standard download
(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210436413.9 (22)申请日 2022.04.25 (65)同一申请的已公布的文献号 申请公布号 CN 114529827 A (43)申请公布日 2022.05.24 (73)专利权人 启东亚恒机电设备 科技有限公司 地址 226000 江苏省南 通市启东市开发区 顺天路10号 (72)发明人 陈一新  (74)专利代理 机构 石家庄嘉宏 智信知识产权代 理有限公司 1316 0 专利代理师 李兵 (51)Int.Cl. G06V 20/10(2022.01) G06V 20/52(2022.01)G06V 10/44(2022.01) G06V 10/74(2022.01) G06V 10/762(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 108254802 A,2018.07.0 6 高梁等.一种基 于多信息融合的模糊边界检 测算法. 《仪 器仪表学报》 .201 1,(第11期), 审查员 卢星凝 (54)发明名称 基于人工智能的矿产边界检测方法及系统 (57)摘要 本发明涉及矿产边界检测领域, 具体涉及一 种基于人工智能的矿产边界检测方法及系统。 方 法包括: 获取待检测区域的RGB图像, 根据各像素 点的纹理复杂度和颜色复杂 度, 得到地质复杂 度 向量, 根据RGB图像得到多尺度空间图像, 根据地 质复杂度向量, 得到各尺度空间图像对应的聚类 簇, 根据各聚类簇中各像素点的地质复杂度向 量, 构建各聚类簇对应的图结构, 根据所述图结 构, 得到各聚类簇对应的嵌入向量, 根据所述各 聚类簇对应的嵌入向量, 构建多尺度无向图, 将 多尺度无向图输入到训练好的神经网络, 得到待 检测区域的矿产区域边界。 本发 明构建多尺度无 向图对待检测区域进行处理, 具有较好的抗模糊 能力, 同时提高了矿产边界检测过程的安全性。 权利要求书2页 说明书7页 附图3页 CN 114529827 B 2022.07.01 CN 114529827 B 1.一种基于人工智能的矿产边界检测方法, 其特 征在于, 该 方法包括以下步骤: 获取待检测区域的RGB图像; 根据所述RGB图像中各像素点的纹理复杂度和颜色复杂度, 得到各像素点的地质复杂 度向量; 根据所述RGB图像, 得到多尺度空间图像, 根据各尺度空间图像 中各像素点的地质复杂 度向量, 将地质复杂度大于设定复杂度阈值的像素点记为关键点; 对各尺度 空间图像对应 的关键点进行聚类, 得到各尺度空间图像对应的聚类簇; 根据各聚类簇中各关键点的地质复杂度向量, 构建各聚类簇对应的图结构, 根据所述 图结构, 得到各聚类簇对应的嵌入向量, 根据所述各聚类簇对应的嵌入向量, 构建多尺度无 向图; 将所述多尺度无向图输入到训练好的神经网络, 得到待检测区域的矿产区域边界, 所 述神经网络用于检测矿产区域的边界; 所述根据 各尺度空间图像中各像素点的地质复杂度向量, 将地质复杂度 大于设定复杂 度阈值的像素点记为关键点; 对各尺度 空间图像对应的关键点进行聚类, 得到各尺度 空间 图像对应的聚类簇的方法包括: 根据各像素的地质复杂度特征向量, 采用ORB算法得到各尺度空间图像中对应的关键 点; 采用DBSCAN聚类方法对各层次图像 中对应的关键点进行聚类, 得到所述多尺度空间各 层次图像对应的聚类簇; 所述根据 各聚类簇 中各关键点的地质复杂度向量, 构建各聚类簇对应的图结构的方法 包括: 获取所述各聚类簇 中各关键点的地质复杂度向量, 计算所述各尺度空间图像对应的关 键点之间的余弦相似度; 构建各聚类簇对应的图结构: 将各尺度空间图像对应的关键点作为图结构的节点, 将 各尺度空间图像对应的关键点的地质复杂度向量作为图结构中对应节点的特征值, 将所述 余弦相似度作为图结构中对应节点之间的边权值。 2.根据权利要求1所述的一种基于人工智能的矿产边界检测方法, 其特征在于, 所述 RGB图像中各像素点的纹 理复杂度和颜色复杂度的计算方法包括: 采用LTP三 值编码对各像素点处 理, 得到各像素点的LTP值; 根据所述各像素点的LTP值, 得到各像素点的纹 理复杂度; 获取各像素点对应Lab空间的三个通道值, 根据所述各像素点对应Lab空间的三个通道 值, 得到各像素点对应的颜色复杂度。 3.根据权利要求2所述的一种基于人工智能的矿产边界检测方法, 其特征在于, 根据 所 述各像素点对应Lab空间的三个通道值, 得到各像素点对应的颜色复杂度的方法包括: 根据各像素点对应Lab空间的三个通道值, 构建各像素点的颜色向量; 根据各像素点的颜色向量, 计算各像素点与其对应的邻域像素点的颜色差值向量; 对各像素点与其对应的邻域像素点的颜色差值向量求和, 得到各像素点的颜色变化 量, 将各像素点的颜色变化 量作为对应 像素点的颜色复杂度。 4.根据权利要求1所述的一种基于人工智能的矿产边界检测方法, 其特征在于, 所述神权 利 要 求 书 1/2 页 2 CN 114529827 B 2经网络的训练方法包括: 采集多张地质图像作为神经网络的训练集, 给所述地质图像打上对应的标签, 所述标 签为矿产区域的边界; 根据训练集以及训练集中各图像对应的标签, 对神经网络进行训练。 5.一种基于人工智能的矿产边界检测系统, 包括存储器和处理器, 其特征在于, 所述处 理器执行所述存储器存储的计算机程序, 以实现如权利要求1 ‑4任一项所述的基于人工智 能的矿产边界检测方法。权 利 要 求 书 2/2 页 3 CN 114529827 B 3

PDF文档 专利 基于人工智能的矿产边界检测方法及系统

文档预览
中文文档 13 页 50 下载 1000 浏览 0 评论 0 收藏 3.0分
温馨提示:本文档共13页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
专利 基于人工智能的矿产边界检测方法及系统 第 1 页 专利 基于人工智能的矿产边界检测方法及系统 第 2 页 专利 基于人工智能的矿产边界检测方法及系统 第 3 页
下载文档到电脑,方便使用
本文档由 SC 于 2024-02-24 00:59:44上传分享
站内资源均来自网友分享或网络收集整理,若无意中侵犯到您的权利,敬请联系我们微信(点击查看客服),我们将及时删除相关资源。