CN115128663A - 基于物联网的矿山安全生产检测***及其检测方法 - Google Patents
基于物联网的矿山安全生产检测***及其检测方法 Download PDFInfo
- Publication number
- CN115128663A CN115128663A CN202210810066.1A CN202210810066A CN115128663A CN 115128663 A CN115128663 A CN 115128663A CN 202210810066 A CN202210810066 A CN 202210810066A CN 115128663 A CN115128663 A CN 115128663A
- Authority
- CN
- China
- Prior art keywords
- underground water
- observation
- feature vector
- vector
- feature
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 91
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 65
- 239000013598 vector Substances 0.000 claims abstract description 237
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 130
- 238000005259 measurement Methods 0.000 claims abstract description 123
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 72
- 230000004927 fusion Effects 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 12
- 239000003673 groundwater Substances 0.000 claims description 104
- 239000011159 matrix material Substances 0.000 claims description 42
- 238000010586 diagram Methods 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 24
- 238000012544 monitoring process Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 239000012530 fluid Substances 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 230000006855 networking Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 44
- 238000005516 engineering process Methods 0.000 abstract description 7
- 239000011435 rock Substances 0.000 description 12
- 238000003860 storage Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000005672 electromagnetic field Effects 0.000 description 3
- 230000005358 geomagnetic field Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 102100033620 Calponin-1 Human genes 0.000 description 1
- 102100033591 Calponin-2 Human genes 0.000 description 1
- 101000945318 Homo sapiens Calponin-1 Proteins 0.000 description 1
- 101000945403 Homo sapiens Calponin-2 Proteins 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/01—Measuring or predicting earthquakes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/20—Mining
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Business, Economics & Management (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本申请涉及智能安全检测的领域，其具体地公开了一种基于物联网的矿山安全生产检测***及其检测方法，其采用人工智能的检测技术，通过卷积神经网络模型对于地下水的观测数据的动态变化特征以及地磁的测量变化特征进行提取，来综合对于地震进行预警，并且在特征融合的过程中，为了提升在通过深层卷积神经网络所映射到的高维特征空间内的融合性能，进行特征向量的深度单应对齐，以提高分类的准确性。这样，就能够对于矿山的安全生产进行检测。
Description
技术领域
本发明涉智能安全检测的领域，且更为具体地，涉及一种基于物联网的矿山安全生产检测***及其检测方法。
背景技术
矿山中的矿石在开采的时候均要伸入到山体的内部，或者是在地面下面，由于洞口较深，旷工进入到洞口内短时间是无法从洞口内出来，由于山体以及地质判断不够准确会出现事故，常见的事故通常有瓦斯***、塌方和进水，为了能够避免事故的发生或者避免事故造成较大的损失，期待一种用于矿山安全生产检测***。
近年来，物联网、人工智能和大数据等前沿技术的发展为矿山安全生产检测与预警***了新的解决思路和方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于物联网的矿山安全生产检测***及其检测方法，其采用人工智能的检测技术，通过卷积神经网络模型对于地下水的观测数据的动态变化特征以及地磁的测量变化特征进行提取，来综合对于地震进行预警，并且在特征融合的过程中，为了提升在通过深层卷积神经网络所映射到的高维特征空间内的融合性能，进行特征向量的深度单应对齐，以提高分类的准确性。这样，就能够对于矿山的安全生产进行检测。
