CN116739183B - 一种矿山安全风险预警预测*** - Google Patents

一种矿山安全风险预警预测*** Download PDF

Info

Publication number
CN116739183B
CN116739183B CN202310962424.5A CN202310962424A CN116739183B CN 116739183 B CN116739183 B CN 116739183B CN 202310962424 A CN202310962424 A CN 202310962424A CN 116739183 B CN116739183 B CN 116739183B
Authority
CN
China
Prior art keywords
image
sub
module
boundary
area
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.)
Active
Application number
CN202310962424.5A
Other languages
English (en)
Other versions
CN116739183A (zh
Inventor
谷中元
曹妙聪
秦宏宇
刘杰勋
王春光
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.)
Changchun Institute of Applied Chemistry of CAS
Original Assignee
Changchun Institute of Applied Chemistry of CAS
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 Changchun Institute of Applied Chemistry of CAS filed Critical Changchun Institute of Applied Chemistry of CAS
Priority to CN202310962424.5A priority Critical patent/CN116739183B/zh
Publication of CN116739183A publication Critical patent/CN116739183A/zh
Application granted granted Critical
Publication of CN116739183B publication Critical patent/CN116739183B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
    • E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
    • E21F17/18—Special adaptations of signalling or alarm devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/16—Image acquisition using multiple overlapping images; Image stitching
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • G06V20/653—Three-dimensional objects by matching three-dimensional models, e.g. conformal mapping of Riemann surfaces
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Multimedia (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Mining & Mineral Resources (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Primary Health Care (AREA)
  • Animal Husbandry (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Agronomy & Crop Science (AREA)
  • Educational Administration (AREA)
  • Remote Sensing (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Geology (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种矿山安全风险预警预测***，属于安全预警技术领域，包括：图像建模模块，用于对矿山山体进行图像建模得到初步山体结构模型；范围确定模块，用于确定出区域修正范围；激光建模模块，用于对区域修正范围进行建模，获得区域修正范围模型；方位确定模块，确定出区域修正范围模型在初步山体结构模型中的融合方位；区域确定模块，用于基于完整山体结构模型确定出矿山的形变区域；危险预测模块，用于基于当前曲率和形变区域在预设山体结构模型中对应的初始曲率预测出矿山危险区域；危险预警模块，用于基于矿山危险区域位置发送预警信号；本发明用来在脱离与地面接触的硬件的前提下，实现对可能出现地表凹陷危险的区域的更精准预警。

Description

一种矿山安全风险预警预测***
技术领域
本发明涉及安全预警技术领域，特别涉及一种矿山安全风险预警预测***。
背景技术
目前，随着工业化、信息化的发展，对矿产资源的需求量越来越大，致使矿产资源的开采量不断增加，很多矿山企业的产能不断增加，由于大多数矿山企业已经有较长的服务年限，浅层矿产资源已经开采殆尽，大多数为深部矿产资源，将深部的原生矿体和伴生的废石采出后，会形成大小规模不等的地下空间，在重力作用和地应力不均衡等因素的影响下，首先在采空区域产生地裂缝，逐渐发展为采空区的地面塌陷，会导致验证的财产安全事故，甚至是人身安全事故。因此，矿山安全风险预警在矿山开采领域至关重要。
但是，现有矿山安全风险预警预测***仅通过各种与地面接触的硬件来进行分析预警，因为矿山环境恶劣，长时间与地面接触的硬件容易锈蚀损坏，难以准确进行预警，例如公开号为“CN112885038A”，公开日为2021年6月1日，专利名称为“地面塌陷预警装置及地面塌陷预警***”的中国发明专利，其方法包括以下步骤：触发单元，包括多个沿上下方向依次对接的触发组件，不同的所述触发组件对应于不同的地层；以及预警单元，设于所述触发单元顶部，所述预警单元包括多个与所述触发组件一一对应的报警组件，每个所述报警组件分别通过不同的连接组件与相应的所述触发组件连接；当某一所述触发组件从队列中脱落时，其在重力作用下通过相应的所述连接组件拉拽触发对应的所述报警组件，以判断该所述触发组件所对应的地层出现空洞。该发明能够解决地面下部初步出现塌方时不易被察觉，塌方逐渐扩大后容易造成重大安全事故的问题。但是该专利无法依靠少数设备对塌陷处进行表面分析，仅通过许多与地面接触的硬件来进行分析预警，因为矿山环境恶劣，长时间与地面接触的硬件容易锈蚀损坏，所以难以准确进行预警。
因此，本发明提出了一种矿山安全风险预警预测***，用来在脱离与地面接触的硬件的前提下，实现对可能出现地表凹陷危险的区域的更精准预警，以保证矿山的安全生产。
发明内容
本发明提供一种矿山安全风险预警预测***，用于仅通过矿山山体外表图像对进行对矿山山体表面初步建模，获得初步山体结构模型，通过范围确定模块可以确定初步山体结构模型中存在的需要进一步重新建模的区域，通过激光建模模块对需要重新建模的区域进行建模，获得区域修正范围模型，对图像建模时出现的模型难以反映真实结构的区域进行更精确的建模，进一步保证了搭建出的完整山体结构模型的准确度和数据完整度，方位确定模块与区域确定模块结合可以对矿山出现的形变区域进行确定，危险预测模块用来通过对形变区域的分析来精准预测矿山危险区域，仅依靠无人机采集到的矿山山体表面数据便可更精准的对出现地表凹陷危险的区域进行预测，即在脱离与地面接触的硬件的前提下，实现对可能出现地表凹陷危险的区域的更精准预警，以保证矿山的安全生产。
本发明提供一种矿山安全风险预警预测***，包括：
图像建模模块，用于对平面转换后的矿山山体图像进行频率分解并融合，获得融合图像，并基于融合图像搭建出初步山体结构模型；
范围确定模块，用于对融合图像进行单位面积分解和边界增强，获得边界增强子图像，并基于边界增强子图像的修正值确定出区域修正范围；
激光建模模块，用于对区域修正范围进行重新建模，获得区域修正范围模型；
方位确定模块，用于基于初步山体模型和区域修正范围模型进行处理，并确定出区域修正范围模型在初步山体结构模型中的融合方位；
区域确定模块，用于基于融合方位获得完整山体结构模型，通过完整山体结构模型和预设山体结构模型确定出矿山的形变区域；
危险预测模块，用于对矿山的形变区域进行凹陷曲率计算，获得形变区域的当前曲率，并基于当前曲率和形变区域在预设山体结构模型中对应的初始曲率预测出矿山危险区域；
危险预警模块，用于基于矿山危险区域位置发送预警信号。
优选的，一种矿山安全风险预警预测***，图像建模模块，包括：
图像采集子模块，用于基于无人机上设置的拍摄设备对矿山的所在区域进行图像采集，得到多幅矿山山体图像；
图像转换子模块，用于将多幅矿山山体图像输入预设平面转换模型，得到对应的可拼接图像；
图形融合子模块，用于将所有可拼接图像进行频率分解后融合获得融合图像，并基于融合图像进行模型搭建，得到初步山体结构模型。
优选的，一种矿山安全风险预警预测***，图形融合子模块，包括：
图像转换单元，用于对可拼接图像进行傅里叶变换，获得频谱图，确定出频谱图中每个像素点的亮度值当作可拼接图像中的频率分量表征值；
区域确定单元，用于确定出不同可拼接图像中相同的频率分量表征值，将每两个可拼接图像中所有相同的频率分量表征值对应的像素点所围成的区域，当作对应两个可拼接图像之间的可拼接区域；
图像拼接单元，用于基于所有可拼接区域，将所有可拼接图像进行两两拼接，获得融合图像；
模型搭建单元，用于在融合图像中提取出三维点云，基于三维点云数据进行建模，得到初步山体结构模型。
优选的，一种矿山安全风险预警预测***，合成单元，包括：
图像生成子单元，用于基于频谱图生成可拼接图像在每个频率分量下对应的第一子图像；
图像区分子单元，用于确定出待融合两个的可拼接图像中的可拼接区域在低频分量的所有第一部分子图像与高频分量的所有第二部分子图像；
低频处理子单元，用于确定出所有第一部分子图像中所有相同位置的像素点的灰度值的均值，将灰度值的均值赋于空白图像中的对应位置的像素点，获得低频融合图像；
高频处理子单元，用于确定出所有第二部分子图像中所有相同位置的像素点的灰度值的最大值，将灰度值的最大值赋于空白图像中的对应位置的像素点，获得高频融合图像；
图像拼接子单元，将低频融合图像与高频融合图像进行叠加合成，得到新的可拼接区域，基于新的可拼接区域将待融合两个的可拼接图像进行拼接，获得融合图像。
优选的，一种矿山安全风险预警预测***，范围确定模块，包括：
边界优化子模块，用于将构建出初步山体结构模型的融合图像分割为多个单位面积的第二子图像，对所有第二子图像进行图像边界检测，确定所有第二子图像的边界部分，对所有第二子图像的边界部分进行边界增强，得到边界增强子图像集合；
修正值计算子模块，用于基于以下公式确定边界增强子图像集合中每个边界增强子图像的修正值：
；
式中，为边界增强子图像的修正值，a为边界增强子图像的下边界在平面直角坐标系中的纵坐标值，b为边界增强子图像的上边界在平面直角坐标系中的纵坐标值，c为边界增强子图像的左边界在平面直角坐标系中的横坐标值，d为边界增强子图像的右边界在平面直角坐标系中的横坐标值，/>为边界增强子图像中坐标/>处的像素点与对应边界增强子图像中增强边界中每个像素点之间的像素差值中的最大值，/>为边界增强子图像中坐标/>处的像素点与对应边界增强子图像中增强边界中每个像素点之间的像素差值中的最小值，/>为自变量微分；
范围判断子模块，用于将边界增强子图像集合中修正值大于额定修正值的边界增强子图像当作待修正区域，将所有待修正区域在初步山体结构模型中对应的区域范围当作区域修正范围。
优选的，一种矿山安全风险预警预测***，激光建模模块，包括：
激光采样子模块，在区域修正范围中确定出多个扫描点，控制无人机在扫描点在矿山山体中对应的实际位置进行扫描，得到对应扫描点的三维点云数据；
重合度计算子模块，用于对计算出所有相邻扫描点的三维点云数据的重合度；
补充扫描子模块，用于在重合度小于最小重合度阈值的相邻扫描点之间***新的扫描点，并补充获取新的扫描点的三维点云数据，直至最新确定出的所有相邻扫描点的三维点云数据之间的重合度都不小于最小重合度阈值时，则获得第一三维点云数据；
点云去重子模块，用于将第一三维点云数据中重合度超出最大重合度阈值的相邻扫描点的三维点云数据随机去除一组，获得第二三维点云数据；
配准点子模块，用于将第二三维点云数据中相邻扫描点的三维点云数据中的相同三维点云确定为对应相邻扫描点的配准点；
点云合成子模块，用于基于配准点将对应相邻扫描点的三维点云数据进行点云合成，得到区域修正范围的完整点云；
模型构建子模块，用于基于区域修正范围的完整点云构建出区域修正范围模型。
优选的，一种矿山安全风险预警预测***，方位确定模块，包括：
尺寸统一子模块，用于对初步山体结构模型和区域修正范围模型进行尺寸统一；
位置确定子模块，用于确定出区域修正范围模型在初步山体结构模型中的融合方位。
优选的，一种矿山安全风险预警预测***，区域确定模块，包括：
融合子模块，基于融合方位将区域修正范围模型和初步山体结构模型融合获得完整山体结构模型；
形变确定子模块，用于将完整山体结构模型与预设山体结构模型进行比对，确定出形变区域。
优选的，一种矿山安全风险预警预测***，危险预测模块，包括：
初始曲率计算子模块，用于基于预设山体结构模型对形变区域进行凹陷曲率计算，得到形变区域的初始曲率；
凹陷曲率子模块，用于基于完整山体结构模型在形变区域位置的结构变化进行凹陷曲率计算，得到形变区域的当前曲率；
预测子模块，用于当当前曲率与初始曲率的差值大于预设值时，预测形变区域为矿山危险区域。
优选的，一种矿山安全风险预警预测***，危险预警模块，包括：
信号生成子模块，用于基于矿山危险区域的所在位置生成对应的预警信号；
信号发送子模块，用于将预警信号发送至监控预警后台。
本发明相对于现有技术产生的有益效果为：仅通过矿山山体外表图像对进行对矿山山体表面初步建模，获得初步山体结构模型，通过范围确定模块可以确定初步山体结构模型中存在的需要进一步重新建模的区域，通过激光建模模块对需要重新建模的区域进行建模，获得区域修正范围模型，对图像建模时出现的模型难以反映真实结构的区域进行更精确的建模，进一步保证了搭建出的完整山体结构模型的准确度和数据完整度，方位确定模块与区域确定模块结合可以对矿山出现的形变区域进行确定，危险预测模块用来通过对形变区域的分析来精准预测矿山危险区域，仅依靠无人机采集到的矿山山体表面数据便可更精准的对出现地表凹陷危险的区域进行预测，即在脱离与地面接触的硬件的前提下，实现对可能出现地表凹陷危险的区域的更精准预警，以保证矿山的安全生产。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书中所特别指出的结构来实现和获得。
下面通过实施例，对本发明的技术方案做进一步的详细描述。
具体实施方式
以下对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1：本发明提供了一种矿山安全风险预警预测***，包括：
图像建模模块，用于对平面转换后的矿山山体图像进行频率分解并融合，获得融合图像，并基于融合图像搭建出初步山体结构模型；
范围确定模块，用于对融合图像进行单位面积分解和边界增强，获得边界增强子图像，并基于边界增强子图像的修正值确定出区域修正范围；
激光建模模块，用于对区域修正范围进行重新建模，获得区域修正范围模型；
方位确定模块，用于对初步山体模型和区域修正范围模型进行处理，并确定出区域修正范围模型在初步山体结构模型中的融合方位；
区域确定模块，用于基于融合方位获得完整山体结构模型，通过完整山体结构模型和预设山体结构模型确定出矿山的形变区域；
危险预测模块，用于对矿山的形变区域进行凹陷曲率计算，获得形变区域的当前曲率，并基于当前曲率和形变区域在预设山体结构模型中对应的初始曲率预测出矿山危险区域；
危险预警模块，用于基于矿山危险区域位置发送预警信号。
该实施例中，矿山山体图像为无人机拍摄的矿山山体表面的图像。
该实施例中，矿山山体为包括矿山内部通道结构和外表面结构的完整山体结构。
该实施例中，初步山体结构模型为基于对矿山山体表面的图像进行初步建模获得的模型，其中模型可能存在（由于矿山山体图像中的遮挡物）未能将其某些部分区域结构显示出来的情况。
该实施例中，区域修正范围为基于矿山山体表面的图像建模时出现的模型难以反映真实结构的区域，比如说有树木遮挡的区域。
该实施例中，重新建模为对区域修正范围通过无人机激光扫描设备向形变区域中的目标位置发射激光信号，然后收集反射回来的激光信号得来的，并通过光速、激光从发射到返回的时间等信息来测得形变区域中的目标位置的距离信息，再结合IMU、里程计、GNSS等信息计算出形变区域中的目标位置的三维坐标信息，进而实现建模。
该实施例中，区域修正范围模型为初步山体结构模型中难以反映真实结构的区域的模型。
该实施例中，对初步山体模型和区域修正范围模型进行处理即为：对初步山体模型和区域修正范围模型进行尺寸统一（例如都处理为750像素422像素大小），以保证其可直接拼接合并。
该实施例中，融合方位为初步山体模型和区域修正范围模型的拼接合并位置。
该实施例中，完整山体结构模型为初步山体模型和区域修正范围模型拼接合并出的模型，反应了完整矿山山体表面的信息。
该实施例中，预设山体结构模型为预先通过激光建模设备对矿山山体表面进行建模获得到山体结构模型。
该实施例中，形变区域为矿山山体结构发生曲率变化的区域。
该实施例中，凹陷曲率计算为基于既有的曲面的第二基本式对形变区域位置对应的预设山体结构模型部分进行分析，就可令形变区域任意一点（设为a点）的位置处的曲率与其位置处切矢量方向曲线的曲率相等，之后基于欧拉公式（过曲面点a的任意切线方向曲率满足欧拉公式）确定形变区域a点曲率与高斯曲率之间的数学关系，根据高斯曲率（高斯曲率是实对称矩阵，那么它可以分解为正交矩阵和对角阵的乘积）与形变区域a点曲率的数学关系可求得a点形变区域曲率，对形变区域所有点进行上述过程的遍历，求得形变区域所有点位置的曲率，将最大的曲率设为形变区域的凹陷曲率。
该实施例中，曲率数据为形变区域的初始曲率与当前曲率。
该实施例中，矿山危险区域为之后会出现山体表面塌陷或结构应力不满足山体整体稳定性要求的区域。
以上技术的有益效果为：仅通过矿山山体外表图像对进行对矿山山体表面初步建模，获得初步山体结构模型，通过范围确定模块可以确定初步山体结构模型中存在的需要进一步重新建模的区域，通过激光建模模块对需要重新建模的区域进行建模，获得区域修正范围模型，对图像建模时出现的模型难以反映真实结构的区域进行更精确的建模，进一步保证了搭建出的完整山体结构模型的准确度和数据完整度，方位确定模块与区域确定模块结合可以对矿山出现的形变区域进行确定，危险预测模块用来通过对形变区域的分析来精准预测矿山危险区域，仅依靠无人机采集到的矿山山体表面数据便可更精准的对出现地表凹陷危险的区域进行预测，即在脱离与地面接触的硬件的前提下，实现对可能出现地表凹陷危险的区域的更精准预警，以保证矿山的安全生产。
实施例2：在实施例1的基础上，一种矿山安全风险预警预测***，图像建模模块，包括：
图像采集子模块，用于基于无人机上设置的拍摄设备对矿山的所在区域进行图像采集，得到多幅矿山山体图像；
图像转换子模块，用于将多幅矿山山体图像输入预设平面转换模型，得到对应的可拼接图像；
图形融合子模块，用于将所有可拼接图像进行频率分解后融合获得融合图像，并基于融合图像进行模型搭建，得到初步山体结构模型。
该实施例中，预设平面转换模型是预先利用大量的图像转化实例（即为包含区别于世界坐标系的其他坐标下的图像与对应的将其转换为在世界坐标系下的图像的实例）训练得到的模型，该模型可将区别于世界坐标系的其他不同坐标系下的图像转换为可进行图像拼接的图像（例如世界坐标系下的图像）。
该实施例中，可拼接图像为经过预设转换模型后，输出的同一坐标系下的图像。
以上技术的有益效果为：可以基于预设平面转换模型将多幅不同坐标系下的矿山山体图像转换为同一坐标系下的可拼接图像，实现对矿山图像的坐标转换，便于后续的图像融合步骤，且进一步地，将所有坐标转换后获得的可拼接图像融合获得初步山体结构模型。
实施例3：在实施例1的基础上，一种矿山安全风险预警预测***，图形融合子模块，包括：
图像转换单元，用于对可拼接图像进行傅里叶变换，获得频谱图，确定出频谱图中每个像素点的亮度值当作可拼接图像中的频率分量表征值；
区域确定单元，用于确定出不同可拼接图像中相同的频率分量表征值，将每两个可拼接图像中所有相同的频率分量表征值对应的像素点所围成的区域，当作对应两个可拼接图像之间的可拼接区域；
图像拼接单元，用于基于所有可拼接区域，将所有可拼接图像进行两两拼接，获得融合图像；
模型搭建单元，用于在融合图像中提取出三维点云，基于三维点云数据进行建模，得到初步山体结构模型。
该实施例中，频率分量表征值即为表征对应像素点处的频率分量大小的数值。
该实施例中，可拼接区域即为两个可拼接图像中包含的同一部分矿山山体结构的部分图像。
该实施例中，融合图像即为将所有可拼接图像进行两两融合后获得的图像。
该实施例中，在融合图像中提取出三维点云技术例如可利用GraphX卷积网络实现从2D图片向三维点云转换。
该实施例中，三维点云数据为像素点在实际山***置处的三维坐标，包括具***置及对应深度。
以上技术的有益效果为：基于不同可拼接图像中包含的相同的频率分量，确定出不同可拼接图像中包含同一部分矿山山体结构的可拼接区域，并基于可拼接区域对所有可拼接图像进行两两拼接，实现对可拼接图像的去重有效拼接，并基于最终拼接获得的融合图像提取出不存在冗余的三维点云数据，并最终实现初步山体结构模型的准确搭建。
实施例4：在实施例3的基础上，一种矿山安全风险预警预测***，图像拼接单元，包括：
图像生成子单元，用于基于频谱图生成可拼接图像在每个频率分量下对应的第一子图像；
图像区分子单元，用于确定出待融合两个的可拼接图像中的可拼接区域在低频分量的所有第一部分子图像（这里的所有第一部分子图像包括两个可拼接区域（即为两个可拼接图像中各自包含的可拼接图像）在低频分量的所有子图像中的部分图像）与高频分量的所有第二部分子图像（这里的所有第二部分子图像包括两个可拼接区域在高频分量的所有子图像中的部分图像）；
低频处理子单元，用于确定出所有第一部分子图像中所有相同位置的像素点的灰度值的均值，将灰度值的均值赋于空白图像中的对应位置的像素点，获得低频融合图像；
高频处理子单元，用于确定出所有第二部分子图像中所有相同位置的像素点的灰度值的最大值，将灰度值的最大值赋于空白图像中的对应位置的像素点，获得高频融合图像；
图像拼接子单元，将低频融合图像与高频融合图像进行叠加合成，得到新的可拼接区域，基于新的可拼接区域将待融合两个的可拼接图像进行拼接，获得融合图像。
该实施例中，基于频谱图生成可拼接图像在每个频率分量下对应的第一子图像即为：
确定出频谱图中每个像素点的亮度值，并将频谱图中所有像素点的亮度值的中位数当作划分阈值，将不小于划分阈值的像素点当作频谱图的高频分量，并将频谱图中除了高频分量以外剩余的点当作低频分量；
将每个频率分量在所有频率分量中的序数与所有频率分量的总数的比值，当作像素分解比；
将当前频率分量对应的像素点的像素值保留，并将可拼接图像中除当前频率分量对应的像素点以外剩余的像素点的像素值和像素分解比的乘积，当作对应像素点在当前频率分量下的分解像素值，基于当前频率分量在可拼接图像中的像素值和可拼接图像中除当前频率分量对应的像素点以外剩余的像素点在当前频率分量下的分解像素值，生成当前频率分量的第一子图像。
该实施例中，待融合两个的可拼接图像即为存在包含频率分量互相相同的可拼接区域的两个可拼接图像。
该实施例中，低频融合图像为对待融合两个的可拼接图像中的可拼接区域在低频分量的所有第一部分子图像进行像素求平均后获得的融合图像。
该实施例中，高频融合图像为对待融合两个的可拼接图像中的可拼接区域在低频分量的所有第一部分子图像进行像素取最大值后获得的融合图像。
以上技术的有益效果为：将融合图像的所有频率分量的子图像按高频、低频进行区分，并依据不同的处理方法进行处理获得高频、低频融合图像，可以得到更精确更容易进行后续处理的融合图像。
实施例5：在实施例1的基础上，一种矿山安全风险预警预测***，范围确定模块，包括：
边界优化子模块，用于将构建出初步山体结构模型的融合图像分割为多个单位面积的第二子图像，对所有第二子图像进行图像边界检测，确定所有第二子图像的边界部分，对所有第二子图像的边界部分进行边界增强，得到边界增强子图像集合；
修正值计算子模块，用于基于以下公式确定边界增强子图像集合中每个边界增强子图像的修正值：
；
式中，为边界增强子图像的修正值，a为边界增强子图像的下边界在平面直角坐标系中的纵坐标值，b为边界增强子图像的上边界在平面直角坐标系中的纵坐标值，c为边界增强子图像的左边界在平面直角坐标系中的横坐标值，d为边界增强子图像的右边界在平面直角坐标系中的横坐标值，/>为边界增强子图像中坐标/>处的像素点与对应边界增强子图像中增强边界中每个像素点之间的像素差值中的最大值，/>为边界增强子图像中坐标/>处的像素点与对应边界增强子图像中增强边界中每个像素点之间的像素差值中的最小值，/>为自变量微分；
范围判断子模块，用于将边界增强子图像集合中修正值大于额定修正值的边界增强子图像当作待修正区域，将所有待修正区域在初步山体结构模型中对应的区域范围当作区域修正范围。
该实施例中，单位面积的第二子图像为将融合图像分割为多个长和宽都为1分米的子图像。
该实施例中，图像边界检测为基于现有的边缘检测算法对所有子图像进行边界检测，确定所有子图像的边界部分。
该实施例中，边界增强为基于现有的邻域增强算法对所有子图像中的矿山山体轮廓进行图像平滑与锐化，使之更加明显。
该实施例中，边界增强子图像集合为所有进行了边界增强的子图像的组合。
该实施例中，修正值可表示边界增强子图像对其对应的山体表面的真实代表度。
该实施例中，额定修正值为边界增强子图像对其对应的山体表面的真实代表度的临界值，当修正值大于额定修正值则表示边界增强子图像无法真实反映对应的山体表面，将其设定为待修正区域，反之边界增强子图像可以真实反映对应的山体表面。
以上技术的有益效果为：将融合图像进行分割，通过对分割的子图像进行分析判断其是否为待修正区域，减少了流程，加快了分析处理速度。
实施例6：在实施例1的基础上，一种矿山安全风险预警预测***，激光建模模块，包括：
激光采样子模块，在区域修正范围中确定出多个扫描点，控制无人机在扫描点在矿山山体中对应的实际位置进行扫描，得到对应扫描点的三维点云数据；
重合度计算子模块，用于对计算出所有相邻扫描点的三维点云数据的重合度；
补充扫描子模块，用于在重合度小于最小重合度阈值的相邻扫描点之间***新的扫描点，并补充获取新的扫描点的三维点云数据，直至最新确定出的所有相邻扫描点的三维点云数据之间的重合度都不小于最小重合度阈值时，则获得第一三维点云数据；
点云去重子模块，用于将第一三维点云数据中重合度超出最大重合度阈值的相邻扫描点的三维点云数据随机去除一组，获得第二三维点云数据；
配准点子模块，用于将第二三维点云数据中相邻扫描点的三维点云数据中的相同三维点云确定为对应相邻扫描点的配准点；
点云合成子模块，用于基于配准点将对应相邻扫描点的三维点云数据进行点云合成，得到区域修正范围的完整点云；
模型构建子模块，用于基于区域修正范围的完整点云构建出区域修正范围模型。
该实施例中，扫描点为基于区域修正范围的边缘任意一点设置为起点，每隔10米都设置为扫描点，直至最后间隔不足10米。
该实施例中，重合度为相邻扫描点的所有三维点云数据中相同的三维点云数据的总个数占两个扫描点的所有三维点云数据之和的百分比。
该实施例中，最小重合度阈值为相邻扫描点的三维点云数据的重合程度最小值，小于最小重合度阈值说明对应两个扫描点位置间隔过大，数据重合程度太低，需要在中间***新扫描点。
该实施例中，第一三维点云数据为***新扫描点并获取对应的三维点云数据，保证所有相邻扫描点的三维点云数据之间的重合度都不小于最小重合度阈值时所有三维点云数据。
该实施例中，最大重合度阈值为相邻扫描点的三维点云数据的重合程度最大值，大于最大重合度阈值说明对应两个扫描点位置间隔过小，数据重合程度太高，需要在两组扫描点数据中随机去除一组。
该实施例中，第二三维点云数据为去除了第一三维点云数据中重合度超出最大重合度阈值的相邻扫描点中的随机一组三维点云数据的所有三维点云数据。
该实施例中，配准点为第二三维点云数据中相邻扫描点的三维点云数据中的相同三维点云，依靠配准点作为参照点进行点云合成。
以上技术的有益效果为：通过无人机对多个扫描点进行扫描，获得更精准的三维点云数据，通过判断相邻扫描点的三维点云数据的重合程度确定是否需要***新扫描点或是去除扫描点的三维点云数据，更加快捷，节省反应时间，根据配准点进行点云的合成，更方便更快捷地获得区域修正范围的完整点云。
实施例7：在实施例1的基础上，一种矿山安全风险预警预测***，方位确定模块，包括：
尺寸统一子模块，用于对初步山体结构模型和区域修正范围模型进行尺寸统一；
位置确定子模块，用于确定出区域修正范围模型在初步山体结构模型中的融合方位。
该实施例中，尺寸统一将初步山体模型和区域修正范围模型都处理为750像素*422像素大小，确定其可直接拼接合并。
该实施例中，融合方位为区域修正模型在初步山体结构模型中融合的位置，基于融合的位置进行模型拼接。
以上技术的有益效果为：可将初步山体模型和区域修正范围模型进行同比例尺的处理合并，更方便与简单的进行模型的融合。
实施例8：在实施例1的基础上，一种矿山安全风险预警预测***，区域确定模块，包括：
融合子模块，基于融合方位将区域修正范围模型和初步山体结构模型融合获得完整山体结构模型；
形变确定子模块，用于将完整山体结构模型与预设山体结构模型进行比对，确定出形变区域。
该实施例中，基于融合方位将区域修正范围模型和初步山体结构模型融合获得完整山体结构模型包括：去除初步山体结构模型中待修正区域的部分，将区域修正模型直接拼接到初步山体结构模型上，得到完整山体结构模型。
该实施例中，将完整山体结构模型与预设山体结构模型进行比对，确定出形变区域，包括：
将完整山体结构模型与预设山体结构模型中不同的区域当作形变区域。
以上技术的有益效果为：通过完整山体结构模型与预设山体结构模型比对更方便的更准确的确定出形变区域。
实施例9：在实施例1的基础上，一种矿山安全风险预警预测***，危险预测模块，包括：
初始曲率计算子模块，用于基于预设山体结构模型对形变区域进行凹陷曲率计算，得到形变区域的初始曲率；
凹陷曲率子模块，用于基于完整山体结构模型在形变区域位置的结构变化进行凹陷曲率计算，得到形变区域的当前曲率；
预测子模块，用于当当前曲率与初始曲率的差值大于预设值时，预测形变区域为矿山危险区域。
该实施例中，预设山体结构模型为使用设备预先（在矿山山体未发生结构形变时）采集数据搭建的山体结构模型。
该实施例中，凹陷曲率计算为基于既有的曲面的第二基本式对形变区域位置对应的预设山体结构模型部分进行分析，就可令形变区域任意一点（设为a点）的位置处的曲率与其位置处切矢量方向曲线的曲率相等，之后基于欧拉公式（过曲面点a的任意切线方向曲率满足欧拉公式）确定形变区域a点曲率与高斯曲率之间的数学关系，根据高斯曲率（高斯曲率是实对称矩阵，那么它可以分解为正交矩阵和对角阵的乘积）与形变区域a点曲率的数学关系可求得a点形变区域曲率，对形变区域所有点进行上述过程的遍历，求得形变区域所有点位置的曲率，将最大的曲率设为形变区域的凹陷曲率。
该实施例中，初始曲率为形变区域位置对应的预设山体结构模型部分的凹陷曲率，将其设定为初始曲率。
该实施例中，当前曲率为形变区域位置对应的完整山体结构模型部分的凹陷曲率，将其设定为当前曲率。
该实施例中，预设值为预先经过大量数据计算总结出的值，当当前曲率与初始曲率的差值大于预设值时，表示当前曲率对应的矿山形变区域的凹陷是不可逆的，该矿山形变区域的曲率会逐渐增大，形变区域会塌陷。
以上技术的有益效果为：依靠曲率计算结果就能预测形变区域是否为矿山危险区域，提升了预测效率，实现了矿山凹陷的事前预警，为矿山凹陷的维护处理或预警防范处理留下更多时间。
实施例10：在实施例1的基础上，一种矿山安全风险预警预测***，危险预警模块，包括：
信号生成子模块，用于基于矿山危险区域的所在位置生成对应的预警信号；
信号发送子模块，用于将预警信号发送至监控预警后台。
该实施例中，预警信号为包含位置信息的警报信号。
该实施例中，监控预警后台为矿山的监控室后台。
以上技术的有益效果为：通过矿山危险区域所在位置进行生成对应的预警信号，及时对危险进行预警，实现对矿山可能出现的凹陷和形变引起的安全风险事故的事前预警。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种矿山安全风险预警预测***，其特征在于，包括：
图像建模模块，用于对平面转换后的矿山山体图像进行频率分解并融合，获得融合图像，并基于融合图像搭建出初步山体结构模型；
范围确定模块，用于对融合图像进行单位面积分解和边界增强，获得边界增强子图像，并基于边界增强子图像的修正值确定出区域修正范围；
激光建模模块，用于对区域修正范围进行重新建模，获得区域修正范围模型；
方位确定模块，用于基于初步山体模型和区域修正范围模型进行处理，并确定出区域修正范围模型在初步山体结构模型中的融合方位；
区域确定模块，用于基于融合方位获得完整山体结构模型，通过完整山体结构模型和预设山体结构模型确定出矿山的形变区域；
危险预测模块，用于对矿山的形变区域进行凹陷曲率计算，获得形变区域的当前曲率，并基于当前曲率和形变区域在预设山体结构模型中对应的初始曲率预测出矿山危险区域；
危险预警模块，用于基于矿山危险区域位置发送预警信号；
范围确定模块，包括：
边界优化子模块，用于将构建出初步山体结构模型的融合图像分割为多个单位面积的第二子图像，对所有第二子图像进行图像边界检测，确定所有第二子图像的边界部分，对所有第二子图像的边界部分进行边界增强，得到边界增强子图像集合；
