基于DSM深度影像的机载LiDAR建筑物边界提取

该文探讨了基于DSM深度影像的机载Li DAR建筑物边界提取。首先利用归一化的DSM数据点生成DSM深度影像,然后对影像进行相关处理,包括中值滤波、形态学处理,以剔除噪声、植被及较小地物等信息,采用阈值分割与二值化,得到明显的建筑物区域,最后使用边界检测的方法将建筑物初始边界提取出来,并检测其角点,利用最小二乘方法进行拟合,得到规则化的建筑物边界。     

基于深度学习和遥感影像的露天矿自动提取方法研究

非法开采不仅危害国家资源,威胁国家财产安全,也存在重大安全隐患,寻找快速发现非法开采行迹的解决办法迫在眉睫。利用光学遥感影像进行人工解译,费时费力、效率极低;而传统的露天矿遥感自动解译方法,或基于像素,或基于面向对象,利用的图像特征简单且数量较少。将深度学习的全卷积神经网络算法引入露天矿自动提取中,充分从底层特征中挖掘大量高层抽象特征,实现露天矿智能高效解译。实验结果表明,该方法在一定程度上有效提高了露天矿识别的准确率,能够为及时发现非法露天矿开采提供基础的数据技术支持。     

基于点云数据的道路特征参数提取方法研究

工程建设及维护中,现状信息的获取是评定工程质量、开展维修改造的前提,文中利用三维激光扫描获取的点云数据,借助相应软件及时准确提取了现有工程的特征信息,并与常规测量资料进行对比分析,表明利用点云数据是一种快速、高精度获取道路特征参数的有效方法。     

基于无人机倾斜摄影的排泥库土工布中心线提取方法

土工布是排泥库表面覆盖的防渗材料,能够在排除水分的同时阻止泥浆泄漏.识别土工布中心线可用于计算土工布高度、在高度过低时进行预警,对防范泥浆泄漏事故发生具有重要意义.基于无人机倾斜摄影获得的彩色三维点云,通过颜色特征和高程特征识别土工布点云、采用形态学算法和改进Zhang-Suen算法提取土工布中心线.以广西某铝矿排泥库...     

基于深度学习和Cesium的煤矿区地表变化检测方法研究

为了定量和定性分析煤炭资源开发对矿区地表的影响和破坏情况,采用Cesium开源三维引擎框架并融合高分遥感与深度学习技术,构建了基于B/S架构的煤矿区地表变化检测应用平台。平台在保持自动化检测精度的同时还充分顾及到检测算法存在的误检、漏检等缺陷,融入了检测结果的交互式编辑机制,并分析了系统架构的关键技术。该方法的变化检测结果较为可靠完备,为变化检测算法的应用提供了一种思路。     

基于倾斜摄影的高程点批量自动提取研究

无人机倾斜摄影测量在地形图测绘中应用广泛.利用外业飞行获取的影像数据,经过软件处理即可实现全室内采集测图.提出一种高程点自动提取的方法,利用ContextCapture Master生成点云格式的三维模型成果;通过Terrasolid对点云进行分类,提取出地面点,再对地面点抽稀处理,最后在CASS中展绘高程点.通过实验...     

基于深度学习的浮选加药控制系统

赵楼煤矿选煤中心根据浮选泡沫的特点将深度学习技术融入到浮选加药系统的研发之中,设计了基于卷积神经网络的识别与分类网络,提高了系统的泡沫识别准确率及抗干扰能力。通过将西门子PLC、WinCC、高清摄像机与智能算法的深度接合,使浮选加药控制系统实现了"人工智能"。     

基于激光点云的隧道断面自适应提取方法

隧道作为狭长型密闭工程建筑,在其全生命周期都需要进行安全检测。采用三维激光扫描技术获取的海量点云数据可更好地反映隧道的整体信息。但因扫描设站距离不同以及遮挡等情况,点云密度不均匀,不利于后续的点云特征提取及形变分析。针对这个问题,该文提出了一种能够自适应地调整断面厚度从而提取不同里程处断面点云的方法,然后对提取断面点云进行降噪以及三次B样条曲线拟合,并将拟合结果分别与贝赛尔曲线、拉格朗日曲线进行了对比。实验表明,该方法提取断面精度可达毫米级,能够较好地反映隧道真实变形情况。     

引入SPP的高分辨率遥感影像深度学习分类方法

当前,深度学习技术与传统的面向对象技术相结合的分类方法已经较好地应用于高分辨率遥感影像的分类任务当中,但是仍存在如下问题:高分辨遥感影像地物目标复杂,依靠单一数据源进行分割效果不佳;标准的卷积神经网络只能接受固定尺寸大小的输入,分割对象在拉伸变形至固定尺寸的过程中会造成信息的损失.该文首先结合DSM数据进行协同分割,获得更佳的分割结果;然后将空间金字塔池化层(Spatial Pyramid Pooling,SPP)引入卷积神经网络中,构建了一种能接受任意尺寸输入的深度学习面向对象分类模型,从而令分割对象的特征表达更完整,以提高影像分类精度.实验结果表明:引入空间金字塔池化层的高分辨率遥感影像深度学习分类方法,可有效提高影像分类精度,进而得到更加真实可靠的分类结果.     

基于卷积神经网络的煤岩微裂隙提取方法

深部开采导致的煤岩裂隙结构的延伸、贯通及扩展是引起煤岩破坏的关键因素。裂隙结构的准确表征是分析煤岩破坏机理及开展煤与瓦斯绿色共采的核心要素之一。本研究采用Waifu2x卷积神经网络模型对裂隙煤岩CT图像进行处理,获得分辨率更高的CT图像。并提出“裂隙煤岩标注七步处理法”,提高了标记效率,采用图像增强技术扩充训练集,满足了模型对于训练集数量和质量的要求。采用训练后的U-Net卷积神经网络进行图像分割,提取煤岩内裂隙信息。通过对比发现,本方法所获得的裂隙连通性、开度及分布与真实CT图像更为接近,所提取的裂隙4个量化指标均优于其他提取方法。研究为裂隙煤岩物理力学行为及机理分析提供基础。     

基于深度学习的摇床接矿位置预测方法

目前在摇床进行选矿的过程中，使用的摇床矿带识别及接矿板自动调节装置大大提高了摇床的自动化程度。但是对于接矿位置不在矿带分割线位置的矿物，例如锡矿，在分割线处接到的矿物品位会达到60以上，而真正需要的品位范围是[38 ,42]，仍需要人工设置偏移量确定接矿位置。针对接矿需要人工参与的问题，本文研究出了一种输入为摇床矿带图像，输出为接矿位置的深度学习预测模型，该模型以VGG-16为基础网络结构，使用均方损失和Adam优化器进行训练，通过批量大小、迭代次数以及学习率等超参数调整卷积层中的权重值。在华联锌铟公司新田选矿厂精选段摇床开展了摇床智能接矿工业试验研究，实验结果表明，验证集中85%的样本预测误差小于19.5毫米，93.7%的预测误差小于29.25毫米，因此该方法能够让计算机学习到操作工的接矿经验，计算出满足生产需要的接矿位置，真正实现摇床智能接矿。基于深度学习的预测模型在现场运行了半年多，接矿的精矿品位能够达到工艺要求。     

基于深度学习的矿用设备焊缝图像特征提取

在基于线结构光视觉传感器的焊缝跟踪系统技术中,激光条纹提取的精度和速度是2个关键指标。在实际的焊接过程中,视觉传感器所采集的图片包含大量复杂的噪声,从而影响了激光条纹提取的精度。为了快速提取焊缝图像中的激光条纹,提出了一种改进的轻量化UNet网络。实验结果表明,所提方法能够满足激光条纹提取任务的精度和速度的要求,具有一定的应用前景。     

基于弱监督深度学习的煤矿生产不安全行为检测应用研究

实时监测煤矿生产过程的安全事件,及时发现和消除隐患,对确保煤矿生产过程安全具有重要意义.由于标注数据样本不足,导致学习模型的性能下降,影响监测效果.针对此问题,提出一种基于弱监督深度学习的煤矿生产不安全行为检测方法,设计了深度神经网络提取并融合图像显著特征,实现选煤生产过程的不安全行为检测,为安全预警提供支撑,在公开数...     

