-
公开(公告)号：CN111639212B
公开(公告)日：2023-09-05
申请号：CN202010464038.X
申请日：2020-05-27
Applicant: 中国矿业大学
IPC: G06F16/583 , G06V10/77 , G06V10/50 , G06V10/30
Abstract: 本发明涉及一种矿用智能视频分析中的图像检索方法，属于图像检索技术领域，解决了现有技术检索准确率低、效率低，导致矿井安全生产视频监控中的异常行为和场景识别可靠性低的问题。该方法包括，对包含矿井异常信息的目标图像进行预处理获得相同的第一图像和第二图像；从第一图像中获得方差自适应量化颜色直方图；从第二图像中提取梯度信息和符号信息；将方差自适应量化颜色直方图、梯度信息及符号信息进行特征自适应融合获得目标图像的融合特征；对融合特征进行降维获得融合主特征；利用融合主特征在矿井视频所包含的多帧图像中进行检索以实时辨识矿井异常。该方法在提高检索效果的同时，提高了矿井异常监控效率，提升矿井的安全检测水平。
-
公开(公告)号：CN109359594B
公开(公告)日：2022-06-21
申请号：CN201811209503.4
申请日：2018-10-17
Applicant: 中国矿业大学
Abstract: 本发明涉及一种基于视频处理的矿井皮带异常检测方法及装置，在皮带机之间的落煤口处架设高清摄像机，摄像机拍摄画面正对落煤口，实时采集落煤口视频信息，处理过程可视化；该方法包括：对落煤口监控视频提取的帧图像进行预处理，所述预处理包括图像灰度化和滤波处理；计算经预处理后的图像中煤颗粒像素数nc和划定检测区域总像素数n的比值，得到相对面积λs；当所述相对面积λs大于第一阈值Ts1时，确定所述图像中存在大煤块或堆煤情况；所述第一阈值Ts1取值范围：0
-
公开(公告)号：CN111767928B
公开(公告)日：2023-08-08
申请号：CN202010597462.1
申请日：2020-06-28
Applicant: 中国矿业大学
IPC: G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/047
Abstract: 本发明涉及一种基于卷积神经网络提取图像特征信息的方法及装置，属于图像处理技术领域，解决了现有卷积神经网络中的卷积核基于系统随机生成造成浪费大量时间的问题。获取原始图像对应的原始图像矩阵，对原始图像矩阵进行分块，得到N个像素块；基于像素值依次为N个像素块添加标签，得到M个标签；获取每个标签中的1个像素块对应的像素值概率矩阵，基于像素值概率矩阵得到M个标签对应的M个卷积核；将原始图像矩阵输入卷积神经网络，基于M个标签及M个卷积核对原始图像矩阵进行卷积，得到原始图像对应的特征信息。实现了图像特征信息的提取，节省了卷积的时间。
-
公开(公告)号：CN110210447B
公开(公告)日：2023-07-11
申请号：CN201910507223.X
申请日：2019-06-12
Applicant: 中国矿业大学
Abstract: 本发明公开一种井下危险区域运动目标检测方法及装置，包括视频采集模块，用于采集井下区域的视频信息；目标检测模块,用于读取图像数据，将视频图像数据转换为灰度图像序列，并对灰度图像序列去躁、平滑预处理，再通过LOG边缘检测和几何曲率的纹理信息检测得到准确的运动目标的完整轮廓和结构；PC端控制模块，用于控制目标检测模块的运行；显示模块，用于实时显示检测到的运动目标位置信息；所述视频采集模块的一端与显示模块连接，所述视频采集模块的另一端与PC端控制模块连接，所述PC端控制模块的另一端与目标检测模块连接；本发明对光照变化有很好的鲁棒性,能够针对矿井危险区域人员进行准确、完整的提取。
-
公开(公告)号：CN111639212A
公开(公告)日：2020-09-08
申请号：CN202010464038.X
申请日：2020-05-27
Applicant: 中国矿业大学
IPC: G06F16/583 , G06K9/40 , G06K9/46 , G06K9/62
Abstract: 本发明涉及一种矿用智能视频分析中的图像检索方法，属于图像检索技术领域，解决了现有技术检索准确率低、效率低，导致矿井安全生产视频监控中的异常行为和场景识别可靠性低的问题。该方法包括，对包含矿井异常信息的目标图像进行预处理获得相同的第一图像和第二图像；从第一图像中获得方差自适应量化颜色直方图；从第二图像中提取梯度信息和符号信息；将方差自适应量化颜色直方图、梯度信息及符号信息进行特征自适应融合获得目标图像的融合特征；对融合特征进行降维获得融合主特征；利用融合主特征在矿井视频所包含的多帧图像中进行检索以实时辨识矿井异常。该方法在提高检索效果的同时，提高了矿井异常监控效率，提升矿井的安全检测水平。
