CN113378685A - 用于矿山修复治理效果评估的人工智能检测系统及方法 - Google Patents
用于矿山修复治理效果评估的人工智能检测系统及方法 Download PDFInfo
- Publication number
- CN113378685A CN113378685A CN202110629938.XA CN202110629938A CN113378685A CN 113378685 A CN113378685 A CN 113378685A CN 202110629938 A CN202110629938 A CN 202110629938A CN 113378685 A CN113378685 A CN 113378685A
- Authority
- CN
- China
- Prior art keywords
- artificial intelligence
- pictures
- fluorescent
- video stream
- fluorescence
- 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
Images
Classifications
-
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了用于矿山修复治理效果评估的人工智能检测系统及方法：利用夜视摄像头获取紫外照射灯照射下的MOF‑植物纳米杂交生物的荧光视频流，夜视摄像头将荧光视频流传输给人工智能计算处理器；人工智能计算处理器包括图像处理模块和智能分类模块，其中图像处理模块将荧光视频流抽帧成若干张荧光图片，并对荧光图片进行分割，智能分类模块对分割后的荧光图片进行分类处理并对图片的分类结果进行占比统计，根据统计结果输出相应的矿山修复治理效果标识。本发明能够实现智能化、无人化的矿山修复效果跟踪与判断，且判断结果精细化、标准化、可长期跟踪。
Description
技术领域
本发明涉及矿山修复治理评估领域，特别是涉及一种用于矿山修复治理效果评估的人工智能检测系统及方法。
背景技术
我国有色金属矿产资源丰富，但主要以贫矿为主。因此，我国每年矿山选冶药剂的用量高达千万吨级，是农药使用量的3倍以上。且多数选冶药剂具有毒性，其二次代谢产物与重金属元素之间的络合作用赋予重金属新形态，使得矿山污染更加迁移化、复杂化和区域化，已成为我国最大最危险的污染源。
然而，现有的矿山修复效果检测技术均是依靠样本的实验室数据检测，对生态修复缺乏智能化、无人化的检测，对矿山修复环境检测预警的准确性具有一定的滞后性，难以满足实时的监测需求。
因此，提供一种新型专用于矿山生态修复治理效果评估的人工智能检测方法是本领域技术人员亟需解决的问题。
发明内容
本发明提出了一种用于矿山修复治理效果评估的人工智能检测系统及方法，通过夜视摄像头实时采集监测数据，传输给人工智能计算处理器进行处理并输出评估结果，整个过程不需要人为参与，并可以实现全天候地实时监测，克服了现有技术预警存在滞后性的问题，实现了智能化、无人化、精细化和标准化的矿山修复效果跟踪与判断。
为实现上述目的，本发明提供了如下方案：
用于矿山修复治理效果评估的人工智能检测系统，包括：人工智能计算处理器、MOF-植物纳米杂交生物、紫外照射灯和夜视摄像头；
所述MOF-植物纳米杂交生物用于反映矿山污染物的含量；
所述紫外照射灯用于照射所述MOF-植物纳米杂交生物；
所述夜视摄像头与所述人工智能计算处理器相连，用于获取所述紫外照射灯照射下的所述MOF-植物纳米杂交生物的荧光视频流。
所述人工智能计算处理器用于对所述夜视摄像头采集到的视频流进行处理，并生成矿山修复治理效果检测结果。
优选的，所述人工智能计算处理器包括图像处理模块和智能分类模块，所述图像处理模块用于将所述荧光视频流抽帧成荧光图片并对所述荧光图片进行分割，所述智能分类模块用于对分割后的荧光图片进行分类处理。
优选的，所述智能分类模块基于caffe二分类模型对分割后的荧光图片进行分类处理。
优选的，所述MOF-植物纳米杂交生物是通过将光致发光的MOF嵌入植物体内制备而成，所述MOF-植物纳米杂交生物种植在矿山修复区域；
优选的，所述MOF-植物纳米杂交生物包括但不限于MOF-植物纳米杂交植株的根、茎、叶。
用于矿山修复治理效果评估的人工智能检测方法，具体包括如下步骤：
