CN111598953B - 一种面向尾矿库的姿态预警方法和系统 - Google Patents
一种面向尾矿库的姿态预警方法和系统 Download PDFInfo
- Publication number
- CN111598953B CN111598953B CN202010440300.7A CN202010440300A CN111598953B CN 111598953 B CN111598953 B CN 111598953B CN 202010440300 A CN202010440300 A CN 202010440300A CN 111598953 B CN111598953 B CN 111598953B
- Authority
- CN
- China
- Prior art keywords
- tailing pond
- key points
- early warning
- posture
- pond
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims abstract description 42
- 230000008859 change Effects 0.000 claims abstract description 42
- 230000004927 fusion Effects 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000013135 deep learning Methods 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 11
- 238000013179 statistical model Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 239000000969 carrier Substances 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 claims 2
- 239000011159 matrix material Substances 0.000 claims 1
- 230000036541 health Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005065 mining Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 239000002893 slag Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000010842 industrial wastewater Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 239000010970 precious metal Substances 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Marine Sciences & Fisheries (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种面向尾矿库的姿态预警方法和系统,方法包括:S1:获取尾矿库的三维点阵云数据;S2:根据预设模型计算尾矿库的姿态关键点;S3:计算尾矿库姿态关键点的偏差;S4:计算尾矿库姿态关键点的变化趋势;S5:尾矿库姿态关键点和变化趋势可视化。系统包括:融合计算单元、尾矿库姿态分析单元、姿态显示和预警单元、操作系统单元、显示单元和网络单元;本发明的优点是:1、利用3D点阵云和基于关键点模型的快速识别尾矿库姿态;2、识别和检测尾矿库姿态关键点,即可诊断尾矿库的健康状态。
Description
技术领域
本发明涉及矿产开采尾矿状态监测技术领域,特别涉及一种面向尾矿库的姿态预警方法和系统。
背景技术
一般矿产开采企业会重点建设三大基础设施:采矿设施、选矿设施以及尾矿设施。尾矿设施一般包括:堆存系统、排洪系统和回水系统等子系统,尾矿设施因地制宜由筑坝拦截谷口或围地建设而成。尾矿设施的回水系统能够提高水资源的利用率并限制工业废水污染环境;尾矿设施的排洪系统能减缓大型自然灾害对矿区的破坏;尾矿设施的堆存系统能够储藏尾矿矿渣,尾矿矿渣可能包含贵重金属成份,回收利用可能存在潜在经济价值。
尾矿库是一个具有高势能的人造泥石流危险源,存在溃坝隐患;尾矿库包含工业药剂,溃坝之后存在污染环境的潜在隐患;随着矿山集约化的土地利用政策,细粒筑坝与高堆尾矿坝是必然的选择,使溃坝隐患更加突出。
尾矿库的状态监测,能够提前预警高尾矿库的重要状态结构变化,能够在一定程度上提前发现结构隐患,并提前采取得当的加固措施,提高高尾矿库的安全系数,降低溃坝隐患。而目前现有技术中并没有相关尾矿库的状态监测技术出现。
发明内容
