申请/专利权人：凌源日兴矿业有限公司

申请日：2024-01-11

公开（公告）日：2024-03-22

公开（公告）号：CN117557561B

主分类号：G06T7/00

分类号：G06T7/00;G06T7/11;G06T7/13;G06V10/44;G06V10/762;G06V10/764;G06T5/80;G06V10/82

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2024.03.01#实质审查的生效;2024.02.13#公开

摘要：本发明涉及图像数据处理技术领域，具体涉及基于人工智能的井下巷道壁缝隙快速检测方法，包括：获取巷道壁灰度图像，从中分割出若干个目标图像块，根据每个目标图像块内像素点之间的距离和灰度值差异，得到每个目标图像块的误辨可能性。根据每个目标图像块内所有像素点分类后的数量，得到每个目标图像块的缝隙可能性，从而得到每个目标图像块的伽马因子，由此进行伽马变换，得到巷道壁增强图像，从而得到缝隙区域。本发明通过对图像进行自适应分块，对各图像块进行自适应伽马因子，获取巷道壁增强图像，由此提高了使用深度神经网络分割缝隙区域的准确性，从而提高了井下巷道壁缝隙检测的准确性。

主权项：1.基于人工智能的井下巷道壁缝隙快速检测方法，其特征在于，该方法包括以下步骤：采集井下巷道壁图像，进行灰度化处理，得到巷道壁灰度图像；在巷道壁灰度图像中分割出若干个目标图像块，将任意一个目标图像块，记为参考块；根据参考块内像素点之间的距离、像素点之间的灰度值差异，得到参考块的误辨可能性；根据参考块内所有像素点分类后的数量，得到参考块的缝隙可能性；根据巷道壁灰度图像内所有的像素点灰度值、参考块的缝隙可能性、所有目标图像块的误辨可能性，得到参考块的伽马因子；所述参考块的伽马因子，包括的具体步骤如下：在巷道壁灰度图像分割出的所有目标图像块中，将除参考块之外的其它目标图像块，记为非参考块；根据参考块的误辨可能性和缝隙可能性、参考块分别与所有非参考块的误辨可能性之间的差异、巷道壁灰度图像内所有的像素点灰度值，得到参考块的伽马因子对应的具体计算公式为： 其中为参考块的伽马因子，为预设的常数，为参考块的误辨可能性，为参考块的缝隙可能性，为第个非参考块的误辨可能性，为非参考块的数量，G为参考块内所有像素点灰度值的均值，为巷道壁灰度图像内所有像素点灰度值的均值，||为绝对值函数，为线性归一化函数，为以自然常数为底的指数函数；根据所有目标图像块的伽马因子，得到巷道壁灰度图像的巷道壁增强图像；使用深度神经网络分割出巷道壁增强图像中的缝隙区域。

全文数据：

权利要求：

百度查询： 凌源日兴矿业有限公司 基于人工智能的井下巷道壁缝隙快速检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD