CN115249331A - 基于卷积神经网络模型的矿山生态安全识别方法 - Google Patents

基于卷积神经网络模型的矿山生态安全识别方法 Download PDF

Info

Publication number
CN115249331A
CN115249331A CN202211154600.4A CN202211154600A CN115249331A CN 115249331 A CN115249331 A CN 115249331A CN 202211154600 A CN202211154600 A CN 202211154600A CN 115249331 A CN115249331 A CN 115249331A
Authority
CN
China
Prior art keywords
neural network
convolutional neural
submodule
convolutional
network module
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
Application number
CN202211154600.4A
Other languages
English (en)
Other versions
CN115249331B (zh
Inventor
宋照岭
秦伟
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.)
Shandong Shiji Mining Electromechanical Co ltd
Original Assignee
Shandong Shiji Mining Electromechanical 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 Shandong Shiji Mining Electromechanical Co ltd filed Critical Shandong Shiji Mining Electromechanical Co ltd
Priority to CN202211154600.4A priority Critical patent/CN115249331B/zh
Publication of CN115249331A publication Critical patent/CN115249331A/zh
Application granted granted Critical
Publication of CN115249331B publication Critical patent/CN115249331B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及图像处理和识别领域，提供了基于卷积神经网络模型的矿山生态安全识别方法，基于预定时间间隔对矿山进行图像和指标数据采集，构建训练样本集，其中在同一时刻分别采集矿山东西南北四个方向的图像和指标数据；构建卷积神经网络模型，利用训练样本集对卷积神经网络模型进行训练；使用训练好的卷积神经网络模型，对待评价的矿山进行安全分类，输出评价结果。本申请能够提高该识别方法的效率和准确性。

