CN111368782B - 煤火区域识别模型的训练方法、煤火区域识别方法及装置 - Google Patents
煤火区域识别模型的训练方法、煤火区域识别方法及装置 Download PDFInfo
- Publication number
- CN111368782B CN111368782B CN202010180688.1A CN202010180688A CN111368782B CN 111368782 B CN111368782 B CN 111368782B CN 202010180688 A CN202010180688 A CN 202010180688A CN 111368782 B CN111368782 B CN 111368782B
- Authority
- CN
- China
- Prior art keywords
- coal fire
- data
- fire area
- coal
- training
- 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.)
- Active
Links
- 239000003245 coal Substances 0.000 title claims abstract description 318
- 238000012549 training Methods 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000010276 construction Methods 0.000 claims abstract description 18
- 239000011573 trace mineral Substances 0.000 claims abstract description 18
- 235000013619 trace mineral Nutrition 0.000 claims abstract description 18
- 230000005389 magnetism Effects 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 14
- 239000002689 soil Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004255 ion exchange chromatography Methods 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 6
- 238000001479 atomic absorption spectroscopy Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 10
- 238000003066 decision tree Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 4
- 238000000862 absorption spectrum Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229910052729 chemical element Inorganic materials 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013316 zoning 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
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Fire Alarms (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种煤火区域识别模型的训练方法、煤火区域识别方法及装置。该煤火区域识别模型的训练方法,包括:获取各个煤火区域的原始煤火数据;基于各个煤火区域的原始煤火数据,确定训练集;其中,训练集中的煤火数据包括决策属性信息,决策属性信息包括磁性与电阻率信息、构造特征信息、痕量元素含量信息及温度信息;利用训练集训练预设的分类器,得到煤火区域识别模型;其中,煤火区域识别模型表征磁性与电阻率信息、构造特征信息、痕量元素含量信息及温度信息之间的关联性。根据本发明实施例,能够更加准确地识别煤火区域。
Description
技术领域
本发明属于互联网技术(Internet Technology,IT)应用领域,尤其涉及一种煤火区域识别模型的训练方法、基于煤火区域识别模型的煤火区域识别方法、煤火区域识别模型的训练装置、基于煤火区域识别模型的煤火区域识别装置、电子设备及计算机存储介质。
背景技术
目前,识别煤火区域的方法是基于无人机热红外影像的煤火识别方法,其原理是热红外影像进行空三平差定向并镶嵌为热红外正射影像,基于大气传输方程和普朗克函数反演出矿区地表温度,利用Sobel边缘算子生成高梯度图并细化为骨架线,叠加高温区与高梯度线,将二者重合处的温度均值作为矿区火区分割阈值,以此阈值识别出矿区煤火区。该基于无人机热红外影像的煤火识别方法,其是以温度作为识别煤火区域的唯一参数,往往难以准确识别煤火区域。
因此,如何能够更加准确地识别煤火区域是本领域技术人员亟需解决的技术问题。
发明内容
本发明实施例提供一种煤火区域识别模型的训练方法、基于煤火区域识别模型的煤火区域识别方法、煤火区域识别模型的训练装置、基于煤火区域识别模型的煤火区域识别装置、电子设备及计算机存储介质,能够更加准确地识别煤火区域。
第一方面,提供了一种煤火区域识别模型的训练方法,包括:
获取各个煤火区域的原始煤火数据;
基于各个煤火区域的原始煤火数据,确定训练集;其中,训练集中的煤火数据包括决策属性信息,决策属性信息包括磁性与电阻率信息、构造特征信息、痕量元素含量信息及温度信息;
利用训练集训练预设的分类器,得到煤火区域识别模型;其中,煤火区域识别模型表征磁性与电阻率信息、构造特征信息、痕量元素含量信息及温度信息之间的关联性。
可选地,原始煤火数据包括磁场数据、土壤元素含量数据、温度数据及位置坐标数据,获取各个煤火区域的原始煤火数据,包括:
利用磁力仪和无线电导航仪采集各个煤火区域的磁场数据;
利用离子色谱、原子吸收光谱测定各个煤火区域的土壤元素含量数据;
利用温度反演算法确定各个煤火区域的温度数据;
基于预设的火区构造图,确定各个煤火区域的位置坐标数据。
可选地,基于各个煤火区域的原始煤火数据,确定训练集,包括:
依次对原始煤火数据进行分区平差处理和分幅平差处理,得到第一煤火数据;
标记第一煤火数据,得到第二煤火数据;
划分第二煤火数据,得到训练集。
可选地,在获取各个煤火区域的原始煤火数据之后,方法还包括:
基于各个煤火区域的原始煤火数据,确定测试集;
将测试集输入煤火区域识别模型,输出煤火区域识别结果。
可选地,在将测试集输入煤火区域识别模型,输出煤火区域识别结果之后,方法还包括:
基于煤火区域识别结果,确定煤火区域识别模型的查准率和查全率。
第二方面,提供了一种基于煤火区域识别模型的煤火区域识别方法,煤火区域识别模型是使用第一方面或者第一方面任一可选的实现方式中的煤火区域识别模型的训练方法得到的模型,包括:
获取待识别煤火数据;
将待识别煤火数据输入煤火区域识别模型,输出煤火区域识别结果。
第三方面,提供了一种煤火区域识别模型的训练装置,包括:
获取模块,用于获取各个煤火区域的原始煤火数据;
确定模块,用于基于各个煤火区域的原始煤火数据,确定训练集;其中,训练集中的煤火数据包括决策属性信息,决策属性信息包括磁性与电阻率信息、构造特征信息、痕量元素含量信息及温度信息;
训练模块,用于利用训练集训练预设的分类器,得到煤火区域识别模型;其中,煤火区域识别模型表征磁性与电阻率信息、构造特征信息、痕量元素含量信息及温度信息之间的关联性。
可选地,原始煤火数据包括磁场数据、土壤元素含量数据、温度数据及位置坐标数据,获取模块用于利用磁力仪和无线电导航仪采集各个煤火区域的磁场数据;利用离子色谱、原子吸收光谱测定各个煤火区域的土壤元素含量数据;利用温度反演算法确定各个煤火区域的温度数据;基于预设的火区构造图,确定各个煤火区域的位置坐标数据。
可选地,确定模块用于依次对原始煤火数据进行分区平差处理和分幅平差处理,得到第一煤火数据;标记第一煤火数据,得到第二煤火数据;划分第二煤火数据,得到训练集。
可选地,确定模块还用于基于各个煤火区域的原始煤火数据,确定测试集;将测试集输入煤火区域识别模型,输出煤火区域识别结果。
可选地,确定模块还用于基于煤火区域识别结果,确定煤火区域识别模型的查准率和查全率。
第四方面,提供了一种基于煤火区域识别模型的煤火区域识别装置,煤火区域识别模型是使用第一方面或者第一方面任一可选的实现方式中的煤火区域识别模型的训练方法得到的模型,包括:
获取模块,用于获取待识别煤火数据;
输出模块,用于将待识别煤火数据输入煤火区域识别模型,输出煤火区域识别结果。
第五方面,提供了一种电子设备,电子设备包括:处理器以及存储有计算机程序指令的存储器;
处理器执行计算机程序指令时实现第一方面或者第一方面任一可选的实现方式中的煤火区域识别模型的训练方法;或,
处理器执行计算机程序指令时实现第二方面的基于煤火区域识别模型的煤火区域识别方法。