根据本申请的一个方面，提供了一种基于物联网的矿山安全生产检测***，其包括：
地下水观测数据采集模块，用于获取由地下流体监测***采集的多个预定时间点的地下水观测数据，其中，所述地下水观测数据包括水位、流量、离子浓度和电导率；
地磁测量数据采集模块，用于获取由地磁和地电观测台采集的地磁测量波形图；
单点地下水观测数据编码模块，用于将所述多个预定时间点的地下水观测数据中各个预定时间点的地下水观测数据分别通过包含嵌入层的上下文编码器以得到多个单时间点地下水观测特征向量；
时序关联编码模块，用于将所述多个单时间点地下水观测特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以得到地下水动态观测特征向量；
地磁测量数据编码模块，用于将所述地磁测量波形图通过作为过滤器的第二卷积神经网络以得到地磁测量特征向量；
融合模块，用于融合所述地下水动态观测特征向量和所述地磁测量特征向量以得到分类特征向量；以及
安全预警模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生地震预警提示。
在上述基于物联网的矿山安全生产检测***中，所述单点地下水观测数据编码模块，包括：嵌入编码单元，用于使用所述包含嵌入层的上下文的编码器模型的嵌入层分别将所述多个预定时间点的地下水观测数据中各个预定时间点的地下水观测数据转化为输入向量以获得输入向量的序列；以及，转换编码单元，用于使用所述包含嵌入层的上下文的编码器模型的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个单时间点地下水观测特征向量。
在上述基于物联网的矿山安全生产检测***中，所述时序关联编码模块，进一步用于：使用所述第一卷积神经网络的各层在层的正向传递中对输入数据分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述地下水动态观测特征向量，所述第一卷积神经网络的第一层的输入为所述特征矩阵。
在上述基于物联网的矿山安全生产检测***中，所述地磁测量数据编码模块，包括：降噪单元，用于将所述地磁测量波形图通过作为滤波器的深度可分离卷积神经网络以得到降噪后地磁测量波形图；以及，卷积编码单元，用于将所述降噪后地磁测量波形图通过所述作为过滤器的第二卷积神经网络以得到所述地磁测量特征向量。
在上述基于物联网的矿山安全生产检测***中，所述卷积编码单元，进一步用于所述第二卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿特征矩阵的池化处理和激活处理以由所述第二卷积神经网络的最后一层生成所述地磁测量特征向量，其中，所述第二卷积神经网络的第一层的输入为所述地磁测量波形图。
在上述基于物联网的矿山安全生产检测***中，所述融合模块，进一步用于：以如下公式融合所述地下水动态观测特征向量和所述地磁测量特征向量以得到所述分类特征向量；
其中，所述公式为：
其中Vc表示所述分类特征向量，V1表示所述地下水动态观测特征向量，V2表示所述地磁测量特征向量，||·||1表示向量的一范数，且||·||F表示矩阵的Frobenius范数，
表示按位置差分，⊙表示按位置点乘。
在上述基于物联网的矿山安全生产检测***中，所述安全预警模块，进一步用于使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(Wn，Bn)：...：(W1，B1)|X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为所述分类特征向量。
根据本申请的另一方面，一种基于物联网的矿山安全生产检测***的检测方法，其包括：
获取由地下流体监测***采集的多个预定时间点的地下水观测数据，其中，所述地下水观测数据包括水位、流量、离子浓度和电导率；
获取由地磁和地电观测台采集的地磁测量波形图；
将所述多个预定时间点的地下水观测数据中各个预定时间点的地下水观测数据分别通过包含嵌入层的上下文编码器以得到多个单时间点地下水观测特征向量；
将所述多个单时间点地下水观测特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以得到地下水动态观测特征向量；
将所述地磁测量波形图通过作为过滤器的第二卷积神经网络以得到地磁测量特征向量；
融合所述地下水动态观测特征向量和所述地磁测量特征向量以得到分类特征向量；以及
将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生地震预警提示。
在上述基于物联网的矿山安全生产检测***的检测方法中，将所述多个预定时间点的地下水观测数据中各个预定时间点的地下水观测数据分别通过包含嵌入层的上下文编码器以得到多个单时间点地下水观测特征向量，包括：使用所述包含嵌入层的上下文的编码器模型的嵌入层分别将所述多个预定时间点的地下水观测数据中各个预定时间点的地下水观测数据转化为输入向量以获得输入向量的序列；以及，使用所述包含嵌入层的上下文的编码器模型的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个单时间点地下水观测特征向量。
在上述基于物联网的矿山安全生产检测***的检测方法中，将所述多个单时间点地下水观测特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以得到地下水动态观测特征向量，包括：使用所述第一卷积神经网络的各层在层的正向传递中对输入数据分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述地下水动态观测特征向量，所述第一卷积神经网络的第一层的输入为所述特征矩阵。
在上述基于物联网的矿山安全生产检测***的检测方法中，将所述地磁测量波形图通过作为过滤器的第二卷积神经网络以得到地磁测量特征向量，包括：将所述地磁测量波形图通过作为滤波器的深度可分离卷积神经网络以得到降噪后地磁测量波形图；以及，将所述降噪后地磁测量波形图通过所述作为过滤器的第二卷积神经网络以得到所述地磁测量特征向量。
在上述基于物联网的矿山安全生产检测***的检测方法中，所述第二卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿特征矩阵的池化处理和激活处理以由所述第二卷积神经网络的最后一层生成所述地磁测量特征向量，其中，所述第二卷积神经网络的第一层的输入为所述地磁测量波形图。
在上述基于物联网的矿山安全生产检测***的检测方法中，融合所述地下水动态观测特征向量和所述地磁测量特征向量以得到分类特征向量，包括：以如下公式融合所述地下水动态观测特征向量和所述地磁测量特征向量以得到所述分类特征向量；其中，所述公式为：
其中Vc表示所述分类特征向量，V1表示所述地下水动态观测特征向量，V2表示所述地磁测量特征向量，||·||1表示向量的一范数，且||·||F表示矩阵的Frobenius范数，
表示按位置差分，⊙表示按位置点乘。
在上述基于物联网的矿山安全生产检测***的检测方法中，将所述分类特征向量通过分类器以得到分类结果，包括：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(Wn，Bn)：...：(W1，B1)|X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为所述分类特征向量。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于物联网的矿山安全生产检测***的检测方法。
与现有技术相比，本申请提供的基于物联网的矿山安全生产检测***及其检测方法，其采用人工智能的检测技术，通过卷积神经网络模型对于地下水的观测数据的动态变化特征以及地磁的测量变化特征进行提取，来综合对于地震进行预警，并且在特征融合的过程中，为了提升在通过深层卷积神经网络所映射到的高维特征空间内的融合性能，进行特征向量的深度单应对齐，以提高分类的准确性。这样，就能够对于矿山的安全生产进行检测。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于物联网的矿山安全生产检测***的应用场景图。
图2为根据本申请实施例的基于物联网的矿山安全生产检测***的框图。
图3为根据本申请实施例的基于物联网的矿山安全生产检测***中地磁测量数据编码模块的框图。
图4为根据本申请实施例的基于物联网的矿山安全生产检测***的检测方法的流程图。
图5为根据本申请实施例的基于物联网的矿山安全生产检测***的检测方法的架构示意图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如前所述，矿山中的矿石在开采的时候均要伸入到山体的内部，或者是在地面下面，由于洞口较深，旷工进入到洞口内短时间是无法从洞口内出来，由于山体以及地质判断不够准确会出现事故，常见的事故通常有瓦斯***、塌方和进水，为了能够避免事故的发生或者避免事故造成较大的损失，期待一种用于矿山安全生产检测***。
近年来，物联网、人工智能和大数据等前沿技术的发展为矿山安全生产检测与预警***了新的解决思路和方案。
相应地，本申请发明人考虑到在矿山的安全事故中，地震无疑是影响最大且造成损失最多的灾害因素，为了能够避免矿山事故的发生或者避免事故造成较大的损失，就需要对于地震进行预警。并且还考虑到在地震发生之前，地下水和地磁都会发生异常变化，因此，在本申请中，期望基于对地下水的观测以及地磁的测量变化来对于地震灾害进行预测。
具体地，在本申请的技术方案中，首先，通过地下流体监测***采集多个预定时间点的地下水观测数据，其中，所述地下水观测数据包括水位、流量、离子浓度和电导率。应可以理解，由于地震发生之前，地下水会发生异常，例如地下水的水位和水量会发生变化，且水质和水温也会发生变化，这样通过对于地下水的水位、流量、离子浓度和电导率观测数据的隐含关联特征信息来综合对于地震进行预警。
考虑到所述地下水观测数据中的各项数据之间存在关联，因此使用包含嵌入层的上下文编码器对所述各个预定时间点的地下水观测数据进行编码以提取所述各个地下水观测数据之间的基于全局的高维语义特征以更适于表征地下水变化的本质模式特征。具体地，在所述上下文编码器的编码过程中，其首先使用嵌入层将各项水质检测数据映射为嵌入向量，也就是，使用嵌入层将所述多个预定时间点的地下水观测数据中各个预定时间点的地下水观测数据映射到同一矢量空间中。接着，所述上下文编码使用转换器对所获得嵌入向量的序列进行基于全局的上下文语义编码以生成所述多个单时间点地下水观测特征向量。这样，在获得单个时间点下的地下水观测特征后，进一步将所述多个单时间点地下水观测特征向量进行二维排列为特征矩阵后通过第一卷积神经网络中进行处理，以提取出所述各个地下水观测数据在时间维度上的动态变化特征信息，从而得到地下水动态观测特征向量。
地震引起磁场变化的原因有两个，一是地震前岩石在地应力作用下出现“压磁效应”，从而引起地磁场局部变化；二是地应力使岩石被压缩或拉伸，引起电阻率变化，使电磁场有相应的局部变化，岩石温度的改变也能使岩石电磁性质改变。因此，在本申请的技术方案中，若在对于地震进行预警时加入地磁变化特征这个判断因素，显然能够进一步提高对于地震预测判断的准确度。因此，在本申请的技术方案中，进一步通过地磁和地电观测台采集地磁测量波形图。然后，将所述地磁测量波形图通过作为过滤器的第二卷积神经网络中进行处理，以提取出所述地磁测量波形图中的局部高维隐含特征分布，从而得到地磁测量特征向量。
应可以理解，由于地下水动态观测特征向量V1表达参数文本语义时序关联信息，而地磁测量特征向量V2表达波形图像语义像素域关联信息，为了提升其在通过深层卷积神经网络所映射到的高维特征空间内的融合性能，进行特征向量的深度单应对齐，即：
其中Vc表示所述分类特征向量，V1表示所述地下水动态观测特征向量，V2表示所述地磁测量特征向量，||·||1表示向量的一范数，且||·||F表示矩阵的Frobenius范数，
表示按位置差分，⊙表示按位置点乘。
这里，该特征向量的深度单应对齐通过根据向量信息表征的差分向量的深度特性，来通过向量的关联特征表达的全场景单应关联矩阵进行深度感知，并结合差分向量的一范数模拟场景深度流，来进行基于场景深度流的单应性对齐。这样，就在可能存在特征向量之间的特征分布不一致的情况上，实现了特征向量之间的稠密的深层融合，也就是，获得的分类特征向量Vc在深层卷积神经网络所映射到的高维特征空间内具有更强的分类性能，进而能够提高分类的准确性。
基于此，本申请提出了一种基于物联网的矿山安全生产检测***，其包括：地下水观测数据采集模块，用于获取由地下流体监测***采集的多个预定时间点的地下水观测数据，其中，所述地下水观测数据包括水位、流量、离子浓度和电导率；地磁测量数据采集模块，用于获取由地磁和地电观测台采集的地磁测量波形图；单点地下水观测数据编码模块，用于将所述多个预定时间点的地下水观测数据中各个预定时间点的地下水观测数据分别通过包含嵌入层的上下文编码器以得到多个单时间点地下水观测特征向量；时序关联编码模块，用于将所述多个单时间点地下水观测特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以得到地下水动态观测特征向量；地磁测量数据编码模块，用于将所述地磁测量波形图通过作为过滤器的第二卷积神经网络以得到地磁测量特征向量；融合模块，用于融合所述地下水动态观测特征向量和所述地磁测量特征向量以得到分类特征向量；以及，安全预警模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生地震预警提示。
图1图示了根据本申请实施例的基于物联网的矿山安全生产检测***的应用场景图。如图1所示，在该应用场景中，首先，通过地下流体监测***(例如，如图1中所示意的F)采集多个预定时间点的地下水(例如，如图1中所示意的G)观测数据，其中，所述地下水观测数据包括水位、流量、离子浓度和电导率，并且通过地磁和地电观测台(例如，如图1中所示意的B)采集地磁测量波形图。然后，将获得的所述多个预定时间点的地下水观测数据以及所述地磁测量波形图输入至部署有基于物联网的矿山安全生产检测算法的服务器中(例如，如图1中所示意的云服务器S)，其中，所述服务器能够以基于物联网的矿山安全生产检测算法对所述多个预定时间点的地下水观测数据以及所述地磁测量波形图进行处理，以生成用于表示是否产生地震预警提示的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性***
图2图示了根据本申请实施例的基于物联网的矿山安全生产检测***的框图。如图2所示，根据本申请实施例的基于物联网的矿山安全生产检测***200，包括：地下水观测数据采集模块210，用于获取由地下流体监测***采集的多个预定时间点的地下水观测数据，其中，所述地下水观测数据包括水位、流量、离子浓度和电导率；地磁测量数据采集模块220，用于获取由地磁和地电观测台采集的地磁测量波形图；单点地下水观测数据编码模块230，用于将所述多个预定时间点的地下水观测数据中各个预定时间点的地下水观测数据分别通过包含嵌入层的上下文编码器以得到多个单时间点地下水观测特征向量；时序关联编码模块240，用于将所述多个单时间点地下水观测特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以得到地下水动态观测特征向量；地磁测量数据编码模块250，用于将所述地磁测量波形图通过作为过滤器的第二卷积神经网络以得到地磁测量特征向量；融合模块260，用于融合所述地下水动态观测特征向量和所述地磁测量特征向量以得到分类特征向量；以及，安全预警模块270，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生地震预警提示。
具体地，在本申请实施例中，所述地下水观测数据采集模块210和所述地磁测量数据采集模块220，用于获取由地下流体监测***采集的多个预定时间点的地下水观测数据，其中，所述地下水观测数据包括水位、流量、离子浓度和电导率，并获取由地磁和地电观测台采集的地磁测量波形图。如前所述，考虑到在矿山的安全事故中，地震无疑是影响最大且造成损失最多的灾害因素，为了能够避免矿山事故的发生或者避免事故造成较大的损失，就需要对于地震进行预警。并且还考虑到在地震发生之前，地下水和地磁都会发生异常变化，因此，在本申请的技术方案中，期望基于对地下水的观测以及地磁的测量变化来对于地震灾害进行预测。
也就是，具体地，在本申请的技术方案中，首先，通过地下流体监测***采集多个预定时间点的地下水观测数据，其中，所述地下水观测数据包括水位、流量、离子浓度和电导率。应可以理解，由于地震发生之前，地下水会发生异常，例如地下水的水位和水量会发生变化，且水质和水温也会发生变化，这样通过对于地下水的水位、流量、离子浓度和电导率观测数据的隐含关联特征信息来综合对于地震进行预警。然后，通过地磁和地电观测台采集地磁测量波形图。应可以理解，地震引起磁场变化的原因有两个，一是地震前岩石在地应力作用下出现“压磁效应”，从而引起地磁场局部变化；二是地应力使岩石被压缩或拉伸，引起电阻率变化，使电磁场有相应的局部变化，岩石温度的改变也能使岩石电磁性质改变。因此，在本申请的技术方案中，若在对于地震进行预警时加入地磁变化特征这个判断因素，显然能够进一步提高对于地震预测判断的准确度。
具体地，在本申请实施例中，所述单点地下水观测数据编码模块230和所述时序关联编码模块240，用于将所述多个预定时间点的地下水观测数据中各个预定时间点的地下水观测数据分别通过包含嵌入层的上下文编码器以得到多个单时间点地下水观测特征向量，并将所述多个单时间点地下水观测特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以得到地下水动态观测特征向量。应可以理解，考虑到所述地下水观测数据中的各项数据之间存在关联，因此使用包含嵌入层的上下文编码器对所述各个预定时间点的地下水观测数据进行编码以提取所述各个地下水观测数据之间的基于全局的高维语义特征以更适于表征地下水变化的本质模式特征。具体地，在本申请的技术方案中，在所述上下文编码器的编码过程中，其首先使用嵌入层将各项水质检测数据映射为嵌入向量，也就是，使用嵌入层将所述多个预定时间点的地下水观测数据中各个预定时间点的地下水观测数据映射到同一矢量空间中。接着，所述上下文编码使用转换器对所获得嵌入向量的序列进行基于全局的上下文语义编码以生成所述多个单时间点地下水观测特征向量。这样，在获得单个时间点下的地下水观测特征后，进一步将所述多个单时间点地下水观测特征向量进行二维排列为特征矩阵后通过第一卷积神经网络中进行处理，以提取出所述各个地下水观测数据在时间维度上的动态变化特征信息，从而得到地下水动态观测特征向量。
相应地，在一个具体示例中，使用所述第一卷积神经网络的各层在层的正向传递中对输入数据分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述地下水动态观测特征向量，所述第一卷积神经网络的第一层的输入为所述特征矩阵。
更具体地，在本申请实施例中，所述单点地下水观测数据编码模块，包括：嵌入编码单元，用于使用所述包含嵌入层的上下文的编码器模型的嵌入层分别将所述多个预定时间点的地下水观测数据中各个预定时间点的地下水观测数据转化为输入向量以获得输入向量的序列；以及，转换编码单元，用于使用所述包含嵌入层的上下文的编码器模型的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个单时间点地下水观测特征向量。
具体地，在本申请实施例中，所述地磁测量数据编码模块250，用于将所述地磁测量波形图通过作为过滤器的第二卷积神经网络以得到地磁测量特征向量。也就是，在本申请的技术方案中，在得到所述地磁测量波形图后，进一步将所述地磁测量波形图通过作为过滤器的第二卷积神经网络中进行处理，以提取出所述地磁测量波形图中的局部高维隐含特征分布，从而得到地磁测量特征向量。
更具体地，在本申请实施例中，所述地磁测量数据编码模块，包括：首先，将所述地磁测量波形图通过作为滤波器的深度可分离卷积神经网络以得到降噪后地磁测量波形图。然后，将所述降噪后地磁测量波形图通过所述作为过滤器的第二卷积神经网络以得到所述地磁测量特征向量。相应地，在一个具体示例中，所述第二卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿特征矩阵的池化处理和激活处理以由所述第二卷积神经网络的最后一层生成所述地磁测量特征向量，其中，所述第二卷积神经网络的第一层的输入为所述地磁测量波形图。
图3图示了根据本申请实施例的基于物联网的矿山安全生产检测***中地磁测量数据编码模块的框图。如图3所示，所述地磁测量数据编码模块250，包括：降噪单元251，用于将所述地磁测量波形图通过作为滤波器的深度可分离卷积神经网络以得到降噪后地磁测量波形图；以及，卷积编码单元252，用于将所述降噪后地磁测量波形图通过所述作为过滤器的第二卷积神经网络以得到所述地磁测量特征向量。
具体地，在本申请实施例中，所述融合模块260，用于融合所述地下水动态观测特征向量和所述地磁测量特征向量以得到分类特征向量。应可以理解，由于所述地下水动态观测特征向量V1表达参数文本语义时序关联信息，而所述地磁测量特征向量V2表达波形图像语义像素域关联信息，为了提升其在通过深层卷积神经网络所映射到的高维特征空间内的融合性能，在本申请的技术方案中，进一步进行特征向量的深度单应对齐。特别地，应可以理解，该所述特征向量的深度单应对齐通过根据向量信息表征的差分向量的深度特性，来通过向量的关联特征表达的全场景单应关联矩阵进行深度感知，并结合差分向量的一范数模拟场景深度流，来进行基于场景深度流的单应性对齐。这样，就在可能存在特征向量之间的特征分布不一致的情况上，实现了特征向量之间的稠密的深层融合，也就是，获得的所述分类特征向量Vc在深层卷积神经网络所映射到的高维特征空间内具有更强的分类性能，进而能够提高分类的准确性。
更具体地，在本申请实施例中，所述融合模块，进一步用于：以如下公式融合所述地下水动态观测特征向量和所述地磁测量特征向量以得到所述分类特征向量；
其中，所述公式为：
其中Vc表示所述分类特征向量，V1表示所述地下水动态观测特征向量，V2表示所述地磁测量特征向量，||·||1表示向量的一范数，且||·||F表示矩阵的Frobenius范数，
表示按位置差分，⊙表示按位置点乘。
具体地，在本申请实施例中，所述安全预警模块270，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生地震预警提示。在一个具体示例中，使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(Wn，Bn)：...：(W1，B1)|X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为所述分类特征向量。
综上，基于本申请实施例的所述基于物联网的矿山安全生产检测***200被阐明，其采用人工智能的检测技术，通过卷积神经网络模型对于地下水的观测数据的动态变化特征以及地磁的测量变化特征进行提取，来综合对于地震进行预警，并且在特征融合的过程中，为了提升在通过深层卷积神经网络所映射到的高维特征空间内的融合性能，进行特征向量的深度单应对齐，以提高分类的准确性。这样，就能够对于矿山的安全生产进行检测。
如上所述，根据本申请实施例的基于物联网的矿山安全生产检测***200可以实现在各种终端设备中，例如基于物联网的矿山安全生产检测算法的服务器等。在一个示例中，根据本申请实施例的基于物联网的矿山安全生产检测***200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于物联网的矿山安全生产检测***200可以是该终端设备的操作***中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于物联网的矿山安全生产检测***200同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于物联网的矿山安全生产检测***200与该终端设备也可以是分立的设备，并且该基于物联网的矿山安全生产检测***200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法
图4图示了基于物联网的矿山安全生产检测***的检测方法的流程图。如图4所示，根据本申请实施例的基于物联网的矿山安全生产检测***的检测方法，包括步骤：S110，获取由地下流体监测***采集的多个预定时间点的地下水观测数据，其中，所述地下水观测数据包括水位、流量、离子浓度和电导率；S120，获取由地磁和地电观测台采集的地磁测量波形图；S130，将所述多个预定时间点的地下水观测数据中各个预定时间点的地下水观测数据分别通过包含嵌入层的上下文编码器以得到多个单时间点地下水观测特征向量；S140，将所述多个单时间点地下水观测特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以得到地下水动态观测特征向量；S150，将所述地磁测量波形图通过作为过滤器的第二卷积神经网络以得到地磁测量特征向量；S160，融合所述地下水动态观测特征向量和所述地磁测量特征向量以得到分类特征向量；以及，S170，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生地震预警提示。
