CN109934170A - 一种基于计算机视觉的矿山资源统计方法 - Google Patents
一种基于计算机视觉的矿山资源统计方法 Download PDFInfo
- Publication number
- CN109934170A CN109934170A CN201910190636.XA CN201910190636A CN109934170A CN 109934170 A CN109934170 A CN 109934170A CN 201910190636 A CN201910190636 A CN 201910190636A CN 109934170 A CN109934170 A CN 109934170A
- Authority
- CN
- China
- Prior art keywords
- mine
- image
- mine car
- target
- yolo
- 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
Landscapes
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于计算机视觉的矿山资源统计方法,包括:S10、在出入矿场的各个出入口位置安装摄像头,通过摄像头对装矿的矿车和来往的车辆进行实时监控,并训练场景的统计模型;S20、对装载有不同重量矿的矿车图像信息进行搜集,划分训练集和测试集;S30、对用于目标检测的YOLO网络进行训练;S40、通过训练后的YOLO模型进行识别,实时检测视频中存在的目标;S50、对YOLO模型检测到的目标进行信息获取,并将信息实时存储到数据库中;S60、检测目标在图像中的坐标变化,保存对应图像,并且矿车数量加一;S70、统计每天的矿车和对应的矿产量,计算得到每日的产矿量和挖矿率。本发明能快速检测矿车载的资源的量,取代传统的人工计量的繁琐和误差大的情况。
Description
技术领域
本发明涉及矿产资源管理与效率统计技术领域,尤其涉及一种基于计算机视觉的矿山资源统计方法。
背景技术
近年来,我国的矿产业飞速发展,但是对于矿场挖矿量的统计技术仍然采用人工称重或者估量的方法,这些方法的缺陷在于误差较大并且较为繁琐。随着计算机视觉技术的不断发展,尤其是深度学习在目标检测等方面的快速发展,物体识别逐渐为人所知。其原理在于深度学习通过多次图像卷积,配合向前传播与向后传播,将二维图像理解为高维的特征表示。基于计算机视觉的矿山资源统计在矿产资源统计分析领域可以用于帮助矿场统计日开采量,月开采量,年开采量,以及各种关于挖矿效率的分析,大大减少了矿场资源统计的开支。
发明内容
本发明要解决的技术问题在于针对现有技术中难以统计矿场开采资源量的缺陷,提供一种基于计算机视觉的矿山资源统计方法。
本发明解决其技术问题所采用的技术方案是:
本发明提供一种基于计算机视觉的矿山资源统计方法,该方法包括以下步骤:
S10、在出入矿场的各个出入口位置安装摄像头,通过摄像头对装矿的矿车和来往的车辆进行实时监控,并通过对无车辆通过时的视频进行学习,得到场景的统计模型;
S20、对视频中装载有不同重量矿的矿车图像信息进行搜集,并将矿车图像数据划分为训练集和测试集;
S30、通过训练集和测试集对用于目标检测的YOLO网络进行训练,得到训练后的YOLO模型;
S40、对实时监控视频,通过训练后的YOLO模型进行识别,实时检测视频中存在的目标;
S50、对YOLO模型检测到的目标进行信息获取,包括目标在一帧图像上的坐标,标签,检测时间和出现检测目标的图像,并将以上信息实时存储到数据库中;
S60、对存储在数据库中的数据进行处理,当检测到某个目标在图像中的坐标从图像一侧移动到图像的另一侧,则保存这组图像置信度最大的那张图像到另一张表中,并且矿车数量加一;
S70、统计每天的矿车和对应的矿产量,计算得到每日的产矿量和挖矿率。
进一步地,本发明的步骤S10中对于无车辆通过时的视频进行学习以获取场景的统计模型的具体方法为:
S11、获取无车辆通过时,各不同环境的图片,不同环境包括晴天和阴天;
S12、将获取到的图片进行特征提取;
S13、根据特征提取后得到的数据集,对YOLO网络进行训练得到无车辆通过时的场景统计模型。
进一步地,本发明的步骤S20中获取图像划分训练集和测试集的具体方法为:
S21、获取在矿场不同矿车运载不同重量矿石的图片,并提供对应矿车运载矿石的重量信息;
S22、通过人工打标签的方式,把矿车的种类和运载的重量标注到对应图像上去;
S23、从经过处理的图片中,抽出部分图像作为测试集,剩余图像作为训练集。
进一步地,本发明的步骤S40中通过YOLO网络实时检测视频中存在的目标的具体方法为:
S41、读取参数文件,解析步骤S30中训练的YOLO模型,加载YOLO模型的权重;
S42、将待测的视频分成一帧一帧的图像输入YOLO模型的网络层,进入卷积和均值池化交替处理,得到13像素*13像素的卷积特征图和特征值数据;
S43、接着通过激活函数把提取到的特征值数据范围归一化到0~1之间;
S44、13像素*13像素形成169个网格,对于每个网格都预测5个边框,每个边框包括6维信息,6维信息包括:4维坐标信息、1维边框置信度、1维矿车类别信息,总共形成1个30维的向量;
S45、通过整合预测层输出数据,将步骤S44得到的一系列的目标框,先根据阈值消除概率小的目标框,再用非极大值抑制去除重复框,选择矿车类别出现概率最高的目标框,并输出其具体的坐标。
进一步地,本发明的步骤S50中将信息实时存储到数据库中的具体方法为:
S51、在MySQL数据库中新建一个表;
