基于人工智能的矿产边界检测方法及系统技术方案

本发明专利技术涉及矿产边界检测领域，具体涉及一种基于人工智能的矿产边界检测方法及系统。方法包括：获取待检测区域的RGB图像，根据各像素点的纹理复杂度和颜色复杂度，得到地质复杂度向量，根据RGB图像得到多尺度空间图像，根据地质复杂度向量，得到各尺度空间图像对应的聚类簇，根据各聚类簇中各像素点的地质复杂度向量，构建各聚类簇对应的图结构，根据所述图结构，得到各聚类簇对应的嵌入向量，根据所述各聚类簇对应的嵌入向量，构建多尺度无向图，将多尺度无向图输入到训练好的神经网络，得到待检测区域的矿产区域边界。本发明专利技术构建多尺度无向图对待检测区域进行处理，具有较好的抗模糊能力，同时提高了矿产边界检测过程的安全性。同时提高了矿产边界检测过程的安全性。同时提高了矿产边界检测过程的安全性。

【技术实现步骤摘要】
基于人工智能的矿产边界检测方法及系统


[0001]本专利技术涉及矿产边界检测领域，具体涉及一种基于人工智能的矿产边界检测方法及系统。

技术介绍

[0002]矿产资源是人类社会赖以生存的一种重要物质基础，是国家安全与经济发展的重要保证。露天开采的矿层，要求圈定矿体的四周边界和露天采场所及的矿体底部边界，它们是确定露天采场边界的重要依据；对地下开采的矿层，要求控制矿体走向的端部和上下边界及其延深情况。这些是确定开采井口位置、开拓巷道和采场布置等所必需的地质资料依据。传统矿产边界的获取方案基于钻探和爆破收集传感器反馈的数据，并根据数据分析进行矿层边界的确定。这类方法成本高，安全性低。

