CN108764032A - 煤矿探放水智能监控方法、装置、计算机设备及存储介质 - Google Patents
煤矿探放水智能监控方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN108764032A CN108764032A CN201810349640.1A CN201810349640A CN108764032A CN 108764032 A CN108764032 A CN 108764032A CN 201810349640 A CN201810349640 A CN 201810349640A CN 108764032 A CN108764032 A CN 108764032A
- Authority
- CN
- China
- Prior art keywords
- drilling
- drilling machine
- waveform
- frame image
- drilling rod
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 239000003245 coal Substances 0.000 title claims abstract description 29
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000005553 drilling Methods 0.000 claims abstract description 216
- 230000008569 process Effects 0.000 claims abstract description 31
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 238000010586 diagram Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 229910000831 Steel Inorganic materials 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 239000010959 steel Substances 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 108010001267 Protein Subunits Proteins 0.000 claims description 2
- 230000006399 behavior Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 7
- 239000000463 material Substances 0.000 abstract description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 238000001914 filtration Methods 0.000 description 6
- 230000033228 biological regulation Effects 0.000 description 5
- 230000000903 blocking effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000009977 dual effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 241001074085 Scophthalmus aquosus Species 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 1
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Animal Husbandry (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Agronomy & Crop Science (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了煤矿探放水智能监控方法、装置、计算机设备及存储介质,其中方法包括:获取煤矿探放水过程的视频数据;根据获取到的视频数据确定出探放水过程中的卸钻杆次数;根据卸钻杆次数确定出本次探放水的钻探深度。应用本发明所述方案,能够提升监控效果,并节省人力物力等。
Description
【技术领域】
本发明涉及计算机应用技术,特别涉及煤矿探放水智能监控方法、装置、计算机设备及存储介质。
【背景技术】
在煤矿生产中水灾是比较常见的问题,这类问题突发性强,并且会在短时间内对矿井及矿工造成严重伤害。在部分生产矿井的地质范围内,往往有许多充水的富含水层、断层以及小窑老空,当采掘工作面靠近这些水体时,地下水可能忽然涌入巷道,从而导致矿井事故。
为解决上述问题,通常采取探放水措施,即提前将工作面前方的水情探明,然后将水有秩序地放出,以确保采掘工作的安全。
国家规定在受水害威胁的地区,必须坚持“有疑必探,先探后掘”的原则。然而,探放水的工作非常枯燥和辛苦,矿工经常存在侥幸心理,不按照规定进行探放水工作,其中最显著的违规行为是不按照规定的钻探深度进行钻探,从而可能引起严重的井下水害,如透水事故。
目前,全国大部分煤矿的探放水过程都处于未有效监控状态,已有少部分分煤矿采用了人工监控的方法,即对井下探放水过程进行视频采集,然后通过网络传输到监控室,通过人工进行分析,确定探放水过程是否按照规定的钻探深度进行钻探等。
但这种方式在实际应用中也会存在问题,如:视觉过程重复单调,容易造成视觉疲劳、注意力不集中的问题,效果得不到保证,并且需要投入大量人力物力,难以进行有效推广等。
【发明内容】
有鉴于此,本发明提供了煤矿探放水智能监控方法、装置、计算机设备及存储介质。
具体技术方案如下:
一种煤矿探放水智能监控方法,包括:
获取煤矿探放水过程的视频数据;
根据所述视频数据确定出探放水过程中的卸钻杆次数;
根据所述卸钻杆次数确定出本次探放水的钻探深度。
根据本发明一优选实施例,所述根据所述视频数据确定出探放水过程中的卸钻杆次数包括:
根据所述视频数据生成钻探机的运行轨迹图;
根据所述运行轨迹图确定出所述卸钻杆次数。
根据本发明一优选实施例,所述根据所述视频数据生成钻探机的运行轨迹图包括:
从获取到的视频数据中的第一帧图像开始,依次对每帧图像进行钻探机检测,一旦在第i帧图像中检测到钻探机,则结束检测,1≤i<M,M为所述视频数据中包括的图像帧数;
基于检测到的钻探机位置以及所述第i帧图像之后的各帧图像,对所述钻探机进行目标追踪;
根据目标追踪结果生成所述钻探机的运行轨迹图。
根据本发明一优选实施例,所述依次对每帧图像进行钻探机检测包括:
利用基于区域的卷积神经网络快速目标检测Faster RCNN算法,依次对每帧图像进行钻探机检测。
根据本发明一优选实施例,所述对所述钻探机进行目标追踪包括:
利用高效卷积追踪ECO算法,对所述钻探机进行目标追踪。
根据本发明一优选实施例,所述结束检测之后,该方法进一步包括:
每间隔N帧图像,N为大于一的正整数,则根据当前帧图像进行一次钻探机检测,若检测到的钻探机位置与目标追踪结果不符,则基于最新检测到的钻探机位置进行之后的目标追踪。
根据本发明一优选实施例,所述根据所述运行轨迹图确定出所述卸钻杆次数包括:
确定出所述运行轨迹图中存在的有效波形数,每个有效波形分别对应一次卸钻杆操作。
根据本发明一优选实施例,所述确定出所述运行轨迹图中存在的有效波形数包括:
针对所述运行轨迹图中的每个波形,分别确定所述波形是否符合以下条件:
所述波形的峰值大于预先设定的第一阈值;
而且,所述波形的峰值左侧的最小值以及所述峰值右侧的最小值的取值均小于预先设定的第二阈值,所述第二阈值小于所述第一阈值;
若符合所述条件,则确定所述波形为有效波形。
根据本发明一优选实施例,所述根据所述卸钻杆次数确定出本次探放水的钻探深度包括:
计算所述卸钻杆次数与钻杆长度的乘积;
将计算结果作为所述钻探深度。
一种煤矿探放水智能监控装置,包括:视频获取单元、次数获取单元以及深度获取单元;
所述视频获取单元,用于获取煤矿探放水过程的视频数据;
所述次数获取单元,用于根据所述视频数据确定出探放水过程中的卸钻杆次数;
所述深度获取单元,用于根据所述卸钻杆次数确定出本次探放水的钻探深度。
根据本发明一优选实施例,所述次数获取单元中包括:统计子单元;
所述统计子单元,用于根据基于所述视频数据生成的钻探机的运行轨迹图,确定出所述卸钻杆次数。
根据本发明一优选实施例,所述次数获取单元中进一步包括:检测子单元以及追踪子单元;
所述检测子单元,用于从获取到的视频数据中的第一帧图像开始,依次对每帧图像进行钻探机检测,一旦在第i帧图像中检测到钻探机,则结束检测,1≤i<M,M为所述视频数据中包括的图像帧数;
所述追踪子单元,用于基于所述检测子单元检测到的钻探机位置以及所述第i帧图像之后的各帧图像,对所述钻探机进行目标追踪,并根据目标追踪结果生成所述钻探机的运行轨迹图。
根据本发明一优选实施例,所述检测子单元利用基于区域的卷积神经网络快速目标检测Faster RCNN算法,依次对每帧图像进行钻探机检测。
根据本发明一优选实施例,所述追踪子单元利用高效卷积追踪ECO算法,对所述钻探机进行目标追踪。
根据本发明一优选实施例,所述追踪子单元进一步用于,每间隔N帧图像,N为大于一的正整数,则调用所述检测子单元根据当前帧图像进行一次钻探机检测,若检测到的钻探机位置与目标追踪结果不符,则基于最新检测到的钻探机位置进行之后的目标追踪。
根据本发明一优选实施例,所述统计子单元确定出所述运行轨迹图中存在的有效波形数,每个有效波形分别对应一次卸钻杆操作。
根据本发明一优选实施例,所述统计子单元针对所述运行轨迹图中的每个波形,分别确定所述波形是否符合以下条件:所述波形的峰值大于预先设定的第一阈值,而且,所述波形的峰值左侧的最小值以及所述峰值右侧的最小值的取值均小于预先设定的第二阈值,所述第二阈值小于所述第一阈值;若符合所述条件,则确定所述波形为有效波形。
根据本发明一优选实施例,所述深度获取单元计算所述卸钻杆次数与钻杆长度的乘积,将计算结果作为所述钻探深度。
一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现如以上所述的方法。
一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如以上所述的方法。
基于上述介绍可以看出,采用本发明所述方案,可获取煤矿探放水过程的视频数据,之后可通过对获取到的视频数据进行分析,确定出探放水过程中的卸钻杆次数,进而可根据卸钻杆次数确定出本次探放水的钻探深度,从而达到自动监控的目的,进而避免了现有技术中所述的问题,提升了监控效果,并节省了人力物力等。
【附图说明】
图1为本发明所述煤矿探放水智能监控方法实施例的流程图。
图2为现有卸钻杆过程的初始状态示意图。
图3为现有卸钻杆过程的取钻杆操作示意图。
图4为现有卸钻杆过程的抽出钻杆操作示意图。
图5为现有卸钻杆过程的卸载钻杆操作示意图。
图6为本发明所述钻探机检测方法实施例的流程图。
图7为现有Faster RCNN算法的实现框架示意图。
图8为本发明所述钻探机的运行轨迹图示意图。
图9为本发明所述通过双阈值方法筛选出的有效波形示意图。
图10为本发明所述煤矿探放水智能监控装置实施例的组成结构示意图。
图11示出了适于用来实现本发明实施方式的示例性计算机系统/服务器12的框图。
【具体实施方式】
针对现有技术中对于煤矿探放水过程无监控或者采用人工方式进行监控存在的缺陷,本发明中提出了一种基于计算机视觉的煤矿探放水智能监控方式,通过对探放水过程的视频数据进行分析,自动确定出钻探深度,从而实现了对于探放水过程的有效自动监控。
为了使本发明的技术方案更加清楚、明白,以下参照附图并举实施例,对本发明所述方案进行进一步说明。
显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
图1为本发明所述煤矿探放水智能监控方法实施例的流程图。如图1所示,包括以下具体实现方式。
在101中,获取煤矿探放水过程的视频数据。
在102中,根据获取到的视频数据确定出探放水过程中的卸钻杆次数。
在103中,根据卸钻杆次数确定出本次探放水的钻探深度。
可按照现有方式对煤矿探放水过程进行视频采集,针对获取到的视频数据,可通过对其进行实时或非实时地分析,确定出探放水过程中的卸钻杆次数,进而可根据卸钻杆次数确定出本次探放水的钻探深度。
其中,可根据获取到的视频数据生成钻探机的运行轨迹图,进而根据运行轨迹图确定出卸钻杆次数。
图2~5为现有卸钻杆过程示意图。其中,图2为现有卸钻杆过程的初始状态示意图,图3为现有卸钻杆过程的取钻杆操作示意图,图4为现有卸钻杆过程的抽出钻杆操作示意图,图5为现有卸钻杆过程的卸载钻杆操作示意图。
如图2~5所示,一次卸钻杆操作可以分为四个步骤,分别为:
1)钻探机从初始位置出发运行到取杆处,如图2所示;
2)钻探机在取杆处对钻杆进行抓取,如图3所示;
3)钻探机将钻杆抽出,如图4所示;
4)矿工运用工具将钻杆卸下并放到指定位置,如图5所示。
探放水的卸钻杆过程就是上面四个步骤的不断重复。
可以看出,一次卸钻杆操作就是钻探机从初始位置出发到取杆处,然后再从取杆处回到初始位置的过程。
因此,可以对钻探机进行追踪,根据钻探机运行轨迹自动确定出卸钻杆次数,而钻杆长度可以事先获取,那么则可以结合卸钻杆次数计算出钻探深度。同时针对井下光线较暗、钻探机颜色和背景颜色相似(都是黑色)、矿工头上矿灯对视频有严重干扰以及有时会出现遮挡等情况,本实施例中提出一种检测与追踪相结合的钻探机轨迹追踪方式。
具体地,可从获取到的视频数据中的第一帧图像开始,依次对每帧图像(每一视频帧)进行钻探机检测,一旦在第i帧图像中检测到钻探机,则结束检测,1≤i<M,M为视频数据中包括的图像帧数,并基于检测到的钻探机位置以及第i帧图像之后的各帧图像,对钻探机进行目标追踪,进而根据目标追踪结果生成钻探机的运行轨迹图。
目标追踪过程中,可能会出现由于遮挡等造成的追踪丢失,针对这种情况,可每间隔N帧图像,N为大于一的正整数,则根据当前帧图像进行一次钻探机检测,若检测到的钻探机位置与目标追踪结果相符,则可不作处理,若检测到的钻探机位置与目标追踪结果不相符,即追踪失败,则可基于最新检测到的钻探机位置进行之后的目标追踪。
根据目标追踪结果,可生成钻探机的运行轨迹图,进而可确定出运行轨迹图中存在的有效波形数,每个有效波形分别对应一次卸钻杆操作。之后,可计算卸钻杆次数与钻杆长度的乘积,将计算结果作为钻探深度。后续,可进一步评估钻探深度是否符合规定,若不符合规定,可采取相应的处理措施等。
以下分别对上述各过程进行详细介绍。
一)钻探机检测
要进行目标追踪,需要首先获取需要追踪的目标。钻探机虽然分为不同型号,但整体比较类似,可以应用目标检测算法对视频数据中的各帧图像进行钻探机检测。
图6为本发明所述钻探机检测方法实施例的流程图。如图6所示,包括以下具体实现方式。
在601中,读取视频数据中的第一帧图像。
在602中,对读取到的图像进行钻探机检测。
在603中,确定是否检测到钻探机,若是,则执行钻探机追踪流程,若否,则执行604。
在604中,读取下一帧图像,并重复执行602。
钻探机检测是钻探机追踪的基础,如果检测失败,则追踪也会失败,因此必须要在井下的复杂环境中准确地检测到钻探机。
而钻探机检测问题属于目标检测问题,基于区域的卷积神经网络快速目标检测(Faster RCNN,Faster Region based Convolutional Neural Network)算法在许多目标检测问题上都有良好表现,因此本实施例中应用Faster RCNN算法进行钻探机检测。
图7为现有Faster RCNN算法的实现框架示意图。如图7所示,Faster RCNN主要包括卷积层(特征提取层)、区域提取网络与分类器三个主要模块。其中,卷积层通常为深度卷积神经网络,用于将原始图像通过一系列的卷积、池化等操作转化成更具表达能力、更为抽象的高层图像特征(特征图),提供给区域提取网络以及分类器,本实施例中可以使用Resnet 101作为卷积层的神经网络。区域提取网络基于卷积层提取的图像特征,依据网络提供的一系列框的生成方式生成对应的多个候选框,最终产生一定数量的疑似钻探机区域。分类器根据提取出的图像特征,对疑似钻探机区域进行精确分析,最终给出图像中符合钻探机特征区域的坐标。
二)钻探机追踪
完成钻探机检测之后,可基于检测到的钻探机位置以及之后的各帧图像,进行钻探机追踪,即对钻探机进行目标追踪。
由于井下环境相对复杂,会存在遮挡等情况,因此可能出现模型漂移(modeldrift)现象。而目标检测算法由于运行速度较慢,不可能每帧图像都进行检测,因此,可每间隔N帧图像,N为大于一的正整数,则根据当前帧图像进行一次钻探机检测,若检测到的钻探机位置与目标追踪结果不符,则可基于最新检测到的钻探机位置进行之后的目标追踪,若检测到的钻探机位置与目标追踪结果相符,可不作处理。
N的具体取值可根据实际需要而定。检测到的钻探机位置与目标追踪结果相符,通常是指检测到的钻探机位置与目标追踪结果相重合。如果检测到的钻探机位置与目标追踪结果相重合,说明追踪成功,反之,说明追踪失败,因此需要基于最新检测到的钻探机位置进行之后的目标追踪。
由于井下环境相对比较复杂,因此追踪算法必须能够克服井下干扰,并且运行速度不能太慢,为此,本实施例中提出,可采用高效卷积追踪(ECO,Efficient ConvolutionOperators for Tracking)算法进行钻探机追踪。
ECO算法应用相关滤波方法进行目标追踪,但与传统相关滤波算法相比,不但准确度更高,而且速度更快。相关滤波方法通过被追踪目标信息构建滤波器,在新图像上应用滤波器和原图进行卷积,响应最大的区域即为要追踪的目标区域。
ECO算法与传统相关滤波算法相比,主要做了如下改进:
1)模型大小压缩
相关滤波算法每一个特征需要一个滤波器,而大部分滤波器的能量很小。ECO算法通过因式分解的卷积操作(Factorized Convolution Operator),将滤波器的维度从D维降到C维,然后每一特征的滤波器用这C个滤波器的线性组合来表示。由于C远远小于D,因此模型压缩很多。
2)训练集大小控制
传统的训练集,每更新一帧图像就加一个进来,那么连续的数帧后训练集中的样本都是高度相似的,容易对最近的数帧样本过拟合,容易出现模型漂移现象,即被背景或者错误的目标污染,导致追踪结果出错。而ECO算法应用高斯混合模型来生成不同的分量(component),每一个component基本就对应一组比较相似的样本,不同的component之间有较大的差异性,这样就使得训练集具有了多样性。
3)模型更新策略
传统相关滤波算法中,每帧图像都需要对模型进行更新,速度很慢,并且会出现模型漂移现象,而ECO算法每隔固定帧(如5帧)更新一次模型,不但节约时间,而且追踪效果更好。
三)钻探深度计算
基于上述的钻探机检测和钻探机追踪操作,可获取到探放水过程中的钻探机的运行轨迹图。
由于钻探机有固定的轨道,因此它的运行轨迹可以用钻探机当前所处的位置与初始位置的距离来表示。图8为本发明所述钻探机的运行轨迹图示意图。如图8所示,为视频中的每帧图像中的钻探机与初始位置的距离,一次卸钻杆操作意味着钻探机从初始位置运行到取杆处,再从取杆处运行到初始位置,即图8中所示的一个波形。
因此,从运行轨迹图中确定出卸钻杆次数即可转化为确定出运行轨迹图上存在多少波形。由于钻探机可能会存在一些无效运动,如钻探机未运行到取杆处就返回,因此,还需要对运行轨迹图中的波形进行筛选,筛选出有效波形,每个有效波形即对应一次卸钻杆操作,这样,统计出了运行轨迹图中的有效波形数,也就相当于统计出了卸钻杆次数。
较佳地,可采用双阈值方法进行有效波形的筛选。即针对运行轨迹图中的每个波形,分别确定该波形是否符合以下条件:波形的峰值大于预先设定的第一阈值,而且,波形的峰值左侧的最小值以及峰值右侧的最小值的取值均小于预先设定的第二阈值,第二阈值小于第一阈值;若符合条件,则确定波形为有效波形。
图9为本发明所述通过双阈值方法筛选出的有效波形示意图。假设第一阈值为θhigh(如图9中位于上面的虚线),第二阈值为θlow(如图9中位于下面的虚线),θlow用于衡量钻探机是否回到初始位置,θhigh用来衡量钻探机是否运行到取杆处。如果钻探机从初始位置出发(与初始位置距离小于θlow),运行到取杆处(与初始位置距离大于θhigh),再回到初始位置(与初始位置距离再次小于θlow),即可认为完成了一次卸钻杆操作。
双阈值方法可以消除无效运动所带来的影响,从而可以准确地统计出一次探放水过程中的卸钻杆次数。如图9所示,总共有10次卸钻杆操作。
之后,可计算卸钻杆次数与钻杆长度的乘积,将计算结果作为钻探深度,从而实现对于探放水过程的有效监控。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
总之,采用上述方法实施例所述方案,可以实现对于探放水过程的有效监控,从而可以减少煤矿水灾害的发生,保障矿工的生命安全,而且,相比于现有人工监控的方法,能够提升监控效果,并节省人力物力等。
以上是关于方法实施例的介绍,以下通过装置实施例,对本发明所述方案进行进一步说明。
图10为本发明所述煤矿探放水智能监控装置实施例的组成结构示意图。如图10所示,包括:视频获取单元101、次数获取单元102以及深度获取单元103。
视频获取单元101,用于获取煤矿探放水过程的视频数据。
次数获取单元102,用于根据获取到的视频数据确定出探放水过程中的卸钻杆次数。
深度获取单元103,用于根据卸钻杆次数确定出本次探放水的钻探深度。
其中,次数获取单元102中可包括:统计子单元1023,用于根据基于视频数据生成的钻探机的运行轨迹图,确定出卸钻杆次数。
一次卸钻杆操作可以分为四个步骤,分别为:1)钻探机从初始位置出发运行到取杆处;2)钻探机在取杆处对钻杆进行抓取;3)钻探机将钻杆抽出;4)矿工运用工具将钻杆卸下并放到指定位置。
