当前位置：首页 > 产品中心
矿石的识别
矿石的识别
联系我们
cgs2022年3月10日 矿物测试是通过测定矿物种类及含量鉴定岩性的方法。 元素测试和矿物测试技术都需要经过实验获取数据，再对数据进行处理分析进而得到最终岩性识别的结果。 岩性识别：方法、现状及智能化发展趋势
基于深度学习的岩石薄片矿物自动识别方法
2021年10月8日 矿物识别是岩石分类定名的重要依据，也是了解岩石成因机理、物质运移、演化历史的基础，在采矿学、岩石学、火山学等地质学科领域中发挥了极为重要的作用 [ 2022年1月23日 聚焦于矿石勘探和将矿石破碎筛分后的皮带运输两个环节，系统总结了深度学习技术在矿石图像处理中的主要应用，包括矿石分类、粒度分析和异物识别等任务，并分门别类地梳理了完成以上三大任务的 基于深度学习的矿石图像处理研究综述 USTB
基于深度学习的智能矿物识别方法研究
2020年3月30日 实验采用图像分析常用的卷积神经网络建立模型,设计出一套基于残差神经网络的矿物识别方法。 本实验独立采集了5种矿物的偏光显微图像数据集,用于模型的训练 2018年5月30日 摘要 ：矿石矿物鉴定的智能化是智能地质学和智能矿床学的基础技术之一。 计算机视觉技术和深度学习理论使矿石矿物鉴定的智能化成为可能。 本研究基于深度学习系统TensorFlow，以吉林夹皮沟金矿和 基于深度学习的镜下矿石矿物的智能识别实验研究
基于深度学习的镜下矿石矿物的智能识别实验研究
2018年5月30日 本研究基于深度学习系统TensorFlow，以吉林夹皮沟金矿和河北石湖金矿的黄铁矿、黄铜矿、方铅矿、闪锌矿等硫化物矿物为例，设计有针对性的Unet卷积神经网 2020年9月16日 Mineral intelligent identification is a developing interdisciplinary research field between earth science and information science, where machine learning shows 基于机器学习的矿物智能识别方法研究进展与展望 Earth
煤等矿物的视觉识别CNN卷积神经网络实现图像识
2019年7月12日 而卷积神经网络作为图像识别的首选算法，其对于图像的特征提取具有很好的效果，而Keras框架作为卷积神经网络的典型框架，可以很好地创建神经网络层，更容易提取图像特征，从而达到区分矿石的目 2021年10月8日 提出了一种基于深度学习的岩石薄片矿物自动识别方法，利用深度卷积神经网络自动提取岩石薄片图像中不同矿物的有效特征，并对其进行语义分割与识别，综合利用单偏光与正交偏光2种光性图像实现了对矿物的自动识别。 对南京大学岩石教学薄片显微图像 基于深度学习的岩石薄片矿物自动识别方法
基于改进YOLOv5的矿石目标检测算法
2023年11月1日 综上，针对矿山传送带分拣大块矿石智能化检测定位困难的问题，本文基于YOLOv5 模型对大小不 一的矿石进行识别。同时，为了提高复杂背景下矿石图像检测效果，本文采取基于改进YOLOv5 算法对 矿石图像进行识别，为后续实现工业机械手实时分拣提 2022年1月23日 聚焦于矿石勘探和将矿石破碎筛分后的皮带运输两个环节，系统总结了深度学习技术在矿石图像处理中的主要应用，包括矿石分类、粒度分析和异物识别等任务，并分门别类地梳理了完成以上三大任务的常用算法及其优缺点。其中，矿石分类在地质勘探中起着重要作用；粒度分析能为破碎机和传送 基于深度学习的矿石图像处理研究综述 USTB
矿石块度视觉识别判断方法
在对矿石识别完成后，利用矿石块度判断结构对预测框 像素面积进行计算得到矿石的真实尺寸。在最终测试中，在将图像经过灰度化、中值滤波处理后进行测试。结果表明，相比于单独UNet图像分割算法对矿石块度进行判断，IOR方法在降低6个百分点精确率 2021年9月15日 12 研究任务 利用图像处理技术和深度学习算法解决以下两个任务： （1）岩性识别与分类 以白光环境下拍摄的岩石样本图像数据为基础，设计合适的机器学习或深度学习算法，构建岩石样本岩性智能识别模型。 （2）计算岩石含油面积百分含量 以荧光 基于深度学习的岩石样本智能识别研究——第九届“泰迪杯