技术实现思路

[0003]为了解决传统方法检测矿产边界安全性低的问题，本专利技术的目的在于提供一种基于人工智能的矿产边界检测方法及系统，所采用的技术方案具体如下：第一方面，本专利技术提供了一种基于人工智能的矿产边界检测方法,该方法包括以下步骤：获取待检测区域的RGB图像；根据所述RGB图像中各像素点的纹理复杂度和颜色复杂度，得到各像素点的地质复杂度向量；根据所述RGB图像，得到多尺度空间图像，根据各尺度空间图像中各像素点的地质复杂度向量，将地质复杂度大于设定复杂度阈值的像素点记为关键点；对各尺度空间图像对应的关键点进行聚类，得到各尺度空间图像对应的聚类簇；根据各聚类簇中各关键点的地质复杂度向量，构建各聚类簇对应的图结构，根据所述图结构，得到各聚类簇对应的嵌入向量，根据所述各聚类簇对应的嵌入向量，构建多尺度无向图；将所述多尺度无向图输入到训练好的神经网络，得到待检测区域的矿产区域边界，所述神经网络用于检测矿产区域的边界。
[0004]第二方面，本专利技术提供了一种基于人工智能的矿产边界检测系统，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述所述的基于人工智能的矿产边界检测方法。
[0005]优选的，所述RGB图像中各像素点的纹理复杂度和颜色复杂度的计算方法包括：采用LTP三值编码对各像素点处理，得到各像素点的LTP值；根据所述各像素点的LTP值，得到各像素点的纹理复杂度；获取各像素点对应Lab空间的三个通道值，根据所述各像素点对应Lab空间的三个通道值，得到各像素点对应的颜色复杂度。
[0006]优选的，根据所述各像素点对应Lab空间的三个通道值，得到各像素点对应的颜色复杂度的方法包括：根据各像素点对应Lab空间的三个通道值，构建各像素点的颜色向量；根据各像素点的颜色向量，计算各像素点与其对应的邻域像素点的颜色差值向量；对各像素点与其对应的邻域像素点的颜色差值向量求和，得到各像素点的颜色变化量，将各像素点的颜色变化量作为对应像素点的颜色复杂度。
[0007]优选的，根据各尺度空间图像中各像素点的地质复杂度向量，得到各尺度空间图像对应的聚类簇的方法包括：根据各像素的地质复杂度特征向量，采用ORB算法得到各尺度空间图像中对应的关键点；采用DBSCAN聚类方法对所述各层次图像中对应的关键点进行聚类，得到所述多尺度空间各层次图像对应的聚类簇。
[0008]优选的，根据各聚类簇中各关键点的地质复杂度向量，构建各聚类簇对应的图结构的方法包括：获取所述各聚类簇中各关键点的地质复杂度向量，计算所述各尺度空间图像对应的关键点之间的余弦相似度；构建各聚类簇对应的图结构：将各尺度空间图像对应的关键点作为图结构的节点，将各尺度空间图像对应的关键点的地质复杂度向量作为图结构中对应节点的特征值，将所述余弦相似度作为图结构中对应节点之间的边权值。
[0009]优选的，所述神经网络的训练方法包括：采集多张地质图像作为神经网络的训练集，给所述地质图像打上对应的标签，所述标签为矿产区域的边界；根据训练集以及训练集中各图像对应的标签，对神经网络进行训练。
[0010]本专利技术具有如下有益效果：本专利技术获取了待检测区域的RGB图像中各像素点的纹理复杂度和颜色复杂度，根据纹理复杂度和颜色复杂度构建各像素点的地质复杂度向量，相较于单一的灰度信息或颜色信息表征各像素点的特征精准度更高，由于监控相机在移动监控的过程中由于对焦延迟会出现图像模糊的问题，本专利技术获取了待检测区域的多尺度空间图像，相对于单一尺度的图像，多尺度空间图像具有较好的抗模糊能力，本专利技术对各尺度空间图像中的关键点进行聚类，得到各尺度空间图像对应的聚类簇，将各尺度空间中的各聚类簇转换为嵌入向量，根据各聚类簇对应的嵌入向量，构建多尺度无向图，将多尺度无向图输入到训练好的神经网络，得到矿产区域的边界。本专利技术利用纹理复杂度与色彩复杂度结合的方式构建地质复杂度向量，能够全面地表征矿层特征，本专利技术构建的多尺度无向图考虑了各尺度图像中关键点之间的互相关性以及多尺度空间中各簇内关键点之间的互相关性，提取到的多尺度无向图特征具备尺度不变性，提高了待检测区域的矿产边界准确性，本专利技术提供的方法无需基于钻探和爆破收集传感器反馈的数据，进而得到矿产区域的边界，提高了矿产边界检测过程的安全性。
附图说明
[0011]为了更清楚地说明本专利技术实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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它附图。
[0012]图1为本专利技术一个实施例所提供的一种基于人工智能的矿产边界检测方法的流程图；图2为本专利技术一个实施例所提供的待检测区域的原图像示意图；图3为待检测区域原图像关键点的示意图；图4为对原图像隔点下采样得到的关键点图像示意图；图5为对图4隔点下采样得到的关键点的图像示意图；图6为对图5隔点下采样得到的关键点图像示意图。
具体实施方式
[0013]为了更进一步阐述本专利技术为达成预定专利技术目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本专利技术提出的一种基于人工智能的矿产边界检测方法及系统进行详细说明如下。
[0014]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。
[0015]下面结合附图具体的说明本专利技术所提供的一种基于人工智能的矿产边界检测方法及系统的具体方案。
[0016]基于人工智能的矿产边界检测方法实施例现有技术基于钻探和爆破收集传感器反馈的数据，并对数据进行分析获取矿产区域的边界，安全性较低。为了解决上述问题，本实施例提出了基于人工智能的矿产边界检测方法，如图1所示，本实施例的基于人工智能的矿产边界检测方法包括以下步骤：步骤S1，获取待检测区域的RGB图像。
[0017]本实施例用监控相机对待检测区域进行移动采集，以监控相机采集到待检测区域的一张图像为例进行后续处理，待检测区域的原图像如图2所示，图中颜色较浅的区域为矿产资源。利用自适应边缘插值算法对矿产区域图像的边缘和纹理特征进行增强，得到增强后待检测区域RGB格式的视频帧。边缘自适应插值是公知技术，此处不再赘述。
[0018]步骤S2，根据所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的矿产边界检测方法，其特征在于，该方法包括以下步骤：获取待检测区域的RGB图像；根据所述RGB图像中各像素点的纹理复杂度和颜色复杂度，得到各像素点的地质复杂度向量；根据所述RGB图像，得到多尺度空间图像，根据各尺度空间图像中各像素点的地质复杂度向量，将地质复杂度大于设定复杂度阈值的像素点记为关键点；对各尺度空间图像对应的关键点进行聚类，得到各尺度空间图像对应的聚类簇；根据各聚类簇中各关键点的地质复杂度向量，构建各聚类簇对应的图结构，根据所述图结构，得到各聚类簇对应的嵌入向量，根据所述各聚类簇对应的嵌入向量，构建多尺度无向图；将所述多尺度无向图输入到训练好的神经网络，得到待检测区域的矿产区域边界，所述神经网络用于检测矿产区域的边界。2.根据权利要求1所述的一种基于人工智能的矿产边界检测方法，其特征在于，所述RGB图像中各像素点的纹理复杂度和颜色复杂度的计算方法包括：采用LTP三值编码对各像素点处理，得到各像素点的LTP值；根据所述各像素点的LTP值，得到各像素点的纹理复杂度；获取各像素点对应Lab空间的三个通道值，根据所述各像素点对应Lab空间的三个通道值，得到各像素点对应的颜色复杂度。3.根据权利要求2所述的一种基于人工智能的矿产边界检测方法，其特征在于，根据所述各像素点对应Lab空间的三个通道值，得到各像素点对应的颜色复杂度的方法包括：根据各像素点对应Lab空间的三个通道值，构建各像素点的颜色向量；根据各像素点的颜色向量，计算各像素点与其对应的邻域像素点的颜色差值向量；对各像素点与其对应的邻域像素点的颜色差值向量...

【专利技术属性】
技术研发人员：陈一新，
申请(专利权)人：启东亚恒机电设备科技有限公司，
类型：发明
国别省市：