岩的差异性的问题，对钼矿进行精准识别。
为了达到上述目的，本发明采取了以下技术方案：
本发明第一方面提供一种针对脉状矿石的识别方法，包括如下步骤：
获取具有类型标注的训练矿样图像，并根据所述训练矿样图像生成对应的像素掩码；
将所述像素掩码和所述训练矿样图像分别输入到空间掩码网络模型的掩码分支和主干网络中进行训练，直到模型收敛；
在推理时，屏蔽已训练完成的空间掩码网络模型中的掩码分支；
将待识别矿石图像输入到已屏蔽掩码分支的空间掩码网络模型中进行识别处理，得到针对脉状矿石的识别结果。
在一个实施例中，所述将所述像素掩码和所述训练矿样图像分别输入到空间掩码网络模型的掩码分支和主干网络中进行训练，包括：
将所述像素掩码输入到所述空间掩码网络模型的掩码分支中训练获得掩码向量；
将所述训练矿样图像输入到空间掩码网络模型的主干网络中训练获得分选结果。
在一个实施例中，所述将所述像素掩码和所述训练矿样图像分别输入到空间掩码网络模型的掩码分支和主干网络中进行训练，直到模型收敛，包括：
根据所述像素掩码、掩码向量、训练矿样图像和分选结果计算获得总损失值；
通过总损失值调整空间掩码网络模型的参数，直到模型收敛。
在一个实施例中，所述根据所述像素掩码、掩码向量、训练矿样图像和分选结果计算获得总损失值，包括：
掩码分支通过所述像素掩码和掩码向量进行交叉熵损失计算得到掩码损失；
主干网络根据所述矿样图像和分选结果通过损失函数计算得到常规损失；
根据所述掩码损失和所述常规损失加权计算得到总损失值。
在一个实施例中，所述将所述像素掩码输入到所述空间掩码网络模型的掩码分支中训练获得掩码向量，包括：
通过所述掩码向量指导所述空间掩码向量识别关键区域。
在一个实施例中，所述将待识别矿石图像输入到已屏蔽掩码分支的空间掩码网络模型中进行识别处理，包括：
所述空间掩码网络主干网络学习掩码分支识别关键区域根据分选结果识别矿样类型。
在一个实施例中，所述像素掩码包括第一权重值、第二权重和第三权重值，其中所述第一权重值表示矿石区域，所述第二权重值表示废石区域，所述第三权重值表示背景区域。
一种针对脉状矿石的识别装置，应用于摄像设备，所述装置包括：
获取模块，用于获取具有类型表示的训练矿样图像，并根据所述训练矿样图像生成对应的像素掩码；
训练模块，用于将所述像素掩码和所述训练矿样图像分别输入到空间掩码网络模型的掩码分支和主干网络中进行训练，直到模型收敛；
屏蔽模块，用于在推理时，屏蔽已训练完成的空间掩码网络模型中的掩码分支；
识别模块，用于将待识别矿石图像输入到已屏蔽掩码分支的空间掩码网络模型中进行识别处理，得到针对脉状矿石的识别结果。
一种针对脉状矿石的识别系统，所述系统包括至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行所述的针对脉状矿石的识别方法。
一种非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行时，可使得所述一个或多个处理器执行所述的针对脉状矿石的识别方法。
有益效果：本发明实施例公开了一种针对脉状矿石的识别方法、装置、系统及介质，相比于现有技术，本发明实施例利用已经标注好的矿石或者废石输入到空间掩码网络进行训练，通过训练完成的空间掩码网络模型对脉状矿石进行识别，提高对脉状矿石的识别的准确率。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1为本发明实施例提供的一种针对脉状矿石的识别方法的流程图；
图2为本发明实施例提供的一种针对脉状矿石的识别方法的模型训练流程图；
图3为本发明实施例提供的一种针对脉状矿石的识别装置的示意图；
图4为本发明实施例提供的一种针对脉状矿石的识别系统的硬件结构示意图。
具体实施方式
为了使本发明实施例所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请参阅图1，图1为本发明提供的一种针对脉状矿石的识别方法一个实施例的流程图，该方法具体包括如下步骤：
S100、获取具有类型标注的训练矿样图像，并根据所述训练矿样图像生成对应的像素掩码；
S200、将所述像素掩码和所述训练矿样图像分别输入到空间掩码网络模型的掩码分支和主干网络中进行训练，直到模型收敛；
S300、在推理时，屏蔽已训练完成的空间掩码网络模型中的掩码分支；
S400、将待识别矿石图像输入到已屏蔽掩码分支的空间掩码网络模型中进行识别处理，得到针对脉状矿石的识别结果。