可以看出,一次卸钻杆操作就是钻探机从初始位置出发到取杆处,然后再从取杆处回到初始位置的过程。因此,可以对钻探机进行追踪,根据钻探机运行轨迹自动确定出卸钻杆次数,而钻杆长度可以事先获取,那么则可以结合卸钻杆次数计算出钻探深度。同时针对井下光线较暗、钻探机颜色和背景颜色相似、矿工头上矿灯对视频有严重干扰以及有时会出现遮挡等情况,本实施例中提出一种检测与追踪相结合的钻探机轨迹追踪方式。
相应地,如图10所示,次数获取单元102中可进一步包括:检测子单元1021以及追踪子单元1022。
检测子单元1021,用于从获取到的视频数据中的第一帧图像开始,依次对每帧图像进行钻探机检测,一旦在第i帧图像中检测到钻探机,则结束检测,1≤i<M,M为视频数据中包括的图像帧数。
追踪子单元1022,用于基于检测子单元1021检测到的钻探机位置以及第i帧图像之后的各帧图像,对钻探机进行目标追踪,并根据目标追踪结果生成钻探机的运行轨迹图。
其中,检测子单元1021可利用Faster RCNN算法,依次对每帧图像进行钻探机检测。追踪子单元1022可利用ECO算法,对钻探机进行目标追踪。
另外,目标追踪过程中,可能会出现由于遮挡等造成的追踪丢失,针对这种情况,追踪子单元1022可每间隔N帧图像,N为大于一的正整数,则调用检测子单元1021根据当前帧图像进行一次钻探机检测,若检测到的钻探机位置与目标追踪结果不符,则基于最新检测到的钻探机位置进行之后的目标追踪。
根据目标追踪结果,可生成钻探机的运行轨迹图。统计子单元1023可确定出运行轨迹图中存在的有效波形数,每个有效波形分别对应一次卸钻杆操作。
由于钻探机有固定的轨道,因此它的运行轨迹可以用钻探机当前所处的位置与初始位置的距离来表示,如图8所示,一次卸钻杆操作意味着钻探机从初始位置运行到取杆处,再从取杆处运行到初始位置,即图8中所示的一个波形。
因此,从运行轨迹图中确定出卸钻杆次数即可转化为确定出运行轨迹图上存在多少波形。由于钻探机可能会存在一些无效运动,如钻探机未运行到取杆处就返回,因此,还需要对运行轨迹图中的波形进行筛选,筛选出有效波形,每个有效波形即对应一次卸钻杆操作,这样,统计出了运行轨迹图中的有效波形数,也就相当于统计出了卸钻杆次数。
具体地,统计子单元1023可针对运行轨迹图中的每个波形,分别确定该波形是否符合以下条件:波形的峰值大于预先设定的第一阈值,而且,波形的峰值左侧的最小值以及峰值右侧的最小值的取值均小于预先设定的第二阈值,第二阈值小于第一阈值;若符合条件,则确定波形为有效波形。
在获取到卸钻杆次数之后,深度获取单元103可进一步计算卸钻杆次数与钻杆长度的乘积,将计算结果作为所需的钻探深度。
图10所示装置实施例的具体工作流程请参照前述方法实施例中的相应说明,不再赘述。
总之,采用上述装置实施例所述方案,可以实现对于探放水过程的有效监控,从而可以减少煤矿水灾害的发生,保障矿工的生命安全,而且,相比于现有人工监控的方法,能够提升监控效果,并节省人力物力等。
图11示出了适于用来实现本发明实施方式的示例性计算机系统/服务器12的框图。图11显示的计算机系统/服务器12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图11所示,计算机系统/服务器12以通用计算设备的形式表现。计算机系统/服务器12的组件可以包括但不限于:一个或者多个处理器(处理单元)16,存储器28,连接不同系统组件(包括存储器28和处理器16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机系统/服务器12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机系统/服务器12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图11未显示,通常称为“硬盘驱动器”)。尽管图11中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机系统/服务器12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机系统/服务器12交互的设备通信,和/或与使得该计算机系统/服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机系统/服务器12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图11所示,网络适配器20通过总线18与计算机系统/服务器12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机系统/服务器12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器16通过运行存储在存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现图1所示实施例中的方法。
本发明同时公开了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时将实现如图1所示实施例中的方法。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法等,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (20)
1.一种煤矿探放水智能监控方法,其特征在于,包括:
获取煤矿探放水过程的视频数据;
根据所述视频数据确定出探放水过程中的卸钻杆次数;
根据所述卸钻杆次数确定出本次探放水的钻探深度。
2.根据权利要求1所述的方法,其特征在于,
所述根据所述视频数据确定出探放水过程中的卸钻杆次数包括:
根据所述视频数据生成钻探机的运行轨迹图;
根据所述运行轨迹图确定出所述卸钻杆次数。
3.根据权利要求2所述的方法,其特征在于,
所述根据所述视频数据生成钻探机的运行轨迹图包括:
从获取到的视频数据中的第一帧图像开始,依次对每帧图像进行钻探机检测,一旦在第i帧图像中检测到钻探机,则结束检测,1≤i<M,M为所述视频数据中包括的图像帧数;
基于检测到的钻探机位置以及所述第i帧图像之后的各帧图像,对所述钻探机进行目标追踪;
根据目标追踪结果生成所述钻探机的运行轨迹图。
4.根据权利要求3所述的方法,其特征在于,
所述依次对每帧图像进行钻探机检测包括:
利用基于区域的卷积神经网络快速目标检测Faster RCNN算法,依次对每帧图像进行钻探机检测。
5.根据权利要求3所述的方法,其特征在于,
所述对所述钻探机进行目标追踪包括:
利用高效卷积追踪ECO算法,对所述钻探机进行目标追踪。
6.根据权利要求3所述的方法,其特征在于,
所述结束检测之后,进一步包括:
每间隔N帧图像,N为大于一的正整数,则根据当前帧图像进行一次钻探机检测,若检测到的钻探机位置与目标追踪结果不符,则基于最新检测到的钻探机位置进行之后的目标追踪。
7.根据权利要求2所述的方法,其特征在于,
所述根据所述运行轨迹图确定出所述卸钻杆次数包括:
确定出所述运行轨迹图中存在的有效波形数,每个有效波形分别对应一次卸钻杆操作。
8.根据权利要求7所述的方法,其特征在于,
所述确定出所述运行轨迹图中存在的有效波形数包括:
针对所述运行轨迹图中的每个波形,分别确定所述波形是否符合以下条件:
所述波形的峰值大于预先设定的第一阈值;
而且,所述波形的峰值左侧的最小值以及所述峰值右侧的最小值的取值均小于预先设定的第二阈值,所述第二阈值小于所述第一阈值;
若符合所述条件,则确定所述波形为有效波形。
9.根据权利要求1所述的方法,其特征在于,
所述根据所述卸钻杆次数确定出本次探放水的钻探深度包括:
计算所述卸钻杆次数与钻杆长度的乘积;
将计算结果作为所述钻探深度。
10.一种煤矿探放水智能监控装置,其特征在于,包括:视频获取单元、次数获取单元以及深度获取单元;
所述视频获取单元,用于获取煤矿探放水过程的视频数据;
所述次数获取单元,用于根据所述视频数据确定出探放水过程中的卸钻杆次数;
所述深度获取单元,用于根据所述卸钻杆次数确定出本次探放水的钻探深度。
11.根据权利要求10所述的装置,其特征在于,
所述次数获取单元中包括:统计子单元;
所述统计子单元,用于根据基于所述视频数据生成的钻探机的运行轨迹图,确定出所述卸钻杆次数。
12.根据权利要求11所述的装置,其特征在于,
所述次数获取单元中进一步包括:检测子单元以及追踪子单元;
所述检测子单元,用于从获取到的视频数据中的第一帧图像开始,依次对每帧图像进行钻探机检测,一旦在第i帧图像中检测到钻探机,则结束检测,1≤i<M,M为所述视频数据中包括的图像帧数;
所述追踪子单元,用于基于所述检测子单元检测到的钻探机位置以及所述第i帧图像之后的各帧图像,对所述钻探机进行目标追踪,并根据目标追踪结果生成所述钻探机的运行轨迹图。
13.根据权利要求12所述的装置,其特征在于,
所述检测子单元利用基于区域的卷积神经网络快速目标检测Faster RCNN算法,依次对每帧图像进行钻探机检测。
14.根据权利要求12所述的装置,其特征在于,
所述追踪子单元利用高效卷积追踪ECO算法,对所述钻探机进行目标追踪。
15.根据权利要求12所述的装置,其特征在于,
所述追踪子单元进一步用于,每间隔N帧图像,N为大于一的正整数,则调用所述检测子单元根据当前帧图像进行一次钻探机检测,若检测到的钻探机位置与目标追踪结果不符,则基于最新检测到的钻探机位置进行之后的目标追踪。
16.根据权利要求11所述的装置,其特征在于,
所述统计子单元确定出所述运行轨迹图中存在的有效波形数,每个有效波形分别对应一次卸钻杆操作。
17.根据权利要求16所述的装置,其特征在于,
所述统计子单元针对所述运行轨迹图中的每个波形,分别确定所述波形是否符合以下条件:所述波形的峰值大于预先设定的第一阈值,而且,所述波形的峰值左侧的最小值以及所述峰值右侧的最小值的取值均小于预先设定的第二阈值,所述第二阈值小于所述第一阈值;若符合所述条件,则确定所述波形为有效波形。
18.根据权利要求10所述的装置,其特征在于,
所述深度获取单元计算所述卸钻杆次数与钻杆长度的乘积,将计算结果作为所述钻探深度。
19.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1~9中任一项所述的方法。
20.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1~9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810349640.1A CN108764032B (zh) | 2018-04-18 | 2018-04-18 | 煤矿探放水智能监控方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810349640.1A CN108764032B (zh) | 2018-04-18 | 2018-04-18 | 煤矿探放水智能监控方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108764032A true CN108764032A (zh) | 2018-11-06 |
CN108764032B CN108764032B (zh) | 2019-12-24 |
Family
ID=64011266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810349640.1A Active CN108764032B (zh) | 2018-04-18 | 2018-04-18 | 煤矿探放水智能监控方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764032B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598710A (zh) * | 2018-11-29 | 2019-04-09 | 中国科学院重庆绿色智能技术研究院 | 一种煤矿钻杆自动计数方法及系统 |
CN110259438A (zh) * | 2019-06-21 | 2019-09-20 | 精英数智科技股份有限公司 | 一种煤矿探放水智能监控方法、装置及终端设备 |
CN110656979A (zh) * | 2019-09-06 | 2020-01-07 | 精英数智科技股份有限公司 | 一种探放水监控方法、装置、设备和存储介质 |
CN111079629A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车心盘脱出故障图像识别方法 |
CN112001420A (zh) * | 2020-07-24 | 2020-11-27 | 武汉安视感知科技有限公司 | 一种矿井工人钻杆智能计时计数方法、设备及存储设备 |
CN112196518A (zh) * | 2019-11-26 | 2021-01-08 | 中国科学院地质与地球物理研究所 | 一种基于图像识别的钻井方法、装置、设备及介质 |
CN113111805A (zh) * | 2021-04-16 | 2021-07-13 | 北京科技大学 | 一种基于机器视觉的煤矿井下打钻数量统计方法 |
CN113536234A (zh) * | 2021-07-14 | 2021-10-22 | 广西柳工机械股份有限公司 | 矿区运输次数检测方法、装置、计算机设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1645641A3 (en) * | 1999-04-26 | 2007-03-21 | Nippon Steel Corporation | Automatic control method for hydraulic taphole opener |
CN204462381U (zh) * | 2015-01-26 | 2015-07-08 | 天地(常州)自动化股份有限公司 | 一种矿用本安型钻孔深度测量仪 |
CN106096577A (zh) * | 2016-06-24 | 2016-11-09 | 安徽工业大学 | 一种摄像头分布地图中的目标追踪系统及追踪方法 |
CN107330920A (zh) * | 2017-06-28 | 2017-11-07 | 华中科技大学 | 一种基于深度学习的监控视频多目标追踪方法 |
-
2018
- 2018-04-18 CN CN201810349640.1A patent/CN108764032B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1645641A3 (en) * | 1999-04-26 | 2007-03-21 | Nippon Steel Corporation | Automatic control method for hydraulic taphole opener |
CN204462381U (zh) * | 2015-01-26 | 2015-07-08 | 天地(常州)自动化股份有限公司 | 一种矿用本安型钻孔深度测量仪 |
CN106096577A (zh) * | 2016-06-24 | 2016-11-09 | 安徽工业大学 | 一种摄像头分布地图中的目标追踪系统及追踪方法 |
CN107330920A (zh) * | 2017-06-28 | 2017-11-07 | 华中科技大学 | 一种基于深度学习的监控视频多目标追踪方法 |
Non-Patent Citations (2)
Title |
---|
李强: "钻机视频对讲及钻杆计数实时监控系统的研发与应用", 《机械管理开发》 * |
肖庆伟: "基于TLD的井下视频目标跟踪研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598710A (zh) * | 2018-11-29 | 2019-04-09 | 中国科学院重庆绿色智能技术研究院 | 一种煤矿钻杆自动计数方法及系统 |
CN109598710B (zh) * | 2018-11-29 | 2023-04-11 | 中国科学院重庆绿色智能技术研究院 | 一种煤矿钻杆自动计数方法及系统 |
CN110259438A (zh) * | 2019-06-21 | 2019-09-20 | 精英数智科技股份有限公司 | 一种煤矿探放水智能监控方法、装置及终端设备 |
CN110656979A (zh) * | 2019-09-06 | 2020-01-07 | 精英数智科技股份有限公司 | 一种探放水监控方法、装置、设备和存储介质 |
CN110656979B (zh) * | 2019-09-06 | 2021-10-01 | 精英数智科技股份有限公司 | 一种探放水监控方法、装置、设备和存储介质 |
CN112196518A (zh) * | 2019-11-26 | 2021-01-08 | 中国科学院地质与地球物理研究所 | 一种基于图像识别的钻井方法、装置、设备及介质 |
CN112196518B (zh) * | 2019-11-26 | 2021-05-04 | 中国科学院地质与地球物理研究所 | 一种基于图像识别的钻井方法、装置、设备及介质 |
CN111079629A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车心盘脱出故障图像识别方法 |
CN112001420A (zh) * | 2020-07-24 | 2020-11-27 | 武汉安视感知科技有限公司 | 一种矿井工人钻杆智能计时计数方法、设备及存储设备 |
CN113111805A (zh) * | 2021-04-16 | 2021-07-13 | 北京科技大学 | 一种基于机器视觉的煤矿井下打钻数量统计方法 |
CN113536234A (zh) * | 2021-07-14 | 2021-10-22 | 广西柳工机械股份有限公司 | 矿区运输次数检测方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108764032B (zh) | 2019-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764032A (zh) | 煤矿探放水智能监控方法、装置、计算机设备及存储介质 | |
US20200225177A1 (en) | Method and system to analyze geologic formation properties | |
CN104346802B (zh) | 一种人员离岗监控方法及设备 | |
CN106156599B (zh) | 一种触摸屏解锁方法及装置 | |
CN106910204B (zh) | 一种对海面船只自动跟踪识别的方法和系统 | |
CN110259438A (zh) | 一种煤矿探放水智能监控方法、装置及终端设备 | |
US11466564B2 (en) | Systems and methods for downhole memory tool activation and control | |
CN105912086A (zh) | 电源模块故障诊断方法、电源模块及整机柜服务器 | |
US11261719B2 (en) | Use of surface and downhole measurements to identify operational anomalies | |
CN108241853A (zh) | 一种视频监控方法、系统及终端设备 | |
CN108288020A (zh) | 基于上下文信息的视频遮挡检测系统及方法 | |
CN110889361A (zh) | 基于图像序列的orb特征视觉里程计学习方法和装置 | |
CN113792936A (zh) | 一种随钻岩性智能识别方法、系统、设备和存储介质 | |
Zhou et al. | An adaptive data driven model for characterizing rock properties from drilling data | |
CN104932011B (zh) | 一种拾取地震波初至的方法及装置 | |
US11598152B2 (en) | Real-time fault diagnostics and decision support system for rotary steerable system | |
Kim et al. | Sanity simulations for saliency methods | |
CN104463686B (zh) | 利用判别分析法随钻识别页岩气储层的方法 | |
CN113990101B (zh) | 一种禁停区域车辆检测方法及其系统和处理装置 | |
CN110969645A (zh) | 面向拥挤场景的无监督异常轨迹检测方法和装置 | |
CN106707336A (zh) | 用于油田开发区的区分断层上下盘的方法 | |
CN107632760A (zh) | 书写笔迹圈选方法及装置、触摸设备、可读存储介质 | |
US11333013B2 (en) | Segmentation of time-frequency signatures for automated pipe defect discrimination | |
CN107967100A (zh) | 基于移动终端摄像头的操作控制处理方法、及存储介质 | |
Lemy et al. | Image analysis of drill core |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |