CN117422991A - 基于大数据的智能矿山检测系统、方法和可读存储介质 - Google Patents
基于大数据的智能矿山检测系统、方法和可读存储介质 Download PDFInfo
- Publication number
- CN117422991A CN117422991A CN202311285597.4A CN202311285597A CN117422991A CN 117422991 A CN117422991 A CN 117422991A CN 202311285597 A CN202311285597 A CN 202311285597A CN 117422991 A CN117422991 A CN 117422991A
- Authority
- CN
- China
- Prior art keywords
- real
- data
- basic block
- camera
- stage structure
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims abstract description 63
- 238000007689 inspection Methods 0.000 claims abstract description 45
- 229910052500 inorganic mineral Inorganic materials 0.000 claims abstract description 18
- 239000011707 mineral Substances 0.000 claims abstract description 18
- 230000002093 peripheral effect Effects 0.000 claims abstract description 10
- 230000002159 abnormal effect Effects 0.000 claims description 27
- 238000011176 pooling Methods 0.000 claims description 21
- 230000002457 bidirectional effect Effects 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 8
- 238000000862 absorption spectrum Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000011835 investigation Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 239000000428 dust Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000005065 mining Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及矿山安全技术领域，公开了一种基于大数据的智能矿山检测系统及方法和可读存储介质，其中方法包括：S1：采集待测区域的遥感图像，通过高光谱方法识别图像中的蚀变矿物；S2：安排巡检人员对识别到蚀变矿物的矿山进行巡检，由巡检人员上传实时位置信息至服务器端，通过所述服务器端根据上传的所述实时位置信息获取该位置周边传感器的实时监测数据。本发明根据遥感图像识别蚀变矿物后，通过安排巡检人员在巡检路径上实时上传的位置信息获取周边的传感器实时监测数据，从而对其巡检路径上的危险因素进行全方位的精准排查，提升排查的效率和准确性。
Description
技术领域
本发明涉及矿山安全技术领域，具体涉及一种基于大数据的智能矿山检测系统、基于大数据的智能矿山检测方法和可读存储介质。
背景技术
采矿业是重要的基础产业，矿山地下地形复杂，工作环境较为恶劣，由于地下生产作业面远离地面，因此地下矿山与地面的信息传递具有滞后性，存在地面安全生产人员不能及时了解地下的工作环境，发生事故后也不能及时进行救援等问题，所以如今的矿山会采用智能矿山监测系统。
现有的智能矿山监测系统，一般是通过在地下采矿路径上设置各种传感器来实时监测矿山的运行情况，但是传感器在恶劣工作环境中易发生故障，仅通过传感器来实现上述监测操作会导致监测的可靠性不足。且对矿产的运行情况进行监测的主要目的在于保证工作人员的安全，而工作人员的运行轨迹是在实时变化的，因此仅通过矿山中所有布置的传感器来实现监测操作难以准确的评估工作人员附近的安全情况。
另外，现有的智能矿山监测系统中，往往会产生大量的实时数据，目前的监测分析系统难以对上述大量的实时数据进行充分的分析和运用，进而难以挖掘出有效的可利用数据。
发明内容
为了解决现有技术中存在的上述问题和缺陷的至少一个方面，本发明的实施例提供了一种基于大数据的智能矿山检测系统、方法和可读存储介质，以解决现有技术中的难以准确的评估工作人员附近的安全情况，以及难以在大量的实时数据中挖掘出有效的可利用数据问题。
为解决上述技术问题，本发明具体提供下述技术方案：
根据本发明的一个方面，提供了一种基于大数据的智能矿山检测方法，所述智能矿山检测方法包括如下步骤：
S1：采集待测区域的遥感图像，通过高光谱方法识别图像中的蚀变矿物；
S2：安排巡检人员对识别到蚀变矿物的矿山进行巡检，由巡检人员上传实时位置信息至服务器端，通过所述服务器端根据上传的所述实时位置信息获取该位置周边传感器的实时监测数据；
S3：通过服务器端判断接收到的所述实时监测数据是否超过预设值，如果超过预设值则转入下一步骤；如果未超过预设值则转入所述步骤S2；
S4：开启双向摄像头，并将所述双向摄像头实时拍摄的正向影像数据和反向影像数据传输至服务器端；
S5：通过服务器端利用正向影像数据和反向影像数据形成摄像头识别结果，并利用获取的实时位置信息、传感器的实时监测数据和摄像头识别结果，形成一个数据向量；
S6：根据所述数据向量，从多个维度判断矿山环境是否存在异常，若判断不存在异常，则完成排查；若判断存在异常，则根据具体的判断结果进行报警或是提示巡检人员进行进一步排查。
在一些实施例中，在所述步骤S1中，所述高光谱方法识别蚀变矿物的具体步骤如下：
S11：将遥感图像输入至线性混合光谱分解模型，由所述线性混合光谱分解模型输出混合像元，所述混合像元包含待测区域的所有已知地物成分；
S12：使用混合像元分解的几何模型把混合像元投影在N维光谱空间中，形成N维散点图；
S13：使用所述N维散点图提取各地物对应的纯净像元，并使用所述纯净像元分解所述混合像元，得到各地物的特征吸收谱段；
S14：使用光谱特征匹配根据所述地物的特征吸收谱段判断待测区域含各类地物的丰度，根据所述丰度识别蚀变矿物。
在一些实施例中，在所述步骤S2中，通过所述服务器端根据上传的所述实时位置信息获取该位置周边传感器的实时监测数据的具体步骤包括：
S21：预先对矿山中已布置的传感器进行储存，形成传感器布置图；
S22：将实时获取的所述实时位置信息输入至所述传感器布置图中，获取传感器布置图中在所述实时位置信息周边预设范围内的传感器实时监测数据；
其中，所述预设范围和所述传感器实时监测数据的类型根据巡检人员当前的巡检对象确定。
在一些实施例中，在所述步骤S5中，通过将正向影像数据和反向影像数据输入至摄像头风险识别模型，所述摄像头风险识别模型采用卷积神经网络，将所述正向影像数据和反向影像数据作为所述摄像头风险识别模型的输入，由所述摄像头风险识别模型输出所述摄像头识别结果。
在一些实施例中，所述摄像头风险识别模型的具体结构包括：依次连接的第一阶段结构、第二阶段结构、第三阶段结构、第四阶段结构、第五阶段结构和第一最大池化层；
所述第一阶段结构为RestNet18模型的最大池化层之前的网络结构，不包含最大池化层，所述第二阶段结构为两个彼此连接的第二最大池化层、第一基础块和第二基础块，所述第三阶段结构为两个彼此连接的第三基础块和第四基础块，所述第四阶段结构为两个彼此连接的第五基础块和第六基础块，所述第五阶段结构为两个彼此连接的第七基础块和第八基础块；
其中，第一基础块与第一阶段结构连接，所述第二基础块与第三基础块连接，所述第四基础块与第五基础块连接，所述第六基础块与第七基础块连接，所述第八基础块与第一最大池化层连接；其中，第一阶段结构的输出端、第二阶段结构的输出端、第三阶段结构的输出端、第四阶段结构的输出端和第五阶段结构的输出端均与相对全局模块的输入端连接。
在一些实施例中，所述摄像头风险识别模型的卷积层的计算公式如下：
其中，f代表激活函数，K代表卷积核，i代表卷积层数，MJ是输入层的感受野，b代表每个输入图的一个偏置值。
在一些实施例中，所述摄像头风险识别模型的池化层的计算公式如下：
其中，和/>分别是第γ-1层、第γ层输出特征上相应的值，poo l为平均池化。
在一些实施例中，在所述步骤S6中，从多个维度判断矿山环境是否存在异常的具体步骤如下：
S61：为所述数据向量设置三维坐标值，根据所述三维坐标值映射到三维空间中的一个点，确定好三维数据坐标值；
S62：对所述三维数据坐标值进行多重降维操作，通过将所述三维数据坐标值投影至一个坐标平面内，得到一个异常判断结果；
S63：将所述三维数据坐标值投影至三个坐标平面内，从而得到三个异常判断结果；
S64：当上述三个异常判断结果中有两个或三个结果显示为异常，则直接进行报警，当有一个结果显示为异常，则提示巡检人员进行进一步排查。
根据本发明的另一方面，提供了一种基于大数据的智能矿山检测系统，使用如前述实施例中任一实施例所述的基于大数据的智能矿山检测方法，所述智能矿山检测系统由固定于矿山巡检人员头部的安全帽、布置于矿山中的各类传感器、以及服务器端组成；
所述服务器端：用于接收上传的监测信息，并根据所述监测信息得出相应的实时监测分析结果；还用于根据上传的实时位置信息获取周边传感器的实时监测数据；
所述安全帽上集成有如下模块：
双向摄像头：用于对巡检人员的实时状态进行监测，还用于对巡检人员周边的场景进行实时监测；
通讯模块：与所述双向摄像头和所述服务器端连接，用于将监测信息回传至所述服务器端，并且还用于接收所述服务器端传输的实时监测分析结果；
定位模块：与所述服务器端连接，用于实时获取巡检人员位于矿山内的实时位置信息，并将实时位置信息上传值所述服务器端。
根据本发明的又一方面，提供了一种可读存储介质，所述可读存储介质中存储有计算机可读程序或指令，所述计算机可读程序或指令被处理器执行时实施根据前述实施例中任一实施例所述的基于大数据的智能矿山检测方法。
本发明的上述技术方案与现有技术相比较具有如下有益效果中的至少一个或一部分：
(1)本发明根据遥感图像识别蚀变矿物后，通过安排巡检人员在巡检路径上实时上传的位置信息获取周边的传感器实时监测数据，从而对其巡检路径上的危险因素进行全方位的精准排查，提升排查的效率和准确性；
(2)本发明通过在排查过程中运用多维度大数据将监测数据设置为三维数据形式，分别投影至指定的坐标平面内，从不同维度对出现的异常情况进行分析，提升分析的全面性和准确性，从而能够挖掘出有效的可利用数据；
(3)本发明在巡检人员的穿戴设备上集成双向摄像头，通过拍摄正向和反向影像相结合来对异常情况进行综合判断，通过预训练的摄像头风险识别模型对异常情况进行精准识别分析。
附图说明
本发明的这些和/或其他方面和优点从下面结合附图对优选实施例的描述中将变得明显和容易理解，其中：
图1为本发明一实施例所述的基于大数据的智能矿山检测方法的流程示意图；
图2为本发明一实施例所述的基于大数据的智能矿山检测系统的原理示意图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。在说明书中，相同或相似的附图标号指示相同或相似的部件。下述参照附图对本发明实施方式的说明旨在对本发明的总体发明构思进行解释，而不应当理解为对本发明的一种限制。
如图1所示，本发明提供了一种基于大数据的智能矿山检测方法，包括如下步骤：
S1：采集待测区域的遥感图像，通过高光谱方法识别图像中的蚀变矿物；
S2：安排巡检人员对识别到蚀变矿物的矿山进行巡检，由巡检人员上传实时位置信息至服务器端，通过所述服务器端根据上传的所述实时位置信息获取该位置周边传感器的实时监测数据；
S3：通过服务器端判断接收到的所述实时监测数据是否超过预设值，如果超过预设值则转入下一步骤；如果未超过预设值则转入所述步骤S2；
S4：开启双向摄像头，并将所述双向摄像头实时拍摄的正向影像数据和反向影像数据传输至服务器端；
S5：通过服务器端利用正向影像数据和反向影像数据形成摄像头识别结果，并利用获取的实时位置信息、传感器的实时监测数据和摄像头识别结果，形成一个数据向量；具体地，将这些信息作为一个向量存储即形成了所述数据向量；
S6：根据所述数据向量，从多个维度判断矿山环境是否存在异常，若判断不存在异常，则完成排查；若判断存在异常，则根据具体的判断结果进行报警或是提示巡检人员进行进一步排查。
在所述步骤S1中，所述高光谱方法识别蚀变矿物的具体步骤如下：
S11：将遥感图像输入至线性混合光谱分解模型，由所述线性混合光谱分解模型输出混合像元，所述混合像元包含待测区域的所有已知地物成分；
S12：使用混合像元分解的几何模型把混合像元投影在N维光谱空间中，形成N维散点图；
S13：使用所述N维散点图提取各地物对应的纯净像元，并使用所述纯净像元分解所述混合像元，得到各地物的特征吸收谱段；
S14：使用光谱特征匹配根据所述地物的特征吸收谱段判断待测区域含各类地物的丰度，根据所述丰度识别蚀变矿物。
在所述步骤S2中，通过所述服务器端根据上传的所述实时位置信息获取该位置周边传感器的实时监测数据的具体步骤包括：
S21：预先对矿山中已布置的传感器进行储存，形成传感器布置图；
S22：将实时获取的所述实时位置信息输入至所述传感器布置图中，获取传感器布置图中在所述实时位置信息周边预设范围内的传感器实时监测数据；
其中，所述预设范围和所述传感器实时监测数据的类型根据巡检人员当前的主要巡检对象确定。
实例性地，若当前巡检对象为矿山内是否存在粉尘浓度过量的风险，则可根据该类型巡检对象的特点确定所述预设范围为方圆10米内；若当前巡检对象为矿山内是否存在湿度过高的风险，则可根据该类型巡检对象的特点确定所述预设范围为方圆20米内。上述巡检对象类型和预设范围仅为示例性的，还可根据实际情况进行调整。
另外，若当前巡检对象为矿山内是否存在粉尘浓度过量的风险，且确定预设范围为方圆10米内，则以巡检人员为圆心，将方圆十米内的粉尘浓度传感器作为目标传感器，将上述目标传感器的实时粉尘浓度监测数据上传至服务器端。
在步骤S3中，当传感器传来的实时检测数据超过预设值时，说明巡检人员附近存在安全风险。当传感器传来的实时检测数据未超过预设值，说明巡检人员附近不存在安全风险。具体的预设值可以根据需要进行设定。但由于传感器会存在误报的问题，因此还需要结合现场的实时图像情况进行整体判断。
在步骤S4中，正向摄像头用于捕捉巡检人员的正向周边图像信息，反向摄像头用于捕捉周边图像信息，用于为监测结果提供参考。
具体地，所述正向摄像头和反向摄像头均为广角摄像头，所述正向摄像头可采集正向0-180°范围的内的视频信息，所述反向摄像头可采集反向0-180°范围的内的视频信息。
在所述步骤S5中，通过将正向影像数据和反向影像数据输入至摄像头风险识别模型，所述摄像头风险识别模型采用卷积神经网络，将所述正向影像数据和反向影像数据作为所述摄像头风险识别模型的输入，由所述摄像头风险识别模型输出所述摄像头识别结果。
所述摄像头风险识别模型的具体结构包括：依次连接的第一阶段结构、第二阶段结构、第三阶段结构、第四阶段结构、第五阶段结构和第一最大池化层。
所述第一阶段结构为RestNet18模型的最大池化层之前的网络结构，不包含最大池化层。所述第二阶段结构为两个彼此连接的第二最大池化层、第一基础块和第二基础块。所述第三阶段结构为两个彼此连接的第三基础块和第四基础块。所述第四阶段结构为两个彼此连接的第五基础块和第六基础块，所述第五阶段结构为两个彼此连接的第七基础块和第八基础块。
其中，第一基础块与第一阶段结构连接，所述第二基础块与第三基础块连接，所述第四基础块与第五基础块连接，所述第六基础块与第七基础块连接，所述第八基础块与第一最大池化层连接；其中，第一阶段结构的输出端、第二阶段结构的输出端、第三阶段结构的输出端、第四阶段结构的输出端和第五阶段结构的输出端均与相对全局模块的输入端连接。
所述摄像头风险识别模型的卷积层的计算公式如下：
其中，f代表激活函数，K代表卷积核，i代表卷积层数，MJ是输入层的感受野，b代表每个输入图的一个偏置值。
所述摄像头风险识别模型的池化层的计算公式如下：
其中，和/>分别是第γ-1层、第γ层输出特征上相应的值，poo l为平均池化。
在所述步骤S6中，从多个维度判断矿山环境是否存在异常的具体步骤如下：
S61：为所述数据向量设置三维坐标值，根据所述三维坐标值映射到三维空间中的一个点，确定好三维数据坐标值。
更进一步地，所述三维数据的每一个数据维度的坐标值，均为其在预设数据幅度内的预设比例，比如对于实时位置维度，其坐标值可为当前实时位置处于整个矿山中的比例位置数据，对于传感器数据信息维度，其坐标值可为当前传感器监测浓度处于浓度上限和下限之间的数据的比例数据，对于摄像头识别结果，其坐标值可为其输出的风险等级预测结果。
S62：对所述三维数据坐标值进行多重降维操作，通过将所述三维数据坐标值投影至一个坐标平面内，得到一个异常判断结果。
更进一步地，所述多重降维操作，是指将该三维坐标投影到指定的一个坐标平面内，比如当忽略实时位置坐标时，可将所述三维坐标投影为由传感器数据信息和摄像头识别结果组成的二维坐标平面，根据所述由传感器数据信息和摄像头识别结果组成的二维数据在所述二维坐标平面的位置判断是否存在异常，从而可基于上述两个维度对监测情况进行分析，判断是否存在异常，判断的标准可参考相关标准和历史数据。
S63：将所述三维数据坐标值投影至三个坐标平面内，从而得到三个异常判断结果。
S64：当上述三个异常判断结果中有两个或三个结果显示为异常，则直接进行报警，当有一个结果显示为异常，则提示巡检人员进行进一步排查。
本发明根据遥感图像识别蚀变矿物后，通过安排巡检人员在巡检路径上实时上传的位置信息获取周边的传感器实时监测数据，从而对其巡检路径上的危险因素进行全方位的精准排查，提升排查的效率和准确性。
本发明通过在排查过程中运用多维度大数据将监测数据设置为三维数据形式，分别投影至指定的坐标平面内，从不同维度对出现的异常情况进行分析，提升分析的全面性和准确性；
本发明在巡检人员的穿戴设备上集成双向摄像头，通过拍摄正向和反向影像相结合来对异常情况进行综合判断，通过预训练的风险识别模型对异常情况进行精准识别分析。
如图2所示，提供了一种基于大数据的智能矿山检测系统100，使用如上述的基于大数据的智能矿山检测方法。所述系统100由固定于矿山巡检人员头部的安全帽10、布置于矿山中的各类传感器20、以及服务器端30组成。
所述服务器端30用于接收上传的检测信息，并根据所述监测信息得出相应的实时监测分析结果；还用于根据上传的实时位置信息获取周边传感器的实时监测数据。服务器端30与安全帽10和各类传感器20通信连接。
所述安全帽10上集成有如下模块：
双向摄像头11：用于对巡检人员的实时状态进行监测，还用于对巡检人员周边的场景进行实时监测；
通讯模块12：与所述双向摄像头和所述服务器30端连接，用于将监测信息回传至所述服务器端30，并且还用于接收所述服务器端30传输的实时监测分析结果；
定位模块13：与所述服务器端30连接，用于实时获取巡检人员位于矿山内的实时位置信息，并将实时位置信息上传值所述服务器端30。
