【技术实现步骤摘要】
本专利技术属于人工智能，尤其涉及一种用于智慧矿山的人工智能模型的训练方法与系统。
技术介绍
1、传统的矿山安全管理往往依赖于人工的形式，由于无法及时有效的发现安全风险隐患，从而使得矿山的人员安全和设备安全无法得到有效保障，这就使得如何实现对矿山的安全隐患的自动识别处理成为亟待解决的技术问题。
2、为解决上述技术问题，现有技术方案中往往是通过ai识别的方式实现对矿山的视频帧的自动解析处理，并根据解析处理结果实现对矿山安全风险的识别，从而保证矿山的安全隐患能够在第一时间就得到控制，但是通过分析不难发现，存在以下技术问题：
3、在进行人工智能模型的训练处理时，与处于正常状态的原始数据相比，设备或者矿山的开采状态处于危险状态或者隐患状态的原始训练数据的数据量很少，因此这就导致无法准确有效的实现对人工智能模型的训练处理，从而使得人工智能模型的识别准确率难以满足要求。
4、针对上述技术问题，本专利技术提供了一种用于智慧矿山的人工智能模型的训练方法与系统。
技术实现思路
1、为实现本专利技术目的，本专利技术采用如下技术方案：
2、根据本专利技术的一个方面，提供了一种用于智慧矿山的人工智能模型的训练方法。
3、一种用于智慧矿山的人工智能模型的训练方法，其特征在于，具体包括：
4、s1将智慧矿山划分为多个开采区域，并通过开采数据以及不同维度的地质条件数据进行不同的开采区域的安全识别相似度以及相似开采区域的确定，将相似开采区域划分
5、s2根据开采数据进行不同的开采区域的开采人员风险的确定，并基于不同的开采区域的开采人员风险确定不同的模型训练群组的安全风险，当所述模型训练群组的安全风险满足要求时，进入下一步骤；
6、s3获取不同的模型训练群组的开采区域的安全识别相似度以及开采区域的数量，并结合不同的模型训练群组的安全风险进行不同的模型训练群组的安全隐患视频帧的训练数据的数据量的确定；
7、s4以所述安全隐患视频帧的训练数据的数据量为目标，对原始训练数据进行拓展处理得到拓展原始数据，并利用所述拓展原始数据对人工智能模型进行训练处理。
8、本专利技术的有益效果在于：
9、1、通过开采数据以及不同维度的地质条件数据进行相似开采区域的确定，并将相似开采区域划分至同一个模型训练群组，从而实现了从开采数据以及地质条件数据两个角度实现了对开采区域的相似程度的评估，并通过将相似开采区域划分至同一个模型训练群组，避免了对不同的相似开采区域采用相同的人工智能模型导致的模型训练难度难以满足要求的技术问题的出现。
10、2、基于开采区域的安全识别相似度以及开采区域的数量、模型训练群组的安全风险进行不同的模型训练群组的安全隐患视频帧的训练数据的数据量的确定，不仅考虑到不同的模型训练群组的开采区域由于安全识别相似度和数量的差异导致的训练要求可靠性的差异，同时通过进一步结合到模型训练群组的安全风险保证了安全风险较高的模型训练群组的训练数据的数据量的要求，从而保证了人工智能模型的训练处理的可靠性。
11、进一步的技术方案在于，将智慧矿山划分为多个开采区域，具体包括：
12、获取所述智慧矿山的矿山开采区域的分布情况，并基于所述分布情况将预设面积内的矿山开采区域划分至同一个开采区域。
13、进一步的技术方案在于，所述开采数据包括开采机械数量以及不同的开采机械的开采量。
14、进一步的技术方案在于，所述地质条件数据包括所述开采区域的地形图、地质图、矿体分布图、地层序列以及不同的地层的不同类型的矿物分布数据。
15、进一步的技术方案在于，所述开采区域的开采人员风险的确定的方法为：
16、基于所述开采区域的开采数据进行所述开采区域的开采人员的数量的确定，并通过所述开采区域的开采人员的数量确定所述开采区域的开采人员风险。
17、进一步的技术方案在于，所述开采区域的开采人员风险的取值范围在0到1之间，其中当所述开采区域的开采人员风险越高，则所述开采区域发生事故时的人员风险越高。
18、进一步的技术方案在于，所述模型训练群组的安全风险的确定的方法为：
19、基于不同的开采区域的开采人员风险进行不同的开采区域的权重值的确定；
20、根据所述模型训练群组的不同的开采区域的权重值进行所述模型训练群组的权重和的确定，并基于所述权重和确定所述模型训练群组的安全风险。
21、进一步的技术方案在于，所述模型训练群组的安全风险的取值范围在0到1之间，其中当所述模型训练群组的安全风险在预设范围内，则确定所述模型训练群组的安全风险满足要求。
22、进一步的技术方案在于，当所述模型训练群组的安全风险不满足要求时，则基于所述模型训练群组的预设数据量进行所述模型训练群组的安全隐患视频帧的训练数据的数据量的确定。
23、进一步的技术方案在于，所述模型训练群组的安全隐患视频帧的训练数据的数据量的确定的方法为：
24、基于所述模型训练群组的安全风险进行所述模型训练群组的安全隐患视频帧的训练数据的基准数据量的确定；
25、通过所述模型训练群组的不同的开采区域的安全识别相似度以及开采区域的数量进行所述模型训练群组的训练可靠性要求的确定；
26、基于所述模型训练群组的训练可靠性要求对所述基准数据量进行修正得到所述模型训练群组的安全隐患视频帧的训练数据的数据量。
27、进一步的技术方案在于，所述拓展原始数据的拓展方式包括数据增强、数据生成、迁移学习以及数据扩充。
28、第二方面，本专利技术提供了一种计算机系统，包括：通信连接的存储器和处理器，以及存储在所述存储器上并能够在所述处理器上运行的计算机程序，其特征在于：所述处理器运行所述计算机程序时执行上述的一种用于智慧矿山的人工智能模型的训练方法。
29、其他特征和优点将在随后的说明书中阐述，本专利技术的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
30、为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
本文档来自技高网...【技术保护点】
1.一种用于智慧矿山的人工智能模型的训练方法，其特征在于，具体包括：
2.如权利要求1所述的用于智慧矿山的人工智能模型的训练方法，其特征在于，将智慧矿山划分为多个开采区域，具体包括：
3.如权利要求1所述的用于智慧矿山的人工智能模型的训练方法，其特征在于，所述开采数据包括开采机械数量以及不同的开采机械的开采量。
4.如权利要求1所述的用于智慧矿山的人工智能模型的训练方法，其特征在于，所述地质条件数据包括所述开采区域的地形图、地质图、矿体分布图、地层序列以及不同的地层的不同类型的矿物分布数据。
5.如权利要求1所述的用于智慧矿山的人工智能模型的训练方法，其特征在于，所述开采区域的安全识别相似度的确定的方法为：
6.如权利要求5所述的用于智慧矿山的人工智能模型的训练方法，其特征在于，当所述开采区域与其它的开采区域的安全识别相似度满足要求时，则确定所述开采区域与其它的开采区域为相似开采区域。
7.如权利要求1所述的用于智慧矿山的人工智能模型的训练方法，其特征在于，所述开采区域的开采人员风险的确定的方法为：
<...【技术特征摘要】
1.一种用于智慧矿山的人工智能模型的训练方法，其特征在于，具体包括：
2.如权利要求1所述的用于智慧矿山的人工智能模型的训练方法，其特征在于，将智慧矿山划分为多个开采区域，具体包括：
3.如权利要求1所述的用于智慧矿山的人工智能模型的训练方法，其特征在于，所述开采数据包括开采机械数量以及不同的开采机械的开采量。
4.如权利要求1所述的用于智慧矿山的人工智能模型的训练方法，其特征在于，所述地质条件数据包括所述开采区域的地形图、地质图、矿体分布图、地层序列以及不同的地层的不同类型的矿物分布数据。
5.如权利要求1所述的用于智慧矿山的人工智能模型的训练方法，其特征在于，所述开采区域的安全识别相似度的确定的方法为：
6.如权利要求5所述的用于智慧矿山的人工智能模型的训练方法，其特征在于，当所述开采区域与其它的开采区域的安全...
【专利技术属性】
技术研发人员：刘丰，刘斌，梁俊，
申请(专利权)人：杭州蛙云网络科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。