CN117608000A - 一种矿产的综合勘查方法及系统 - Google Patents
一种矿产的综合勘查方法及系统 Download PDFInfo
- Publication number
- CN117608000A CN117608000A CN202311642664.3A CN202311642664A CN117608000A CN 117608000 A CN117608000 A CN 117608000A CN 202311642664 A CN202311642664 A CN 202311642664A CN 117608000 A CN117608000 A CN 117608000A
- Authority
- CN
- China
- Prior art keywords
- mineral
- information
- target
- investigation
- predicted
- 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
Links
- 229910052500 inorganic mineral Inorganic materials 0.000 title claims abstract description 194
- 239000011707 mineral Substances 0.000 title claims abstract description 194
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000011835 investigation Methods 0.000 claims abstract description 99
- 238000009826 distribution Methods 0.000 claims abstract description 48
- 238000010276 construction Methods 0.000 claims abstract description 47
- 238000005065 mining Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000013136 deep learning model Methods 0.000 claims abstract description 8
- 210000003462 vein Anatomy 0.000 claims description 16
- 239000011435 rock Substances 0.000 claims description 10
- 238000003892 spreading Methods 0.000 claims description 6
- 230000007480 spreading Effects 0.000 claims description 6
- 229910052845 zircon Inorganic materials 0.000 description 17
- GFQYVLUOOAAOGM-UHFFFAOYSA-N zirconium(iv) silicate Chemical compound [Zr+4].[O-][Si]([O-])([O-])[O-] GFQYVLUOOAAOGM-UHFFFAOYSA-N 0.000 description 13
- 238000004590 computer program Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 239000002366 mineral element Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000005755 formation reaction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000037237 body shape Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011234 economic evaluation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开一种矿产的综合勘查方法及系统。该方法包括：获取历史矿产参数，所述历史矿产参数包括目标勘查区域的断层构造信息、岩性信息和矿产分布信息；根据所述历史矿产参数，确定找矿靶区信息；将所述断层构造信息、岩性信息和矿产分布信息作为输入数据，所述找矿靶区信息作为输出数据对深度学习模型进行训练，得到训练后的矿产综合勘查模型；获取待预测的矿产参数，所述待预测的矿产参数包括目标勘查区域的断层构造信息、岩性信息和矿产分布信息；将所述待预测的目标勘查区域的断层构造信息、岩性信息和矿产分布信息输入至所述矿产综合勘查模型进行预测，得到预测找矿靶区信息，本发明能够精确预测找矿靶区信息。
Description
技术领域
本发明涉及矿产勘查领域，特别是涉及一种矿产的综合勘查方法及系统。
背景技术
矿产勘查是指通过研究矿产形成与分布的地质条件、矿床赋存规律及矿体变化特征来有效查明和评价矿体产状及储量，从而进行地质、技术和经济评价。矿石品位指矿脉中有用组分的富集程度及单位含量。矿石品位高低决定矿产资源开发利用价值大小、加工利用方向与生产技术工艺流程等，因此十分重要。对于脉状矿床而言，传统的含矿脉与不含矿脉的区分以及矿体品位的确定主要通过化验样品的成矿元素含量来实现。该方法要求对整个矿体的样品覆盖完全，且成矿元素含量高于检测限时才能实现。此外，矿体在不同标高具有不同的含矿性，仅通过局部样品化验数据来估算整个矿体的品位显得以偏概全。近年来随着脉状矿床找矿勘探工作的不断深入，矿床深边部找矿难度增大，而传统的利用化验成矿元素含量来确定脉体含矿性及矿石品位的方法已不能完全满足现今高效找矿的需求。而且在找矿勘探初期及深边部找矿勘探过程中，探矿工程少，脉体揭露不完全，限制了大量样品的采集，这对脉体的含矿性及矿体矿石品位的判断形成挑战。因此如何在不直接化验矿石成矿元素含量的前提下快速区分含矿脉及不含矿脉，并对含矿脉的矿石品位进行预判，确定矿床成矿潜力，对整个矿区勘查决策的指导十分重要。
发明内容
本发明的目的是提供一种矿产的综合勘查方法及系统，可精确预测找矿靶区信息。
为实现上述目的，本发明提供了如下方案：
一种矿产的综合勘查方法包括：
获取历史矿产参数，所述历史矿产参数包括目标勘查区域的断层构造信息、岩性信息和矿产分布信息；
根据所述历史矿产参数，确定找矿靶区信息；
将所述断层构造信息、岩性信息和矿产分布信息作为输入数据，所述找矿靶区信息作为输出数据对深度学习模型进行训练，得到训练后的矿产综合勘查模型；
获取待预测的矿产参数，所述待预测的矿产参数包括目标勘查区域的断层构造信息、岩性信息和矿产分布信息；
将所述待预测的目标勘查区域的断层构造信息、岩性信息和矿产分布信息输入至所述矿产综合勘查模型进行预测，得到预测找矿靶区信息。
可选地，所述获取历史矿产参数，具体包括：
根据卫星影像识别方法，得到遥感影像；
根据所述遥感影像，确定所述目标勘查区域的断层构造信息、岩性信息和矿产信息。
可选地，所述根据各所述遥感影像，确定所述目标勘查区域的断层构造信息、岩性信息和矿产信息，具体包括：
根据卫星遥感影像解译的山体、河流、谷地展布方向及微地貌影像色相差异，识别目标勘查区域的断层、岩脉与矿产位置及区域走向。
可选地，所述根据所述历史矿产参数，确定找矿靶区信息，具体包括：
根据所述目标勘查区域的矿产信息确定所述目标勘查区域的矿产分布密度信息；
根据所述目标勘查区域的断层构造信息、岩性信息和矿产分布密度信息，确定所述目标勘查区域内的找矿靶区。
一种矿产的综合勘查系统包括：
历史矿产参数获取模块，用于获取历史矿产参数，所述历史矿产参数包括目标勘查区域的断层构造信息、岩性信息和矿产分布信息；
找矿靶区信息确定模块，用于根据所述历史矿产参数，确定找矿靶区信息；
矿产综合勘查模型训练模块，用于将所述断层构造信息、岩性信息和矿产分布信息作为输入数据，所述找矿靶区信息作为输出数据对深度学习模型进行训练，得到训练后的矿产综合勘查模型；
待预测矿产参数获取模块，用于获取待预测的矿产参数，所述待预测的矿产参数包括目标勘查区域的断层构造信息、岩性信息和矿产分布信息；
预测找矿靶区信息确定模块，用于将所述待预测的目标勘查区域的断层构造信息、岩性信息和矿产分布信息输入至所述矿产综合勘查模型进行预测，得到预测找矿靶区信息。
可选地，所述历史矿产参数获取模块，具体包括：
遥感影像获取单元，用于根据卫星影像识别方法，得到遥感影像；
矿产参数获取单元，用于根据所述遥感影像，确定所述目标勘查区域的断层构造信息、岩性信息和矿产信息。
可选地，所述矿产参数获取单元，具体包括：
矿产参数获取子单元，用于根据卫星遥感影像解译的山体、河流、谷地展布方向及微地貌影像色相差异，识别目标勘查区域的断层、岩脉与矿产位置及区域走向。
可选地，所述找矿靶区信息确定模块，具体包括：
矿产分布密度信息确定单元，用于根据所述目标勘查区域的矿产信息，确定所述目标勘查区域的矿产分布密度信息；
找矿靶区信息确定单元，用于根据所述目标勘查区域的断层构造信息、岩性信息和矿产分布密度信息，确定所述目标勘查区域内的找矿靶区。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供一种矿产的综合勘查方法及系统。该方法包括：获取历史矿产参数，所述历史矿产参数包括目标勘查区域的断层构造信息、岩性信息和矿产分布信息；根据所述历史矿产参数，确定找矿靶区信息；将所述断层构造信息、岩性信息和矿产分布信息作为输入数据，所述找矿靶区信息作为输出数据对深度学习模型进行训练，得到训练后的矿产综合勘查模型；获取待预测的矿产参数，所述待预测的矿产参数包括目标勘查区域的断层构造信息、岩性信息和矿产分布信息；将所述待预测的目标勘查区域的断层构造信息、岩性信息和矿产分布信息输入至所述矿产综合勘查模型进行预测，得到预测找矿靶区信息，本发明能够精确预测找矿靶区信息。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的矿产的综合勘查方法流程图；
图2为本发明实施例提供的矿产的综合勘查系统组成结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明的目的是提供一种矿产的综合勘查方法及系统，可精确预测找矿靶区信息。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一：
图1为本发明实施例提供的矿产的综合勘查方法流程图，如图1所示，本发明实施例一提供一种矿产的综合勘查方法，该方法包括：
步骤101：获取历史矿产参数，所述历史矿产参数包括目标勘查区域的断层构造信息、岩性信息和矿产分布信息，具体包括：
步骤1011：根据卫星影像识别方法，得到遥感影像。
步骤1012：根据所述遥感影像，确定所述目标勘查区域的断层构造信息、岩性信息和矿产信息，具体包括：
根据卫星遥感影像解译的山体、河流、谷地展布方向及微地貌影像色相差异，识别目标勘查区域的断层、岩脉与矿产位置及区域走向。具体地：
(1)利用目标勘查区域的雷达影像数据和第一遥感影像数据确定所述目标勘查区域的断层构造信息；
(2)利用所述目标勘查区域的第二遥感影像数据确定所述目标勘查区域的岩性信息；
(3)将所述目标勘查区域的第三遥感影像数据与第四遥感影像数据进行数据融合后输入已训练的多分类计算模型进行识别，得到所述目标勘查区域的伟晶岩型锆石信息，具体地：
将所述目标勘查区域的第三遥感影像数据与第四遥感影像数据进行数据融合，得到第一融合影像数据；
根据伟晶岩型锆石的反射光谱曲线计算所述第一融合影像数据的对应波段中的反射峰波段与吸收谷波段的三个关系值，得到三个灰度影像数据，其中，所述关系值为((Band a+Bandb)/Bandb)，Band a表示反射峰波段，Bandb表示吸收谷波段；
利用三个灰度影像数据分别赋予红色通道灰阶、绿色通道灰阶和蓝色通道灰阶以形成彩色合成影像数据；以及
将所述彩色合成影像数据输入已训练的多分类计算模型进行识别，得到所述目标勘查区域的伟晶岩型锆石信息。
上述(1)具体包括：
将所述目标勘查区域的雷达影像数据与第一遥感影像数据进行数据融合，得到第二融合影像数据；
对第四遥感影像数据进行Prewitt边缘检测，得到边缘检测影像数据；以及
根据所述雷达影像数据、所述第二融合影像数据及所述边缘检测影像数据，确定所述目标勘查区域的断层构造信息。
上述(3)还包括：进行阈值分割：判断包含所述多分类计算模型输出的伟晶岩型锆石信息的影像数据中，标记为伟晶岩型锆石的像素的红色通道灰阶、绿色通道灰阶和蓝色通道灰阶中至少存在一个大于预设灰阶阈值且红色通道灰阶、绿色通道灰阶和蓝色通道灰阶的均值大于预设灰阶阈值是否成立，若是则保留所述像素的标记，若否则删除所述像素的标记。
在所述阈值分割后：利用并运算将像素距离小于预设像素距离阈值的两个标记为伟晶岩型锆石的像素区域之间的像素标记为伟晶岩型锆石，和/或，将像素面积小于预设像素面积阈值的标记为伟晶岩型锆石的像素区域中各像素的标记删除。
通过前期研究表明，含矿伟晶岩和无矿伟晶岩中的锆石具有不同的来源及成因。含矿伟晶岩中的锆石大多(含量>60％)为古老碎屑锆石。这些古老碎屑锆石来自于矿区深部基底地层，当含矿流体浸出于或流经于这些地质体时，会将地层中的碎屑锆石一同带出并与成矿元素一同析出形成矿体。无矿伟晶岩中碎屑锆石少且大多(含量>80％)为相对年轻的围岩锆石。这些锆石主要来自于矿区围岩地层，当成矿流体中的成矿元素析出成矿后，不含矿流体含大量多余的水交代围岩形成不含矿脉，同时捕获围岩中的锆石形成无矿伟晶岩。
步骤102：根据所述历史矿产参数，确定找矿靶区信息，具体包括：
根据所述目标勘查区域的矿产信息确定所述目标勘查区域的矿产分布密度信息；
根据所述目标勘查区域的断层构造信息、岩性信息和矿产分布密度信息，确定所述目标勘查区域内的找矿靶区。
步骤103：将所述断层构造信息、岩性信息和矿产分布信息作为输入数据，所述找矿靶区信息作为输出数据对深度学习模型进行训练，得到训练后的矿产综合勘查模型；
步骤104：获取待预测的矿产参数，所述待预测的矿产参数包括目标勘查区域的断层构造信息、岩性信息和矿产分布信息；
步骤105：将所述待预测的目标勘查区域的断层构造信息、岩性信息和矿产分布信息输入至所述矿产综合勘查模型进行预测，得到预测找矿靶区信息。
实施例二：
图2为本发明实施例提供的矿产的综合勘查系统组成结构图。如图2所示，本发明实施例二提供一种矿产的综合勘查系统，该系统包括：
历史矿产参数获取模块201，用于获取历史矿产参数，所述历史矿产参数包括目标勘查区域的断层构造信息、岩性信息和矿产分布信息；
找矿靶区信息确定模块202，用于根据所述历史矿产参数，确定找矿靶区信息；
矿产综合勘查模型训练模块203，用于将所述断层构造信息、岩性信息和矿产分布信息作为输入数据，所述找矿靶区信息作为输出数据对深度学习模型进行训练，得到训练后的矿产综合勘查模型；
待预测矿产参数获取模块204，用于获取待预测的矿产参数，所述待预测的矿产参数包括目标勘查区域的断层构造信息、岩性信息和矿产分布信息；
预测找矿靶区信息确定模块205，用于将所述待预测的目标勘查区域的断层构造信息、岩性信息和矿产分布信息输入至所述矿产综合勘查模型进行预测，得到预测找矿靶区信息。
所述历史矿产参数获取模块201，具体包括：
遥感影像获取单元，用于根据卫星影像识别方法，得到遥感影像；
矿产参数获取单元，用于根据所述遥感影像，确定所述目标勘查区域的断层构造信息、岩性信息和矿产信息。
所述矿产参数获取单元，具体包括：
矿产参数获取子单元，用于根据卫星遥感影像解译的山体、河流、谷地展布方向及微地貌影像色相差异，识别目标勘查区域的断层、岩脉与矿产位置及区域走向。
所述找矿靶区信息确定模块202，具体包括：
矿产分布密度信息确定单元，用于根据所述目标勘查区域的矿产信息，确定所述目标勘查区域的矿产分布密度信息；
找矿靶区信息确定单元，用于根据所述目标勘查区域的断层构造信息、岩性信息和矿产分布密度信息，确定所述目标勘查区域内的找矿靶区。
实施例三：
本实施例提供一种电子设备，包括存储器及处理器，存储器用于存储计算机程序，处理器运行计算机程序以使电子设备执行实施例一的矿产的综合勘查方法。
可选地，上述电子设备可以是服务器。
另外，本发明实施例还提供一种计算机可读存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现实施例一的矿产的综合勘查方法。
本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生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装置。
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。
这些计算机程序指令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。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种矿产的综合勘查方法，其特征在于，所述矿产的综合勘查方法包括：
获取历史矿产参数，所述历史矿产参数包括目标勘查区域的断层构造信息、岩性信息和矿产分布信息；
根据所述历史矿产参数，确定找矿靶区信息；
将所述断层构造信息、岩性信息和矿产分布信息作为输入数据，所述找矿靶区信息作为输出数据对深度学习模型进行训练，得到训练后的矿产综合勘查模型；
获取待预测的矿产参数，所述待预测的矿产参数包括目标勘查区域的断层构造信息、岩性信息和矿产分布信息；
将所述待预测的目标勘查区域的断层构造信息、岩性信息和矿产分布信息输入至所述矿产综合勘查模型进行预测，得到预测找矿靶区信息。
2.根据权利要求1所述的矿产的综合勘查方法，其特征在于，所述获取历史矿产参数，具体包括：
根据卫星影像识别方法，得到遥感影像；
根据所述遥感影像，确定所述目标勘查区域的断层构造信息、岩性信息和矿产信息。
3.根据权利要求2所述的矿产的综合勘查方法，其特征在于，所述根据各所述遥感影像，确定所述目标勘查区域的断层构造信息、岩性信息和矿产信息，具体包括：
根据卫星遥感影像解译的山体、河流、谷地展布方向及微地貌影像色相差异，识别目标勘查区域的断层、岩脉与矿产位置及区域走向。
4.根据权利要求1所述的矿产的综合勘查方法，其特征在于，所述根据所述历史矿产参数，确定找矿靶区信息，具体包括：
根据所述目标勘查区域的矿产信息确定所述目标勘查区域的矿产分布密度信息；
根据所述目标勘查区域的断层构造信息、岩性信息和矿产分布密度信息，确定所述目标勘查区域内的找矿靶区。
5.一种矿产的综合勘查系统，其特征在于，所述矿产的综合勘查系统包括：
历史矿产参数获取模块，用于获取历史矿产参数，所述历史矿产参数包括目标勘查区域的断层构造信息、岩性信息和矿产分布信息；
找矿靶区信息确定模块，用于根据所述历史矿产参数，确定找矿靶区信息；
矿产综合勘查模型训练模块，用于将所述断层构造信息、岩性信息和矿产分布信息作为输入数据，所述找矿靶区信息作为输出数据对深度学习模型进行训练，得到训练后的矿产综合勘查模型；
待预测矿产参数获取模块，用于获取待预测的矿产参数，所述待预测的矿产参数包括目标勘查区域的断层构造信息、岩性信息和矿产分布信息；
预测找矿靶区信息确定模块，用于将所述待预测的目标勘查区域的断层构造信息、岩性信息和矿产分布信息输入至所述矿产综合勘查模型进行预测，得到预测找矿靶区信息。
6.根据权利要求5所述的矿产的综合勘查系统，其特征在于，所述历史矿产参数获取模块，具体包括：
遥感影像获取单元，用于根据卫星影像识别方法，得到遥感影像；
矿产参数获取单元，用于根据所述遥感影像，确定所述目标勘查区域的断层构造信息、岩性信息和矿产信息。
7.根据权利要求6所述的矿产的综合勘查系统，其特征在于，所述矿产参数获取单元，具体包括：
矿产参数获取子单元，用于根据卫星遥感影像解译的山体、河流、谷地展布方向及微地貌影像色相差异，识别目标勘查区域的断层、岩脉与矿产位置及区域走向。
8.根据权利要求5所述的矿产的综合勘查系统，其特征在于，所述找矿靶区信息确定模块，具体包括：
矿产分布密度信息确定单元，用于根据所述目标勘查区域的矿产信息，确定所述目标勘查区域的矿产分布密度信息；
找矿靶区信息确定单元，用于根据所述目标勘查区域的断层构造信息、岩性信息和矿产分布密度信息，确定所述目标勘查区域内的找矿靶区。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311642664.3A CN117608000A (zh) | 2023-12-04 | 2023-12-04 | 一种矿产的综合勘查方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311642664.3A CN117608000A (zh) | 2023-12-04 | 2023-12-04 | 一种矿产的综合勘查方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117608000A true CN117608000A (zh) | 2024-02-27 |
Family
ID=89953277
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311642664.3A Pending CN117608000A (zh) | 2023-12-04 | 2023-12-04 | 一种矿产的综合勘查方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117608000A (zh) |
-
2023
- 2023-12-04 CN CN202311642664.3A patent/CN117608000A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kamaliardakani et al. | Sealed-crack detection algorithm using heuristic thresholding approach | |
| WO2021008630A1 (zh) | 圈闭断层的封闭性定量分析方法、装置及系统 | |
| CN103871062B (zh) | 一种基于超像素描述的月面岩石检测方法 | |
| CN103278864A (zh) | 洞缝型储层的地质特征参数及分布的测定方法及装置 | |
| Leng et al. | Rock mass trace line identification incorporated with grouping algorithm at tunnel faces | |
| Zhang et al. | Deep learning‐based automatic detection of muck types for earth pressure balance shield tunneling in soft ground | |
| CN112698398A (zh) | 一种深大断裂体系空间刻画方法 | |
| Yuan et al. | Digital image processing-based automatic detection algorithm of cross joint trace and its application in mining roadway excavation practice | |
| Jiang et al. | Development of a core feature identification application based on the Faster R-CNN algorithm | |
| CN108460419B (zh) | 钻孔光学图像和雷达成像信息融合的裂缝参数提取方法 | |
| Marques et al. | Adaptive segmentation for discontinuity detection on karstified carbonate outcrop images from UAV-SfM acquisition and detection bias analysis | |
| KR20220029396A (ko) | 딥러닝 모델을 이용한 암반 등급을 평가하는 자동화 장치 및 방법 | |
| Liu et al. | Automatic fracture segmentation and detection from image logging using mask R-CNN | |
| CN106646606A (zh) | 基于地震特征参数模式识别的薄砂体表征方法 | |
| CN106524998A (zh) | 基于三维激光扫描技术测量隧道线状出露结构面的方法 | |
| CN117608000A (zh) | 一种矿产的综合勘查方法及系统 | |
| Jiang | A crack detection and diagnosis methodology for automated pavement condition evaluation | |
| Liu et al. | Intelligent recognition and identification of fracture types and parameters for borehole images based on developed convolutional neural networks and post-processing | |
| Li et al. | Utilizing semantic-level computer vision for fracture trace characterization of hard rock pillars in underground space | |
| CN112285773B (zh) | 一种隐伏断层二元结构定量表征方法 | |
| CN108181665A (zh) | 裂缝的确定方法和装置 | |
| Qiao et al. | Multi‐CrackNet: A Fast Segmentation and Quantification Combined Method for Rock Discontinuity Traces by Capturing an Image | |
| CN115220098A (zh) | 碳酸盐岩断控缝洞体自动识别方法及装置 | |
| CN114114390B (zh) | 油气勘探方法、装置、设备以及存储介质 | |
| Fu et al. | Mapping mining-induced ground fissures and their evolution using UAV photogrammetry |
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 |