在本发明的另一方面，还提供了一种计算机可读存储介质。所述计算机可读存储介质上存储有数据处理程序，所述数据处理程序被处理器执行前述实施例所述的基于大数据的智能矿山检测方法。
本领域技术人员应明白，本发明的实施例可提供为方法、装置(设备)、或计算机程序产品。因此，本文可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或可以用于存储期望的信息并且可以被计算机访问的任何其他的介质等。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置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。
虽然本总体发明构思的一些实施例已被显示和说明，本领域普通技术人员将理解，在不背离本总体发明构思的原则和精神的情况下，可对这些实施例做出改变，本发明的范围以权利要求和它们的等同物限定。
Claims (10)
1.一种基于大数据的智能矿山检测方法，其特征在于，所述智能矿山检测方法包括如下步骤：
S1：采集待测区域的遥感图像，通过高光谱方法识别图像中的蚀变矿物；
S2：安排巡检人员对识别到蚀变矿物的矿山进行巡检，由巡检人员上传实时位置信息至服务器端，通过所述服务器端根据上传的所述实时位置信息获取该位置周边传感器的实时监测数据；
S3：通过服务器端判断接收到的所述实时监测数据是否超过预设值，如果超过预设值则转入下一步骤；如果未超过预设值则转入所述步骤S2；
S4：开启双向摄像头，并将所述双向摄像头实时拍摄的正向影像数据和反向影像数据传输至服务器端；
S5：通过服务器端利用正向影像数据和反向影像数据形成摄像头识别结果，并利用获取的实时位置信息、传感器的实时监测数据和摄像头识别结果，形成一个数据向量；
S6：根据所述数据向量，从多个维度判断矿山环境是否存在异常，若判断不存在异常，则完成排查；若判断存在异常，则根据具体的判断结果进行报警或是提示巡检人员进行进一步排查。
2.根据权利要求1所述的基于大数据的智能矿山检测方法，其特征在于，在所述步骤S1中，所述高光谱方法识别蚀变矿物的具体步骤如下：
S11：将遥感图像输入至线性混合光谱分解模型，由所述线性混合光谱分解模型输出混合像元，所述混合像元包含待测区域的所有已知地物成分；
S12：使用混合像元分解的几何模型把混合像元投影在N维光谱空间中，形成N维散点图；
S13：使用所述N维散点图提取各地物对应的纯净像元，并使用所述纯净像元分解所述混合像元，得到各地物的特征吸收谱段；
S14：使用光谱特征匹配根据所述地物的特征吸收谱段判断待测区域含各类地物的丰度，根据所述丰度识别蚀变矿物。
3.根据权利要求1所述的基于大数据的智能矿山检测方法，其特征在于，在所述步骤S2中，通过所述服务器端根据上传的所述实时位置信息获取该位置周边传感器的实时监测数据的具体步骤包括：
S21：预先对矿山中已布置的传感器进行储存，形成传感器布置图；
S22：将实时获取的所述实时位置信息输入至所述传感器布置图中，获取传感器布置图中在所述实时位置信息周边预设范围内的传感器实时监测数据；
其中，所述预设范围和所述传感器实时监测数据的类型根据巡检人员当前的巡检对象确定。
4.根据权利要求1所述的基于大数据的智能矿山检测方法，其特征在于，在所述步骤S5中，通过将正向影像数据和反向影像数据输入至摄像头风险识别模型，所述摄像头风险识别模型采用卷积神经网络，将所述正向影像数据和反向影像数据作为所述摄像头风险识别模型的输入，由所述摄像头风险识别模型输出所述摄像头识别结果。
5.根据权利要求4所述的基于大数据的智能矿山检测方法，其特征在于，
所述摄像头风险识别模型的具体结构包括：依次连接的第一阶段结构、第二阶段结构、第三阶段结构、第四阶段结构、第五阶段结构和第一最大池化层；
所述第一阶段结构为RestNet18模型的最大池化层之前的网络结构，不包含最大池化层，所述第二阶段结构为两个彼此连接的第二最大池化层、第一基础块和第二基础块，所述第三阶段结构为两个彼此连接的第三基础块和第四基础块，所述第四阶段结构为两个彼此连接的第五基础块和第六基础块，所述第五阶段结构为两个彼此连接的第七基础块和第八基础块；
其中，第一基础块与第一阶段结构连接，所述第二基础块与第三基础块连接，所述第四基础块与第五基础块连接，所述第六基础块与第七基础块连接，所述第八基础块与第一最大池化层连接；其中，第一阶段结构的输出端、第二阶段结构的输出端、第三阶段结构的输出端、第四阶段结构的输出端和第五阶段结构的输出端均与相对全局模块的输入端连接。
6.根据权利要求5所述的基于大数据的智能矿山检测方法，其特征在于，所述摄像头风险识别模型的卷积层的计算公式如下：
其中，f代表激活函数，K代表卷积核，i代表卷积层数，MJ是输入层的感受野，b代表每个输入图的一个偏置值。
7.根据权利要求5所述的基于大数据的智能矿山检测方法，其特征在于，所述摄像头风险识别模型的池化层的计算公式如下：
