[发明专利]基于卷积神经网络模型的矿山生态安全识别方法

权利要求书

1.基于卷积神经网络模型的矿山生态安全识别方法，其特征在于，包括步骤：

S1，基于预定时间间隔对矿山进行图像和指标数据采集，构建训练样本集，其中在同一时刻分别采集矿山东西南北四个方向的图像和指标数据；指标数据包括空气指标范围、垃圾排放量范围、水污染程度；

S2，构建卷积神经网络模型，利用训练样本集对卷积神经网络模型进行训练；

S3，使用训练好的卷积神经网络模型，对待评价的矿山进行安全分类，输出评价结果；

步骤S1还包括：

S11，在预定时刻分别采集矿山东西南北四个方向的图像；

S12，在预定时刻采集矿山的各种指标数据；

S13，基于预定时间间隔，重复采集矿山东西南北四个方向的图像和指标数据；

S14，对图像和指标数据进行预处理，构建训练样本集；

步骤S2还包括：

S21，构建第一卷积神经网络模块、第二卷积神经网络模块、第三卷积神经网络模块、第四卷积神经网络模块；

S22，构建第五卷积神经网络模块；

S23，设置全连接模块和分类器，用于连接第一卷积神经网络模块、第二卷积神经网络模块、第三卷积神经网络模块、第四卷积神经网络模块、第五卷积神经网络模块的输出端，形成卷积神经网络模型，其中东方图像、西方图像、南方图像、北方图像和指标数据分别输入到第一卷积神经网络模块、第二卷积神经网络模块、第三卷积神经网络模块、第四卷积神经网络模块、第五卷积神经网络模块；

S24，利用训练样本集对卷积神经网络模型进行训练，得到训练好的卷积神经网络模型。

2.根据权利要求1所述的基于卷积神经网络模型的矿山生态安全识别方法，其特征在于，预处理包括图像对齐、归一化、噪声去除操作。

3.根据权利要求1所述的基于卷积神经网络模型的矿山生态安全识别方法，其特征在于，第一卷积神经网络模块、第二卷积神经网络模块、第三卷积神经网络模块、第四卷积神经网络模块结构相同。

4.根据权利要求3所述的基于卷积神经网络模型的矿山生态安全识别方法，其特征在于，在第一卷积神经网络模块、第二卷积神经网络模块、第三卷积神经网络模块、第四卷积神经网络模块中，第一卷积子模块、第二卷积子模块、第三卷积子模块、第四卷积子模块和第五卷积子模块依次连接，第一卷积子模块的输出端和第五卷积子模块的输出端分别连接第一拼接子模块的两个输入端，第二卷积子模块的输出端和第四卷积子模块的输出端分别连接第二拼接子模块的两个输入端，第一拼接子模块的输出端连接第一池化子模块的输入端，第二拼接子模块的输出端连接第二池化子模块的输入端，第一池化子模块的输出端、第二池化子模块的输出端和第五卷积子模块的输出端分别连接全连接子模块的三个输入端，输出提取到的特征。

5.根据权利要求4所述的基于卷积神经网络模型的矿山生态安全识别方法，其特征在于，第一卷积子模块、第二卷积子模块、第三卷积子模块、第四卷积子模块和第五卷积子模块包括卷积层和池化层。

6.根据权利要求5所述的基于卷积神经网络模型的矿山生态安全识别方法，其特征在于，第五卷积神经网络模块仅采用一个卷积模块。