修正值计算子模块，用于基于以下公式确定边界增强子图像集合中每个边界增强子图像的修正值：
式中，θ为边界增强子图像的修正值，a为边界增强子图像的下边界在平面直角坐标系中的纵坐标值，b为边界增强子图像的上边界在平面直角坐标系中的纵坐标值，c为边界增强子图像的左边界在平面直角坐标系中的横坐标值，d为边界增强子图像的右边界在平面直角坐标系中的横坐标值，P(x,y)为边界增强子图像中坐标(x,y)处的像素点与对应边界增强子图像中增强边界中每个像素点之间的像素差值中的最大值，Q(x,y)为边界增强子图像中坐标(x,y)处的像素点与对应边界增强子图像中增强边界中每个像素点之间的像素差值中的最小值，dx、dy为自变量微分；
范围判断子模块，用于将边界增强子图像集合中修正值大于额定修正值的边界增强子图像当作待修正区域，将所有待修正区域在初步山体结构模型中对应的区域范围当作区域修正范围；
激光建模模块，包括：
激光采样子模块，在区域修正范围中确定出多个扫描点，控制无人机在扫描点在矿山山体中对应的实际位置进行扫描，得到对应扫描点的三维点云数据；
重合度计算子模块，用于对计算出所有相邻扫描点的三维点云数据的重合度；
补充扫描子模块，用于在重合度小于最小重合度阈值的相邻扫描点之间***新的扫描点，并补充获取新的扫描点的三维点云数据，直至最新确定出的所有相邻扫描点的三维点云数据之间的重合度都不小于最小重合度阈值时，则获得第一三维点云数据；
点云去重子模块，用于将第一三维点云数据中重合度超出最大重合度阈值的相邻扫描点的三维点云数据随机去除一组，获得第二三维点云数据；
配准点子模块，用于将第二三维点云数据中相邻扫描点的三维点云数据中的相同三维点云确定为对应相邻扫描点的配准点；
点云合成子模块，用于基于配准点将对应相邻扫描点的三维点云数据进行点云合成，得到区域修正范围的完整点云；
模型构建子模块，用于基于区域修正范围的完整点云构建出区域修正范围模型。
2.根据权利要求1所述的一种矿山安全风险预警预测***，其特征在于，图像建模模块，包括：
图像采集子模块，用于基于无人机上设置的拍摄设备对矿山的所在区域进行图像采集，得到多幅矿山山体图像；
图像转换子模块，用于将多幅矿山山体图像输入预设平面转换模型，得到对应的可拼接图像；
图形融合子模块，用于将所有可拼接图像进行频率分解后融合获得融合图像，并基于融合图像进行模型搭建，得到初步山体结构模型。
3.根据权利要求2所述的一种矿山安全风险预警预测***，其特征在于，图形融合子模块，包括：
图像转换单元，用于对可拼接图像进行傅里叶变换，获得频谱图，确定出频谱图中每个像素点的亮度值当作可拼接图像中的频率分量表征值；
区域确定单元，用于确定出不同可拼接图像中相同的频率分量表征值，将每两个可拼接图像中所有相同的频率分量表征值对应的像素点所围成的区域，当作对应两个可拼接图像之间的可拼接区域；
图像拼接单元，用于基于所有可拼接区域，将所有可拼接图像进行两两拼接，获得融合图像；
模型搭建单元，用于在融合图像中提取出三维点云，基于三维点云数据进行建模，得到初步山体结构模型。
4.根据权利要求3所述的一种矿山安全风险预警预测***，其特征在于，图像拼接单元，包括：
图像生成子单元，用于基于频谱图生成可拼接图像在每个频率分量下对应的第一子图像；
图像区分子单元，用于确定出待融合两个的可拼接图像中的可拼接区域在低频分量的所有第一部分子图像与高频分量的所有第二部分子图像；
低频处理子单元，用于确定出所有第一部分子图像中所有相同位置的像素点的灰度值的均值，将灰度值的均值赋于空白图像中的对应位置的像素点，获得低频融合图像；
高频处理子单元，用于确定出所有第二部分子图像中所有相同位置的像素点的灰度值的最大值，将灰度值的最大值赋于空白图像中的对应位置的像素点，获得高频融合图像；
图像拼接子单元，将低频融合图像与高频融合图像进行叠加合成，得到新的可拼接区域，基于新的可拼接区域将待融合两个的可拼接图像进行拼接，获得融合图像。
5.根据权利要求1所述的一种矿山安全风险预警预测***，其特征在于，方位确定模块，包括：
尺寸统一子模块，用于对初步山体结构模型和区域修正范围模型进行尺寸统一；
位置确定子模块，用于确定出区域修正范围模型在初步山体结构模型中的融合方位。
6.根据权利要求1所述的一种矿山安全风险预警预测***，其特征在于，区域确定模块，包括：
融合子模块，基于融合方位将区域修正范围模型和初步山体结构模型融合获得完整山体结构模型；
形变确定子模块，用于将完整山体结构模型与预设山体结构模型进行比对，确定出形变区域。
7.根据权利要求1所述的一种矿山安全风险预警预测***，其特征在于，危险预测模块，包括：
初始曲率计算子模块，用于计算出形变区域在预设山体结构模型中对应范围区域的初始曲率；
凹陷曲率子模块，用于计算出完整山体结构模型中的形变区域的当前曲率；
预测子模块，用于将对应的当前曲率和初始曲率的差值大于预设值的形变区域预测为矿山危险区域。
8.根据权利要求1所述的一种矿山安全风险预警预测***，其特征在于，危险预警模块，包括：
信号生成子模块，用于基于矿山危险区域的所在位置生成对应的预警信号；
信号发送子模块，用于将预警信号发送至监控预警后台。
CN202310962424.5A 2023-08-02 2023-08-02 一种矿山安全风险预警预测*** Active CN116739183B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310962424.5A CN116739183B (zh) 2023-08-02 2023-08-02 一种矿山安全风险预警预测***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310962424.5A CN116739183B (zh) 2023-08-02 2023-08-02 一种矿山安全风险预警预测***

