CN108090434B - 一种矿石快速识别方法 - Google Patents
一种矿石快速识别方法 Download PDFInfo
- Publication number
- CN108090434B CN108090434B CN201711326240.0A CN201711326240A CN108090434B CN 108090434 B CN108090434 B CN 108090434B CN 201711326240 A CN201711326240 A CN 201711326240A CN 108090434 B CN108090434 B CN 108090434B
- Authority
- CN
- China
- Prior art keywords
- ore
- image
- training
- identification method
- saliency map
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; 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
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
一种矿石快速识别方法，包括：S1、获取矿石训练图像并基于深度学习训练所述矿石训练图像以获得多个建模系数；S2、基于所述多个建模系数构建处理模型；S3、基于所述处理模型测试待测矿石图像以获得掩膜图像；S4、基于所述待测矿石图像和所述掩膜图像获得矿石图像以识别矿石。实施本发明的矿石快速识别方法和计算机可读存储介质，通过基于深度学习训练获得的处理模型识别矿石，能够以很高的精度快速准确地自动识别矿石。
Description
技术领域
本发明涉及矿石识别领域，更具体地说，涉及一种矿石快速识别方法。
背景技术
钨在冶金和金属材料领域中属高熔点稀有金属或称难熔稀有金属。钨及其合金是现代工业、国防及高新技术应用中的极为重要的功能材料之一，广泛应用于航天、原子能、船舶、汽车工业、电气工业、电子工业、化学工业等诸多领域。在现有技术中，通常采用手选方式对钨矿矿石进行识别采选，因此存在生产效率低、成本高、工人劳动强度大且分选率低的缺陷。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种矿石快速识别方法，其采用处理器可以进行矿石自动光学识别，因此生产效率高、成本低且分选率高。
本发明解决其技术问题所采用的技术方案是：构造一种矿石快速识别方法，包括：
S1、获取矿石训练图像并基于深度学习训练所述矿石训练图像以获得多个建模系数；
S2、基于所述多个建模系数构建处理模型；
S3、基于所述处理模型测试待测矿石图像以获得掩膜图像；
S4、基于所述待测矿石图像和所述掩膜图像获得矿石图像以识别矿石。
在本发所述的矿石快速识别方法中，所述步骤S1进一步包括：
S11、获取矿石训练图像并且提取所述矿石训练图像的特征性质和矿石空间坐标；
S12、基于所述特征性质构获得所述矿石训练图像的性质显著图且基于所述矿石空间坐标获得所述矿石训练图像的位置显著图；
S13、基于所述性质显著图和所述位置显著图计算所述多个建模系数。
在本发所述的矿石快速识别方法中，所述步骤S12进一步包括：
S121、采用高斯金字塔和中央周边差算法基于多个所述特征性质构建所述矿石训练图像的多个特征性质图；
S122、采用交叉尺度组合和归一化算子基于多个所述特征性质图获得所述矿石训练图像的多个所述性质显著图；以及
S123、采用二维高斯分布基于所述矿石空间坐标获得所述矿石训练图像的位置显著图。
在本发所述的矿石快速识别方法中，所述步骤S13进一步包括：
S131、采用尺度不变特征转换算法基于多个所述性质显著图和所述位置显著图计算所述多个建模系数。
在本发所述的矿石快速识别方法中，所述特征性质包括：颜色、亮度、透明度和反射率。
在本发所述的矿石快速识别方法中，所述步骤S2进一步包括：
S21、采用卷积神经网络基于所述多个建模系数构建所述处理模型，其中所述卷积神经网络采用ReLU激活函数。
在本发所述的矿石快速识别方法中，所述步骤S3进一步包括:
S31、采用CCD面阵相机扫描获取待测矿石图像；
S32、采用所述处理模型测试所述待测矿石图像以生成测试显著图；
S33、优化处理所述测试显著图以生成所述掩膜图像；
其中所述优化处理包括阈值分割、形态学处理和中值滤波处理。
在本发所述的矿石快速识别方法中，所述步骤S4进一步包括
S41、对所述待测矿石图像进行边角点检测以获得边角点特征点集；
S42、将所述边角点特征点集与所述掩膜图像相乘以获得矿石图像；
S43、对所述矿石图像进行分割处理以获得矿石图像区域和背景区域；
S44、将所述矿石图像区域识别为矿石。
在本发所述的矿石快速识别方法中，所述步骤S4进一步包括:
S45、将所述矿石图像区域的位置转换成所述矿石的运动位置；
