[发明专利]用于矿洞的支撑设备的支撑稳定性的智能检测方法

说明书

本申请涉及智慧安全领域下的智能状态预测，其具体地公开了一种用于矿洞的支撑设备的支撑稳定性的智能检测方法，其通过基于深度学习的计算机视觉方式，来对矿洞的支撑设备的稳定性进行检测。在检测过程中，从支撑设备支撑的矿洞断面图像对应的初始特征图中分别提取出对应于对矿洞支撑设备所支撑的四面的特征，即矿洞的顶部、两个侧壁和底部的特征，并将这四面特征通过类注意力机制映射到整体特征空间中再进行融合，从而在分类过程中综合考虑局部支撑特征和整体支撑特征，提高分类精度。

技术领域

本发明涉及智能安全领域下的智能状态预测，且更为具体地，涉及一种用于矿洞的支撑设备的支撑稳定性的智能检测方法、用于矿洞的支撑设备的支撑稳定性的智能检测系统和电子设备。

背景技术

采矿是自地壳内或地表开采矿产资源的一门科学技术，根据矿床埋藏深度的不同和技术经济合理性的要求，矿山开采技术分为露天开采和地下开采两种方式，接近地表和埋藏较浅的部分采用露天开采，深部采用地下开采。

在矿洞的开采过程当中，通常采用支撑设备来在矿洞的断面进行支撑，在支撑设备在被搬运至指定位置进行支护后，除了对矿洞的顶部进行支撑，也对矿洞的侧壁进行支撑，同时，有时为了支撑设备的移动性，会在底部设置脚轮，并在使用时在底部通过脚轮进行支撑。

由于矿洞的顶部、侧壁和底部可能都是凹凸不均匀的面，支撑设备又不能够根据支撑面的不同进行自适应调整，使得支撑设备的稳定性较差，为此，期望能够提供一种支撑设备的稳定性的监控方案。

目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

深度学习以及神经网络的发展为支撑设备的稳定性的监控提供了新的解决思路和方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用于矿洞的支撑设备的支撑稳定性的智能检测方法、用于矿洞的支撑设备的支撑稳定性的智能检测系统和电子设备，其通过基于深度学习的计算机视觉方式，来对矿洞的支撑设备的稳定性进行检测。在检测过程中，从支撑设备支撑的矿洞断面图像对应的初始特征图中分别提取出对应于对矿洞支撑设备所支撑的四面的特征，即矿洞的顶部、两个侧壁和底部的特征，并将这四面特征通过类注意力机制映射到整体特征空间中再进行融合，从而在分类过程中综合考虑局部支撑特征和整体支撑特征，提高分类精度。

根据本申请的一个方面，提供了一种用于矿洞的支撑设备的支撑稳定性的智能检测方法，其包括：

获取支撑设备支撑矿洞断面的图像；

将所述图像通过深度卷积神经网络，以获得初始特征图；

确定所述初始特征图中对应于所述图像中支撑设备支撑矿洞的顶壁、两个侧壁和底壁的四个感兴趣区域，以获得四个部分特征图；

将所述初始特征图分别与所述四个部分特征图进行矩阵相乘，以将所述四个部分特征图中的特征分别映射到所述初始特征图所在的特征空间中，以获得四个类注意力特征图；

融合所述四个类注意力特征图，以获得区域特征图；

将所述区域特征图和所述初始特征图分别通过一个或多个全连接层，以获得对应于所述区域特征图的第一分类特征向量和对应于所述初始特征图的第二分类特征向量；以及

将所述第一分类特征向量和所述第二分类特征向量级联后通过分类函数，以获得分类结果，所述分类结果用于表示矿洞的支撑设备的稳定性是否符合预设要求。