本发明针对现有技术的缺陷,提供了一种面向尾矿库的姿态预警方法和系统,解决了现有技术中存在的缺陷。
为了实现以上发明目的,本发明采取的技术方案如下:
一种面向尾矿库的姿态预警方法,包括以下步骤:
S1:获取尾矿库的三维点阵云数据,使用结构光扫描仪或三维激光扫描仪采集复杂地理空间的三维点阵云数据;点阵云数据包括:三维坐标、颜色信息和反射强度信息;
S2:根据预设模型计算尾矿库的姿态关键点;
S3:计算尾矿库姿态关键点的偏差;
S4:计算尾矿库姿态关键点的变化趋势。找到尾矿库姿态关键点之后,利用基于模型的机器学习,可以预判关键点变化趋势、预判线型变化趋势和预判块状变化趋势;
S5:尾矿库姿态关键点和变化趋势可视化。
进一步地,步骤S2的子步骤如下:
S21:根据历史尾矿库的三维点阵云数据,得到尾矿库姿态关键点的统计模型;获取尾矿库姿态关键点的统计模型可以采用基于深度学习的多层卷积模型,也可以采用基于机器学习的支持向量机等。
S22:根据预设关键点的统计模型计算尾矿库的姿态关键点;计算出姿态关键点得到对象的三维坐标信息。
S23:载入位置突变检测模型,标定新姿态关键点,
S24:尾矿库姿态关键点信息输出。尾矿库姿态的关键点的计算模型采用监督、半监督或无监督方式预先训练完成的深度学习网络模型。
进一步地,深度学习网络模型由卷积层、非线性Relu层、池化层、全连接层的其中一种构成。深度学习的网络结构为ALexNet、深度残差网络(Deep Residual Network,ResNet)和VGGnet(Visual Geometry Group Network)的其中一种。
进一步地,步骤S3的子步骤如下:
S31:加载历史尾矿库关键点数据;
S32:加载关键点偏差融合计算模型;
S33:尾矿库偏差异常处理模型;
S34:偏差等级计算。
进一步地,步骤S4的子步骤如下:
S41:异常关键点识别,预判关键点变化趋势;
S42:异常关键点线性识别,预判线型变化趋势;
S43:异常关键点块状识别,预判块状变化趋势;
S44:变化趋势置信度评估和分级(点阵/线型/块状)。
本发明还公开了一种基于上述姿态预警方法的尾矿库姿态预警系统,包括:融合计算单元、尾矿库姿态分析单元、姿态显示和预警单元、操作系统单元、显示单元和网络单元;
融合计算单元用于计算三维尾矿库的关键点,并计算当前关键点与历史关键点的偏差。融合计算包含几种实现方式,包括:硬件单元计算融合、计算方法融合或分布式计算,这里融合计算是指多种计算方法融合。融合计算过程包括:加载多种偏差计算库和权重,当某种偏差计算库计算失败时,使用次级权重的偏差计算库再次计算,以此类推,融合计算能够提高系统的稳定性。虽然使用了融合计算,也不能保证融合计算输出三维尾矿库的关键点偏差值都是合法的,需要S33做一次数值合法性检查。尾矿库姿态分析单元基于三维尾矿库的关键点偏差值进一步识别尾矿库的变化趋势,为尾矿库灾难预警提供客观数据支持。尾矿库姿态分析使用卷积神经玩过或机器学习方法识别出三维尾矿库姿态变化的典型变化趋势(点阵/线型/块状),并且提供隐患区域的判断置信度,高置信度说明是危险区域,低置信度说明是可疑区域。隐患局域的置信度可用于隐患区域的评估和分析。
姿态显示用于三维尾矿库的姿态变化的典型变化趋势的实时显示。显示出典型可疑区域(点阵/线型/块状),并以颜色区分置信度
预警单元用于主动通知合法的订阅用户,高置信度的尾矿库危险区域。尾矿库姿态分析单元使用卷积神经玩过或机器学习方法识别出三维尾矿库姿态变化的典型变化趋势(点阵/线型/块状),并且提供隐患区域的判断置信度,高置信度说明是危险区域,低置信度说明是可疑区域。其中高置信度说明是危险区域需要通过多种通信手段通知合法的订阅用户,以达到提前危险预警的目的。
操作系统单元抽象出硬件的差异,屏蔽硬件差异,提供统一的软件访问接口,操作系统主要提供硬件访问、网络接口、文件系统、任务调度、功耗管理、显示系统等高级接口。操作系统是应用软件运行的软硬件基础。流行的操作系统包括windows,mac-os,linux等操作系统。
显示单元用于三维尾矿库的可视化显示,显示的载体是各类显示设备。
网络单元用于本地设备和远程设备或远程服务器之间的通信。
与现有技术相比,本发明的优点在于:
1、利用3D点阵云和基于关键点模型的快速识别尾矿库姿态;
2、识别和检测尾矿库姿态关键点,即可诊断尾矿库的健康状态。
附图说明
图1是本发明实施例面向尾矿库的姿态预警方法的流程图;
图2是本发明实施例尾矿库姿态关键点计算的流程图;
图3是本发明实施例尾矿库姿态变化趋势计算的流程图;
图4是本发明实施例尾矿库姿态偏差和偏差等级的流程图;
图5是本发明实施例尾矿库姿态预警可视化的流程图;
图6是本发明实施例尾矿库姿态关键点示意图;
图7是本发明实施例尾矿库姿态预警系统结构图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下根据附图并列举实施例,对本发明做进一步详细说明。
如图1所示,基于尾矿库姿态关键点的预警方法。
(1)获取尾矿库的三维点阵云数据。相对于2D成像,使用结构光扫描仪或三维激光扫描仪可以采集复杂地理空间(港口、博物馆、游乐场或尾矿库等)的三维地理数据。结构光扫描仪或三维激光扫描仪输出的是三维点阵云数据;点阵云数据包含三维坐标、颜色信息或反射强度信息;点阵云数据需要复杂的后期处理才能用于建模或可视化。
(2)根据预设模型计算尾矿库的姿态关键点。尾矿库的姿态关键点建模和计算过程,见图2。
尾矿库的姿态关键点相当于找到尾矿库的骨架节点,计算和评估尾矿库姿态关键点的变化偏差,见图3,以及利用关键点计算变化趋势(点阵/线型/块状),并给出置信度评估和分级具有很现实的意义,见图4。(3)计算尾矿库姿态关键点的偏差,详见图3。(4)计算尾矿库姿态关键点的变化趋势,详见图-4。找到尾矿库姿态关键点之后,利用基于模型的机器学习,可以完成:异常关键点识别,预判关键点变化趋势;异常关键点线性识别,预判线型变化趋势;异常关键点块状识别,预判块状变化趋势。为了给出明确简洁的结论,进一步的计算变化趋势(点阵/线型/块状)的置信度评估和分级。(5)尾矿库姿态关键点和变化趋势可视化,详见图-5。
尾矿库的姿态关键点建模和计算过程,如图2所示。不同于传统姿态关键点建模,关键点是一成不变的,比如人体建模。尾矿库的姿态关键点随着时间的推移一致会发生变化,如果发生自然灾害,姿态关键点会发生剧烈变化。(1)根据历史尾矿库的三维点阵云数据,得到尾矿库姿态关键点的统计模型;获取尾矿库姿态关键点的统计模型可以采用基于深度学习的多层卷积模型,也可以采用基于机器学习的支持向量机等。(2)根据预设关键点的统计模型计算尾矿库的姿态关键点;计算出姿态关键点得到对象的三维坐标信息。(3)载入位置突变检测模型,标定新姿态关键点,(4)姿态关键点信息输出。尾矿库姿态关键点示意图,见图6。尾矿库姿态的关键点的计算模型可以采用监督、半监督或无监督等方式预先训练完成的深度学习网络模型,深度学习网络模型可以由但不限于卷积层、非线性Relu层、池化层、全连接层等构成。深度学习的网络结构可以采用但不限于ALexNet、深度残差网络(Deep Residual Network,ResNet)或VGGnet(Visual Geometry Group Network)等网络的结构。
尾矿库姿态关键点的偏差方法,见图3。找到尾矿库姿态关键点之后,使用姿态关键点的偏差量化评价尾矿库的健康状态。包括以下关键步骤:(1)加载历史尾矿库关键点数据;(2)加载关键点偏差融合计算模型;(3)尾矿库偏差异常处理模型;(4)偏差等级计算。
计算尾矿库姿态关键点的变化趋势,见图4。找到尾矿库姿态关键点之后,利用基于模型的机器学习,可以完成:异常关键点识别,预判关键点变化趋势;异常关键点线性识别,预判线型变化趋势;异常关键点块状识别,预判块状变化趋势。计算尾矿库姿态关键点的变化趋势,包括以下关键步骤:(1)异常关键点识别,预判关键点变化趋势;(2)异常关键点线性识别,预判线型变化趋势;(3)异常关键点块状识别,预判块状变化趋势;(4)变化趋势置信度评估和分级(点阵/线型/块状)。
尾矿库姿态关键点和变化趋势可视化,见图5。
尾矿库姿态关键点示意图,见图6。实际的尾矿库姿态关键点是三维的,关键点的密度非常高,精确到很高的量级。尾矿库姿态关键点和偏差可视化用于实时可视化尾矿库的健康状态。尾矿库姿态关键点数据来自图2,关键点的偏差数据来自图3,关键点的变化趋势来自图4。
尾矿库姿态预警系统,如图7所示。尾矿库姿态预警系统是一个软硬件的集合体。硬件和操作系统层面上支持上述软件功能的运行。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的实施方法,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (6)
1.一种面向尾矿库的姿态预警方法,其特征在于,包括以下步骤:
S1:获取尾矿库的三维点阵云数据,使用结构光扫描仪或三维激光扫描仪采集复杂地理空间的三维点阵云数据;点阵云数据包括:三维坐标、颜色信息和反射强度信息;
S2:根据预设模型计算尾矿库的姿态关键点;
S3:计算尾矿库姿态关键点的偏差;
S4:计算尾矿库姿态关键点的变化趋势;包括:找到尾矿库姿态关键点之后,利用基于模型的机器学习,预判关键点变化趋势、预判线型变化趋势和预判块状变化趋势;
S5:尾矿库姿态关键点和变化趋势可视化。
2.根据权利要求1所述的一种面向尾矿库的姿态预警方法,其特征在于:步骤S2的子步骤如下:
S21:根据历史尾矿库的三维点阵云数据,得到尾矿库姿态关键点的统计模型; 获取尾矿库姿态关键点的统计模型采用基于深度学习的多层卷积模型或采用基于机器学习的支持向量机;
S22:根据预设关键点的统计模型计算尾矿库的姿态关键点; 计算出姿态关键点得到对象的三维坐标信息;
S23:载入位置突变检测模型,标定新姿态关键点;
S24:尾矿库姿态关键点信息输出;尾矿库姿态的关键点的计算模型采用监督、半监督或无监督方式预先训练完成的深度学习网络模型。
3.根据权利要求2所述的一种面向尾矿库的姿态预警方法,其特征在于:深度学习网络模型由卷积层、非线性Relu层、池化层、全连接层的其中一种构成;深度学习的网络结构为ALexNet、深度残差网络和VGGnet的其中一种。
4.根据权利要求1所述的一种面向尾矿库的姿态预警方法,其特征在于:步骤S3的子步骤如下:
S31:加载历史尾矿库关键点数据;
S32:加载关键点偏差融合计算模型;
S33:尾矿库偏差异常处理模型;
S34:偏差等级计算。
5.根据权利要求1所述的一种面向尾矿库的姿态预警方法,其特征在于:步骤S4的子步骤如下:
S41:异常关键点识别,预判关键点变化趋势;
S42:异常关键点线性识别,预判线型变化趋势;
S43:异常关键点块状识别,预判块状变化趋势;
S44:变化趋势置信度评估和分级,分级为点阵、线型和块状。
6.一种基于上述姿态预警方法的尾矿库姿态预警系统,该系统基于权利要求1至5所述的姿态预警方法开发,其特征在于,包括:融合计算单元、尾矿库姿态分析单元、姿态显示和预警单元、操作系统单元、显示单元和网络单元;
融合计算单元用于计算三维尾矿库的关键点,并计算当前关键点与历史关键点的偏差;融合计算包含几种实现方式,包括:硬件单元计算融合、计算方法融合或分布式计算,这里融合计算是指多种计算方法融合;融合计算过程包括:加载多种偏差计算库和权重,当某种偏差计算库计算失败时,使用次级权重的偏差计算库再次计算,以此类推,融合计算能够提高系统的稳定性;虽然使用了融合计算,也不能保证融合计算输出三维尾矿库的关键点偏差值都是合法的,需要S33做一次数值合法性检查;尾矿库姿态分析单元基于三维尾矿库的关键点偏差值进一步识别尾矿库的变化趋势,为尾矿库灾难预警提供客观数据支持;尾矿库姿态分析使用卷积神经网络或机器学习方法识别出三维尾矿库姿态变化的典型变化趋势,并且提供隐患区域的判断置信度,高置信度说明是危险区域,低置信度说明是可疑区域;隐患局域的置信度可用于隐患区域的评估和分析;
姿态显示用于三维尾矿库的姿态变化的典型变化趋势的实时显示;显示出典型可疑区域:点阵、线型和块状,并以颜色区分置信度
预警单元用于主动通知合法的订阅用户,高置信度的尾矿库危险区域;尾矿库姿态分析单元使用卷积神经网络或机器学习方法识别出三维尾矿库姿态变化的典型变化趋势,并且提供隐患区域的判断置信度,高置信度说明是危险区域,低置信度说明是可疑区域;其中高置信度说明是危险区域需要通过多种通信手段通知合法的订阅用户,以达到提前危险预警的目的;
操作系统单元抽象出硬件的差异,屏蔽硬件差异,提供统一的软件访问接口,操作系统主要提供硬件访问、网络接口、文件系统、任务调度、功耗管理、显示系统高级接口;操作系统是应用软件运行的软硬件基础;流行的操作系统包括windows, mac-os, linux操作系统;
显示单元用于三维尾矿库的可视化显示,显示的载体是各类显示设备;
网络单元用于本地设备和远程设备或远程服务器之间的通信。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010440300.7A CN111598953B (zh) | 2020-05-22 | 2020-05-22 | 一种面向尾矿库的姿态预警方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010440300.7A CN111598953B (zh) | 2020-05-22 | 2020-05-22 | 一种面向尾矿库的姿态预警方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111598953A CN111598953A (zh) | 2020-08-28 |
CN111598953B true CN111598953B (zh) | 2023-04-25 |
Family
ID=72187471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010440300.7A Active CN111598953B (zh) | 2020-05-22 | 2020-05-22 | 一种面向尾矿库的姿态预警方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111598953B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201718709D0 (en) * | 2017-11-13 | 2017-12-27 | Inmarsat Global Ltd | Monitoring system and method |
CN109682425A (zh) * | 2019-01-29 | 2019-04-26 | 四川省安全科学技术研究院 | 一种尾矿库风险空天地一体化测控方法 |
-
2020
- 2020-05-22 CN CN202010440300.7A patent/CN111598953B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201718709D0 (en) * | 2017-11-13 | 2017-12-27 | Inmarsat Global Ltd | Monitoring system and method |
CN109682425A (zh) * | 2019-01-29 | 2019-04-26 | 四川省安全科学技术研究院 | 一种尾矿库风险空天地一体化测控方法 |
Non-Patent Citations (2)
Title |
---|
王刚毅 ; 陈晓方 ; 桂卫华 ; .多源信息融合的尾矿库实时预警与评估系统设计.计算技术与自动化.(第04期),全文. * |
贾虎军 ; 王立娟 ; 靳晓 ; 唐尧 ; 马国超 ; .基于无人机航测的尾矿库三维空间数据获取与风险分析.中国安全生产科学技术.(第07期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111598953A (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mirzaei et al. | 3D point cloud data processing with machine learning for construction and infrastructure applications: A comprehensive review | |
Ghosh Mondal et al. | Deep learning‐based multi‐class damage detection for autonomous post‐disaster reconnaissance | |
CN115578015B (zh) | 基于物联网的污水处理全过程监管方法、系统及存储介质 | |
KR102423561B1 (ko) | 디지털 트윈 기반 지능형 댐 안전 관리 시스템 | |
CN112347916B (zh) | 基于视频图像分析的电力现场作业安全监控方法及装置 | |
CN114707227A (zh) | 一种基于数字孪生的大坝安全预警消警方法及系统 | |
Wang et al. | Construction and maintenance of urban underground infrastructure with digital technologies | |
CN111429698A (zh) | 一种地质灾害预警系统 | |
CN116700199B (zh) | 一种基于数字孪生技术的工厂生产控制方法及系统 | |
CN110795888A (zh) | 一种石油钻井风险预测方法 | |
CN115578693A (zh) | 一种基于显著性神经网络模型的施工安全预警方法和装置 | |
CN113344882A (zh) | 基于计算机视觉的矿下钻机钻杆计数方法 | |
CN113553356A (zh) | 一种钻井参数预测方法和系统 | |
Lu et al. | Using cased based reasoning for automated safety risk management in construction industry | |
CN116777085B (zh) | 基于数据分析和机器学习技术的煤矿水害预测系统 | |
CN111598953B (zh) | 一种面向尾矿库的姿态预警方法和系统 | |
Zamani et al. | Simulation-based decision support system for earthmoving operations using computer vision | |
CN112084553A (zh) | 一种用于隧道规划的勘测方法 | |
CN114495421B (zh) | 智能化开放式道路施工作业监测预警方法及系统 | |
CN114241299A (zh) | 一种基于遗传算法的区块链水域垃圾密度检测方法及系统 | |
CN116822929A (zh) | 一种告警方法、装置、电子设备及存储介质 | |
CN113642487A (zh) | 一种应用于安全生产的基于人工智能的方法及系统 | |
Liu et al. | Electric shovel teeth missing detection method based on deep learning | |
Azhari | Automated crack detection and characterisation from 3D point clouds of unstructured surfaces | |
CN117664245B (zh) | 水坝安全实时监控系统 |
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 |