Description

基于卷积神经网络模型的矿山生态安全识别方法
技术领域
本申请涉及矿山安全领域，尤其涉及基于卷积神经网络模型的矿山生态安全识别方法。
背景技术
矿产资源是人类生存、社会发展和经济建设不可或缺的重要物质基础，但是在过去相当长的一段时期内，粗放型的开采模式、落后的生产工艺、不完善的管理制度对矿山生态环境系统的完整性与健康状态造成了较为严重的影响甚至破坏，导致矿山生态安全态势趋于恶化，严重地影响和制约了矿山资源的可持续开发与利用。因此，对矿山生态安全进行评价是十分必要的。
对矿山生态进行安全评价就是根据整个矿山系统的生态进行系统的调查论证，统计相关的数据和参数分析存在的风险。根据这些数据和参数采取有效的措施对其中的危险因素进行消除或者遏制，从最大的程度上减小矿山的危险，改善矿山的生态安全。
但是现有的识别方法存在工作量大、计算过程复杂以及人为主观作用强的缺点与不足，因此如何有效提高识别方法的效率和准确性，成为目前需要解决的一个技术问题。
发明内容
鉴于上述问题，提出了本申请，以便提供基于卷积神经网络模型的矿山生态安全识别方法，用于提高该识别方法的效率和准确性。
本申请提供了基于卷积神经网络模型的矿山生态安全识别方法，包括步骤：
S1，基于预定时间间隔对矿山进行图像和指标数据采集，构建训练样本集，其中在同一时刻分别采集矿山东西南北四个方向的图像和指标数据；
S2，构建卷积神经网络模型，利用训练样本集对卷积神经网络模型进行训练；
S3，使用训练好的卷积神经网络模型，对待评价的矿山进行安全分类，输出评价结果。
步骤S1进一步还包括：
S11，在预定时刻分别采集矿山东西南北四个方向的图像；
S12，在预定时刻采集矿山的各种指标数据；
S13，基于预定时间间隔，重复采集矿山东西南北四个方向的图像和指标数据；
S14，对图像和指标数据进行预处理，构建训练样本集。
步骤S2进一步还包括：
S21，构建第一卷积神经网络模块、第二卷积神经网络模块、第三卷积神经网络模块、第四卷积神经网络模块；
S22，构建第五卷积神经网络模块；
S23，设置全连接模块和分类器，连接第一卷积神经网络模块、第二卷积神经网络模块、第三卷积神经网络模块、第四卷积神经网络模块、第五卷积神经网络模块，构建卷积神经网络模型；
S24，利用训练样本集对卷积神经网络模型进行训练，得到训练好的卷积神经网络模型。
进一步的，指标数据包括空气指标范围、垃圾排放量范围、水污染程度。
进一步的，预处理包括图像对齐、归一化、噪声去除操作。
进一步的，第一卷积神经网络模块、第二卷积神经网络模块、第三卷积神经网络模块、第四卷积神经网络模块、第五卷积神经网络模块分别处理东方图像、西方图像、南方图像、北方图像和指标数据。
进一步的，第一卷积神经网络模块、第二卷积神经网络模块、第三卷积神经网络模块、第四卷积神经网络模块结构相同。
进一步的，在第一卷积神经网络模块、第二卷积神经网络模块、第三卷积神经网络模块、第四卷积神经网络模块中，第一卷积子模块、第二卷积子模块、第三卷积子模块、第四卷积子模块和第五卷积子模块依次连接，第一卷积子模块的输出端和第五卷积子模块的输出端分别连接第一拼接子模块的两个输入端，第二卷积子模块的输出端和第四卷积子模块的输出端分别连接第二拼接子模块的两个输入端，第一拼接子模块的输出端连接第一池化子模块的输入端，第二拼接子模块的输出端连接第二池化子模块的输入端，第一池化子模块的输出端、第二池化子模块的输出端和第五卷积子模块的输出端分别连接全连接子模块的三个输入端，输出提取到的特征。
进一步的，第一卷积子模块、第二卷积子模块、第三卷积子模块、第四卷积子模块和第五卷积子模块包括卷积层和池化层。
进一步的，第五卷积神经网络模块仅采用一个卷积模块。
本申请的有益效果是：
（1）本申请构建卷积神经网络模型，对矿山东西南北四个方向的图像和指标数据进行分类评价，能够完整提取矿山生态状况，整体评价，提高评价准确性和评价效率。
（2）在卷积神经网络中，将第一卷积子模块和第五卷积子模块提取的特征进行拼接，将第二卷积子模块和第四卷积子模块提取的特征进行拼接，能够丰富整个卷积神经网络提取的目标细节特征，增强网络对目标特征的提取能力。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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他的附图。
图1为本申请提供的矿山安全的识别方法的流程图；
图2为本申请提供的卷积神经网络模型的示意图；
图3为本申请提供的卷积神经网络模块的示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种，但是不排除包含至少一种的情况。
本申请构建卷积神经网络模型，对矿山东西南北四个方向的图像和指标数据进行分类评价，能够完整提取矿山生态状况，整体评价，提高评价准确性和评价效率。