S46、驱动喷射装置基于所述运动位置喷射所述矿石。
本发明解决其技术问题采用的另一技术方案是，构造一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现所述的矿石快速识别方法。
实施本发明的矿石快速识别方法和计算机可读存储介质，通过基于深度学习训练获得的处理模型识别矿石，可以以很高的精度快速准确地自动识别矿石。进一步地，通过采用CCD面阵相机可以在同一时刻获得更多的矿石特征性质，提高空间分辨率，处理量大。再进一步地，通过基于采用ReLU激活函数的卷积神经网络构建处理模型，能够更加有效地对即使发生位移、变形的待测矿石图像进行识别，进而进一步提高识别的准确性。
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是本发明的矿石快速识别方法的第一实施例的流程图；
图2是本发明的矿石快速识别方法的第二实施例的流程图；
图3是图2所示的矿石快速识别方法中采用的卷积神经网络的模型结构图；
图4A-4E是采用图2所示的矿石快速识别方法识别的第一矿场的矿石的效果示意图；
图5A-5D是采用图2所示的矿石快速识别方法识别的第二矿场的矿石的效果示意图。
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。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。
本发明涉及一种矿石快速识别方法。本发明的各个方面包括获取矿石训练图像并基于深度学习训练所述矿石训练图像以获得多个建模系数；基于所述多个建模系数构建处理模型；以及基于所述待测矿石图像和所述掩膜图像获得矿石图像以识别矿石。实施本发明的矿石快速识别方法和计算机可读存储介质，通过基于深度学习训练获得的处理模型识别矿石，可以以很高的精度快速准确地自动识别矿石。
图1是本发明的矿石快速识别方法的第一实施例的流程图。如图1所示，本发明的矿石快速识别方法包括以下步骤。在步骤S1中，获取矿石训练图像并基于深度学习训练所述矿石训练图像以获得多个建模系数。在本发明的一个优选实施例中，可以采用工业相机，例如面阵相机和线阵相机进行拍摄。然后将拍摄的矿石训练图像通过千兆网、cameralink、USB3.0等接口直接传入处理器，例如计算机。然后，计算机利用这些矿石训练图像，基于深度学习训练所述矿石训练图像，从而构造出所需的建模系数。例如可以对属于不同矿山的矿石训练图像进行大量的采样，自组织地建立关于待测石料的颜色、亮度、透明度和反射率等特征参数与该待测石料是否为矿石之间的可选关系，通过学习和训练，构建所需的建模系数。
在所述步骤S2中，基于所述多个建模系数构建处理模型。例如，在本发明的一个优选实施例中，可以采用卷积神经网络基于所述多个建模系数构建所述处理模型。在本发明中，由于对于矿石的识别是将图像识别问题作为一能量函数最小化问题来处理,能量函数决定了网络结构。基于神经网络的图像识别分割的基本思想是通过训练多层感知机来得到线性决策函数,然后用决策函数对像素进行分类来达到分割的目的。神经网络一般要用训练样本对其进行训练。图像识别可以看作一个约束满足问题(CSP),并利用约束满足神经网络来解决。神经认知机对模式信号的识别比认知机强得多，无论信号的变换、转换、失真、大小的改变都可以处理。神经认知机将一个视觉模式分解成许多子模式(特征)，然后进入分层递阶式相连的特征平面进行处理，它试图将视觉系统模型化，使其能够在即使物体有位移或轻微变形的时候，也能完成识别。通常神经认知机包含两类神经元，即承担特征抽取的S-元和抗变形的C-元。S-元中涉及两个重要参数，即感受野与阈值参数，前者确定输入连接的数目，后者则控制对特征子模式的反应程度。因此，在本发明的一个优选实施例中，可以采用卷积神经网络LeNet-5。
在步骤S3中，基于所述处理模型测试待测矿石图像以获得掩膜图像。在本发明的一个优选实施例中，可以采用工业相机，例如面阵相机和线阵相机进行拍摄。然后将拍摄的图像通过千兆网、camera link、USB3.0等接口直接传入处理器，例如计算机。然后可以将这些图像作为待测矿石图像。将这些待测矿石图像采用所述处理模型测试之后，就可以直接生成掩膜图像。当然，在本发明的其他优选实施例中，还可以对生成的图像进行优化处理，然后再将优化后的图像作为掩膜图像。
在步骤S4中，基于所述待测矿石图像和所述掩膜图像获得矿石图像以识别矿石。在本发明的一个优选实施例中，可以对待测试矿石图像进行预处理，也可以直接将所述待测矿石图像和所述掩膜图像相乘直接获得矿石图像。这时可以将矿石图像直接分割处理成矿石图像区域和背景区域。然后将矿石图像区域识别为矿石。在本发明的进一步的优选实施例中，还可以将所述矿石图像区域的位置转换成所述矿石的运动位置，然后驱动喷射装置基于所述运动位置喷射所述矿石。
本领域技术人员知悉，在本发明中，建立处理模型的步骤S1-S2和测试识别步骤S3-S4并不一定需要连续顺序执行。例如，可以首先执行步骤S1-S2以获得合适的处理模型，然后将该处理模型重复用于执行步骤S3-S4以完成矿石识别。
实施本发明的矿石快速识别方法，通过基于深度学习训练获得的处理模型识别矿石，可以以很高的精度快速准确地自动识别矿石。
图2是本发明的矿石快速识别方法的第二实施例的流程图。如图2所示，在步骤S1中，获取矿石训练图像并且提取所述矿石训练图像的特征性质和矿石空间坐标。在本发明的一个优选实施例中，可以采用工业相机，例如面阵相机和线阵相机进行拍摄。然后将拍摄的矿石训练图像通过千兆网、camera link、USB3.0等接口直接传入处理器，例如计算机。然后，可以分别提取所述矿石训练图像的特征性质和矿石空间坐标。例如可以提取一个、两个、三个或者多个特征性质。所述特征性质可以包括颜色、亮度、透明度和反射率等等特征参数中的一者或以上。在本发明的一个优选实施例中，可以多线程同时提取多个特征性质以及矿石空间坐标。
在步骤S2中，基于所述特征性质获得所述矿石训练图像的性质显著图且基于所述矿石空间坐标获得所述矿石训练图像的位置显著图。在本发明的一个优选实施例中，可以同时多线程分别采用高斯金字塔和中央周边差算法基于多个所述特征性质构建所述矿石训练图像的多个特征性质图。然后，采用交叉尺度组合和归一化算子基于多个所述特征性质图获得所述矿石训练图像的多个所述性质显著图。与此同时，或者之后，可以采用二维高斯分布基于所述矿石空间坐标获得所述矿石训练图像的位置显著图。
在步骤S3中，基于所述性质显著图和所述位置显著图计算所述多个建模系数。在本发明的一个优选实施例中，可以采用尺度不变特征转换算法基于多个所述性质显著图和所述位置显著图计算所述多个建模系数。
在步骤S4中，采用卷积神经网络基于所述多个建模系数构建所述处理模型。在本实施例中，所述卷积神经网络采用ReLU激活函数。图3是图2所示的矿石快速识别方法中采用的卷积神经网络的模型结构图，如图3所示，该卷积神经网络从输入层和输出层由前到后分别为conv1、pool1、conv2、pool2、内积层1、ReLU激活函数、内积层2。将输入数据为64张大小为256*256的矿石训练图像为一组(共有64*3*256*256个元素)；conv1层读取该输入数据进行卷积运算，conv1层中过滤器(也就是卷积核)大小为5*5，步长为1，输出20个大小为252*252的特征图(共有64*20*252*252个元素)；conv1到pool1层进行最大池化，输出特征图的宽和高池化到上一层的一半大小，特征图数量不变，输出20个大小为126*126的特征图(共有64*20*126*126个元素)；同理，conv2输出50个大小为122*122的特征图(共有64*50*122*122个元素)；pool2输出50个大小为61*61的特征图(共有64*50*61*61个元素)。内积层1输出500个特征图(共64*500个元素)；之后经过ReLU，元素数量没有变化；内积层2输出特征图为N(共64*N，N为大于或者等于2的整数)，意在表示本网络模型做的是N-分类，最终以SoftMaxWithLoss函数计算结果作为输出结果。
在本实施例中，采用的激活函数为ReLU，当然在本发明的其他实施例中，也可以采用sigmoid作为激活函数。在本发明中，采用ReLU激活函数的优势不仅仅在于有效避免局部最优问题，还可以，将输入数据映射到最后输出层，让输出层中的数据样本变得线性可分。
在步骤S5中，采用CCD面阵相机扫描获取待测矿石图像。在本发明的一个优选实施例中，可以采用工业相机，例如面阵相机和线阵相机进行拍摄。然后将拍摄的图像通过千兆网、camera link、USB3.0等接口直接传入处理器，例如计算机。然后可以将这些图像作为待测矿石图像。
在步骤S6中，采用步骤S4中获得的所述处理模型测试所述待测矿石图像以生成测试显著图。在本发明的一个优选实施例中，可以采用结果分析以及视觉优化处理模型。本领域技术人员可以采用任何已知的处理方法来利用所述处理模型测试所述待测矿石图像以生成测试显著图。
在步骤S7中，优化处理所述测试显著图以生成所述掩膜图像。在本发明的一个优选实施例中，可以采用阈值分割、形态学处理和中值滤波处理进行优化处理。在本发明的其他优选实施例中，还可以采用其他适合的处理方法进行相关优化。
在步骤S8中，对从步骤S5中获得的所述待测矿石图像进行边角点检测以获得边角点特征点集。当然，在本发明的其他优选实施例中，可以不对所述待测矿石图像进行处理，也可以进行其他类型的预处理。
在步骤S9中，将从步骤S8获得的所述边角点特征点集与从所述步骤S7获得的所述掩膜图像相乘以获得矿石图像。
在步骤S10中，可以所述矿石图像进行分割处理以获得矿石图像区域和背景区域。在本发明中，可以利用本领域中已知的任何图像分割算法，例如水岭分割算法、金字塔分割算法以及均值漂移分割算法等等进行图像分割。