Publications (2)

Publication Number Publication Date
CN116739183A CN116739183A (zh) 2023-09-12
CN116739183B true CN116739183B (zh) 2023-10-20

Family

ID=87901418

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310962424.5A Active CN116739183B (zh) 2023-08-02 2023-08-02 一种矿山安全风险预警预测***

Country Status (1)

Country Link
CN (1) CN116739183B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117078749B (zh) * 2023-10-16 2024-01-05 吉林省思极科技有限公司 一种山体落石在线预警监测***
CN117782226B (zh) * 2024-02-23 2024-05-14 四川省能源地质调查研究所 矿山安全预警***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102622526A (zh) * 2012-04-06 2012-08-01 中国矿业大学(北京) 数字矿山中的巷道开掘搜索预测方法
CN107464046A (zh) * 2017-07-21 2017-12-12 广东容祺智能科技有限公司 一种基于无人机的地质灾害监测评估***
CN107729582A (zh) * 2016-08-11 2018-02-23 张家港江苏科技大学产业技术研究院 基于tls的构件缺陷监测与预测***
CN107764192A (zh) * 2017-11-30 2018-03-06 中国地质调查局水文地质环境地质调查中心 一种滑坡多点位移智能监测装置及监测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2003900746A0 (en) * 2003-02-17 2003-03-06 Silverbrook Research Pty Ltd Methods, systems and apparatus (NPS041)

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102622526A (zh) * 2012-04-06 2012-08-01 中国矿业大学(北京) 数字矿山中的巷道开掘搜索预测方法
CN107729582A (zh) * 2016-08-11 2018-02-23 张家港江苏科技大学产业技术研究院 基于tls的构件缺陷监测与预测***
CN107464046A (zh) * 2017-07-21 2017-12-12 广东容祺智能科技有限公司 一种基于无人机的地质灾害监测评估***
CN107764192A (zh) * 2017-11-30 2018-03-06 中国地质调查局水文地质环境地质调查中心 一种滑坡多点位移智能监测装置及监测方法

Also Published As

Publication number Publication date
CN116739183A (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
CN116739183B (zh) 一种矿山安全风险预警预测***
Riveiro et al. Automated processing of large point clouds for structural health monitoring of masonry arch bridges
Riveiro et al. Automatic segmentation and shape-based classification of retro-reflective traffic signs from mobile LiDAR data
US8116530B2 (en) Map change detection device, map change detection method, and program
US20170004345A1 (en) Survey data processing device, survey data processing method, and survey data processing program
EP2120009A1 (en) Road/feature measuring device, feature identifying device, road/feature measuring method, road/feature measuring program, measuring device, measuring method, measuring program, measured position data, measuring terminal, measuring server device, drawing device, drawing method, drawing program, and drawing data
Puente et al. Automatic detection of road tunnel luminaires using a mobile LiDAR system
Chen et al. Building reconstruction from LIDAR data and aerial imagery
CN103729853A (zh) 三维gis辅助下的高分遥感影像建筑物倒损检测方法
CN112652015B (zh) 基于bim的路面病害标记方法和装置
US7376513B2 (en) Geospatial modeling system for separating foliage data from building data based upon noise filtering operations and related methods
CN116524017B (zh) 一种用于矿山井下检测识别定位***
Tarsha Kurdi et al. Efficiency of terrestrial laser scanning in survey works: Assessment, modelling, and monitoring
US7292941B1 (en) Geospatial modeling system for separating foliage data from building data based upon loose and strict tolerance noise filtering operations and related methods
JP4941420B2 (ja) 目標物検出システム
US7487046B2 (en) Geospatial modeling system for performing filtering operations based upon a sum of differences of a given and neighboring location points and related methods
Rufei et al. Research on a pavement pothole extraction method based on vehicle-borne continuous laser scanning point cloud
CN116246185A (zh) 一种安全带佩戴检测方法、装置、存储介质及设备
CN115424141A (zh) 一种光伏装机容量计算方法、装置、电子设备和介质
Bool et al. Automated building detection using RANSAC from classified LiDAr point cloud data
Kim et al. Automatic generation of digital building models for complex structures from LiDAR data
Yu et al. A cue line based method for building modeling from LiDAR and satellite imagery
Lavigne et al. Automatic building detection and 3D shape recovery from single monocular electro-optic imagery
Teo et al. Reconstruction of complex buildings using LIDAR and 2D maps
CN117036611B (zh) 一种非矿山安全监测平台的三维场景构建方法及***

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