本实施例中，针对钼矿的脉状细微特征识别的问题，本发明结合XRT技术提出基于特征导向注意力聚焦算法的空间掩码网络(Ferture-Directed Spatial MaskingNetwork，简称为FDSnet)，首先获取已经具有类型标注的矿石矿样图像，作为训练模型的训练矿样图像，并根据训练图像生成像素级的掩码(mask)，通过像素掩码适应不同场景和复杂度的数据，考虑到实际应用中的粗糙性，生成的像素掩码不需要太精细。在空间掩码网络模型构建掩码分支，将像素掩码输入到空间掩码网络模型的掩码分支中进行训练，以及将训练矿样图像输入到空间掩码网络模型的主干网络中进行训练，直到模型收敛，得到可以用来识别其它未知类型矿石的空间掩码网络模型。然后，将已经训练完成的空间掩码网络中的掩码分支屏蔽，通过屏蔽空间掩码网络模型中的掩码分支实现高速推理，将待识别矿石的图像输入到已经屏蔽掩码分支的空间掩码网络模型中进行识别，提高了关于识别脉状矿石的准确性。
其中，像素掩码可以被看作是一个三值图像。其中像素值为2表示需要关注的钼矿区域，像素值为1表示需要忽略的石头基岩区域，而像素值为0表示需要忽略的背景区域。
具体的，通过屏蔽FDSnet结构中的掩码分支来实现高速推理，可以避免不必要的计算和存储开销，从而提高推理的效率。因为在推理过程中，不再需要生成像素级的mask掩码，可以直接将图像输入到模型中进行处理。因为在训练阶段，已经通过像素掩码和像素掩码分支使模型能够自动关注到重要的区域，对其进行进一步的处理让空间掩码网络模型学习到更细小的脉状特征。推理阶段，本文将掩码分支结构裁屏蔽，正常进行推理。利用这种注意力机制，有效提升了模型的性能和解释性。实现一种监督机制，使模型在训练过程中更加关注掩码的关键区域。
在一个实施例中，所述步骤S200，包括：
将所述像素掩码输入到所述空间掩码网络模型的掩码分支中训练获得掩码向量；
将所述训练矿样图像输入到空间掩码网络模型的主干网络中训练获得分选结果。
本实施例中，将训练矿样图像输入至主网络得到模型预测输出分选结果，分选结果为是矿石还是废石，将像素掩码输入到掩码分支中训练得到掩码向量，掩码向量为各像素的掩码权重值。掩码向量的每个元素外对应于输入图像的每个像素的位置，权重值表示了该位置的重要性。
具体的，利用已经标注好的矿石或者废石类别加上矿石特征的位置信息作为输入，按照普通的残差网络，取出中间层的网络输出和矿石的位置信息作和网络的类别信息输出同时作监督来迭代更新，最后将训练的模型对测试集进行验证，从而区分出矿石和废石，针对脉状特征做定向监督，能让网络学习到更细小的脉状特征。利用像素级掩码对权重进行监督，从而实现了模型对特征的约束和优化。
在一个实施例中，所述步骤S200，包括：
根据所述像素掩码、掩码向量、训练矿样图像和分选结果计算获得总损失值；
通过总损失值调整空间掩码网络模型的参数，直到模型收敛。
本实施例中，如图2所示，在训练过程中，根据像素掩码、掩码向量、训练矿样图像和分选结果通过两个损失函数，分别评估两个预测结果的损失函数值，计算总损失，通过总损失调整模型参数，直到模型收敛，通常是损失值小于一定值或者迭代次数大于一定次数等，且模型通过验证和测试。使模型可以同时优化掩码分支和常规分支，达到更好的性能。
在一个实施例中，所述根据所述像素掩码、掩码向量、训练矿样图像和分选结果计算获得总损失值，包括：
掩码分支通过所述像素掩码和掩码向量进行交叉熵损失计算得到掩码损失；
主干网络根据所述矿样图像和分选结果通过损失函数计算得到常规损失；
根据所述掩码损失和所述常规损失加权计算得到总损失值。
本实施例中，掩码分支会根据像素掩码和掩码向量进行交叉熵损失计算生成掩码损失，通过最小化掩码损失，使空间掩码网络模型能够学习到如何根据像素来预测掩码向量，从而实现对关键区域的准确表示。掩码主干网络根据矿样图像和分选结果通过损失函数计算生成常规损失，将掩码损失和常规损失按权重混合后计算得到总损失值进行共同进行反向转播，使得主干网络也能学习到掩码分支所关注的特征，这样才能在推理阶段屏蔽掩码分支之后，主干网络还能保证对关键区域的关注度。
在一个实施例中，所述步骤S200，包括：
通过所述掩码向量指导所述空间掩码向量识别关键区域。
本实施例中，通过掩码向量指导空间掩码向量识别关键区域，实现了一种权重注意力监督机制。这种监督机制使得模型在训练过程中更加关注掩码中指定的区域，从而提高模型对关键特征的关注程度。可以确保需要关注的特征具有相对较大的权重，而需要忽略的位置具有相对较小的权重。在FDSnet模型中增强了模型对关键特征的关注程度。
其中，所述掩码向量包括第一权重值、第二权重和第三权重值，其中所述第一权重值表示矿石区域，所述第二权重值表示废石区域，所述第三权重值表示背景区域。
在一个实施例中，所述步骤S300，包括：
所述空间掩码网络主干网络学习掩码分支识别关键区域根据分选结果识别矿样类型。
