期刊导航
期刊开放获取
cqvip
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
浮选泡沫图像特征提取方法研究进展
被引量：
1
1
作者
宛鹤
陆笑科
+4 位作者
屈
娟
萍
薛季玮
张崇辉
王森
卜显忠
《中国钼业》
2024年第1期1-8,共8页
机器视觉作为设备操作人员的工具,在泡沫浮选设备的监测中得到了广泛的应用。利用泡沫图像数据集建立预测识别模型,以初级泡沫特征参数为输入,以品位和回收率等浮选指标为输出。根据是否需要手动提取浮选泡沫图像特征,可以将特征提取算...
机器视觉作为设备操作人员的工具,在泡沫浮选设备的监测中得到了广泛的应用。利用泡沫图像数据集建立预测识别模型,以初级泡沫特征参数为输入,以品位和回收率等浮选指标为输出。根据是否需要手动提取浮选泡沫图像特征,可以将特征提取算法划分为两大类别:一种是基于颜色、形态特征等的传统手动特征提取方法,另一种是基于深度神经网络的自动特征提取方法。本文总结并归纳了近年来浮选泡沫图像特征提取算法领域的研究进展,分析了各种方法的优势和不足,对当前难以人工识别泡沫状态及实现浮选自动化提升浮选效率,具有一定的指导价值。
展开更多
关键词
泡沫浮选
泡沫图像
机器视觉
泡沫图像特征
下载PDF
职称材料
基于改进MobileNet V3的矿物智能识别模型
2
作者
宛鹤
张金艳
+4 位作者
屈
娟
萍
张崇辉
薛季玮
王森
卜显忠
《金属矿山》
CAS
北大核心
2024年第1期174-181,共8页
针对当前矿物识别领域存在的精度不佳、适应性差、携带不便等问题,提出了一种基于改进MobileNet V3的矿物智能识别模型(CA-MobileNet V3)。为获得研究所需的有效数据集,通过由mindat. org网站和自行拍摄方式获取的矿物图像创建了一个包...
针对当前矿物识别领域存在的精度不佳、适应性差、携带不便等问题,提出了一种基于改进MobileNet V3的矿物智能识别模型(CA-MobileNet V3)。为获得研究所需的有效数据集,通过由mindat. org网站和自行拍摄方式获取的矿物图像创建了一个包含19种矿物的数据集,对其进行数据增强处理,并按照8:1:1的比例划分为训练集、验证集和测试集。为提升模型对图像信息的特征提取能力,引入协调注意力机制,用以替代轻量型MobileNet V3模型的原始SE注意力机制,以提高矿物识别准确率。最后,采用迁移学习方法预训练CA-MobileNet V3模型,以加速模型收敛、提高泛化能力、避免过拟合。在训练过程中,将CA-MobileNet V3与mobilenet v3、MobileNet V3、ShuffleNet V2、Efficient Net V2等模型进行了性能比较。结果表明:各迁移模型均展现出显著的收敛速度优势,而CA-MobileNet V3矿物智能识别模型的Top1-准确率、Top2-准确率、f_1-score值分别达到93.90%、98.58%和93.89%,在所有模型中效果最佳,且模型大小仅为4.61 MB,属于轻量化模型。为验证模型有效性,t-SNE可视化分析被用于不同模型的识别效果比较,进一步印证了CA-MobileNet V3模型的优越性。
展开更多
关键词
矿物分类
迁移学习
轻量化模型
协调注意力机制
t-SNE
下载PDF
职称材料
题名
浮选泡沫图像特征提取方法研究进展
被引量：
1
1
作者
宛鹤
陆笑科
屈
娟
萍
薛季玮
张崇辉
王森
卜显忠
机构
西安建筑科技大学资源工程学院
奥卢大学奥卢矿业学院
出处
《中国钼业》
2024年第1期1-8,共8页
基金
国家自然科学基金项目(编号:52274271,52074206,52104266)。
文摘
机器视觉作为设备操作人员的工具,在泡沫浮选设备的监测中得到了广泛的应用。利用泡沫图像数据集建立预测识别模型,以初级泡沫特征参数为输入,以品位和回收率等浮选指标为输出。根据是否需要手动提取浮选泡沫图像特征,可以将特征提取算法划分为两大类别:一种是基于颜色、形态特征等的传统手动特征提取方法,另一种是基于深度神经网络的自动特征提取方法。本文总结并归纳了近年来浮选泡沫图像特征提取算法领域的研究进展,分析了各种方法的优势和不足,对当前难以人工识别泡沫状态及实现浮选自动化提升浮选效率,具有一定的指导价值。
关键词
泡沫浮选
泡沫图像
机器视觉
泡沫图像特征
Keywords
froth flotation
froth image
machine vision
froth image features
分类号
TD923.7 [矿业工程—选矿]
TP391.41 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
基于改进MobileNet V3的矿物智能识别模型
2
作者
宛鹤
张金艳
屈
娟
萍
张崇辉
薛季玮
王森
卜显忠
机构
西安建筑科技大学资源工程学院
奥卢大学奥卢矿业学院
出处
《金属矿山》
CAS
北大核心
2024年第1期174-181,共8页
基金
国家自然科学基金项目(编号:52274271,52074206,52104266)。
文摘
针对当前矿物识别领域存在的精度不佳、适应性差、携带不便等问题,提出了一种基于改进MobileNet V3的矿物智能识别模型(CA-MobileNet V3)。为获得研究所需的有效数据集,通过由mindat. org网站和自行拍摄方式获取的矿物图像创建了一个包含19种矿物的数据集,对其进行数据增强处理,并按照8:1:1的比例划分为训练集、验证集和测试集。为提升模型对图像信息的特征提取能力,引入协调注意力机制,用以替代轻量型MobileNet V3模型的原始SE注意力机制,以提高矿物识别准确率。最后,采用迁移学习方法预训练CA-MobileNet V3模型,以加速模型收敛、提高泛化能力、避免过拟合。在训练过程中,将CA-MobileNet V3与mobilenet v3、MobileNet V3、ShuffleNet V2、Efficient Net V2等模型进行了性能比较。结果表明:各迁移模型均展现出显著的收敛速度优势,而CA-MobileNet V3矿物智能识别模型的Top1-准确率、Top2-准确率、f_1-score值分别达到93.90%、98.58%和93.89%,在所有模型中效果最佳,且模型大小仅为4.61 MB,属于轻量化模型。为验证模型有效性,t-SNE可视化分析被用于不同模型的识别效果比较,进一步印证了CA-MobileNet V3模型的优越性。
关键词
矿物分类
迁移学习
轻量化模型
协调注意力机制
t-SNE
Keywords
mineral classification
transfer learning
lightweight model
coordinate attention mechanism
t-SNE
分类号
P578 [天文地球—矿物学]
TD67 [天文地球—地质学]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
浮选泡沫图像特征提取方法研究进展
宛鹤
陆笑科
屈
娟
萍
薛季玮
张崇辉
王森
卜显忠
《中国钼业》
2024
1
下载PDF
职称材料
2
基于改进MobileNet V3的矿物智能识别模型
宛鹤
张金艳
屈
娟
萍
张崇辉
薛季玮
王森
卜显忠
《金属矿山》
CAS
北大核心
2024
0
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