基于深度学习和高分辨率遥感影像的露天矿地物分类方法

随着深度学习技术的发展,对高分辨率影像的分类已成为当前研究的热点,矿区地物分类更是矿区生态发展研究的重要问题。由于深度学习可以通过提取大量的历史影像数据规律及特征,对影像数据进行自动识别与分类,本研究将采用U-Net网络模型开展高分辨率露天矿区地物类型分类研究。采用高分二号遥感影像数据,勾画样本数据集提取样本数据特征,进行分类模型的训练,对矿区测试集进行测试,探讨深度学习在高分遥感影像上的自动识别能力。结果表明,U-Net模型对露天矿区地物识别的精确率（Precision）、召回率（Recall）、F1分数（F1-score）值分别达到0.86、0.82、0.84,均高于最大似然法、随机森林算法和支持向量机。基于深度学习中的U-Net网络模型可以对露天矿区地物类型进行有效的自动识别,可以为高分露天矿区遥感影像数据的地物分类提供技术支撑,有效实现了露天矿各地物自动识别与分类的能力。本文研究成果可以用于AI在露天矿区遥感分类方面的应用以及对矿区生态环境的监测与修复。     

基于深度学习的浮选精矿品位预测方法

矿浆品位是浮选工艺中关键参数之一,其对于指导生产,节约药剂,控制产品质量和提高回收率等方面都起着非常关键的作用。为了在线预测浮选精矿品位,解决荧光分析仪检测滞后的问题,研究出了一种不需要主观提取特征的基于深度学习的精矿品位在线预测模型,模型的输入为浮选泡沫图像序列、原矿品位值和尾矿品位值,输出为精矿品位值,属于回归问题。对比了主干网络分别为VGG-16,ResNet-50和MobileNet-V2时预测结果的差异,实验结果显示VGG-16的预测精度和鲁棒性最好,平均预测精度达到12.48%。     

基于深度学习的煤矸石识别技术与实现

针对传统基于图像处理的煤矸识别方法存在速度、效率低、精度起伏大及难以实际应用等问题,提出了一种改进型轻量级深度识别网络模型的煤矸识别方法,以MobileNetV3-large模块结构为基础,在保证模型参数体积及复杂度较少增加的前提下,对网络模型的性能做进一步的提升,使之能够更加适应开采或选拣的实际生产环境。首先在模型中采用CBAM注意力机制模块,该模块相比原模型中的SE模块具有更高的表征能力,能够更好提升网络对煤和矸石图像中感兴趣区域的复杂像素信息特征提取能力。然后通过对训练数据集采用颜色、位置以及图像模糊等相应的复杂图像增强技术进行处理,一方面增加识别模型对煤矸识别复杂生产环境的泛化能力,降低网络的过拟合风险,另一方面完成对数据集的进一步扩增,通过以上方法最终获得改进的轻量级深度识别网络模型。最后将改进的模型应用于煤矸识别技术研究与实现。试验结果表明：基于改进型轻量级深度识别网络模型的煤和矸石识别方法模型结构简单、网络易训练、易嵌入使用且识别精度高。在对煤和矸石识别的测试中精度相对原模型提高了2.3%,达到了97.7%,召回率提高了2%,达到97.8%,对于提高采煤和选煤工作面的自动...     

基于深度学习的镜下矿物图像识别方法

为探究利用深度学习和图像处理技术实现镜下矿物图像特征智能化识别的可行性,基于卷积神经网络、Adam 优化算法等,对采集的辉石、石英、角闪石、橄榄石、斜长石5种矿物图像进行了试验研究,采用 OpenCV 对有限的数据集进行增广,有效地扩大数据规模、降低样本的不平衡性,基于ResNet-50网络架构优化模型,使用迁移学习的训练策略进行模型训练,以精度和损失作为评价指标。测试结果表明:优化后的网络模型识别精度大幅提高,在模型测试中达到了98.48%的精度,损失控制在0.01~0范围内,并且具备更快的收敛速度、更低的训练耗时,大大提升了网络的训练效率,成功实现了镜下矿物智能化识别及分析。