在步骤S11中，可以将所述矿石图像区域识别为矿石。在本发明的优选实施例中，还可以将所述矿石图像区域的位置转换成所述矿石的运动位置，然后驱动喷射装置基于所述运动位置喷射所述矿石。在本发明的优选实施例中，还可以将识别为矿石的区域与实际情况进行对比，从而计算矿石快速识别方法的准确率的步骤。
图4A-4E是采用图2所示的矿石快速识别方法识别的第一矿场的矿石的效果示意图。图5A-5D是采用图2所示的矿石快速识别方法识别的第二矿场的矿石的效果示意图。如图4A-5D所示，虽然图像发生位移，变形，也能准确进行识别。
本领域技术人员知悉，如前所述，对于上述步骤S1-S11，除文中另有定义外，其执行顺序可以打乱，也可以同时执行，或者逆序执行，也可以不连续执行，而是间隔执行。
实施本发明的矿石快速识别方法，通过基于深度学习训练获得的处理模型识别矿石，可以以很高的精度快速准确地自动识别矿石。进一步地，通过采用CCD面阵相机可以在同一时刻获得更多的矿石特征性质，提高空间分辨率，可以对粒级较小的矿石进行分选，处理量大，可实现40t/h。再进一步地，通过基于采用ReLU激活函数的卷积神经网络构建处理模型，能够更加有效地对即使发生位移、变形的待测矿石图像进行识别，进而进一步提高识别的准确性。
本发明的另一个实施例提供一种可机读存储器和/或存储介质，其内存储的机器代码和/或计算机程序包括至少一个代码段，由机器和/或计算机执行而使得该机器和/或计算机执行本申请中描述的矿石快速识别方法的各个步骤。
在本发明中，通过对卷积神经网络进行整体设计，定义适合的激活函数及池化方案，采用多GPU并行设计思路，实现了矿石的快速识别技术。此外，采用CCD面阵相机扫描获取矿石图像，可以在同一时刻获取更多的矿石表面特征信息，将空间分辨率提高到0.05/mm。此外通过卷积神经网络构建了矿石和非矿石的分类模型，并设计了基于FPGA的毫秒级图像处理引擎，实现了在自由落体式给料方式的情况下，快速准确的分选出含脉矿石，具有较高的精度。
因此，本发明可以通过硬件、软件或者软、硬件结合来实现。本发明可以在至少一个计算机系统中以集中方式实现，或者由分布在几个互连的计算机系统中的不同部分以分散方式实现。任何可以实现本发明方法的计算机系统或其它设备都是可适用的。常用软硬件的结合可以是安装有计算机程序的通用计算机系统，通过安装和执行程序控制计算机系统，使其按本发明方法运行。
本发明还可以通过计算机程序产品进行实施，程序包含能够实现本发明方法的全部特征，当其安装到计算机系统中时，可以实现本发明的方法。本文件中的计算机程序所指的是：可以采用任何程序语言、代码或符号编写的一组指令的任何表达式，该指令组使系统具有信息处理能力，以直接实现特定功能，或在进行下述一个或两个步骤之后实现特定功能：a)转换成其它语言、编码或符号；b)以不同的格式再现。
虽然本发明是通过具体实施例进行说明的，本领域技术人员应当明白，在不脱离本发明范围的情况下，还可以对本发明进行各种变换及等同替代。另外，针对特定情形或材料，可以对本发明做各种修改，而不脱离本发明的范围。因此，本发明不局限于所公开的具体实施例，而应当包括落入本发明权利要求范围内的全部实施方式。
Claims (9)
1.一种矿石快速识别方法，其特征在于，包括：
S1、获取矿石训练图像并基于深度学习训练所述矿石训练图像以获得多个建模系数；
S2、基于所述多个建模系数构建处理模型；
S3、基于所述处理模型测试待测矿石图像以获得掩膜图像；
S4、基于所述待测矿石图像和所述掩膜图像获得矿石图像以识别矿石；
其中所述步骤S4进一步包括：
S41、对所述待测矿石图像进行边角点检测以获得边角点特征点集；
S42、将所述边角点特征点集与所述掩膜图像相乘以获得矿石图像；
S43、对所述矿石图像进行分割处理以获得矿石图像区域和背景区域；
S44、将所述矿石图像区域识别为矿石。
2.根据权利要求1所述的矿石快速识别方法，其特征在于，所述步骤S1进一步包括：
S11、获取矿石训练图像并且提取所述矿石训练图像的特征性质和矿石空间坐标；
S12、基于所述特征性质构获得所述矿石训练图像的性质显著图且基于所述矿石空间坐标获得所述矿石训练图像的位置显著图；
S13、基于所述性质显著图和所述位置显著图计算所述多个建模系数。
3.根据权利要求2所述的矿石快速识别方法，其特征在于，所述步骤S12进一步包括：
S121、采用高斯金字塔和中央周边差算法基于多个所述特征性质构建所述矿石训练图像的多个特征性质图；
S122、采用交叉尺度组合和归一化算子基于多个所述特征性质图获得所述矿石训练图像的多个所述性质显著图；
S123、采用二维高斯分布基于所述矿石空间坐标获得所述矿石训练图像的位置显著图。
4.根据权利要求3所述的矿石快速识别方法，其特征在于，所述步骤S13进一步包括：
S131、采用尺度不变特征转换算法基于多个所述性质显著图和所述位置显著图计算所述多个建模系数。
5.根据权利要求4所述的矿石快速识别方法，其特征在于，所述特征性质包括：颜色、亮度、透明度和反射率。
