基于机器视觉的两阶段电法监测突水实时预警
孙文斌
丁铭康
梁丽娟
杨辉
张晓波
褚怡心
山东科技大学 能源与矿业工程学院,山东 青岛 266590
摘要：深部采掘工作面处于高地应力、高水压等复杂地质环境,使得突水灾害问题变得愈发严峻.随着人工智能技术的快速发展以及智慧矿山建设的不断推进,深度学习和计算机视觉在矿山安全监测领域逐渐被推广应用,为降低突水灾害风险提供了新路径.针对深部矿井的突水实时预警需求,创新性地将深度学习、机器视觉与电法监测相结合,提出了一种基于机器视觉的两阶段电法监测突水实时预警技术.监测过程分为 2个先后阶段,即视觉识别阶段与分析决策阶段.在视觉识别阶段中,使用训练好的轻量化深度学习模型YOLO11s快速精准识别图像中的低阻区域并获取其位置坐标.随后将位置坐标传入分析决策阶段,在分析决策阶段中,使用OpenCV-HSV颜色过滤算法从个数、面积占比、颜色深度 3个维度分析已识别的低阻区域的灾变特征,综合判断低阻区域是否为风险区域,并采用自动决策机制触发多级预警.结果表明:YOLO11s模型能够准确评估水源是否会导致突水问题,实现了自动决策触发多级预警,克服了其他监测手段在实时监测、灾变分析、早期预警等方面存在的局限;YOLO11s模型在识别低阻区任务中mAP达到 90.2%,模型平均推理速度每帧 34.6 ms,模型平均处理速率为 28 FPS.相较于YOLOv8、YOLOv5、Fast R-CNN具有更强的性能,能够实现对低阻区的精准、快速识别;系统使用的OpenCV-HSV颜色过滤算法对单帧图片的平均分析决策时间为7 ms,实现了对突水的实时预警.
关键词：电法监测两阶段深度学习机器视觉突水实时预警YOLO11sOpenCV-HSV颜色过滤算法
分类号：TD76(矿山安全与劳动保护)
资助基金：国家自然科学基金(52274131)泰山学者工程专项经费资助项目(tsqn202211152)
论文发表日期：2025-12-31
在线出版日期：2026-01-16（本平台首次上网日期，不代表文献的发表时间）
页数：14( 5286-5299 )
英文信息