本实施例中，掩码分支和主干网络在训练时是相互独立的，掩码分支的掩码结果不会影响主干网络的分选结果。只有在将损失混合后反向转播的过程中，主干网络会学习到掩码分支所关注的区域，从而使得主干网络也能逐渐识别关键区域。FDSnet模型能够更好地学习和捕捉重要的特征，在导出结果热力图时，能够清晰地对比不同模型的权重信息。以Resnet模型为对照组，对FDSnet模型的特征关注点进行了定位。通过对导出热力图的观察，FDSnet在关注点的约束上表现更为突出，从而能够有效地减少了背景区域的权重。对照组的权重分布十分散乱，这一点对于模型的可解释性而言并不利，而FDSnet模型则更加严格地限制了特征关注点的位置，从而为模型的解释性和可靠性带来了极大的提升。因此，FDSnet模型成为了我们的理想选择，其在关键特征的识别和可解释性方面均有显著的优势。
如图3所示，本发明另一实施例提供一种针对脉状矿石的识别装置，包括：
获取模块11，用于获取具有类型标注的训练矿样图像，并根据所述训练矿样图像生成对应的像素掩码；
训练模块12，用于将所述像素掩码和所述训练矿样图像分别输入到空间掩码网络模型的掩码分支和主干网络中进行训练，直到模型收敛；
屏蔽模块13，用于屏蔽已训练完成的空间掩码网络模型中的掩码分支；
识别模块14，用于将待识别矿石图像输入到已屏蔽掩码分支的空间掩码网络模型中进行识别处理，得到矿石识别结果。
如图3所示，获取模块11、训练模块12、屏蔽模块13和识别模块14依次连接，本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段，比程序更适合于针对脉状矿石的识别的执行过程，各模块的具体实施方式请参考上述对应的方法实施例，此处不在赘述。
本发明另一实施例提供一种针对脉状矿石的识别系统，所述系统包括至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行所述的针对脉状矿石的识别方法。
一个或多个处理器110以及存储器120，图4中以一个处理器110为例进行介绍，处理器110和存储器120可以通过总线或者其他方式连接，图4中以通过总线连接为例。
处理器110用于完成控制系统10的各种控制逻辑，其可以为通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、单片机、ARM(AcornRISCMachine)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。还有，处理器110还可以是任何传统处理器、微处理器或状态机。处理器110也可以被实现为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP和/或任何其它这种配置。
存储器120作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本发明实施例中的针对脉状矿石的识别方法对应的程序指令。处理器110通过运行存储在存储器120中的非易失性软件程序、指令以及单元，从而执行控制系统10的各种功能应用以及数据处理，即实现上述方法实施例中的一种针对脉状矿石的识别方法。
存储器120可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据控制系统10使用所创建的数据等。此外，存储器120可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器120可选包括相对于处理器110远程设置的存储器，这些远程存储器可以通过网络连接至控制系统10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个单元存储在存储器120中，当被一个或者多个处理器110执行时，执行上述任意方法实施例中的针对脉状矿石的识别方法，例如，执行以上描述的图1中的方法步骤S100至步骤S400。
本发明实施例提供了一种非易失性计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行，例如，执行以上描述的图1中的方法步骤S100至步骤S400。
作为示例，非易失性存储介质能够包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦ROM(EEPROM)或闪速存储器。易失性存储器能够包括作为外部高速缓存存储器的随机存取存储器(RAM)。通过说明而非限制，RAM可以以诸如同步RAM(SRAM)、动态RAM、(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、SynchlinkDRAM(SLDRAM)以及直接Rambus(兰巴斯)RAM(DRRAM)之类的许多形式得到。本文中所描述的操作环境的所公开的存储器组件或存储器旨在包括这些和/或任何其他适合类型的存储器中的一个或多个。
