CN113344899B - 采矿工况检测方法、装置、存储介质及电子设备 - Google Patents

采矿工况检测方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN113344899B
CN113344899B CN202110711427.2A CN202110711427A CN113344899B CN 113344899 B CN113344899 B CN 113344899B CN 202110711427 A CN202110711427 A CN 202110711427A CN 113344899 B CN113344899 B CN 113344899B
Authority
CN
China
Prior art keywords
distance
target
determining
edge
image
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
Application number
CN202110711427.2A
Other languages
English (en)
Other versions
CN113344899A (zh
Inventor
崔磊
王巍
王谦
肖旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Sensetime Technology Development Co Ltd
Original Assignee
Beijing Sensetime Technology Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Sensetime Technology Development Co Ltd filed Critical Beijing Sensetime Technology Development Co Ltd
Priority to CN202110711427.2A priority Critical patent/CN113344899B/zh
Publication of CN113344899A publication Critical patent/CN113344899A/zh
Application granted granted Critical
Publication of CN113344899B publication Critical patent/CN113344899B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开涉及采矿工况检测方法、装置、存储介质及电子设备。该方法包括：获取目标图像，所述目标图像中包括采矿机；基于深度神经网络对所述目标图像进行识别，得到识别结果；基于所述识别结果，确定关键距离，所述关键距离为所述采矿机与目标物体的距离；根据所述关键距离，得到采矿工况。本公开可以自动得到采矿工况，提升矿井作业安全度。

Description

采矿工况检测方法、装置、存储介质及电子设备
技术领域
本公开涉及矿井开采技术领域，尤其涉及采矿工况检测方法、装置、存储介质及电子设备。
背景技术
相关技术中，为了提升矿井作业的安全性，可以在矿井设置护帮板，护帮板可以用于增加矿井的强度，降低坍塌风险。
在采矿机进行矿井作业的场景中，通常需要工人将即将碰触到采矿机的护帮板及时卸下，并且在采矿机经过之后及时将该护帮板安装回去，才能够既避免护帮板碰撞采矿机，又降低矿井坍塌风险。这一作业需要依赖于工人跟随采矿机手动实施，对于工人的依赖性较强，自动化程度低，而矿井环境恶劣，对工人造成了较大的负担，这也一定程度上降低了矿井安全性。
发明内容
为了解决上述至少一个技术问题，本公开提出了一种采矿工况检测的技术方案。
根据本公开的第一方面，提供了一种采矿工况检测方法，所述方法包括：获取目标图像，所述目标图像中包括采矿机；基于深度神经网络对所述目标图像进行识别，得到识别结果；基于所述识别结果，确定关键距离，所述关键距离为所述采矿机与目标物体的距离；根据所述关键距离，得到采矿工况。基于上述配置，可以基于深度神经网络对目标图像进行识别，根据识别结果自动得到采矿工况，实现了采矿工况的实时自动获取，降低了相关人员的作业压力，提升矿井作业安全性。
在一些可能的实施方式中，所述目标物体包括第一护帮板，所述第一护帮板为位于所述采矿机的行进方向的、距离所述采矿机最近的护帮板；所述关键距离包括第一距离，所述第一距离表征所述第一护帮板与所述采矿机之间的实际距离；和/或，所述目标物体包括第二护帮板，所述第二护板帮为背离所述行进方向的、距离所述采矿机最近的护帮板；所述关键距离包括第二距离，所述第二距离表征所述第二护帮板与所述采矿机之间的实际距离。基于上述配置，可以及时确定采矿机与护帮板的距离，从而确定出与护帮板相关的采矿工况。
在一些可能的实施方式中，所述基于所述识别结果，确定关键距离，包括：基于所述识别结果，确定第一位置，所述第一位置表征所述采矿机的头部边缘在所述行进方向上的投影位置；基于所述第一位置，确定所述第一距离；和/或，基于所述识别结果，确定第二位置，所述第二位置表征所述采矿机的尾部边缘在所述行进方向上的投影位置；基于所述第二位置，确定所述第二距离。基于上述配置，通过确定第一位置和/或第二位置，准确计算得到用于确定采矿工况的关键距离，可以提升得到的采矿工况的准确度。
在一些可能的实施方式中，所述识别结果包括护帮板检测框；所述基于所述第一位置，确定所述第一距离，包括：查询位于所述行进方向的所述护帮板检测框，得到第一查询结果；根据所述第一查询结果，确定第一目标边缘，所述第一目标边缘表征与所述采矿机距离最近的第一护帮板边缘；将所述第一目标边缘在所述行进方向的投影位置，确定为第三位置；计算所述第一位置和第三位置之间的实际距离，得到所述第一距离；所述基于所述第二位置，确定所述第二距离，包括：查询背离所述行进方向的所述护帮板检测框，得到第二查询结果；根据所述第二查询结果，确定第二目标边缘，所述第二目标边缘表征与所述采矿机距离最近的第二护帮板边缘；将所述第二目标边缘在所述行进方向的投影位置，确定为第四位置；计算所述第二位置和第四位置之间的实际距离，得到所述第二距离。基于上述配置，可以准确计算第一距离和第二距离，提升得到采矿工况的准确度，也提升了矿井作业的安全度。
在一些可能的实施方式中，所述根据所述关键距离，得到采矿工况，包括：响应于所述关键距离包括所述第一距离、并且所述第一距离小于第一阈值的情况，确定存在碰撞风险；和/或，响应于所述关键距离包括所述第二距离、并且所述第二距离大于第二阈值的情况，确定存在坍塌风险。基于上述配置，可以根据关键距离判断坍塌风险或碰撞风险，便于对其进行干预，提升矿井作业的安全度。
在一些可能的实施方式中，所述方法还包括：响应于所述第一查询结果为空的情况，生成第一报警信息，所述第一报警信息用于指示存在潜在碰撞风险；和/或，响应于若所述第二查询结果为空的情况，生成第二报警信息，所述第二报警信息用于指示存在潜在坍塌风险。基于上述配置，可以根据第一查询结果和第二查询结果判断潜在的风险，便于消除矿井作业的隐患，进一步提升矿井作业的安全度。
在一些可能的实施方式中，所述根据所述第一查询结果，确定第一目标边缘，包括：响应于所述第一查询结果不为空的情况，将所述第一查询结果中与所述第一位置距离最近的所述护帮板检测框确定为目标检测框；将与所述第一位置距离最近的目标检测框边缘，确定为所述第一目标边缘；和/或，响应于所述第一查询结果为空的情况，将位于所述行进方向的目标图像边缘，确定为所述第一目标边缘。基于上述配置，可以在多种情况下得到第一目标边缘，从而支持在确定出采煤机的头部的情况下计算得到第一距离，进而得到采矿工况。
在一些可能的实施方式中，所述计算所述第一位置和第三位置之间的实际距离，得到所述第一距离，包括：计算所述第一位置和所述第三位置之间的像素距离；获取所述目标图像的像素宽度；获取成像距离，所述成像距离表征所述目标图像对应的镜头与所述采煤机的行进轨迹的实际距离；获取关键参数，所述关键参数用于计算所述镜头的视场；根据所述像素距离、成像距离、像素宽度和关键参数，计算所述第一距离。基于上述配置，通过准确计算得到第一距离，提升采矿工况的确定结果的准确度。
在一些可能的实施方式中，所述关键参数包括感光元件宽度和镜头焦距；所述根据所述像素距离、成像距离、像素宽度和关键参数，计算所述第一距离，包括：将所述像素距离、成像距离和感光元件宽度的乘积作为第一参数；将所述像素宽度和镜头焦距的乘积作为第二参数；将所述第一参数和所述第二参数的比值确定为所述第一距离；或，所述关键参数包括视场角；所述根据所述像素距离、成像距离、像素宽度和关键参数，计算所述第一距离，包括：计算所述视场角的正切值；将所述正切值、成像距离和像素距离的乘积的二倍数作为所述第一参数；将所述第一参数与所述像素宽度的比值确定为所述第一距离。基于上述配置，可以通过多种方式计算得到准确的第一距离。
在一些可能的实施方式中，所述获取目标图像，包括：获取图像组；计算所述图像组中每个图像的质量得分；根据所述质量得分，在所述图像组中确定所述目标图像。基于上述配置，可以对于图像进行筛选，将筛选得到的质量较高的图像作为该目标图像，提升得到的采矿工况的准确度。
在一些可能的实施方式中，所述计算所述图像组中每个图像的质量得分，包括：获取所述每个图像的图像属性，根据所述图像属性计算所述每个图像的质量得分，所述图像属性包括清晰度、平均灰度和对比度中的一项或多项。基于上述配置，通过综合考虑多个属性更为客观准确地确定图像的质量，得到较为客观的质量得分，有利于筛选得到高质量的目标图像，提升采矿工况检测的准确度。
在一些可能的实施方式中，所述深度神经网络包括特征处理网络、分类网络、回归网络和融合网络，所述基于深度神经网络对所述目标图像进行识别，得到识别结果，包括：基于所述特征处理网络对所述目标图像进行特征处理，得到特征响应图，所述特征响应图包括多个检测框；基于所述分类网络对所述特征响应图进行分类处理，得到分类结果，所述分类结果表征所述检测框对应的目标属于预设类别的概率；所述预设类别包括采矿机和护帮板；基于所述回归网络对所述特征响应图进行回归处理，得到回归结果，所述回归结果表征所述检测框的位置；基于所述融合网络对所述回归结果和所述分类结果进行融合处理，得到所述识别结果。基于上述配置，可以通过深度神经网络对目标图像进行准确的识别，识别结果稳定可靠。
在一些可能的实施方式中，所述方法还包括：根据所述识别结果，判断是否存在漏识别的目标，所述漏识别的目标包括采矿机和/或护帮板；响应于存在漏识别的目标的情况，根据所述漏识别的目标更新所述深度神经网络。基于上述配置，通过不断优化深度神经网络可以提升识别精度，降低漏识别概率。
在一些可能的实施方式中，所述方法还包括：获取所述识别结果中的检测框；将所述检测框显示在所述目标图像上。基于上述配置，可以将目标图像以及所述检测框进行直观表现，便于相关人员实时了解采矿工况。当然，还可以在目标图像中显示关键距离，以便相关人员了解。
根据本公开的第二方面，提供了一种采矿工况检测装置，所述装置包括：目标图像获取模块，用于获取目标图像，所述目标图像中包括采矿机；识别模块，用于基于深度神经网络对所述目标图像进行识别，得到识别结果；关键距离确定模块，用于基于所述识别结果，确定关键距离，所述关键距离为所述采矿机与目标物体的距离；采矿工况确定模块，用于根据所述关键距离，得到采矿工况。
在一些可能的实施方式中，所述目标物体包括第一护帮板，所述第一护帮板为位于所述采矿机的行进方向的、距离所述采矿机最近的护帮板；所述关键距离包括第一距离，所述第一距离表征所述第一护帮板与所述采矿机之间的实际距离；和/或，所述目标物体包括第二护帮板，所述第二护板帮为背离所述行进方向的、距离所述采矿机最近的护帮板；所述关键距离包括第二距离，所述第二距离表征所述第二护帮板与所述采矿机之间的实际距离。基于上述配置，可以及时确定采矿机与护帮板的距离，从而确定出与护帮板相关的采矿工况。
在一些可能的实施方式中，所述关键距离确定模块，包括：第一位置确定单元，用于基于所述识别结果，确定第一位置，所述第一位置表征所述采矿机的头部边缘在所述行进方向上的投影位置；第一距离确定单元，用于基于所述第一位置，确定所述第一距离；第二位置确定单元，用于基于所述识别结果，确定第二位置，所述第二位置表征所述采矿机的尾部边缘在所述行进方向上的投影位置；第二距离确定单元，用于基于所述第二位置，确定所述第二距离。
在一些可能的实施方式中，所述识别结果包括护帮板检测框；所述第一距离确定单元，包括：第一查询单元，用于查询位于所述行进方向的所述护帮板检测框，得到第一查询结果；第一目标边缘确定单元，用于根据所述第一查询结果，确定第一目标边缘，所述第一目标边缘表征与所述采矿机距离最近的第一护帮板边缘；第三位置确定单元，用于将所述第一目标边缘在所述行进方向的投影位置，确定为第三位置；第一计算单元，用于计算所述第一位置和第三位置之间的实际距离，得到所述第一距离；所述第二距离确定单元，包括：第二查询单元，用于查询背离所述行进方向的所述护帮板检测框，得到第二查询结果；第二目标边缘确定单元，用于根据所述第二查询结果，确定第二目标边缘，所述第二目标边缘表征与所述采矿机距离最近的第二护帮板边缘；第四位置确定单元，用于将所述第二目标边缘在所述行进方向的投影位置，确定为第四位置；第二计算单元，用于计算所述第二位置和第四位置之间的实际距离，得到所述第二距离。
在一些可能的实施方式中，所述采矿工况确定模块用于响应于所述关键距离包括所述第一距离、并且所述第一距离小于第一阈值的情况，确定存在碰撞风险；和/或，响应于所述关键距离包括所述第二距离、并且所述第二距离大于第二阈值的情况，确定存在坍塌风险。
在一些可能的实施方式中，所述采矿工况确定模块还用于响应于所述第一查询结果为空的情况，生成第一报警信息，所述第一报警信息用于指示存在潜在碰撞风险；和/或，响应于若所述第二查询结果为空的情况，生成第二报警信息，所述第二报警信息用于指示存在潜在坍塌风险。
在一些可能的实施方式中，所述第一目标边缘确定单元用于响应于所述第一查询结果不为空的情况，将所述第一查询结果中与所述第一位置距离最近的所述护帮板检测框确定为目标检测框；将与所述第一位置距离最近的目标检测框边缘，确定为所述第一目标边缘；和/或，响应于所述第一查询结果为空的情况，将位于所述行进方向的目标图像边缘，确定为所述第一目标边缘。
在一些可能的实施方式中，所述第一计算单元，包括：像素距离计算单元，用于计算所述第一位置和所述第三位置之间的像素距离；像素宽度获取单元，用于获取所述目标图像的像素宽度；成像距离获取单元，用于获取成像距离，所述成像距离表征所述目标图像对应的镜头与所述采煤机的行进轨迹的实际距离；关键参数获取单元，用于获取关键参数，所述关键参数用于计算所述镜头的视场；第一距离计算子单元，用于根据所述像素距离、成像距离、像素宽度和关键参数，计算所述第一距离。
在一些可能的实施方式中，所述关键参数包括感光元件宽度和镜头焦距；所述第一距离计算子单元用于将所述像素距离、成像距离和感光元件宽度的乘积作为第一参数；将所述像素宽度和镜头焦距的乘积作为第二参数；将所述第一参数和所述第二参数的比值确定为所述第一距离；所述关键参数包括视场角；所述第一距离计算子单元用于计算所述视场角的正切值；将所述正切值、成像距离和像素距离的乘积的二倍数作为所述第一参数；将所述第一参数与所述像素宽度的比值确定为所述第一距离。
在一些可能的实施方式中，所述目标图像获取模块，包括：图像组获取单元，用于获取图像组；质量确定单元，用于计算所述图像组中每个图像的质量得分；筛选单元，用于根据所述质量得分，在所述图像组中确定所述目标图像。
在一些可能的实施方式中，所述质量确定单元用于获取所述每个图像的图像属性，根据所述图像属性计算所述每个图像的质量得分，所述图像属性包括清晰度、平均灰度和对比度中的一项或多项。
在一些可能的实施方式中，所述深度神经网络包括特征处理网络、分类网络、回归网络和融合网络，所述识别模块，包括：特征提取单元，用于基于所述特征处理网络对所述目标图像进行特征处理，得到特征响应图，所述特征响应图包括多个检测框；分类单元，用于基于所述分类网络对所述特征响应图进行分类处理，得到分类结果，所述分类结果表征所述检测框对应的目标属于预设类别的概率；所述预设类别包括采矿机和护帮板；回归单元，用于基于所述回归网络对所述特征响应图进行回归处理，得到回归结果，所述回归结果表征所述检测框的位置；融合单元，用于基于所述融合网络对所述回归结果和所述分类结果进行融合处理，得到所述识别结果。
在一些可能的实施方式中，所述装置还包括优化模块，所述优化模块用于根据所述识别结果，判断是否存在漏识别的目标，所述漏识别的目标包括采矿机和/或护帮板；响应于存在漏识别的目标的情况，根据所述漏识别的目标更新所述深度神经网络。
在一些可能的实施方式中，所述装置还包括可视化模块，所述可视化模块用于获取所述识别结果中的检测框；将所述检测框显示在所述目标图像上。
根据本公开的第三方面，还提供了一种电子设备，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令实现如第一方面任意一项所述的一种采矿工况检测方法。
根据本公开的第四方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或至少一段程序由处理器加载并执行以实现第一方面任意一项所述的一种采矿工况检测方法。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本说明书的一些实施例，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它附图。
图1示出根据本公开实施例的一种采矿工况检测方法的流程示意图；
图2示出根据本公开实施例的目标图像获取方法的流程示意图；
图3示出根据本公开实施例的目标图像中的相关位置示意图；
图4示出根据本公开实施例的采矿工况检测方法中步骤S32的流程示意图；
图5示出根据本公开实施例的假定边缘示意图；
图6示出根据本公开实施例的另一种假定边缘示意图；
图7示出根据本公开实施例的第一距离计算方法流程示意图；
图8示出根据本公开实施例的第一距离的计算原理示意图；
图9示出根据本公开实施例的采矿工况检测方法执行过程的界面示意图；
图10示出根据本公开实施例的深度神经网络结构示意图；
图11示出根据本公开实施例的采矿工况检测方法中步骤S20的流程示意图；
图12示出根据本公开实施例的优化深度神经网络的方法流程示意图；
图13示出根据本公开实施例的一种采矿工况检测装置的框图；
图14示出根据本公开实施例的一种电子设备的框图；
图15示出根据本公开实施例的另一种电子设备的框图。
具体实施方式
下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
矿井作业场景通常环境较为恶劣，工人跟随采矿机作业的过程任务重，压力大，对工人的身心都造成较大压力，并且由于对工人的高度依赖，使得矿井开采作业的安全性难以保证。有鉴于此，本公开实施例提供一种采矿工况检测方法，依赖于深度神经网络可以在不额外引入硬件成本的前提下，对采矿工况进行自动化检测，及时发现坍塌风险和碰撞风险，保证矿井安全，并且还可以辅助工人进行矿井作业，减低工人的工作压力。
本公开实施例提供的采矿工况检测方法可以由终端设备、服务器或其它类型的电子设备执行，其中，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(PersonaL1 DigitaL1 Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该采矿工况检测方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。下面以电子设备作为执行主体为例对本公开实施例的采矿工况检测方法进行说明。该采矿工况检测方法以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
图1示出根据本公开实施例的一种采矿工况检测方法的流程示意图，如图1所示，上述方法包括：
S10：获取目标图像，上述目标图像中包括采矿机。
本公开实施例并不限定目标图像的数量，该电子设备可以处理单个目标图像，或并行处理多个目标图像。该目标图像可以来自于单个监控视频流或多个监控视频流，本公开实施例对此不做限定。监控视频流可以通过布设于矿井的至少一个监控摄像头获取。
本公开实施例中并不对目标图像进行限制，其可以直接来自于监控视频流，在一个实施例中，上述目标图像可以为监控视频流的当前帧图像，即对于监控视频流中的每帧图像均进行实时的采矿工况检测。在另一个实施例中，上述目标图像可以为上述监控视频流中符合预设条件的帧对应的图像，这也可以达到采矿工况检测的实时性要求，并在一定程度上降低了电子设备的计算压力。示例性的，该预设条件可以为将上述监控视频流中的关键帧对应的图像确定为上述目标图像，或者将上述监控视频流中图像标识满足预设要求的图像确定为上述目标图像。比如，可以对该监控视频流中的各帧图像顺序编号，得到对应的图像标识，若图像标识能够被预设整数整除，则将该图像标识对应的图像确定为上述目标图像。
由于矿井环境恶劣，在一定程度上可能降低监控视频流中的图像的质量，故在一个实施例中，还可以对于监控视频流中的图像进行筛选，将筛选得到的质量较高的图像作为该目标图像，从而提升采矿工况检测的准确度。
请参考图2，其示出根据本公开实施例的目标图像获取方法的流程示意图。上述获取目标图像，包括：
S11：获取图像组。
本公开实施例并不限定图像组的获取方法，其可以由上述监控视频流中连续的满足预设要求的多帧图像构成。本公开实施例并不限定该预设要求的具体内容。比如，该预设要求可以为上述图像组中的图像均为关键帧图像，或上述图像组中的各个图像均为连续帧图像等。
S12：计算上述图像组中每个图像的质量得分。
本公开实施例并不限定质量得分的具体计算方法。示例性的，可以获取上述每个图像的图像属性，根据上述图像属性计算上述每个图像的质量得分，上述图像属性包括图像清晰度、平均灰度、对比度、锐度、色温、亮度中的至少一个。
在一个实施例中，上述计算上述图像组中每个图像的质量得分，包括：
S121：获取上述每个图像的清晰度。
本公开实施例并不限定图像清晰度的计算方法。示例性的，可以将上述每个图像输入预设的神经网络，得到该图像的清晰度确定结果。该预设的神经网络可以从图像纹理特征和图像语义特征的角度对图像进行综合评估，输出该图像的清晰度得分。
S122：获取上述每个图像的平均灰度。
本公开实施例并不限定图像的平均灰度的计算方法。示例性的，可以基于该图像的灰度累积分布函数，计算该图像的平均灰度。
S123：获取上述每个图像的对比度。
本公开实施例并不限定图像的对比度的计算方法。示例性的，可以对于图像中各个像素点的灰度信息进行统计，根据统计结果计算得到该对比度。
S124：根据上述清晰度、平均灰度和对比度，计算上述每个图像的质量得分。
在一个实施例中，可以对上述得到的清晰度、平均灰度和对比度均进行归一化处理，得到清晰度、平均灰度和对比度分别对应的归一化结果，并对上述归一化结果进行加权求和，得到质量得分。本公开实施例并不对权值进行限定，可以根据实际需要进行自主设定。
基于上述配置，通过从清晰度、平均灰度、对比度三个角度确定图像的质量，得到较为客观的质量得分，有利于筛选得到高质量的目标图像，提升采矿工况检测的准确度。应该理解的是，在另一个实施例中，也可以是通过其它方式计算每个图像的质量得分，例如根据清晰度和平均灰度计算质量得分等。
S13：根据上述质量得分，在上述图像组中确定上述目标图像。
本公开实施例并不限定根据质量得分确定目标图像的具体方法。在一个实施例中，可以将上述图像组中质量得分最高的图像确定为该目标图像。在另一个实施例中，还可以将上述图像组中质量得分高于预设的质量分阈值的图像作为该目标图像。本公开实施例并不对上述质量分阈值进行限定，可以根据实际需要进行设置。
S20：基于深度神经网络对上述目标图像进行识别，得到识别结果。
本公开实施例中的深度神经网络可以以检测框的形式表达识别出的目标。具体地，每个检测框均可以通过包括5个元素的行向量表征。示例性的，该行向量可以包括检测框左上角横坐标，检测框左上角纵坐标，检测框右下角横坐标，检测框右下角纵坐标以及检测框类别信息，该检测框类别信息表征该检测框中的目标为采矿机的概率，以及该目标为护帮板的概率。
对于每个检测框而言，若其对应的目标属于采矿机的概率高于该目标属于护帮板的概率，并且该目标属于采矿机的概率大于第一概率阈值，则判定该目标为采矿机。若该目标的属于采矿机的概率低于该目标属于护帮板的概率，并且该目标属于护帮板的概率大于第二概率阈值，则判定该目标为护帮板。本公开实施例并不限定上述第一概率阈值和第二概率阈值的具体数值，其可以相等或不相等。
在一个实施例中，上述识别结果可以包括被判定为采矿机的目标对应的检测框，以及被判定为护帮板的目标对应的检测框。
S30：基于上述识别结果，确定关键距离，上述关键距离为上述采矿机与目标物体的距离。
本公开实施例中，目标物体包括第一护帮板，第一护帮板为位于所述采矿机的行进方向的、距离采矿机最近的护帮板；上述关键距离包括第一距离，上述第一距离表征上述第一护帮板与上述采矿机之间的实际距离；和/或，上述目标物体包括第二护帮板，上述第二护板帮为背离上述行进方向的、距离上述采矿机最近的护帮板；上述关键距离包括第二距离，上述第二距离表征所述第二护帮板与所述采矿机之间的实际距离。
由于矿井作业场景中的采矿机基本沿直线运行，本公开实施例认为基于行进轨迹可以直接确定该采矿机的行进方向。在本公开实施例并不限定上述行进轨迹的判断方法。在一个实施例中，可以基于已知的行进信息得到该行进轨迹，该行进信息可以由人工输入。在另一个实施例中，可以根据上述监控视频流确定该采矿机的行进轨迹。具体地，可以基于时间顺序在上述监控视频流中提取同一摄像设备输出的多个视频帧图像，确定上述采矿机在每一上述视频帧图像中的位置，根据上述采矿机在每一上述视频帧图像中的位置变化，确定采矿机实际的行进轨迹。在其它实施例中，还可以识别视频帧图像中采矿机的头部和/或尾部，根据识别结果可以直接确定该行进方向。
本公开实施例中可以在上述识别结果中确定表征采矿机的检测框。基于该检测框和采矿机的行进轨迹可以确定该采矿机的头部和/或尾部。若上述采矿机仅有部分结构位于该目标图像之中，可以结合上述行进轨迹判断上述部分结果为头部还是尾部；若上述采矿机的完整结构均位于该目标图像之中，可以结合上述行进轨迹区分上述采矿机的头部和尾部。
若确定出该采矿机的头部，则步骤S30可以具体包括：
S31：基于上述识别结果，确定第一位置，上述第一位置表征上述采矿机的头部边缘在上述行进方向上的投影位置。
S32：基于上述第一位置，确定上述第一距离。
若确定出该采矿机的尾部，则步骤S30可以具体包括：
S31-1：基于上述识别结果，确定第二位置，上述第二位置表征上述采矿机的尾部边缘在上述行进方向上的投影位置。
S32-1：基于上述第二位置，确定上述第二距离。
请参考图3，其示出根据本公开实施例的目标图像中的相关位置示意图。图3中上述行进方向可以使用行进轨迹L1代替。上述目标图像中采矿机对应的检测框为A。本公开实施例中可以使用检测框A的边缘a2a3代替上述采矿机的头部边缘。a2a3在上述行进方向L1的投影点所在位置H即为上述第一位置。本公开实施例中可以使用检测框A边缘a1a4代替上述采矿机的尾部边缘。a1a4在上述行进轨迹L1的投影点所在位置R即为上述第二位置。本公开实施例通过确定第一位置和/或第二位置，准确计算得到用于确定采矿工况的关键距离，可以提升得到的采矿工况的准确度。
为了便于区分，本公开实施例中将上述识别结果中护帮板对应的检测框称为护帮板检测框。
请参考图4，其示出根据本公开实施例的采矿工况检测方法中步骤S32的流程示意图，上述基于上述第一位置，确定上述第一距离，包括：
S321：查询位于上述行进方向的上述护帮板检测框，得到第一查询结果。
当然，若上述识别结果中不包括行进方向上的护帮板检测框，也可以不执行步骤S321,直接将上述第一查询结果置空即可。
若上述第一查询结果不为空，则表征存在上述第一护帮板，该第一护帮板对应的第一目标检测框即为上述第一查询结果中与上述第一位置距离最近的上述护帮板检测框。请参考图3，上述护帮板检测框B位于行进方向上，并且与上述第一位置H距离最近，故护帮板检测框B即为上述第一目标检测框。
S322：根据上述第一查询结果，确定第一目标边缘，上述第一目标边缘表征与上述采矿机距离最近的第一护帮板边缘。
响应于上述第一查询结果不为空的情况，可以使用与上述第一位置距离最近的上述第一目标检测框的边缘代替上述第一目标边缘。请参考图3，第一目标检测框(护帮板检测框B)的边缘b1b4与上述第一位置H距离最近，b1b4即为上述第一目标边缘。
响应于上述第一查询结果为空的情况，可以将位于上述行进方向的目标图像边缘，确定为上述第一目标边缘。请参考图5，其示出根据本公开实施例的假定边缘示意图。图5中采矿机头部对应于检测框D，第一位置为D1。但是沿行进轨迹L2并没有护帮板检测框，行进方向与行进轨迹相同，也可以使用L2表征。这种情况下可以认为第一护帮板位于目标图像之外，或者不存在。这种情况下可以假定该第一护帮板恰好即将进入该目标图像，将位于行进方向L2的目标图像的边缘M作为上述第一目标边缘。
基于上述配置，可以在多种情况下得到第一目标边缘，从而支持在确定出采煤机的头部的情况下计算得到第一距离，进而得到采矿工况。
S323：将上述第一目标边缘在上述行进方向的投影位置，确定为第三位置。
若上述第一查询结果不为空，请参考图3，b1b4为上述第一目标边缘，则其在行进方向L1上的投影点FH1即为上述第三位置。若上述第一查询结果为空，请参考图5，边缘M作为上述第一目标边缘，则其在行进方向L2的投影点FH2即为上述第三位置。
S324：计算上述第一位置和第三位置之间的实际距离，得到上述第一距离。
基于上述配置，可以准确计算得到各种情况下的第一距离，提升得到采矿工况的准确度，也提升了矿井作业的安全度。
本公开实施例中步骤S32-1与步骤S32基于相同发明构思，上述基于上述第二位置，确定上述第二距离，包括：
S321-1：查询背离上述行进方向的上述护帮板检测框，得到第二查询结果
当然，若上述识别结果中不包括上述护帮板检测框，也可以不执行步骤S321-1,直接将上述第二查询结果置空即可。
若上述第二查询结果不为空，则表征存在上述第二护帮板，该第二护帮板对应的第二目标检测框即为上述第二查询结果中与上述第二位置最近的上述护帮板检测框。请参考图3，护帮板检测框C背离行进方向，并且与上述第二位置R距离最近，故护帮板检测框C即为该第二目标检测框。
S322-1：根据上述第二查询结果，确定第二目标边缘，上述第二目标边缘表征与上述采矿机距离最近的第二护帮板边缘。
响应于上述第二查询结果不为空的情况，可以使用与上述第二位置距离最近的上述第二目标检测框的边缘代替上述第二目标边缘。请参考图3，第二目标检测框(护帮板检测框C)的边缘c2c3与上述第二位置R距离最近，c2c3即为上述第二目标边缘。
响应于上述第一查询结果为空的情况，可以将背离上述行进方向的上述目标图像的边缘，确定为上述第二目标边缘。请参考图6，其示出根据本公开实施例的另一种假定边缘示意图。图6中采矿机尾部对应于检测框E，第二位置为E1。但是背离行进轨迹L3并没有护帮板检测框，行进方向与行进轨迹相同，也可以使用L3表征。这种情况下可以认为第二护帮板位于目标图像之外，或者不存在。这种情况下可以假定该第二护帮板恰好刚刚离开该目标图像，将背离行进方向L3的目标图像的边缘N作为上述第二目标边缘。
S323-1：将上述第二目标边缘在上述行进方向的投影位置，确定为第四位置。
若上述第二查询结果不为空，请参考图3，c2c3为上述第二目标边缘，则其在行进方向L1上的投影点SH1即为上述第四位置。若上述第二查询结果为空，请参考图6，边缘N作为上述第二目标边缘，则其在行进方向L3的投影点SH2即为上述第四位置。
S324-1：计算上述第二位置和第四位置之间的实际距离，得到上述第二距离。
本公开实施例中第二距离的计算方法与第一距离的计算方法基于相同发明构思，以第一距离计算方法为例进行说明。请参考图7，其示出根据本公开实施例的第一距离计算方法流程示意图。上述计算上述第一位置和第三位置之间的实际距离，得到上述第一距离，包括：
S1：计算上述第一位置和上述第三位置之间的像素距离。
本公开实施例上述像素距离为上述第一位置和上述第三位置在上述目标图像中的距离。请参考图8，其示出根据本公开实施例的第一距离的计算原理示意图。在图8中的取值w’即为该像素距离。
S2：获取上述目标图像的像素宽度。
本公开实施例中上述像素宽度为上述目标图像中的像素在上述目标图像中的宽度。
S3：获取成像距离，上述成像距离表征上述目标图像对应的镜头与上述采煤机的行进轨迹的实际距离。
请参考图8，图8中d表征该成像距离。
S4：获取关键参数，上述关键参数用于计算上述镜头的视场。
本公开实施例中关键参数用于表征上述视场。在一个实施例中，上述关键参数可以包括感光元件宽度和镜头焦距。在另一个实施例中，上述关键参数通过视场角表征。
S5：根据上述像素距离、成像距离、像素宽度和关键参数，计算上述第一距离。
在一个实施例中，上述关键参数可以包括感光元件宽度和镜头焦距。本公开实施例中感光元件宽度可以通过L表征，图8中的e即为上述镜头焦距。参考图8，根据三角相似定理可以得到以及/>其中，/>的数值即为上述第一距离，W表征上述像素宽度。根据公式/>以及/>可以得到/>因此，上述根据上述像素距离、成像距离、像素宽度和关键参数，计算上述第一距离，包括：将上述像素距离、成像距离和感光元件宽度的乘积作为第一参数。将上述像素宽度和镜头焦距的乘积作为第二参数。将上述第一参数和上述第二参数的比值确定为上述第一距离。基于上述配置，可以基于感光元件宽度和镜头焦距计算得到准确的第一距离。
在一个实施例中，上述关键参数为视场角。请参考图8，视场角即为图8中的故可以得到/>因此，上述根据上述像素距离、成像距离、像素宽度和关键参数，计算上述第一距离，包括：计算上述视场角的正切值；将上述正切值、成像距离和像素距离的乘积的二倍数作为上述第一参数；将上述第一参数与上述像素宽度的比值确定为上述第一距离。基于上述配置，可以基于视场角计算得到准确的第一距离。
本公开实施例中，通过准确计算得到第一距离和第二距离，可以提升采矿工况的确定结果的准确度。
S40：根据上述关键距离，得到采矿工况。
本公开实施例可以在下述的至少一种情况下得到采矿工况。响应于上述关键距离中包括上述第一距离，并且上述第一距离小于第一阈值的情况，可以确定存在碰撞风险。响应于上述关键距离中包括上述第二距离，并且上述第二距离大于第二阈值的情况，可以确定存在坍塌风险。本公开实施例并不限定上述第一阈值和上述第二阈值的具体数值，可以根据实际情况进行设定。基于上述配置，可以根据关键距离判断坍塌风险或碰撞风险，便于对其进行干预，提升矿井作业的安全度。
在一个实施例中，响应于上述第一查询结果为空的情况，生成第一报警信息，上述第一报警信息用于指示存在潜在碰撞风险。在上述第一查询结果为空的场景下，第一护帮板并未位于上述目标图像之中，因此，当采煤机运行时可能碰撞到前方未被及时发现的第一护帮板，存在潜在碰撞风险。响应于上述第二查询结果为空的情况，生成第二报警信息，上述第二报警信息用于指示存在潜在坍塌风险。在上述第二查询结果为空的场景下，第二护帮板并未位于上述目标图像之中，因此，当采煤机运行时后方可能出现坍塌，存在潜在坍塌风险。基于上述配置，可以根据第一查询结果和/或第二查询结果判断潜在的风险，便于消除矿井作业的隐患，进一步提升矿井作业的安全度。
本公开实施例中可以判断出碰撞风险、坍塌风险、潜在碰撞风险和潜在坍塌风险，对于每种风险，都可以生成对应的报警信息，便于相关人员根据该报警信息进行干预，提升矿井作业的安全性。该报警信息可以为文字信息、声音信息或光电信息，该报警信息可以直接发出也可以以消息的形式被推送至相关人员对应的电子设备，本公开实施例对此不做限定。在另一个实施例中，还可以根据该采矿工况生成日志信息，对该日志信息进行存储，以便于进行相关的日志分析。
在一个实施例中，上述识别结果包括至少一个上述检测框，还可以获取上述识别结果中的检测框；将上述检测框显示在上述目标图像上。请参考图9，其示出根据本公开实施例的采矿工况检测方法执行过程的界面示意图。图9中可以将目标图像以及上述检测框进行直观表现，便于相关人员实时了解采矿工况。
本公开实施例中可以基于深度神经网络对目标图像进行识别，根据识别结果自动得到采矿工况，实现了采矿工况的实时自动获取，降低了相关人员的作业压力，提升矿井作业安全性。
本公开实施例并不限定深度神经网络的具体结构，其可以根据YOLO(You OnlyLook Once)模型、多分类单杆检测器或卷积神经网络中的至少一种得到。
在一个实施例中，该深度神经网络可以通过改进上述YOLO模型得到。示例性的，其可以包括输入层、卷积层、归一化层、激活层等结构，对此，本公开实施例不做赘述。
在另一个实施例中，可以参考图10，其示出根据本公开实施例的深度神经网络结构示意图。上述深度神经网络包括特征处理网络、分类网络、回归网络和融合网络。其中，特征处理网络包括特征提取网络和特征金字塔，分类网络、回归网络均属于功能网络。结合图10，本公开实施例进一步公开对目标图像进行识别的方法。请参考图11，其示出根据本公开实施例的采矿工况检测方法中步骤S20的流程示意图。上述基于深度神经网络对上述目标图像进行识别，得到识别结果，包括：
S101.基于上述特征处理网络对上述目标图像进行特征处理，得到特征响应图，上述特征响应图包括多个检测框。
图10中特征提取网络可以输出各个尺度的特征图，将不同尺度的特征图对应输入至特征金字塔进行处理，得到多尺度的特征响应图。本公开中的特征响应图的相关位置可以对应设置检测框。本公开不限定设定检测框的位置和每个位置设定检测框的数量。
S102.基于上述分类网络对上述特征响应图进行分类处理，得到分类结果，上述分类结果表征上述检测框对应的目标属于预设类别的概率；上述预设类别包括采矿机和护帮板。
特征响应图的检测框可以根据实际应用场景而预先确定，本公开实施例中检测的目标是采矿机和护帮板，因此检测框的类别数量就是2。分类处理用于识别目标图像中是否存在采矿机或护帮板，输出的分类结果表征上述检测框对应的目标属于采矿机的概率，以及该目标属于护帮板的概率。
S103.基于上述回归网络对上述特征响应图进行回归处理，得到回归结果，上述回归结果表征上述检测框的位置。
对上述特征响应图进行回归处理，可以得到上述检测框的位置相对于GT(groundtruth，真实)框的位置信息修正参数，GT框可以理解为回归框，表征了目标所在的正确位置。本公开中得到的回归结果可以由检测框的位置信息表征。
本公开中可以基于分类网络对特征响应图进行分类处理，基于回归网络对特征响应图进行回归处理，但是并不限定分类网络和回归网络的具体结构。该分类网络和该回归网络均可以与该特征金字塔的多个网络层并行连接。
S104.基于上述融合网络对上述回归结果和上述分类结果进行融合处理，得到上述识别结果。
本公开实施例中可以根据分类结果对检测框进行筛选，只保留被认为是采矿机或护帮板的目标所对应的检测框。筛选方法在上文已有所说明，在此不再赘述。
基于上述配置，可以通过深度神经网络对目标图像进行准确地识别，识别结果稳定可靠。
下面对训练上述深度神经网络的过程进行说明，示出训练神经网络的方法，上述方法包括：
S201.获取第一样本图像，对应于上述第一样本图像的类别标签，以及对应于上述第一样本图像的回归标签，上述类别标签表征目标属于上述采矿机或上述护帮板。
本公开实施例并不限定第一样本图像的数量和获取方法。可以通过丰富第一样本图像的方式，提升深度神经网络的识别能力。
S202.基于上述特征处理网络对上述第一样本图像进行特征处理，得到样本特征响应图。
S203.基于上述分类网络对上述样本特征响应图进行分类处理，得到样本分类结果；根据上述样本分类结果和上述类别标签计算分类损失。
分类损失是判定分类网络实际的输出与期望的输出的接近程度。分类损失越小，说明实际的输出越接近期望的输出。可以理解为，分类结果即为分类网络的实际输出，而类别标签为分类网络的期望输出，通过分类结果与类别标签可以计算分类损失。具体计算时，可采用预设的分类损失函数实现。
S204.基于上述回归网络对上述样本特征响应图进行回归处理，得到样本回归结果；根据上述样本回归结果和上述回归标签计算回归损失。
回归结果即为回归网络的实际输出，而回归标签为回归网络的期望输出，通过回归结果与回归标签计算回归损失，即可获知回归网络的实际输出与期望输出的接近程度。具体计算时，可采用预设的回归损失函数实现。
S205.根据上述分类损失和上述回归损失，调整上述特征处理网络、分类网络和回归网络的参数。
在一些可行的实施方式中，可以采用反向传播算法，基于分类损失和回归损失对上述特征处理网络、分类网络和回归网络进行联合训练，直至分类损失收敛到第一预设值，回归损失收敛到第二预设值。也即，可以根据损失值反向调整网络参数，直至损失值达到预设阈值时，训练结束，确认此时的深度神经网络符合要求，能够对上述目标图像进行识别。
在一些可行的实施方式中，依然可以采用反向传播算法，基于分类损失和回归损失对上述特征处理网络、分类网络和回归网络进行联合训练，直至根据分类损失和回归损失确定的总损失函数收敛到第三预设值，训练结束，确认此时的神经网络符合要求，能够对上述目标图像进行识别。
本公开中不限定第一预设值、第二预设值和第三预设值的具体数值和设定方法。
基于上述配置，可以对深度神经网络进行训练，使得该深度神经网络具备稳定精准识别出采煤机以及护帮板的能力。
本公开中的深度神经网络可以进一步通过不断优化提升自身的识别能力。请参考图12，其示出根据本公开实施例优化深度神经网络的方法流程示意图，包括：
S301.根据上述识别结果，判断是否存在漏识别的目标，上述漏识别的目标包括采矿机和/或护帮板。
本公开实施例识别结果为上述深度神经网络在实际应用于采矿工况检测场景中输出的结果。本公开实施例并不限定漏识别的目标的发现方法，可以人工发现，也可以根据相关的矿井管理信息发现。
S302.若存在，则根据上述漏识别的目标得到第二样本图像。
响应于存在漏识别的目标的情况，对于漏识别的目标，本公开实施例可以将该漏识别的目标所在的目标图像确定为该第二样本图像。
S303.确定对应于上述第二样本图像的类别标签，以及对应于上述第二样本图像的回归标签。
本公开实施例中，该类别标签表征该漏识别的目标对应的类别(采煤机或护帮板)，该回归标签表征该漏识别的目标对应的检测框的位置。
S304.基于上述第二样本图像、对应于上述第二样本图像的类别标签，以及对应于上述第二样本图像的回归标签，更新上述深度神经网络。
本公开实施例中上述第二样本图像、对应于上述第二样本图像的类别标签，以及对应于上述第二样本图像的回归标签形成了深度神经网络的训练样本，根据该训练样本可以调整该深度神经网络的参数，从而可以使得调整后的该深度神经网络具备识别该漏识别的目标的能力，通过不断优化深度神经网络可以提升识别精度，降低漏识别概率。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
此外，本公开还提供了采矿工况检测装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种采矿工况检测方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图13示出根据本公开实施例的一种采矿工况检测装置的框图；如图13所示，上述装置包括：
目标图像获取模块10，用于获取目标图像，上述目标图像中包括采矿机；
识别模块20，用于基于深度神经网络对上述目标图像进行识别，得到识别结果；
关键距离确定模块30，用于基于上述识别结果，确定关键距离，上述关键距离为上述采矿机与目标物体的距离；
采矿工况确定模块40，用于根据上述关键距离，得到采矿工况。
在一些可能的实施方式中，上述目标物体包括第一护帮板，上述第一护帮板为位于上述采矿机的行进方向的、距离上述采矿机最近的护帮板；上述关键距离包括第一距离，上述第一距离表征上述第一护帮板与上述采矿机之间的实际距离；
和/或，上述目标物体包括第二护帮板，上述第二护板帮为背离上述行进方向的、距离上述采矿机最近的护帮板；上述关键距离包括第二距离，上述第二距离表征上述第二护帮板与上述采矿机之间的实际距离。基于上述配置，可以及时确定采矿机与护帮板的距离，从而确定出与护帮板相关的采矿工况。
在一些可能的实施方式中，上述关键距离确定模块，包括：第一位置确定单元，用于基于上述识别结果，确定第一位置，上述第一位置表征上述采矿机的头部边缘在上述行进方向上的投影位置；第一距离确定单元，用于基于上述第一位置，确定上述第一距离；第二位置确定单元，用于基于上述识别结果，确定第二位置，上述第二位置表征上述采矿机的尾部边缘在上述行进方向上的投影位置；第二距离确定单元，用于基于上述第二位置，确定上述第二距离。
在一些可能的实施方式中，上述识别结果包括护帮板检测框；上述第一距离确定单元，包括：第一查询单元，用于查询位于上述行进方向的上述护帮板检测框，得到第一查询结果；第一目标边缘确定单元，用于根据上述第一查询结果，确定第一目标边缘，上述第一目标边缘表征与上述采矿机距离最近的第一护帮板边缘；第三位置确定单元，用于将上述第一目标边缘在上述行进方向的投影位置，确定为第三位置；第一计算单元，用于计算上述第一位置和第三位置之间的实际距离，得到上述第一距离；上述第二距离确定单元，包括：第二查询单元，用于查询背离上述行进方向的上述护帮板检测框，得到第二查询结果；第二目标边缘确定单元，用于根据上述第二查询结果，确定第二目标边缘，上述第二目标边缘表征与上述采矿机距离最近的第二护帮板边缘；第四位置确定单元，用于将上述第二目标边缘在上述行进方向的投影位置，确定为第四位置；第二计算单元，用于计算上述第二位置和第四位置之间的实际距离，得到上述第二距离。
在一些可能的实施方式中，上述采矿工况确定模块用于响应于上述关键距离包括上述第一距离、并且上述第一距离小于第一阈值的情况，确定存在碰撞风险；和/或，响应于上述关键距离包括上述第二距离、并且上述第二距离大于第二阈值的情况，确定存在坍塌风险。
在一些可能的实施方式中，上述采矿工况确定模块还用于响应于上述第一查询结果为空的情况，生成第一报警信息，上述第一报警信息用于指示存在潜在碰撞风险；和/或，响应于若上述第二查询结果为空的情况，生成第二报警信息，上述第二报警信息用于指示存在潜在坍塌风险。
在一些可能的实施方式中，上述第一目标边缘确定单元用于响应于上述第一查询结果不为空的情况，将上述第一查询结果中与上述第一位置距离最近的上述护帮板检测框确定为目标检测框；将与上述第一位置距离最近的目标检测框边缘，确定为上述第一目标边缘；和/或，响应于上述第一查询结果为空的情况，将位于上述行进方向的目标图像边缘，确定为上述第一目标边缘。
在一些可能的实施方式中，上述第一计算单元，包括：像素距离计算单元，用于计算上述第一位置和上述第三位置之间的像素距离；像素宽度获取单元，用于获取上述目标图像的像素宽度；成像距离获取单元，用于获取成像距离，上述成像距离表征上述目标图像对应的镜头与上述采煤机的行进轨迹的实际距离；关键参数获取单元，用于获取关键参数，上述关键参数用于计算上述镜头的视场；第一距离计算子单元，用于根据上述像素距离、成像距离、像素宽度和关键参数，计算上述第一距离。
在一些可能的实施方式中，上述关键参数包括感光元件宽度和镜头焦距；上述第一距离计算子单元用于将上述像素距离、成像距离和感光元件宽度的乘积作为第一参数；将上述像素宽度和镜头焦距的乘积作为第二参数；将上述第一参数和上述第二参数的比值确定为上述第一距离；或，上述关键参数包括视场角；上述第一距离计算子单元用于计算上述视场角的正切值；将上述正切值、成像距离和像素距离的乘积的二倍数作为上述第一参数；将上述第一参数与上述像素宽度的比值确定为上述第一距离。
在一些可能的实施方式中，上述目标图像获取模块，包括：图像组获取单元，用于获取图像组；质量确定单元，用于计算上述图像组中每个图像的质量得分；筛选单元，用于根据上述质量得分，在上述图像组中确定上述目标图像。
在一些可能的实施方式中，上述质量确定单元用于获取上述每个图像的图像属性，根据上述图像属性计算上述每个图像的质量得分，上述图像属性包括清晰度、平均灰度和对比度中的一项或多项。
在一些可能的实施方式中，上述深度神经网络包括特征处理网络、分类网络、回归网络和融合网络，上述识别模块，包括：特征提取单元，用于基于上述特征处理网络对上述目标图像进行特征处理，得到特征响应图，上述特征响应图包括多个检测框；分类单元，用于基于上述分类网络对上述特征响应图进行分类处理，得到分类结果，上述分类结果表征上述检测框对应的目标属于预设类别的概率；上述预设类别包括采矿机和护帮板；回归单元，用于基于上述回归网络对上述特征响应图进行回归处理，得到回归结果，上述回归结果表征上述检测框的位置；融合单元，用于基于上述融合网络对上述回归结果和上述分类结果进行融合处理，得到上述识别结果。
在一些可能的实施方式中，上述装置还包括优化模块，上述优化模块用于根据上述识别结果，判断是否存在漏识别的目标，上述漏识别的目标包括采矿机和/或护帮板；响应于存在漏识别的目标的情况，根据上述漏识别的目标更新上述深度神经网络。
在一些可能的实施方式中，上述装置还包括可视化模块，上述可视化模块用于获取上述识别结果中的检测框；将上述检测框显示在上述目标图像上。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，上述计算机可读存储介质中存储有至少一条指令或至少一段程序，上述至少一条指令或至少一段程序由处理器加载并执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，上述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图14示出根据本公开实施例的一种电子设备的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图14，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在上述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(L1CD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。上述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与上述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如上述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G、3G、4G、5G或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，上述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PL1D)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图15示出根据本公开实施例的另一种电子设备的框图。例如，电子设备1900可以被提供为一服务器。参照图15，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,L1inuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、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)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，上述编程语言包括面向对象的编程语言—诸如SmaL1L1taL1k、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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(L1AN)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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PL1A)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程示意图和/或框图描述了本公开的各个方面。应当理解，流程示意图和/或框图的每个方框以及流程示意图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程示意图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程示意图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程示意图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程示意图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程示意图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，上述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程示意图中的每个方框、以及框图和/或流程示意图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种采矿工况检测方法，其特征在于，所述方法包括：
通过布设于矿井的至少一个监控摄像头获取目标图像，所述目标图像中包括采矿机；
基于深度神经网络对所述目标图像进行识别，得到识别结果，所述识别结果包括护帮板检测框；
基于所述识别结果，确定表征所述采矿机的头部边缘在行进方向上的投影位置的第一位置；查询位于行进方向的护帮板检测框，得到第一查询结果；确定第一目标边缘，所述第一目标边缘表征位于所述采矿机的行进方向的、距离所述采矿机最近的护帮板的第一护帮板边缘；将所述第一目标边缘在所述行进方向的投影位置，确定为第三位置；计算所述第一位置和所述第三位置之间的像素距离；获取所述目标图像的像素宽度；获取成像距离，所述成像距离表征所述目标图像对应的镜头与所述采矿机的行进轨迹的实际距离；获取感光元件宽度和镜头焦距；将所述像素距离、成像距离和感光元件宽度的乘积作为第一参数；将所述像素宽度和镜头焦距的乘积作为第二参数；将所述第一参数和所述第二参数的比值确定为第一距离；或，获取视场角，计算所述视场角的正切值；将所述正切值、成像距离和像素距离的乘积的二倍数作为所述第一参数；将所述第一参数与所述像素宽度的比值确定为第一距离；
基于所述识别结果，确定第二位置，所述第二位置表征所述采矿机的尾部边缘在所述行进方向上的投影位置；查询背离所述行进方向的护帮板检测框，得到第二查询结果；根据所述第二查询结果，确定第二目标边缘，所述第二目标边缘表征背离所述行进方向的、距离所述采矿机最近的护帮板的第二护帮板边缘；将所述第二目标边缘在所述行进方向的投影位置，确定为第四位置；计算所述第二位置和第四位置之间的实际距离，得到第二距离；
基于所述第一距离和所述第二距离得到关键距离，根据所述关键距离，得到采矿工况；
所述方法还包括下述中的至少一个：
响应于所述关键距离包括所述第一距离、并且所述第一距离小于第一阈值的情况，确定存在碰撞风险；
响应于所述关键距离包括所述第二距离、并且所述第二距离大于第二阈值的情况，确定存在坍塌风险；
响应于所述第一查询结果为空的情况，生成第一报警信息，所述第一报警信息用于指示存在潜在碰撞风险；
响应于若所述第二查询结果为空的情况，生成第二报警信息，所述第二报警信息用于指示存在潜在坍塌风险。
2.根据权利要求1所述的方法，其特征在于，所述确定第一目标边缘，包括：响应于上述第一查询结果不为空的情况，将与所述第一位置距离最近的护帮板检测框的边缘作为所述第一目标边缘；响应于所述第一查询结果为空的情况，将位于所述行进方向的目标图像边缘，确定为所述第一目标边缘。
3.根据权利要求1或2所述的方法，其特征在于，所述获取目标图像，包括：
获取图像组；
计算所述图像组中每个图像的质量得分；
根据所述质量得分，在所述图像组中确定所述目标图像。
4.根据权利要求3所述的方法，其特征在于，所述计算所述图像组中每个图像的质量得分，包括：
获取所述每个图像的图像属性，根据所述图像属性计算所述每个图像的质量得分，所述图像属性包括清晰度、平均灰度和对比度中的一项或多项。
5.根据权利要求1-4中任意一项所述的方法，其特征在于，所述深度神经网络包括特征处理网络、分类网络、回归网络和融合网络，所述基于深度神经网络对所述目标图像进行识别，得到识别结果，包括：
基于所述特征处理网络对所述目标图像进行特征处理，得到特征响应图，所述特征响应图包括多个检测框；
基于所述分类网络对所述特征响应图进行分类处理，得到分类结果，所述分类结果表征所述检测框对应的目标属于预设类别的概率；所述预设类别包括采矿机和护帮板；
基于所述回归网络对所述特征响应图进行回归处理，得到回归结果，所述回归结果表征所述检测框的位置；
基于所述融合网络对所述回归结果和所述分类结果进行融合处理，得到所述识别结果。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
根据所述识别结果，判断是否存在漏识别的目标，所述漏识别的目标包括采矿机和/或护帮板；
响应于存在漏识别的目标的情况，根据所述漏识别的目标更新所述深度神经网络。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述识别结果中的检测框；
将所述检测框显示在所述目标图像上。
8.一种采矿工况检测装置，其特征在于，所述装置包括：
目标图像获取模块，用于通过布设于矿井的至少一个监控摄像头获取目标图像，所述目标图像中包括采矿机；
识别模块，用于基于深度神经网络对所述目标图像进行识别，得到识别结果，所述识别结果包括护帮板检测框；
关键距离确定模块，用于基于所述识别结果，确定表征所述采矿机的头部边缘在行进方向上的投影位置的第一位置；查询位于行进方向的护帮板检测框，得到第一查询结果；确定第一目标边缘，所述第一目标边缘表征位于所述采矿机的行进方向的、距离所述采矿机最近的护帮板的第一护帮板边缘；将所述第一目标边缘在所述行进方向的投影位置，确定为第三位置；计算所述第一位置和所述第三位置之间的像素距离；获取所述目标图像的像素宽度；获取成像距离，所述成像距离表征所述目标图像对应的镜头与所述采矿机的行进轨迹的实际距离；获取感光元件宽度和镜头焦距；将所述像素距离、成像距离和感光元件宽度的乘积作为第一参数；将所述像素宽度和镜头焦距的乘积作为第二参数；将所述第一参数和所述第二参数的比值确定为第一距离；或，获取视场角，计算所述视场角的正切值；将所述正切值、成像距离和像素距离的乘积的二倍数作为所述第一参数；将所述第一参数与所述像素宽度的比值确定为第一距离；
基于所述识别结果，确定第二位置，所述第二位置表征所述采矿机的尾部边缘在所述行进方向上的投影位置；查询背离所述行进方向的护帮板检测框，得到第二查询结果；根据所述第二查询结果，确定第二目标边缘，所述第二目标边缘表征背离所述行进方向的、距离所述采矿机最近的护帮板的第二护帮板边缘；将所述第二目标边缘在所述行进方向的投影位置，确定为第四位置；计算所述第二位置和第四位置之间的实际距离，得到第二距离；
基于所述第一距离和所述第二距离得到关键距离；
采矿工况确定模块，用于根据所述关键距离，得到采矿工况；
以及执行下述中的至少一个：
响应于所述关键距离包括所述第一距离、并且所述第一距离小于第一阈值的情况，确定存在碰撞风险；
响应于所述关键距离包括所述第二距离、并且所述第二距离大于第二阈值的情况，确定存在坍塌风险；
响应于所述第一查询结果为空的情况，生成第一报警信息，所述第一报警信息用于指示存在潜在碰撞风险；
响应于若所述第二查询结果为空的情况，生成第二报警信息，所述第二报警信息用于指示存在潜在坍塌风险。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或至少一段程序由处理器加载并执行以实现如权利要求1-7中任意一项所述的一种采矿工况检测方法。
10.一种电子设备，其特征在于，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令实现如权利要求1-7中任意一项所述的一种采矿工况检测方法。
CN202110711427.2A 2021-06-25 2021-06-25 采矿工况检测方法、装置、存储介质及电子设备 Active CN113344899B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110711427.2A CN113344899B (zh) 2021-06-25 2021-06-25 采矿工况检测方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110711427.2A CN113344899B (zh) 2021-06-25 2021-06-25 采矿工况检测方法、装置、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN113344899A CN113344899A (zh) 2021-09-03
CN113344899B true CN113344899B (zh) 2023-12-19

Family

ID=77478885

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110711427.2A Active CN113344899B (zh) 2021-06-25 2021-06-25 采矿工况检测方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN113344899B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101519981A (zh) * 2009-03-19 2009-09-02 重庆大学 基于单目视觉的矿井机车防撞预警系统和预警方法
CN110672024A (zh) * 2019-10-18 2020-01-10 章恺熙 一种利用视频中物体投影测量物体间距的方法
CN111091104A (zh) * 2019-12-23 2020-05-01 河北工业大学 一种目标物体的防护检测方法、装置、设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9747802B2 (en) * 2011-09-19 2017-08-29 Innovative Wireless Technologies, Inc. Collision avoidance system and method for an underground mine environment

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101519981A (zh) * 2009-03-19 2009-09-02 重庆大学 基于单目视觉的矿井机车防撞预警系统和预警方法
CN110672024A (zh) * 2019-10-18 2020-01-10 章恺熙 一种利用视频中物体投影测量物体间距的方法
CN111091104A (zh) * 2019-12-23 2020-05-01 河北工业大学 一种目标物体的防护检测方法、装置、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Simulation and analysis of obstacle control strategy for electric driven seabed mining vehicle;Yong Jiang 等;2017 Chinese Automation Congress (CAC);全文 *
基于单目视觉的矿井电机车防撞预警系统的研究;杨鑫;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160315;第53-54页 *

Also Published As

Publication number Publication date
CN113344899A (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
CN111310616B (zh) 图像处理方法及装置、电子设备和存储介质
CN113538519B (zh) 目标追踪方法及装置、电子设备和存储介质
CN110674719B (zh) 目标对象匹配方法及装置、电子设备和存储介质
CN109446994B (zh) 手势关键点检测方法、装置、电子设备及存储介质
CN113344901B (zh) 涂胶缺陷检测方法、装置、存储介质及电子设备
US11288531B2 (en) Image processing method and apparatus, electronic device, and storage medium
WO2023087741A1 (zh) 缺陷检测方法及装置、电子设备、存储介质及计算机程序产品
US10007841B2 (en) Human face recognition method, apparatus and terminal
CN112669583B (zh) 报警阈值调整方法及装置、电子设备和存储介质
EP2977956B1 (en) Method, apparatus and device for segmenting an image
CN108010060B (zh) 目标检测方法及装置
CN111104920B (zh) 视频处理方法及装置、电子设备和存储介质
CN110443366B (zh) 神经网络的优化方法及装置、目标检测方法及装置
CN107784279B (zh) 目标跟踪方法及装置
CN110619350B (zh) 图像检测方法、装置及存储介质
CN113065591B (zh) 目标检测方法及装置、电子设备和存储介质
CN109495616B (zh) 一种拍照方法及终端设备
US11574415B2 (en) Method and apparatus for determining an icon position
US20220383517A1 (en) Method and device for target tracking, and storage medium
CN112381858B (zh) 目标检测方法、装置、存储介质及设备
CN114252886A (zh) 障碍物的轮廓确定方法、装置、设备及存储介质
CN112381091A (zh) 视频内容识别方法、装置、电子设备及存储介质
CN113344899B (zh) 采矿工况检测方法、装置、存储介质及电子设备
CN116310633A (zh) 一种关键点检测模型训练方法及关键点检测方法
CN111832338A (zh) 对象检测方法及装置、电子设备和存储介质

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