CN113505858B - 基于海量活动轨迹反演识别煤矿井下违规作业区域方法 - Google Patents
基于海量活动轨迹反演识别煤矿井下违规作业区域方法 Download PDFInfo
- Publication number
- CN113505858B CN113505858B CN202110976343.1A CN202110976343A CN113505858B CN 113505858 B CN113505858 B CN 113505858B CN 202110976343 A CN202110976343 A CN 202110976343A CN 113505858 B CN113505858 B CN 113505858B
- Authority
- CN
- China
- Prior art keywords
- roadway
- point
- points
- mine
- data
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
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)
- Instructional Devices (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于海量活动轨迹反演识别煤矿井下违规作业区域方法,属于煤矿井下违规作业监测技术领域。该方法包括:1)采集矿井井下人员轨迹数据;2)数据处理,包括单目标轨迹数据的处理和多目标轨迹数据形成的海量数据的处理;3)矿图反演:对处理后的轨迹数据进行聚类,实现同一区间的轨迹数据归一化;采用巷道寻径算法,实现轨迹与巷道的精准拟合,从而重构矿井真实巷道;4)识别违规作业区域:将原始矿井通风系统图CAD图纸转化为同一坐标系下的矢量矿图,通过叠加对比矿图,实现越界开采和隐藏工作面两种隐患识别。本发明能自动识别越界开采和隐藏工作面两种矿井重大隐患,及时发现隐患问题。
Description
技术领域
本发明属于煤矿井下违规作业监测技术领域,涉及一种基于海量活动轨迹反演识别煤矿井下违规作业区域方法。
背景技术
随着信息化技术的发展,将信息化技术应用到煤矿安全生产的“监测预警”领域已成为趋势。目前常用的监管监察平台采集了矿井图纸并要求及时更新,实现了人员定位与人员轨迹的联网监测。基于矿图和联网监测数据,大力开展基于互联网的监管监察。
在煤矿井下违规区域进行作业是监管部门重点监管的对象。越界开采和隐藏工作面开采是两种典型的井下违规作业区域。矿图图纸是煤矿采掘生产活动区域的重要依据和反映。部分矿井为规避监管,矿图的真实性、及时性难以保障。针对井下违规区域作业,现行的监管方式以执法人员现场勘查、实地取证为主,这种方式受煤矿现场干扰大、现场执法阻力大、人工成本高、及时性差。针对上述问题,部分学者提出了基于航空遥感技术,监测识别矿区形变以此来判断是否存在违规作业区域。采动引起的矿区地表沉陷与矿区形变需要较长时间,这种方法周期较长,不利于及时发现并指导现场执法。
因此,亟需一种新的识别煤矿井下违规作业区域得方法来解决上述问题。
发明内容
有鉴于此,本发明的目的在于提供一种基于海量活动轨迹动态反演识别矿井违规作业区域的方法,针对现有矿图真伪人工识别难度大、专业性高,越界开采与隐藏工作面开采重要隐患监管监察难的问题,通过对矿井井下精确人员定位轨迹数据进行拟合,重构生成真实矿图,并将集成的矿图转化为同一坐标系下的矿图,通过叠加对比,自动识别越界开采和隐藏工作面开采两种典型违规作业区域,指导现场精准执法。
为达到上述目的,本发明提供如下技术方案:
一种基于海量活动轨迹反演识别煤矿井下违规作业区域方法,包括以下步骤:
步骤1:采集矿井井下人员轨迹数据;
步骤2:数据处理,包括单目标轨迹数据的处理和多目标轨迹数据形成的海量数据的处理;
步骤3:矿图反演:对步骤2处理后的轨迹数据进行聚类,实现同一区间的轨迹数据归一化;采用巷道寻径算法,实现轨迹与巷道的精准拟合,从而重构矿井真实巷道;
步骤4:识别违规作业区域:将原始矿井通风系统图CAD图纸转化为同一坐标系下的矢量矿图,通过叠加对比矿图,实现越界开采和隐藏工作面两种隐患识别。