知乎 有问题，就会有答案
矿物是具有一定化学组成的天然化合物，它具有稳定的相界面和结晶习性。由内部结晶习性决定了矿物的晶型和对称性；由化学键的性质决定了矿物的硬度、光泽和导电性质；由矿物的化学成分、结合的紧密度决定了矿物的颜色和比重等。在识别矿物时，矿物的形态和物理性质由于其易于鉴定而成为 矿物（天然单质或化合物）百度百科
智能选矿技术在矿业生产中的应用矿石识别质量
2024年6月4日 提高矿产品质量和效益：智能选矿技术能够实现矿石的精准识别和高效分选，从而提高矿产品质量和回收率，降低生产成本。 2 降低能耗和环境污染：智能选矿技术采用先进的分选设备和方法，有助于降低能耗和减少废弃物产生，实现绿色环保发展。2024年3月10日 本文主要介绍如何使用python的TensorFlow20深度学习框架搭建一个：岩石样本的智能识别系统。最终识别准确率能达到95%。本项目来自于第九届“泰迪杯”数据挖掘挑战赛的B题：岩石样本的智能识别。 基于TensorFlow的卷积神经网络的岩石图像分类识
基于深度学习的智能矿物识别方法研究
2020年3月30日 摘要： 矿物识别在许多研究领域都有着重要作用,基于深度学习技术的智能矿物识别为这些领域带来了新的发展方向,不仅能有效节省人工成本,还能减小识别错误。 针对石英、角闪石、黑云母、石榴石和橄榄石共5种矿物进行实验,提出了一种准确高效的智能矿物 2023年1月3日 寸的矿石，防止处于给矿皮带和受矿皮带之间的转运缓冲仓内发生堵料事故；异物识别能将皮带上混在矿石中的 有害物品检 测出来 关键词 深度 基于深度学习的矿石图像处理研究综述 ResearchGate
基于共焦LIBS技术结合机器学习的矿石分类识别方法
2022年1月17日 矿物分类与识别是地质研究领域的重要内容, 对地质勘探和环境演化的研究具有重要意义。 然而, 传统的矿石分类识别方法依靠专业人员通过矿石的外形及物理性质进行人工鉴定, 主观性强, 准确率低, 激光诱导击穿光谱技术(LIBS)由于其元素“指纹”特性、 灵敏度高以及快速在线检测的特点, 非常适合 2018年5月30日 基于深度学习的镜下矿石矿物的智能识别实验研究 徐述腾1,2,3 , 周永章1,2,3 摘要 ：矿石矿物鉴定的智能化是智能地质学和智能矿床学的基础技术之一。 计算机视觉技术和深度学习理论使矿石矿物鉴定的智能化成为可能。 本研究基于深度学习系统TensorFlow，以 基于深度学习的镜下矿石矿物的智能识别实验研究 仁和软件
基于高斯混合的颜色聚类钨矿色选识别算法研究
3 天之前 本文基于江西赣州钨矿的灰度特征，设计高斯混合的颜色聚类钨矿色选识别算法，该算法采用高斯混合模型进行识别运动矿石､CIELAB颜色空间的聚类算法检测矿石所含矿物成分，并进行试验研究，为钨矿石的初步分选提供依据。 应用该算法脉石选出率高 叶仪铭,陈锐,王仁波,刘凡一种基于深度学习的X射线透射铀矿识别算法 [J]有色金属（选矿部分）,2023 (6):118124 Ye yiming,Chen Rui,Wang Renbo,Liu FanA deep learningbased Xray transmission uranium ore identification algorithm [J]Nonferrous Metals (Mineral Processing Section),2023 (6):118124 铀资源是 一种基于深度学习的X射线透射铀矿识别算法A deep learning
基于PSOFaster RCNN改进算法的矿石识别分类研究
2020年11月30日 针对矿石生产过程重要步骤之一的矿石分选，传统的人工识别矿物类别效率低下，以及使用复杂选矿设备能耗大，为提升矿物的分选效率，基于机器视觉对矿石识别分选算法进行研究。采用了PSOFaster RCNN改进算法来对矿石二维图像进行识别分类 2022年1月24日 个侵入体时，致矿侵入体的识别至今仍是成矿学研究的一大 难题。这个问题不解决，将严重影响进一步找矿工作的部 署。因此，建立致矿侵入体的识别标志具有关键性意义。本 文所述致矿侵入体是指为成矿作用提供含矿流体和成矿金 属的侵入体。致矿侵入体的识别标志