第六方面,提供了一种计算机存储介质,计算机存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现第一方面或者第一方面任一可选的实现方式中的煤火区域识别模型的训练方法;或,
处理器执行计算机程序指令时实现第二方面的基于煤火区域识别模型的煤火区域识别方法。
本发明实施例的煤火区域识别模型的训练方法、基于煤火区域识别模型的煤火区域识别方法、煤火区域识别模型的训练装置、基于煤火区域识别模型的煤火区域识别装置、电子设备及计算机存储介质,能够更加准确地识别煤火区域。该煤火区域识别模型的训练方法是基于各个煤火区域的原始煤火数据确定训练集,训练集中的煤火数据包括决策属性信息,利用该训练集训练预设的分类器得到的煤火区域识别模型,其表征决策属性信息中磁性与电阻率信息、构造特征信息、痕量元素含量信息及温度信息之间的关联性,进而利用该煤火区域识别模型识别煤火区域,能够避免现有技术中以温度作为识别煤火区域的唯一参数,进而能够更加准确地识别煤火区域。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单的介绍,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种煤火区域识别模型的训练方法的流程示意图;
图2是本发明实施例提供的一种决策树示意图;
图3是本发明实施例提供的另一种煤火区域识别模型的训练方法的流程示意图;
图4是本发明实施例提供的一种基于煤火区域识别模型的煤火区域识别方法的流程示意图;
图5是本发明实施例提供的一种煤火区域识别模型的训练装置的结构示意图;
图6是本发明实施例提供的一种基于煤火区域识别模型的煤火区域识别装置的结构示意图;
图7是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例,为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本发明进行进一步详细描述。应理解,此处所描述的具体实施例仅被配置为解释本发明,并不被配置为限定本发明。对于本领域技术人员来说,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
目前,现有技术中的基于无人机热红外影像的煤火识别方法,其是以温度作为识别煤火区域的唯一参数,往往难以准确识别煤火区域。
为了解决现有技术问题,本发明实施例提供了一种煤火区域识别模型的训练方法、基于煤火区域识别模型的煤火区域识别方法、煤火区域识别模型的训练装置、基于煤火区域识别模型的煤火区域识别装置、电子设备及计算机存储介质。下面首先对本发明实施例所提供的煤火区域识别模型的训练方法进行介绍。
图1是本发明实施例提供的一种煤火区域识别模型的训练方法的流程示意图。如图1所示,该煤火区域识别模型的训练方法,可以包括:
S101、获取各个煤火区域的原始煤火数据。
原始煤火数据包括磁场数据、土壤元素含量数据、温度数据及位置坐标数据,获取各个煤火区域的原始煤火数据。为了准确地获取各个煤火区域的原始煤火数据,在一个实施例中,可以利用磁力仪和无线电导航仪采集各个煤火区域的磁场数据;利用离子色谱、原子吸收光谱测定各个煤火区域的土壤元素含量数据;利用温度反演算法确定各个煤火区域的温度数据;基于预设的火区构造图,确定各个煤火区域的位置坐标数据。
在一个实施例中,在进行数据收集时,可利用飞机上的磁力仪进行磁场测量,同时结合无线电导航仪同步照相定位以完成磁场数据的采集工作。在完成磁场数据采集后,可以利用磁补偿技术消除磁干扰,对磁场数据进行偏向改正和高度改正,编绘航磁异常剖面平面图和平面等值线图。在一个实施例中,可以利用离子色谱、原子吸收光谱对各个煤火区域的土壤元素含量进行测定,以获取土壤元素含量数据。在一个实施例中,可以利用温度反演算法确定各个煤火区域的温度数据并记录全球定位系统(Global Positioning System,GPS)坐标。在一个实施例中,可以找出当地火区构造图,同时确定煤火点和煤火区域的位置坐标数据。
S102、基于各个煤火区域的原始煤火数据,确定训练集;其中,训练集中的煤火数据包括决策属性信息,决策属性信息包括磁性与电阻率信息、构造特征信息、痕量元素含量信息及温度信息。
为了确定更加准确的训练集,在一个实施例中,基于各个煤火区域的原始煤火数据,确定训练集,可以包括:依次对原始煤火数据进行分区平差处理和分幅平差处理,得到第一煤火数据;标记第一煤火数据,得到第二煤火数据;划分第二煤火数据,得到训练集。
在一个实施例中,对收集到的数据进行初步处理。对全区不同时期的物探、化探原始数据做分区、分幅平差处理后,消除原始数据因系统误差对定量处理结果产生的影响,在不同比例尺航磁测量数据接图部位的平差后,选取以化探数据坐标点为中心,以一定标准单元内平差后航磁数据的最大值和最小值作为新的航磁参数,同时计算标准单元内化学元素平均含量及单元平均温度。
在经过物化探信息综合处理后,数据集中每一条记录对应一个特定的统计单元,数值取0,1。对于某一煤火存在证据或地质属性来说,1代表单元内有煤火存在或存在过煤火,0代表无煤火存在。
考虑到航磁的正、负异常,同时兼顾了航磁梯度带的特征。经整理构建起全区样本,也即多个变量形成的定量处理的数据集。在总数据集中随机选取其中一半的数据,包括已知煤火点的相关数据和未知地区数据,作为训练样本集进行训练,其余数据作为测试集,对训练出的模型进行测试。从煤火数据中选出磁性与电阻率、构造特征(断层、空洞、空洞群、塌陷和裂隙)、痕量元素含量(汞、硫、氟等离子)、温度4个属性作为决策属性。
S103、利用训练集训练预设的分类器,得到煤火区域识别模型;其中,煤火区域识别模型表征磁性与电阻率信息、构造特征信息、痕量元素含量信息及温度信息之间的关联性。
为了测试煤火区域识别模型的准确性,在一个实施例中,在获取各个煤火区域的原始煤火数据之后,还可以包括:基于各个煤火区域的原始煤火数据,确定测试集;将测试集输入煤火区域识别模型,输出煤火区域识别结果。
本发明实施例利用机器学习的方法进行煤火区域识别是人工智能在环境监测中的应用,其原理为利用CART决策树算法,根据决策树节点进行分类,一般来说,共有如下四类:(1)具有磁性高、电阻率高(局部有可能电阻率低)的航磁、航空电磁组合异常特征;(2)具有磁性高、遥感热红外组合异常特征,但航空电磁异常特征不明显;(3)具有电阻率高、遥感热红外组合异常特征,但航磁异常特征不明显;(4)痕量元素检测异常值。
在一个实施例中,决策树使用的是基于基尼系数的CART分类树。该CART分类树的生成过程如下:①当前节点的数据集为D,如果样本个数小于阈值或者没有特征,则返回决策子树,当前节点停止递归。②计算数据集D的基尼系数,如果基尼系数小于阈值,则返回决策树子树,当前节点停止递归。③计算当前节点现有的各个特征的各个特征值对数据集D的基尼系数。④在计算出来的各个特征的各个特征值对数据集D的基尼系数中,选择基尼系数最小的特征A和对应的特征值a。根据这个最优特征和最优特征值,把数据集划分成两部分D1和D2,同时建立当前节点的左右节点,左节点的数据集D为D1,右节点的数据集D为D2。⑤对左右的子节点递归的调用①—④步,生成决策树。
在一个实施例中,决策树示意图如图2所示,由图2可知,先是从煤火数据中筛选出航磁、电阻数据,然后依次依据磁性高、电阻率高、温度异常、痕量元素含量异常及构造特征进行决策,最后预测出火区,也即识别煤火区域。
在一个实施例中,找出煤火数据之间的联系,构建煤火区域识别模型,对火区范围进行预测。在一个实施例中,将航磁图、构造特征、温度数据等输入分类器,生成特征值,建立数据之间的关联性,形成煤火识别模式;将测试集中的煤火数据输入判别模块,依据煤火识别模式,输出判别结果。图3是本发明实施例提供的另一种煤火区域识别模型的训练方法的流程示意图,由图3可知,在获取数据集后,依据特征选择可划分为测试集和训练集,然后利用训练集进行模型构建,利用测试集对构建好的模型进行模型测试,输出测试结果。
为了分析煤火区域识别模型的稳定性,在一个实施例中,在将测试集输入煤火区域识别模型,输出煤火区域识别结果之后,通常还可以包括:基于煤火区域识别结果,确定煤火区域识别模型的查准率和查全率。查准率和查全率均为评价指标,常用混淆矩阵来计算评价指标,其计算公式如下:
查准率(精确率)=precision=TP/(TP+FP)
查全率(召回率)=recall=TP/(TP+FN)
其中,TP:被识别为正样本,实际也是正样本(正确识别);FP:被识别为正样本,实际是负样本(一类错误识别);FN:未被识别为正样本,实际是正样本(二类错误识别)。
在统计学中,伪阳性又被称为第一类型错误,而伪阴性被称为第二类型错误,因此,查准率通常被认为时衡量第一类型错误的指标,而查全率是衡量第二类型错误的指标。
从概率上来讲,预测值等于1时,真实值等于1的概率为查准率;真实值等于1时,预测值等于1的概率为查全率。即:
precision=P(y_i=1|\hat{y_i}=1)
recall=P(\hat{y_i}=1|y_i=1)
理想的情况是这两个指标都很高,但现实是这两个指标通常存在着此消彼长的现象。F_1-score综合考虑了预测结果的查准率和查全率面试一个比较好的评估指标,F_1可表示为:
F_1=2/(\frac{1}{precision}+\frac{1}{recall})=2\frac{precison*recall}{pre cision+recall}
对于某些偏重某一特定指标的场景,相应地定义指标F_{\beta}-score,F_{\beta}可表示为:
F_{\beta}=(1+\beta^2)\frac{precison*recall}{precision+recall}
为了分清查准率变化时变化的来源,效仿查全率,定义真阳性率(TPR)和伪阳性率(FPR),其计算公式如下:
TPR=TP/(TP+FN)
FPR=FP/(FP+TN)
其中,TP:被识别为正样本,实际也是正样本(正确识别);FP:被识别为正样本,实际是负样本(一类错误识别);FN:未被识别为正样本,实际是正样本(二类错误识别);TN:未被识别为正样本,实际也是负样本(正确识别)。
本发明实施例首次提出利用机器学习的方法对煤火区域进行分析,其可以处理不同制式的大量数据,数据处理速度更快,模型构建更符合实际情况,更准确。利用机器学习的方法可以建立地物、地化、地质构造特征等多种数据与资料的关联性,可以适应复杂环境条件下的煤火识别,同时,将运算放在训练阶段,其数据处理效率高。
如图4所示,本发明实施例还提供一种基于煤火区域识别模型的煤火区域识别方法,煤火区域识别模型是使用图1所示的煤火区域识别模型的训练方法得到的模型,包括:
S401、获取待识别煤火数据。
S402、将待识别煤火数据输入煤火区域识别模型,输出煤火区域识别结果。
由于图1所示的煤火区域识别模型的训练方法能够获取更加准确的煤火区域识别模型,故将待识别煤火数据输入煤火区域识别模型,能够输出更加准确的煤火区域识别结果。
下面对本发明实施例提供的一种煤火区域识别模型的训练装置进行介绍,下文描述的煤火区域识别模型的训练装置与上文描述的煤火区域识别模型的训练方法可相互对应参照。图5是本发明实施例提供的一种煤火区域识别模型的训练装置的结构示意图,如图5所示,该煤火区域识别模型的训练装置包括:
获取模块501,用于获取各个煤火区域的原始煤火数据;
确定模块502,用于基于各个煤火区域的原始煤火数据,确定训练集;其中,训练集中的煤火数据包括决策属性信息,决策属性信息包括磁性与电阻率信息、构造特征信息、痕量元素含量信息及温度信息;
训练模块503,用于利用训练集训练预设的分类器,得到煤火区域识别模型;其中,煤火区域识别模型表征磁性与电阻率信息、构造特征信息、痕量元素含量信息及温度信息之间的关联性。
可选地,在一个实施例中,原始煤火数据包括磁场数据、土壤元素含量数据、温度数据及位置坐标数据,获取模块501用于利用磁力仪和无线电导航仪采集各个煤火区域的磁场数据;利用离子色谱、原子吸收光谱测定各个煤火区域的土壤元素含量数据;利用温度反演算法确定各个煤火区域的温度数据;基于预设的火区构造图,确定各个煤火区域的位置坐标数据。
可选地,在一个实施例中,确定模块502用于依次对原始煤火数据进行分区平差处理和分幅平差处理,得到第一煤火数据;标记第一煤火数据,得到第二煤火数据;划分第二煤火数据,得到训练集。
可选地,在一个实施例中,确定模块502还用于基于各个煤火区域的原始煤火数据,确定测试集;将测试集输入煤火区域识别模型,输出煤火区域识别结果。
可选地,在一个实施例中,确定模块502还用于基于煤火区域识别结果,确定煤火区域识别模型的查准率和查全率。
图5提供的煤火区域识别模型的训练装置中的各个模块具有实现图1所示实例中各个步骤的功能,并达到与图1所示煤火区域识别模型的训练方法相同的技术效果,为简洁描述,在此不再赘述。
下面对本发明实施例提供的一种基于煤火区域识别模型的煤火区域识别装置进行介绍,下文描述的基于煤火区域识别模型的煤火区域识别装置与上文描述的基于煤火区域识别模型的煤火区域识别方法可相互对应参照。该煤火区域识别模型是使用图1所示的煤火区域识别模型的训练方法得到的模型。图6是本发明实施例提供的一种基于煤火区域识别模型的煤火区域识别装置的结构示意图,如图6所示,该基于煤火区域识别模型的煤火区域识别装置包括:
获取模块601,用于获取待识别煤火数据。
输出模块602,用于将待识别煤火数据输入煤火区域识别模型,输出煤火区域识别结果。
图6提供的基于煤火区域识别模型的煤火区域识别装置中的各个模块具有实现图4所示实例中各个步骤的功能,并达到与图4所示基于煤火区域识别模型的煤火区域识别方法相同的技术效果,为简洁描述,在此不再赘述。
图7是本发明实施例提供的一种电子设备的结构示意图。
电子设备可以包括处理器701以及存储有计算机程序指令的存储器702。
具体地,上述处理器701可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器702可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器702可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器702可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器702可在综合网关容灾设备的内部或外部。在特定实施例中,存储器702是非易失性固态存储器。在特定实施例中,存储器702包括只读存储器(ROM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器701通过读取并执行存储器702中存储的计算机程序指令,以实现图1所示的煤火区域识别模型的训练方法,或图4所示的基于煤火区域识别模型的煤火区域识别方法。
在一个示例中,电子设备还可包括通信接口703和总线710。其中,如图7所示,处理器701、存储器702、通信接口703通过总线710连接并完成相互间的通信。
通信接口703,主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
总线710包括硬件、软件或两者,将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线710可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线,但本发明考虑任何合适的总线或互连。
另外,本发明实施例还提供一种计算机存储介质。该计算机存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现图1所示的煤火区域识别模型的训练方法,或图4所示的基于煤火区域识别模型的煤火区域识别方法。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
以上所述,仅为本发明的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种煤火区域识别模型的训练方法,其特征在于,包括:
获取各个煤火区域的原始煤火数据;
基于各个所述煤火区域的所述原始煤火数据,确定训练集;其中,所述训练集中的煤火数据包括决策属性信息,所述决策属性信息包括磁性与电阻率信息、构造特征信息、痕量元素含量信息及温度信息;
利用所述训练集训练预设的分类器,得到煤火区域识别模型;其中,所述煤火区域识别模型表征所述磁性与电阻率信息、所述构造特征信息、所述痕量元素含量信息及所述温度信息之间的关联性;
其中,所述基于各个所述煤火区域的所述原始煤火数据,确定训练集,包括:
依次对所述原始煤火数据进行分区平差处理和分幅平差处理,得到第一煤火数据;
标记所述第一煤火数据,得到第二煤火数据;
划分所述第二煤火数据,得到所述训练集。
2.根据权利要求1所述的煤火区域识别模型的训练方法,其特征在于,所述原始煤火数据包括磁场数据、土壤元素含量数据、温度数据及位置坐标数据,所述获取各个煤火区域的原始煤火数据,包括:
利用磁力仪和无线电导航仪采集各个所述煤火区域的所述磁场数据;
利用离子色谱、原子吸收光谱测定各个所述煤火区域的所述土壤元素含量数据;
利用温度反演算法确定各个所述煤火区域的所述温度数据;
基于预设的火区构造图,确定各个所述煤火区域的所述位置坐标数据。
3.根据权利要求1所述的煤火区域识别模型的训练方法,其特征在于,在所述获取各个煤火区域的原始煤火数据之后,所述方法还包括:
基于各个所述煤火区域的所述原始煤火数据,确定测试集;
将所述测试集输入所述煤火区域识别模型,输出煤火区域识别结果。
4.根据权利要求3所述的煤火区域识别模型的训练方法,其特征在于,在所述将所述测试集输入所述煤火区域识别模型,输出煤火区域识别结果之后,所述方法还包括:
基于所述煤火区域识别结果,确定所述煤火区域识别模型的查准率和查全率。
5.一种基于煤火区域识别模型的煤火区域识别方法,其特征在于,所述煤火区域识别模型是使用权利要求1至4任一项所述的煤火区域识别模型的训练方法得到的模型,包括:
获取待识别煤火数据;
将所述待识别煤火数据输入所述煤火区域识别模型,输出煤火区域识别结果。
6.一种煤火区域识别模型的训练装置,其特征在于,包括:
获取模块,用于获取各个煤火区域的原始煤火数据;
确定模块,用于基于各个所述煤火区域的所述原始煤火数据,确定训练集;其中,所述训练集中的煤火数据包括决策属性信息,所述决策属性信息包括磁性与电阻率信息、构造特征信息、痕量元素含量信息及温度信息;
训练模块,用于利用所述训练集训练预设的分类器,得到煤火区域识别模型;其中,所述煤火区域识别模型表征所述磁性与电阻率信息、所述构造特征信息、所述痕量元素含量信息及所述温度信息之间的关联性;
其中,所述确定模块,具体用于依次对所述原始煤火数据进行分区平差处理和分幅平差处理,得到第一煤火数据;
标记所述第一煤火数据,得到第二煤火数据;
划分所述第二煤火数据,得到所述训练集。
7.一种基于煤火区域识别模型的煤火区域识别装置,其特征在于,所述煤火区域识别模型是使用权利要求1至4任一项所述的煤火区域识别模型的训练方法得到的模型,包括:
获取模块,用于获取待识别煤火数据;
输出模块,用于将所述待识别煤火数据输入所述煤火区域识别模型,输出煤火区域识别结果。
8.一种电子设备,其特征在于,所述电子设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如权利要求1-4任意一项所述的煤火区域识别模型的训练方法;或,
所述处理器执行所述计算机程序指令时实现如权利要求5所述的基于煤火区域识别模型的煤火区域识别方法。
9.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-4任意一项所述的煤火区域识别模型的训练方法;或,
所述处理器执行所述计算机程序指令时实现如权利要求5所述的基于煤火区域识别模型的煤火区域识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010180688.1A CN111368782B (zh) | 2020-03-16 | 2020-03-16 | 煤火区域识别模型的训练方法、煤火区域识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010180688.1A CN111368782B (zh) | 2020-03-16 | 2020-03-16 | 煤火区域识别模型的训练方法、煤火区域识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111368782A CN111368782A (zh) | 2020-07-03 |
CN111368782B true CN111368782B (zh) | 2023-11-14 |
Family
ID=71207249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010180688.1A Active CN111368782B (zh) | 2020-03-16 | 2020-03-16 | 煤火区域识别模型的训练方法、煤火区域识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111368782B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113805248B (zh) * | 2021-08-06 | 2024-03-15 | 中煤科工集团沈阳研究院有限公司 | 一种煤矿自燃火区综合探测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102074093A (zh) * | 2010-12-29 | 2011-05-25 | 神华集团有限责任公司 | 一种基于卫星遥感的煤矿火灾监测方法 |
CN103605987A (zh) * | 2013-11-29 | 2014-02-26 | 中国神华能源股份有限公司 | 煤田火区的确定方法和装置 |
CN107780971A (zh) * | 2017-10-20 | 2018-03-09 | 新疆维吾尔自治区煤田灭火工程局 | 一种磁‑电‑热逐级趋源的煤田火区探测方法 |
CN110276346A (zh) * | 2019-06-06 | 2019-09-24 | 北京字节跳动网络技术有限公司 | 目标区域识别模型训练方法、装置和计算机可读存储介质 |
-
2020
- 2020-03-16 CN CN202010180688.1A patent/CN111368782B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102074093A (zh) * | 2010-12-29 | 2011-05-25 | 神华集团有限责任公司 | 一种基于卫星遥感的煤矿火灾监测方法 |
CN103605987A (zh) * | 2013-11-29 | 2014-02-26 | 中国神华能源股份有限公司 | 煤田火区的确定方法和装置 |
CN107780971A (zh) * | 2017-10-20 | 2018-03-09 | 新疆维吾尔自治区煤田灭火工程局 | 一种磁‑电‑热逐级趋源的煤田火区探测方法 |
CN110276346A (zh) * | 2019-06-06 | 2019-09-24 | 北京字节跳动网络技术有限公司 | 目标区域识别模型训练方法、装置和计算机可读存储介质 |
Non-Patent Citations (4)
Title |
---|
