CN114936392A - 一种非煤矿山开采坡面角预裂孔控制方法 - Google Patents
一种非煤矿山开采坡面角预裂孔控制方法 Download PDFInfo
- Publication number
- CN114936392A CN114936392A CN202210499133.2A CN202210499133A CN114936392A CN 114936392 A CN114936392 A CN 114936392A CN 202210499133 A CN202210499133 A CN 202210499133A CN 114936392 A CN114936392 A CN 114936392A
- Authority
- CN
- China
- Prior art keywords
- hole
- mining
- angle
- drilling
- data
- 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.)
- Withdrawn
Links
- 238000005065 mining Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000003245 coal Substances 0.000 title claims abstract description 28
- 238000005336 cracking Methods 0.000 title description 2
- 238000005553 drilling Methods 0.000 claims abstract description 67
- 239000013598 vector Substances 0.000 claims abstract description 53
- 239000002689 soil Substances 0.000 claims abstract description 22
- 230000000007 visual effect Effects 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000004088 simulation Methods 0.000 claims abstract description 5
- 230000004044 response Effects 0.000 claims description 28
- 238000010276 construction Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000012800 visualization Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 10
- 230000000246 remedial effect Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000000750 progressive effect Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 7
- 238000001514 detection method Methods 0.000 abstract description 3
- 230000006872 improvement Effects 0.000 description 9
- 238000005422 blasting Methods 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000005067 remediation Methods 0.000 description 2
- 239000004566 building material Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 229910052755 nonmetal Inorganic materials 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000011819 refractory material Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/12—Geometric CAD characterised by design entry means specially adapted for CAD, e.g. graphical user interfaces [GUI] specially adapted for CAD
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21C—MINING OR QUARRYING
- E21C41/00—Methods of underground or surface mining; Layouts therefor
- E21C41/26—Methods of surface mining; Layouts therefor
- E21C41/30—Methods of surface mining; Layouts therefor for ores, e.g. mining placers
-
- 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
- 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
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Architecture (AREA)
- Computer Graphics (AREA)
- Mining & Mineral Resources (AREA)
- Computational Mathematics (AREA)
- Remote Sensing (AREA)
- Medical Informatics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Earth Drilling (AREA)
Abstract
本发明提供了一种非煤矿山开采坡面角预裂孔控制方法，涉及矿山开采技术领域，包括以下步骤：S1：获取开采坡面角的遥感影像全局元数据，对数据进行处理；S2：对数据进行参数拉伸化，在控制主机中构建开采坡面角全局可视化模型；S3：根据开采坡面角颜色纹理，判断开采坡面土质，确定预裂孔孔距；S4：根据工程需要，确定预裂孔基准点，设定预裂孔的孔位坐标和与预裂孔对应的孔轴线的方向向量；本发明构建开采坡面角全局可视化模型，并在模型中模拟钻孔标准路径及相应坐标，通过钻头中雷达和角度传感器的探测数据，与模型模拟数据对比，以此在钻孔前精确确定角度，在钻孔中，实时获取坐标，有利于及时发现偏差，便于调整。
Description
技术领域
本发明涉及矿山开采技术领域，尤其涉及一种非煤矿山开采坡面角预裂孔控制方法。
背景技术
非煤矿山指开采金属矿石、放射性矿石以及作为石油化工原料、建筑材料、辅助原料、耐火材料及其他非金属矿物(煤炭除外)的矿山，非煤矿山虽无瓦斯***的危险，但在其他方面与煤矿无根本区别，由于矿体条件多种多样，非煤矿山的采矿方法主要有空场、充填、崩落三大类，其造成的空区危害比煤矿更为严重；
在非煤矿山开采工程领域中，预裂***技术在坡面角等关键部位的开挖中，应用非常广泛，预裂***效果的好坏，会直接影响着保留基面的损伤程度、开挖平整度，也会间接影响着边坡和基面的稳定以及后续主体工程的安全。而预裂孔的钻孔控制是影响预裂***效果好坏的一项非常重要的因素；
预裂孔施工中，需要严格控制钻孔的角度以及路径，现有技术中，一般为预先定好施工参数，进行施工，在施工过程中，一旦存在偏差，无法及时发现以及调整，即使发现出现偏差，调整的量也难以准确把握，因此，本发明提出一种非煤矿山开采坡面角预裂孔控制方法以解决现有技术中存在的问题。
发明内容
针对上述问题，本发明提出一种非煤矿山开采坡面角预裂孔控制方法，该非煤矿山开采坡面角预裂孔控制方法在钻孔前精确确定角度，在钻孔中，实时获取坐标，有利于及时发现偏差，便于调整。
为实现本发明的目的，本发明通过以下技术方案实现：一种非煤矿山开采坡面角预裂孔控制方法，包括以下步骤：
S1：获取开采坡面角的遥感影像全局元数据，对数据进行处理；
S2：对数据进行参数拉伸化，在控制主机中构建开采坡面角全局可视化模型；
S3：根据开采坡面角颜色纹理，判断开采坡面土质，确定预裂孔孔距；
S4：根据工程需要，确定预裂孔基准点，设定预裂孔的孔位坐标和与预裂孔对应的孔轴线的方向向量，并将数值矢量化；
S5：将矢量化数值带入全局可视化模型，模拟钻孔标准路径及相应坐标；
S6：模拟钻孔角度不同偏差角对应的路径向量，进行深度学习训练，添加概念属性应对响应结果；
S7：在钻机的钻头中设置雷达和角度传感器，将雷达与角度传感器通过无线滤波信号连接控制主机；
S8：钻孔中，根据角度应对响应结果，模拟路径向量并提供调节数据，根据雷达定位显示实时坐标，与钻孔标准路径及相应坐标进行对比并提供调节数据。
进一步改进在于：所述S1中，获取开采坡面角的遥感影像全局元数据，包括该区域Path、Row的具体数值范围，以及不同地物的地物特征，接着对数据进行处理，将Path、Row相同时的每条影像元数据与其相邻影像的每条元数据相比较，分析成像元素是否存在相同的情况，当不存在，则保留全部数据；当存在，则删除相同的Path、Row影像元数据。
进一步改进在于：所述S2中，将处理后的数据输入ArcGIS和Revit软件中，将参数进行拉伸立体化，再采用ContextCapture对数据进行处理并基于影像自动化进行三维影像模型构建，通过ArcMAP软件对模型进行矢量化并加载到ArcScene中，使得模型内部点位坐标可视化，获得开采坡面角全局可视化模型。
进一步改进在于：所述S3中，对全局可视化模型中的开采坡面进行颜色纹理特征提取，利用灰度共生矩阵法，通过计算灰度图像得到它的共生矩阵，然后透过计算该共生矩阵得到矩阵的特征值，来分别代表图像的纹理特征，反映图像灰度关于方向、相邻间隔、变化幅度信息，接着利用LBP局部二值模式描述图像局部纹理特征的算子，提取纹理特征；然后利用颜色矩的特征表示方法，用一阶矩，二阶矩和三阶矩表达图像的颜色分布，并用颜色直方图描述不同色彩在整幅图像中所占的比例，提取颜色特征，将颜色特征和纹理特征输入至搜索引擎，对比判断出开采坡面土质。
进一步改进在于：所述S3中，预裂孔孔距的取值与开采坡面土质相关，根据不同的土质，预裂孔孔距的取值与土质抗压强度呈反比，以此根据实际施工需要确定预裂孔孔距的实际取值，同时，当开采坡面存在破碎带时，减小预裂孔孔距。
进一步改进在于：所述S4中，孔位坐标以三轴坐标向量进行矢量化标准，其中包括多个预裂孔的孔位坐标和与预裂孔对应的孔轴线的方向向量。
进一步改进在于：所述S5中，模拟钻孔标准路径及相应坐标，将相应的坐标设定为对比阈值，根据该坐标参数规划钻机的标准钻孔角度。
进一步改进在于：所述S6中，模拟钻孔角度不同偏差角对应的路径向量，基于TensorFlow和PyTorch平台以卷积神经网络为基本框架对模拟模型进行深度学习训练，交叉验证结果，采取递进模式进行概念赋予，对实体概念对应的属性概念进行分辨训练，并取实体概念响应与属性概念响应的乘积作为区域块在各模型上添加概念属性响应结果，以此确定路径向量偏差后，作为补救的调整向量，根据该调整向量添加概念属性应对响应结果。
进一步改进在于：所述S7中，在钻机的钻头中设置雷达和角度传感器，并内置无线发送芯片，通过无线发送芯片将雷达与角度传感器通过无线滤波信号连接控制主机，并采用矩形滤波器、Hamming滤波器进行方位向滤波。
进一步改进在于：所述S8中，在钻孔前，角度传感器以开采坡面为基面判断钻孔角度并发送数据给控制主机，全局可视化模型根据角度数据选择应对响应结果，模拟路径向量，判断偏差，并提供调节数据，钻孔中，雷达定位显示实时坐标，并发送数据给控制主机，全局可视化模型将实时坐标数据与钻孔标准路径及相应坐标进行对比，判断路径是否标准，并提供调节数据。
本发明的有益效果为：
1、本发明构建开采坡面角全局可视化模型，并在模型中模拟钻孔标准路径及相应坐标，通过钻头中雷达和角度传感器的探测数据，与模型模拟数据对比，以此在钻孔前精确确定角度，在钻孔中，实时获取坐标，有利于及时发现偏差，便于调整。
2、本发明模拟钻孔角度不同偏差角对应的路径向量，进行深度学习训练，添加概念属性应对响应结果，以此确定路径向量偏差后，作为补救的调整向量，有利于在发现偏差后，有应对数据可以获取，便于及时并精确进行调整。
3、本发明根据开采坡面角颜色纹理，判断出开采坡面土质，根据不同的土质，判断预裂孔孔距，为施工提供辅助依据，进一步提高施工可靠性。
附图说明
图1为本发明的流程图。
具体实施方式
为了加深对本发明的理解，下面将结合实施例对本发明做进一步详述，本实施例仅用于解释本发明，并不构成对本发明保护范围的限定。
实施例一
根据图1所示，本实施例提出了一种非煤矿山开采坡面角预裂孔控制方法，包括以下步骤：
S1：获取开采坡面角的遥感影像全局元数据，对数据进行处理；
S2：对数据进行参数拉伸化，在控制主机中构建开采坡面角全局可视化模型；
S3：根据开采坡面角颜色纹理，判断开采坡面土质，确定预裂孔孔距；
S4：根据工程需要，确定预裂孔基准点，设定预裂孔的孔位坐标和与预裂孔对应的孔轴线的方向向量，并将数值矢量化；
S5：将矢量化数值带入全局可视化模型，模拟钻孔标准路径及相应坐标；
S6：模拟钻孔角度不同偏差角对应的路径向量，进行深度学习训练，添加概念属性应对响应结果；