6.根据权利要求1-5中任意一项权利要求所述的矿石快速识别方法，其特征在于，所述步骤S2进一步包括：
S21、采用卷积神经网络基于所述多个建模系数构建所述处理模型，其中所述卷积神经网络采用ReLU激活函数。
7.根据权利要求6所述的矿石快速识别方法，其特征在于，所述步骤S3进一步包括：
S31、采用CCD面阵相机扫描获取待测矿石图像；
S32、采用所述处理模型测试所述待测矿石图像以生成测试显著图；
S33、优化处理所述测试显著图以生成所述掩膜图像；
其中所述优化处理包括阈值分割、形态学处理和中值滤波处理。
8.根据权利要求1所述的矿石快速识别方法，其特征在于，所述步骤S4进一步包括:
S45、将所述矿石图像区域的位置转换成所述矿石的运动位置；
S46、驱动喷射装置基于所述运动位置喷射所述矿石。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现根据权利要求1-8中任意一项权利要求所述的矿石快速识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711326240.0A CN108090434B (zh) | 2017-12-13 | 2017-12-13 | 一种矿石快速识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711326240.0A CN108090434B (zh) | 2017-12-13 | 2017-12-13 | 一种矿石快速识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108090434A CN108090434A (zh) | 2018-05-29 |
| CN108090434B true CN108090434B (zh) | 2020-06-23 |
Family
ID=62175225
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711326240.0A Active CN108090434B (zh) | 2017-12-13 | 2017-12-13 | 一种矿石快速识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108090434B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109284780A (zh) * | 2018-09-10 | 2019-01-29 | 中山大学 | 矿石矿物图像自动识别与分类方法 |
| CN109800728A (zh) * | 2019-01-28 | 2019-05-24 | 济南浪潮高新科技投资发展有限公司 | 一种基于深度学习的矿物质快速识别的方法 |
| CN110000116B (zh) * | 2019-04-19 | 2021-04-23 | 福建铂格智能科技股份公司 | 一种基于深度学习的自由落体果蔬分选方法及系统 |
| CN110458119B (zh) * | 2019-08-15 | 2020-08-18 | 中国水利水电科学研究院 | 一种非接触式测量的混凝土骨料级配快速识别方法 |
| CN110706267B (zh) * | 2019-09-04 | 2022-11-15 | 五邑大学 | 一种基于采矿过程的矿石三维坐标获取方法及其装置 |
| CN110930393A (zh) * | 2019-11-28 | 2020-03-27 | 兰州石化职业技术学院 | 一种基于机器视觉的芯片料管计数方法、装置及系统 |
| CN112317362A (zh) * | 2020-09-24 | 2021-02-05 | 赣州好朋友科技有限公司 | 石英伴生金矿的分选方法、装置和可读存储介质 |
| CN120047480B (zh) * | 2025-04-27 | 2025-12-02 | 北京霍里思特科技有限公司 | 图像分割方法、图像分割装置、电子设备以及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6988610B2 (en) * | 2002-01-14 | 2006-01-24 | Carnegie Mellon University | Conveyor belt inspection system and method |
| CN103886290A (zh) * | 2014-03-13 | 2014-06-25 | 西安交通大学 | 一种复杂背景下的煤流视频检测方法 |
| CN104657988A (zh) * | 2015-02-04 | 2015-05-27 | 中国矿业大学 | 基于角点与曲率检测的微细粒粘连矿石颗粒图像分割方法 |
| CN106204570A (zh) * | 2016-07-05 | 2016-12-07 | 安徽工业大学 | 一种基于非因果分数阶梯度算子的角点检测方法 |
| CN103927528B (zh) * | 2014-05-05 | 2017-02-01 | 中国矿业大学(北京) | 基于紧邻域像素灰度联合分布特征的煤岩识别方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521572A (zh) * | 2011-12-09 | 2012-06-27 | 中国矿业大学 | 一种煤和矸石的图像识别方法 |
| CN103530621B (zh) * | 2013-11-04 | 2016-09-07 | 中国矿业大学(北京) | 一种基于bp神经网络的煤岩图像识别方法 |
| CN103984940B (zh) * | 2014-06-03 | 2017-12-26 | 核工业北京地质研究院 | 一种基于高光谱数据识别赤铁矿化的方法 |
-
2017
- 2017-12-13 CN CN201711326240.0A patent/CN108090434B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6988610B2 (en) * | 2002-01-14 | 2006-01-24 | Carnegie Mellon University | Conveyor belt inspection system and method |
| CN103886290A (zh) * | 2014-03-13 | 2014-06-25 | 西安交通大学 | 一种复杂背景下的煤流视频检测方法 |
| CN103927528B (zh) * | 2014-05-05 | 2017-02-01 | 中国矿业大学(北京) | 基于紧邻域像素灰度联合分布特征的煤岩识别方法 |
| CN104657988A (zh) * | 2015-02-04 | 2015-05-27 | 中国矿业大学 | 基于角点与曲率检测的微细粒粘连矿石颗粒图像分割方法 |
| CN106204570A (zh) * | 2016-07-05 | 2016-12-07 | 安徽工业大学 | 一种基于非因果分数阶梯度算子的角点检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 图像语义分析与理解综述;高隽;《模式识别与人工智能》;20100415;全文 * |
| 基于改进的Harris算法检测角点;周龙萍;《计算机技术与发展》;20130210;全文 * |
| 混合像元分解法在植被覆盖区矿化蚀变信息提取中的应用——以江西大浩山金矿区为例;程潭武，等;《地质学刊》;20170928;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108090434A (zh) | 2018-05-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108090434B (zh) | 一种矿石快速识别方法 | |
| Tang et al. | Online PCB defect detector on a new PCB defect dataset | |
| Jiao et al. | A configurable method for multi-style license plate recognition | |
| CN112862770B (zh) | 一种基于人工智能的缺陷分析诊断系统、方法、装置 | |
| JP7649350B2 (ja) | ビジョンシステムで画像内のパターンを検出及び分類するためのシステム及び方法 | |
| Yevsieiev et al. | Object Recognition and Tracking Method in the Mobile Robot’s Workspace in Real Time | |
| CN111428731A (zh) | 基于机器视觉的多类目标识别定位方法、装置和设备 | |
| US20230201973A1 (en) | System and method for automatic detection of welding tasks | |
| CN108108678B (zh) | 一种钨矿矿石识别分选方法 | |
| Wang et al. | Deep learning-based connector detection for robotized assembly of automotive wire harnesses | |
| Meng et al. | A robust and efficient method for license plate recognition | |