获取荧光视频流：利用夜视摄像头获取紫外照射灯照射下的MOF-植物纳米杂交生物的荧光视频流；所述MOF-植物纳米杂交生物种植在矿山修复区域；
处理荧光图片：利用图像处理模块将所述荧光视频流抽帧成若干张荧光图片，并对所述荧光图片进行分割；
分类荧光图片：通过智能分类模块对分割后的所述荧光图片进行分类处理；
统计并输出结果：通过所述智能分类模块对分割后的所述荧光图片的分类结果进行占比统计，并根据统计结果输出相应的矿山修复治理效果标识。
所述智能分类模块基于caffe二分类模型对分割后的所述荧光图片进行分类处理，具体包括如下步骤：
选取分割后的所述荧光图片作为数据集；
构建caffe二分类模型，通过所述数据集对所述caffe二分类模型进行迭代训练得到训练好的所述caffe二分类模型；
利用所述caffe二分类模型对分割后的实时采集的荧光图片进行分类识别，完成图片的分类处理。
优选的，所述图像处理模块通过所述人工智能计算处理器提供的数据端口调用所述夜视摄像头的视频流，同时将视频流抽帧成若干张荧光图片。
优选的，所述数据集包含若干种不同的荧光图片，其中，所述不同的荧光图片中荧光区域占整张图片的面积不同。
优选的，所述caffe二分类模型包括：Nets网络，所述Nets网络包括若干个连接在一起Layer层，所述Layer层上设有Blobs数据存储结构，所述Layer层上还分布着用于计算处理数据的神经元，相邻的两个所述Layer层通过神经元以连接权重相连接。
本发明的有益效果为：
本发明公开了一种用于矿山修复治理效果评估的人工智能检测系统及方法，通过夜视摄像头实时采集MOF-植物纳米杂交生物的荧光视频流并将荧光视频流传输至人工智能计算处理器，人工智能计算处理器对荧光视频流进行处理，输出相应的矿山治理效果检测结果，实现了智能化、无人化的治理效果评估检测，节约了人力、时间和成本；人工智能计算处理器对荧光视频流抽帧成的荧光图片进行分割，并对分割后的图片逐一进行二分类处理，根据处理结果输出相应的检测结果，通过分割后再分类的方法，保证了检测结果的精细化；同时整个治理效果评估过程通过人工智能计算处理器来完成，不需要人为参与，避免了人为因素的影响，实现了检测结果的标准化；此外，由于人工智能计算处理器可长期储存评估结果，因此，本系统还能实现治理效果的长期跟踪。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明矿山修复治理效果评估的人工智能检测方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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，本领域普通技术人员在没有做出创造性劳动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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本实施例提供用于矿山修复治理效果评估的人工智能检测系统，包括；人工智能计算处理器、MOF-植物纳米杂交生物、紫外照射灯和夜视摄像头。
人工智能计算处理器包括图像处理模块和智能分类模块，所述图像处理模块用于将所述荧光视频流抽帧成荧光图片并对所述荧光图片进行分割，所述智能分类模块用于对分割后的荧光图片进行分类处理。
MOF-植物纳米杂交生物是通过将光致发光的MOF嵌入植物体内制备而成，其中MOF为金属-有机骨架材料；MOF-植物纳米杂交生物种植在矿山修复区域，用于反映矿山污染物的含量；MOF-植物纳米杂交生物包括但不限于MOF-植物纳米杂交植株的根、茎、叶。
紫外照射灯用于照射MOF-植物纳米杂交生物，当MOF-植物纳米杂交生物吸收了种植区域的重金属时，夜视摄像头能够采集到具有荧光显示的视频流。
夜视摄像头与人工智能计算处理器相连，用于实时获取紫外照射灯照射下的MOF-植物纳米杂交生物的荧光视频流并将荧光视频流传输至人工智能计算处理器。在本实施例中，夜视摄像头通过VNC转换器和网线与人工智能计算处理器相连接。
如图1所示，本实施例提供用于矿山修复治理效果评估的人工智能检测方法，具体包括如下步骤：
获取荧光视频流：MOF-植物纳米杂交生物种植在矿山修复区域，利用夜视摄像头实时获取紫外照射灯照射下的MOF-植物纳米杂交生物的荧光视频流。在本实施例中，夜视摄像头采用高分辨率夜视摄像头，像素至少5000万×3500万，同时夜视摄像头可以进行拍摄角度和高度的调整，以满足种植MOF-植物纳米杂交生物的矿山修复区域能充满整个拍摄画面。在本实施例中，紫外照射灯采用280-400nm波长的紫外光。
处理荧光图片：利用图像处理模块将所述荧光视频流抽帧成若干张荧光图片，并对所述荧光图片进行分割。在本实施例中，图像处理模块通过人工智能计算处理器提供的数据端口调用夜视摄像头的视频流，利用图像处理模块所包含的脚本代码对荧光视频流抽帧成荧光图片并对荧光图片进行10×10地均匀分割。
分类荧光图片：通过智能分类模块对分割后的所述荧光图片进行分类处理；
统计并输出结果：通过所述智能分类模块对分割后的所述荧光图片的分类结果进行占比统计，并根据统计结果输出相应的矿山修复治理效果标识。
智能分类模块基于caffe二分类模型对分割后的荧光图片进行分类处理并输出统计结果，具体包括如下步骤：
选取分割后的荧光图片作为数据集，数据集包含若干种不同的荧光图片，其中，不同的荧光图片中荧光区域占整张图片的面积不同。
智能分类模块对选取的数据集图片进行编号，并利用编号对图片进行分类，将数据集划分为训练集和测试集，并保存为数据库模式。
构建caffe二分类模型，通过数据集利用神经网络进行迭代训练，当训练次数达到指定条件后得到训练好的caffe二分类模型。在本实施例中，利用AlexNet分类网络对caffe二分类模型进行迭代训练和学习；caffe二分类模型在训练时通过减去所有训练集图像的均值图像，对训练集做标准化处理，生成均值图像训练集。
利用所述caffe二分类模型对分割后的图片进行分类识别，完成图片的分类处理。在本实施例中，caffe二分类模型对100张分割后的图片逐一进行二分类处理，当全部的100张图片处理结束后，caffe二分类模型对分类结果进行占比统计，当治理效果不达标的分割图片占比超过30％时，则认定夜视摄像头所拍摄的对应治理区域的治理效果不达标。在本实施例中，智能分类模块产生的分类结果对应的治理效果为达标和不达标。
在本实施例中，caffe二分类模型包括：Nets网络，Nets网络包括若干个连接在一起Layer层，Layer层上设有Blobs数据存储结构，同时Layer层上还分布着用于计算处理数据的神经元，相邻的两个Layer层通过神经元以连接权重相连接。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (10)
1.用于矿山修复治理效果评估的人工智能检测系统，其特征在于：包括人工智能计算处理器、MOF-植物纳米杂交生物、紫外照射灯和夜视摄像头；
所述MOF-植物纳米杂交生物用于反映矿山污染物的含量；
所述紫外照射灯用于照射所述MOF-植物纳米杂交生物；
所述夜视摄像头与所述人工智能计算处理器相连，用于获取所述紫外照射灯照射下的所述MOF-植物纳米杂交生物的荧光视频流；
所述人工智能计算处理器用于对所述夜视摄像头采集到的视频流进行处理，并生成矿山修复治理效果检测结果。
2.根据权利要求1所述的用于矿山修复治理效果评估的人工智能检测系统，其特征在于：所述人工智能计算处理器包括图像处理模块和智能分类模块，所述图像处理模块用于将所述荧光视频流抽帧成荧光图片并对所述荧光图片进行分割，所述智能分类模块用于对分割后的荧光图片进行分类处理。
3.根据权利要求2所述的用于矿山修复治理效果评估的人工智能检测系统，其特征在于：所述智能分类模块基于caffe二分类模型对分割后的荧光图片进行分类处理。
4.根据权利要求1所述的用于矿山修复治理效果评估的人工智能检测系统，其特征在于：所述MOF-植物纳米杂交生物通过将光致发光的MOF嵌入植物体内制备而成，所述MOF-植物纳米杂交生物种植在矿山修复区域。
5.根据权利要求1所述的用于矿山修复治理效果评估的人工智能检测系统，其特征在于：所述MOF-植物纳米杂交生物包括但不限于MOF-植物纳米杂交植株的根、茎、叶。
6.用于矿山修复治理效果评估的人工智能检测方法，其特征在于：具体包括如下步骤：
获取荧光视频流：利用夜视摄像头获取紫外照射灯照射下的MOF-植物纳米杂交生物的荧光视频流；所述MOF-植物纳米杂交生物种植在矿山修复区域；
处理荧光图片：利用图像处理模块将所述荧光视频流抽帧成若干张荧光图片，并对所述荧光图片进行分割；
分类荧光图片：通过智能分类模块对分割后的所述荧光图片进行分类处理；
统计并输出结果：通过所述智能分类模块对分割后的所述荧光图片的分类结果进行占比统计，并根据统计结果输出相应的矿山修复治理效果标识。
7.根据权利要求6所述的用于矿山修复治理效果评估的人工智能检测方法，其特征在于：所述智能分类模块基于caffe二分类模型对分割后的所述荧光图片进行分类处理，具体包括如下步骤：
选取分割后的所述荧光图片作为数据集；
构建caffe二分类模型，通过所述数据集对所述caffe二分类模型进行迭代训练得到训练好的所述caffe二分类模型；
利用所述caffe二分类模型对分割后的实时采集的荧光图片进行分类识别，完成图片的分类处理。
8.根据权利要求7所述的用于矿山修复治理效果评估的人工智能检测方法，其特征在于：所述图像处理模块通过所述人工智能计算处理器提供的数据端口调用所述夜视摄像头的视频流，同时将视频流抽帧成若干张荧光图片。
9.根据权利要求7所述的用于矿山修复治理效果评估的人工智能检测方法，其特征在于：所述数据集包含若干种不同的荧光图片，其中，所述不同的荧光图片中荧光区域占整张图片的面积不同。
10.根据权利要求7所述的用于矿山修复治理效果评估的人工智能检测方法，其特征在于：所述caffe二分类模型包括：Nets网络，所述Nets网络包括若干个连接在一起的Layer层，每个所述Layer层上设有Blobs数据存储结构，每个所述Layer层上还分布有用于计算处理数据的神经元，相邻的两个所述Layer层通过神经元相连接，不同所述Layer层的神经元通过连接权重相连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110629938.XA CN113378685B (zh) | 2021-06-07 | 2021-06-07 | 用于矿山修复治理效果评估的人工智能检测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110629938.XA CN113378685B (zh) | 2021-06-07 | 2021-06-07 | 用于矿山修复治理效果评估的人工智能检测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113378685A true CN113378685A (zh) | 2021-09-10 |
| CN113378685B CN113378685B (zh) | 2023-07-25 |
Family
ID=77576267
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110629938.XA Active CN113378685B (zh) | 2021-06-07 | 2021-06-07 | 用于矿山修复治理效果评估的人工智能检测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113378685B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115249331A (zh) * | 2022-09-22 | 2022-10-28 | 山东世纪矿山机电有限公司 | 基于卷积神经网络模型的矿山生态安全识别方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111415345A (zh) * | 2020-03-20 | 2020-07-14 | 山东文多网络科技有限公司 | 一种基于深度学习的变电站紫外图像智能巡检算法及装置 |
| CN111537484A (zh) * | 2020-05-12 | 2020-08-14 | 山东澳联新材料有限公司 | 基于荧光mof-植物杂交体的水体污染物的检测方法 |
| CN111881851A (zh) * | 2020-07-30 | 2020-11-03 | 湖南省建筑科学研究院有限责任公司 | 一种基于uav和卷积神经网络的园林苗木智能检测与计数方法 |
-
2021
- 2021-06-07 CN CN202110629938.XA patent/CN113378685B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111415345A (zh) * | 2020-03-20 | 2020-07-14 | 山东文多网络科技有限公司 | 一种基于深度学习的变电站紫外图像智能巡检算法及装置 |
| CN111537484A (zh) * | 2020-05-12 | 2020-08-14 | 山东澳联新材料有限公司 | 基于荧光mof-植物杂交体的水体污染物的检测方法 |
| CN111881851A (zh) * | 2020-07-30 | 2020-11-03 | 湖南省建筑科学研究院有限责任公司 | 一种基于uav和卷积神经网络的园林苗木智能检测与计数方法 |
Non-Patent Citations (1)
| Title |
|---|
| HUACHAO CHE等: "A portable logic detector based on Eu-MOF for multi-target, on-site, visual detection of Eu and fluoride in groundwater3+", 《SENSORS AND ACTUATORS B: CHEMICAL》, vol. 324, pages 1 - 36 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115249331A (zh) * | 2022-09-22 | 2022-10-28 | 山东世纪矿山机电有限公司 | 基于卷积神经网络模型的矿山生态安全识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113378685B (zh) | 2023-07-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108765404B (zh) | 一种基于深度学习图像分类的道路破损检测方法及装置 | |
| CN106339775B (zh) | 基于天气分型和气象要素聚类的空气重污染案例判别方法 | |
| CN108509954A (zh) | 一种实时交通场景的多车牌动态识别方法 | |
| CN111598040B (zh) | 一种建筑工人身份识别及安全帽佩戴检测方法及系统 | |
| CN111881730A (zh) | 一种火电厂现场安全帽佩戴检测方法 | |
| CN110188807A (zh) | 基于级联超分辨率网络与改进Faster R-CNN的隧道行人目标检测方法 | |
| CN112906485B (zh) | 基于改进的yolo模型的视障人士辅助障碍物感知方法 | |
| CN109784326A (zh) | 一种基于深度学习的车辆底盘检测方法 | |
| CN109559302A (zh) | 基于卷积神经网络的管道视频缺陷检测方法 | |
| CN111582234B (zh) | 基于uav和深度学习的大范围油茶林果智能检测与计数方法 | |
| CN101916365B (zh) | 对考试作弊事件进行智能视频识别的方法 | |
| CN107133960A (zh) | 基于深度卷积神经网络的图像裂缝分割方法 | |
| CN106680281A (zh) | 一种基于深度残差学习网络的柴油车尾气烟度检测方法 | |
| CN111091110B (zh) | 一种基于人工智能的反光背心穿戴识别方法 | |
| CN106611157A (zh) | 一种基于光流定位和滑动窗口检测的多人姿态识别方法 | |
| CN106156765A (zh) | 基于计算机视觉的安全检测方法 | |
| CN102053563A (zh) | 模拟机飞行训练数据采集及质量评估系统 | |
| CN114267082B (zh) | 基于深度理解的桥侧坠落行为识别方法 | |
| CN109523476A (zh) | 用于视频侦查的车牌去运动模糊方法 | |
| CN113450573A (zh) | 基于无人机图像识别的交通监测方法和交通监测系统 | |
| CN113312999A (zh) | 一种自然果园场景下的柑橘木虱高精度检测方法及装置 | |
| CN109816636A (zh) | 一种基于智能终端的裂缝检测方法 | |
| CN107886081A (zh) | 双路U‑Net深度神经网络矿山井下危险行为智能分级辨识方法 | |
| CN116311081B (zh) | 一种基于图像识别的医学实验室监控图像分析方法和系统 | |
| CN110069982A (zh) | 一种交通车辆与行人的自动识别方法 |
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 |