Wyniki wyszukiwania - Biblioteka Nauki

Ten serwis zostanie wyłączony 2025-02-11.

Nowa wersja platformy, zawierająca wyłącznie zasoby pełnotekstowe, jest już dostępna.
Przejdź na https://bibliotekanauki.pl

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Research on image preprocessing algorithm based on mixed denoising and texture weakening of ore images

100%

Luo H. , Cai G. , Zou H.

tom T. 40, z. 4

107--130

Ore particle size information is an important basis for mining enterprises to regulate crushing parameters, due to the complex and harsh environment during the acquisition of ore images on the conveyor belt, resulting in the existence of a variety of composite noise interference in the motion target image, the surface texture characteristics of the ore and the edge of the fuzzy and other problems, thus affecting the effective acquisition of ore particle size information. To address the above issues, an image-denoising network based on global and local feature extraction and an edge enhancement algorithm for texture feature weakening is proposed. The denoising network consists of a shallow local feature extraction module and a Transformer-based U-Net global feature extraction module, which aims to combine the powerful global modeling capability of the Transformer with the local modeling advantage of convolutional network, and reconstructs the image resolution through the dual up-sampling structure, to realize the accurate output of contextual detail information. A texture weakening method based on wavelet transform and fast non-local averaging is proposed to smooth the image and weaken the texture characteristics of the ore surface, and edge sharpening is combined with Bilateral-USMR to enhance the edges of the ore particles to realize the preprocessing of the ore image. The preprocessing results were objectively evaluated and experimentally verified. The results show that the image preprocessing method improves the accuracy of image segmentation and the applicability of the ore particle size measurement technology in complex environments.

Informacje o wielkości cząstek rudy stanowią dla przedsiębiorstw wydobywczych ważną podstawę do regulowania parametrów kruszenia ze względu na złożone i trudne środowisko podczas akwizycji obrazów rudy na przenośniku taśmowym, co skutkuje występowaniem różnorodnych zakłóceń szumu złożonego w ruchomym obrazie docelowym, właściwości tekstury powierzchni rudy i krawędzi rozmytej oraz innych problemów, wpływających w ten sposób na skuteczne pozyskiwanie informacji o wielkości cząstek rudy. Aby rozwiązać powyższe kwestie, zaproponowano sieć odszumiającą obraz opartą na globalnej i lokalnej ekstrakcji cech oraz algorytm wzmacniania krawędzi w celu osłabienia cech tekstury. Sieć odszumiająca składa się z płytkiego modułu ekstrakcji cech lokalnych i modułu globalnej ekstrakcji cech U-Net opartego na transformatorze, którego celem jest połączenie potężnych możliwości globalnego modelowania transformatora z przewagą lokalnego modelowania sieci splotowej i rekonstrukcja rozdzielczości obrazu poprzez podwójną strukturę próbkowania w górę, aby uzyskać dokładne dane wyjściowe szczegółowych informacji kontekstowych. Zaproponowano metodę osłabiania tekstury opartą na transformacji falkowej i szybkim uśrednianiu nielokalnym w celu wygładzenia obrazu i osłabienia właściwości tekstury powierzchni rudy, a wyostrzanie krawędzi wiązało się z dwustronnym-USMR w celu uwydatnienia krawędzi cząstek rudy w celu realizacji wstępnej obróbki obrazu rudy. Jej wyniki zostały obiektywnie ocenione i zweryfikowane eksperymentalnie. Pokazują one, że metoda wstępnego przetwarzania obrazu poprawia dokładność segmentacji obrazu i możliwość zastosowania technologii pomiaru wielkości cząstek rudy w złożonych środowiskach.

Research on stacked ore detection based on improved Mask RCNN under complex background

100%

Zhou H. , Cai G. , Liu S.

2023

tom T. 39, z. 1

131--148

In order to achieve accurate identification and segmentation of ore under complex working conditions, machine vision and neural network technology are used to carry out intelligent detection research on ore, an improved Mask RCNN instance segmentation algorithm is proposed. Aiming at the problem of misidentification of stacked ores caused by the loss of deep feature details during the feature extraction process of ore images, an improved Multipath Feature Pyramid Network (MFPN) was proposed. The network firstly adds a single bottom-up feature fusion path, and then adds with the top-down feature fusion path of the original algorithm, which can enrich the deep feature details and strengthen the fusion of the network to the feature layer, and improve the accuracy of the network to the ore recognition. The experimental results show that the algorithm proposed in this paper has a recognition accuracy of 96.5% for ore under complex working conditions, and the recall rate and recall rate function values reach 97.4% and 97.0% respectively, and the AP75 value is 6.84% higher than the original algorithm. The detection results of the ore in the actual scene show that the mask size segmented by the network is close to the actual size of the ore, indicating that the improved network model proposed in this paper has achieved a good performance in the detection of ore under different illumination, pose and background. Therefore, the method proposed in this paper has a good application prospect for stacked ore identification under complex working conditions.

Aby uzyskać dokładną identyfikację i segmentację rudy w złożonych warunkach pracy, do prowadzenia inteligentnych badań wykrywania rudy wykorzystywane są technologie wizji maszynowej i sieci neuronowych, zaproponowano udoskonalony algorytm segmentacji obrazu Mask RCNN (Region Convolutional Neural Networks). Mając na celu rozwiązanie problemu błędnej identyfikacji ułożonych rud, spowodowanego utratą głębokich szczegółów cech podczas procesu ekstrakcji cech z obrazów rudy, zaproponowano ulepszoną sieć wielościeżkową piramidy cech MFPN (Multipath Feature Pyramid Network). Sieć najpierw dodaje pojedynczą ścieżkę łączenia funkcji od dołu do góry, a następnie dodaje ścieżkę łączenia funkcji od góry do dołu oryginalnego algorytmu, co może wzbogacić głębokie szczegóły funkcji i wzmocnić połączenie sieci z warstwą funkcji (obiektową) i poprawić dokładność sieci do rozpoznawania rudy. Wyniki eksperymentalne pokazują, że algorytm zaproponowany w niniejszej pracy ma dokładność rozpoznawania na poziomie 96,5% dla rudy w złożonych warunkach pracy, a wartości współczynnika czułości i współczynnika czułości funkcji osiągają odpowiednio 97,4 i 97,0%, a wartość AP75 jest wyższa o 6,84% niż oryginalny algorytm. Wyniki wykrywania rudy w rzeczywistej scenie pokazują, że rozmiar maski podzielonej na segmenty przez sieć jest zbliżony do rzeczywistego rozmiaru rudy, co wskazuje, że ulepszony model sieci zaproponowany w tym artykule osiągnął dobrą efektywność w wykrywaniu rudy przy różnym oświetleniu, ułożeniu i tle. Dlatego zaproponowana w pracy metoda ma dobre perspektywy aplikacyjne do identyfikacji usypanych rud w złożonych warunkach pracy.