基于机器视觉的低度泥的新分类算法
Chuanzhen Wang1, Xinyi Wang2, Andile Khumalo2
1Anhui Engineering Research Center for Coal Clean Processing and Carbon Reduction, College of Material Science and Engineering, Anhui University of Science and Technology, Huainan, 232001, China. faxofking@aust.edu.cn.
Scientific reports
|December 31, 2024
概括
机器视觉精确地使用最佳图像参数对低度煤进行分类. 一个开发的卷积神经网络 (CNN) 模型在度预测方面实现了超过95%的准确性.
科学领域:
- 材料科学 材料科学 材料科学
- 计算机视觉 计算机视觉
- 化学工程是化学工程的重要组成部分.
背景情况:
- 准确地分类低度煤对于有效利用资源和过程控制至关重要.
- 传统的泥分析方法可能耗时,可能缺乏精度.
- 机器视觉技术的进步为快速和准确的泥表征提供了潜力.
研究的目的:
- 开发和评估基于机器视觉的系统,用于准确分类低度煤.
- 为了优化采集煤炭泥的图像采集参数.
- 使用深度学习技术创建一个强大的分类模型.
主要方法:
- 利用机器视觉和直角实验 (L9(3^4)) 来确定最佳的图像采集参数 (曝光,厚度,光强度).
- 开发了一个低度分类模型,涉及图像采集,数据增强和数据集分区.
- 使用深度卷积生成对立网络 (DCGAN) 来生成图像和卷积神经网络 (CNN) 来进行分类.
主要成果:
- 确定了最佳图像参数:曝光率10,泥厚度7厘米,光强度5×10^4卢克斯.
- 在图像生成方面,DCGAN实现了高相似性 (SSIM 0.9381,pHash 0.9375).
- CNN模型在煤炭泥度预测的培训和验证集上表现出超过95%的准确性.
- 在测试组中,CNN模型实现了高性能指标,精度达到94%,F1得分高达1.000.
结论:
- 开发的机器视觉系统有效地分类了低度的煤.
- 优化的图像采集和基于CNN的分类模型显示出出色的性能和准确性.
- 这种方法为实时精确检测煤炭泥度提供了一个有希望的解决方案.
更多相关视频
08:27Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines
Published on: January 5, 2024
881
11:38Author Spotlight: Enhancing PSC-to-Functional Cell Differentiation Using ML Models Based on Live-Cell Bright-Field Imaging
Published on: October 4, 2024
429