CN116502376A - 一种矿区开发区域监控设备布局方法及系统 - Google Patents

一种矿区开发区域监控设备布局方法及系统 Download PDF

Info

Publication number
CN116502376A
CN116502376A CN202310326720.6A CN202310326720A CN116502376A CN 116502376 A CN116502376 A CN 116502376A CN 202310326720 A CN202310326720 A CN 202310326720A CN 116502376 A CN116502376 A CN 116502376A
Authority
CN
China
Prior art keywords
layout
area
diagram
construction
monitoring equipment
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.)
Pending
Application number
CN202310326720.6A
Other languages
English (en)
Inventor
孙双海
薛清泼
陈京玉
刘建权
李宗瑾
张计武
贾琦
穆顺要
高亚龙
康维刚
罗志波
马文强
卢俊华
胡志刚
薛志波
王奇祥
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.)
Tianjin Huakan Laos Mining Co ltd
Original Assignee
Tianjin Huakan Laos Mining 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 Tianjin Huakan Laos Mining Co ltd filed Critical Tianjin Huakan Laos Mining Co ltd
Priority to CN202310326720.6A priority Critical patent/CN116502376A/zh
Publication of CN116502376A publication Critical patent/CN116502376A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computer Graphics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Multimedia (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Remote Sensing (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及设备布局技术领域，特别是一种矿区开发区域监控设备布局方法及系统，获取待开发矿区的施工图纸信息，基于所述施工图纸信息得到待开发矿区的区域位置，基于所述区域位置构建待开发矿区的实时模型图，获取各个施工区域位置的施工参数信息，基于所述施工参数信息构建出各个施工区域位置在施工完成后的模拟模型图，基于所述模拟模型图与二次布局图得到监控设备的最终布局图，基于所述最终布局图生成监控设备的布局工程图信息，并将所述布局工程图信息输出；能够避免出现漏监测区域，从而避免发生监控设备所采集到数据不全的情况，使得监控设备的布局更加合理。

Description

一种矿区开发区域监控设备布局方法及系统
技术领域
本发明涉及设备布局技术领域，特别是一种矿区开发区域监控设备布局方法及系统。
背景技术
随着时代的发展，人们的生活水平不断地提高，人们对于资源的需求越来越高，矿产资源的大规模开发和利用，给人类带来巨大的社会效益和经济效益的同时，也给人类的生产和生活造成一系列的环境问题和开采损害，在开采矿体的过程中，采空区周围岩体的自然应力状态会受到破坏，使得岩层和地表产生移动和变形，从而可能发生坍塌沉陷灾害，进而会威胁到矿区工作人员的生命安全。因此，在矿区的开发前需要在提前规划好的布局点上安装摄像头、传感器、雷达等监控设备，从而通过监控设备实时监测矿区开采情况，以根据监控设备采集得到的数据进行地质灾害预警，并采取相应的措施，来提高矿区开发过程中的安全性。
然而，目前在规划监控设备的布局点时通常通过工人到实地考察，然后再依据人为经验来设计规划出各监控设备的布局点，对考察人员的经验要求极高，容易出现较大人为误差，布局效率低下；并且在布局后，通常会出现布局不合理的情况，一来是布局的监控设备过于密集，造成监控设备监控的范围出现过度重合情况，导致监测的冗余空间过大，导致设备布局成本过大；二来是布局的监控设备过于稀疏，进而导致出现漏监测的区域，导致监控设备所采集到的数据不全，进一步影响对地质灾害预测预警。
发明内容
本发明克服了现有技术的不足，提供了一种矿区开发区域监控设备布局方法及系统。
为达到上述目的本发明采用的技术方案为：
本发明第一方面公开了一种矿区开发区域监控设备布局方法，包括以下步骤：
获取待开发矿区的施工图纸信息，基于所述施工图纸信息得到待开发矿区的区域位置，基于所述区域位置构建待开发矿区的实时模型图；
获取待开发矿区的施工区域位置信息与非施工区域位置信息，基于所述实时模型图、施工区域位置信息以及非施工区域位置信息确定出待开发矿区的可布局区域与待开发矿区的不可布局区域；
获取监控设备的特性参数信息，基于所述特性参数信息与可布局区域得到监控设备的第一布局点与第二布局点，基于所述第一布局点与第二布局点得到监控设备的初始布局图；
获取监控设备的监测时长信息，基于所述监测时长信息与初始布局图得到监控设备的二次布局图；
获取各个施工区域位置的施工参数信息，基于所述施工参数信息构建出各个施工区域位置在施工完成后的模拟模型图，基于所述模拟模型图与二次布局图得到监控设备的最终布局图，基于所述最终布局图生成监控设备的布局工程图信息，并将所述布局工程图信息输出。
优选的，本发明的一个较佳实施例中，基于所述区域位置构建待开发矿区的实时模型图，具体为：
获取所述区域位置的三维地图信息，基于所述三维地图信息得到待开发矿区的初始三维模型图，基于卷积神经网络构建配对模型，并将所述初始三维模型图导入所述配对模型中；
基于无人机遥感技术采集所述区域位置中物体图像信息，基于所述物体图像信息构建物体模型图；
将所述物体模型图导入所述配对模型中，以将所述物体模型图与所述初始三维模型图中对应位置的物体模型进行配对，得到配对率；将所述配对率与预设配对率进行比较；
获取配对率小于预设配对率所对应的物体模型图，并将所述配对率小于预设配对率所对应的物体模型图整合到所述初始三维模型图中，得到待开发矿区的实时模型图。
优选的，本发明的一个较佳实施例中，获取待开发矿区的施工区域位置信息与非施工区域位置信息，基于所述实时模型图、施工区域位置信息以及非施工区域位置信息确定出待开发矿区的可布局区域与待开发矿区的不可布局区域，具体为：
基于待开发矿区的施工图纸信息得到待开发矿区的施工区域位置信息与非施工区域位置信息，并以所述施工区域位置信息与非施工区域位置信息为划分基准，将所述实时模型图中与施工区域位置信息对应的区域位置划分为施工区域，将所述实时模型图中与非施工区域位置信息对应的区域位置划分为非施工区域；
基于卷积神经网络构建识别模型，并将预制物体样本模型导入所述识别模型中进行训练，得到训练好的识别模型；
由所述实时模型图中分离出各个非施工区域的子模型图，并将所述各个非施工区域的子模型图导入所述训练好的识别模型中进行识别，以识别出子模型图中所有物体模型与预制物体样本模型之间的相似度；
将子模型图中相似度大于预设相似度的物体模型进行标记，并将子模型图中相似度大于预设相似度的物体模型的平行投影位置区域标记为障碍区域；
将所述实时模型图中施工区域与障碍区域之内的区域标记为待开发矿区的不可布局区域，将所述实时模型图中施工区域与障碍区域之外的区域标记为待开发矿区的可布局区域。
优选的，本发明的一个较佳实施例中，获取监控设备的特性参数信息，基于所述特性参数信息与可布局区域得到监控设备的第一布局点与第二布局点，基于所述第一布局点与第二布局点得到监控设备的初始布局图，具体为：
基于所述特性参数信息得到监控设备的有效工作直径，并将所述监控设备的有效工作直径与待开发矿区的可布局区域导入粒子群算法中进行求解，得到监控设备的最优布局方案，并基于所述最优布局方案得到监控设备的第一布局点；
基于所述特性参数信息得到监控设备的尺寸参数，基于所述尺寸参数构建监控设备的三维模型图，并以所述第一布局点为安装节点，将所述监控设备的三维模型图导入所述实时模型图中进行模拟安装，得到监控设备的模拟安装图；
以所述模拟安装图中的监控设备作为投影中心点，以监控设备的有效工作直径作为投影区域，基于中心投影法对所述模拟安装图中的各监控设备进行投影渲染，得到渲染完毕的模拟安装图；
判断所述渲染完毕的模拟安装图中是否存在非阴影区域，若存在，则将所述非阴影区域标记为待补充监控设备区域，并基于所述待补充监控设备区域检索出第二布局点；将所述第一布局点与第二布局点进行整合，得到初始布局点，并将所述初始布局点导入所述实时模型图中，得到监控设备的初始布局图。
优选的，本发明的一个较佳实施例中，获取监控设备的监测时长信息，基于所述监测时长信息与初始布局图得到监控设备的二次布局图，具体为：
通过大数据获取不同类别生长植株所对应的生长速度均值，基于深度学习网络构建预测模型，并将所述不同类别生长植株所对应的生长速度均值导入所述预测模型中；
检索所述初始布局图中各初始布局点在预设范围之内是否存在生长植株，若在初始布局点预设范围之内存在生长植株，则识别出对应的生长植株类别，并将所述对应的生长植株类别导入所述预测模型中，得到该生长植株类别对应的预设生长速度均值；
获取监控设备的监测时长信息，基于所述监测时长信息与预设生长速度均值构建出在初始布局点预设范围之内生长植株的最终生长模型图；
将所述最终生长模型图整合到所述初始布局图中，判断所述初始布局图中的最终生长模型图与监控设备是否存在干涉，若存在干涉，则将存在干涉的初始布局点标记为干涉布局点，并将所述干涉布局点在所述初始布局图中移除；
在所述初始布局图中检索替代所述干涉布局点的替代布局点，将所述替代布局点导入所述初始布局图中，得到监控设备的二次布局图。
优选的，本发明的一个较佳实施例中，获取各个施工区域位置的施工参数信息，基于所述施工参数信息构建出各个施工区域位置在施工完成后的模拟模型图，基于所述模拟模型图与二次布局图得到监控设备的最终布局图，具体为：
基于所述施工图纸信息得到各个施工区域位置的施工参数信息，基于所述施工参数信息构建出各个施工区域位置在施工完成后的模拟模型图；
获取所述模拟模型图与二次布局图的定位基准，构建虚拟空间，将所述模拟模型图与二次布局图导入所述虚拟空间中，并使得所述模拟模型图与二次布局图对应的定位基准相重合；
在所述虚拟空间中剔除所述模拟模型图与二次布局图的模型重合区域，并保留所述模拟模型图与二次布局图的模型不重合区域，得到待开发矿区在施工完成后的模拟施工模型图；
以所述模拟施工模型图中的监控设备作为投影中心点，以监控设备的有效工作直径作为投影区域，基于中心投影法对所述模拟施工模型图中的各监控设备进行投影渲染，得到渲染完毕的模拟施工模型图；
判断所述渲染完毕的模拟施工模型图中是否存在第二非阴影区域，若存在，则将所述第二非阴影区域标记为第二待补充监控设备区域，并基于所述第二待补充监控设备区域检索出待补充布局点，并将所述待补充布局点导入所述二次布局图中，得到监控设备的最终布局图。
本方面第二方面公开了一种矿区开发区域监控设备布局系统，所述布局系统包括储存器与处理器，所述储存器中存储矿区开发区域监控设备布局方法程序，所述矿区开发区域监控设备布局方法程序被处理器执行时，实现如下步骤：
获取待开发矿区的施工图纸信息，基于所述施工图纸信息得到待开发矿区的区域位置，基于所述区域位置构建待开发矿区的实时模型图；
获取待开发矿区的施工区域位置信息与非施工区域位置信息，基于所述实时模型图、施工区域位置信息以及非施工区域位置信息确定出待开发矿区的可布局区域与待开发矿区的不可布局区域；
获取监控设备的特性参数信息，基于所述特性参数信息与可布局区域得到监控设备的第一布局点与第二布局点，基于所述第一布局点与第二布局点得到监控设备的初始布局图；
获取监控设备的监测时长信息，基于所述监测时长信息与初始布局图得到监控设备的二次布局图；
获取各个施工区域位置的施工参数信息，基于所述施工参数信息构建出各个施工区域位置在施工完成后的模拟模型图，基于所述模拟模型图与二次布局图得到监控设备的最终布局图，基于所述最终布局图生成监控设备的布局工程图信息，并将所述布局工程图信息输出。
优选的，本发明的一个较佳实施例中，基于所述区域位置构建待开发矿区的实时模型图，具体为：
获取所述区域位置的三维地图信息，基于所述三维地图信息得到待开发矿区的初始三维模型图，基于卷积神经网络构建配对模型，并将所述初始三维模型图导入所述配对模型中；
基于无人机遥感技术采集所述区域位置中物体图像信息，基于所述物体图像信息构建物体模型图；
将所述物体模型图导入所述配对模型中，以将所述物体模型图与所述初始三维模型图中对应位置的物体模型进行配对，得到配对率；将所述配对率与预设配对率进行比较；
获取配对率小于预设配对率所对应的物体模型图，并将所述配对率小于预设配对率所对应的物体模型图整合到所述初始三维模型图中，得到待开发矿区的实时模型图。
优选的，本发明的一个较佳实施例中，获取监控设备的监测时长信息，基于所述监测时长信息与初始布局图得到监控设备的二次布局图，具体为：
通过大数据获取不同类别生长植株所对应的生长速度均值，基于深度学习网络构建预测模型，并将所述不同类别生长植株所对应的生长速度均值导入所述预测模型中；
检索所述初始布局图中各初始布局点在预设范围之内是否存在生长植株，若在初始布局点预设范围之内存在生长植株，则识别出对应的生长植株类别，并将所述对应的生长植株类别导入所述预测模型中，得到该生长植株类别对应的预设生长速度均值；
获取监控设备的监测时长信息，基于所述监测时长信息与预设生长速度均值构建出在初始布局点预设范围之内生长植株的最终生长模型图；
将所述最终生长模型图整合到所述初始布局图中，判断所述初始布局图中的最终生长模型图与监控设备是否存在干涉，若存在干涉，则将存在干涉的初始布局点标记为干涉布局点，并将所述干涉布局点在所述初始布局图中移除；
在所述初始布局图中检索替代所述干涉布局点的替代布局点，将所述替代布局点导入所述初始布局图中，得到监控设备的二次布局图。
优选的，本发明的一个较佳实施例中，获取各个施工区域位置的施工参数信息，基于所述施工参数信息构建出各个施工区域位置在施工完成后的模拟模型图，基于所述模拟模型图与二次布局图得到监控设备的最终布局图，具体为：
基于所述施工图纸信息得到各个施工区域位置的施工参数信息，基于所述施工参数信息构建出各个施工区域位置在施工完成后的模拟模型图；
获取所述模拟模型图与二次布局图的定位基准，构建虚拟空间，将所述模拟模型图与二次布局图导入所述虚拟空间中，并使得所述模拟模型图与二次布局图对应的定位基准相重合；
在所述虚拟空间中剔除所述模拟模型图与二次布局图的模型重合区域，并保留所述模拟模型图与二次布局图的模型不重合区域，得到待开发矿区在施工完成后的模拟施工模型图；
以所述模拟施工模型图中的监控设备作为投影中心点，以监控设备的有效工作直径作为投影区域，基于中心投影法对所述模拟施工模型图中的各监控设备进行投影渲染，得到渲染完毕的模拟施工模型图；
判断所述渲染完毕的模拟施工模型图中是否存在第二非阴影区域，若存在，则将所述第二非阴影区域标记为第二待补充监控设备区域，并基于所述第二待补充监控设备区域检索出待补充布局点，并将所述待补充布局点导入所述二次布局图中，得到监控设备的最终布局图。
本发明解决了背景技术中存在的技术缺陷，本发明具备以下有益效果：通过本方法能够自动规划布局出开发矿区中监控设备的最佳布局点，不需要依据人工经验来进行布局，将三维地图信息与无人机遥感技术进行结合，不需要工人到实地进行测量考察，降低劳动强度，提高布局效率；一方面能够避免出现漏监测区域，从而避免发生监控设备所采集到数据不全的情况，使得监控设备的布局更加合理；另一方面还能够避免出现因布局过多的监控设备而导致监测冗余范围过大情况，能够降低监控设备的使用成本。
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，下面将对实施例或现有技术描述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的前提下，还可以根据这些附图获得其他实施例的附图。
图1为一种矿区开发区域监控设备布局方法的第一方法流程图；
图2为一种矿区开发区域监控设备布局方法的第二方法流程图；
图3为一种矿区开发区域监控设备布局方法的第三方法流程图；
图4为一种矿区开发区域监控设备布局系统的系统框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
本发明第一方面公开了一种矿区开发区域监控设备布局方法，如图1所示，包括以下步骤：
S102：获取待开发矿区的施工图纸信息，基于所述施工图纸信息得到待开发矿区的区域位置，基于所述区域位置构建待开发矿区的实时模型图；
S104：获取待开发矿区的施工区域位置信息与非施工区域位置信息，基于所述实时模型图、施工区域位置信息以及非施工区域位置信息确定出待开发矿区的可布局区域与待开发矿区的不可布局区域；
S106：获取监控设备的特性参数信息，基于所述特性参数信息与可布局区域得到监控设备的第一布局点与第二布局点，基于所述第一布局点与第二布局点得到监控设备的初始布局图；
S108：获取监控设备的监测时长信息，基于所述监测时长信息与初始布局图得到监控设备的二次布局图；
S110：获取各个施工区域位置的施工参数信息，基于所述施工参数信息构建出各个施工区域位置在施工完成后的模拟模型图，基于所述模拟模型图与二次布局图得到监控设备的最终布局图，基于所述最终布局图生成监控设备的布局工程图信息，并将所述布局工程图信息输出。
需要说明的是，所述施工图纸信息由设计人员提前设计规划得到，所述施工图纸包括待开发矿区的开发区域位置信息、开发日期信息、开发工程进度计划信息、工程设备排表信息、挖掘深度信息、挖掘位置信息以及挖掘尺寸信息等。所述待开发矿区的区域位置为开发矿区的经纬度信息。
通过本方法能够自动规划布局出开发矿区中监控设备的最佳布局点，不需要依据人工经验来进行布局，将三维地图信息与无人机遥感技术进行结合，不需要工人到实地进行测量考察，降低劳动强度，提高布局效率；一方面能够避免出现漏监测区域，从而避免发生监控设备所采集到数据不全的情况，使得监控设备的布局更加合理；另一方面还能够避免出现因布局过多的监控设备而导致监测冗余范围过大情况，能够降低监控设备的使用成本。
优选的，本发明的一个较佳实施例中，基于所述区域位置构建待开发矿区的实时模型图，如图2所示，具体为：
S202：获取所述区域位置的三维地图信息，基于所述三维地图信息得到待开发矿区的初始三维模型图，基于卷积神经网络构建配对模型，并将所述初始三维模型图导入所述配对模型中；
S204：基于无人机遥感技术采集所述区域位置中物体图像信息，基于所述物体图像信息构建物体模型图；
S206：将所述物体模型图导入所述配对模型中，以将所述物体模型图与所述初始三维模型图中对应位置的物体模型进行配对，得到配对率；将所述配对率与预设配对率进行比较；
S208：获取配对率小于预设配对率所对应的物体模型图，并将所述配对率小于预设配对率所对应的物体模型图整合到所述初始三维模型图中，得到待开发矿区的实时模型图。
需要说明的是，每个地理区域位置均有对应的三维地图信息，该三维地图信息可以直接由地图软件中获取得到，但是由于地图软件中的三维地图并非是实时更新的，其并非是实时图，因此地图软件中的三维地图与现实是存在一定差异的。因此在对监控设备进行布局规划时，首先可以先通过地图软件获取开发矿区所对应区域位置的三维地图信息，从而直接得到矿区大致的地形地貌三维图(即初始三维模型图)，而由于初始三维模型图与现实存在一定差异性，此时再通过无人机获取矿区实时的物体图像信息，如落石、树木、农用大棚等，并且通过三维建模软件构建这些实时的物体模型图，并检索在初始三维模型图中的对应位置是否存在这些物体模型，若不存在，则通过三维建模软件将这些物体模型图整合到初始三维模型图，从而对初始三维模型图进行实时更新，从而得到待开发矿区的实时场景图(即实时模型图)。通过现有地图软件中的三维地图信息与无人机遥感技术进行结合，从而快速构建出矿区的实时场景模型图，通过本方法能够降低无人机的信息采集量，并且能够降低系统在建模过程中的运算量，能够进一步提高系统的鲁棒性，进而提高规划布局效率。
优选的，本发明的一个较佳实施例中，获取待开发矿区的施工区域位置信息与非施工区域位置信息，基于所述实时模型图、施工区域位置信息以及非施工区域位置信息确定出待开发矿区的可布局区域与待开发矿区的不可布局区域，具体为：
基于待开发矿区的施工图纸信息得到待开发矿区的施工区域位置信息与非施工区域位置信息，并以所述施工区域位置信息与非施工区域位置信息为划分基准，将所述实时模型图中与施工区域位置信息对应的区域位置划分为施工区域，将所述实时模型图中与非施工区域位置信息对应的区域位置划分为非施工区域；
基于卷积神经网络构建识别模型，并将预制物体样本模型导入所述识别模型中进行训练，得到训练好的识别模型；
由所述实时模型图中分离出各个非施工区域的子模型图，并将所述各个非施工区域的子模型图导入所述训练好的识别模型中进行识别，以识别出子模型图中所有物体模型与预制物体样本模型之间的相似度；
将子模型图中相似度大于预设相似度的物体模型进行标记，并将子模型图中相似度大于预设相似度的物体模型的平行投影位置区域标记为障碍区域；
将所述实时模型图中施工区域与障碍区域之内的区域标记为待开发矿区的不可布局区域，将所述实时模型图中施工区域与障碍区域之外的区域标记为待开发矿区的可布局区域。
需要说明的是，在整个矿区中，会存在施工区域位置与非施工区域位置，其中施工区域位置为在采矿过程中需要开采挖掘的位置，如矿井、矿洞位置区域；非施工区域位置为在采矿过程中不需要开采挖掘的位置。并且施工区域与非施工区域的位置及大小信息均可以直接在施工图纸信息中获得。并且由于施工区域为需要挖掘开采的区域，在开采前不能够在这些区域位置布局摄像头等监控设备，因此施工区域属于不可布局区域范畴。而由于非施工区域为不需要挖掘开采的区域，可以直观的认为非施工区域属于可布局区域，但是由于可布局区域中的某些区域位置上，可能会存在树木、泉水源等自然资源，为了保护自然环境，在规划监控设备的布局点时，需要尽量地将监控设备布局点与树木、泉水源等自然资源规避开来，避免进一步破坏生态资源。因此，在对可布局区域的监控设备进行布局规划前，可以先通过大数据网络获取各树木与泉水源的图像信息，然后根据这些图像信息通过三维建模软件构建各树木与泉水源的模型图，从而得到大量的预制物体样本模型，当得到预制物体样本模型后通过构建识别模型，从而通过识别模型识别出各个可布局区域中存在树木、泉水源等自然资源的位置区域，并且将这些区域规划到不可布局区域范畴内，从而使得在后续规划监控设备的布局点时能够规避掉树木、泉水源等自然资源区域，避免在后续安装监控设备时对树木、泉水源等造成破坏，能够进一步保护自然环境，降低在矿产开发时对生态环境的破坏程度。
优选的，本发明的一个较佳实施例中，获取监控设备的特性参数信息，基于所述特性参数信息与可布局区域得到监控设备的第一布局点与第二布局点，基于所述第一布局点与第二布局点得到监控设备的初始布局图，具体为：
基于所述特性参数信息得到监控设备的有效工作直径，并将所述监控设备的有效工作直径与待开发矿区的可布局区域导入粒子群算法中进行求解，得到监控设备的最优布局方案，并基于所述最优布局方案得到监控设备的第一布局点；
基于所述特性参数信息得到监控设备的尺寸参数，基于所述尺寸参数构建监控设备的三维模型图，并以所述第一布局点为安装节点，将所述监控设备的三维模型图导入所述实时模型图中进行模拟安装，得到监控设备的模拟安装图；
以所述模拟安装图中的监控设备作为投影中心点，以监控设备的有效工作直径作为投影区域，基于中心投影法对所述模拟安装图中的各监控设备进行投影渲染，得到渲染完毕的模拟安装图；
判断所述渲染完毕的模拟安装图中是否存在非阴影区域，若存在，则将所述非阴影区域标记为待补充监控设备区域，并基于所述待补充监控设备区域检索出第二布局点；将所述第一布局点与第二布局点进行整合，得到初始布局点，并将所述初始布局点导入所述实时模型图中，得到监控设备的初始布局图。
需要说明的是，粒子群算法是从随机解出发，利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得最优解的算法，这种算法具有实现容易、精度高、收敛快等优点，并且在解决实际问题中展示了巨大的优越性。通过离子群算法对待开发矿区的可布局区域进行反复求解，从而得到监控设备在可布局区域中的最优布局方案，其中所述最优布局方案包括布局点位置信息、监控设备布局路径信息、监控设备布局数量信息等。其中，所述第一布局点为由最优布局方案中提取出来的布局点位置信息，所述第一布局点为多个。通过本方法能够避免出现布局过多的监控设备而导致监测冗余范围过大，使得监控设备的布局更加合理，能够降低监控设备的使用成本。
需要说明的是，所述特性参数信息包括监控设备的工作范围信息、形状信息、尺寸信息以及使用寿命信息等。当得到第一布局点信息后，通过三维软件构建出监控设备的三维模型图，并将监控设备的三维模型图导入所述实时模型图中的第一布局点中对各监控设备进行模拟安装，得到监控设备的模拟安装图，并且对模拟安装图中的各位置的监控设备进行投影渲染后进行分析，若存在非阴影区域，此时说明若按照第一布局点的布局方式对监控设备进行布局时，由于某些区域存在丘陵、坑洞、岩石、树木等遮挡物，从而会对某些监控设备的监测范围造成影响，会导致矿区中存在监测盲区的情况，此时则获取该监测盲区信息(即待补充监控设备区域)，从而根据该监测盲区的位置信息以及区域信息等检索出新的布局点(即第二布局点)，以对该监测盲区进行监测。通过本方法能够自动生成监控设备的初始布局点，并且能够根据矿区的实际地貌地形识别出所存在的监测盲区，并对监测盲区进行补充监控设备，使得监控设备的布局更加合理，避免在开采矿区时出现漏监测区域，避免出现监控设备所采集到数据不全的情况，进而确保地质灾害预测预警的精度。
优选的，本发明的一个较佳实施例中，获取监控设备的监测时长信息，基于所述监测时长信息与初始布局图得到监控设备的二次布局图，如图3所示，具体为：
S302：通过大数据获取不同类别生长植株所对应的生长速度均值，基于深度学习网络构建预测模型，并将所述不同类别生长植株所对应的生长速度均值导入所述预测模型中；
S304：检索所述初始布局图中各初始布局点在预设范围之内是否存在生长植株，若在初始布局点预设范围之内存在生长植株，则识别出对应的生长植株类别，并将所述对应的生长植株类别导入所述预测模型中，得到该生长植株类别对应的预设生长速度均值；
S306：获取监控设备的监测时长信息，基于所述监测时长信息与预设生长速度均值构建出在初始布局点预设范围之内生长植株的最终生长模型图；
S308：将所述最终生长模型图整合到所述初始布局图中，判断所述初始布局图中的最终生长模型图与监控设备是否存在干涉，若存在干涉，则将存在干涉的初始布局点标记为干涉布局点，并将所述干涉布局点在所述初始布局图中移除；
S310：在所述初始布局图中检索替代所述干涉布局点的替代布局点，将所述替代布局点导入所述初始布局图中，得到监控设备的二次布局图。
需要说明的是，由于矿区开采的时间通常以年为单位，其时间跨度较长，若在监控设备的布局点位置附近区域存在树木等生长植物，当开采一段时间后，生长后的树木便有可能会对该布局点位置的监控设备造成遮挡，从而影响监控设备的监测范围，进而导致在开采一段时间后存在监测盲区的情况发生。为了解决这一问题，本方法通过对初始布局图中各初始布局点的附近区域进行检索识别，判断各初始布局点的附近区域是否存在生长植物，若存在，则先获取监控设备的监测时长信息，其中，所述监测时长信息即是矿区开采工程的竣工时间，可以直接由施工图纸信息中获得；然后再由预测模型中获取得到所对应生长植物的预设生长速度均值；然后再基于所述监测时长信息与预设生长速度均值在三维模型图中模拟仿真出生长植物的最终生长模型图，并将所述最终生长模型图整合到所述初始布局图中，以通过模型分析的方式来对在矿区开采工程的竣工时，这些生长植物的最终生长状态；若这些最终生长模型图与附近区域的监控设备存在干涉情况，则对存在干涉情况的监控设备进行重新布局，能够避免出现在开采矿产时中生长植物遮挡监控设备，从而导致监控设备丧失监测功能的情况，使得监控设备的布局更加合理，避免在开采矿区时出现漏监测区域，避免出现监控设备所采集到数据不全的情况，进而确保地质灾害预测预警的精度。
优选的，本发明的一个较佳实施例中，获取各个施工区域位置的施工参数信息，基于所述施工参数信息构建出各个施工区域位置在施工完成后的模拟模型图，基于所述模拟模型图与二次布局图得到监控设备的最终布局图，具体为：
基于所述施工图纸信息得到各个施工区域位置的施工参数信息，基于所述施工参数信息构建出各个施工区域位置在施工完成后的模拟模型图；
获取所述模拟模型图与二次布局图的定位基准，构建虚拟空间，将所述模拟模型图与二次布局图导入所述虚拟空间中，并使得所述模拟模型图与二次布局图对应的定位基准相重合；
在所述虚拟空间中剔除所述模拟模型图与二次布局图的模型重合区域，并保留所述模拟模型图与二次布局图的模型不重合区域，得到待开发矿区在施工完成后的模拟施工模型图；
以所述模拟施工模型图中的监控设备作为投影中心点，以监控设备的有效工作直径作为投影区域，基于中心投影法对所述模拟施工模型图中的各监控设备进行投影渲染，得到渲染完毕的模拟施工模型图；
判断所述渲染完毕的模拟施工模型图中是否存在第二非阴影区域，若存在，则将所述第二非阴影区域标记为第二待补充监控设备区域，并基于所述第二待补充监控设备区域检索出待补充布局点，并将所述待补充布局点导入所述二次布局图中，得到监控设备的最终布局图。
需要说明的是，当某些矿洞、矿井的挖掘深度达到一定深度后，在二次布局图中的监控设备有可能存在丢失矿洞、矿井内部监测视野的情况，举例来说，在通过某监控设备监测某矿洞时，在矿洞挖掘到10米之前，均能够通过该监控设备监测该矿洞的全貌，然而在挖掘深度为10米到20之间时，该监控设备对该矿洞的监测视野会逐渐丢失，直至20米之后监测视野会完全丢失，进而导致在开采一段时间后矿洞、矿井内存在监测盲区的情况发生。为了避免这一现象，本方法首先根据施工参数信息通过三维软件构建出施工区域位置在施工完成后的模拟模型图，如对某矿洞挖掘完毕后的模拟模型图，其中，所述施工参数信息包括施工区域的施工深度信息、施工宽度信息、施工形状信息等。然后通过三维软件构建虚拟空间，然后再将施工完成后的模拟模型图与二次布局图导入所述虚拟空间中进行融合处理，从而得到待开发矿区在施工完成后的模拟施工模型图，其中所述模拟施工模型图表征的是在对该开发矿产开采完毕后的模拟模型图，且该模型施工图中存在挖掘完毕后矿洞、矿井的模拟信息。然后再对模拟施工模型图中各位置的监控设备进行渲染进行分析，若存在第二非阴影区域，此时说明若按照二次布局图中的布局点对监控设备进行布局时，由于矿洞、矿井挖掘深度的原因，某些监控设备的监测视野会丢失，从而导致矿区中存在监测盲区的情况，此时将第二非阴影区域标记为第二待补充监控设备区域，并且根据第二待补充监控设备区域检索出待补充布局点，并将待补充布局点导入二次布局图中，得到监控设备的最终布局图，然后最终布局图生成监控设备的布局工程图信息，所述布局工程图信息中包含监控设备的各个布局位置点、布局路径图以及布局数量等信息。通过本方法能够检索出在开采矿区的过程中，监控设备是否存在丢失监控视野的情况，并且能够根据丢失监控视野进行补充监控设备，使得监控设备的布局更加合理，避免在开采矿区时出现漏监测区域，避免出现监控设备所采集到数据不全的情况，进而确保地质灾害预测预警的精度。
此外，在基于无人机遥感技术采集所述区域位置中物体图像信息步骤之后，还包括以下步骤：
构建向量解析模型，将所述物体图像信息导入所述向量解析模型中进行特性向量解析，得到正交矩阵与对角矩阵；
构建坐标系，并将所述正交矩阵与对角矩阵导入所述坐标系中，并在所述坐标系中选取正交矩阵与对角矩阵的任一极限向量为坐标原点，根据所述坐标原点为分解原点对所述正交矩阵与对角矩阵进行向量分解，得到坐标数集；
获取所述坐标数集中的极限坐标点，并将所述极限坐标点进行汇集，得到极限坐标点合集；
将所述极限坐标点合集导入世界坐标系中，并将所述极限坐标点在所述世界坐标系中进行重新组合，生成处理后的物体图像。
需要说明的是，采用中值滤波器、形态学滤波器等方法对无人机初始采集到的图像进行去噪、滤波等方式处理。通过奇异值特征分解方式来对无人机采集得到的物体图像信息进行分解，从而得到正交矩阵以及对角矩阵，然后基于正交矩阵以及对角矩阵重新构建得到处理后的物体图像。通过本方法能够将无人机摄像系统因拍摄角度、拍摄高度等一系列问题而导致图像冗余度过大的问题消除，使得得到的物体图像更加接近于物体实际，能够使得后续建模得到的物体模型图更加接近实际，以提高系统后续对监控设备的布局精度，使得监控设备的布局更加合理。
此外，一种矿区开发区域监控设备布局方法，还包括以下步骤：
获取待开发矿区中各施工区域的地质理化特性信息，基于所述地质理化特性信息构建检索关键词，基于所述检索关键词对大数据的相关数据进行检索，基于所述相关数据得到各个施工区域的理论内应力值；
获取待开发矿区在施工完成后的模拟施工模型图，基于深度学习网络构建应力分析模型，将所述模拟施工模型图导入所述应力分析模型中进行有限元分析，得到模拟施工模型图的内应力分布图；
由所述内应力分布图获取各个施工区域的最大应力值，并将所述各个施工区域的最大应力值与对应施工区域的理论内应力值进行比较，得到应力偏差值，判断所述应力偏差值是否大于预设偏差阈值；
若所述应力偏差值大于预设偏差阈值，则将所述应力偏差值大于预设偏差阈值所对应的施工区域标记为危险施工区域。
需要说明的是，所述地质理化特性信息包括地层构造信息、地质组成信息、地层平均温度信息、地层平均湿度信息等。在施工区域开挖地层后，地层会释放掉开挖部分原始内应力，围岩瞬间发生应力重分布现象，围岩裂隙增大，当内应力过大时，则会造成坍塌沉降等地质灾害发生。通过本方法能够施工区域地层的内应力进行分析，从而检索出在施工过程中所释放的内应力过大的施工区域，并且会将该区域标记为危险加工区域，此时可以在该区域布局更多的监控摄像头，以及布局相应的地质传感器，以使得在施工过程中，能够采集该区域更多、更完善的地质数据，从而提高地质灾害预警预测精度。
此外，一种矿区开发区域监控设备布局方法，还包括以下步骤：
获取各监控设备的布局位置节点信息，并获取各监控设备对应的ip地址信息，基于所述布局位置节点信息与ip地址信息得到各监控设备的信号响应区域；
通过远程信号测试端获取各信号响应区域所反馈的信号信息，判断所述远程信号测试端在预设时间段内能否接收到信号响应区域所反馈的信号信息；
若所述远程信号测试端在预设时间段不能够接收到信号响应区域所反馈的信号信息，则将该信号响应区域所对应的监控设备标记为故障设备；
若所述远程信号测试端在预设时间段能够接收到信号响应区域所反馈的信号信息，则获取在预设时间内所述信号信息的通断次数，并判断所述通断次数是否大于预设次数；
若大于，则将该信号响应区域所对应的监控设备标记为故障设备。
需要说明的是，所述远程信号测试端为信号接收器。在各监控设备获取得到对应区域的地质数据信息后，监控设备中的信号发射器会把信号发射至远程的信号接收器上，若远程端的信号接收器不能够接收到信号发射器所发射的信号信息，或者在预设时间内远程端的信号接收器所接收到信号发射器所发射的信号信息为断断续续，此时说明监控设备的信号发生器已经发生了故障，此时控制系统会把该信号响应区域所对应的监控设备标记为故障设备，并生成故障报告，然后知会检修人员对对应的监控设备进行检修，以使得数据传输保持有效性，以确保监控设备能够有效工作，能够避免出现漏监测区域，从而避免发生监控设备所采集到数据不全的情况。
如图4所示，本方面第二方面公开了一种矿区开发区域监控设备布局系统，所述布局系统包括储存器41与处理器62，所述储存器41中存储矿区开发区域监控设备布局方法程序，所述矿区开发区域监控设备布局方法程序被处理器62执行时，实现如下步骤：
获取待开发矿区的施工图纸信息，基于所述施工图纸信息得到待开发矿区的区域位置，基于所述区域位置构建待开发矿区的实时模型图；
获取待开发矿区的施工区域位置信息与非施工区域位置信息，基于所述实时模型图、施工区域位置信息以及非施工区域位置信息确定出待开发矿区的可布局区域与待开发矿区的不可布局区域；
获取监控设备的特性参数信息，基于所述特性参数信息与可布局区域得到监控设备的第一布局点与第二布局点，基于所述第一布局点与第二布局点得到监控设备的初始布局图；
获取监控设备的监测时长信息，基于所述监测时长信息与初始布局图得到监控设备的二次布局图；
获取各个施工区域位置的施工参数信息，基于所述施工参数信息构建出各个施工区域位置在施工完成后的模拟模型图，基于所述模拟模型图与二次布局图得到监控设备的最终布局图，基于所述最终布局图生成监控设备的布局工程图信息，并将所述布局工程图信息输出。
优选的，本发明的一个较佳实施例中，基于所述区域位置构建待开发矿区的实时模型图，具体为：
获取所述区域位置的三维地图信息，基于所述三维地图信息得到待开发矿区的初始三维模型图，基于卷积神经网络构建配对模型，并将所述初始三维模型图导入所述配对模型中；
基于无人机遥感技术采集所述区域位置中物体图像信息，基于所述物体图像信息构建物体模型图；
将所述物体模型图导入所述配对模型中，以将所述物体模型图与所述初始三维模型图中对应位置的物体模型进行配对，得到配对率；将所述配对率与预设配对率进行比较；
获取配对率小于预设配对率所对应的物体模型图，并将所述配对率小于预设配对率所对应的物体模型图整合到所述初始三维模型图中，得到待开发矿区的实时模型图。
优选的，本发明的一个较佳实施例中，获取监控设备的监测时长信息，基于所述监测时长信息与初始布局图得到监控设备的二次布局图，具体为：
通过大数据获取不同类别生长植株所对应的生长速度均值，基于深度学习网络构建预测模型，并将所述不同类别生长植株所对应的生长速度均值导入所述预测模型中；
检索所述初始布局图中各初始布局点在预设范围之内是否存在生长植株，若在初始布局点预设范围之内存在生长植株，则识别出对应的生长植株类别，并将所述对应的生长植株类别导入所述预测模型中，得到该生长植株类别对应的预设生长速度均值；
获取监控设备的监测时长信息，基于所述监测时长信息与预设生长速度均值构建出在初始布局点预设范围之内生长植株的最终生长模型图；
将所述最终生长模型图整合到所述初始布局图中，判断所述初始布局图中的最终生长模型图与监控设备是否存在干涉，若存在干涉，则将存在干涉的初始布局点标记为干涉布局点，并将所述干涉布局点在所述初始布局图中移除；
在所述初始布局图中检索替代所述干涉布局点的替代布局点，将所述替代布局点导入所述初始布局图中，得到监控设备的二次布局图。
优选的，本发明的一个较佳实施例中，获取各个施工区域位置的施工参数信息，基于所述施工参数信息构建出各个施工区域位置在施工完成后的模拟模型图，基于所述模拟模型图与二次布局图得到监控设备的最终布局图，具体为：
基于所述施工图纸信息得到各个施工区域位置的施工参数信息，基于所述施工参数信息构建出各个施工区域位置在施工完成后的模拟模型图；
获取所述模拟模型图与二次布局图的定位基准，构建虚拟空间，将所述模拟模型图与二次布局图导入所述虚拟空间中，并使得所述模拟模型图与二次布局图对应的定位基准相重合；
在所述虚拟空间中剔除所述模拟模型图与二次布局图的模型重合区域，并保留所述模拟模型图与二次布局图的模型不重合区域，得到待开发矿区在施工完成后的模拟施工模型图；
以所述模拟施工模型图中的监控设备作为投影中心点，以监控设备的有效工作直径作为投影区域，基于中心投影法对所述模拟施工模型图中的各监控设备进行投影渲染，得到渲染完毕的模拟施工模型图；
判断所述渲染完毕的模拟施工模型图中是否存在第二非阴影区域，若存在，则将所述第二非阴影区域标记为第二待补充监控设备区域，并基于所述第二待补充监控设备区域检索出待补充布局点，并将所述待补充布局点导入所述二次布局图中，得到监控设备的最终布局图。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种矿区开发区域监控设备布局方法，其特征在于，包括以下步骤：
获取待开发矿区的施工图纸信息，基于所述施工图纸信息得到待开发矿区的区域位置，基于所述区域位置构建待开发矿区的实时模型图；
获取待开发矿区的施工区域位置信息与非施工区域位置信息，基于所述实时模型图、施工区域位置信息以及非施工区域位置信息确定出待开发矿区的可布局区域与待开发矿区的不可布局区域；
获取监控设备的特性参数信息，基于所述特性参数信息与可布局区域得到监控设备的第一布局点与第二布局点，基于所述第一布局点与第二布局点得到监控设备的初始布局图；
获取监控设备的监测时长信息，基于所述监测时长信息与初始布局图得到监控设备的二次布局图；
获取各个施工区域位置的施工参数信息，基于所述施工参数信息构建出各个施工区域位置在施工完成后的模拟模型图，基于所述模拟模型图与二次布局图得到监控设备的最终布局图，基于所述最终布局图生成监控设备的布局工程图信息，并将所述布局工程图信息输出。
2.根据权利要求1所述的一种矿区开发区域监控设备布局方法，其特征在于，基于所述区域位置构建待开发矿区的实时模型图，具体为：
获取所述区域位置的三维地图信息，基于所述三维地图信息得到待开发矿区的初始三维模型图，基于卷积神经网络构建配对模型，并将所述初始三维模型图导入所述配对模型中；
基于无人机遥感技术采集所述区域位置中物体图像信息，基于所述物体图像信息构建物体模型图；
将所述物体模型图导入所述配对模型中，以将所述物体模型图与所述初始三维模型图中对应位置的物体模型进行配对，得到配对率；将所述配对率与预设配对率进行比较；
获取配对率小于预设配对率所对应的物体模型图，并将所述配对率小于预设配对率所对应的物体模型图整合到所述初始三维模型图中，得到待开发矿区的实时模型图。
3.根据权利要求1所述的一种矿区开发区域监控设备布局方法，其特征在于，获取待开发矿区的施工区域位置信息与非施工区域位置信息，基于所述实时模型图、施工区域位置信息以及非施工区域位置信息确定出待开发矿区的可布局区域与待开发矿区的不可布局区域，具体为：
基于待开发矿区的施工图纸信息得到待开发矿区的施工区域位置信息与非施工区域位置信息，并以所述施工区域位置信息与非施工区域位置信息为划分基准，将所述实时模型图中与施工区域位置信息对应的区域位置划分为施工区域，将所述实时模型图中与非施工区域位置信息对应的区域位置划分为非施工区域；
基于卷积神经网络构建识别模型，并将预制物体样本模型导入所述识别模型中进行训练，得到训练好的识别模型；
由所述实时模型图中分离出各个非施工区域的子模型图，并将所述各个非施工区域的子模型图导入所述训练好的识别模型中进行识别，以识别出子模型图中所有物体模型与预制物体样本模型之间的相似度；
将子模型图中相似度大于预设相似度的物体模型进行标记，并将子模型图中相似度大于预设相似度的物体模型的平行投影位置区域标记为障碍区域；
将所述实时模型图中施工区域与障碍区域之内的区域标记为待开发矿区的不可布局区域，将所述实时模型图中施工区域与障碍区域之外的区域标记为待开发矿区的可布局区域。
4.根据权利要求1所述的一种矿区开发区域监控设备布局方法，其特征在于，获取监控设备的特性参数信息，基于所述特性参数信息与可布局区域得到监控设备的第一布局点与第二布局点，基于所述第一布局点与第二布局点得到监控设备的初始布局图，具体为：
基于所述特性参数信息得到监控设备的有效工作直径，并将所述监控设备的有效工作直径与待开发矿区的可布局区域导入粒子群算法中进行求解，得到监控设备的最优布局方案，并基于所述最优布局方案得到监控设备的第一布局点；
基于所述特性参数信息得到监控设备的尺寸参数，基于所述尺寸参数构建监控设备的三维模型图，并以所述第一布局点为安装节点，将所述监控设备的三维模型图导入所述实时模型图中进行模拟安装，得到监控设备的模拟安装图；
以所述模拟安装图中的监控设备作为投影中心点，以监控设备的有效工作直径作为投影区域，基于中心投影法对所述模拟安装图中的各监控设备进行投影渲染，得到渲染完毕的模拟安装图；
判断所述渲染完毕的模拟安装图中是否存在非阴影区域，若存在，则将所述非阴影区域标记为待补充监控设备区域，并基于所述待补充监控设备区域检索出第二布局点；将所述第一布局点与第二布局点进行整合，得到初始布局点，并将所述初始布局点导入所述实时模型图中，得到监控设备的初始布局图。
5.根据权利要求1所述的一种矿区开发区域监控设备布局方法，其特征在于，获取监控设备的监测时长信息，基于所述监测时长信息与初始布局图得到监控设备的二次布局图，具体为：
通过大数据获取不同类别生长植株所对应的生长速度均值，基于深度学习网络构建预测模型，并将所述不同类别生长植株所对应的生长速度均值导入所述预测模型中；
检索所述初始布局图中各初始布局点在预设范围之内是否存在生长植株，若在初始布局点预设范围之内存在生长植株，则识别出对应的生长植株类别，并将所述对应的生长植株类别导入所述预测模型中，得到该生长植株类别对应的预设生长速度均值；
获取监控设备的监测时长信息，基于所述监测时长信息与预设生长速度均值构建出在初始布局点预设范围之内生长植株的最终生长模型图；
将所述最终生长模型图整合到所述初始布局图中，判断所述初始布局图中的最终生长模型图与监控设备是否存在干涉，若存在干涉，则将存在干涉的初始布局点标记为干涉布局点，并将所述干涉布局点在所述初始布局图中移除；
在所述初始布局图中检索替代所述干涉布局点的替代布局点，将所述替代布局点导入所述初始布局图中，得到监控设备的二次布局图。
6.根据权利要求1所述的一种矿区开发区域监控设备布局方法，其特征在于，获取各个施工区域位置的施工参数信息，基于所述施工参数信息构建出各个施工区域位置在施工完成后的模拟模型图，基于所述模拟模型图与二次布局图得到监控设备的最终布局图，具体为：
基于所述施工图纸信息得到各个施工区域位置的施工参数信息，基于所述施工参数信息构建出各个施工区域位置在施工完成后的模拟模型图；
获取所述模拟模型图与二次布局图的定位基准，构建虚拟空间，将所述模拟模型图与二次布局图导入所述虚拟空间中，并使得所述模拟模型图与二次布局图对应的定位基准相重合；
在所述虚拟空间中剔除所述模拟模型图与二次布局图的模型重合区域，并保留所述模拟模型图与二次布局图的模型不重合区域，得到待开发矿区在施工完成后的模拟施工模型图；
以所述模拟施工模型图中的监控设备作为投影中心点，以监控设备的有效工作直径作为投影区域，基于中心投影法对所述模拟施工模型图中的各监控设备进行投影渲染，得到渲染完毕的模拟施工模型图；
判断所述渲染完毕的模拟施工模型图中是否存在第二非阴影区域，若存在，则将所述第二非阴影区域标记为第二待补充监控设备区域，并基于所述第二待补充监控设备区域检索出待补充布局点，并将所述待补充布局点导入所述二次布局图中，得到监控设备的最终布局图。
7.一种矿区开发区域监控设备布局系统，其特征在于，所述布局系统包括储存器与处理器，所述储存器中存储矿区开发区域监控设备布局方法程序，所述矿区开发区域监控设备布局方法程序被处理器执行时，实现如下步骤：
获取待开发矿区的施工图纸信息，基于所述施工图纸信息得到待开发矿区的区域位置，基于所述区域位置构建待开发矿区的实时模型图；
获取待开发矿区的施工区域位置信息与非施工区域位置信息，基于所述实时模型图、施工区域位置信息以及非施工区域位置信息确定出待开发矿区的可布局区域与待开发矿区的不可布局区域；
获取监控设备的特性参数信息，基于所述特性参数信息与可布局区域得到监控设备的第一布局点与第二布局点，基于所述第一布局点与第二布局点得到监控设备的初始布局图；
获取监控设备的监测时长信息，基于所述监测时长信息与初始布局图得到监控设备的二次布局图；
获取各个施工区域位置的施工参数信息，基于所述施工参数信息构建出各个施工区域位置在施工完成后的模拟模型图，基于所述模拟模型图与二次布局图得到监控设备的最终布局图，基于所述最终布局图生成监控设备的布局工程图信息，并将所述布局工程图信息输出。
8.根据权利要求7所述的一种矿区开发区域监控设备布局系统，其特征在于，基于所述区域位置构建待开发矿区的实时模型图，具体为：
获取所述区域位置的三维地图信息，基于所述三维地图信息得到待开发矿区的初始三维模型图，基于卷积神经网络构建配对模型，并将所述初始三维模型图导入所述配对模型中；
基于无人机遥感技术采集所述区域位置中物体图像信息，基于所述物体图像信息构建物体模型图；
将所述物体模型图导入所述配对模型中，以将所述物体模型图与所述初始三维模型图中对应位置的物体模型进行配对，得到配对率；将所述配对率与预设配对率进行比较；
获取配对率小于预设配对率所对应的物体模型图，并将所述配对率小于预设配对率所对应的物体模型图整合到所述初始三维模型图中，得到待开发矿区的实时模型图。
9.根据权利要求7所述的一种矿区开发区域监控设备布局系统，其特征在于，获取监控设备的监测时长信息，基于所述监测时长信息与初始布局图得到监控设备的二次布局图，具体为：
通过大数据获取不同类别生长植株所对应的生长速度均值，基于深度学习网络构建预测模型，并将所述不同类别生长植株所对应的生长速度均值导入所述预测模型中；
检索所述初始布局图中各初始布局点在预设范围之内是否存在生长植株，若在初始布局点预设范围之内存在生长植株，则识别出对应的生长植株类别，并将所述对应的生长植株类别导入所述预测模型中，得到该生长植株类别对应的预设生长速度均值；
获取监控设备的监测时长信息，基于所述监测时长信息与预设生长速度均值构建出在初始布局点预设范围之内生长植株的最终生长模型图；
将所述最终生长模型图整合到所述初始布局图中，判断所述初始布局图中的最终生长模型图与监控设备是否存在干涉，若存在干涉，则将存在干涉的初始布局点标记为干涉布局点，并将所述干涉布局点在所述初始布局图中移除；
在所述初始布局图中检索替代所述干涉布局点的替代布局点，将所述替代布局点导入所述初始布局图中，得到监控设备的二次布局图。
10.根据权利要求7所述的一种矿区开发区域监控设备布局系统，其特征在于，获取各个施工区域位置的施工参数信息，基于所述施工参数信息构建出各个施工区域位置在施工完成后的模拟模型图，基于所述模拟模型图与二次布局图得到监控设备的最终布局图，具体为：
基于所述施工图纸信息得到各个施工区域位置的施工参数信息，基于所述施工参数信息构建出各个施工区域位置在施工完成后的模拟模型图；
获取所述模拟模型图与二次布局图的定位基准，构建虚拟空间，将所述模拟模型图与二次布局图导入所述虚拟空间中，并使得所述模拟模型图与二次布局图对应的定位基准相重合；
在所述虚拟空间中剔除所述模拟模型图与二次布局图的模型重合区域，并保留所述模拟模型图与二次布局图的模型不重合区域，得到待开发矿区在施工完成后的模拟施工模型图；
以所述模拟施工模型图中的监控设备作为投影中心点，以监控设备的有效工作直径作为投影区域，基于中心投影法对所述模拟施工模型图中的各监控设备进行投影渲染，得到渲染完毕的模拟施工模型图；
判断所述渲染完毕的模拟施工模型图中是否存在第二非阴影区域，若存在，则将所述第二非阴影区域标记为第二待补充监控设备区域，并基于所述第二待补充监控设备区域检索出待补充布局点，并将所述待补充布局点导入所述二次布局图中，得到监控设备的最终布局图。
CN202310326720.6A 2023-03-30 2023-03-30 一种矿区开发区域监控设备布局方法及系统 Pending CN116502376A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310326720.6A CN116502376A (zh) 2023-03-30 2023-03-30 一种矿区开发区域监控设备布局方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310326720.6A CN116502376A (zh) 2023-03-30 2023-03-30 一种矿区开发区域监控设备布局方法及系统

Publications (1)

Publication Number Publication Date
CN116502376A true CN116502376A (zh) 2023-07-28

Family

ID=87320921

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310326720.6A Pending CN116502376A (zh) 2023-03-30 2023-03-30 一种矿区开发区域监控设备布局方法及系统

Country Status (1)

Country Link
CN (1) CN116502376A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116738552A (zh) * 2023-08-11 2023-09-12 和欣汇达(山东)科技有限公司 一种基于物联网的环境检测设备管理方法及系统
CN116993025A (zh) * 2023-09-26 2023-11-03 广东省农业科学院植物保护研究所 一种基于数据处理的虫害诱杀设备管理方法及系统
CN117094046A (zh) * 2023-10-18 2023-11-21 天津华勘基础工程检测有限公司 一种水上桩基检测平台的管理方法及系统
CN117172511A (zh) * 2023-11-02 2023-12-05 山东建勘集团有限公司 一种基于物联网的工程测量设施智能管理方法及系统

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116738552A (zh) * 2023-08-11 2023-09-12 和欣汇达(山东)科技有限公司 一种基于物联网的环境检测设备管理方法及系统
CN116738552B (zh) * 2023-08-11 2023-10-27 和欣汇达(山东)科技有限公司 一种基于物联网的环境检测设备管理方法及系统
CN116993025A (zh) * 2023-09-26 2023-11-03 广东省农业科学院植物保护研究所 一种基于数据处理的虫害诱杀设备管理方法及系统
CN116993025B (zh) * 2023-09-26 2023-12-15 广东省农业科学院植物保护研究所 一种基于数据处理的虫害诱杀设备管理方法及系统
CN117094046A (zh) * 2023-10-18 2023-11-21 天津华勘基础工程检测有限公司 一种水上桩基检测平台的管理方法及系统
CN117094046B (zh) * 2023-10-18 2023-12-19 天津华勘基础工程检测有限公司 一种水上桩基检测平台的管理方法及系统
CN117172511A (zh) * 2023-11-02 2023-12-05 山东建勘集团有限公司 一种基于物联网的工程测量设施智能管理方法及系统
CN117172511B (zh) * 2023-11-02 2024-01-16 山东建勘集团有限公司 一种基于物联网的工程测量设施智能管理方法及系统

Similar Documents

Publication Publication Date Title
CN116502376A (zh) 一种矿区开发区域监控设备布局方法及系统
Kong et al. Development and application of UAV-SfM photogrammetry for quantitative characterization of rock mass discontinuities
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
CN111950994B (zh) 一种地质环境及监测信息管理方法、系统、终端及存储介质
CN111860205A (zh) 基于多源遥感影像和网格的森林火情评价方法及存储介质
CN103456136A (zh) 物联网构架水利水电工程重大事故安全隐患监测预警系统
CN116416401B (zh) 一种基于无人机航拍的污染场地评估方法及系统
CN111241611B (zh) 一种辅助基坑实施的方法
Mierzejowska et al. The characteristics of geographical information systems in terms of their current use
CN116975576B (zh) 基于关键信息统计的山区公路地质灾害危险性评价方法
CN111539100B (zh) 井场虚拟建设模型的生成方法、装置、设备及存储介质
CN111551956B (zh) 基于机载激光雷达的一种地质灾害探测识别方法
Umili et al. An integrated multiscale approach for characterization of rock masses subjected to tunnel excavation
CN116956755B (zh) 一种矿山生态修复智能规划方法、系统及介质
CN116028671B (zh) 一种消防业务数据库管理方法及系统
CN112802307B (zh) 一种用于地质勘察的地质监测预警方法及系统
CN112861375B (zh) 露天矿山采空区精细化验收方法、系统、设备及介质
CN114565712A (zh) 基于空区扫描三维同步建模与地压响应处理方法和系统
CN113223155A (zh) 一种距离预测方法、装置、设备及介质
Kurniawan et al. Videogrammetry: A new approach of 3-dimensional reconstruction from video using SfM algorithm: Case studi: Coal mining area
Gesch An inventory of topographic surface changes: the value of multi-temporal elevation data for change analysis and monitoring
Alias et al. Identifying the potential use of Unmanned Aerial Vehicle (UAV) technique in mining area for geohazards and safety control
CN116580294B (zh) 基于大数据的矿山动态监控风险预警方法及系统
Terrington et al. Managing the mining cycle using GeoVisionary
CN117892092B (zh) 基于大数据实现矿山数据的智能采集方法及系统

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