-
Patent Agency Ranking
公开(公告)号：CN109359594A
公开(公告)日：2019-02-19
申请号：CN201811209503.4
申请日：2018-10-17
Applicant: 中国矿业大学
Abstract: 本发明涉及一种基于视频处理的矿井皮带异常检测方法及装置，在皮带机之间的落煤口处架设高清摄像机，摄像机拍摄画面正对落煤口，实时采集落煤口视频信息，处理过程可视化；该方法包括：对落煤口监控视频提取的帧图像进行预处理，所述预处理包括图像灰度化和滤波处理；计算经预处理后的图像中煤颗粒像素数nc和划定检测区域总像素数n的比值，得到相对面积λs；当所述相对面积λs大于第一阈值Ts1时，确定所述图像中存在大煤块或堆煤情况；所述第一阈值Ts1取值范围：0
-
公开(公告)号：CN110276389B
公开(公告)日：2023-04-07
申请号：CN201910513747.X
申请日：2019-06-14
Applicant: 中国矿业大学
IPC: G06V10/774 , G06V10/82 , G06N3/0464 , G06T7/12 , G06T7/13
Abstract: 本发明公开了一种基于边缘修正的矿井移动巡检图像重建方法，包括以下步骤：步骤1：图像预处理，对输入图像进行不同程度的下采样以及图像分割处理；步骤2：图像特征提取和表示；在每个卷积层后面分别使用改进的激活函数；步骤3：图像重建；采用本发明方法重建Y通道；步骤4：边缘误差区域信息修正。本发明中在预处理阶段对训练集图像做不同尺度的放大处理，以方便后期的交叉训练，使得网络模型适用于2、3、4等不同缩放倍数的重建过程；适当加深网络层次，提取到更丰富的图像特征信息；提取边缘修正系数，对重建好的HR图像进行边缘信息修正，解决边缘细节模糊的问题；引入改进的激活函数，提高非线性表达能力，激活更多非线性区域特征。
-
公开(公告)号：CN111767928A
公开(公告)日：2020-10-13
申请号：CN202010597462.1
申请日：2020-06-28
Applicant: 中国矿业大学
Abstract: 本发明涉及一种基于卷积神经网络提取图像特征信息的方法及装置，属于图像处理技术领域，解决了现有卷积神经网络中的卷积核基于系统随机生成造成浪费大量时间的问题。获取原始图像对应的原始图像矩阵，对原始图像矩阵进行分块，得到N个像素块；基于像素值依次为N个像素块添加标签，得到M个标签；获取每个标签中的1个像素块对应的像素值概率矩阵，基于像素值概率矩阵得到M个标签对应的M个卷积核；将原始图像矩阵输入卷积神经网络，基于M个标签及M个卷积核对原始图像矩阵进行卷积，得到原始图像对应的特征信息。实现了图像特征信息的提取，节省了卷积的时间。
-
公开(公告)号：CN110276389A
公开(公告)日：2019-09-24
申请号：CN201910513747.X
申请日：2019-06-14
Applicant: 中国矿业大学
Abstract: 本发明公开了一种基于边缘修正的矿井移动巡检图像重建方法，包括以下步骤：步骤1：图像预处理，对输入图像进行不同程度的下采样以及图像分割处理；步骤2：图像特征提取和表示；在每个卷积层后面分别使用改进的激活函数；步骤3：图像重建；采用本发明方法重建Y通道；步骤4：边缘误差区域信息修正。本发明中在预处理阶段对训练集图像做不同尺度的放大处理，以方便后期的交叉训练，使得网络模型适用于2、3、4等不同缩放倍数的重建过程；适当加深网络层次，提取到更丰富的图像特征信息；提取边缘修正系数，对重建好的HR图像进行边缘信息修正，解决边缘细节模糊的问题；引入改进的激活函数，提高非线性表达能力，激活更多非线性区域特征。
-
公开(公告)号：CN110210447A
公开(公告)日：2019-09-06
申请号：CN201910507223.X
申请日：2019-06-12
Applicant: 中国矿业大学
Abstract: 本发明公开一种井下危险区域运动目标检测方法及装置，包括视频采集模块，用于采集井下区域的视频信息；目标检测模块,用于读取图像数据，将视频图像数据转换为灰度图像序列，并对灰度图像序列去躁、平滑预处理，再通过LOG边缘检测和几何曲率的纹理信息检测得到准确的运动目标的完整轮廓和结构；PC端控制模块，用于控制目标检测模块的运行；显示模块，用于实时显示检测到的运动目标位置信息；所述视频采集模块的一端与显示模块连接，所述视频采集模块的另一端与PC端控制模块连接，所述PC端控制模块的另一端与目标检测模块连接；本发明对光照变化有很好的鲁棒性,能够针对矿井危险区域人员进行准确、完整的提取。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.117 seconds)
