一种地下低照度深部地层空区生物状况识别方法和装置制造方法及图纸

本发明专利技术公开了一种地下低照度深部地层空区生物状况识别方法，包括：获取激光扫描仪

【技术实现步骤摘要】
一种地下低照度深部地层空区生物状况识别方法和装置


[0001]本专利技术涉及数据处理
，尤其涉及一种地下低照度深部地层空区生物状况识别方法和装置
。

技术介绍

[0002]在煤矿和石油勘探和开采过程中，地下工作环境往往是低照度的
。
由于深部地层空区的复杂性和不可见性，传统的地质勘探和开采技术无法准确识别和评估地下生物状况，例如健康状况
、
数量和分布等信息
。
因此，需要一种高效
、
准确
、
可重复的地下低照度深部地层空区生物状况识别方法，以满足地下勘探和开采的需要
。
[0003]目前，已有一些技术可以用于地下生物识别，例如传感器
、
环境监测等
。
传感器技术和环境监测技术用于生物识别是使用多种传感器，如声音
、
温度
、
氧气浓度等传感器，通过监测地下空间的温度
、
湿度
、
氧气浓度等环境参数，收集地下空间的数据，通过数据分析来间接判断人的数量
、
分布和是否受伤等信息
。
但受限于传感器的类型和数量以及环境参数的精确度和地下空间的复杂性，可能存在数据噪声和不确定性的问题
。

技术实现思路

[0004]为了解决上述问题，本专利技术提出了一种地下低照度深部地层空区生物状况识别方法，包括以下步骤：
[0005]S1、
获取激光扫描仪r/>、
摄像机
、
声呐探测仪的数据，其中激光扫描仪获得三维点云数据
、
摄像机获得步态视频序列数据
、
声呐探测仪获得声呐信息数据，并对三种数据进行预处理；
[0006]S2、
对预处理后的数据进行特征提取，并对提取的特征进行人工标定后划分为训练样本和测试样本；
[0007]S3、
使用训练样本和测试样本对
K
‑
NN
分类器进行训练，对训练好的
K
‑
NN
分类器进行性能评估，重复步骤
S2
和
S3
直到
K
‑
NN
分类器的性能达到要求；
[0008]S4、
用测试后的
K
‑
NN
分类器对
S2
中提取出的特征进行筛选，评估筛选的特征对生物的识别度，并根据筛选的特征对生物的识别度确定各个特征权重；
[0009]S5、
将确定权重的特征传送到数据中心，经过计算和分析后，生成生物状况报告
。
[0010]本专利技术还提出一种地下低照度深部地层空区生物状况识别装置，包括：
[0011]处理器；
[0012]存储器，其上存储有可在所述处理器上运行的计算机程序；
[0013]其中，所述计算机程序被所述处理器执行时实现一种地下低照度深部地层空区生物状况识别方法
。
[0014]本专利技术提供的技术方案带来的有益效果是：
[0015]本专利技术的技术方案，对激光扫描仪
、
摄像机
、
声呐探测仪获得的三维点云数据
、
步态视频序列数据
、
声呐信息数据进行预处理，并进行特征提取，用
K
‑
NN
分类器筛选特征，得
到最优特征集合，并确定最优特征集合中各个特征权重，经过计算和分析后，生成生物状况报告
。
综合了激光扫描仪
、
摄像机
、
声呐探测仪多方面数据，与现有的技术相比大大提高在低照度下地下深部空区的生物状况识别的质量和精度，同时具有一定的通用性和推广价值
。
附图说明
[0016]图1为本专利技术实施例提供的一种地下低照度深部地层空区生物状况识别方法的流程图；
[0017]图2为本专利技术实施例提供的一种地下低照度深部地层空区生物状况识别方法的流程框图
。
具体实施方式
[0018]为使本专利技术的目的
、
技术方案和优点更加清楚，下面将结合附图对本专利技术实施方式作进一步地描述
。
[0019]参见图1和图2，图1为本专利技术实施例提供的一种地下低照度深部地层空区生物状况识别方法的流程图，图2为本专利技术实施例提供的一种地下低照度深部地层空区生物状况识别方法的流程框图
。
[0020]本专利技术实施例提供了一种地下低照度深部地层空区生物状况识别方法，包括如下步骤：
[0021]S1、
获取激光扫描仪
、
摄像机
、
声呐探测仪的数据，其中激光扫描仪获得三维点云数据
、
摄像机获得步态视频序列数据
、
声呐探测仪获得声呐信息数据，并对三种数据进行预处理
。
[0022]对三种数据进行预处理具体为：
[0023]对激光扫描仪获得的三维点云数据进行
LOF
去噪
、
泊松重建增强
、
体素裁剪
。LOF
算法用于去除三维点云数据中的噪点
。
对于三维点云数据中的每个点，利用
LOF
算法计算其周围点的密度，并将其与该点本身的密度进行比较，以此来识别出密度低于周围点的点，即噪点，将这些噪点从三维点云数据中去除，以提高后续特征提取的准确性
。
采用泊松重建算法对三维点云数据进行增强，以便更好地提取特征
。
该算法将点云数据转换为光滑的三角网格模型，并通过计算模型表面上的法线方向来增强模型的细节和纹理
。
采用体素裁剪对三维点云数据进行裁剪，以去除不必要的部分，同时保留需要的生物特征
。
具体来说，首先定义一个体素网格，在该网格上对点云数据进行采样，并通过比较采样点与该网格的位置关系来确定是否保留该点
。
通过调整网格的大小和位置来裁剪出需要的部分
。
[0024]对摄像机获得的步态视频序列数据进行多帧堆栈
、
中值滤波
、
直方图均衡化
。
采用多帧堆栈将多帧图像叠加在一起，提高图像的清晰度和稳定性，以便更好地提取特征
。
中值滤波通过计算像素值的中位数来去除图像中的噪声，采用中值滤波对步态视频序列进行去噪处理，以提高后续特征提取的准确性
。
[0025]对声呐探测仪获得声呐信息数据进行自适应滤波
、
声呐图像增强
。
自适应滤波可以根据数据的信噪比自动调整滤波强度，去除噪声
。
而声呐图像增强可以增强声呐探测仪获得的声波图像的对比度和细节，提高图像的可读性本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种地下低照度深部地层空区生物状况识别方法，其特征在于，包括以下步骤：
S1、
获取激光扫描仪
、
摄像机
、
声呐探测仪的数据，其中激光扫描仪获得三维点云数据
、
摄像机获得步态视频序列数据
、
声呐探测仪获得声呐信息数据，并对三种数据进行预处理；
S2、
对预处理后的数据进行特征提取，并对提取的特征进行人工标定后划分为训练样本和测试样本；
S3、
使用训练样本和测试样本对
K
‑
NN
分类器进行训练，对训练好的
K
‑
NN
分类器进行性能评估，重复步骤
S2
和
S3
直到
K
‑
NN
分类器的性能达到要求；
S4、
用测试后的
K
‑
NN
分类器对
S2
中提取出的特征进行筛选，评估筛选的特征对生物的识别度，并根据筛选的特征对生物的识别度确定各个特征权重；
S5、
将确定权重的特征传送到数据中心，经过计算和分析后，生成生物状况报告
。2.
根据权利要求1所述的一种地下低照度深部地层空区生物状况识别方法，其特征在于，步骤
S1
中，对三种数据进行预处理具体为：对激光扫描仪获得的三维点云数据进行
LOF
去噪
、
泊松重建增强
、
体素裁剪；对摄像机获得的步态视频序列数据进行多帧堆栈
、
中值滤波
、
直方图均衡化；对声呐探测仪获得声呐信息数...

【专利技术属性】
技术研发人员：焦玉勇，沈鹿易，王子雄，闫雪峰，胡郁乐，韩增强，王益腾，周杰，陈双源，王超，
申请(专利权)人：中国科学院武汉岩土力学研究所，
类型：发明
国别省市：