另外，在卷积神经网络中，将第一卷积子模块和第五卷积子模块提取的特征进行拼接，将第二卷积子模块和第四卷积子模块提取的特征进行拼接，能够丰富整个卷积神经网络提取的目标细节特征，增强网络对目标特征的提取能力。
下面结合附图和具体实施例对本申请作进一步说明。
如图1所示，在一个实施例中，提供了基于卷积神经网络模型的矿山生态安全识别方法。该识别方法具体包括如下步骤S1至步骤S3。
S1，基于预定时间间隔对矿山进行图像和指标数据采集，构建训练样本集，其中在同一时刻分别采集矿山东西南北四个方向的图像和指标数据。
具体的，步骤S1还包括：
S11，在预定时刻分别采集矿山东西南北四个方向的图像。
矿山生态环境的状况可以利用植被覆盖范围、野生动物数量范围、矿区面积比例范围、水域范围等特征表征，在本申请该实施例中，可以利用拍照设备对矿山状况进行图像采集。另外，由于矿山覆盖面积较大，仅单方向进行图像采集会造成矿山状况表征不准确，造成后续评价准确率低，因此本申请分别从东西南北四个方向对矿山进行图像采集，在最大化覆盖矿山整体状态的同时减小图像采集数量，提高评价效率。
S12，在预定时刻采集矿山的各种指标数据。
进一步的，在本申请该实施例中，还对矿山的各种指标数据进行采集，包括空气指标范围、垃圾排放量范围、水污染程度等。相对于单一的通过图像采集或指标数据采集，本申请该实施例将图像采集和指标数据采集结合，能够完整的表征矿山生态状况，提高评价准确性。
S13，基于预定时间间隔，重复采集矿山东西南北四个方向的图像和指标数据。
由于后续卷积神经网络需要大量训练样本，在本申请该实施例中，利用预定时间间隔，分别在预定时刻采集矿山东西南北四个方向的图像和指标数据。
S14，对图像和指标数据进行预处理，构建训练样本集。
为了方便卷积神经网络运算处理，需要对采集的图像和指标数据进行预处理，其中预处理包括图像对齐、归一化、噪声去除等操作。
在步骤S1中，本申请分别采集矿山东西南北四个方向的图像和指标数据，构建训练样本集，能够完整表征矿山生态状况，提高评价准确性和评价效率。
S2，构建卷积神经网络模型，利用训练样本集对卷积神经网络模型进行训练。
具体的，如图2所示，步骤S2还包括：
S21，构建第一卷积神经网络模块、第二卷积神经网络模块、第三卷积神经网络模块、第四卷积神经网络模块。其中第一卷积神经网络模块、第二卷积神经网络模块、第三卷积神经网络模块、第四卷积神经网络模块结构相同。
第一卷积神经网络模块、第二卷积神经网络模块、第三卷积神经网络模块、第四卷积神经网络模块如图3所示，第一卷积子模块、第二卷积子模块、第三卷积子模块、第四卷积子模块和第五卷积子模块依次连接，第一卷积子模块的输出端和第五卷积子模块的输出端分别连接第一拼接子模块的两个输入端，第二卷积子模块的输出端和第四卷积子模块的输出端分别连接第二拼接子模块的两个输入端，第一拼接子模块的输出端连接第一池化子模块的输入端，第二拼接子模块的输出端连接第二池化子模块的输入端，第一池化子模块的输出端、第二池化子模块的输出端和第五卷积子模块的输出端分别连接全连接子模块的三个输入端，输出提取到的特征。
在第一卷积神经网络模块、第二卷积神经网络模块、第三卷积神经网络模块、第四卷积神经网络模块中，为了减少目标细节信息的丢失，增强网络对目标特征的提取能力，将第一卷积子模块和第五卷积子模块提取的特征进行拼接，将第二卷积子模块和第四卷积子模块提取的特征进行拼接，以丰富整个卷积神经网络模块的目标细节特征，增强网络对目标特征的提取能力。
其中，第一卷积子模块、第二卷积子模块、第三卷积子模块、第四卷积子模块和第五卷积子模块可以包括卷积层和池化层。
进一步的，在本申请另一实施例中，第三卷积子模块可以是多个。
S22，构建第五卷积神经网络模块。由于矿山的各种指标数据较少，可以仅采用一个卷积模块进行特征提取，提高特征提取效率。
S23，设置全连接模块和分类器，连接第一卷积神经网络模块、第二卷积神经网络模块、第三卷积神经网络模块、第四卷积神经网络模块、第五卷积神经网络模块，构建卷积神经网络模型。
S24，利用训练样本集对卷积神经网络模型进行训练，得到训练好的卷积神经网络模型。其中第一卷积神经网络模块、第二卷积神经网络模块、第三卷积神经网络模块、第四卷积神经网络模块、第五卷积神经网络模块分别处理东方图像、西方图像、南方图像、北方图像和指标数据。
步骤S3，使用训练好的卷积神经网络模型，对待评价的矿山进行分类，输出评价结果。
在本申请中，利用卷积神经网络模型，对矿山东西南北四个方向的图像和指标数据进行分类评价，能够完整提取矿山生态状况，整体评价，提高评价准确性和评价效率。
上述说明示出并描述了本申请的若干优选实施例，但如前所述，应当理解本申请并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本申请的精神和范围，则都应在本申请所附权利要求的保护范围内。