| Li et al. | Small Target Detection Model in Aerial Images Based on YOLOv7X+. | |
| Zhou et al. | A novel convolutional neural network for electronic component classification with diverse backgrounds | |
| CN106778675B (zh) | 一种视频图像中目标对象的识别方法和装置 | |
| CN113706437B (zh) | 一种输电线路细粒度螺栓缺陷诊断方法及系统 | |
| TW201601119A (zh) | 物件辨識與定位方法 | |
| Tan et al. | Research on YOLOv8 Application in Bolt and Nut Detection for Robotic Arm Vision | |
| CN113762159A (zh) | 一种基于有向箭头模型的目标抓取检测方法及系统 | |
| Iqbal et al. | Automated Meter Reading Detection Using Inception with Single Shot Multi-Box Detector. | |
| Law et al. | Enhancing printed circuit board defect detection through ensemble learning | |
| CN114120318B (zh) | 一种基于集成决策树的暗场图像目标点精确提取方法 | |
| Kälber et al. | U-Net based Zero-hour Defect Inspection of Electronic Components and Semiconductors. | |
| CN118135179A (zh) | 切割板件的级联识别方法、装置、计算机设备和存储介质 | |
| Pan et al. | An Improved Faster Region-based Convolutional Neural Network Algorithm for Identification of Steel Coil End-head. | |
| Papagianni et al. | Surface Defects Detection on Pressure Die Castings by Machine Learning Exploiting Machine Vision Features |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Fast Identification Method for Ores Effective date of registration: 20230803 Granted publication date: 20200623 Pledgee: Everbright Xinglong Trust Co.,Ltd. Pledgor: GANZHOU GOOD FRIEND TECHNOLOGY Co.,Ltd. Registration number: Y2023980050931 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| CP03 | Change of name, title or address |
Address after: 341000 C 301, floor 3, building C, small business incubation base, Gongye 3rd road, Hong Kong Industrial Park, Ganzhou Development Zone, Jiangxi Province Patentee after: Ganzhou Good Friend Technology Co.,Ltd. Country or region after: China Address before: 341000 C 301, floor 3, building C, small business incubation base, Gongye 3rd road, Hong Kong Industrial Park, Ganzhou Development Zone, Jiangxi Province Patentee before: GANZHOU GOOD FRIEND TECHNOLOGY Co.,Ltd. Country or region before: China |
|
| CP03 | Change of name, title or address |