深度学习之基于Pytorch卷积神经网络矿石识别系统python
2024年5月18日 文章浏览阅读741次，点赞17次，收藏11次。一、项目背景与目标矿石识别在矿业工程、地质勘探等领域具有重要的应用价值。传统的矿石识别方法主要依赖于专家的经验和实地观察，不仅效率低下，而且易受人为因素影响。随着深度学习技术的快速发展，尤其是卷积神经网络（CNN）在图像识别领域的 2018年5月30日 矿石矿物鉴定的智能化是智能地质学和智能矿床学的基础技术之一。计算机视觉技术和深度学习理论使矿石矿物鉴定的智能化成为可能。本研究基于深度学习系统TensorFlow，以吉林夹皮沟金矿和河北石湖金矿的黄铁矿、黄铜矿、方铅矿、闪锌矿等硫化物矿物为例，设计有针对性的Unet卷积神经网络模型 基于深度学习的镜下矿石矿物的智能识别实验研究
基于图像识别的井下机车载矿量计量系统
2021年9月26日 出矿量是矿山企业制定生产计划的一个重要指标，而目前绝大多数地下矿山采用人工清点载矿矿车数的方式估算出矿量，该计量方式存在估算误差大等缺点，严重影响了矿山企业生产计划的合理制定。 本文采用图像识别与密度模型建模相结合的方法，通过对 2020年1月9日 结果表明：黑钨矿石与围岩两类识别中 WuVGG19 迁移网络矿石识别率最高，为9751%。此 外，本文加入石英脉石类别继续实验，得出修改的 Wuv3 迁移网络矿石识别率最高，为 996%。综上，本文改进的两个网络具有较高的识别率，泛化性能好，选出钨矿石基于深度学习的黑钨矿图像识别选矿方法
基于机器学习的矿物智能识别方法研究进展与展望
2021年10月9日 物识别的扩展性 模型判定法也成为近年来矿 物智能识别多数人采用的方法 近年来，随着人工智能技术的快速发展，许 多学者运用机器学习方法 ② 次要矿物，指矿石中含量较少、对 矿石品位 不起决定作用的矿物。 ③ 微量矿物，指矿石中一般含量很少，对矿石不起大作用的矿物。矿石中某些特征元素矿物，如镍矿石中微量 铂族 元素矿物，虽其含量甚微，但有较高的综合利用价值，这类微量矿物仍有较大的经济意义。矿石（矿物集合体）百度百科
锡 (Sn) 矿石 矿物、产状、形成、矿床
2023年4月23日 热测试：锡矿石的熔点相对较高，约为 1,720 摄氏度（3,128 华氏度）。 热测试，例如使用喷灯或马弗炉将矿物加热至高温，可以帮助确定其熔化行为并提供额外的识别线索。 这些是根据锡矿石的物理、化学和热性质来识别锡矿石的一些常用方法。2024年6月3日 一、项目背景与意义在矿石开采和加工过程中，对矿石进行快速、准确的检测、识别、分类和计数是提高生产效率和降低成本的关键。传统的人工检测方式存在劳动强度大、效率低下、误判率高等问题。因此，本项目旨在利用Matlab强大的图像处理和分析功能，开发一套自动化的矿石检测识别分类计数 基于Matlab的矿石检测识别分类计数系统CSDN博客
火成岩岩石薄片智能识别及分类方法
2022年5月5日 徐述腾等（2018）设计出有针对性的Unet卷积神经网络模型，有效实现了镜下矿石矿物的智能识别与分类。 张野等（2018） 基于Inceptionv3深度卷积神经网络模型建立了岩石图像集分析的深度学习迁移模型，实现了岩石岩性的自动识别与分类。2021年3月30日 本发明解决上述问题的技术方案是：一种基于机器视觉的矿石识别方法，包括以下步骤： 步骤一：获取矿石图像，将采集的图像进行标注，合格标注为1、不合格标注为0； 步骤二：对数据集中的图像进行预 一种基于机器视觉的矿石识别方法与流程
基于深度学习的黑钨矿图像识别选矿方法
2020年1月9日 结果表明：黑钨矿石与围岩两类识别中 WuVGG19 迁移网络矿石识别率最高，为9751%。此 外，本文加入石英脉石类别继续实验，得出修改的 Wuv3 迁移网络矿石识别率最高，为 996%。综上，本文改进的两个网络具有较高的识别率，泛化性能好，选出钨矿石此外，矿石块度的准确识别还对矿石的后续应用有着重要意义。例如，在冶金行业中，根据矿石的块度可以选择合适的冶金工艺和设备，提高冶炼效率和产品质量。 总之，基于机器视觉的矿石块度智能识别对于矿石行业具有重要的应用价值。基于机器视觉的矿石块度智能识别及应用百度文库