综上，本发明提供一种针对脉状矿石的识别方法、装置、系统及介质，包：当然，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关硬件(如处理器，控制器等)来完成，所述的计算机程序可存储于一非易失性计算机可读取的存储介质中，该计算机程序在执行时可包括如上述各方法实施例的流程。其中所述的存储介质可为存储器、磁碟、软盘、闪存、光存储器等。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种针对脉状矿石的识别方法，其特征在于，包括如下步骤：
获取具有类型标注的训练矿样图像，并根据所述训练矿样图像生成对应的像素掩码；
将所述像素掩码和所述训练矿样图像分别输入到空间掩码网络模型的掩码分支和主干网络中进行训练，直到模型收敛；
在推理时，屏蔽已训练完成的空间掩码网络模型中的掩码分支；
将待识别矿石图像输入到已屏蔽掩码分支的空间掩码网络模型中进行识别处理，得到矿石识别结果。
2.根据权利要求1所述的针对脉状矿石的识别方法，其特征在于，所述将所述像素掩码和所述训练矿样图像分别输入到空间掩码网络模型的掩码分支和主干网络中进行训练，包括：
将所述像素掩码输入到所述空间掩码网络模型的掩码分支中训练获得掩码向量；
将所述训练矿样图像输入到空间掩码网络模型的主干网络中训练获得分选结果。
3.根据权利要求2所述的针对脉状矿石的识别方法，其特征在于，所述将所述像素掩码和所述训练矿样图像分别输入到空间掩码网络模型的掩码分支和主干网络中进行训练，直到模型收敛，包括：
根据所述像素掩码、掩码向量、训练矿样图像和分选结果计算获得总损失值；
通过总损失值调整空间掩码网络模型的参数，直到模型收敛。
4.根据权利要求3所述的针对脉状矿石的识别方法，其特征在于，所述根据所述像素掩码、掩码向量、训练矿样图像和分选结果计算获得总损失值，包括：
掩码分支通过所述像素掩码和掩码向量进行交叉熵损失计算得到掩码损失；
主干网络根据所述矿样图像和分选结果通过损失函数计算得到常规损失；
根据所述掩码损失和所述常规损失加权计算得到总损失值。
5.根据权利要求2所述的针对脉状矿石的识别方法，其特征在于，所述将所述像素掩码输入到所述空间掩码网络模型的掩码分支中训练获得掩码向量，包括：
通过所述掩码向量指导所述空间掩码向量识别关键区域。
6.根据权利要求1所述的针对脉状矿石的识别方法，其特征在于，所述将待识别矿石图像输入到已屏蔽掩码分支的空间掩码网络模型中进行识别处理，包括：
所述空间掩码网络主干网络学习掩码分支识别关键区域根据分选结果识别矿样类型。
7.根据权利要求2所述的针对脉状矿石的识别方法，其特征在于，所述掩码向量包括第一权重值、第二权重和第三权重值，其中所述第一权重值表示矿石区域，所述第二权重值表示废石区域，所述第三权重值表示背景区域。
8.一种针对脉状矿石的识别装置，其特征在于，应用于机器视觉设备，所述装置包括：
获取模块，用于获取具有类型表示的训练矿样图像，并根据所述训练矿样图像生成对应的像素掩码；
训练模块，用于将所述像素掩码和所述训练矿样图像分别输入到空间掩码网络模型的掩码分支和主干网络中进行训练，直到模型收敛；
屏蔽模块，用于在推理时，屏蔽已训练完成的空间掩码网络模型中的掩码分支；
识别模块，用于将待识别矿石图像输入到已屏蔽掩码分支的空间掩码网络模型中进行识别处理，得到矿石识别结果。
9.一种针对脉状矿石的识别系统，其特征在于，所述系统包括至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7任一项所述的针对脉状矿石的识别方法。
10.一种非易失性计算机可读存储介质，其特征在于，所述非易失性计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行时，可使得所述一个或多个处理器执行权利要求1-7任一项所述的针对脉状矿石的识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311803225.6A CN117788905A (zh) | 2023-12-26 | 2023-12-26 | 一种针对脉状矿石的识别方法、装置、系统及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311803225.6A CN117788905A (zh) | 2023-12-26 | 2023-12-26 | 一种针对脉状矿石的识别方法、装置、系统及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117788905A true CN117788905A (zh) | 2024-03-29 |
