System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及矿山开采监控,具体是基于神经网络的矿山模型开采变化量提取和识别方法。
技术介绍
1、露天矿山越界开采和超量开采等违规行为,不仅会对矿产资源造成浪费,还对周围的环境和生态系统造成严重破坏,甚至引发地质灾害,威胁到人民的生命财产安全。因此,对露天矿山进行越界开采和超量开采等违规行为进行监测,具有重要的现实意义和深远的发展意义;
2、首先,矿产资源是一种不可再生的自然资源,过度开采会导致资源的枯竭,影响国家的长远发展。越界开采和超量开采等行为,不仅违反了矿产资源管理的法律法规,也是对国家资源的一种浪费。因此,对露天矿山进行越界开采和超量开采等违规行为进行监测,有助于保护国家的矿产资源,实现矿产资源的可持续利用;
3、其次,露天矿山越界开采和超量开采等违规行为,往往会对周围的环境和生态系统造成严重破坏。例如,过度开采会导致地表塌陷,引发地质灾害,威胁到人民的生命财产安全;同时,过度开采还导致水土流失,破坏生态环境,影响人类的生存和发展。因此,对露天矿山进行越界开采和超量开采等违规行为进行监测,有助于保护环境和生态系统,实现人与自然的和谐共生;
4、再次,露天矿山越界开采和超量开采等违规行为,往往会给企业带来巨大的经济利益,但是这种行为不仅会损害国家的利益,也会对其他遵守法律法规的企业造成不公平的竞争。因此,对露天矿山进行越界开采和超量开采等违规行为进行监测,有助于维护市场秩序,实现公平竞争;
5、最后,露天矿山越界开采和超量开采等违规行为,往往会给社会带来严重的安全隐患。例如
6、然而目前对矿山的采矿工程的监测往往是通过人工手段,进行周期性的检查,然而因为人的主观性因素过强,很容易在检查过程中出现疏漏,从而导致严重事故的发生;为此,需要一种自动化监测手段对矿山的开采行为进行自动化监测和报警;
7、为此,本专利技术提出基于神经网络的矿山模型开采变化量提取和识别方法。
技术实现思路
1、本专利技术旨在至少解决现有技术中存在的技术问题之一。为此,本专利技术提出基于神经网络的矿山模型开采变化量提取和识别方法,通过自动识别到地物在三维空间上的变化信息,从而获取各类矿山对象的如矿山开采量、房屋建设进度、植被破坏情况等信息,辅助有关部门进行资源监测和管理。
2、为实现上述目的,基于神经网络的矿山模型开采变化量提取和识别方法,包括以下步骤:
3、步骤一:通过使用倾斜摄影技术获得原mesh模型;
4、步骤二:间隔预设的监测周期时长,使用倾斜摄影技术获得对比期mesh模型;
5、步骤三:通过使用对象提取模型分别提取出原mesh模型中的原矿山对象数据和对比期mesh模型中的对比期矿山对象数据;
6、步骤四:将原矿山对象数据和对比期矿山对象数据使用不规则三角网对比算法进行对比,获得矿山变化信息以及矿山已建设信息;
7、步骤五:收集矿山开采计划数据,基于矿山开采计划数据、矿山变化信息以及矿山已建设信息,获得矿山变化预警信息;
8、所述通过使用倾斜摄影技术获得原mesh模型,包括以下步骤:
9、步骤11:根据预设的无人机飞行计划对矿山的图像进行捕获,获得矿山图像集合;
10、步骤12:对矿山图像集合中的图像按照捕获时间顺序进行拼接、融合以及畸变纠正,获得矿山拼接图像;
11、步骤13:将矿山拼接图像转化为三维模型;
12、所述通过使用对象提取模型分别提取出原mesh模型中的原矿山对象数据和对比期mesh模型中的对比期矿山对象数据的方式为:
13、预先训练出对象提取模型;所述对象提取模型用于识别矿山mesh模型中的各个矿山对象类型以及每种矿山对象位置;
14、将原mesh模型输入至对象提取模型中,获得对象提取模型输出的原mesh模型中的各个矿山对象,以及各个矿山对象所覆盖的区域范围,并将原mesh模型中各个矿山对象所覆盖的区域范围组成原矿山对象数据;
15、将对比期mesh模型输入至对象提取模型中,获得对象提取模型输出的对比期mesh模型中的各个矿山对象,以及各个矿山对象所覆盖的区域范围,并将对比期mesh模型中各个矿山对象所覆盖的区域范围组成对比期矿山对象数据;
16、所述对象提取模型的训练过程包括:
17、预先收集包含有各种矿山对象的mesh模型训练图片,并在每张mesh模型训练图片中,人工对各种矿山对象进行区域选定以及矿山对象类型标注;