莱森光学：基于高光谱图像的矿物种类深度识别方法
2024年3月1日 随着社会的发展，我国对矿产资源的需求日益增加，如何更加高效地利用矿石，减少加工过程中产生的废料，是当前迫切需要解决的问题。 解决这个问题的关键之一是精准地识别矿物，为不同种类、不同大小的矿物选取合适的冶炼方法。2023年5月20日 263 铁矿石品位、粒度及可磨度智能识别系统与装备 【所属领域】先进工艺 【中央企业名称】中国五矿集团有限公司 【成果简介】 铁矿石品位、粒度及可磨度智能识别系统与装备主要用于铁矿石或含铁原料的铁品位、粒度组成和可磨度的智能在线检测与识别，应用场景包括矿山、港口、钢铁企业等 铁矿石品位、粒度及可磨度智能识别系统与装备－国务院国有
知乎专栏 随心写作，自由表达 知乎
2023年6月7日 岩石、矿物显微图像的识别是岩矿鉴定的基础手段之一，对地质资源勘探有着重要意义。 薄片显微图像一般情况下是在实验室中进行的，这项工作繁琐费时，需要大量的人力资源，并且准确性受限于鉴定者的经验。 深度学习智能图像识别算法可以通过卷积神 基于深度学习的镜下岩石、矿物薄片识别
煤等矿物的视觉识别CNN卷积神经网络实现图像识
2019年7月12日 而卷积神经网络作为图像识别的首选算法，其对于图像的特征提取具有很好的效果，而Keras框架作为卷积神经网络的典型框架，可以很好地创建神经网络层，更容易提取图像特征，从而达到区分矿石的目 2021年10月8日 提出了一种基于深度学习的岩石薄片矿物自动识别方法，利用深度卷积神经网络自动提取岩石薄片图像中不同矿物的有效特征，并对其进行语义分割与识别，综合利用单偏光与正交偏光2种光性图像实现了对矿物的自动识别。 对南京大学岩石教学薄片显微图像 基于深度学习的岩石薄片矿物自动识别方法
基于改进YOLOv5的矿石目标检测算法
2023年11月1日 综上，针对矿山传送带分拣大块矿石智能化检测定位困难的问题，本文基于YOLOv5 模型对大小不 一的矿石进行识别。同时，为了提高复杂背景下矿石图像检测效果，本文采取基于改进YOLOv5 算法对 矿石图像进行识别，为后续实现工业机械手实时分拣提 2022年1月23日 聚焦于矿石勘探和将矿石破碎筛分后的皮带运输两个环节，系统总结了深度学习技术在矿石图像处理中的主要应用，包括矿石分类、粒度分析和异物识别等任务，并分门别类地梳理了完成以上三大任务的常用算法及其优缺点。其中，矿石分类在地质勘探中起着重要作用；粒度分析能为破碎机和传送 基于深度学习的矿石图像处理研究综述 USTB
矿石块度视觉识别判断方法
在对矿石识别完成后，利用矿石块度判断结构对预测框 像素面积进行计算得到矿石的真实尺寸。在最终测试中，在将图像经过灰度化、中值滤波处理后进行测试。结果表明，相比于单独UNet图像分割算法对矿石块度进行判断，IOR方法在降低6个百分点精确率 2021年9月15日 12 研究任务 利用图像处理技术和深度学习算法解决以下两个任务： （1）岩性识别与分类 以白光环境下拍摄的岩石样本图像数据为基础，设计合适的机器学习或深度学习算法，构建岩石样本岩性智能识别模型。 （2）计算岩石含油面积百分含量 以荧光 基于深度学习的岩石样本智能识别研究——第九届“泰迪杯
知乎 有问题，就会有答案
矿物是具有一定化学组成的天然化合物，它具有稳定的相界面和结晶习性。由内部结晶习性决定了矿物的晶型和对称性；由化学键的性质决定了矿物的硬度、光泽和导电性质；由矿物的化学成分、结合的紧密度决定了矿物的颜色和比重等。在识别矿物时，矿物的形态和物理性质由于其易于鉴定而成为 矿物（天然单质或化合物）百度百科
智能选矿技术在矿业生产中的应用矿石识别质量
2024年6月4日 提高矿产品质量和效益：智能选矿技术能够实现矿石的精准识别和高效分选，从而提高矿产品质量和回收率，降低生产成本。 2 降低能耗和环境污染：智能选矿技术采用先进的分选设备和方法，有助于降低能耗和减少废弃物产生，实现绿色环保发展。