矿山地质环境“天—空—地—人”协同监测与多要素智能感知

矿区地质灾害突出、环境问题复杂,其多尺度、连续性和整体性监测及生态环境多要素耦合演变机理研 究,是我国矿区生态保护总体规划的主要工作内容。 为解决矿区地质环境多平台、多要素、多尺度和时空协同监测问 题,基于对地观测技术、地基设备和人工调查手段,建立了矿山地质环境“天—空—地—人”立体协同监测及多要素精 准感知技术体系。 在此基础上,通过构建矿区多源异构数据的智能融合模型,开发知识引导和数据学习双向驱动的 智能化地质环境信息提取方法,从而实现矿区全生命周期地质环境演变的智能反演与感知。 研究表明:“天—空— 地—人”协同监测与基于多源异构数据融合的多要素精准感知,是矿区生态环境多要素耦合演变机理研究的重要基 础,能够为矿山地质环境“信息智能获取—知识学习—辅助决策”大数据决策支持系统构建提供技术支撑,为矿区安 全高效开采和矿山地质环境保护提供科学保障。     

基于U2-Net的广域In SAR开采沉陷区自动识别方法研究

我国井工煤矿量大面广,地下开采隐蔽性强,现有的人工调查、遥感探测、现场实测等方式难以满足大范围开采沉陷区自动识别实现要求,不利于实现高效监管、动态监测。为此,提出了一种基于U2-Net的广域合成孔径雷达干涉测量(Interferometric Synthetic Aperture Radar,InSAR)开采沉陷区自动识别方法,该方法通过各种形变梯度和噪声水平的模拟数据集训练卷积神经网络(Convolutional Neural Network,CNN),使其能够实现由差分干涉图一步输出包含开采沉陷位置信息的二值矩阵。试验表明:U2-Net的平均像素准确率(Mean Pixel Accuracy,MPA)和平均交并比(Mean Intersection Over Union,MIoU)分别达到了0.916 3、0.911 9,均高于试验中的其他2种模型,能够更好地抑制噪声,突出形变信号。在覆盖神东矿区不同时间间隔的In SAR干涉图上,U2-Net自动识别了覆盖面积超过54 600 km2的干涉图,检测出了多处边界信息清晰平滑的沉陷区,识别的平均准确率达到92.45%。结果表明:对比其...     

面向海量植物图像的智能检索系统设计

针对传统软件技术设计的植物图像检索系统中存在无法实现智能检索、植物图像数量增长慢、检索系统难以扩容,以及当植物图像数量达到百万级以上时检索效率低和检索请求高并发时植物图像加载慢等问题,提出利用百度AI技术、ImageSharp图像分割技术和CV2颜色识别技术实现植物图像的智能检索。利用FastDFS技术实现检索系统的动态扩容、负载均衡和植物图像的快速加载,利用Solr搜索引擎技术提高海量植物图像的检索效率,利用Python爬虫技术不断丰富检索系统的植物图像从而实现检索系统的可持续化发展。实验结果表明,通过上述技术能够构建一个面向海量植物图像的智能检索系统。