S7：在钻机的钻头中设置雷达和角度传感器，将雷达与角度传感器通过无线滤波信号连接控制主机；
S8：钻孔中，根据角度应对响应结果，模拟路径向量并提供调节数据，根据雷达定位显示实时坐标，与钻孔标准路径及相应坐标进行对比并提供调节数据。
本发明获取开采坡面角的遥感影像全局元数据，构建开采坡面角全局可视化模型，并在模型中模拟钻孔标准路径及相应坐标，且在钻机的钻头中设置雷达和角度传感器，在钻孔中，根据角度传感器的数据，在模型中模拟路径向量，根据雷达定位显示实时坐标，与钻孔标准路径进行对比，以此在钻孔前精确确定角度，在钻孔中，实时获取坐标，有利于及时发现偏差，便于调整。且本发明模拟钻孔角度不同偏差角对应的路径向量，进行深度学习训练，添加概念属性应对响应结果，以此确定路径向量偏差后，作为补救的调整向量，有利于在发现偏差后，有应对数据可以获取，便于及时并精确进行调整。
实施例二
根据图1所示，本实施例提出了一种非煤矿山开采坡面角预裂孔控制方法，包括以下步骤：
获取开采坡面角的遥感影像全局元数据，包括该区域Path、Row的具体数值范围，以及不同地物的地物特征，接着对数据进行处理，将Path、Row相同时的每条影像元数据与其相邻影像的每条元数据相比较，分析成像元素是否存在相同的情况，当不存在，则保留全部数据；当存在，则删除相同的Path、Row影像元数据。
将处理后的数据输入ArcGIS和Revit软件中，将参数进行拉伸立体化，再采用ContextCapture对数据进行处理并基于影像自动化进行三维影像模型构建，通过ArcMAP软件对模型进行矢量化并加载到ArcScene中，使得模型内部点位坐标可视化，获得开采坡面角全局可视化模型。
对全局可视化模型中的开采坡面进行颜色纹理特征提取，利用灰度共生矩阵法，通过计算灰度图像得到它的共生矩阵，然后透过计算该共生矩阵得到矩阵的特征值，来分别代表图像的纹理特征，反映图像灰度关于方向、相邻间隔、变化幅度信息，接着利用LBP局部二值模式描述图像局部纹理特征的算子，提取纹理特征；然后利用颜色矩的特征表示方法，用一阶矩，二阶矩和三阶矩表达图像的颜色分布，并用颜色直方图描述不同色彩在整幅图像中所占的比例，提取颜色特征，将颜色特征和纹理特征输入至搜索引擎，对比判断出开采坡面土质。预裂孔孔距的取值与开采坡面土质相关，根据不同的土质，预裂孔孔距的取值与土质抗压强度呈反比，以此根据实际施工需要确定预裂孔孔距的实际取值，同时，当开采坡面存在破碎带时，减小预裂孔孔距。
其中，numpy的快速灰度共现矩阵（GLCM）：
import fast_glcm
from skimage import data
if __name__ == '__main__':
img = data.camera()
glcm_mean = fast_glcm.fast_glcm_mean(img)
LBP（Local Binary Pattern，局部二值模式）是一种用来描述图像局部纹理特征的算子，具有多分辨率、灰度尺度不变、旋转不变等特性，具体为：
获取图像的LBP特征：对图像的原始LBP模式、等价LBP模式、旋转不变LBP模式，以及等价旋转不变LBP模式的LBP特征进行提取以及显示。
通过get_LBP_from_Image.py 获取图像的LBP特征。
通过get_resolve_map.py和get_uniform_map.py做降维后新的像素值的映射。然后将求出的结果写入了get_LBP_from_Image.py中，得到算法降维后新的像素值。
用一阶矩，二阶矩和三阶矩表达图像的颜色分布，具体为：一阶矩(均值,mean)、二阶矩(方差, variance)和三阶矩(斜度,skewness)，有效地表示图像中的颜色分布，该方法的优点在于：不需要颜色空间量化，特征向量维数低。
颜色直方图基于不同的颜色空间和坐标系。采用HSV空间，三个分量分别代表色彩（Hue）、饱和度（Saturation）和值（Value）。
本发明根据开采坡面角颜色纹理，输入至搜索引擎，对比判断出开采坡面土质，根据不同的土质，判断预裂孔孔距，为施工提供辅助依据，进一步提高施工可靠性。
根据工程需要，确定预裂孔基准点，设定预裂孔的孔位坐标和与预裂孔对应的孔轴线的方向向量，并将数值矢量化，孔位坐标以三轴坐标向量进行矢量化标准，其中包括多个预裂孔的孔位坐标和与预裂孔对应的孔轴线的方向向量。
将矢量化数值带入全局可视化模型，模拟钻孔标准路径及相应坐标，将相应的坐标设定为对比阈值，根据该坐标参数规划钻机的标准钻孔角度。
模拟钻孔角度不同偏差角对应的路径向量，基于TensorFlow和PyTorch平台以卷积神经网络为基本框架对模拟模型进行深度学习训练，交叉验证结果，采取递进模式进行概念赋予，对实体概念对应的属性概念进行分辨训练，并取实体概念响应与属性概念响应的乘积作为区域块在各模型上添加概念属性响应结果，以此确定路径向量偏差后，作为补救的调整向量，根据该调整向量添加概念属性应对响应结果。本发明模拟钻孔角度不同偏差角对应的路径向量，进行深度学习训练，添加概念属性应对响应结果，以此确定路径向量偏差后，作为补救的调整向量，有利于在发现偏差后，有应对数据可以获取，便于及时并精确进行调整。
在钻机的钻头中设置雷达和角度传感器，并内置无线发送芯片，通过无线发送芯片将雷达与角度传感器通过无线滤波信号连接控制主机，并采用矩形滤波器、Hamming滤波器进行方位向滤波。
由于雷达、角度传感器的位置和地面控制主机之间存在着相对运动导致接收到的频率经历了多普勒频移，因此，采用矩形滤波器、Hamming滤波器进行方位向滤波；
矩形滤波器：
Hamming滤波器：
其中：u表示原数字信号，h(u)表示滤波后的数字信号，
表示滤波后新的方位向带宽，
，实际运算时常取
；
在钻孔前，角度传感器以开采坡面为基面判断钻孔角度并发送数据给控制主机，全局可视化模型根据角度数据选择应对响应结果，模拟路径向量，判断偏差，并提供调节数据，钻孔中，雷达定位显示实时坐标，并发送数据给控制主机，全局可视化模型将实时坐标数据与钻孔标准路径及相应坐标进行对比，判断路径是否标准，并提供调节数据。有利于及时发现偏差，便于调整，且调整数据可以快速获取，便于及时并精确进行调整。
本发明获取开采坡面角的遥感影像全局元数据，构建开采坡面角全局可视化模型，并在模型中模拟钻孔标准路径及相应坐标，且在钻机的钻头中设置雷达和角度传感器，在钻孔中，根据角度传感器的数据，在模型中模拟路径向量，根据雷达定位显示实时坐标，与钻孔标准路径进行对比，以此在钻孔前精确确定角度，在钻孔中，实时获取坐标，有利于及时发现偏差，便于调整。且本发明模拟钻孔角度不同偏差角对应的路径向量，进行深度学习训练，添加概念属性应对响应结果，以此确定路径向量偏差后，作为补救的调整向量，有利于在发现偏差后，有应对数据可以获取，便于及时并精确进行调整。同时，本发明根据开采坡面角颜色纹理，输入至搜索引擎，对比判断出开采坡面土质，根据不同的土质，判断预裂孔孔距，为施工提供辅助依据，进一步提高施工可靠性。另外，本发明采用矩形滤波器、Hamming滤波器进行方位向滤波，避免雷达和角度传感器的探测信号受到干扰，完善数据的时效性和准确性。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种非煤矿山开采坡面角预裂孔控制方法，其特征在于，包括以下步骤：
S1：获取开采坡面角的遥感影像全局元数据，对数据进行处理；
S2：对数据进行参数拉伸化，在控制主机中构建开采坡面角全局可视化模型；
S3：根据开采坡面角颜色纹理，判断开采坡面土质，确定预裂孔孔距；
S4：根据工程需要，确定预裂孔基准点，设定预裂孔的孔位坐标和与预裂孔对应的孔轴线的方向向量，并将数值矢量化；
S5：将矢量化数值带入全局可视化模型，模拟钻孔标准路径及相应坐标；
S6：模拟钻孔角度不同偏差角对应的路径向量，进行深度学习训练，添加概念属性应对响应结果；
S7：在钻机的钻头中设置雷达和角度传感器，将雷达与角度传感器通过无线滤波信号连接控制主机；
S8：钻孔中，根据角度应对响应结果，模拟路径向量并提供调节数据，根据雷达定位显示实时坐标，与钻孔标准路径及相应坐标进行对比并提供调节数据。
2.根据权利要求1所述的一种非煤矿山开采坡面角预裂孔控制方法，其特征在于：所述S1中，获取开采坡面角的遥感影像全局元数据，包括该区域Path、Row的具体数值范围，以及不同地物的地物特征，接着对数据进行处理，将Path、Row相同时的每条影像元数据与其相邻影像的每条元数据相比较，分析成像元素是否存在相同的情况，当不存在，则保留全部数据；当存在，则删除相同的Path、Row影像元数据。
3.根据权利要求2所述的一种非煤矿山开采坡面角预裂孔控制方法，其特征在于：所述S2中，将处理后的数据输入ArcGIS和Revit软件中，将参数进行拉伸立体化，再采用ContextCapture对数据进行处理并基于影像自动化进行三维影像模型构建，通过ArcMAP软件对模型进行矢量化并加载到ArcScene中，使得模型内部点位坐标可视化，获得开采坡面角全局可视化模型。
4.根据权利要求3所述的一种非煤矿山开采坡面角预裂孔控制方法，其特征在于：所述S3中，对全局可视化模型中的开采坡面进行颜色纹理特征提取，利用灰度共生矩阵法，通过计算灰度图像得到它的共生矩阵，然后透过计算该共生矩阵得到矩阵的特征值，来分别代表图像的纹理特征，反映图像灰度关于方向、相邻间隔、变化幅度信息，接着利用LBP局部二值模式描述图像局部纹理特征的算子，提取纹理特征；然后利用颜色矩的特征表示方法，用一阶矩，二阶矩和三阶矩表达图像的颜色分布，并用颜色直方图描述不同色彩在整幅图像中所占的比例，提取颜色特征，将颜色特征和纹理特征输入至搜索引擎，对比判断出开采坡面土质。
5.根据权利要求4所述的一种非煤矿山开采坡面角预裂孔控制方法，其特征在于：所述S3中，预裂孔孔距的取值与开采坡面土质相关，根据不同的土质，预裂孔孔距的取值与土质抗压强度呈反比，以此根据实际施工需要确定预裂孔孔距的实际取值，同时，当开采坡面存在破碎带时，减小预裂孔孔距。
6.根据权利要求5所述的一种非煤矿山开采坡面角预裂孔控制方法，其特征在于：所述S4中，孔位坐标以三轴坐标向量进行矢量化标准，其中包括多个预裂孔的孔位坐标和与预裂孔对应的孔轴线的方向向量。
7.根据权利要求6所述的一种非煤矿山开采坡面角预裂孔控制方法，其特征在于：所述S5中，模拟钻孔标准路径及相应坐标，将相应的坐标设定为对比阈值，根据该坐标参数规划钻机的标准钻孔角度。
8.根据权利要求7所述的一种非煤矿山开采坡面角预裂孔控制方法，其特征在于：所述S6中，模拟钻孔角度不同偏差角对应的路径向量，基于TensorFlow和PyTorch平台以卷积神经网络为基本框架对模拟模型进行深度学习训练，交叉验证结果，采取递进模式进行概念赋予，对实体概念对应的属性概念进行分辨训练，并取实体概念响应与属性概念响应的乘积作为区域块在各模型上添加概念属性响应结果，以此确定路径向量偏差后，作为补救的调整向量，根据该调整向量添加概念属性应对响应结果。
9.根据权利要求8所述的一种非煤矿山开采坡面角预裂孔控制方法，其特征在于：所述S7中，在钻机的钻头中设置雷达和角度传感器，并内置无线发送芯片，通过无线发送芯片将雷达与角度传感器通过无线滤波信号连接控制主机，并采用矩形滤波器、Hamming滤波器进行方位向滤波。
10.根据权利要求9所述的一种非煤矿山开采坡面角预裂孔控制方法，其特征在于：所述S8中，在钻孔前，角度传感器以开采坡面为基面判断钻孔角度并发送数据给控制主机，全局可视化模型根据角度数据选择应对响应结果，模拟路径向量，判断偏差，并提供调节数据，钻孔中，雷达定位显示实时坐标，并发送数据给控制主机，全局可视化模型将实时坐标数据与钻孔标准路径及相应坐标进行对比，判断路径是否标准，并提供调节数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210499133.2A CN114936392A (zh) | 2022-05-09 | 2022-05-09 | 一种非煤矿山开采坡面角预裂孔控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210499133.2A CN114936392A (zh) | 2022-05-09 | 2022-05-09 | 一种非煤矿山开采坡面角预裂孔控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114936392A true CN114936392A (zh) | 2022-08-23 |
Family
ID=82864085
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210499133.2A Withdrawn CN114936392A (zh) | 2022-05-09 | 2022-05-09 | 一种非煤矿山开采坡面角预裂孔控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114936392A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117953313A (zh) * | 2024-03-26 | 2024-04-30 | 贵州大学 | 基于人工智能实现矿山数据的异常识别方法及*** |
-
2022
- 2022-05-09 CN CN202210499133.2A patent/CN114936392A/zh not_active Withdrawn
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117953313A (zh) * | 2024-03-26 | 2024-04-30 | 贵州大学 | 基于人工智能实现矿山数据的异常识别方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11634987B2 (en) | Safety early warning method and device for full-section tunneling of tunnel featuring dynamic water and weak surrounding rock | |
| Kemeny et al. | Estimating three-dimensional rock discontinuity orientation from digital images of fracture traces | |
| CN106650640A (zh) | 一种基于激光雷达点云局部结构特征的负障碍物检测方法 | |
| Mohebbi et al. | Rock mass structural data analysis using image processing techniques (Case study: Choghart iron ore mine northern slopes) | |
| CN115560690B (zh) | 一种基于三维激光扫描技术的结构物整体变形分析方法 | |
| CN116524017B (zh) | 一种用于矿山井下检测识别定位*** | |
| Salati et al. | Lithological mapping and fuzzy set theory: Automated extraction of lithological boundary from ASTER imagery by template matching and spatial accuracy assessment | |
| CN114936392A (zh) | 一种非煤矿山开采坡面角预裂孔控制方法 | |
| US11906441B2 (en) | Inspection apparatus, control method, and program | |
| CN114140448A (zh) | 一种基于深度学习的隧道掌子面围岩智能分级方法及设备 | |
| Chen et al. | A critical review of automated extraction of rock mass parameters using 3D point cloud data | |
| CN111311559B (zh) | 一种无偏差的裂缝表征方法 | |
| CN117331124A (zh) | 一种隧道地震波探测数据预处理方法、设备及存储设备 | |
| CN117409541A (zh) | 一种露天矿边坡监测预警方法及*** | |
| CN116796643A (zh) | 地表沉降监测方法、装置、电子设备及存储介质 | |
| Jha et al. | Detection of geological features using aerial image analysis and machine learning | |
| CN114638805B (zh) | 一种轨道板裂缝检测方法、***及存储介质 | |
| CN113535878B (zh) | 基于三维地质建模的选线方法、装置、终端及存储介质 | |
| Krajnovich et al. | Characterizing fault zone structure and geometry using photogrammetry and 3D geologic modeling | |
| CN113781443A (zh) | 一种基于数字图像颜色梯度的岩层裂隙分布规律获取方法、***、终端及可读存储介质 | |
| CN114118835A (zh) | 一种定量遥感反演预测结果评价方法及*** | |
| CN115731458A (zh) | 一种遥感影像的处理方法、装置和电子设备 | |
| CN112964192A (zh) | 一种基于图像视频的工程测量在线标定方法及*** | |
| CN111366172A (zh) | 数字高程模型的质量检测方法、装置和存储介质 | |
| Chen et al. | Rock discontinuities characterization from large-scale point clouds using a point-based deep learning method |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220823 |