Family
ID=90384909
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311803225.6A Pending CN117788905A (zh) | 2023-12-26 | 2023-12-26 | 一种针对脉状矿石的识别方法、装置、系统及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117788905A (zh) |
-
2023
- 2023-12-26 CN CN202311803225.6A patent/CN117788905A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110059558B (zh) | 一种基于改进ssd网络的果园障碍物实时检测方法 | |
| WO2020047420A1 (en) | Method and system for facilitating recognition of vehicle parts based on a neural network | |
| CN107392125A (zh) | 智能模型的训练方法/系统、计算机可读存储介质及终端 | |
| CN110135302B (zh) | 训练车道线识别模型的方法、装置、设备和存储介质 | |
| CN111309222B (zh) | 一种滑块验证码的滑块缺口定位及拖动轨迹生成方法 | |
| CN111310156B (zh) | 一种滑块验证码的自动识别方法及系统 | |
| CN111539355A (zh) | 一种基于深层神经网络的光伏板异物检测系统及检测方法 | |
| CN110458168A (zh) | 车辆检测报告的处理方法、装置、计算机设备和存储介质 | |
| CN106845416A (zh) | 障碍物识别方法及装置、计算机设备及可读介质 | |
| CN111401472B (zh) | 基于深度卷积神经网络的红外目标分类方法和装置 | |
| CN111310155B (zh) | 一种用于滑块验证码自动识别的系统架构及实现方法 | |
| CN113822278A (zh) | 一种无受限场景车牌识别方法 | |
| Waqas et al. | Vehicle damage classification and fraudulent image detection including moiré effect using deep learning | |
| KR20210121628A (ko) | 강화학습 기반 포인트 클라우드 자동화 처리 방법 및 그 시스템 | |
| CN108898618A (zh) | 一种弱监督视频物体分割方法及装置 | |
| CN117788905A (zh) | 一种针对脉状矿石的识别方法、装置、系统及介质 | |
| CN112232226A (zh) | 通过判别式模型检测目标对象的方法和系统 | |
| CN111008607A (zh) | 一种视觉伺服飞机舱门缝隙自动化激光扫描方法和系统 | |
| US20230194847A1 (en) | Microscopy System and Method for Modifying Microscope Images in the Feature Space of a Generative Network | |
| CN115240125A (zh) | 一种场景图像中对象的检测方法及装置 | |
| US11755688B2 (en) | Apparatus and method for generating training data for a machine learning system | |
| CN110097077A (zh) | 点云数据分类方法、装置、计算机设备和存储介质 | |
| CN110751112B (zh) | 一种基于计算机视觉的小鼠脑图谱绘制辅助系统及方法 | |
| Cornett et al. | Through the windshield driver recognition | |
| CN111444772A (zh) | 基于nvidia tx2的行人检测方法 |
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 |