CN114575925A - 一种基于时空大数据的矿井安全监测和预警的方法 - Google Patents
一种基于时空大数据的矿井安全监测和预警的方法 Download PDFInfo
- Publication number
- CN114575925A CN114575925A CN202210244713.7A CN202210244713A CN114575925A CN 114575925 A CN114575925 A CN 114575925A CN 202210244713 A CN202210244713 A CN 202210244713A CN 114575925 A CN114575925 A CN 114575925A
- Authority
- CN
- China
- Prior art keywords
- mine
- early warning
- data
- model
- change
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012544 monitoring process Methods 0.000 title claims abstract description 39
- 230000008859 change Effects 0.000 claims abstract description 86
- 238000010276 construction Methods 0.000 claims abstract description 40
- 230000008569 process Effects 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims abstract description 11
- 230000004075 alteration Effects 0.000 claims abstract description 5
- 230000033558 biomineral tissue development Effects 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 claims description 30
- 238000001228 spectrum Methods 0.000 claims description 15
- 230000003595 spectral effect Effects 0.000 claims description 12
- 238000012731 temporal analysis Methods 0.000 claims description 9
- 238000000700 time series analysis Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010521 absorption reaction Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 239000011435 rock Substances 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 5
- 238000004445 quantitative analysis Methods 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 230000018109 developmental process Effects 0.000 claims description 3
- 238000011982 device technology Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000012821 model calculation Methods 0.000 claims description 2
- 238000009792 diffusion process Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000012804 iterative process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
- E21F17/18—Special adaptations of signalling or alarm devices
Landscapes
- Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开一种基于时空大数据的矿井安全监测和预警的方法，包括以下步骤：首先通过输入遥感数据进行模型算法处理得到基础地质调查图，其次对该矿井施工区域实时监测，同时通过监测过程对灾害进行预警分析，再对矿井作业过程中产生的变化进行分析，最后对预警区域进行排查；本发明可以对矿井施工前对矿井施工区域进行建立基础地质调查图，从基础地质调查图中可以提取矿化蚀变异常信息，并且在矿井施工作业的过程中对矿井施工区域实时监测，同时在实时监测过程中，可以对施工区域的变化进行分析作出准确的预警，这样可以大大提高矿井作业过程中的安全性，避免了因改变矿井的地质等原因导致出现的安全隐患。
Description
技术领域
本发明涉及时空大数据技术领域，尤其涉及一种基于时空大数据的矿井安全监测和预警的方法。
背景技术
矿井是形成地下煤矿生产系统的井巷、硐室、装备、地面建筑物和构筑物的总称，有时把矿山地下开拓中的斜井、竖井、平硐等也称为矿井，每一个矿井的井田范围大小、矿井生产能力和服务年限的确定，是矿井自体设计中必须解决好的关键问题之一，在矿井作业中安全问题使重中之重；
传统的矿井作业中往往没有一种优秀的监测和预警的方法，这样导致在矿井作业中存在安全风险，往往导致一旦出现安全风险这样对人员和资产的损失都是十分严重，因此，本发明提出一种基于时空大数据的矿井安全监测和预警的方法以解决现有技术中存在的问题。
发明内容
针对上述问题，本发明的目的在于提出一种基于时空大数据的矿井安全监测和预警的方法，该基于时空大数据的矿井安全监测和预警的方法解决了传统的矿井作业中往往没有一种优秀的监测和预警的方法，这样导致在矿井作业中存在安全风险，往往导致一旦出现安全风险这样对人员和资产的损失都是十分严重的问题。
为实现本发明的目的，本发明通过以下技术方案实现：一种基于时空大数据的矿井安全监测和预警的方法，包括以下步骤：
步骤一：在矿井施工作业前，对矿井的基础地质调查，并且通过输入遥感数据进行模型算法处理得到基础地质调查图，同时提取基础地质调查图中存在的矿化蚀变异常信息；
步骤二：在获得基础地质调查图后，对该矿井施工区域实时监测施工作业导致的地质变化以及灾害隐患的监测；
步骤三：在对矿井施工区域实时监测过程中，并且对时间序列分析预警，首先对监测的变化进行微波目标识别模型计算、微波变化检测模型计算和微波图像分类模型计算；
步骤四：在微波变化检测模型计算中再通过光谱类型特征分析方法、光谱变化由量分析方法和时间序列分析；
步骤五：在对矿井施工区域实时监测过程和分析过程中，当预警到发生灾害及时发出警告使人员进行排查安全隐患。
进一步改进在于：在所述步骤一中遥感数据包括矿井中的可见光或光谱遥感解译模型、高光谱岩矿吸收特征模型、红外地质构造填图模型和高光谱数据的异常目标探测模型。
进一步改进在于：所述可见光或光谱遥感解译模型是通过传感器工作波段限于可见光波段范围生成的解译模型，所述高光谱岩矿吸收特征模型使通过传感器对吸收波段波长位置、深度、宽度、斜率、对称度、面积和光谱绝对反射值参数所生成的模型，所述红外地质构造填图模型是通过红外装置技术并配合特定的装置扫描区域并生成模型，所述高光谱数据的异常目标探测模型是通过高光谱传感器，在电磁波谱的紫外、可见光、近红外和中红外区域，以十至百个连续且细分的光谱波段对目标区域同时成像，再通过数据中的异常生成目标探测模型
进一步改进在于：在所述步骤二中，通过采用中等空间分辨率并配合遥感数据对矿井施工区域的地质稳定性评价以及对该区域的地质因施工作业导致的地质变化和变化趋势实时监测。
进一步改进在于：在所述步骤二中，通过采用高时空分辨率的卫星并配合遥感数据对矿井施工区域通过地质调查图所显现的地质灾害区域隐患监测。
进一步改进在于：在所述步骤三中，通过在卫星监测过程中采集的矿井施工区域信息样本数据，并将信息样本数据建立高分卫星数据的目标样本库，进行微波变化检测模型计算。
进一步改进在于：通过高分卫星数据的目标样本库进行实时识别判定，并且通过高分卫星数据的目标样本库并配合典型应用验证算法识别精度。
进一步改进在于：在所述步骤三中，对矿井中的遥感数据分析，并分析遥感数据的衰变化过程，得到遥感数据的衰变化过程后，再对数据进行数据源选择、几何配准处理、辐射处理与归一化、变化检测算法及应用处理。
进一步改进在于：在所述步骤四中光谱类型特征分析方法包括多时相图像叠合方法、图像代数变化检测算法和多时相图像主成分变化检测，所述时间序列分析是通过对一个区域进行一时间段内的连续遥感观测，再提取图像有关特征，并分析其变化过程和发展规律，所述时间序列分析包括变化特征的确定和变化分析。
本发明的有益效果为：本发明可以对矿井施工前对矿井施工区域建立基础地质调查图，从基础地质调查图中可以提取矿化蚀变异常信息，并且在矿井施工作业的过程中对矿井施工区域实时监测，同时在实时监测过程中，可以对施工区域的变化进行分析作出准确的预警，这样可以大大提高矿井作业过程中的安全性，避免了因改变矿井的地质等原因导致出现的安全隐患。
附图说明
图1为本发明的主视流程结构示意图。
图2为本发明的基础地质调查图构成流程图。
图3为本发明的矿井识别解译技术流程示意图。
图4为本发明的变化监测方法示意图。
图5为本发明的光谱变化向量大小、强度与方向示意图。
具体实施方式
为了加深对本发明的理解，下面将结合实施例对本发明做进一步详述，本实施例仅用于解释本发明，并不构成对本发明保护范围的限定。
实施例一
根据图1-图5所示，本实施例提供了一种基于时空大数据的矿井安全监测和预警的方法，包括以下步骤：
步骤一：在矿井施工作业前，对矿井的基础地质调查，并且通过输入遥感数据进行模型算法处理得到基础地质调查图，同时提取基础地质调查图中存在的矿化蚀变异常信息；
步骤二：在获得基础地质调查图后，对该矿井施工区域实时监测施工作业导致的地质变化以及灾害隐患的监测；
步骤三：在对矿井施工区域实时监测过程中，并且对时间序列分析预警，首先对监测的变化进行微波目标识别模型计算、微波变化检测模型计算和微波图像分类模型计算；
步骤四：在微波变化检测模型计算中再通过光谱类型特征分析方法、光谱变化由量分析方法和时间序列分析；
步骤五：在对矿井施工区域实时监测过程和分析过程中，当预警到发生灾害及时发出警告使人员进行排查安全隐患。
在步骤一中遥感数据包括矿井中的可见光或光谱遥感解译模型、高光谱岩矿吸收特征模型、红外地质构造填图模型和高光谱数据的异常目标探测模型。
可见光或光谱遥感解译模型是通过传感器工作波段限于可见光波段范围生成的解译模型，高光谱岩矿吸收特征模型使通过传感器对吸收波段波长位置、深度、宽度、斜率、对称度、面积和光谱绝对反射值参数所生成的模型，红外地质构造填图模型是通过红外装置技术并配合特定的装置扫描区域并生成模型，高光谱数据的异常目标探测模型是通过高光谱传感器，在电磁波谱的紫外、可见光、近红外和中红外区域，以十至百个连续且细分的光谱波段对目标区域同时成像，再通过数据中的异常生成目标探测模型。
在步骤二中，通过采用中等空间分辨率并配合遥感数据对矿井施工区域的地质稳定性评价以及对该区域的地质因施工作业导致的地质变化和变化趋势实时监测。
在步骤二中，通过采用高时空分辨率的卫星并配合遥感数据对矿井施工区域通过地质调查图所显现的地质灾害区域隐患监测。
在步骤三中，通过在卫星监测过程中采集的矿井施工区域信息样本数据，并将信息样本数据建立高分卫星数据的目标样本库，进行微波变化检测模型计算。
通过高分卫星数据的目标样本库进行实时识别判定，并且通过高分卫星数据的目标样本库并配合典型应用验证算法识别精度。
在步骤三中，对矿井中的遥感数据分析，并分析遥感数据的衰变化过程，得到遥感数据的衰变化过程后，再对数据进行数据源选择、几何配准处理、辐射处理与归一化、变化检测算法及应用处理。
在步骤三中，微波图像分类模型计算中的概率扩散模型表示为：
在公式中局部概率梯度阈值定义公式表示如下：
式中其中，w·w表示块的大小，n表示迭代次数。
在微波图像分类模型计算中首先要确定最佳类别数，最佳类别数的确定方法包括以下步骤：
步骤一：首先确定合适的模糊指数；
步骤二：根据研究目的定义图像上最大可能出现的类别数N，然后对原始图像从2到N分别进行模糊C的均值分类；
步骤三：分别计算以上得到的一系列分类图的模糊有效性函数S；
步骤四：取与最小S对应的类别数为最佳类别数目Cbest。
模糊C为采用模糊C均值分类器。
在取的最佳类别数后对概率扩散模型参数初始化，初始化扩散模型中迭代次数表示为n、步长表示为Δt，再建立形态学结构元素尺寸和图像分块尺寸，其中高斯标准差的大小表示为，约束条件阈值表示为ε，并将与最佳类别数C best对应的模糊C均值分类后得到的初始概率隶属分布图表示为PCbest，PCbest作为遥感图像的初始后验概率。
在概率扩散模建立后再判断概率扩散过程是否进行，当|Pc (2)-Pc (1)|＜ε时，则利用最大后验概率估计，按照经过各向异性扩散处理后的概率隶属分布向量图来对整幅图像进行逐个像素的分类，最后在概率隶属分布图中，通过比较每个像素的隶属概率大小，将概率最大的类别作为最终的分类类别，反之再将初始概率隶属分布向量图划分成大小相同互不重叠的块，并且然后在每一块中根据噪声分布情况通过如下公式进行估计估计第c类局部概率梯度阈值ηc
在公式中局部概率梯度阈值定义公式表示如下：
当估计第c类局部概率梯度阈值ηc后再计算概率隶属分布图的梯度
计算
首先设图像经过n次迭代处理，并将迭代扩散后的结果图像和高斯核进行卷积，将高斯滤波后的图像作为待处理图像表示为：
P≈Gσ*P(n)
并且通过差分算法来得到
中的图像的四周边界部分的差分标识为：
再通过迭代求解偏微分方程来求得经过迭代处理后的图像，对应的差分迭代方程为：
公式中
表达为：
通过逐个像素进行处理即可得到处理后的图像P(n+1)，并且整个过程不断迭代直到算法结束，即可获得最终概率隶属分布图，同时为了更好地利用像元间的空间关系，采用邻域来进行模拟计算：
其中，N，S，E，W，NE，SE，NW，SW分别表示i和j的邻域方向，d表示求导运算符，在每一步迭代完成后，需判断概率扩散是否继续进行，当|Pc (n+1)-Pc (n)|＜ε，则跳出迭代过程，反之则迭代过程继续。
在步骤四中光谱类型特征分析方法包括多时相图像叠合方法、图像代数变化检测算法和多时相图像主成分变化检测，时间序列分析是通过对一个区域进行一时间段内的连续遥感观测，再提取图像有关特征，并分析其变化过程和发展规律，时间序列分析包括变化特征的确定和变化分析。
多时相图像叠合方法是在图像处理系统中将不同时相遥感图像的各波段数据分别以R、G和B图像存储，同时对相对变化的区域进行显示增强与识别，当一般反射率变化越大，对应的亮度值变化也大，可指示对应的地表土地利用方式己经发生了变化，而没有变化的地表常显示为灰色调，通过这种叠合分析方法可以直观地显示两到三个不同时相的变化区域，便于目视解译。
图像代数变化检测算法是进行变化区域及变化量识别方法，在图像代数变化检测算法中包括图像差值与图像比值，图像差值是将一个时间图像的像元值与另一个时间图像对应的像元值相减，当在新生成的图像中，图像值为正或为负则是辐射值变化的区域，而没有变化的区域图像值为0，并且差值图像的亮度值常近似高斯分布，没有变化的像元多集中在均值周围，而变化的像元分布在尾部，图像比值是指将一个时间图像的像元值与另一个时间图像对应的像元值相除，得到新生成的比值图像，在新生成的比值图像的值域植围为0至1，这时没有变化的区域图像值则为1。
在图像代数变化检测算法中，为了从差值或比值图像上勾画出明显变化区域，首先设置一个根据区域研究对象及周围环境的特点来设定阈值，当在不同的区域、不同的时间、不同的图像上果用的阈值会有所不同，再将差值或比值图像转换为简单的变化图像和无变化图像，或者正变化图像和负变化图像，以反映变化的分布和大小，通过差值或比值图像的直方图来选择变化与无变化像元间的阈值边界。
光谱变化由量分析方法是对施工前的基础地质调查图和施工过程中得到的两个不同时间的遥感图像，进行图像的光谱量测，这样每个像元可以生成一个具有变化方向和变化强度两个特征的变化向量，变化强度通过确定多个维空间中两个数据在之间的距离，变化强度表示为变化强度CMpixel，得到变化强度公式为：
式中BVijk(date1)和BVijk(date2)是像元i和j分别时于日期1和1日期2，在波段k的光普值中，k＝1,2，,2，n..，其中n为选用的波段数，对于每个像元来说，其变化方向反映了该点在每个波段的变化是正向还是负向，可根据变化向量的方向和角度(θ)的来确定，并且每个像元的变化方向可归为2n种模式，这样在选用的各波段分别计算得到BV变化值，BV变化值的变化表示为：
(BVijk(date2)-BVijk(date1))
变化向量分析得到的结果输出为两幅几何上配准的图像，分别为变化强度图像和变化方向码图像，以提取两者区域发生的变化信息，当像元的变化强度在此阈值范围内，可以认为该点未发生类型的变化，若超出此阈值范围，则可判断该点已经发生了类型变化，将变化向量信息与其化图像特征结合起来可进一步分析区域内变化的规律。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.一种基于时空大数据的矿井安全监测和预警的方法，其特征在于，包括以下步骤：
步骤一：在矿井施工作业前，对矿井的基础地质调查，并且通过输入遥感数据进行模型算法处理得到基础地质调查图，同时提取基础地质调查图中存在的矿化蚀变异常信息；
步骤二：在获得基础地质调查图后，对该矿井施工区域实时监测施工作业导致的地质变化以及灾害隐患的监测；
步骤三：在对矿井施工区域实时监测过程中，并且对时间序列分析预警，首先对监测的变化进行微波目标识别模型计算、微波变化检测模型计算和微波图像分类模型计算；
步骤四：在微波变化检测模型计算中再通过光谱类型特征分析方法、光谱变化由量分析方法和时间序列分析；
步骤五：在对矿井施工区域实时监测过程和分析过程中，当预警到发生灾害及时发出警告使人员进行排查安全隐患。
2.根据权利要求1所述的一种基于时空大数据的矿井安全监测和预警的方法，其特征在于：在所述步骤一中遥感数据包括矿井中的可见光或光谱遥感解译模型、高光谱岩矿吸收特征模型、红外地质构造填图模型和高光谱数据的异常目标探测模型。
3.根据权利要求1所述的一种基于时空大数据的矿井安全监测和预警的方法，其特征在于：所述可见光或光谱遥感解译模型是通过传感器工作波段限于可见光波段范围生成的解译模型，所述高光谱岩矿吸收特征模型使通过传感器对吸收波段波长位置、深度、宽度、斜率、对称度、面积和光谱绝对反射值参数所生成的模型，所述红外地质构造填图模型是通过红外装置技术并配合特定的装置扫描区域并生成模型，所述高光谱数据的异常目标探测模型是通过高光谱传感器，在电磁波谱的紫外、可见光、近红外和中红外区域，以十至百个连续且细分的光谱波段对目标区域同时成像，再通过数据中的异常生成目标探测模型。
4.根据权利要求1所述的一种基于时空大数据的矿井安全监测和预警的方法，其特征在于：在所述步骤二中，通过采用中等空间分辨率并配合遥感数据对矿井施工区域的地质稳定性评价以及对该区域的地质因施工作业导致的地质变化和变化趋势实时监测。
5.根据权利要求1所述的一种基于时空大数据的矿井安全监测和预警的方法，其特征在于：在所述步骤二中，通过采用高时空分辨率的卫星并配合遥感数据对矿井施工区域通过地质调查图所显现的地质灾害区域隐患监测。
6.根据权利要求1所述的一种基于时空大数据的矿井安全监测和预警的方法，其特征在于：在所述步骤三中，通过在卫星监测过程中采集的矿井施工区域信息样本数据，并将信息样本数据建立高分卫星数据的目标样本库，进行微波变化检测模型计算。
7.根据权利要求5所述的一种基于时空大数据的矿井安全监测和预警的方法，其特征在于：通过高分卫星数据的目标样本库进行实时识别判定，并且通过高分卫星数据的目标样本库并配合典型应用验证算法识别精度。
8.根据权利要求1所述的一种基于时空大数据的矿井安全监测和预警的方法，其特征在于：在所述步骤三中，对矿井中的遥感数据分析，并分析遥感数据的衰变化过程，得到遥感数据的衰变化过程后，再对数据进行数据源选择、几何配准处理、辐射处理与归一化、变化检测算法及应用处理。
9.根据权利要求1所述的一种基于时空大数据的矿井安全监测和预警的方法，其特征在于：在所述步骤四中光谱类型特征分析方法包括多时相图像叠合方法、图像代数变化检测算法和多时相图像主成分变化检测，所述时间序列分析是通过对一个区域进行一时间段内的连续遥感观测，再提取图像有关特征，并分析其变化过程和发展规律，所述时间序列分析包括变化特征的确定和变化分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210244713.7A CN114575925B (zh) | 2022-03-14 | 2022-03-14 | 一种基于时空大数据的矿井安全监测和预警的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210244713.7A CN114575925B (zh) | 2022-03-14 | 2022-03-14 | 一种基于时空大数据的矿井安全监测和预警的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114575925A true CN114575925A (zh) | 2022-06-03 |
| CN114575925B CN114575925B (zh) | 2022-11-18 |
Family
ID=81780275
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210244713.7A Active CN114575925B (zh) | 2022-03-14 | 2022-03-14 | 一种基于时空大数据的矿井安全监测和预警的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114575925B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116125958A (zh) * | 2023-03-08 | 2023-05-16 | 中科海慧（北京）科技有限公司 | 一种基于数字孪生的智能化工厂故障诊断与决策系统 |
| CN117574301A (zh) * | 2024-01-10 | 2024-02-20 | 四川正诚石油技术开发有限公司 | 基于多传感器的便携式智能环境侦检设备数据分析系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105574621A (zh) * | 2016-01-18 | 2016-05-11 | 中国地质科学院矿产资源研究所 | 基于遥感蚀变异常的斑岩铜矿预测系统及方法 |
| CN108301872A (zh) * | 2018-02-28 | 2018-07-20 | 山东科技大学 | 一种基于数据过滤的可视化矿井实时监测报警系统及方法 |
| CN112906662A (zh) * | 2021-04-02 | 2021-06-04 | 海南长光卫星信息技术有限公司 | 一种遥感图像变化检测方法、装置、设备及存储介质 |
| WO2021108838A1 (en) * | 2019-12-02 | 2021-06-10 | Plotlogic Pty Ltd | Real time mine monitoring system and method |
| CN113187558A (zh) * | 2021-05-31 | 2021-07-30 | 煤炭科学研究总院 | 矿井安全预警方法及装置 |
| CN113505636A (zh) * | 2021-05-25 | 2021-10-15 | 中国科学院空天信息创新研究院 | 一种基于注意力机制与全卷积孪生神经网络的矿区变化检测方法 |
| CN113611085A (zh) * | 2021-10-11 | 2021-11-05 | 辽博信息科技(山东)有限公司 | 岩土工程中地质灾害的监测预警方法及系统 |
| CN113642473A (zh) * | 2021-08-17 | 2021-11-12 | 四川航天电液控制有限公司 | 一种基于计算机视觉的矿下煤机状态识别方法 |
-
2022
- 2022-03-14 CN CN202210244713.7A patent/CN114575925B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105574621A (zh) * | 2016-01-18 | 2016-05-11 | 中国地质科学院矿产资源研究所 | 基于遥感蚀变异常的斑岩铜矿预测系统及方法 |
| CN108301872A (zh) * | 2018-02-28 | 2018-07-20 | 山东科技大学 | 一种基于数据过滤的可视化矿井实时监测报警系统及方法 |
| WO2021108838A1 (en) * | 2019-12-02 | 2021-06-10 | Plotlogic Pty Ltd | Real time mine monitoring system and method |
| CN112906662A (zh) * | 2021-04-02 | 2021-06-04 | 海南长光卫星信息技术有限公司 | 一种遥感图像变化检测方法、装置、设备及存储介质 |
| CN113505636A (zh) * | 2021-05-25 | 2021-10-15 | 中国科学院空天信息创新研究院 | 一种基于注意力机制与全卷积孪生神经网络的矿区变化检测方法 |
| CN113187558A (zh) * | 2021-05-31 | 2021-07-30 | 煤炭科学研究总院 | 矿井安全预警方法及装置 |
| CN113642473A (zh) * | 2021-08-17 | 2021-11-12 | 四川航天电液控制有限公司 | 一种基于计算机视觉的矿下煤机状态识别方法 |
| CN113611085A (zh) * | 2021-10-11 | 2021-11-05 | 辽博信息科技(山东)有限公司 | 岩土工程中地质灾害的监测预警方法及系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116125958A (zh) * | 2023-03-08 | 2023-05-16 | 中科海慧（北京）科技有限公司 | 一种基于数字孪生的智能化工厂故障诊断与决策系统 |
| CN117574301A (zh) * | 2024-01-10 | 2024-02-20 | 四川正诚石油技术开发有限公司 | 基于多传感器的便携式智能环境侦检设备数据分析系统 |
| CN117574301B (zh) * | 2024-01-10 | 2024-03-22 | 四川正诚石油技术开发有限公司 | 基于多传感器的便携式智能环境侦检设备数据分析系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114575925B (zh) | 2022-11-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Automated extraction and evaluation of fracture trace maps from rock tunnel face images via deep learning | |
| Shirowzhan et al. | Comparative analysis of machine learning and point-based algorithms for detecting 3D changes in buildings over time using bi-temporal lidar data | |
| CN114575925B (zh) | 一种基于时空大数据的矿井安全监测和预警的方法 | |
| Rocchini et al. | Uncertainty in ecosystem mapping by remote sensing | |
| Lemy et al. | Discontinuity trace map construction using photographs of rock exposures | |
| Basener et al. | Anomaly detection using topology | |
| Shackelford et al. | Automated 2-D building footprint extraction from high-resolution satellite multispectral imagery | |
| Penasa et al. | Integration of intensity textures and local geometry descriptors from Terrestrial Laser Scanning to map chert in outcrops | |
| CN101101338A (zh) | 一种油气勘探方法及系统 | |
| CN109816707A (zh) | 一种基于高分辨率卫星影像的露天采矿场信息提取方法 | |
| Salati et al. | Lithological mapping and fuzzy set theory: Automated extraction of lithological boundary from ASTER imagery by template matching and spatial accuracy assessment | |
| Hamedianfar et al. | Integrated approach using data mining-based decision tree and object-based image analysis for high-resolution urban mapping of WorldView-2 satellite sensor data | |
| Shahriari et al. | Selection of less biased threshold angles for SAM classification using the real value–area fractal technique | |
| Winkelmaier et al. | Topographically guided UAV for identifying tension cracks using image-based analytics in open-pit mines | |
| Chini et al. | Scale Object Selection (SOS) through a hierarchical segmentation by a multi-spectral per-pixel classification | |
| CN117576581B (zh) | 基于图像处理的地质勘探遥感监测方法 | |
| Chen et al. | Spectral unmixing using a sparse multiple-endmember spectral mixture model | |
| Ghamisi et al. | The potential of machine learning for a more responsible sourcing of critical raw materials | |
| Shi et al. | Linear spatial spectral mixture model | |
| CN114386497A (zh) | 面向铀成矿构造的航空高光谱和伽玛能谱数据融合方法 | |
| Yamamoto et al. | An automated method for crater counting using rotational pixel swapping method | |
| Farmakis et al. | Supervoxel-based multi-scale point cloud segmentation using FNEA for object-oriented rock slope classification using TLS | |
| El-Arafy et al. | Using edge detection techniques and machine learning classifications for accurate lithological discrimination and structure lineaments extraction: a comparative case study from Gattar area, Northern Eastern Desert of Egypt | |
| Sharifi et al. | Efficiency evaluating of automatic lineament extraction by means of remote sensing (Case study: Venarch, Iran) | |
| Park et al. | Quantification of rock mass weathering using spectral imaging |
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 |