18、以mesh模型训练图片作为对象提取模型的输入,所述对象提取模型输出各个mesh模型训练图片中存在的矿山对象类型,以及各个矿山对象类型的覆盖区域;所述覆盖区域用矩形框展示;
19、所述对象提取模型以输出的矿山对象类型和覆盖区域的位置,与人工选择的选定区域和矿山对象类型标注之间的误差作为训练误差,以所有mesh模型训练图片的训练误差之和作为训练目标;
20、对对象提取模型进行训练,直至训练误差之和达到收敛时停止训练;
21、所述将原矿山对象数据和对比期矿山对象数据使用不规则三角网tin对比算法进行对比包括以下步骤:
22、步骤21:对原矿山对象数据和对比期矿山对象数据中的各个矿山对象覆盖的区域范围分别进行预处理,获得原tin离散模型以及对比期tin离散模型;
23、步骤22:使用tin构建算法,分别输入原tin离散模型以及对比期tin离散模型,分别获得原tin模型以及对比期tin模型;
24、步骤23:使用tin对比算法,比较原tin模型以及对比期tin模型的差异,生成差异对比数据;
25、步骤24:基于差异对比数据,提取出矿山变化信息,所述矿山变化信息包括各个对比期mesh模型中的各个矿山对象的区域范围,与原mesh模型中的各个矿山对象的区域范围的差异范围;所述差异范围为在对比期mesh模型中,但不属于原mesh模型的范围;
26、各个矿山对象类型的所述差异范围组成矿山变化信息,而在对比期mesh模型中,各个矿山对象类型的区域范围除去差异范围,剩余的区域组成矿山已建设信息;
27、所述收集矿山开采计划数据的方式为:
28、在矿山开采前,收集对矿山的开采计划,所述开采计划包括各个矿山对象类型的预期覆盖范围和覆盖面积;
29、所述获得矿山变化预警信息的方式为:
30、对于各个矿山对象类型,通过比较其预期范围是否包含有差异范围,判断该矿山对象类型是否存在越界情况,若不包含有差异范围,则发起该矿山对象类型的越界预警;
31、对于各个矿山对象类型,计算对应的矿山已建设信息中,该矿本文档来自技高网...
【技术保护点】
1.基于神经网络的矿山模型开采变化量提取和识别方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于神经网络的矿山模型开采变化量提取和识别方法,其特征在于,所述通过使用倾斜摄影技术获得原Mesh模型,包括以下步骤:
3.根据权利要求2所述的基于神经网络的矿山模型开采变化量提取和识别方法,其特征在于,所述通过使用对象提取模型分别提取出原Mesh模型中的原矿山对象数据和对比期Mesh模型中的对比期矿山对象数据的方式为:
4.根据权利要求3所述的基于神经网络的矿山模型开采变化量提取和识别方法,其特征在于,所述对象提取模型的训练过程包括:
5.根据权利要求4所述的基于神经网络的矿山模型开采变化量提取和识别方法,其特征在于,所述将原矿山对象数据和对比期矿山对象数据使用不规则三角网TIN对比算法进行对比包括以下步骤:
6.根据权利要求5所述的基于神经网络的矿山模型开采变化量提取和识别方法,其特征在于,所述收集矿山开采计划数据的方式为:
7.根据权利要求6所述的基于神经网络的矿山模型开采变化量提取和识别方法,其特征
8.一种电子设备,其特征在于,包括:处理器和存储器,其中,
9.一种计算机可读存储介质,其特征在于,其上存储有可擦写的计算机程序;
...【技术特征摘要】
1.基于神经网络的矿山模型开采变化量提取和识别方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于神经网络的矿山模型开采变化量提取和识别方法,其特征在于,所述通过使用倾斜摄影技术获得原mesh模型,包括以下步骤:
3.根据权利要求2所述的基于神经网络的矿山模型开采变化量提取和识别方法,其特征在于,所述通过使用对象提取模型分别提取出原mesh模型中的原矿山对象数据和对比期mesh模型中的对比期矿山对象数据的方式为:
4.根据权利要求3所述的基于神经网络的矿山模型开采变化量提取和识别方法,其特征在于,所述对象提取模型的训练过程包括:
5...
【专利技术属性】
技术研发人员:王常磊,朱明亮,杨超超,陈春平,王俊,鲁丽,
申请(专利权)人:安徽省第一测绘院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。