-
Patent Agency Ranking
公开(公告)号：CN110296955A
公开(公告)日：2019-10-01
申请号：CN201910546901.3
申请日：2019-06-24
Applicant: 中国矿业大学
IPC: G01N21/359
Abstract: 本发明公开了一种基于核函数优化的甘草近红外光谱分析模型构建方法及甘草质量评价方法，包括：首先根据采集的甘草光谱数据以及样本参比值建立样本数据库；选择径向基、多项式以及广义T学生函数分别作为核主成分分析的核函数实现高维光谱数据的特征提取；以此为基础，选择径向基函数作为核偏最小二乘模型的核函数。同时采用遗传算法优化核函数的相关超参数，建立甘草近红外光谱分析模型，将品质评价问题转化为回归问题，对甘草质量进行分析。本发明不仅具有操作简单、无损等优点，且保证了甘草质量的安全、有效。
-
公开(公告)号：CN110335294A
公开(公告)日：2019-10-15
申请号：CN201910624327.9
申请日：2019-07-11
Applicant: 中国矿业大学
Abstract: 本发明提供一种基于帧差法与3D卷积神经网络的矿井水泵房漏水检测方法，包括如下步骤：将水泵房视频按照画面等比分割为N*N的子视频，从子视频中提取连续K帧的图像作为样本，构造样本集，根据样本是否存在漏水分为正负样本，训练3D卷积神经网络；将待检测的水泵房视频按照画面等比分割为N*N的子视频，利用帧差法检测子视频中是否有运动目标；从有运动目标的子视频中提取连续K帧的图像；将连续K帧的图像输入到3D卷积神经网络，输出样本分类。本发明引入帧差法对于水泵房是否存在运动目标进行检测，只对存在运动目标的区域和情况进行模型分类估计，提高了算法的效率以及准确性，利用3D卷积神经网络模型进行预测分类，判断是否存在漏水情况。
-
公开(公告)号：CN110443303B
公开(公告)日：2023-07-11
申请号：CN201910714652.4
申请日：2019-08-04
Applicant: 中国矿业大学
IPC: G06V20/69 , G06V10/762 , G06V10/26 , G06V10/764
Abstract: 本发明公开了一种基于图像分割和分类的煤岩显微组分智能识别方法，包括：首先，基于双层K均值的图像分割算法，将显微图像分割为背景树脂，壳质组，镜质组以及惰质组四大类；随后将分割得到图像，利用本发明所设计的多模态特征提取方法提取特征，将煤岩组分的几何特征，纹理特征以及灰度特征整合到一起，形成共172维特征，并采用随机森林方法针对上述多模态特征进行分类，进一步细分为背景树脂、镜质组、孢子体、角质体、丝质体、半丝质体、碎屑惰质体和碎片体。本发明通过结合图像分割以及图像分类的算法，完成对煤岩显微组分分析，具有准确性高，鲁棒性强，快速简便的优点。
-
公开(公告)号：CN110335294B
公开(公告)日：2023-11-24
申请号：CN201910624327.9
申请日：2019-07-11
Applicant: 中国矿业大学
Abstract: 本发明提供一种基于帧差法与3D卷积神经网络的矿井水泵房漏水检测方法，包括如下步骤：将水泵房视频按照画面等比分割为N*N的子视频，从子视频中提取连续K帧的图像作为样本，构造样本集，根据样本是否存在漏水分为正负样本，训练3D卷积神经网络；将待检测的水泵房视频按照画面等比分割为N*N的子视频，利用帧差法检测子视频中是否有运动目标；从有运动目标的子视频中提取连续K帧的图像；将连续K帧的图像输入到3D卷积神经网络，输出样本分类。本发明引入帧差法对于水泵房是否存在运动目标进行检测，只对存在运动目标的区域和情况进行模型分类估计，提高了算法的效率以及准确性，利用3D卷积神经网络模型进行预测分类，判断是否存在漏水情况。
-
公开(公告)号：CN110443303A
公开(公告)日：2019-11-12
申请号：CN201910714652.4
申请日：2019-08-04
Applicant: 中国矿业大学
Abstract: 本发明公开了一种基于图像分割和分类的煤岩显微组分智能识别方法，包括：首先，基于双层K均值的图像分割算法，将显微图像分割为背景树脂，壳质组，镜质组以及惰质组四大类；随后将分割得到图像，利用本发明所设计的多模态特征提取方法提取特征，将煤岩组分的几何特征，纹理特征以及灰度特征整合到一起，形成共172维特征，并采用随机森林方法针对上述多模态特征进行分类，进一步细分为背景树脂、镜质组、孢子体、角质体、丝质体、半丝质体、碎屑惰质体和碎片体。本发明通过结合图像分割以及图像分类的算法，完成对煤岩显微组分分析，具有准确性高，鲁棒性强，快速简便的优点。
-
-
-
-
Search Results
5
records
(took 0.011 seconds)