其中，和/>分别是第γ-1层、第γ层输出特征上相应的值，pool为平均池化。
8.根据权利要求1-7中任一项所述的基于大数据的智能矿山检测方法，其特征在于，在所述步骤S6中，从多个维度判断矿山环境是否存在异常的具体步骤如下：
S61：为所述数据向量设置三维坐标值，根据所述三维坐标值映射到三维空间中的一个点，确定好三维数据坐标值；
S62：对所述三维数据坐标值进行多重降维操作，通过将所述三维数据坐标值投影至一个坐标平面内，得到一个异常判断结果；
S63：将所述三维数据坐标值投影至三个坐标平面内，从而得到三个异常判断结果；
S64：当上述三个异常判断结果中有两个或三个结果显示为异常，则直接进行报警，当有一个结果显示为异常，则提示巡检人员进行进一步排查。
9.一种基于大数据的智能矿山检测系统，使用如权利要求1-8中任一项所述的基于大数据的智能矿山检测方法，其特征在于，所述智能矿山检测系统由固定于矿山巡检人员头部的安全帽、布置于矿山中的各类传感器、以及服务器端组成；
所述服务器端：用于接收上传的监测信息，并根据所述监测信息得出相应的实时监测分析结果；还用于根据上传的实时位置信息获取周边传感器的实时监测数据；
所述安全帽上集成有如下模块：
双向摄像头：用于对巡检人员的实时状态进行监测，还用于对巡检人员周边的场景进行实时监测；
通讯模块：与所述双向摄像头和所述服务器端连接，用于将监测信息回传至所述服务器端，并且还用于接收所述服务器端传输的实时监测分析结果；
定位模块：与所述服务器端连接，用于实时获取巡检人员位于矿山内的实时位置信息，并将实时位置信息上传值所述服务器端。
10.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机可读程序或指令，所述计算机可读程序或指令被处理器执行时实施根据权利要求1-8中任一项所述的基于大数据的智能矿山检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311285597.4A CN117422991B (zh) | 2023-10-07 | 2023-10-07 | 基于大数据的智能矿山检测系统、方法和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311285597.4A CN117422991B (zh) | 2023-10-07 | 2023-10-07 | 基于大数据的智能矿山检测系统、方法和可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117422991A true CN117422991A (zh) | 2024-01-19 |
| CN117422991B CN117422991B (zh) | 2024-06-04 |
Family
ID=89521942
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311285597.4A Active CN117422991B (zh) | 2023-10-07 | 2023-10-07 | 基于大数据的智能矿山检测系统、方法和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117422991B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201396192Y (zh) * | 2009-04-24 | 2010-02-03 | 西安科技大学 | 一种新型便携式矿山设备巡检仪 |
| CN102012528A (zh) * | 2010-11-23 | 2011-04-13 | 北京理工大学 | 一种稀疏植被地区的高光谱遥感油气勘探方法 |
| CN103217954A (zh) * | 2013-03-22 | 2013-07-24 | 河北钢铁集团矿业有限公司 | 一种矿山井下监测监控装置 |
| CN106250808A (zh) * | 2016-06-02 | 2016-12-21 | 上海弘视通信技术有限公司 | 基于三维相机的双人值岗检测方法及系统 |
| CN107589094A (zh) * | 2017-09-20 | 2018-01-16 | 鞍钢集团矿业有限公司 | 基于光谱特征的鞍山式铁矿石类型确定方法 |
| CN110415220A (zh) * | 2019-07-09 | 2019-11-05 | 国电大渡河瀑布沟发电有限公司 | 一种大型水电站的设备智能巡检方法 |
| CN111611855A (zh) * | 2020-04-17 | 2020-09-01 | 广东电网有限责任公司 | 一种变电站三维可视化机器人智能巡检系统 |
| CN112343657A (zh) * | 2020-11-04 | 2021-02-09 | 成都光束慧联科技有限公司 | 矿山井下风门识别及其异常状态监测方法 |
| CN112507933A (zh) * | 2020-12-16 | 2021-03-16 | 南开大学 | 基于集中式信息交互的显著性目标检测方法及系统 |
| KR102246499B1 (ko) * | 2019-12-13 | 2021-05-04 | 주식회사 이에스피 | 광산 안전 통합관리 시스템 및 방법 |
| WO2021226977A1 (zh) * | 2020-05-15 | 2021-11-18 | 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 |
| CN113829340A (zh) * | 2021-09-02 | 2021-12-24 | 苏州触达信息技术有限公司 | 基于巡检机器人的变电站消防方法 |
| CN115830807A (zh) * | 2022-11-17 | 2023-03-21 | 中煤浙江测绘地理信息有限公司 | 一种矿山安全预警方法、系统、设备及介质 |
| CN115848938A (zh) * | 2022-12-29 | 2023-03-28 | 重庆大学 | 适用于带式输送机的声光巡检方法、终端及可读存储介质 |
| CN116385593A (zh) * | 2023-03-24 | 2023-07-04 | 湖北工业大学 | 基于定量半监督学习的高光谱遥感矿物填图方法 |
-
2023
- 2023-10-07 CN CN202311285597.4A patent/CN117422991B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201396192Y (zh) * | 2009-04-24 | 2010-02-03 | 西安科技大学 | 一种新型便携式矿山设备巡检仪 |
| CN102012528A (zh) * | 2010-11-23 | 2011-04-13 | 北京理工大学 | 一种稀疏植被地区的高光谱遥感油气勘探方法 |
| CN103217954A (zh) * | 2013-03-22 | 2013-07-24 | 河北钢铁集团矿业有限公司 | 一种矿山井下监测监控装置 |
| CN106250808A (zh) * | 2016-06-02 | 2016-12-21 | 上海弘视通信技术有限公司 | 基于三维相机的双人值岗检测方法及系统 |
| CN107589094A (zh) * | 2017-09-20 | 2018-01-16 | 鞍钢集团矿业有限公司 | 基于光谱特征的鞍山式铁矿石类型确定方法 |
| CN110415220A (zh) * | 2019-07-09 | 2019-11-05 | 国电大渡河瀑布沟发电有限公司 | 一种大型水电站的设备智能巡检方法 |
| KR102246499B1 (ko) * | 2019-12-13 | 2021-05-04 | 주식회사 이에스피 | 광산 안전 통합관리 시스템 및 방법 |
| CN111611855A (zh) * | 2020-04-17 | 2020-09-01 | 广东电网有限责任公司 | 一种变电站三维可视化机器人智能巡检系统 |
| WO2021226977A1 (zh) * | 2020-05-15 | 2021-11-18 | 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 |
| CN112343657A (zh) * | 2020-11-04 | 2021-02-09 | 成都光束慧联科技有限公司 | 矿山井下风门识别及其异常状态监测方法 |
| CN112507933A (zh) * | 2020-12-16 | 2021-03-16 | 南开大学 | 基于集中式信息交互的显著性目标检测方法及系统 |
| CN113829340A (zh) * | 2021-09-02 | 2021-12-24 | 苏州触达信息技术有限公司 | 基于巡检机器人的变电站消防方法 |
| CN115830807A (zh) * | 2022-11-17 | 2023-03-21 | 中煤浙江测绘地理信息有限公司 | 一种矿山安全预警方法、系统、设备及介质 |
| CN115848938A (zh) * | 2022-12-29 | 2023-03-28 | 重庆大学 | 适用于带式输送机的声光巡检方法、终端及可读存储介质 |
| CN116385593A (zh) * | 2023-03-24 | 2023-07-04 | 湖北工业大学 | 基于定量半监督学习的高光谱遥感矿物填图方法 |
Non-Patent Citations (3)
| Title |
|---|
