CN115792949B - 一种适用于矿井巷道的形变监测方法及系统 - Google Patents
一种适用于矿井巷道的形变监测方法及系统 Download PDFInfo
- Publication number
- CN115792949B CN115792949B CN202310092314.8A CN202310092314A CN115792949B CN 115792949 B CN115792949 B CN 115792949B CN 202310092314 A CN202310092314 A CN 202310092314A CN 115792949 B CN115792949 B CN 115792949B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- dimensional point
- roadway
- wall area
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 66
- 238000012549 training Methods 0.000 claims description 32
- 238000012423 maintenance Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000000737 periodic effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012790 confirmation Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 description 15
- 238000003860 storage Methods 0.000 description 7
- 238000005065 mining Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 230000005641 tunneling Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明属于巷道形变监测技术领域,提供了一种适用于矿井巷道的形变监测方法及系统。所述方法包括:基于架设于液压支架上的激光雷达对巷道壁区域进行扫描,以获取与该巷道壁区域相应的一批三维点云数据;将与该批三维点云数据相应的各所述第一标准值、所述第二标准值及所述第三标准值输入3D卷积神经网络模型,以获取相应的时间特征及空间特征,并计算输出相应的形变监测结果;基于所述形变监测结果判断所述巷道壁区域是否发生形变。所述系统基于所述方法搭建。本发明采用基于移动的液压支架上激光雷达获取三维点云数据,并将其与3D卷积神经网络相结合的方式不但降低巷道形变监测的难度及复杂度,还提高了结果获取的准确性及时效性。
Description
技术领域
本发明涉及巷道形变监测技术领域,具体涉及一种适用于矿井巷道的形变监测方法及系统。
背景技术
对于矿下开采而言,各类交错分布连通的巷道构成了矿井下的作业空间。但巷道壁由于受到周围复杂地质结构不稳定的挤压作用影响,常常存在巷道形变情况;进而增加了矿下开采中发生塌陷及透水等安全隐患的风险。
因此,对巷道形变进行有效监测以便及时采取相应的应对措施对于保障矿下开采的安全性具有重要意义。目前,进行巷道形变监测主要通过如下方法进行:首先,在巷道内选择合适的监测点位,并在各监测点位部署相应的位移传感器;然后,所述位移传感器将以各巷道壁为探测目标以获取其相较于巷道壁的相对位置数据;最终,对比位移传感器实时采集的实际相对位置数据与标准相对位置数据是否一致以判断是否发生巷道形变。
但上述基于位移传感器进行巷道形变监测的方法在实际应用时仍存在以下缺陷:一方面,在矿下资源的开采过程中,巷道也处于不断掘进中;因此需要不断的寻找新的监测点位并部署新的位移传感器,从而增加了采用该方式进行形变监测的复杂度及难度。另一方面,基于位移传感器的监测方式为有限点位的有限点监测,而巷道为三维立体空间;因此只能对巷道结构中有限的局部区域进行监测,且受监测点位的合理性影响,还不可避免的存在监测盲点,无法及时获取巷道形变情况。
发明内容
本发明目的在于提供一种适用于矿井巷道的形变监测方法及系统,以改善现有的巷道形变监测中监测过程复杂度高、难度大,且监测结果准确性低的技术问题。
为达成上述目的,本发明提出如下技术方案:
一种适用于矿井巷道的形变监测方法,包括:
基于架设于液压支架上的激光雷达对巷道壁区域进行扫描,以获取与该巷道壁区域相应的一批三维点云数据;
分别计算与所有三维点云数据的X轴坐标值相应的第一标准值,Y轴坐标值相应的第二标准值,Z轴坐标值相应的第三标准值;
分别计算与所有三维点云数据的X轴坐标值相应的第一标准值,Y轴坐标值相应的第二标准值,Z轴坐标值相应的第三标准值;
将与该批三维点云数据相应的各所述第一标准值、所述第二标准值及所述第三标准值输入3D卷积神经网络模型,以获取相应的时间特征及空间特征,并计算输出相应的形变监测结果;其中,所述3D卷积神经网络模型由若干批历史三维点云数据训练得到,所述时间特征为巷道形状在时间维度的特征,所述空间特征为巷道形状在空间结构中的特征;
基于所述形变监测结果判断所述巷道壁区域是否发生形变。
进一步的,所述基于所述形变监测结果判断所述巷道壁区域是否发生形变之后,包括:
若判断所述巷道壁区域未发生形变,则删除该批三维点云数据;
反之,则基于该批三维点云数据生成与所述巷道壁区域相应的三维模型并存储;并发送预警信息至控制端显示界面;其中,所述三维模型关联展示任一位置的各轴坐标值。
进一步的,包括:
基于反馈信息触发激光雷达对形变巷道壁区域进行即时扫描;其中,所述反馈信息用于确认已对形变巷道壁区域进行维护;
基于即时扫描获取的三维点云数据及所述3D卷积神经网络模型确认维护后的形变巷道壁区域的当前状态;
若维护后的形变巷道壁区域的当前状态仍为形变状态,则重新发送预警信息并执行后续步骤直至维护后的形变巷道壁区域的最新状态为未形变状态。
进一步的,所述基于架设于液压支架上的激光雷达对巷道壁区域进行扫描,包括:
判断巷道壁区域未发生过形变时,基于激光雷达对该巷道壁区域按第一频率R进行周期扫描;
反之,则获取巷道维护时支撑结构的调整量L,并基于激光雷达对该巷道壁区域按第二频率R’=R+
f(L)进行周期扫描;其中,
f(L)为由调整量L决定的频率增量;若相应的巷道发生过若干次形变,则
f(L)还与巷道壁维护完成至再次发生形变的历史时间间隔呈正相关关系。
进一步的,所述3D卷积神经网络模型由若干批历史三维点云数据训练得到,包括:
获取若干批历史三维点云数据以构成训练集及测试集;
基于所述训练集对初始3D卷积神经网络模型进行训练,并基于测试集对训练后的初始3D卷积神经网络模型进行验证;
重复执行上述步骤以对所述初始3D卷积神经网络模型进行迭代训练直至巷道形变判断的准确率大于预设阈值,进而得到所述3D卷积神经网络模型。
一种适用于矿井巷道的形变监测系统,包括:
数据获取模块,用于基于架设于液压支架上的激光雷达对巷道壁区域进行扫描,以获取与该巷道壁区域相应的一批三维点云数据;
第一预处理模块,用于分别计算与所有三维点云数据的X轴坐标值相应的第一基准值,Y轴坐标值相应的第二基准值,Z轴坐标值相应的第三基准值;其中,
N为三维点云数据的个数,xi为第i个三维点云数据的X轴坐标值,
μ 1为所有三维点云数据中X轴坐标值的数字平均值,yi为第i个三维点云数据的Y轴坐标值,
μ 2为所有三维点云数据中Y轴坐标值的数字平均值,zi为第i个三维点云数据的Z轴坐标值,
μ 3为所有三维点云数据中Z轴坐标值的数字平均值;
第二预处理模块,用于分别计算与所有三维点云数据的X轴坐标值相应的第一标准值,Y轴坐标值相应的第二标准值,Z轴坐标值相应的第三标准值;
模型判断模块,用于将与该批三维点云数据相应的各所述第一标准值、所述第二标准值及所述第三标准值输入3D卷积神经网络模型,以获取相应的时间特征及空间特征,并计算输出相应的形变监测结果;其中,所述3D卷积神经网络模型由若干批历史三维点云数据训练得到,所述时间特征为巷道形状在时间维度的特征,所述空间特征为巷道形状在空间结构中的特征;
形变确认模块,用于基于所述形变监测结果判断所述巷道壁区域是否发生形变。
进一步的,包括:
判断模块,用于判断所述巷道壁区域未发生形变时,删除该批三维点云数据;
反之,则基于该批三维点云数据生成与所述巷道壁区域相应的三维模型并存储;并发送预警信息至控制端显示界面;其中,所述三维模型关联展示任一位置的各轴坐标值。
进一步的,包括:
即时扫描模块,用于基于反馈信息触发激光雷达对形变巷道壁区域进行即时扫描;其中,所述反馈信息用于确认已对形变巷道壁区域进行维护;
维护确认模块,用于基于即时扫描获取的三维点云数据及所述3D卷积神经网络模型确认维护后的形变巷道壁区域的当前状态;
第一循环模块,用于在维护后的形变巷道壁区域仍为形变状态时,则重新发送预警信息并循环调用判断模块、即时扫描模块及维护确认模块直至维护后的形变巷道壁区域为未形变状态。
进一步的,所述数据获取模块包括:
判断单元,用于判断巷道壁区域未发生过形变时,基于激光雷达对该巷道壁区域按第一频率R进行周期扫描;
反之,则获取巷道维护时支撑结构的调整量L,并基于激光雷达对该巷道壁区域按第二频率R’=R+
f(L)进行周期扫描;其中,
f(L)为由调整量L决定的频率增量;若相应的巷道发生过若干次形变,则
f(L)还与巷道壁维护完成至再次发生形变的历史时间间隔呈正相关关系。
进一步的,包括:
样本获取模块,用于获取若干批历史三维点云数据以构成训练集及测试集;
模型训练模块,用于基于所述训练集对初始3D卷积神经网络模型进行训练,并基于测试集对训练后的初始3D卷积神经网络模型进行验证;
第二循环模块,用于重复调用所述样本获取模块及所述模型训练模块以对所述初始3D卷积神经网络模型进行迭代训练直至巷道形变判断的准确率大于预设阈值,进而得到所述3D卷积神经网络模型。
有益效果:
由以上技术方案可知,本发明的技术方案提供了一种适用于矿井巷道的形变监测方法以改善当前进行巷道形变监测时存在的由位移传感器部署造成的监测复杂度高、难度大,且由位移传感器点监测本身造成的监测准确性低的技术缺陷。