Claudia Kuenzer 等.Automated Demarcation, Detection, and Quantification of Coal Fires in China Using Remote Sensing Data.ResearchGate.2008,第1-23页. * |
Xin Wang 等.Mine Fire Prediction Based on WEKA Data Mining.IOP Conference Series: Earth and Environmental Science.2019,全文. * |
王卫平 等.内蒙古乌达地区地球物理场特征与地下煤火分布.物探与化探.2007,31(6),第551-555页. * |
蒋卫国 等.基于夜间热红外光谱的地下煤火监测方法研究.光谱学与光谱分析.2011,31(2),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111368782A (zh) | 2020-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Worden et al. | Novelty detection in a changing environment: regression and interpolation approaches | |
CN112508105B (zh) | 一种采油机故障检测与检索方法 | |
CN110704634A (zh) | 知识图谱链接错误的查修方法、装置及存储介质 | |
CN116150676A (zh) | 基于人工智能的设备故障诊断与识别方法及装置 | |
EP3460612A1 (en) | Method, apparatus and device for detecting abnormal data, and machine-readable medium | |
CN111368782B (zh) | 煤火区域识别模型的训练方法、煤火区域识别方法及装置 | |
CN111582387A (zh) | 一种岩石光谱特征融合分类方法及系统 | |
Jurado et al. | Residual‐based multi‐filter methodology for all‐source fault detection, exclusion, and performance monitoring | |
CN109060760A (zh) | 分析模型建立方法、气体分析装置及方法 | |
CN108377508B (zh) | 基于测量报告数据的用户感知分类方法和装置 | |
CN116985183A (zh) | 一种近红外光谱分析仪质量监测管理方法及系统 | |
CN105407496B (zh) | 一种识别无线传感器网络中错误测量值的方法 | |
Subali et al. | A new model for measuring the complexity of SQL commands | |
CN116990746B (zh) | 用于无线电监测测向系统及方法 | |
CN117436017A (zh) | 电能质量监测装置异常预警方法及装置 | |
CN111540202B (zh) | 一种相似卡口确定方法、装置、电子设备及可读存储介质 | |
CN111563532B (zh) | 一种基于属性权重融合的未知目标识别方法 | |
Widhalm et al. | Identifying faulty traffic detectors with Floating Car Data | |
CN111128775A (zh) | 集成电路制程异常的定位方法和装置 | |
Favenza et al. | A machine learning approach to GNSS scintillation detection: Automatic soft inspection of the events | |
CN112259172B (zh) | 一种存在空气污染物化学反应情况的污染源逆向辨识方法 | |
CN114066619A (zh) | 担保圈风险确定方法、装置、电子设备和存储介质 | |
CN114255458A (zh) | 一种巡检场景下指针仪表读数的识别方法与系统 | |
CN112163189A (zh) | 基于测试顺序概率矩阵的装备故障诊断方法 | |
CN112593919A (zh) | 一种校正电阻率方法、装置和存储介质 |
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 |