| HONGWEI WANG 等: "Real‑time detection and location of reserved anchor hole in coal mine roadway support steel belt", JOURNAL OF REAL-TIME IMAGE PROCESSING, 22 July 2023 (2023-07-22), pages 1 - 14 * |
| 刘雅婷: "多时相遥感丰度与VI综合分析的水稻估产", 中国优秀硕士学位论文全文数据库 农业科技辑, no. 03, 15 March 2021 (2021-03-15), pages 043 - 23 * |
| 王利岗 等: "井下空区安全监测三维激光扫描仪 高精度运动控制技术", 有色金属(矿山部分), vol. 64, no. 2, 31 March 2012 (2012-03-31), pages 1 - 4 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117422991B (zh) | 2024-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101025825B (zh) | 异常行为探测装置 | |
| CN104935879B (zh) | 用于活动顺序验证的基于视觉的监视系统 | |
| EP3308356B1 (en) | System and method for detecting a dissimilar object in undercarriage of a vehicle | |
| CN104023906B (zh) | 操作管理装置及操作管理系统 | |
| CN105551064B (zh) | 一种基于图像特征估计堆料体积变化率的方法 | |
| CN110602449A (zh) | 一种基于视觉的大场景下施工安全智能监控系统方法 | |
| CN113283344A (zh) | 一种基于语义分割网络的矿用输送带跑偏检测方法 | |
| EP4137901A1 (en) | Deep-learning-based real-time process monitoring system, and method therefor | |
| Alharam et al. | Real time AI-based pipeline inspection using drone for oil and gas industries in Bahrain | |
| US9704289B2 (en) | Indexing method and system | |
| CN104933436A (zh) | 具有动态完整性评分的基于视觉的多摄像头工厂监测 | |
| CN111274934A (zh) | 在仓储管理中智能监控叉车运行轨迹的实现方法和系统 | |
| CN112235537A (zh) | 一种变电站现场作业安全预警方法 | |
| CN116363585A (zh) | 一种输电线路在线监测方法及系统 | |
| CN115689305A (zh) | 一种用于矿井建设智能化程度的评估方法及系统 | |
| CN117422991B (zh) | 基于大数据的智能矿山检测系统、方法和可读存储介质 | |
| CN116579601B (zh) | 矿山安全生产风险监测预警系统及方法 | |
| CN115953815A (zh) | 基建现场的监测方法及装置 | |
| CN115841730A (zh) | 视频监控系统、异常事件检测方法 | |
| CN115761831A (zh) | 一种安全帽检测方法及装置 | |
| Bilgilioglu et al. | Object based classification of unmanned aerial vehicle (UAV) imagery for forest fires monitoring | |
| Rakshit et al. | Railway Track Fault Detection using Deep Neural Networks | |
| Pal et al. | A video-based human activity and motion direction classification framework for agricultural fields | |
| Ankad et al. | Object Size Measurement from CCTV footage using deep learning | |
| CN115471826B (zh) | 航空加油车安全驾驶行为判别方法、装置和安全运维系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |