基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
传统机器学习的煤岩识别技术大多数采用的是手工设计图像特征,并结合滑动窗口的方式对煤岩图像进行特征提取,再经过分类器进行分类和识别,存在图像特征设计难度大、耗时长、泛化性差等缺点.针对传统机器学习的这些缺点,采用了一种基于机器深度学习Faster R-CNN的煤岩识别方法.首先利用采煤机上的监控摄像机现场采集煤岩图片数据集,将图片输入到VGG16卷积神经网络,对煤岩图像特征进行提取,将提取出来的特征图经过区域建议网络(Region Proposal Network),对图像上的煤岩进行初步定位与分类,最后经过R-CNN网络精确定位分类,输出煤层边界点的像素坐标值.解算出监控摄像机内外置参数,结合理想针孔线性成像模型,将图片中所定位到的煤层边界点(煤层角点)的像素坐标值转化成矿井测量坐标值,为采煤机自动调整滚筒空间位置提供数据依据.
推荐文章
基于Faster R-CNN的车辆多属性识别
FasterR-CNN
多属性识别
车辆检测
深度学习
图像分类
YOLOv2在煤岩智能识别与定位中的应用研究
煤岩识别
智能开采
深度学习
YOLOv2
基于Faster R-CNN与BRNN的车牌识别
卷积神经网络
深度学习
车牌识别
图像识别
R-CNN
基于Faster R-CNN的钢轨表面缺陷识别研究
钢轨表面缺陷
预处理
Radon变换
灰度值
区域建议网络
FasterR-CNN网络
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于Faster R-CNN的煤岩 识别与煤层定位测量
来源期刊 矿山机械 学科 工学
关键词 煤岩识别 机器深度学习 FasterR-CNN 理想针孔线性成像模型
年,卷(期) 2019,(8) 所属期刊栏目 采·掘
研究方向 页码范围 4-9
页数 6页 分类号 TD421
字数 3859字 语种 中文
DOI
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 邢存恩 太原理工大学矿业工程学院 29 169 9.0 12.0
2 赵亮 太原理工大学矿业工程学院 7 26 3.0 5.0
3 华同兴 太原理工大学矿业工程学院 2 3 1.0 1.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (28)
共引文献  (7)
参考文献  (4)
节点文献
引证文献  (3)
同被引文献  (28)
二级引证文献  (1)
1999(2)
  • 参考文献(0)
  • 二级参考文献(2)
2001(1)
  • 参考文献(0)
  • 二级参考文献(1)
2002(1)
  • 参考文献(0)
  • 二级参考文献(1)
2005(1)
  • 参考文献(0)
  • 二级参考文献(1)
2007(1)
  • 参考文献(0)
  • 二级参考文献(1)
2008(2)
  • 参考文献(0)
  • 二级参考文献(2)
2011(1)
  • 参考文献(0)
  • 二级参考文献(1)
2012(1)
  • 参考文献(0)
  • 二级参考文献(1)
2013(4)
  • 参考文献(0)
  • 二级参考文献(4)
2014(3)
  • 参考文献(0)
  • 二级参考文献(3)
2015(5)
  • 参考文献(1)
  • 二级参考文献(4)
2016(1)
  • 参考文献(0)
  • 二级参考文献(1)
2017(5)
  • 参考文献(0)
  • 二级参考文献(5)
2018(4)
  • 参考文献(3)
  • 二级参考文献(1)
2019(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
2020(4)
  • 引证文献(3)
  • 二级引证文献(1)
研究主题发展历程
节点文献
煤岩识别
机器深度学习
FasterR-CNN
理想针孔线性成像模型
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
矿山机械
月刊
1001-3954
41-1138/TD
大16开
河南省洛阳市涧西区重庆路
36-21
1973
chi
出版文献量(篇)
14091
总下载数(次)
26
总被引数(次)
36664
论文1v1指导