Claims (8)

1.基于卷积神经网络模型的矿山生态安全识别方法，其特征在于，包括步骤：
S1，基于预定时间间隔对矿山进行图像和指标数据采集，构建训练样本集，其中在同一时刻分别采集矿山东西南北四个方向的图像和指标数据；
S2，构建卷积神经网络模型，利用训练样本集对卷积神经网络模型进行训练；
S3，使用训练好的卷积神经网络模型，对待评价的矿山进行安全分类，输出评价结果；
步骤S1还包括：
S11，在预定时刻分别采集矿山东西南北四个方向的图像；
S12，在预定时刻采集矿山的各种指标数据；
S13，基于预定时间间隔，重复采集矿山东西南北四个方向的图像和指标数据；
S14，对图像和指标数据进行预处理，构建训练样本集；
步骤S2还包括：
S21，构建第一卷积神经网络模块、第二卷积神经网络模块、第三卷积神经网络模块、第四卷积神经网络模块；
S22，构建第五卷积神经网络模块；
S23，设置全连接模块和分类器，连接第一卷积神经网络模块、第二卷积神经网络模块、第三卷积神经网络模块、第四卷积神经网络模块、第五卷积神经网络模块，构建卷积神经网络模型；
S24，利用训练样本集对卷积神经网络模型进行训练，得到训练好的卷积神经网络模型。
2.根据权利要求1所述的基于卷积神经网络模型的矿山生态安全识别方法，其特征在于，指标数据包括空气指标范围、垃圾排放量范围、水污染程度。
3.根据权利要求2所述的基于卷积神经网络模型的矿山生态安全识别方法，其特征在于，预处理包括图像对齐、归一化、噪声去除操作。
4.根据权利要求1所述的基于卷积神经网络模型的矿山生态安全识别方法，其特征在于，第一卷积神经网络模块、第二卷积神经网络模块、第三卷积神经网络模块、第四卷积神经网络模块、第五卷积神经网络模块分别处理东方图像、西方图像、南方图像、北方图像和指标数据。
5.根据权利要求4所述的基于卷积神经网络模型的矿山生态安全识别方法，其特征在于，第一卷积神经网络模块、第二卷积神经网络模块、第三卷积神经网络模块、第四卷积神经网络模块结构相同。
6.根据权利要求5所述的基于卷积神经网络模型的矿山生态安全识别方法，其特征在于，在第一卷积神经网络模块、第二卷积神经网络模块、第三卷积神经网络模块、第四卷积神经网络模块中，第一卷积子模块、第二卷积子模块、第三卷积子模块、第四卷积子模块和第五卷积子模块依次连接，第一卷积子模块的输出端和第五卷积子模块的输出端分别连接第一拼接子模块的两个输入端，第二卷积子模块的输出端和第四卷积子模块的输出端分别连接第二拼接子模块的两个输入端，第一拼接子模块的输出端连接第一池化子模块的输入端，第二拼接子模块的输出端连接第二池化子模块的输入端，第一池化子模块的输出端、第二池化子模块的输出端和第五卷积子模块的输出端分别连接全连接子模块的三个输入端，输出提取到的特征。
7.根据权利要求6所述的基于卷积神经网络模型的矿山生态安全识别方法，其特征在于，第一卷积子模块、第二卷积子模块、第三卷积子模块、第四卷积子模块和第五卷积子模块包括卷积层和池化层。
8.根据权利要求7所述的基于卷积神经网络模型的矿山生态安全识别方法，其特征在于，第五卷积神经网络模块仅采用一个卷积模块。
CN202211154600.4A 2022-09-22 2022-09-22 基于卷积神经网络模型的矿山生态安全识别方法 Active CN115249331B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211154600.4A CN115249331B (zh) 2022-09-22 2022-09-22 基于卷积神经网络模型的矿山生态安全识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211154600.4A CN115249331B (zh) 2022-09-22 2022-09-22 基于卷积神经网络模型的矿山生态安全识别方法

Publications (2)

Publication Number Publication Date
CN115249331A true CN115249331A (zh) 2022-10-28
CN115249331B CN115249331B (zh) 2022-12-20

Family

ID=83699754

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211154600.4A Active CN115249331B (zh) 2022-09-22 2022-09-22 基于卷积神经网络模型的矿山生态安全识别方法

Country Status (1)

Country Link
CN (1) CN115249331B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115830451A (zh) * 2022-12-02 2023-03-21 上海理工大学 一种基于卷积神经网络的智慧城市建设水平识别方法
CN116629134A (zh) * 2023-06-01 2023-08-22 中国地质科学院矿产资源研究所 一种三稀矿产开发区域的环境影响预测方法及装置
CN117635219A (zh) * 2024-01-26 2024-03-01 长春黄金设计院有限公司 金属矿山生产大数据智能分析系统及方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109740656A (zh) * 2018-12-26 2019-05-10 华侨大学 一种基于卷积神经网络的矿石分选方法
CN110765566A (zh) * 2019-08-21 2020-02-07 中国矿业大学 一种矿业城市生态安全空间格局模型构建方法
CN111742329A (zh) * 2020-05-15 2020-10-02 安徽中科智能感知产业技术研究院有限责任公司 一种基于多源遥感数据融合和深度神经网络的矿山开采典型地物动态监测方法及平台
CN112859710A (zh) * 2021-02-04 2021-05-28 南京渐起网络科技有限公司 基于人工智能和物联网的矿山地质安全在线实时监测预警云平台
CN113362575A (zh) * 2021-06-07 2021-09-07 中国地质大学（北京） 一种基于人工智能的矿山环境智能监测系统
CN113369295A (zh) * 2021-06-08 2021-09-10 姜云保 一种土壤生态修复系统
CN113378685A (zh) * 2021-06-07 2021-09-10 中国地质大学（北京） 用于矿山修复治理效果评估的人工智能检测系统及方法
CN114494224A (zh) * 2022-02-10 2022-05-13 国家地质实验测试中心 矿山环境监测方法、装置及系统
CN114723131A (zh) * 2022-04-02 2022-07-08 中国地质大学（北京） 一种基于人工智能的矿山环境智能预测系统
CN114997602A (zh) * 2022-05-16 2022-09-02 中煤(安徽)地质环保科技有限公司 一种矿山植被生态效益评估指标计算方法、系统及电子设备

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109740656A (zh) * 2018-12-26 2019-05-10 华侨大学 一种基于卷积神经网络的矿石分选方法
CN110765566A (zh) * 2019-08-21 2020-02-07 中国矿业大学 一种矿业城市生态安全空间格局模型构建方法
CN111742329A (zh) * 2020-05-15 2020-10-02 安徽中科智能感知产业技术研究院有限责任公司 一种基于多源遥感数据融合和深度神经网络的矿山开采典型地物动态监测方法及平台
CN112859710A (zh) * 2021-02-04 2021-05-28 南京渐起网络科技有限公司 基于人工智能和物联网的矿山地质安全在线实时监测预警云平台
CN113362575A (zh) * 2021-06-07 2021-09-07 中国地质大学（北京） 一种基于人工智能的矿山环境智能监测系统
CN113378685A (zh) * 2021-06-07 2021-09-10 中国地质大学（北京） 用于矿山修复治理效果评估的人工智能检测系统及方法
CN113369295A (zh) * 2021-06-08 2021-09-10 姜云保 一种土壤生态修复系统
CN114494224A (zh) * 2022-02-10 2022-05-13 国家地质实验测试中心 矿山环境监测方法、装置及系统
CN114723131A (zh) * 2022-04-02 2022-07-08 中国地质大学（北京） 一种基于人工智能的矿山环境智能预测系统
CN114997602A (zh) * 2022-05-16 2022-09-02 中煤(安徽)地质环保科技有限公司 一种矿山植被生态效益评估指标计算方法、系统及电子设备