进一步,步骤1中,采集的人员轨迹数据包括:人员姓名,坐标位置、经过时间等,其中坐标位置为大地绝对坐标,将采集的数据存入PostGIS数据库中。
进一步,步骤2中,所述单目标轨迹数据的处理,具体包括:
(1)数据缺失处理:针对短时间(1~3s)的数据缺失,在前后两个采样周期之间插入一个平均值;
(2)异常数据清除:异常数据的判定原则为最近两次采样周期的速度超过人员行走的正常速度或超过前一采样周期的速度的n倍,则视为异常数据;
(3)单目标轨迹滤波:采用Kalman滤波器进行滤波。
进一步,步骤2中,所述多目标轨迹数据的处理,包括:针对精确人员定位估计数据的噪声,采用密度聚类的方法对噪声进行清除;在不考虑时间复杂度和空间复杂度的情况下,以每个点为聚类中心,以簇半径R进行聚类,分别计算落在每个簇的点个数,当簇个数小于密度阈值N时,则判定为噪声数据;其中,簇半径R设置为巷道宽度,密度阈值N(N>1)根据实际进行调整。
进一步,步骤3中,所述矿图反演是基于多目标轨迹数据的矿图反演,即是将所有散点数据连接成巷道;具体包括:采用分箱算法对轨迹点进行聚类,将箱体内的多个点转化为一个点,然后基于归一化后的点进行巷道寻径与生成,构建矿图。
进一步,步骤3的矿图反演中,轨迹归一化是采用数据分箱聚类的方法,即将散点划分为若干个不重合的网格,并对网格井下编号;具体包括:遍历轨迹表中的正常点,遍历时以轨迹三坐标之和进行升序排列;遍历过程中,以遍历点为中心,取分箱半径内的轨迹点,对这些轨迹点以与遍历点之间的距离排序,逐个加入区间组内,直到组内最远两点间的距离大于“分箱距离”,停止加入新点并向组内已有点与中心点写入组编号;下次遍历时会排除已编号的轨迹点,直至所有正常点完成编号时结束遍历,完成轨迹点分箱聚类过程;聚类完成后,采用求取重心的方法,针对散点来说,重心即为计算各个坐标的平均值。
进一步,步骤3的矿图反演中,巷道生成包括三个环节:
(1)巷道寻径,生成长巷道;其中长巷道指的是包含巷道距离相对较长的巷道;
所述生成长巷道具体包括以下步骤:
1):设定单次寻径最大距离为L;在分箱时,每个箱体的宽度约为巷道宽度;
2):遍历聚合点表,取首个未连接点作为起点,记为S1,以S1为中心,查找寻径最大距离L范围内的其他未连接点,如果范围内无未连接点,则将此点记录为短巷道点;重复步骤2);否则取其中最近点为终点,记为S2,将S1与S2放入巷道列中;
3):以S2为中心,查找L范围内的未连接点,分别计算每个未连接点与巷道列表中S1和S2形成的折线的夹角,取夹角最大的未连接点作为新的终点,加入巷道列中;
4):记新加入的点为S2,巷道列中的S2为S1;重复步骤3),直到新的终点S2附近无未连接点,将巷道列中的点按顺序作为拐点生成一条巷道,存入真实巷道表,并将这些点记录为已连接点;
5):跳转至步骤2),继续遍历聚合点表,直至所有点都被标记为已连接点或短巷道点,完成生成长巷道过程。
(2)连接短巷道;其中短巷道指的是未被长巷道连接的点;
所述连接短巷道具体包括:遍历聚合点表中的短巷道点,以短巷道点为中心,查找寻径范围内的长巷道,计算每一条长巷道上距离短巷道点最近的一点,作为起点,生成以短巷道点为终点的一条巷道,存入真实巷道表;完成每个短巷道点与每个范围内长巷道的连接,即完成生成短巷道过程。
(3)巷道拓扑检查与补齐,将互不连接的两条巷道,通过拓扑分析,连接成完整的巷道;
所述巷道拓扑检查与补齐具体包括:遍历真实巷道表中的长巷道,取起点和终点,分别查找以该点为中心,寻径范围内最近的巷道,包括截去该点寻径路径的本巷道;如果临近巷道存在,则取临近巷道上与该点最近的一点,作为原巷道新的起点或终点,原起点或终点则作为拐点留在原巷道中;遍历完一次所有长巷道后,即完成连接首尾的过程。
进一步,步骤4中,所述识别违规作业区域具体包括:
(1)识别隐藏工作面;
将矿井在用矿图转化为GIS矢量图后,通过遍历真实巷道表,取巷道的所有拐点,计算每个拐点与在用巷道的最短距离,如果最短距离大于“误差距离”,则记录为隐藏拐点;完成单条巷道所有拐点的识别后,如果存在隐藏拐点,则分别按顺序将巷道切断为数条正常巷道与隐藏巷道,标识后替换原巷道,如不存在则直接标识原巷道为正常巷道;继续遍历直至完成全部真实巷道的标识,即完成了隐藏巷道的识别过程;如果存在隐患巷道,且隐患巷道的长度大于阈值a(a为阈值,可根据需要调整,通常a>10m),则判定存在隐藏工作面;
(2)识别越界开采
越界巷道的含义为超出井田边界范围的真实巷道;方法为:遍历真实巷道表,取巷道的所有拐点,计算每个拐点是否在井田边界范围内,如果在边界范围外,则记录为越界拐点;完成单条巷道所有拐点的识别后,如果存在越界拐点,则分别按顺序将巷道切断为数条正常巷道与越界巷道,标识后替换原巷道,如不存在则直接标识原巷道为正常巷道;继续遍历直至完成全部真实巷道的标识,即完成了越界巷道的识别过程;如果存在越界巷道,且越界巷道的长度大于阈值b(b为阈值,可根据需要调整,通常b≥10m),则判定存在越界开采。
本发明的有益效果在于:本发明基于可采集的精确人员定位轨迹坐标数据,自动重构真实矿图,与在用矿图进行叠加对比,自动识别越界开采和隐藏工作面两种矿井重大隐患,改变了传统人工现场执法阻力大,成本高、隐患发现不及时的问题,为提高监管监察能效具有重要支撑作用。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为多目标轨迹数据去噪流程图;
图2为轨迹归一化流程图;
图3为长巷道生成流程图;
图4为生成长巷道原理示意图;
图5为连接短巷道示意图;
图6为巷道拓扑补齐流程图;
图7为巷道拓扑补齐原理示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
请参阅图1~图7,本发明提出一种基于海量活动轨迹动态反演识别矿井违规作业区域的方法,包括人员轨迹数据采集、数据处理、矿图反演和违规作业区域识别4个部分。通过数据采集器,将人员轨迹数据采集存储到数据库中。数据处理模块通过滤波算法对单目标轨迹进行平滑处理,采用密度聚类对多目标轨迹处理,消除轨迹中的随机误差。矿图反演模块通过对轨迹数据聚类实现同一区间的轨迹数据归一化,采用巷道寻径算法,实现轨迹与巷道的精准拟合,从而重构矿井真实巷道。违规作业区域识别模块,将原始矿井通风系统图CAD图纸转化为同一坐标系下的失量矿图,通过叠加对比矿图,实现越界开采和隐藏工作面两种隐患识别。
1)数据采集模块
数据采集模块负责采集矿井井下精确人员定位轨迹数据,采集的数据包括人员姓名,坐标位置、经过时间等,其中坐标位置为大地绝对坐标,将采集的数据存入PostGIS数据库中。
2)数据处理模块
针对人员轨迹数据受井下环境及其他设备带来的干扰造成的在数据定位、数据传输、存储等过程的数据缺失、异常等问题,一方面通过对单次人员轨迹噪声进行噪声消除,另外一方面针对多目标轨迹数据形成的海量数据进行噪声消除,提升数据的精确度。单目标轨迹数据处理。
(1)单目标轨迹数据清洗
①数据缺失处理
针对短时间(1~3s)的数据缺失,在前后两个采样周期之间插入一个平均值。
②异常数据清除
异常数据的判定原则为最近两次采样周期的速度超过人员行走的正常速度或超过前一采样周期的速度的n倍,则视为异常数据。具体为:
设时间t时的坐标为wt=(xt,yt,zt),t-1时间的位置为wt-1=(xt-1,yt-1,zt-1),两次采样时间间隔为Δt,则时间段的平均速度为vt-1~t为:
设t+1时刻的轨迹坐标为wt+1=(xt+1,yt+1,zt+1),t+1与t时刻的距离为Lt~t+1,时间间隔为Δt′。其中
如果Lt~t+1>n*Δt′*Vt-1~t且,Lt~t+1>n*1.5,则视为异常数据。这里n的取值根据历史轨迹统计数据确定,通常取3~5。
③单目标轨迹滤波
单目标轨迹数据去噪,即是对数据进行平滑处理,运用于轨迹拟合的预处理阶段,目的是减少或消除数据中的随机误差。这里采用Kalman滤波器进行滤波。
针对人员井下活动,采用人员运动的坐标位置和速度参数建立运动轨迹推算关系。精确人员定位轨迹坐标数据采集频率为在1秒之内产生一组数据,由于其时间间隔较短,可以假设在两次采样时间间隔,人员是匀速运动,其中(vx,vy,vz)分别表示人员在三维空间X轴、Y轴、Z轴的速度分量,单位为m/s,t为采样周期,单位为s;则人员轨迹递推关系可表示为:
xk=xk-1+tvx
yk=yk-1+yvx
zk=zk-1+zvx
上式中xk,yk,zk分别表示k时刻人员的x坐标,y坐标,z坐标。
按照卡尔曼状态预测方程,定义系统状态Xk为一个6维向量(xsk,ysk,zsk,xvk,yvk,zvk)T组成,其中xsk,ysk,zsk,xvk,yvk,zvk分别表示轨迹在三维空间各坐标轴的位置和速度。根据运动轨迹推算,可知状态转移矩阵为:
本系统中通过人员定位系统得到目标位置和速度信息,定义六维观测向量Zk=(xwk,ywk,zwk,xvk,yvk,zvk)T表示匹配得到的位置坐标,由外部观测向量和状态向量之间关系可知,系统观测矩阵为:
系统观测向量中,各个方向的速率采用两次采样值之间的平均速度。接下来,需要确定预测状态和观测状态的协方差矩阵。我们认为系统状态各维之间相互独立,则Q和R就可以设置为对角阵。由于精确定位的精度较高,因此,设置Q矩阵为R矩阵的两倍。对于初始状态由于0时刻我们没有任何关于该系统的知识,由此我们使用0时刻的测量值来初始X0,初始速度设为0。
(2)多目标轨迹数据去噪
针对精确人员定位估计数据的噪声,采用密度聚类的方法对噪声进行进一步清除。为尽可能准确的反演矿图,在不考虑时间复杂度和空间复杂度的情况下,以每个点为聚类中心,以簇半径R进行聚类,分别计算落在每个簇的点个数,当簇个数小于密度阈值N时,则判定为噪声数据。因为人员轨迹散点应落在巷道周围,且在空间位置上,两个巷道的距离大于巷道宽度,因此簇半径R可设置为巷道宽度,密度阈值N(N>1)根据实际进行调整。流程如图1所示。
3)矿图反演模块
基于多目标轨迹数据的矿图反演,即是将所有散点数据连接成巷道。由于同一坐标点附近有多个散点存在,本发明采用分箱算法对轨迹点进行聚类,将箱体内的多个点转化为一个点,然后基于归一化后的点进行巷道寻径与生成,构建矿图。
(1)轨迹归一化
本实施例采用数据分箱聚类的方法,即是将散点划分为若干个不重合的网格,并对网格井下编号。流程如图2所示,遍历轨迹表中的正常点,遍历时以轨迹三坐标之和进行升序排列。遍历过程中,以遍历点为中心,取分箱半径内的轨迹点,对这些距离内点以与遍历点之间的距离排序,逐个加入区间组内,直到组内最远两点间的距离大于“分箱距离”,停止加入新点并向组内已有点与中心点写入组编号。下次遍历时会排除已编号的轨迹点,直至所有正常点完成编号时结束遍历,完成轨迹点分箱聚类过程。聚类完成后,采用求取重心的方法,针对散点来说,重心即为计算各个坐标的平均值。
(2)巷道生成
数据归一化后,将归一化的坐标点存入聚合点表中,对聚合点表中的数据进行处理,通过寻径算法,实现轨迹点拟合,构建矿井巷道。巷道生成的包括三个环节。
①巷道寻径,生成长巷道。所谓长巷道指的是包含巷道距离相对较长的巷道。
生成长巷道,如图3所示,具体包括以下步骤:
Step1:设定单次寻径最大距离为L。在分箱时,每个箱体的宽度约为巷道宽度,因此,本发明采用2倍箱体宽度,即2倍巷道宽度作为寻径最大距离,并根据实验效果进行降低。
Step2:遍历聚合点表,取首个未连接点作为起点,记为S1,以S1为中心,查找寻径最大距离L范围内的其他未连接点,如果范围内无未连接点,则将此点记录为短巷道点。重复Step2。否则取其中最近点为终点,记为S2,将S1与S2放入巷道列中。
Step3:以S2为中心,查找L范围内的未连接点,分别计算每个未连接点与巷道列表中S1和S2形成的折线的夹角,取夹角最大的未连接点作为新的终点,加入巷道列中。
Step4:记新加入的点为S2,巷道列中的S2为S1。重复Step3。直到新的终点S2附近无未连接点,将巷道列中的点按顺序作为拐点生成一条巷道,存入真实巷道表,并将这些点记录为已连接点。
Step5:跳转至Step2,继续遍历聚合点表,直至所有点都被标记为已连接点或短巷道点,完成生成长巷道过程。
为进一步阐释生成长巷道原理,本发明将其展示成二维平面,原理如图4所示。根据矿井巷道的实际情况,巷道更多为连续的线路,为避免两条距离较近的平行的巷道出现频繁交叉的问题,在巷道路径选择的时候,以角度优先的原则进行巷道连接。图中S1为连接巷道新的起点,S2为新的终点,∠1为线段S1S2与S2B的角度,∠2为线段S1S2与S2A的夹角。B点为连接点中距离S2最近的点,由于∠2小于∠1,即S1S2A更接近直线,因此将A点纳入巷道列,将A点与S2相连。
②连接短巷道。短巷道指的是未被长巷道连接的点。
针对上一步处理产生的短巷道列数据,需将其与长巷道进行处理。短巷道的连接处理算法如图5所示。遍历聚合点表中的短巷道点,以短巷道点为中心,查找寻径范围内的长巷道,计算每一条长巷道上距离短巷道点最近的一点,作为起点,生成以短巷道点为终点的一条巷道,存入真实巷道表。完成每个短巷道点与每个范围内长巷道的连接,即完成生成短巷道过程。
③巷道拓扑补齐,将互不连接的两条巷道,通过拓扑分析,连接成完整的巷道。
经过长巷道与短巷道的生成后,可能存在多条不相连的巷道,需要经一步处理(即巷道拓扑补齐),处理流程如图6所示,具体算法为:遍历真实巷道表中的长巷道,取起点和终点,分别查找以该点为中心,寻径范围内最近的巷道,包括截去该点寻径路径的本巷道。如果临近巷道存在,则取临近巷道上与该点最近的一点,作为原巷道新的起点或终点,原起点或终点则作为拐点留在原巷道中。遍历完一次所有长巷道后,即完成连接首尾的过程。
为进一步说明巷道拓扑补齐原理,如图7所示,以巷道L1的起点A为中心,以寻径范围R为半径,计算A点与其它巷道的距离,计算时会将L纳入其中,同时排除L中与A点寻径范围内的线段。经过计算,满足寻径范围内最小的距离巷道为L1,查找L1上满足要求的点中,距离A点最近的点,将其连接,即完成一次拓扑检查和补齐。
4)违规作业区域识别
违规作业区域识别的方法为将适时采集的矿井CAD图纸通过ArcGIS软件转化为与反演矿图相同坐标系下的GIS矿图,然后对这两种矿图进行叠加对比,进行隐藏工作面和超层越界等两种违规作业区域识别。
(1)隐藏工作面识别
将矿井在用矿图转化为GIS矢量图后,通过遍历真实巷道表,取巷道的所有拐点,计算每个拐点与在用巷道的最短距离,如果最短距离大于“误差距离”,则记录为隐藏拐点。完成单条巷道所有拐点的识别后,如果存在隐藏拐点,则分别按顺序将巷道切断为数条正常巷道与隐藏巷道,标识后替换原巷道,如不存在则直接标识原巷道为正常巷道。继续遍历直至完成全部真实巷道的标识,即完成了隐藏巷道的识别过程。如果存在隐患巷道,且隐患巷道的长度大于a(a为阈值,可根据需要调整,通常a>10m),则判定存在隐藏工作面。
(2)越界开采识别
越界巷道的含义为超出井田边界范围的真实巷道。方法为:遍历真实巷道表,取巷道的所有拐点,计算每个拐点是否在井田边界范围内,如果在边界范围外,则记录为越界拐点。完成单条巷道所有拐点的识别后,如果存在越界拐点,则分别按顺序将巷道切断为数条正常巷道与越界巷道,标识后替换原巷道,如不存在则直接标识原巷道为正常巷道。继续遍历直至完成全部真实巷道的标识,即完成了越界巷道的识别过程。如果存在越界巷道,且越界巷道的长度大于b(b为阈值,可根据需要调整,通常b≥10m),则判定存在越界开采。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种基于海量活动轨迹反演识别煤矿井下违规作业区域方法,其特征在于,该方法包括以下步骤:
步骤1:采集矿井井下人员轨迹数据;
步骤2:数据处理,包括单目标轨迹数据的处理和多目标轨迹数据的处理;
步骤3:矿图反演:对步骤2处理后的轨迹数据进行聚类,实现同一区间的轨迹数据归一化;采用巷道寻径算法,实现轨迹与巷道的精准拟合,从而重构矿井真实巷道;
所述矿图反演是基于多目标轨迹数据的矿图反演,即是将所有散点数据连接成巷道;具体包括:采用分箱算法对轨迹点进行聚类,将箱体内的多个点转化为一个点,然后基于归一化后的点进行巷道寻径与生成,构建矿图;
其中,轨迹归一化是采用数据分箱聚类的方法,即将散点划分为若干个不重合的网格,并对网格井下编号;具体包括:遍历轨迹表中的正常点,遍历时以轨迹三坐标之和进行升序排列;遍历过程中,以遍历点为中心,取分箱半径内的轨迹点,对这些轨迹点以与遍历点之间的距离排序,逐个加入区间组内,直到组内最远两点间的距离大于“分箱距离”,停止加入新点并向组内已有点与中心点写入组编号;下次遍历时会排除已编号的轨迹点,直至所有正常点完成编号时结束遍历,完成轨迹点分箱聚类过程;聚类完成后,采用求取重心的方法,针对散点来说,重心即为计算各个坐标的平均值;
巷道生成包括三个环节:
(1)采用巷道寻径算法,生成长巷道,具体包括以下步骤:
1):设定单次寻径最大距离为L;在分箱时,每个箱体的宽度约为巷道宽度;
2):遍历聚合点表,取首个未连接点作为起点,记为S1,以S1为中心,查找寻径最大距离L范围内的其他未连接点,如果范围内无未连接点,则将此点记录为短巷道点;重复步骤2);否则取其中最近点为终点,记为S2,将S1与S2放入巷道列中;
3):以S2为中心,查找L范围内的未连接点,分别计算每个未连接点与巷道列表中S1和S2形成的折线的夹角,取夹角最大的未连接点作为新的终点,加入巷道列中;
4):记新加入的点为S2,巷道列中的S2为S1;重复步骤3),直到新的终点S2附近无未连接点,将巷道列中的点按顺序作为拐点生成一条巷道,存入真实巷道表,并将这些点记录为已连接点;
5):跳转至步骤2),继续遍历聚合点表,直至所有点都被标记为已连接点或短巷道点,完成生成长巷道过程;
(2)连接短巷道;其中短巷道指的是未被长巷道连接的点;
连接短巷道具体包括:遍历聚合点表中的短巷道点,以短巷道点为中心,查找寻径范围内的长巷道,计算每一条长巷道上距离短巷道点最近的一点,作为起点,生成以短巷道点为终点的一条巷道,存入真实巷道表;完成每个短巷道点与每个范围内长巷道的连接,即完成生成短巷道过程;
(3)巷道拓扑检查与补齐,将互不连接的两条巷道,通过拓扑分析,连接成完整的巷道;
巷道拓扑检查与补齐具体包括:遍历真实巷道表中的长巷道,取起点和终点,分别查找以该点为中心,寻径范围内最近的巷道,包括截去该点寻径路径的本巷道;如果临近巷道存在,则取临近巷道上与该点最近的一点,作为原巷道新的起点或终点,原起点或终点则作为拐点留在原巷道中;遍历完一次所有长巷道后,即完成连接首尾的过程;
步骤4:识别违规作业区域:将原始矿井通风系统图CAD图纸转化为同一坐标系下的矢量矿图,通过叠加对比矿图,实现越界开采和隐藏工作面两种隐患识别。
2.根据权利要求1所述的基于海量活动轨迹反演识别煤矿井下违规作业区域方法,其特征在于,步骤1中,采集的人员轨迹数据包括:人员姓名,坐标位置和经过时间,其中坐标位置为大地绝对坐标,将采集的数据存入数据库中。
3.根据权利要求1所述的基于海量活动轨迹反演识别煤矿井下违规作业区域方法,其特征在于,步骤2中,所述单目标轨迹数据的处理,具体包括:
(1)数据缺失处理:针对短时间的数据缺失,在前后两个采样周期之间插入一个平均值;
(2)异常数据清除:异常数据的判定原则为最近两次采样周期的速度超过人员行走的正常速度或超过前一采样周期的速度的n倍,则视为异常数据;
(3)单目标轨迹滤波:采用Kalman滤波器进行滤波。
4.根据权利要求1所述的基于海量活动轨迹反演识别煤矿井下违规作业区域方法,其特征在于,步骤2中,所述多目标轨迹数据的处理,包括:针对精确人员定位估计数据的噪声,采用密度聚类的方法对噪声进行清除;在不考虑时间复杂度和空间复杂度的情况下,以每个点为聚类中心,以簇半径R进行聚类,分别计算落在每个簇的点个数,当簇个数小于密度阈值N时,则判定为噪声数据;其中,簇半径R设置为巷道宽度,密度阈值N根据实际进行调整。
5.根据权利要求1所述的基于海量活动轨迹反演识别煤矿井下违规作业区域方法,其特征在于,步骤4中,所述识别违规作业区域具体包括:
(1)识别隐藏工作面;
将矿井在用矿图转化为GIS矢量图后,通过遍历真实巷道表,取巷道的所有拐点,计算每个拐点与在用巷道的最短距离,如果最短距离大于“误差距离”,则记录为隐藏拐点;完成单条巷道所有拐点的识别后,如果存在隐藏拐点,则分别按顺序将巷道切断为数条正常巷道与隐藏巷道,标识后替换原巷道,如不存在则直接标识原巷道为正常巷道;继续遍历直至完成全部真实巷道的标识,即完成了隐藏巷道的识别过程;如果存在隐患巷道,且隐患巷道的长度大于阈值a,则判定存在隐藏工作面;
(2)识别越界开采
越界巷道的含义为超出井田边界范围的真实巷道;方法为:遍历真实巷道表,取巷道的所有拐点,计算每个拐点是否在井田边界范围内,如果在边界范围外,则记录为越界拐点;完成单条巷道所有拐点的识别后,如果存在越界拐点,则分别按顺序将巷道切断为数条正常巷道与越界巷道,标识后替换原巷道,如不存在则直接标识原巷道为正常巷道;继续遍历直至完成全部真实巷道的标识,即完成了越界巷道的识别过程;如果存在越界巷道,且越界巷道的长度大于阈值b,则判定存在越界开采。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110976343.1A CN113505858B (zh) | 2021-08-24 | 2021-08-24 | 基于海量活动轨迹反演识别煤矿井下违规作业区域方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110976343.1A CN113505858B (zh) | 2021-08-24 | 2021-08-24 | 基于海量活动轨迹反演识别煤矿井下违规作业区域方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113505858A CN113505858A (zh) | 2021-10-15 |
CN113505858B true CN113505858B (zh) | 2023-04-18 |
Family
ID=78016166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110976343.1A Active CN113505858B (zh) | 2021-08-24 | 2021-08-24 | 基于海量活动轨迹反演识别煤矿井下违规作业区域方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113505858B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116258785A (zh) * | 2023-02-14 | 2023-06-13 | 国家海洋信息中心 | 一种基于数值特征统计的海洋环境遥感可视化表达方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700207A (zh) * | 2015-02-28 | 2015-06-10 | 中国地质大学(武汉) | 一种基于物联网的矿山开采动态实时监测方法与系统 |
CA2958759A1 (en) * | 2015-01-23 | 2016-07-28 | China University Of Mining And Technology | Enhanced positioning method for moving target in mine shaft based on witness nodes under internet of things architecture |
CN112527941A (zh) * | 2020-12-18 | 2021-03-19 | 贵州黔西能源开发有限公司 | 基于PgRouting图计算的人员精准定位轨迹还原算法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109736775A (zh) * | 2019-01-24 | 2019-05-10 | 孔晓冉 | 一种超层越界检测系统及方法 |
CN111010658B (zh) * | 2019-10-29 | 2022-02-08 | 中煤科工集团重庆研究院有限公司 | 煤矿井下越界开采的快速识别方法 |
CN111325775B (zh) * | 2020-01-21 | 2024-05-14 | 应急管理部信息研究院 | 一种基于双重滤波的矿井超层越界检测方法及系统 |
CN112184902B (zh) * | 2020-09-21 | 2022-09-02 | 东华理工大学 | 一种面向越界开采识别的地下开采面反演方法 |
CN112664270B (zh) * | 2020-12-23 | 2023-06-23 | 中煤科工集团重庆研究院有限公司 | 基于多目标活动轨迹实现煤矿巷道分布图重构的方法 |
CN112613767B (zh) * | 2020-12-28 | 2024-03-29 | 精英数智科技股份有限公司 | 一种煤矿违规开采的识别方法、装置、设备及存储介质 |
CN112904391A (zh) * | 2021-01-25 | 2021-06-04 | 中国矿业大学(北京) | 一种越界开采行为的快速识别方法 |
-
2021
- 2021-08-24 CN CN202110976343.1A patent/CN113505858B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2958759A1 (en) * | 2015-01-23 | 2016-07-28 | China University Of Mining And Technology | Enhanced positioning method for moving target in mine shaft based on witness nodes under internet of things architecture |
CN104700207A (zh) * | 2015-02-28 | 2015-06-10 | 中国地质大学(武汉) | 一种基于物联网的矿山开采动态实时监测方法与系统 |
CN112527941A (zh) * | 2020-12-18 | 2021-03-19 | 贵州黔西能源开发有限公司 | 基于PgRouting图计算的人员精准定位轨迹还原算法 |
Also Published As
Publication number | Publication date |
---|---|
CN113505858A (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104077809B (zh) | 基于结构性线条的视觉slam方法 | |
CN109059944B (zh) | 基于驾驶习惯学习的运动规划方法 | |
CN105488498A (zh) | 一种基于激光点云的车道边线自动提取方法及系统 | |
CN106428558B (zh) | 一种基于空-轨两用无人机的轨道综合巡检方法 | |
CN109242024B (zh) | 一种基于卡口数据的车辆行为相似度计算方法 | |
CN109484435A (zh) | 一种适用于轨道交通智能检测系统的列车定位方法和装置 | |
CN109376673B (zh) | 一种基于人体姿态估计的煤矿井下人员不安全行为识别方法 | |
CN108303103A (zh) | 目标车道的确定方法和装置 | |
CN104143194A (zh) | 一种点云分割方法及装置 | |
JP2017223511A (ja) | 道路構造化装置、道路構造化方法、及び道路構造化プログラム | |
CN110986878A (zh) | 基于移动测量系统自动化提取铁轨断面的方法 | |
CN112184736B (zh) | 一种基于欧式聚类的多平面提取方法 | |
CN110789578B (zh) | 一种列车快速定位方法及系统 | |
CN113505858B (zh) | 基于海量活动轨迹反演识别煤矿井下违规作业区域方法 | |
CN109584294A (zh) | 一种基于激光点云的路面点云提取方法和装置 | |
Jacobson et al. | Semi-supervised slam: Leveraging low-cost sensors on underground autonomous vehicles for position tracking | |
CN105893621A (zh) | 基于多维航迹聚类的目标行为规律挖掘方法 | |
CN111291098A (zh) | 一种航迹模式挖掘方法与装置 | |
CN113942526A (zh) | 一种基于可接受风险的自动驾驶超车轨迹规划方法 | |
CN106500649A (zh) | 一种基于惯性测量与轨道信标组合技术的矿井下车辆轨道变形监测方法 | |
CN112406965A (zh) | 一种提高列车定位安全性的方法及系统 | |
CN110889338A (zh) | 无监督式的铁路道床异物检测、样本构造方法及装置 | |
Wang et al. | Efficient and accurate mapping method of underground metal mines using mobile mining equipment and solid-state lidar | |
CN113033443A (zh) | 一种基于无人机的行人过街设施全路网自动化排查方法 | |
CN108223014A (zh) | 一种基于改进谱聚类和交叉标注技术的目标定位方法 |
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 |