CN117576622B - 一种融合热红外的稀土矿开采区识别方法、***和介质 - Google Patents
一种融合热红外的稀土矿开采区识别方法、***和介质 Download PDFInfo
- Publication number
- CN117576622B CN117576622B CN202311473220.1A CN202311473220A CN117576622B CN 117576622 B CN117576622 B CN 117576622B CN 202311473220 A CN202311473220 A CN 202311473220A CN 117576622 B CN117576622 B CN 117576622B
- Authority
- CN
- China
- Prior art keywords
- image
- mining area
- visible light
- data set
- thermal infrared
- 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
Links
- 238000005065 mining Methods 0.000 title claims abstract description 123
- 229910052761 rare earth metal Inorganic materials 0.000 title claims abstract description 69
- 150000002910 rare earth metals Chemical class 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000013136 deep learning model Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 12
- 238000004519 manufacturing process Methods 0.000 claims abstract description 4
- 238000004062 sedimentation Methods 0.000 claims description 45
- 238000003860 storage Methods 0.000 claims description 5
- 239000007788 liquid Substances 0.000 description 11
- 238000002386 leaching Methods 0.000 description 10
- 229910052500 inorganic mineral Inorganic materials 0.000 description 8
- 239000011707 mineral Substances 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000005855 radiation Effects 0.000 description 6
- 238000012876 topography Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000005211 surface analysis Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious 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
- G06V10/70—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
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P10/00—Technologies related to metal processing
- Y02P10/20—Recycling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种融合热红外的稀土矿开采区识别方法、***和介质,方法包括:获取待识别图像;将所述待识别图像输入开采区识别模型,得到稀土矿开采区识别结果;其中,所述开采区识别模型通过以下步骤得到:获取热红外图像、可见光图像;对所述热红外图像进行第一图像处理,得到热红外正射影像;对所述可见光图像进行预处理,得到可见光正射影像、坡度数据和坡向数据;合成待处理多源异构影像数据集;将所述待处理多源异构影像数据集输入预设深度学习模型进行训练,得到开采区识别模型。本发明实现了开采区的识别,提高了识别准确度和效率,降低了成本。本发明可广泛应用于稀土矿开采区识别技术领域。
Description
技术领域
本发明涉及稀土矿开采区识别技术领域,尤其涉及一种融合热红外的稀土矿开采区识别方法、***和介质。
背景技术
稀土元素在工业和科技领域中广泛应用,使得稀土矿的开采成为了重要的经济活动。目前传统的监测方法主要依赖于人工巡查,但这种方法存在一些局限性。一是人工巡查需要大量的人力资源和时间投入,成本较高。二是矿区范围广阔,人工巡查往往难以实现全面覆盖,可能导致遗漏或延误发现问题的时机。三是人工巡查受到人为主观因素的影响,可能存在误判和信息不准确的问题。现有技术中,稀土矿开采区识别方法识别准确度低、效率低、成本高。
发明内容
以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
本发明实施例提供了一种融合热红外的稀土矿开采区识别方法、***和介质,有效地提高了识别准确度和效率,降低了成本。
一方面,本发明实施例提供了一种融合热红外的稀土矿开采区识别方法,包括以下步骤:
获取待识别图像;
将所述待识别图像输入开采区识别模型,得到稀土矿开采区识别结果;
其中,所述开采区识别模型通过以下步骤得到:
获取热红外图像、可见光图像;
对所述热红外图像进行第一图像处理,得到热红外正射影像;
对所述可见光图像进行预处理,得到可见光正射影像、坡度数据和坡向数据;
根据所述热红外正射影像、所述可见光正射影像、所述坡度数据和所述坡向数据,合成待处理多源异构影像数据集;
将所述待处理多源异构影像数据集输入预设深度学习模型进行训练,得到开采区识别模型。
在一些实施例中,所述对所述可见光图像进行预处理,得到可见光正射影像、坡度数据和坡向数据,包括:
对所述可见光图像进行第二图像处理,得到所述可见光正射影像和数字高程模型;
对所述数字高程模型进行分析处理,得到所述坡度数据和所述坡向数据。
在一些实施例中,所述根据所述热红外正射影像、所述可见光正射影像、所述坡度数据和所述坡向数据,合成待处理多源异构影像数据集,包括:
对所述热红外正射影像、所述可见光正射影像、所述坡度数据和所述坡向数据进行地理配准处理;
根据预设顺序,将地理配准处理后的所述热红外正射影像、所述可见光正射影像、所述坡度数据和所述坡向数据进行组合,得到所述待处理多源异构影像数据集。
在一些实施例中,所述将所述待处理多源异构影像数据集输入预设深度学习模型进行训练,得到开采区识别模型,包括:
对所述待处理多源异构影像数据集进行标签处理,得到目标多源异构影像数据集;
将所述目标多源异构影像数据集输入所述预设深度学习模型进行训练,得到所述开采区识别模型。
在一些实施例中,所述对所述待处理多源异构影像数据集进行标签处理,得到目标多源异构影像数据集,包括:
利用第一预设工具创建沉淀池类型和输运管类型;
根据所述沉淀池类型和所述输运管类型,对所述待处理多源异构影像数据集进行标绘,得到沉淀池样本和输运管样本,所述沉淀池样本和所述输运管样本均大于预设样本数量;
根据预设标签旋转角度,将所述沉淀池样本和所述输运管样本导出得到所述目标多源异构影像数据集。
在一些实施例中,所述将所述目标多源异构影像数据集输入所述预设深度学习模型进行训练,得到所述开采区识别模型,包括:
利用第二预设工具对所述预设深度学习模型设置模型参数和骨干参数;
将所述目标多源异构影像数据集输入设置后的所述预设深度学习模型进行训练,得到所述开采区识别模型。
在一些实施例中,所述将所述待识别图像输入开采区识别模型,得到稀土矿开采区识别结果,包括:
将所述待识别图像输入所述开采区识别模型进行识别,得到沉淀池区域和输运管区域;
根据所述沉淀池区域和所述输运管区域,计算所述稀土矿开采区识别结果。
另一方面,本发明实施例提供了一种融合热红外的稀土矿开采区识别***,包括:
第一模块,用于获取待识别图像;
第二模块,用于将所述待识别图像输入开采区识别模型,得到稀土矿开采区识别结果;
其中,所述开采区识别模型通过以下步骤得到:
获取热红外图像、可见光图像;
对所述热红外图像进行第一图像处理,得到热红外正射影像;
对所述可见光图像进行预处理,得到可见光正射影像、坡度数据和坡向数据;
根据所述热红外正射影像、所述可见光正射影像、所述坡度数据和所述坡向数据,合成待处理多源异构影像数据集;
将所述待处理多源异构影像数据集输入预设深度学习模型进行训练,得到开采区识别模型。
另一方面,本发明实施例提供了一种融合热红外的稀土矿开采区识别***,包括:
至少一个存储器,用于存储程序;
至少一个处理器,用于加载所述程序以执行所述的一种融合热红外的稀土矿开采区识别方法。
另一方面,本发明实施例提供了一种存储介质,其中存储有计算机可执行的程序,所述计算机可执行的程序被处理器执行时用于实现所述的一种融合热红外的稀土矿开采区识别方法。
本发明所具有的有益效果如下:
本发明首先获取待识别图像,然后将待识别图像输入开采区识别模型,得到稀土矿开采区识别结果,其中,开采区识别模型通过以下步骤得到:首先获取热红外图像、可见光图像,对热红外图像进行第一图像处理,得到热红外正射影像,然后对可见光图像进行预处理,得到可见光正射影像、坡度数据和坡向数据,再合成待处理多源异构影像数据集,最后将待处理多源异构影像数据集输入预设深度学习模型进行训练,得到开采区识别模型。通过训练好的开采区识别模型对融合热红外的待识别图像实现开采区的识别,提高了识别准确度和效率,降低了成本。
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说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述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申请的一些实施例,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为本发明实施例一种融合热红外的稀土矿开采区识别方法的流程图;
图2为本发明实施例一种深度识别精度的示意图;
图3为本发明实施例一种获得开采区识别模型的流程图;
图4为本发明实施例一种无人机热红外正射影像图;
图5为本发明实施例一种无人机可见光正射影像图;
图6为本发明实施例一种数字高程DEM图;
图7为本发明实施例一种坡度图;
图8为本发明实施例一种坡向图;
图9为本发明实施例一种模型深度学习过程损失值变化的示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
为了使本发明的目的、技术方案及优点更加清楚明白,下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
在本发明的描述中,若干的含义是一个以上,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
除非另有定义,本发明实施例所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本发明实施例中所使用的术语只是为了描述本发明实施例的目的,不是旨在限制本发明。
对本申请实施例进行进一步详细说明之前,对本申请实施例中涉及的名词和术语进行如下说明:
数字高程模型(DEM):是通过有限的地形高程数据实现对地面地形的数字化模拟(即地形表面形态的数字化表达),它是用一组有序数值阵列形式表示地面高程的一种实体地面模型,是数字地形模型(DTM)的一个分支,其它各种地形特征值均可由此派生。一般认为,DTM是描述包括高程在内的各种地貌因子,如坡度、坡向、坡度变化率等因子在内的线性和非线性组合的空间分布,其中DEM是零阶单纯的单项数字地貌模型,其他如坡度、坡向及坡度变化率等地貌特性可在DEM的基础上派生。
下面结合附图对本申请实施例进行具体解释:
如图1所示,本发明实施例提供了一种融合热红外的稀土矿开采区识别方法,本实施例的方法可应用于稀土矿开采区识别软件对应的后台处理器、服务器或云端设备。在应用过程中,本实施例的方法包括但不限于以下步骤:
步骤S11、获取待识别图像。
在本实施例中,可以先利用热红外无人机进行夜间飞行,获取热红外图像,然后进行白天飞行,通过倾斜摄影获取可见光图像,再对热红外图像进行处理得到热红外正射影像,对可见光图像进行处理得到可见光正射影像、坡度数据和坡向数据,最后将热红外正射影像、可见光正射影像、坡度数据和坡向数据进行组合得到待识别图像。
步骤S12、将待识别图像输入开采区识别模型,得到稀土矿开采区识别结果。
在本实施例中,将待识别图像输入开采区识别模型,得到稀土矿开采区识别结果,可以是先将待识别图像输入开采区识别模型进行识别,得到沉淀池区域和输运管区域,然后根据沉淀池区域和输运管区域,得到稀土矿开采区识别结果。
在本实施例中,可以利用训练好的开采区识别模型对由无人机从监测区域获取的图像数据进行分析和识别,得到稀土矿开采区识别结果。可以理解的是,开采区识别模型可以通过深度学习模型训练后得到。本实施例可以先通过将待识别图像输入开采区识别模型,模型可以自动识别出具有相似特征的沉淀池和输运管,得到分类结果,即沉淀池区域和输运管区域,然后根据分类结果,得到稀土矿开采区识别结果。示例性地,在同一区域范围内,当开采区识别模型同时识别出沉淀池区域和运输管道区域时,可以得到该区域的稀土矿开采区识别结果为符合稀土矿开采区;当开采区识别模型仅识别出沉淀池区域或运输管道区域中的一种时,可以得到该区域的稀土矿开采区识别结果为疑似稀土矿开采区。开采区识别模型的深度识别精度结果如图2所示,识别率可以达到88%。
在本实施例中,如图3所示,获得开采区识别模型的具体实施过程包括但不限于步骤S201-步骤S205:
步骤S201、获取热红外图像、可见光图像。
在本实施例中,可以利用热红外无人机进行夜间飞行,获取热红外图像,热红外图像可用于获取稀土矿开采区浸矿液沉淀池、输运管特征信息。也可以利用无人机进行白天飞行,通过倾斜摄影获取可见光图像,可见光图像可用于获取稀土矿开采区浸矿液沉淀池、输运管的影像信息。
步骤S202、对热红外图像进行第一图像处理,得到热红外正射影像。
在本实施例中,可以将热红外图像导入大疆智图软件或其他基于数字图像的摄影测量软件,通过图像处理得到热红外正射影像,热红外正射影像结果如图4所示。其中,热红外正射影像可以提供物体的热分布信息,有助于检测稀土矿开采区域的热辐射特征,例如沉淀池和浸矿液输运管的特征。在本实施例中,热红外正射影像检测的是对象表面发散出或反射的红外辐射能量。可以理解的是,稀土浸矿液中的液体和密闭的输运管道温度要高于周围环境,并且物体表面会随着温度升高而发出更多红外辐射,使得可以通过热红外正射影像来获取稀土矿开采区域的热辐射特征。此外,稀土浸矿液中的液体和密闭的输运管道温度要高于周围环境的原因包括稀土浸矿液中的化学反应产生热量,使液体温度升高;输运管道内残留的浸矿液存在保温作用,使得管道不易散热;地下埋设的管道和池塘周围土壤存在隔热作用。基于上述原因,稀土浸矿液和输运管道表面温度相较于周边环境会更高,能够在热红外波段下发出较强的红外辐射能量,从而可以利用热红外摄像机采集强红外辐射并将其转换为观察图像的热分布,使得浸矿液和输运管在影像中表现为热红外特征明显的对象。
步骤S203、对可见光图像进行预处理,得到可见光正射影像、坡度数据和坡向数据。
在本实施例中,对可见光图像进行预处理,得到可见光正射影像、坡度数据和坡向数据,可以是先对可见光图像进行第二图像处理,得到可见光正射影像和数字高程模型,然后对数字高程模型进行分析处理,得到坡度数据和坡向数据。
在本实施例中,可以先将可见光图像导入大疆智图软件或其他基于数字图像的摄影测量软件,通过图像处理得到可见光正射影像和数字高程模型,可见光正射影像结果如图5所示,数字高程模型结果如图6所示。其中,可见光影像可以提供物体的视觉信息,而数字高程模型可以提供地形的高程信息。然后将数字高程模型导入地理信息***(GIS)软件或专用的地理数据处理软件中,利用表面分析工具进行分析,得到坡度数据和坡向数据,坡度数据结果如图7所示,坡向数据结果如图8所示。其中,坡度数据和坡向数据可以反映地表的特性,有助于稀土矿开采区域的识别。
步骤S204、根据热红外正射影像、可见光正射影像、坡度数据和坡向数据,合成待处理多源异构影像数据集。
在本实施例中,根据热红外正射影像、可见光正射影像、坡度数据和坡向数据,合成待处理多源异构影像数据集,可以是先对热红外正射影像、可见光正射影像、坡度数据和坡向数据进行地理配准处理,然后根据预设顺序,将地理配准处理后的热红外正射影像、可见光正射影像、坡度数据和坡向数据进行组合,得到待处理多源异构影像数据集。
在本实施例中,可以先将热红外正射影像、可见光正射影像、坡度数据和坡向数据进行地理配准处理。可以理解的是,地理配准是指使用地图坐标为地图要素指定空间位置。可以通过扫描地图、采集航空摄影或卫星影像等获得栅格数据,再将这些栅格数据集与其他空间数据结合使用。然后可以利用GIS软件中的波段合成工具,将地理配准处理后的热红外正射影像、可见光正射影像、坡度数据和坡向数据按照预设顺序进行组合,得到待处理多源异构影像数据集。示例性地,可以按照热红外正射影像、可见光正射影像、坡度数据和坡向数据的先后顺序进行组合,得到待处理多源异构影像数据集。其中,待处理多源异构影像数据集可以提供稀土开采过程中多源数据的综合信息,有助于稀土矿开采区域的识别。
步骤S205、将待处理多源异构影像数据集输入预设深度学习模型进行训练,得到开采区识别模型。
在本实施例中,将待处理多源异构影像数据集输入预设深度学习模型进行训练,得到开采区识别模型,可以是先对待处理多源异构影像数据集进行标签处理,得到目标多源异构影像数据集,然后将目标多源异构影像数据集输入预设深度学习模型进行训练,得到开采区识别模型。其中,预设深度学习模型可以包括MASK CNN模型。可以理解的是,MASKCNN模型在图像分割和识别任务上表现优秀,通过训练后,该模型可以从图像中识别出沉淀池和输运管。
在本实施例中,对待处理多源异构影像数据集进行标签处理,得到目标多源异构影像数据集,包括:
利用第一预设工具创建沉淀池类型和输运管类型;
根据沉淀池类型和输运管类型,对待处理多源异构影像数据集进行标绘,得到沉淀池样本和输运管样本,沉淀池样本和输运管样本均大于预设样本数量;
根据预设标签旋转角度,将沉淀池样本和输运管样本导出得到目标多源异构影像数据集。
在本实施例中,可以先利用Arcgis Pro或GeoScene桌面软件的“标注对象以供深度学习使用”工具,创建沉淀池类型和输运管类型,分别在待处理多源异构影像数据集中标注出沉淀池样本和输运管样本。其中,沉淀池样本和输运管样本的样本数量均大于100个。然后保存标注的沉淀池样本和输运管样本,并导出为目标多源异构影像数据集。其中,在导出时可以将旋转角度设定为预设标签旋转角度。示例性地,预设标签旋转角度视标注的样本数量而定,当样本数量小于200个时,可以将预设标签旋转角度设定为45°;当样本数量大于200个时,可以将预设标签旋转角度设定为90°。可以理解的是,通过标签的旋转,可以增大样本量。更多地,在导出时可以将原数据格式设定为“RCNN Masks”,以供MASK CNN模型使用。
在本实施例中,将目标多源异构影像数据集输入预设深度学习模型进行训练,得到开采区识别模型,包括:
利用第二预设工具对预设深度学习模型设置模型参数和骨干参数;
将目标多源异构影像数据集输入设置后的预设深度学习模型进行训练,得到开采区识别模型。
在本实施例中,可以先利用Arcgis Pro或GeoScene桌面软件的“训练深度学习模型”工具,设置预设深度学习模型的模型参数和骨干参数。示例性地,可以将模型参数设置为“MaskRCNN(Object detection)”,将骨干参数设置为“RestNet-101”。然后输入目标多源异构影像数据集作为训练数据,进行训练得到开采区识别模型,并保存模型。开采区识别模型的深度识别训练学习结果如图9所示,其中较长的粗线条为训练时的损失,较短的细线条为验证时的损失,当已处理的数据批次超过500后,训练和验证的损失接近。
实施本发明实施例的有益效果包括:本发明实施例首先获取待识别图像,然后将待识别图像输入开采区识别模型,得到稀土矿开采区识别结果,其中,开采区识别模型通过以下步骤得到:首先获取热红外图像、可见光图像,对热红外图像进行第一图像处理,得到热红外正射影像,然后对可见光图像进行预处理,得到可见光正射影像、坡度数据和坡向数据,再合成待处理多源异构影像数据集,最后将待处理多源异构影像数据集输入预设深度学习模型进行训练,得到开采区识别模型。通过训练好的开采区识别模型对融合热红外的待识别图像实现开采区的识别,提高了识别准确度和效率,降低了成本。
在本实施例中,利用无人机在多种环境下获取高精度的热红外、可见光和地形影像数据,并利用GIS技术对这些数据进行融合处理形成多源异构影像数据集,通过标注沉淀池和浸矿液输运管道的标记,并通过深度学习进行训练学习,得到开采区识别模型,实现了稀土矿开采的识别和监测,提高了监测效率和准确度。模型能根据沉淀池或输运管判断疑似稀土开采区,为防止稀土矿不正规开采提供监管参考。此外,本实施例采用无人机低空摄像获取影像数据的时效性高。同时热红外影像数据可以反映稀土采矿过程中沉淀池、输运管的温度比地表其他类型温度较高的特征。本实施例采用深度学习模型对沉淀池和输运管进行识别,增强了稀土矿开采区的特征。
本发明实施例还提供了一种融合热红外的稀土矿开采区识别***,包括:
第一模块,用于获取待识别图像;
第二模块,用于将待识别图像输入开采区识别模型,得到稀土矿开采区识别结果;
其中,开采区识别模型通过以下步骤得到:
获取热红外图像、可见光图像;
对热红外图像进行第一图像处理,得到热红外正射影像;
对可见光图像进行预处理,得到可见光正射影像、坡度数据和坡向数据;
根据热红外正射影像、可见光正射影像、坡度数据和坡向数据,合成待处理多源异构影像数据集;
将待处理多源异构影像数据集输入预设深度学习模型进行训练,得到开采区识别模型。
上述方法实施例中的内容均适用于本***实施例中,本***实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本发明实施例还提供了一种融合热红外的稀土矿开采区识别***,包括:
至少一个存储器,用于存储程序;
至少一个处理器,用于加载程序以执行图1所示的一种融合热红外的稀土矿开采区识别方法。
上述方法实施例中的内容均适用于本***实施例中,本***实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本发明实施例还提供了一种存储介质,其中存储有计算机可执行的程序,计算机可执行的程序被处理器执行时用于实现图1所示的一种融合热红外的稀土矿开采区识别方法。
上述方法实施例中的内容均适用于本存储介质实施例中,本存储介质实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明,但本发明并不局限于上述实施方式,熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换,这些等同的变形或替换均包含在本发明权利要求所限定的范围内。
Claims (4)
1.一种融合热红外的稀土矿开采区识别方法,其特征在于,包括以下步骤:
获取待识别图像;
将所述待识别图像输入开采区识别模型,得到稀土矿开采区识别结果;
其中,所述开采区识别模型通过以下步骤得到:
获取热红外图像、可见光图像;
对所述热红外图像进行第一图像处理,得到热红外正射影像;
对所述可见光图像进行预处理,得到可见光正射影像、坡度数据和坡向数据;
根据所述热红外正射影像、所述可见光正射影像、所述坡度数据和所述坡向数据,合成待处理多源异构影像数据集;
将所述待处理多源异构影像数据集输入预设深度学习模型进行训练,得到所述开采区识别模型;
所述对所述可见光图像进行预处理,得到可见光正射影像、坡度数据和坡向数据,包括:
对所述可见光图像进行第二图像处理,得到所述可见光正射影像和数字高程模型;
对所述数字高程模型进行分析处理,得到所述坡度数据和所述坡向数据;
所述根据所述热红外正射影像、所述可见光正射影像、所述坡度数据和所述坡向数据,合成待处理多源异构影像数据集,包括:
对所述热红外正射影像、所述可见光正射影像、所述坡度数据和所述坡向数据进行地理配准处理;
根据预设顺序,将地理配准处理后的所述热红外正射影像、所述可见光正射影像、所述坡度数据和所述坡向数据进行组合,得到所述待处理多源异构影像数据集;
所述将所述待处理多源异构影像数据集输入预设深度学习模型进行训练,得到开采区识别模型,包括:
对所述待处理多源异构影像数据集进行标签处理,得到目标多源异构影像数据集;
将所述目标多源异构影像数据集输入所述预设深度学习模型进行训练,得到所述开采区识别模型;
所述对所述待处理多源异构影像数据集进行标签处理,得到目标多源异构影像数据集,包括:
利用第一预设工具创建沉淀池类型和输运管类型;
根据所述沉淀池类型和所述输运管类型,对所述待处理多源异构影像数据集进行标绘,得到沉淀池样本和输运管样本,所述沉淀池样本和所述输运管样本均大于预设样本数量;
根据预设标签旋转角度,将所述沉淀池样本和所述输运管样本导出得到所述目标多源异构影像数据集;
所述将所述目标多源异构影像数据集输入所述预设深度学习模型进行训练,得到所述开采区识别模型,包括:
利用第二预设工具对所述预设深度学习模型设置模型参数和骨干参数;
将所述目标多源异构影像数据集输入设置后的所述预设深度学习模型进行训练,得到所述开采区识别模型;
所述将所述待识别图像输入开采区识别模型,得到稀土矿开采区识别结果,包括:
将所述待识别图像输入所述开采区识别模型进行识别,得到沉淀池区域和输运管区域;
根据所述沉淀池区域和所述输运管区域,计算所述稀土矿开采区识别结果。
2.一种融合热红外的稀土矿开采区识别***,其特征在于,包括:
第一模块,用于获取待识别图像;
第二模块,用于将所述待识别图像输入开采区识别模型,得到稀土矿开采区识别结果;
其中,所述开采区识别模型通过以下步骤得到:
获取热红外图像、可见光图像;
对所述热红外图像进行第一图像处理,得到热红外正射影像;
对所述可见光图像进行预处理,得到可见光正射影像、坡度数据和坡向数据;
根据所述热红外正射影像、所述可见光正射影像、所述坡度数据和所述坡向数据,合成待处理多源异构影像数据集;
将所述待处理多源异构影像数据集输入预设深度学习模型进行训练,得到所述开采区识别模型;
所述对所述可见光图像进行预处理,得到可见光正射影像、坡度数据和坡向数据,包括:
对所述可见光图像进行第二图像处理,得到所述可见光正射影像和数字高程模型;
对所述数字高程模型进行分析处理,得到所述坡度数据和所述坡向数据;
所述根据所述热红外正射影像、所述可见光正射影像、所述坡度数据和所述坡向数据,合成待处理多源异构影像数据集,包括:
对所述热红外正射影像、所述可见光正射影像、所述坡度数据和所述坡向数据进行地理配准处理;
根据预设顺序,将地理配准处理后的所述热红外正射影像、所述可见光正射影像、所述坡度数据和所述坡向数据进行组合,得到所述待处理多源异构影像数据集;
所述将所述待处理多源异构影像数据集输入预设深度学习模型进行训练,得到开采区识别模型,包括:
对所述待处理多源异构影像数据集进行标签处理,得到目标多源异构影像数据集;
将所述目标多源异构影像数据集输入所述预设深度学习模型进行训练,得到所述开采区识别模型;
所述对所述待处理多源异构影像数据集进行标签处理,得到目标多源异构影像数据集,包括:
利用第一预设工具创建沉淀池类型和输运管类型;
根据所述沉淀池类型和所述输运管类型,对所述待处理多源异构影像数据集进行标绘,得到沉淀池样本和输运管样本,所述沉淀池样本和所述输运管样本均大于预设样本数量;
根据预设标签旋转角度,将所述沉淀池样本和所述输运管样本导出得到所述目标多源异构影像数据集;
所述将所述目标多源异构影像数据集输入所述预设深度学习模型进行训练,得到所述开采区识别模型,包括:
利用第二预设工具对所述预设深度学习模型设置模型参数和骨干参数;
将所述目标多源异构影像数据集输入设置后的所述预设深度学习模型进行训练,得到所述开采区识别模型;
所述将所述待识别图像输入开采区识别模型,得到稀土矿开采区识别结果,包括:
将所述待识别图像输入所述开采区识别模型进行识别,得到沉淀池区域和输运管区域;
根据所述沉淀池区域和所述输运管区域,计算所述稀土矿开采区识别结果。
3.一种融合热红外的稀土矿开采区识别***,其特征在于,包括:
至少一个存储器,用于存储程序;
至少一个处理器,用于加载所述程序以执行如权利要求1所述的一种融合热红外的稀土矿开采区识别方法。
4.一种存储介质,其特征在于,其中存储有计算机可执行的程序,所述计算机可执行的程序被处理器执行时用于实现如权利要求1所述的一种融合热红外的稀土矿开采区识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311473220.1A CN117576622B (zh) | 2023-11-07 | 2023-11-07 | 一种融合热红外的稀土矿开采区识别方法、***和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311473220.1A CN117576622B (zh) | 2023-11-07 | 2023-11-07 | 一种融合热红外的稀土矿开采区识别方法、***和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117576622A CN117576622A (zh) | 2024-02-20 |
CN117576622B true CN117576622B (zh) | 2024-06-11 |
Family
ID=89859834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311473220.1A Active CN117576622B (zh) | 2023-11-07 | 2023-11-07 | 一种融合热红外的稀土矿开采区识别方法、***和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117576622B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110147778A (zh) * | 2019-05-27 | 2019-08-20 | 江西理工大学 | 稀土矿开采识别方法、装置、设备及存储介质 |
CN111626092A (zh) * | 2020-03-26 | 2020-09-04 | 陕西陕北矿业韩家湾煤炭有限公司 | 一种基于机器学习的无人机影像地裂缝识别及提取方法 |
CN114359722A (zh) * | 2021-12-24 | 2022-04-15 | 北京卫星信息工程研究所 | 特殊地貌分布范围识别方法、装置及设备 |
CN116310915A (zh) * | 2023-05-22 | 2023-06-23 | 山东科技大学 | 基于uav与深度学习的尾矿干滩指标识别方法 |
CN116343071A (zh) * | 2023-05-31 | 2023-06-27 | 山东科技大学 | 基于深度学习算法的地表采动裂缝无人机影像识别方法 |
CN116740499A (zh) * | 2023-06-13 | 2023-09-12 | 安徽理工大学 | 一种基于红外热成像技术的煤矸识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2023131287A (ja) * | 2022-03-09 | 2023-09-22 | キヤノン株式会社 | 情報処理装置および学習方法 |
-
2023
- 2023-11-07 CN CN202311473220.1A patent/CN117576622B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110147778A (zh) * | 2019-05-27 | 2019-08-20 | 江西理工大学 | 稀土矿开采识别方法、装置、设备及存储介质 |
CN111626092A (zh) * | 2020-03-26 | 2020-09-04 | 陕西陕北矿业韩家湾煤炭有限公司 | 一种基于机器学习的无人机影像地裂缝识别及提取方法 |
CN114359722A (zh) * | 2021-12-24 | 2022-04-15 | 北京卫星信息工程研究所 | 特殊地貌分布范围识别方法、装置及设备 |
CN116310915A (zh) * | 2023-05-22 | 2023-06-23 | 山东科技大学 | 基于uav与深度学习的尾矿干滩指标识别方法 |
CN116343071A (zh) * | 2023-05-31 | 2023-06-27 | 山东科技大学 | 基于深度学习算法的地表采动裂缝无人机影像识别方法 |
CN116740499A (zh) * | 2023-06-13 | 2023-09-12 | 安徽理工大学 | 一种基于红外热成像技术的煤矸识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117576622A (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598784B (zh) | 基于机器学习的建筑垃圾分类方法及装置 | |
CN107589758A (zh) | 一种基于双源视频分析的智能化野外无人机搜救方法与*** | |
CN110135396B (zh) | 地面标志的识别方法、装置、设备及介质 | |
CN114373009B (zh) | 基于高分辨率遥感影像的建筑物阴影测高智能化计算方法 | |
CN110070012B (zh) | 一种应用于遥感影像道路网络提取的细化和全局连接方法 | |
CN109165553B (zh) | 基于深度学习的石油设施遥感自动识别方法及装置 | |
CN110837839A (zh) | 一种高精度无人机正射影像制作及数据采集方法 | |
CN111582182A (zh) | 船舶名称识别方法、***、计算机设备及存储介质 | |
CN112989901A (zh) | 基于深度学习的液位仪读数的识别方法 | |
Hu et al. | A study of automatic recognition and localization of pipeline for ground penetrating radar based on deep learning | |
CN111950618A (zh) | 水域图像数据标注方法、装置、设备和存储介质 | |
CN117576622B (zh) | 一种融合热红外的稀土矿开采区识别方法、***和介质 | |
Xia et al. | A table method for coded target decoding with application to 3-D reconstruction of soil specimens during triaxial testing | |
CN111401203A (zh) | 基于多维图像融合的目标识别方法 | |
Wang et al. | Optimized faster R-CNN for oil wells detection from high-resolution remote sensing images | |
Yang et al. | Automatic Identification Method of Construction and Demolition Waste Based on Deep Learning and GAOFEN-2 Data | |
CN110334818B (zh) | 一种管路自动识别的方法及*** | |
CN115880642A (zh) | 一种基于机器视觉的海上目标接近程度预警方法及*** | |
CN114463628A (zh) | 一种基于阈值约束的深度学习遥感影像船舰目标识别方法 | |
Hanae et al. | DeepRes-UpwellNet: A Robust Framework for Coastal Upwelling Monitoring Along the Moroccan Atlantic Coast | |
Ma et al. | Ship Detection Based on LiDAR and Visual Information Fusion | |
Reji et al. | Building detection from satellite images for urban planning using MATLAB-based pattern matching method | |
Mattson et al. | Reducing ego vehicle energy-use by LiDAR-based lane-level positioning | |
Liu et al. | Computer Vision-Based Pointer-Style Mechanical Dial Reading Method for LNG Terminal Safety | |
Roosenbrand et al. | Contrail Altitude Estimation Based on Shadows Detected in Landsat Imagery |
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 |