图5图示了根据本申请实施例的基于物联网的矿山安全生产检测***的检测方法的架构示意图。如图5所示，在所述基于物联网的矿山安全生产检测***的检测方法的网络架构中，首先，将获得的所述多个预定时间点的地下水观测数据(例如，如图5中所示意的P1)中各个预定时间点的地下水观测数据分别通过包含嵌入层的上下文编码器(例如，如图5中所示意的E)以得到多个单时间点地下水观测特征向量(例如，如图5中所示意的VF1)；接着，将所述多个单时间点地下水观测特征向量进行二维排列为特征矩阵(例如，如图5中所示意的MF)后通过第一卷积神经网络(例如，如图5中所示意的CNN1)以得到地下水动态观测特征向量(例如，如图5中所示意的VF2)；然后，将所述地磁测量波形图(例如，如图5中所示意的P2)通过作为过滤器的第二卷积神经网络(例如，如图5中所示意的CNN2)以得到地磁测量特征向量(例如，如图5中所示意的VF3)；接着，融合所述地下水动态观测特征向量和所述地磁测量特征向量以得到分类特征向量(例如，如图5中所示意的VF)；以及，最后，将所述分类特征向量通过分类器(例如，如图5中所示意的圈S)以得到分类结果，所述分类结果用于表示是否产生地震预警提示。
更具体地，在步骤S110和步骤S120中，获取由地下流体监测***采集的多个预定时间点的地下水观测数据，其中，所述地下水观测数据包括水位、流量、离子浓度和电导率，并获取由地磁和地电观测台采集的地磁测量波形图。应可以理解，考虑到在矿山的安全事故中，地震无疑是影响最大且造成损失最多的灾害因素，为了能够避免矿山事故的发生或者避免事故造成较大的损失，就需要对于地震进行预警。并且还考虑到在地震发生之前，地下水和地磁都会发生异常变化，因此，在本申请的技术方案中，期望基于对地下水的观测以及地磁的测量变化来对于地震灾害进行预测。
也就是，具体地，在本申请的技术方案中，首先，通过地下流体监测***采集多个预定时间点的地下水观测数据，其中，所述地下水观测数据包括水位、流量、离子浓度和电导率。应可以理解，由于地震发生之前，地下水会发生异常，例如地下水的水位和水量会发生变化，且水质和水温也会发生变化，这样通过对于地下水的水位、流量、离子浓度和电导率观测数据的隐含关联特征信息来综合对于地震进行预警。然后，通过地磁和地电观测台采集地磁测量波形图。应可以理解，地震引起磁场变化的原因有两个，一是地震前岩石在地应力作用下出现“压磁效应”，从而引起地磁场局部变化；二是地应力使岩石被压缩或拉伸，引起电阻率变化，使电磁场有相应的局部变化，岩石温度的改变也能使岩石电磁性质改变。因此，在本申请的技术方案中，若在对于地震进行预警时加入地磁变化特征这个判断因素，显然能够进一步提高对于地震预测判断的准确度。
更具体地，在步骤S130和S140中，将所述多个预定时间点的地下水观测数据中各个预定时间点的地下水观测数据分别通过包含嵌入层的上下文编码器以得到多个单时间点地下水观测特征向量，并将所述多个单时间点地下水观测特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以得到地下水动态观测特征向量。应可以理解，考虑到所述地下水观测数据中的各项数据之间存在关联，因此使用包含嵌入层的上下文编码器对所述各个预定时间点的地下水观测数据进行编码以提取所述各个地下水观测数据之间的基于全局的高维语义特征以更适于表征地下水变化的本质模式特征。具体地，在本申请的技术方案中，在所述上下文编码器的编码过程中，其首先使用嵌入层将各项水质检测数据映射为嵌入向量，也就是，使用嵌入层将所述多个预定时间点的地下水观测数据中各个预定时间点的地下水观测数据映射到同一矢量空间中。接着，所述上下文编码使用转换器对所获得嵌入向量的序列进行基于全局的上下文语义编码以生成所述多个单时间点地下水观测特征向量。这样，在获得单个时间点下的地下水观测特征后，进一步将所述多个单时间点地下水观测特征向量进行二维排列为特征矩阵后通过第一卷积神经网络中进行处理，以提取出所述各个地下水观测数据在时间维度上的动态变化特征信息，从而得到地下水动态观测特征向量。
相应地，在一个具体示例中，使用所述第一卷积神经网络的各层在层的正向传递中对输入数据分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述地下水动态观测特征向量，所述第一卷积神经网络的第一层的输入为所述特征矩阵。
更具体地，在步骤S150中，将所述地磁测量波形图通过作为过滤器的第二卷积神经网络以得到地磁测量特征向量。也就是，在本申请的技术方案中，在得到所述地磁测量波形图后，进一步将所述地磁测量波形图通过作为过滤器的第二卷积神经网络中进行处理，以提取出所述地磁测量波形图中的局部高维隐含特征分布，从而得到地磁测量特征向量。
更具体地，在步骤S160中，融合所述地下水动态观测特征向量和所述地磁测量特征向量以得到分类特征向量。应可以理解，由于所述地下水动态观测特征向量V1表达参数文本语义时序关联信息，而所述地磁测量特征向量V2表达波形图像语义像素域关联信息，为了提升其在通过深层卷积神经网络所映射到的高维特征空间内的融合性能，在本申请的技术方案中，进一步进行特征向量的深度单应对齐。特别地，应可以理解，该所述特征向量的深度单应对齐通过根据向量信息表征的差分向量的深度特性，来通过向量的关联特征表达的全场景单应关联矩阵进行深度感知，并结合差分向量的一范数模拟场景深度流，来进行基于场景深度流的单应性对齐。这样，就在可能存在特征向量之间的特征分布不一致的情况上，实现了特征向量之间的稠密的深层融合，也就是，获得的所述分类特征向量Vc在深层卷积神经网络所映射到的高维特征空间内具有更强的分类性能，进而能够提高分类的准确性。
更具体地，在步骤S170中，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生地震预警提示。也就是，在一个具体示例中，使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(Wn，Bn)：...：(W1，B1)|X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为所述分类特征向量。
综上，基于本申请实施例的所述基于物联网的矿山安全生产检测***的检测方法被阐明，其采用人工智能的检测技术，通过卷积神经网络模型对于地下水的观测数据的动态变化特征以及地磁的测量变化特征进行提取，来综合对于地震进行预警，并且在特征融合的过程中，为了提升在通过深层卷积神经网络所映射到的高维特征空间内的融合性能，进行特征向量的深度单应对齐，以提高分类的准确性。这样，就能够对于矿山的安全生产进行检测。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于物联网的矿山安全生产检测***的检测方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的基于物联网的矿山安全生产检测***的检测方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、***或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种基于物联网的矿山安全生产检测***，其特征在于，包括：
地下水观测数据采集模块，用于获取由地下流体监测***采集的多个预定时间点的地下水观测数据，其中，所述地下水观测数据包括水位、流量、离子浓度和电导率；
地磁测量数据采集模块，用于获取由地磁和地电观测台采集的地磁测量波形图；
单点地下水观测数据编码模块，用于将所述多个预定时间点的地下水观测数据中各个预定时间点的地下水观测数据分别通过包含嵌入层的上下文编码器以得到多个单时间点地下水观测特征向量；
时序关联编码模块，用于将所述多个单时间点地下水观测特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以得到地下水动态观测特征向量；
地磁测量数据编码模块，用于将所述地磁测量波形图通过作为过滤器的第二卷积神经网络以得到地磁测量特征向量；
融合模块，用于融合所述地下水动态观测特征向量和所述地磁测量特征向量以得到分类特征向量；以及
安全预警模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生地震预警提示。
2.根据权利要求1所述的基于物联网的矿山安全生产检测***，其中，所述单点地下水观测数据编码模块，包括：
嵌入编码单元，用于使用所述包含嵌入层的上下文的编码器模型的嵌入层分别将所述多个预定时间点的地下水观测数据中各个预定时间点的地下水观测数据转化为输入向量以获得输入向量的序列；以及
转换编码单元，用于使用所述包含嵌入层的上下文的编码器模型的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个单时间点地下水观测特征向量。
3.根据权利要求2所述的基于物联网的矿山安全生产检测***，其中，所述时序关联编码模块，进一步用于：使用所述第一卷积神经网络的各层在层的正向传递中对输入数据分别进行：
对输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述第一卷积神经网络的最后一层的输出为所述地下水动态观测特征向量，所述第一卷积神经网络的第一层的输入为所述特征矩阵。
4.根据权利要求3所述的基于物联网的矿山安全生产检测***，其中，所述地磁测量数据编码模块，包括：
降噪单元，用于将所述地磁测量波形图通过作为滤波器的深度可分离卷积神经网络以得到降噪后地磁测量波形图；以及
卷积编码单元，用于将所述降噪后地磁测量波形图通过所述作为过滤器的第二卷积神经网络以得到所述地磁测量特征向量。
5.根据权利要求4所述的基于物联网的矿山安全生产检测***，其中，所述卷积编码单元，进一步用于所述第二卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿特征矩阵的池化处理和激活处理以由所述第二卷积神经网络的最后一层生成所述地磁测量特征向量，其中，所述第二卷积神经网络的第一层的输入为所述地磁测量波形图。
6.根据权利要求5所述的基于物联网的矿山安全生产检测***，其中，所述融合模块，进一步用于：以如下公式融合所述地下水动态观测特征向量和所述地磁测量特征向量以得到所述分类特征向量；
其中，所述公式为：
其中Vc表示所述分类特征向量，V1表示所述地下水动态观测特征向量，V2表示所述地磁测量特征向量，||·||1表示向量的一范数，且||·||F表示矩阵的Frobenius范数，
表示按位置差分，⊙表示按位置点乘。
7.根据权利要求6所述的基于物联网的矿山安全生产检测***，其中，所述安全预警模块，进一步用于使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(Wn，Bn)：...：(W1，B1)|X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为所述分类特征向量。
8.一种基于物联网的矿山安全生产检测***的检测方法，其特征在于，包括：
获取由地下流体监测***采集的多个预定时间点的地下水观测数据，其中，所述地下水观测数据包括水位、流量、离子浓度和电导率；
获取由地磁和地电观测台采集的地磁测量波形图；
将所述多个预定时间点的地下水观测数据中各个预定时间点的地下水观测数据分别通过包含嵌入层的上下文编码器以得到多个单时间点地下水观测特征向量；
将所述多个单时间点地下水观测特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以得到地下水动态观测特征向量；
将所述地磁测量波形图通过作为过滤器的第二卷积神经网络以得到地磁测量特征向量；
融合所述地下水动态观测特征向量和所述地磁测量特征向量以得到分类特征向量；以及
将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生地震预警提示。
9.根据权利要求8所述的基于物联网的矿山安全生产检测***的检测方法，其中，将所述多个预定时间点的地下水观测数据中各个预定时间点的地下水观测数据分别通过包含嵌入层的上下文编码器以得到多个单时间点地下水观测特征向量，包括：
使用所述包含嵌入层的上下文的编码器模型的嵌入层分别将所述多个预定时间点的地下水观测数据中各个预定时间点的地下水观测数据转化为输入向量以获得输入向量的序列；以及
使用所述包含嵌入层的上下文的编码器模型的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个单时间点地下水观测特征向量。
10.根据权利要求9所述的基于物联网的矿山安全生产检测***的检测方法，其中，融合所述地下水动态观测特征向量和所述地磁测量特征向量以得到分类特征向量，包括：
以如下公式融合所述地下水动态观测特征向量和所述地磁测量特征向量以得到所述分类特征向量；
其中，所述公式为：
其中Vc表示所述分类特征向量，V1表示所述地下水动态观测特征向量，V2表示所述地磁测量特征向量，||·||1表示向量的一范数，且||·||F表示矩阵的Frobenius范数，
