权利要求
1.一种矿山开采计划制定方法，其特征在于，包括：
获取矿山图像;
获取矿山的环境数据;
对所述矿山图像进行预处理，提取预处理后所述矿山图像的多维度特征，将所述多维度特征进行融合，得到融合特征;
将所述融合特征输入识别模型，得到包含矿物的类型信息和品味信息的矿物识别结果;
将所述环境数据和所述矿物识别结果结合，形成矿山环境-资源分布图谱;
将所述矿山环境-资源分布图谱输入开采模型，得到最优的矿山开采计划。
2.根据权利要求1所述的一种矿山开采计划制定方法，其特征在于，所述矿山图像和所述环境数据由矿山巡检机器人获取，所述矿山巡检机器人包括移动巡检机构、摄像头和环境传感器，所述摄像头和所述环境传感器均设置在所述移动巡检机构上，所述摄像头和所述环境传感器分别用于获取所述矿山图像和所述环境数据。
3.根据权利要求2所述的一种矿山开采计划制定方法，其特征在于，所述移动巡检机构采用双足式、四足式、轮式、履带式或爬行式移动平台，所述环境传感器包括土壤湿度传感器、瓦斯浓度传感器和二氧化碳浓度传感器。
4.根据权利要求2所述的一种矿山开采计划制定方法，其特征在于，所述矿山巡检机器人接收巡检指令，所述巡检指令包含巡检点和巡检时间，所述矿山巡检机器人按照所述巡检点和所述巡检时间以及已知的矿山地图，基于SLAM技术构建局部地图，在所述局部地图中进行路径规划，按照规划的路径移动至各个所述巡检点，在所述巡检点上获取所述矿山图像和所述环境数据。
5.根据权利要求4所述的一种矿山开采计划制定方法，其特征在于，所述矿山巡检机器人还包括激光雷达，所述激光雷达用于采集环境地貌数据，在移动过程中将所述环境地貌数据与所述矿山地图中当前位置的场景数据进行比较，如果所述环境地貌数据与所述场景数据一致，则所述矿山巡检机器人按照规划的路径移动，如果所述环境地貌数据与所述场景数据不一致，所述矿山巡检机器人根据所述环境地貌数据对所述矿山地图进行更新。
6.根据权利要求4所述的一种矿山开采计划制定方法，其特征在于，在所述矿山巡检机器人开始执行所述巡检指令后，将停止正在进行的生产调度任务，如果根据所述环境数据确定的安全指标值低于设定的阈值，则对已经制定的所述生产调度任务进行调整。
7.根据权利要求1所述的一种矿山开采计划制定方法，其特征在于，对所述矿山图像进行的预处理包括去噪、颜色校正和色彩增强。
8.根据权利要求1所述的一种矿山开采计划制定方法，其特征在于，所述多维度特征包括颜色特征、纹理特征和形状特征。
9.根据权利要求1所述的一种矿山开采计划制定方法，其特征在于，所述识别模型和所述开采模型均利用大模型知识库中的数据训练得到。
10.应用权利要求1-9任一项所述的一种矿山开采计划制定方法的系统，其特征在于，包括：
矿山巡检机器人，用于获取矿山图像和矿山的环境数据;
数据中台，用于对所述矿山图像进行预处理，提取预处理后所述矿山图像的多维度特征，将所述多维度特征进行融合，得到融合特征，并将所述融合特征输入识别模型，得到包含矿物的类型信息和品味信息的矿物识别结果;
数据后台，用于将所述环境数据和所述矿物识别结果结合，形成矿山环境-资源分布图谱，并将所述矿山环境-资源分布图谱输入开采模型，得到最优的矿山开采计划。
说明书
技术领域
[0001]本申请涉及自动化管理技术领域，特别涉及一种矿山开采计划制定方法及系统。
背景技术
[0002]传统矿山开采过程中，主要依赖于人工经验和现场勘查来确定矿物的分布、品位及开采计划，这种方式不仅劳动强度大、效率低，而且存在较高的安全风险，如地质灾害、有害气体泄漏等。近年来，虽然一些矿山开始引入自动化设备和监控系统，但大多仍停留在简单的数据采集与显示层面，缺乏深度的数据分析与智能决策支持，并且还伴随着人力成本、安全事故风险等问题。
[0003]在机器视觉领域，随着图像处理技术和深度学习算法的快速发展，其在工业自动化、质量检测、环境监测等方面展现出巨大潜力。然而，在矿山开采这一复杂应用场景中，机器视觉技术的应用仍面临诸多挑战，如复杂多变的矿山环境、光照条件不一、矿物种类多样且特征复杂等。
[0004]同时，大数据与人工智能技术的融合应用，为矿山开采提供了新的思路。通过构建大模型知识库，将海量的矿山数据(包括视频、图像、传感器数据等)进行深度整合与分析，可以实现对矿山环境的全面认知与精准预测。然而，如何有效地将机器视觉技术与大模型技术相结合，以实现对矿物的精准识别、矿料品位的快速评估，并据此制定科学合理的开采计划，仍是当前矿山开采技术亟需解决的关键问题。
发明内容
[0005]本申请实施例提供了一种矿山开采计划制定方法及系统，用以解决现有技术中对大数据和人工智能技术利用不够，无法进行准确的矿物识别和制定开采计划的问题。
[0006]一方面，本申请实施例提供了一种矿山开采计划制定方法，包括：
获取矿山图像;
获取矿山的环境数据;
对矿山图像进行预处理，提取预处理后矿山图像的多维度特征，将多维度特征进行融合，得到融合特征;
将融合特征输入识别模型，得到包含矿物的类型信息和品味信息的矿物识别结果;
将环境数据和矿物识别结果结合，形成矿山环境-资源分布图谱;
将矿山环境-资源分布图谱输入开采模型，得到最优的矿山开采计划。
[0007]另一方面，本申请实施例还提供了一种矿山开采计划制定系统，包括：
矿山巡检机器人，用于获取矿山图像和矿山的环境数据;
数据中台，用于对矿山图像进行预处理，提取预处理后矿山图像的多维度特征，将多维度特征进行融合，得到融合特征，并将融合特征输入识别模型，得到包含矿物的类型信息和品味信息的矿物识别结果;
数据后台，用于将环境数据和矿物识别结果结合，形成矿山环境-资源分布图谱，并将矿山环境-资源分布图谱输入开采模型，得到最优的矿山开采计划。
[0008]本申请中的一种矿山开采计划制定方法及系统，具有以下优点：
提升矿山开采效率与准确性：基于机器视觉与大模型的矿山开采计划，通过集成高精度的摄像功能与先进的视频处理技术，实现了对矿山环境的实时、高清监控。结合多特征融合识别技术，能够准确快速地识别矿物类型及品位，显著提高了开采过程中的识别精度与效率。这不仅减少了人工判断的主观性和误差，还加快了开采进程，为矿山企业带来了更高的生产效率和经济效益。
[0009]增强矿山作业安全性：矿山巡检机器人不仅具备移动巡检功能，还搭载了多种环境传感器，能够实时监测土壤湿度、瓦斯浓度、二氧化碳浓度等关键安全指标。这一功能有效预防了因环境因素导致的安全事故，如瓦斯爆炸、坍塌等，为矿山作业提供了更加安全可靠的保障。同时，通过大模型对综合数据的分析处理，能够提前预警潜在的安全隐患，为矿山安全管理提供了科学依据。
[0010]优化资源配置与开采方案：大模型知识库集成了大量的矿山环境数据与开采经验，通过检索与比对，能够为用户提供更加科学合理的开采计划。这一方案不仅考虑了矿物的类型与品位，还综合考虑了环境因素、开采成本、设备性能等多个方面，实现了资源的优化配置与高效利用。此外，大模型还具备自学习能力，能够随着开采过程的推进不断优化算法模型，提升开采计划的适应性与精准度。
[0011]推动矿山行业智能化转型：通过机器视觉、大数据处理、人工智能等先进技术的融合应用，实现了矿山开采全过程的智能化监控与管理。这不仅降低了人力成本，提高了工作效率，还推动了矿山行业的技术进步与产业升级。
附图说明
[0012]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0013]图1为本申请实施例提供的一种矿山开采计划制定方法的流程图。
具体实施方式
[0014]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0015]图1为本申请实施例提供的一种矿山开采计划制定方法的流程图。本申请实施例提供了一种矿山开采计划制定方法，包括：
S100，获取矿山图像。
[0016]S110，获取矿山的环境数据。
[0017]示例性地，矿山图像和环境数据由矿山巡检机器人获取，矿山巡检机器人包括移动巡检机构、摄像头和环境传感器，摄像头和环境传感器均设置在移动巡检机构上，摄像头和环境传感器分别用于获取矿山图像和环境数据。
[0018]具体地，矿山图像包括矿山的可见光图像和红外图像，要求摄像头支持WDR(WideDynamic Range，宽动态范围)技术，像素在400万以上，且支持红外夜视，以捕捉矿山的现场视频图像。
[0019]移动巡检机构可以采用双足式、四足式、轮式、履带式或爬行式移动平台，环境传感器包括土壤湿度传感器、瓦斯浓度传感器和二氧化碳浓度传感器，因此环境数据包括土壤湿度、瓦斯浓度和二氧化碳浓度数据。
[0020]进一步地，矿山巡检机器人接收巡检指令，巡检指令包含巡检点和巡检时间，矿山巡检机器人按照巡检点和巡检时间以及已知的矿山地图，基于SLAM(SimultaneousLocalization and Mapping，即时定位与地图构建)技术构建局部地图，在局部地图中进行路径规划，按照规划的路径移动至各个巡检点，在巡检点上获取矿山图像和环境数据。
[0021]具体地，矿山地图是基于测绘数据预先构建的包含了矿山的环境地貌数据的电子地图，环境地貌数据包括矿山上各个位置的海拔、地形等信息，矿山巡检机器人在矿山地图的基础上结合实时采集的当前位置的场景数据构建局部地图，场景数据和环境地貌数据包含的具体数据类型相同，局部地图是在矿山地图中当前位置一定范围内根据场景数据对环境地貌数据进行修正后得到的，使局部地图能够反映矿山的真实环境情况，进而为路径规划提供准确可靠的数据基础。
[0022]进一步地，矿山巡检机器人还包括激光雷达，激光雷达用于采集环境地貌数据，在移动过程中将环境地貌数据与矿山地图中当前位置的场景数据进行比较，如果环境地貌数据与场景数据一致，则矿山巡检机器人按照规划的路径移动，如果环境地貌数据与场景数据不一致，矿山巡检机器人根据环境地貌数据对矿山地图进行更新。
[0023]具体地，由于矿山地图基于测绘数据建立，而测绘数据采集的频率不会很高，因此存在测绘数据和一段时间后矿山的真实情况不匹配的情况，此时如果通过激光雷达采集的环境地貌数据，具体来说是三维点云数据，和矿山地图中当前位置的场景数据不相同，说明当前位置的地理环境已经发生了变化，此时不但会按照场景数据对环境地貌数据进行修正，以建立局部地图，还会对矿山地图中的相应数据进行修正更新，以使下一次使用矿山地图时尽可能基于最新的数据，减少数据更新的次数。
[0024]进一步地，在矿山巡检机器人开始执行巡检指令后，将停止正在进行的生产调度任务，如果根据环境数据确定的安全指标值低于设定的阈值，则对已经制定的生产调度任务进行调整。
[0025]具体地，本申请针对的矿山是已经在开采状态下的矿山，由于矿山在开采过程中其矿物类型以及品味都会随时发生变化，因此需要及时的更新开采计划，以使矿场中的开采设备以及人员得到最大化和最高效的利用。在矿山巡检机器人执行巡检指令之前，矿场的生产调度中心已经基于前一次制定的开采计划产生了详细的生产调度任务，矿场中的设备以及人员按照该生产调度任务执行，就可以使前一次的开采计划得到落实。随着时间的推移，矿山的情况，具体来说是矿物的类型以及品味都可能发生变化，为了应对这种变化，就需要再次采集矿山的相关数据并制定开采计划。
[0026]在这种需求下，矿山巡检机器人将定期或不定期的工作，以采集制定开采计划需要的矿山图像和环境数据。对于环境数据而言，其能够反映矿山当前时刻的安全指标。数据中台在获取环境数据后，首先会对这些数据进行清洗，将异常数据过滤掉，然后利用SQL(Structured Query Language，结构化查询语言)查询相应的计算公式，利用计算公式计算当前矿山的安全指标值。如果该安全指标值大于第一阈值但是小于等于第二阈值，则产生相应的告警通知，以提醒生产调度中心调整生产调度任务，避免因安全问题造成不必要的损失。如果安全指标值小于等于第一阈值，说明矿山的安全性已经过低，将会提醒生产调度中心停止执行生产调度任务，在安全问题被解决后再执行生产调度任务。
[0027]对于告警通知，本申请实施例还基于LangChain框架预先在大模型知识库中上传了各种异常情况以及相应的处理方案，LLM(Large Language Model，大语言模型)在大模型知识库中检索与告警通知最匹配的处理方案，最后将检索到的处理方案反馈给生产调度中心的工作人员，使工作人员指导处置人员快速准确的解决安全问题，以便生产调度任务能够继续执行。
[0028]在本申请的实施例中，矿山巡检机器人在采集得到矿山图像和环境数据后，将通过无线传输技术，例如5G、Wi-Fi 6等，传输至数据中台，数据中台对这些数据进行处理后再传输至数据后台，最后由数据后台做出决策。数据中台和数据后台均可以运行在云服务器上。
[0029]进一步地，矿山巡检机器人在开机后，将首先进行各模块的自检，包括对摄像头、移动巡检机构、环境传感器和数据传输模块的自检，确保所有部件工作正常。在数据传输校验中，通过物联边缘层检测信号稳定性，再由数据中台通过图像识别算法、高频数据检测、异常数据分析步骤，确认数据的正确性。一切准备就绪后，机器人开始执行巡检指令。
[0030]S120，对矿山图像进行预处理，提取预处理后矿山图像的多维度特征，将多维度特征进行融合，得到融合特征。
[0031]示例性地，对矿山图像进行的预处理包括去噪、颜色校正和色彩增强，多维度特征包括颜色特征、纹理特征和形状特征。
[0032]具体地，可以采用中值滤波、高斯滤波等图像去噪技术去除矿山图像中的噪声，保持矿山图像的真实颜色。以高斯滤波为例，高斯滤波按照下式进行：
[0033]式中，f(x)为高斯滤波后的结果，为标准差，e为自然常数，x为输入值，即矿山图像中一个像素的像素值，为均值，通常取0。
[0034]在利用高斯滤波前，需要首先构建一个离散化的高斯核，高斯核也称为高斯滤波器，这个高斯核将用于矿山图像的卷积操作，以达到去噪的效果。
[0035]创建一个n×n大小的高斯核，其中n是奇数，例如3、5、7等，以确保有一个中心点。高斯核的每个元素都是根据高斯函数计算得出的，这里使用二维高斯函数来计算每个元素的值：
[0036]式中，G(x,y)为相对于中心点的位置坐标为(x,y)的元素的值，范围从-(n-1)/2到(n-1)/2。
[0037]为了确保卷积后的图像亮度保持不变，需要对高斯核进行归一化处理。归一化就是将所有高斯核的元素值相加，然后除以这个总和，使得所有元素之和等于1。这可以通过下面的公式实现：
[0038]式中，G(i,j)为相对于中心点的位置坐标为(i,j)的元素的值。一旦有了归一化的高斯核，就可以对矿山图像进行卷积操作。对于矿山图像中的每个像素，都使用归一化的高斯核与其周围的像素进行卷积操作。卷积过程如下：
(1)、将归一化的高斯核覆盖在矿山图像的每个像素上。
[0039](2)、对于覆盖区域内的每个像素，将其值与对应高斯核中的值相乘。
[0040](3)、将所有乘积相加，得到的结果替代原图像中中心像素的值。
[0041](4)、重复上述步骤，直到所有像素都被处理完毕。
[0042]由于光线、摄像头设置等因素可能导致颜色失真，需要进行颜色校正，以确保颜色的一致性和准确性。在颜色校正时，将RGB(Red Green Blue，红绿蓝)色彩空间转换为HSV(Hue, Saturation, Value，色相、饱和度、色明度)色彩空间，可以在HSV空间中调整色相和饱和度。
[0043]因为矿山环境，特别是井下环境，存在昏暗多尘的情况，因此还需要对矿山图像的色彩进行增强。通过直方图均衡化、对比度拉伸等技术增强图像的色彩对比度，使得矿物的不同部分更容易区分。
[0044]比如对比度拉伸，通过对矿山图像的灰度级进行重新映射，来扩展矿山图像的动态范围，从而改善图像的视觉效果。对比度拉伸特别适用于灰度级集中在较窄范围内的图像，通过拉伸这些灰度级，可以使矿山图像中的特征更加突出。本申请采用线性对比度拉伸，可以选择图像中最暗和最亮的像素值作为映射的起点和终点，然后将这两点之间的所有像素值按照一定的比例映射到0到255之间(对于8位灰度图像)。具体公式如下：
[0045]式中，g(x,y)为经过对比度拉伸后的像素值，L=256，A为矿山图像的最小灰度值，B为最大灰度值，f(x,y)为矿山图像中位置(x,y)的像素值，为向下取整。
[0046]在将RGB色彩空间转换为HSV色彩空间后，就可以提取矿山图像包含色相、饱和度和色明度数值在内的颜色特征了。对于纹理特征，可以使用灰度共生矩阵(GLCM，Gray-level Co-occurrence Matrix)、局部二值模式(LBP，Local Binary Patterns)等方法进行提取。对于形状特征，可以分析矿山图像中矿物的形状、大小、边缘等几何特征，以作为颜色特征和纹理特征的补充。
[0047]S130，将融合特征输入识别模型，得到包含矿物的类型信息和品味信息的矿物识别结果。
[0048]示例性地，识别模型利用大模型知识库中的数据训练得到。大模型知识库中的数据包括识别样本集，这些识别样本集是专家对矿山巡检机器人采集的矿山图像进行手动标注后得到，标注过程中专家根据矿山图像中矿物的颜色、纹理和形状等特征凭借经验确定矿物的类型和品味。在得到识别样本集后，将利用其中的一部分样本对识别模型进行训练，该识别模型具体可以采用卷积神经网络等常用的模型，训练完成后采用识别样本集中的另一部分样本进行测试和验证。
[0049]具体地，矿物的类型信息是指矿物属于哪种矿物类型，包括：硅酸盐矿物、氧化物矿物、硫化物矿物、卤化物矿物、碳酸盐矿物、磷酸盐矿物、硫酸盐矿物等。
[0050]矿物的品味信息是指矿物中有用组分(譬如矿物中的金属元素或有用氧化物)的含量，一般以有用组分的质量百分比来表示。
[0051]进一步地，由于识别模型对输入数据的格式有一定要求，因此需要确保输入的融合特征符合识别模型的格式要求。而且，如果在训练过程中对从识别样本集中的矿山图像提取的融合特征进行了标准化或归一化处理，那么在实际使用中，从待识别的矿山图像中提取的融合特征也需要进行标准化或归一化处理，以保持数据的一致性。
[0052]S140，将环境数据和矿物识别结果结合，形成矿山环境-资源分布图谱。
[0053]示例性地，矿山环境-资源分布图谱可以展示在矿山地图上，对每个巡检点识别得到的矿物识别结果都将在矿山地图的对应位置展示，同时也会在该位置展示相应的环境数据。
[0054]S150，将矿山环境-资源分布图谱输入开采模型，得到最优的矿山开采计划。
[0055]示例性地，开采模型也利用大模型知识库中的数据训练得到。大模型知识库中也包含开采样本集，开采样本集包含了多种不同矿物识别结果和环境数据，专家针对每种矿物识别结果和环境数据制定了相应的开采计划，包括：开采区域、开采深度、开采方式、开采顺序，以及对应的设备与人员配置等。这些开采计划将作为矿物识别结果和环境数据的标签。将矿物识别结果和环境数据输入开采模型后以相应的标签为目标对开采模型进行训练，以使开采模型学习矿物识别结果和环境数据与开采计划之间的关系。训练完成后经过测试和验证就可以应用于实际决策了。
[0056]将矿山环境-资源分布图谱中各个巡检点的矿物识别结果和环境数据依次输入开采模型，将得到每个巡检点的开采计划，将所有巡检点的开采计划整合在一起就可以得到矿山开采计划。
[0057]本申请实施例还提供了一种矿山开采计划制定系统，包括：
矿山巡检机器人，用于获取矿山图像和矿山的环境数据;
数据中台，用于对矿山图像进行预处理，提取预处理后矿山图像的多维度特征，将多维度特征进行融合，得到融合特征，并将融合特征输入识别模型，得到包含矿物的类型信息和品味信息的矿物识别结果;
数据后台，用于将环境数据和矿物识别结果结合，形成矿山环境-资源分布图谱，并将矿山环境-资源分布图谱输入开采模型，得到最优的矿山开采计划。
[0058]尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
[0059]显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
说明书附图(1)
声明：
“矿山开采计划制定方法及系统” 该技术专利(论文)所有权利归属于技术(论文)所有人。仅供学习研究，如用于商业用途，请联系该技术所有人。
我是此专利(论文)的发明人(作者)
161
编辑：中冶有色技术网
来源：四川开物信息技术有限公司
分享 0
举报 0
收藏 0
反对 0
点赞 0
2025年03月21日 ~ 23日 