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
YANQING LIANG: "research on ecological security prediction in mountain areas based on the artificial neural network", 《2010 SECOND INTERNATIONAL CONFERENCE ON COMPUTATIONAL INTELLIGENCE AND NATURAL COMPUTING》 *
ZHAO TIANLI: "Evaluation of ecological security and influencing factors analysis based on robustness analysis and the BP-DEMALTE model: A case study of the Pearl River Delta urban agglomeration", 《ECOLOGICAL INDICATORS》 *
赵文江: "BP神经网络在矿山生态安全评价中的应用", 《煤炭技术》 *
齐朔风: "矿山生态安全的BP神经网络评价方法与应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115830451A (zh) * 2022-12-02 2023-03-21 上海理工大学 一种基于卷积神经网络的智慧城市建设水平识别方法
CN115830451B (zh) * 2022-12-02 2023-11-03 上海理工大学 一种基于卷积神经网络的智慧城市建设水平识别方法
CN116629134A (zh) * 2023-06-01 2023-08-22 中国地质科学院矿产资源研究所 一种三稀矿产开发区域的环境影响预测方法及装置
CN116629134B (zh) * 2023-06-01 2023-10-27 中国地质科学院矿产资源研究所 一种三稀矿产开发区域的环境影响预测方法及装置
CN117635219A (zh) * 2024-01-26 2024-03-01 长春黄金设计院有限公司 金属矿山生产大数据智能分析系统及方法
CN117635219B (zh) * 2024-01-26 2024-04-26 长春黄金设计院有限公司 金属矿山生产大数据智能分析系统及方法

Also Published As

Publication number Publication date
CN115249331B (zh) 2022-12-20

Similar Documents

Publication Publication Date Title
CN115249331B (zh) 基于卷积神经网络模型的矿山生态安全识别方法
CN110674861B (zh) 一种输变电巡检图像智能分析方法及装置
CN110458201B (zh) 一种遥感影像面向对象分类方法及分类装置
CN110533103B (zh) 一种轻量级小物体目标检测方法及系统
CN102915432A (zh) 一种车载微机图像视频数据提取方法及装置
CN116546023B (zh) 一种油气作业区暴力行为识别方法及系统
CN111091110A (zh) 一种基于人工智能的反光背心穿戴识别方法
CN115830533A (zh) 基于K-means聚类改进YOLOv5算法的安全帽佩戴检测方法
CN115620178A (zh) 一种用于无人机的电网异常危险行为的实时检测方法
CN116563645A (zh) 联合迭代剪枝和知识蒸馏的面向目标检测的模型压缩方法
Katrojwar et al. Design of Image based Analysis and Classification using Unmanned Aerial Vehicle
CN117726991A (zh) 一种高空吊篮安全带检测方法及终端
Reyes et al. Safety gear compliance detection using data augmentation-assisted transfer learning in construction work environment
CN116844224A (zh) 课堂行为检测模型训练方法、课堂行为检测方法及系统
CN115082797A (zh) 一种大田环境下早期小麦赤霉病监测预警方法及系统
CN103853933A (zh) 面向Android数字取证的用户行为分析方法及系统
CN113392770A (zh) 变电站作业人员典型违章行为检测方法及系统
CN111683222B (zh) 一种用于单兵安全帽的临时围栏检测方法
CN117094477B (zh) 一种稀土矿开采过程中环境评价方法及系统
CN111985497B (zh) 架空输电线路下吊车作业识别方法及系统
CN110414436B (zh) 一种机场天气视频辅助观测系统
WO2024139631A1 (zh) 一种基于神经网络的无人机目标检测方法
CN117095317A (zh) 一种无人机三维影像实体识别与时间定位方法
CN115795365A (zh) 一种关联分析的水环境分析方法及系统
CN116824257A (zh) 一种生态环保类案件的证据要素识别方法及相关设备

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