表示按位置差分，⊙表示按位置点乘。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210810066.1A CN115128663A (zh) | 2022-07-11 | 2022-07-11 | 基于物联网的矿山安全生产检测***及其检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210810066.1A CN115128663A (zh) | 2022-07-11 | 2022-07-11 | 基于物联网的矿山安全生产检测***及其检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115128663A true CN115128663A (zh) | 2022-09-30 |
Family
ID=83384668
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210810066.1A Pending CN115128663A (zh) | 2022-07-11 | 2022-07-11 | 基于物联网的矿山安全生产检测***及其检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115128663A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116110507A (zh) * | 2023-02-15 | 2023-05-12 | 浙江宏丰炉料有限公司 | 镁碳砖智能化生产方法及*** |
| CN116975728A (zh) * | 2023-08-07 | 2023-10-31 | 山东省地质矿产勘查开发局第八地质大队(山东省第八地质矿产勘查院) | 用于煤层气钻井工程的安全管理方法及其*** |
| CN117635219A (zh) * | 2024-01-26 | 2024-03-01 | 长春黄金设计院有限公司 | 金属矿山生产大数据智能分析***及方法 |
-
2022
- 2022-07-11 CN CN202210810066.1A patent/CN115128663A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116110507A (zh) * | 2023-02-15 | 2023-05-12 | 浙江宏丰炉料有限公司 | 镁碳砖智能化生产方法及*** |
| CN116110507B (zh) * | 2023-02-15 | 2024-02-06 | 浙江宏丰炉料有限公司 | 镁碳砖智能化生产方法及*** |
| CN116975728A (zh) * | 2023-08-07 | 2023-10-31 | 山东省地质矿产勘查开发局第八地质大队(山东省第八地质矿产勘查院) | 用于煤层气钻井工程的安全管理方法及其*** |
| CN116975728B (zh) * | 2023-08-07 | 2024-01-26 | 山东省地质矿产勘查开发局第八地质大队(山东省第八地质矿产勘查院) | 用于煤层气钻井工程的安全管理方法及其*** |
| CN117635219A (zh) * | 2024-01-26 | 2024-03-01 | 长春黄金设计院有限公司 | 金属矿山生产大数据智能分析***及方法 |
| CN117635219B (zh) * | 2024-01-26 | 2024-04-26 | 长春黄金设计院有限公司 | 金属矿山生产大数据智能分析***及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115128663A (zh) | 基于物联网的矿山安全生产检测***及其检测方法 | |
| CN110084166B (zh) | 基于深度学习的变电站烟火智能识别监测方法 | |
| CN114782882B (zh) | 基于多模态特征融合的视频目标行为异常检测方法和*** | |
| CN107784276B (zh) | 微震事件识别方法和装置 | |
| CN115564766B (zh) | 水轮机蜗壳座环的制备方法及其*** | |
| CN114912533B (zh) | 一种应用于变压器的状态监测***及监测方法 | |
| CN115171317A (zh) | 物联网智能家居方法、***和电子设备 | |
| CN115022187B (zh) | 一种电-气综合能源***态势感知方法与装置 | |
| CN116309580B (zh) | 基于磁应力的油气管道腐蚀检测方法 | |
| CN115324843A (zh) | 基于监测数据的风力发电机组的故障诊断***及其方法 | |
| CN116486524A (zh) | 基于场景识别的交流充电电子锁控制方法 | |
| CN113793325B (zh) | 一种检测方法、装置、计算机设备和存储介质 | |
| CN112990107B (zh) | 高光谱遥感图像水下目标检测方法、装置及计算机设备 | |
| CN116975728B (zh) | 用于煤层气钻井工程的安全管理方法及其*** | |
| CN115143128B (zh) | 小型潜水电泵的故障诊断方法及其*** | |
| CN112733853A (zh) | 基于前景背景的分离与关联的矿物分离效果的检测方法 | |
| CN117596057A (zh) | 网络信息安全管理***及方法 | |
| CN116467485B (zh) | 一种视频图像检索构建***及其方法 | |
| CN114839466B (zh) | 用于水泵的emc电磁兼容性测试***及其测试方法 | |
| CN117176433A (zh) | 网络数据的异常行为检测***及方法 | |
| CN117275202A (zh) | 文物重点区域危险源全方位实时智能预警方法及*** | |
| WO2024103470A1 (zh) | 自动扶梯生产用性能检测***及其方法 | |
| CN106845498A (zh) | 结合高程的单幅山脉遥感图像滑坡泥石流检测方法 | |
| CN116001579A (zh) | 新能源车紧急断电方法及*** | |
| CN117345344B (zh) | 一种矿井声电信号智能预测方法与*** |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220930 |