S52、将步骤S45中得到的出现矿车目标种类的物体坐标,矿车的id,检测时间,置信度,物体的标签,物体出现的相应的帧的图像存储到MySQL数据库中建立的表中。
本发明产生的有益效果是:本发明的基于计算机视觉的矿山资源统计方法,通过对场景不同环境的信息采集和训练,可以大大减少环境因素对于资源统计的影响。采用基于YOLO实时的检测来往矿车所载资源,能快速检测矿车载的资源的量,取代传统的人工计量的繁琐和误差大的情况。采用基于YOLO模型能快速检测出交通要道的矿车,满足视频监控系统实时处理的要求。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例的步骤流程图:
图2是本发明实施例的YOLO的网络层设计图:
图3是本发明实施例的YOLO的实时监测流程:
图4是本发明实施例的摄像头安放地点图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明具体实施例中,如图1所示,本方法实现的步骤如下:
首先在交通要道(出入口处)按图4方式安装摄像头。
使用YOLO对摄像头传来的实时720p视频数据进行实时检测,首先把视频流数据分成一帧一帧的图片,然后把每一帧的图像分辨率缩放为416*416。然后把每一帧的图像输入YOLO的网络层。
在YOLO加载的模型方面,首先搜集无车环境下的大量图片,制作训练集,训练出一个无车环境模型,消除环境因素对检测的干扰问题。然后搜集大量不同的装载不同重量的矿车图片和重量信息,对图片进行打标签处理,组成训练集和测试集进行训练最后得到一个矿车的训练模型。将两个模型解析,加载模型权重。
YOLO的实时检测目标的流程如图3所示,将前面处理的图像信息同步到GPU显存中,输入YOLO的网络层进行处理。如图2所示YOLO网络包括22个卷积层和5个池化层,进入卷积和均值池化交替处理,得到13像素*13像素的卷积特征图和特征值数据。接着通过激活函数把提取到的特征值数据范围归一化到0~1之间,13像素*13像素形成169个网格,对于每个网格都要预测5个边框,每个边框包括6维信息(4维坐标信息,1维边框置信度,1维矿车类别信息),总共形成1个30维的向量。最后通过整合预测层输出数据,将上面得到的一系列的目标框,先根据阈值消除概率小的目标框,再用非极大值抑制去除重复框,选择矿车类别出现概率最高的目标框,并输出其具体的坐标和相应的信息。
使用MySQL数据库创建一个表存储临时数据,这里面有很多数据是冗余的,因为一辆车从摄像头的左边开到右边,一辆车会被记录很多次,所以建立一张表存储临时数据,通过坐标和截取时间很容易找出从左边开到右边的一辆矿车,取其中置信度最高的一次预测作为最终预测,在正式表中存储以下信息:矿车的ID,矿车的标签信息(即矿车装在矿的产量),检测矿车的时间,矿车通过时其中的一帧图片等相关的信息,随后可以以这些信息为基础进行该矿场的日采矿量,月采矿量,年采矿量,采矿率等相关数据分析。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (5)
1.一种基于计算机视觉的矿山资源统计方法,其特征在于,该方法包括以下步骤:
S10、在出入矿场的各个出入口位置安装摄像头,通过摄像头对装矿的矿车和来往的车辆进行实时监控,并通过对无车辆通过时的视频进行学习,得到场景的统计模型;
S20、对视频中装载有不同重量矿的矿车图像信息进行搜集,并将矿车图像数据划分为训练集和测试集;
S30、通过训练集和测试集对用于目标检测的YOLO网络进行训练,得到训练后的YOLO模型;
S40、对实时监控视频,通过训练后的YOLO模型进行识别,实时检测视频中存在的目标;
S50、对YOLO模型检测到的目标进行信息获取,包括目标在一帧图像上的坐标,标签,检测时间和出现检测目标的图像,并将以上信息实时存储到数据库中;
S60、对存储在数据库中的数据进行处理,当检测到某个目标在图像中的坐标从图像一侧移动到图像的另一侧,则保存这组图像置信度最大的那张图像到另一张表中,并且矿车数量加一;
S70、统计每天的矿车和对应的矿产量,计算得到每日的产矿量和挖矿率。
2.根据权利要求1所述的基于计算机视觉的矿山资源统计方法,其特征在于,步骤S10中对于无车辆通过时的视频进行学习以获取场景的统计模型的具体方法为:
S11、获取无车辆通过时,各不同环境的图片,不同环境包括晴天和阴天;
S12、将获取到的图片进行特征提取;
S13、根据特征提取后得到的数据集,对YOLO网络进行训练得到无车辆通过时的场景统计模型。
3.根据权利要求1所述的基于计算机视觉的矿山资源统计方法,其特征在于,步骤S20中获取图像划分训练集和测试集的具体方法为:
S21、获取在矿场不同矿车运载不同重量矿石的图片,并提供对应矿车运载矿石的重量信息;
S22、通过人工打标签的方式,把矿车的种类和运载的重量标注到对应图像上去;
S23、从经过处理的图片中,抽出部分图像作为测试集,剩余图像作为训练集。
4.根据权利要求1所述的基于计算机视觉的矿山资源统计方法,其特征在于,步骤S40中通过YOLO网络实时检测视频中存在的目标的具体方法为:
S41、读取参数文件,解析步骤S30中训练的YOLO模型,加载YOLO模型的权重;
S42、将待测的视频分成一帧一帧的图像输入YOLO模型的网络层,进入卷积和均值池化交替处理,得到13像素*13像素的卷积特征图和特征值数据;
S43、接着通过激活函数把提取到的特征值数据范围归一化到0~1之间;
S44、13像素*13像素形成169个网格,对于每个网格都预测5个边框,每个边框包括6维信息,6维信息包括:4维坐标信息、1维边框置信度、1维矿车类别信息,总共形成1个30维的向量;
S45、通过整合预测层输出数据,将步骤S44得到的一系列的目标框,先根据阈值消除概率小的目标框,再用非极大值抑制去除重复框,选择矿车类别出现概率最高的目标框,并输出其具体的坐标。
5.根据权利要求4所述的基于计算机视觉的矿山资源统计方法,其特征在于,步骤S50中将信息实时存储到数据库中的具体方法为:
S51、在MySQL数据库中新建一个表;
S52、将步骤S45中得到的出现矿车目标种类的物体坐标,矿车的id,检测时间,置信度,物体的标签,物体出现的相应的帧的图像存储到MySQL数据库中建立的表中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910190636.XA CN109934170B (zh) | 2019-03-13 | 2019-03-13 | 一种基于计算机视觉的矿山资源统计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910190636.XA CN109934170B (zh) | 2019-03-13 | 2019-03-13 | 一种基于计算机视觉的矿山资源统计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109934170A true CN109934170A (zh) | 2019-06-25 |
CN109934170B CN109934170B (zh) | 2022-09-16 |
Family
ID=66986979
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910190636.XA Active CN109934170B (zh) | 2019-03-13 | 2019-03-13 | 一种基于计算机视觉的矿山资源统计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109934170B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598158A (zh) * | 2020-05-14 | 2020-08-28 | 汇鼎数据科技(上海)有限公司 | 一种基于ai分析技术的仓储库存状态感知方法 |
CN111709935A (zh) * | 2020-06-17 | 2020-09-25 | 西安科技大学 | 一种用于地面运动皮带上实时煤矸石定位识别方法 |
CN113888525A (zh) * | 2021-10-20 | 2022-01-04 | 中国矿业大学 | 一种基于摄像头数据的旋流器堵塞及预警检测方法 |
CN116972914A (zh) * | 2023-09-22 | 2023-10-31 | 华夏天信智能物联股份有限公司 | 变频一体机智能测试方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106839980A (zh) * | 2017-01-04 | 2017-06-13 | 天津大学 | 堆石坝坝料运输方量监控方法 |
US9760806B1 (en) * | 2016-05-11 | 2017-09-12 | TCL Research America Inc. | Method and system for vision-centric deep-learning-based road situation analysis |
CN108224895A (zh) * | 2018-01-08 | 2018-06-29 | 合肥美的智能科技有限公司 | 基于深度学习的物品信息录入方法、装置、冰箱和介质 |
CN108225502A (zh) * | 2017-12-06 | 2018-06-29 | 中南大学 | 一种卡车装载矿石质量估计方法及系统 |
CN108921875A (zh) * | 2018-07-09 | 2018-11-30 | 哈尔滨工业大学(深圳) | 一种基于航拍数据的实时车流检测与追踪方法 |
CN109002421A (zh) * | 2018-06-25 | 2018-12-14 | 深圳市四叶草物联网科技有限公司 | 渣土车运输土方数统计方法、系统及服务器、存储介质 |
-
2019
- 2019-03-13 CN CN201910190636.XA patent/CN109934170B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9760806B1 (en) * | 2016-05-11 | 2017-09-12 | TCL Research America Inc. | Method and system for vision-centric deep-learning-based road situation analysis |
CN106839980A (zh) * | 2017-01-04 | 2017-06-13 | 天津大学 | 堆石坝坝料运输方量监控方法 |
CN108225502A (zh) * | 2017-12-06 | 2018-06-29 | 中南大学 | 一种卡车装载矿石质量估计方法及系统 |
CN108224895A (zh) * | 2018-01-08 | 2018-06-29 | 合肥美的智能科技有限公司 | 基于深度学习的物品信息录入方法、装置、冰箱和介质 |
CN109002421A (zh) * | 2018-06-25 | 2018-12-14 | 深圳市四叶草物联网科技有限公司 | 渣土车运输土方数统计方法、系统及服务器、存储介质 |
CN108921875A (zh) * | 2018-07-09 | 2018-11-30 | 哈尔滨工业大学(深圳) | 一种基于航拍数据的实时车流检测与追踪方法 |
Non-Patent Citations (2)
Title |
---|
LI TAN: "A Multiple Object Tracking Algorithm Based on YOLO Detection", 《2018 11TH INTERNATIONAL CONGRESS ON IMAGE AND SIGNAL PROCESSING, BIOMEDICAL ENGINEERING AND INFORMATICS (CISP-BMEI)》 * |
孙瑞娟: "日照港散货矿石码头物流信息系统的构建研究", 《大连海事大学》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598158A (zh) * | 2020-05-14 | 2020-08-28 | 汇鼎数据科技(上海)有限公司 | 一种基于ai分析技术的仓储库存状态感知方法 |
CN111598158B (zh) * | 2020-05-14 | 2023-05-12 | 汇鼎数据科技(上海)有限公司 | 一种基于ai分析技术的仓储库存状态感知方法 |
CN111709935A (zh) * | 2020-06-17 | 2020-09-25 | 西安科技大学 | 一种用于地面运动皮带上实时煤矸石定位识别方法 |
CN111709935B (zh) * | 2020-06-17 | 2023-04-07 | 西安科技大学 | 一种用于地面运动皮带上实时煤矸石定位识别方法 |
CN113888525A (zh) * | 2021-10-20 | 2022-01-04 | 中国矿业大学 | 一种基于摄像头数据的旋流器堵塞及预警检测方法 |
CN116972914A (zh) * | 2023-09-22 | 2023-10-31 | 华夏天信智能物联股份有限公司 | 变频一体机智能测试方法和系统 |
CN116972914B (zh) * | 2023-09-22 | 2023-12-26 | 华夏天信智能物联股份有限公司 | 变频一体机智能测试方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109934170B (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109934170A (zh) | 一种基于计算机视觉的矿山资源统计方法 | |
CN109359519B (zh) | 一种基于深度学习的视频异常行为检测方法 | |
CN111080620B (zh) | 一种基于深度学习的道路病害检测方法 | |
CN111754498B (zh) | 一种基于YOLOv3的传送带托辊检测方法 | |
CN109784326A (zh) | 一种基于深度学习的车辆底盘检测方法 | |
CN109800628A (zh) | 一种加强ssd小目标行人检测性能的网络结构及检测方法 | |
CN108537215A (zh) | 一种基于图像目标检测的火焰检测方法 | |
CN109859163A (zh) | 一种基于特征金字塔卷积神经网络的lcd缺陷检测方法 | |
CN110070530A (zh) | 一种基于深度神经网络的输电线路覆冰检测方法 | |
CN109800698A (zh) | 基于深度网络的图标检测方法 | |
CN110569843B (zh) | 一种矿井目标智能检测与识别方法 | |
CN109544522A (zh) | 一种钢板表面缺陷检测方法及系统 | |
CN110490842A (zh) | 一种基于深度学习的带钢表面缺陷检测方法 | |
CN108711148A (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
CN103413149B (zh) | 复杂背景中实现静态目标检测和识别的方法 | |
CN113139500A (zh) | 烟雾检测方法、系统、介质及设备 | |
CN116863274A (zh) | 一种基于半监督学习的钢板表面缺陷检测方法及系统 | |
CN109360188A (zh) | 一种高铁接触网等电位线不良状态的检测方法 | |
CN116229052B (zh) | 一种基于孪生网络的变电站设备状态变化检测方法 | |
CN112329569A (zh) | 一种基于图像深度学习系统的货运车辆状态实时识别方法 | |
CN113436229A (zh) | 一种多目标跨摄像机行人轨迹路径的生成方法 | |
CN103489012A (zh) | 一种基于支持向量机的人群密集度检测方法及系统 | |
CN111507398A (zh) | 基于目标检测的变电站金属仪器锈蚀识别方法 | |
CN114772208A (zh) | 一种基于图像分割的非接触式皮带撕裂检测系统及方法 | |
CN114241423A (zh) | 一种河道漂浮物智能检测方法及系统 |
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 |