从巷道内形变监测最终目的是避免矿井下安全隐患而言,第一要义是提高监测的准确性。而考虑到位移传感器的点监测形式与巷道三维结构间的空间差异,需要将有限点监测转变为三维空间监测。因此首先引入了激光雷达进行数据获取,由于激光雷达是扫描式数据获取方式,进而获取的海量三维点云数据则可完整的表征巷道结构。且为了克服由巷道掘进造成的激光雷达重复更新部署的问题,本技术方案将激光雷达部署于随矿下开采推进一起移动的液压支架上,且在激光雷达具体部署时也只需调整其扫描区域以覆盖目标巷道壁区域即可。进而与基于位移传感器监测时不断更新部署,并寻找准确部署点位相比,有效降低了巷道形变监测的复杂度及难度。
其次,需要基于该海量三维点云数据获取巷道形变信息。为了提高巷道形变信息获取的及时性及准确性,发明人考虑到当维护人员获取到巷道形变时还需进行实地确认维护;而三维点云数据本身即携带与“实地”相应的位置信息,因此只需再获取巷道形变的定性信息即可,即只需基于该三维点云数据获取是否发生形变。基于此,继续引入了用于处理三维数据的3D卷积神经网络模型,此时只需对该批次的海量三维点云数据进行特征提取并输入至该3D卷积神经网络模型即可快速准确确认与之相应的巷道壁是否发生形变。同时为了提高该3D卷积神经网络模型的鲁棒性,还对所述海量三维点云数据进行了标准化预处理以进一步提高输出结果的准确性。
由上述分析可见,本技术方案采用通过部署于液压支架上的激光雷达获取三维点云数据,并将其与3D卷积神经网络相结合的方式,降低了形变监测过程中复杂度及难度,还提高了形变监测结果的及时性及可靠性。
应当理解,前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见,或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中,在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见,在每个图中,并非每个组成部分均被标记。现在,将通过例子并参考附图来描述本发明的各个方面的实施例,其中:
图1 为本实施例所述的适用于矿井巷道的形变监测方法的流程图;
图2 为进行激光雷达扫描频率设置的流程图;
图3 为本实施例中3D卷积神经网络的结构图;
图4 为数据预处理流程图;
图5 为3D卷积神经网络模型获取的流程图;
图6 为基于模型判断结果进行后续处理的流程图;
图7 为在图6的基础上进行维护结果确认的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例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发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需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。除非另作定义,此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。同样, 除非上下文清楚地指明其它情况,否则单数形式的“一个”“一”或者“该”等类似词语也不表示数量限制,而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的特征、整体、步骤、操作、元素和/或组件, 并不排除一个或多个其它特征、整体、步骤、 操作、元素、组件和/或其集合的存在或添加。“上”“下”“左”“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
现有技术中对巷道形变进行监测多通过部署位移传感器进行。但由于需要随着巷道掘进同步进行位移传感器部署更新,进而导致巷道形变监测的复杂度及难度均较大。还受位移传感器的部署点位影响,及位移传感器的有限点监测与巷道三维结构间的不匹配影响,导致巷道形变监测的准确性较低。同时实际值与标准值对比判断的方式也导致巷道形变监测存在时效性缺陷。基于此,本实施例旨在提供一种适用于矿井巷道的形变监测方法,以同时改善现有巷道形变监测存在的上述各类缺陷。
下面结合附图所示,对本实施例所述的适用于矿井巷道的形变监测方法作具体介绍。
如图1所示,所述方法包括:
步骤S102、基于架设于液压支架上的激光雷达对巷道壁区域进行扫描,以获取与该巷道壁区域相应的一批三维点云数据。
本实施例中,由于所述三维点云数据通过激光雷达扫描式获取,因此其可完备的表征巷道壁区域的三维结构;实现了监测数据与巷道结构的统一。同时,由于将所述激光雷达架设于液压支架上,因此随着开采掘进,激光雷达将随着液压支架的移动同步移动,避免了激光雷达的重复部署。
作为一种具体的实施方式,设置所有激光雷达的扫描区域之和有效覆盖至待监测的整体巷道壁。优选的,在进行激光雷达部署时,以使所有激光雷达的扫描区域之和覆盖至待监测的整体巷道壁,同时使相邻激光雷达的扫描区域无重叠为目标;进而在减少激光雷达数目的同时,还有利于降低后续监测的重复性,提高监测有效性。
本实施例中,具体通过所述激光雷达对巷道壁区域进行周期性扫描。而在实践中发现,发生过形变的巷道往往具有更高的形变风险。因此作为一种具体的实施方式,如图2所示,通过如下方式进行巷道壁区域扫描:
步骤S102.2、判断巷道壁区域未发生过形变时,基于激光雷达对该巷道壁区域按第一频率R进行周期扫描;反之,则获取巷道维护时支撑结构的调整量L,并基于激光雷达对该巷道壁区域按第二频率R’=R+
f(L)进行周期扫描。
其中,
f(L)为由调整量L决定的频率增量;若相应的巷道发生过若干次形变,则
f(L)还与巷道壁维护完成至再次发生形变的历史时间间隔呈正相关关系。
步骤S104、将该批三维点云数据输入3D卷积神经网络模型,以获取相应的时间特征及空间特征,并计算输出相应的形变监测结果。
其中,所述时间特征为巷道形状在时间维度的特征,所述空间特征为巷道形状在空间结构中的特征。具体的,所述空间特征包括巷道的表面纹理、尺寸等。
具体的,如图3所示,3D卷积神经网络模型首先使用32个卷积核对输入数据进行特征提取,得到维度为(32,10,64,4096)的特征向量,在接下来几层网络中继续采用3D卷积和下采样操作进行特征提取,即分别采用64、128、256和512个卷积核提取特征,直至特征向量维度变化为(512,2,4,256),随后使用上采样和特征层连接concatenate操作逐渐将特征向量恢复至维度(32,10,64,4096)。至此,经过多层卷积神经网络的特征提取,巷道三维点云的时间和空间特征信息均得到了充分表征。
由此可见,本实施例设计的网络结构中,先使用多次下采样操作对三维点云数据特征进行压缩,保留关键特征信息,同时也达到降低运算量和减少过拟合的效果。使用上采样和特征层连接操作则可以实现多尺度特征融合,从而提升了后续3D卷积神经网络模型检测的精确度。
为了提高3D卷积神经网络模型计算时的稳定性,作为一种可以选择的实施方式,如图4所示,对三维点云数据进行如下处理后再输入至所述3D卷积神经网络模型。
步骤S103.2、分别计算与所有三维点云数据的X轴坐标值相应的第一基准值,Y轴坐标值相应的第二基准值,Z轴坐标值相应的第三基准值。
其中,
N为三维点云数据的个数,xi为第i个三维点云数据的X轴坐标值,
μ 1为所有三维点云数据中X轴坐标值的数字平均值,yi为第i个三维点云数据的Y轴坐标值,
μ 2为所有三维点云数据中Y轴坐标值的数字平均值,zi为第i个三维点云数据的Z轴坐标值,
μ 3为所有三维点云数据中Z轴坐标值的数字平均值。
步骤S103.4、分别计算与所有三维点云数据的X轴坐标值相应的第一标准值,Y轴坐标值相应的第二标准值,Z轴坐标值相应的第三标准值。
此时,由于步骤S103.2~步骤S103.4对三维点云数据进行了标准化处理,因此以其作为输入量时可有效降低对3D卷积神经网络模型计算造成的震荡,提高输出结果的准确性。
本实施例中,所述3D卷积神经网络模型由若干批历史三维点云数据训练得到。作为一种具体的实施方式,如图5所示,通过如下迭代训练获得所述3D卷积神经网络模型。
步骤S202、获取若干批历史三维点云数据以构成训练集及测试集。
作为一种优选的实施方式,所述历史三维点云数据也由步骤S103.2~步骤S103.4相应的方法进行了预处理。
步骤S204、基于所述训练集对初始3D卷积神经网络模型进行训练,并基于测试集对训练后的初始3D卷积神经网络模型进行验证。
步骤S206、重复执行上述步骤以对所述初始3D卷积神经网络模型进行迭代训练直至巷道形变判断的准确率大于预设阈值,进而得到所述3D卷积神经网络模型。
步骤S106、基于所述形变监测结果判断所述巷道壁区域是否发生形变。
此时,基于步骤S102~步骤106则可快速准确的获取巷道壁是否发现形变的定性结果。作为一种可以选择的实施方式,如图6所示,在获取巷道壁形变情况后还进行后续处理以提高所述监测方法的实用性。
步骤S108、若判断所述巷道壁区域未发生形变,则删除该批三维点云数据;反之,则基于该批三维点云数据生成与所述巷道壁区域相应的三维模型并存储;并发送预警信息至控制端显示界面。
本实施例中,所述三维模型关联展示任一位置的各轴坐标值。作为一种具体的实施方式,当将鼠标放置于三维模型的任一位置时,可显示出该位置与实际巷道位置相一致的坐标值。
基于此,由于删除了与正常巷道结构相应的三维点云数据,因此有利于降低存储损耗,提高3D卷积神经网络模型的计算速率。同时,由于基于与形变巷道相应的三维点云数据生成了三维模型,因此在进行异常排查时,可基于所述三维模型对形变情况进行直观反映;提高异常排除效率。
如图7所示,为了确认形变巷道的处理结果以进一步避免安全隐患,在步骤S108的基础上,还包括如下步骤:
步骤S110.2、基于反馈信息触发激光雷达对形变巷道壁区域进行即时扫描。
其中,所述反馈信息用于确认已对形变巷道壁区域进行维护。
步骤S110.4、基于即时扫描获取的三维点云数据及所述3D卷积神经网络模型确认维护后的形变巷道壁区域状态。
步骤S112.6、若维护后的形变巷道壁区域的当前状态仍为形变状态,则重新发送预警信息并执行后续步骤直至维护后的形变巷道壁区域的最新状态为未形变状态。
此时基于步骤S110.2~步骤S110.6即可保证形变后的巷道壁经处理后已恢复为正常状态。
由上述可见,本实施例提供了一种新的矿井巷道的形变监测方法,其将三维点云数据与3D卷积神经网络相结合进行巷道形变的定性判断,并结合相应的数据预处理方式,提高了形变监测的准确性及时效性。同时,将获取三维点云数据的激光雷达部署于液压支架上,进而降低了形变监测过程的难度及复杂度。
还考虑到巷道形变的几率问题,对三维点云数据的获取频率进行了区别化设置。并考虑到形变监测的最终目的在于降低安全隐患,因此还设置了一系列后续处理方式以确保形变的巷道经维护已恢复至正常状态。从而从总体上提高了所述形变监测方法的合理性及实用性。
上述程序可以运行在处理器中,或者也可以存储在存储器中(或称为计算机可读存储介质),计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存 (PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器(ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器 (CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体,如调制的数据信号和载波。
这些计算机程序也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤,对应与不同的步骤可以通过不同的模块来实现。
本实施例还提供了一种适用于矿井巷道的形变监测系统。所述系统包括:
数据获取模块,用于基于架设于液压支架上的激光雷达对巷道壁区域进行扫描,以获取与该巷道壁区域相应的一批三维点云数据。
第一预处理模块,用于分别计算与所有三维点云数据的X轴坐标值相应的第一基准值,Y轴坐标值相应的第二基准值,Z轴坐标值相应的第三基准值;其中,
N为三维点云数据的个数,xi为第i个三维点云数据的X轴坐标值,
μ 1为所有三维点云数据中X轴坐标值的数字平均值,yi为第i个三维点云数据的Y轴坐标值,
μ 2为所有三维点云数据中Y轴坐标值的数字平均值,zi为第i个三维点云数据的Z轴坐标值,
μ 3为所有三维点云数据中Z轴坐标值的数字平均值。
第二预处理模块,用于分别计算与所有三维点云数据的X轴坐标值相应的第一标准值,Y轴坐标值相应的第二标准值,Z轴坐标值相应的第三标准值。
模型判断模块,用于将与该批三维点云数据相应的各所述第一标准值、所述第二标准值及所述第三标准值输入3D卷积神经网络模型,以获取相应的时间特征及空间特征,并计算输出相应的形变监测结果;其中,所述3D卷积神经网络模型由若干批历史三维点云数据训练得到,所述时间特征为巷道形状在时间维度的特征,所述空间特征为巷道形状在空间结构中的特征。
形变确认模块,用于基于所述形变监测结果判断所述巷道壁区域是否发生形变。
所述系统用于实现上述方法的步骤,因此已经进行说明的,在此不再赘述。
例如,可以选择的,为了提高对巷道监控的有效性,还设置所述数据获取模块包括:
判断单元,用于判断巷道壁区域未发生过形变时,基于激光雷达对该巷道壁区域按第一频率R进行周期扫描;
反之,则获取巷道维护时支撑结构的调整量L,并基于激光雷达对该巷道壁区域按第二频率R’=R+
f(L)进行周期扫描;其中,
f(L)为由调整量L决定的频率增量;若相应的巷道发生过若干次形变,则
f(L)还与巷道壁维护完成至再次发生形变的历史时间间隔呈正相关关系。
再例如,为了对形变结果进行有效处理,所述系统包括:
判断模块,用于判断所述巷道壁区域未发生形变时,删除该批三维点云数据;
反之,则基于该批三维点云数据生成与所述巷道壁区域相应的三维模型并存储;并发送预警信息至控制端显示界面;其中,所述三维模型关联展示任一位置的各轴坐标值。
进一步优选的,所述系统在判断模块的基础上还包括:
即时扫描模块,用于基于反馈信息触发激光雷达对形变巷道壁区域进行即时扫描;其中,所述反馈信息用于确认已对形变巷道壁区域进行维护。
维护确认模块,用于基于即时扫描获取的三维点云数据及所述3D卷积神经网络模型确认维护后的形变巷道壁区域的当前状态。
第一循环模块,用于在维护后的形变巷道壁区域仍为形变状态时,则重新发送预警信息并循环调用判断模块、即时扫描模块及维护确认模块直至维护后的形变巷道壁区域为未形变状态。
再例如,为了获取所述3D卷积神经网络模型,所述系统还包括:
样本获取模块,用于获取若干批历史三维点云数据以构成训练集及测试集。
模型训练模块,用于基于所述训练集对初始3D卷积神经网络模型进行训练,并基于测试集对训练后的初始3D卷积神经网络模型进行验证。
第二循环模块,用于重复调用所述样本获取模块及所述模型训练模块以对所述初始3D卷积神经网络模型进行迭代训练直至巷道形变判断的准确率大于预设阈值,进而得到所述3D卷积神经网络模型。
由于所述系统基于所述方法搭建,因此在实际使用时,也具有降低监测过程复杂度及难度,并提高监测结果准确度的优势。同时,相应的激光雷达扫描频率设置模块及后处理模块也提高了整个系统进行形变监测时的合理性及完整性。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (10)
1.一种适用于矿井巷道的形变监测方法,其特征在于,包括:
基于架设于液压支架上的激光雷达对巷道壁区域进行扫描,以获取与该巷道壁区域相应的一批三维点云数据;其中,所述激光雷达为若干个,所述三维点云数据用于完备表征所述巷道壁区域的三维结构以实现对巷道壁区域的三维空间监测;
分别计算与所有三维点云数据的X轴坐标值相应的第一基准值,Y轴坐标值相应的第二基准值,Z轴坐标值相应的第三基准值;其中,N为三维点云数据的个数,xi为第i个三维点云数据的X轴坐标值,μ 1为所有三维点云数据中X轴坐标值的数字平均值,yi为第i个三维点云数据的Y轴坐标值,μ 2为所有三维点云数据中Y轴坐标值的数字平均值,zi为第i个三维点云数据的Z轴坐标值,μ 3为所有三维点云数据中Z轴坐标值的数字平均值;
分别计算与所有三维点云数据的X轴坐标值相应的第一标准值,Y轴坐标值相应的第二标准值,Z轴坐标值相应的第三标准值;
将与该批三维点云数据相应的各所述第一标准值、所述第二标准值及所述第三标准值输入3D卷积神经网络模型,以获取相应的时间特征及空间特征,并计算输出相应的形变监测结果;其中,所述3D卷积神经网络模型由若干批历史三维点云数据训练得到,所述时间特征为巷道形状在时间维度的特征,所述空间特征为巷道形状在空间结构中的特征;在所述3D卷积神经网络模型处理过程中,首先使用多次下采样操作对三维点云数据特征进行压缩以保留关键特征信息,并降低运算量、减少过拟合;然后使用上采样和特征层连接操作进行多尺度特征融合以提升所述3D卷积神经网络模型的检测精确度;
基于所述形变监测结果判断所述巷道壁区域是否发生形变。
2.根据权利要求1所述的适用于矿井巷道的形变监测方法,其特征在于,所述基于所述形变监测结果判断所述巷道壁区域是否发生形变之后,包括:
若判断所述巷道壁区域未发生形变,则删除该批三维点云数据;
反之,则基于该批三维点云数据生成与所述巷道壁区域相应的三维模型并存储;并发送预警信息至控制端显示界面;其中,所述三维模型关联展示任一位置的各轴坐标值。
3.根据权利要求2所述的适用于矿井巷道的形变监测方法,其特征在于,包括:
基于反馈信息触发激光雷达对形变巷道壁区域进行即时扫描;其中,所述反馈信息用于确认已对形变巷道壁区域进行维护;
基于即时扫描获取的三维点云数据及所述3D卷积神经网络模型确认维护后的形变巷道壁区域的当前状态;
若维护后的形变巷道壁区域的当前状态仍为形变状态,则重新发送预警信息并执行后续步骤直至维护后的形变巷道壁区域的最新状态为未形变状态。
4.根据权利要求1所述的适用于矿井巷道的形变监测方法,其特征在于,所述基于架设于液压支架上的激光雷达对巷道壁区域进行扫描,包括:
判断巷道壁区域未发生过形变时,基于激光雷达对该巷道壁区域按第一频率R进行周期扫描;
反之,则获取巷道维护时支撑结构的调整量L,并基于激光雷达对该巷道壁区域按第二频率R’=R+f(L)进行周期扫描;其中,f(L)为由调整量L决定的频率增量;若相应的巷道发生过若干次形变,则f(L)还与巷道壁维护完成至再次发生形变的历史时间间隔呈正相关关系。
5.根据权利要求1所述的适用于矿井巷道的形变监测方法,其特征在于,所述3D卷积神经网络模型由若干批历史三维点云数据训练得到,包括:
获取若干批历史三维点云数据以构成训练集及测试集;
基于所述训练集对初始3D卷积神经网络模型进行训练,并基于测试集对训练后的初始3D卷积神经网络模型进行验证;
重复执行上述步骤以对所述初始3D卷积神经网络模型进行迭代训练直至巷道形变判断的准确率大于预设阈值,进而得到所述3D卷积神经网络模型。
6.一种适用于矿井巷道的形变监测系统,其特征在于,包括:
数据获取模块,用于基于架设于液压支架上的激光雷达对巷道壁区域进行扫描,以获取与该巷道壁区域相应的一批三维点云数据;其中,所述激光雷达为若干个,所述三维点云数据用于完备表征所述巷道壁区域的三维结构以实现对巷道壁区域的三维空间监测;
第一预处理模块,用于分别计算与所有三维点云数据的X轴坐标值相应的第一基准值,Y轴坐标值相应的第二基准值,Z轴坐标值相应的第三基准值;其中,N为三维点云数据的个数,xi为第i个三维点云数据的X轴坐标值,μ 1为所有三维点云数据中X轴坐标值的数字平均值,yi为第i个三维点云数据的Y轴坐标值,μ 2为所有三维点云数据中Y轴坐标值的数字平均值,zi为第i个三维点云数据的Z轴坐标值,μ 3为所有三维点云数据中Z轴坐标值的数字平均值;
第二预处理模块,用于分别计算与所有三维点云数据的X轴坐标值相应的第一标准值,Y轴坐标值相应的第二标准值,Z轴坐标值相应的第三标准值;
模型判断模块,用于将与该批三维点云数据相应的各所述第一标准值、所述第二标准值及所述第三标准值输入3D卷积神经网络模型,以获取相应的时间特征及空间特征,并计算输出相应的形变监测结果;其中,所述3D卷积神经网络模型由若干批历史三维点云数据训练得到,所述时间特征为巷道形状在时间维度的特征,所述空间特征为巷道形状在空间结构中的特征;在所述3D卷积神经网络模型处理过程中,首先使用多次下采样操作对三维点云数据特征进行压缩以保留关键特征信息,并降低运算量、减少过拟合;然后使用上采样和特征层连接操作进行多尺度特征融合以提升所述3D卷积神经网络模型的检测精确度;
形变确认模块,用于基于所述形变监测结果判断所述巷道壁区域是否发生形变。
7.根据权利要求6所述的适用于矿井巷道的形变监测系统,其特征在于,包括:
判断模块,用于判断所述巷道壁区域未发生形变时,删除该批三维点云数据;
反之,则基于该批三维点云数据生成与所述巷道壁区域相应的三维模型并存储;并发送预警信息至控制端显示界面;其中,所述三维模型关联展示任一位置的各轴坐标值。
8.根据权利要求7所述的适用于矿井巷道的形变监测系统,其特征在于,包括:
即时扫描模块,用于基于反馈信息触发激光雷达对形变巷道壁区域进行即时扫描;其中,所述反馈信息用于确认已对形变巷道壁区域进行维护;
维护确认模块,用于基于即时扫描获取的三维点云数据及所述3D卷积神经网络模型确认维护后的形变巷道壁区域的当前状态;
第一循环模块,用于在维护后的形变巷道壁区域仍为形变状态时,则重新发送预警信息并循环调用判断模块、即时扫描模块及维护确认模块直至维护后的形变巷道壁区域为未形变状态。
9.根据权利要求6所述的适用于矿井巷道的形变监测系统,其特征在于,所述数据获取模块包括:
判断单元,用于判断巷道壁区域未发生过形变时,基于激光雷达对该巷道壁区域按第一频率R进行周期扫描;
反之,则获取巷道维护时支撑结构的调整量L,并基于激光雷达对该巷道壁区域按第二频率R’=R+f(L)进行周期扫描;其中,f(L)为由调整量L决定的频率增量;若相应的巷道发生过若干次形变,则f(L)还与巷道壁维护完成至再次发生形变的历史时间间隔呈正相关关系。
10.根据权利要求6所述的适用于矿井巷道的形变监测系统,其特征在于,包括:
样本获取模块,用于获取若干批历史三维点云数据以构成训练集及测试集;
模型训练模块,用于基于所述训练集对初始3D卷积神经网络模型进行训练,并基于测试集对训练后的初始3D卷积神经网络模型进行验证;
第二循环模块,用于重复调用所述样本获取模块及所述模型训练模块以对所述初始3D卷积神经网络模型进行迭代训练直至巷道形变判断的准确率大于预设阈值,进而得到所述3D卷积神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310092314.8A CN115792949B (zh) | 2023-02-10 | 2023-02-10 | 一种适用于矿井巷道的形变监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310092314.8A CN115792949B (zh) | 2023-02-10 | 2023-02-10 | 一种适用于矿井巷道的形变监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115792949A CN115792949A (zh) | 2023-03-14 |
CN115792949B true CN115792949B (zh) | 2023-04-25 |
Family
ID=85430766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310092314.8A Active CN115792949B (zh) | 2023-02-10 | 2023-02-10 | 一种适用于矿井巷道的形变监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115792949B (zh) |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110688689B (zh) * | 2019-07-16 | 2023-08-18 | 中铁隧道局集团有限公司 | 一种基于多源监测数据融合的隧道变形预测方法 |
CN110763147A (zh) * | 2019-10-31 | 2020-02-07 | 中交三航局第三工程有限公司 | 一种基于三维激光扫描技术的围堰变形监测方法 |
CN111322985B (zh) * | 2020-03-25 | 2021-04-09 | 南京航空航天大学 | 基于激光点云的隧道限界分析方法、装置和系统 |
CN112282847B (zh) * | 2020-09-17 | 2023-03-31 | 中煤(天津)地下工程智能研究院有限公司 | 一种煤矿井下巷道形变监测方法 |
CN112270383B (zh) * | 2020-11-17 | 2021-11-23 | 南京航空航天大学 | 一种基于全卷积神经网络的隧道大规模铆钉孔提取方法 |
CN114155245B (zh) * | 2022-02-10 | 2022-05-03 | 中煤科工开采研究院有限公司 | 一种煤矿井下基于三维点云的围岩变形监测方法及装置 |
CN114627027A (zh) * | 2022-03-25 | 2022-06-14 | 浙江省交通运输科学研究院 | 山岭隧道移动激光扫描点云的半自动机器学习去噪方法 |
CN114444988A (zh) * | 2022-04-11 | 2022-05-06 | 交通运输部公路科学研究所 | 一种交通基础设施健康监测系统服役性能评价方法及装置 |
CN114993300A (zh) * | 2022-05-24 | 2022-09-02 | 徐州三叉戟信息科技有限公司 | 透明矿山全空间跟踪监测及智能预警系统 |
CN115200540B (zh) * | 2022-07-08 | 2023-07-28 | 安徽省皖北煤电集团有限责任公司 | 一种矿井巷道形变监测与预警方法及系统 |
-
2023
- 2023-02-10 CN CN202310092314.8A patent/CN115792949B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115792949A (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Truong‐Hong et al. | Combining an angle criterion with voxelization and the flying voxel method in reconstructing building models from LiDAR data | |
CN113256562B (zh) | 基于雷达图像和人工智能的道路地下隐患检测方法和系统 | |
KR102660837B1 (ko) | 딥러닝 기반 경사지 균열 감지 방법과 이를 이용한 산사태 조기 감지 방법 및 그 장치 | |
CN110706211A (zh) | 基于卷积神经网络的铁路路基病害雷达图实时检测方法 | |
CN111383294B (zh) | 一种安防雷达系统中防区的绘制方法及装置 | |
CN113012063B (zh) | 一种动态点云修复方法、装置及计算机设备 | |
Uprety et al. | Damage detection using high-resolution SAR imagery in the 2009 L'Aquila, Italy, earthquake | |
Chen et al. | Automated bridge deck evaluation through UAV derived point cloud | |
Chen et al. | A deep region-based pyramid neural network for automatic detection and multi-classification of various surface defects of aluminum alloys | |
Vetrivel et al. | Potential of multi-temporal oblique airborne imagery for structural damage assessment | |
CN112561859A (zh) | 基于单目视觉的锚护用钢带钻孔与锚网识别方法及装置 | |
CN113970734B (zh) | 路侧多线激光雷达降雪噪点去除方法、装置及设备 | |
CN117492026B (zh) | 结合激光雷达扫描的铁路货车装载状态检测方法及系统 | |
CN114663598A (zh) | 三维建模方法、装置和存储介质 | |
CN115792949B (zh) | 一种适用于矿井巷道的形变监测方法及系统 | |
CN114022760A (zh) | 铁路隧道障碍物监测预警方法、系统、设备及存储介质 | |
US10467474B1 (en) | Vehicle track detection in synthetic aperture radar imagery | |
Shen et al. | An automatic framework for pylon detection by a hierarchical coarse-to-fine segmentation of powerline corridors from UAV LiDAR point clouds | |
US20230314169A1 (en) | Method and apparatus for generating map data, and non-transitory computer-readable storage medium | |
Yao et al. | 3D object-based classification for vehicle extraction from airborne LiDAR data by combining point shape information with spatial edge | |
CN116343078A (zh) | 基于视频sar的目标跟踪方法、系统及设备 | |
CN111815629B (zh) | 衬砌检测方法、装置、电子设备及存储介质 | |
CN115512281A (zh) | 一种结合视频相机和激光雷达的入侵物监测方法和系统 | |
CN115526855A (zh) | 电池片隐裂缺陷检测方法、装置、计算机设备和存储介质 | |
CN114463300A (zh) | 钢材表面缺陷检测方法、电子设备、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 |