-
公开(公告)号:CN119314166A
公开(公告)日:2025-01-14
申请号:CN202411290664.6
申请日:2024-09-14
Applicant: 中国矿业大学(北京)
IPC: G06V20/64 , G01M3/04 , G01S17/88 , G06V10/762 , G06Q50/02
Abstract: 本发明涉及一种基于LiDAR数据的天然气微泄漏胁迫植被探测方法,该方法通过对植被点云数据进行栅格化以提取高度、同质性和对比度等立体结构特征,利用Kmeans聚类算法对降维后的LiDAR数据进行聚类分析,并在JM距离准则约束下对聚类结果进行归类,进而利用形态学阈值分割方法确定天然气胁迫植被胁迫范围,最后根据胁迫范围确定地下储气库微泄漏点位置,能够有效探测天然气的微泄漏点。
-
公开(公告)号:CN117324286A
公开(公告)日:2024-01-02
申请号:CN202311276214.7
申请日:2023-09-30
Applicant: 中国矿业大学(北京)
IPC: B07C5/342 , G01N21/25 , G06F18/241 , G06F18/213
Abstract: 本发明提供了基于高光谱图像和光谱分解的铁矿石分选方法,包括:S1.预处理:采集铁矿石高光谱图像,提取每块铁矿石的平均光谱曲线;S2.特征提取:通过变分模态分解对铁矿石的平均光谱曲线进行分解,并对分解后的信号提取特征;S3.预测铁含量:结合随机森林回归预测每块铁矿石的全铁含量;以及S4.分选:根据预测出的全铁含量将铁矿石分成多个等级。本发明以铁矿石的高光谱图像为研究对象,通过分解铁矿石平均光谱后提取的特征与随机森林的结合实现了铁含量的预测并进一步客观、快速、准确地分选铁矿石,解决了使用高光谱成像技术进行铁矿石的分选中缺乏合适的光谱特征与合适的预测模型的问题。
-
公开(公告)号:CN117198006A
公开(公告)日:2023-12-08
申请号:CN202311276209.6
申请日:2023-09-30
Applicant: 中国矿业大学(北京)
Abstract: 本发明提供了一种适用于CCUS工程区/天然气地下储气库泄漏高风险区土壤中温室气体浓度实时监测装置与预警方法,装置包括:气体收集装置,其一端与抽气泵连接,另一端与埋入土壤中的单个或多个连接管连接,每个连接管尾部连接有土壤气体交换器;计算机远程控制装置,其与气体收集装置连接,控制连接管开关和抽气泵开关;气体检测装置,其一端与气体收集装置连接,另一端与数据传输装置连接,用于检测单点或多点混合气体的温室气体浓度,将温室气体浓度数据转换为电信号。本发明适用于CCUS工程区/天然气地下储气库泄漏高风险区土壤中温室气体浓度实时监测与预警,以解决传统方法难以满足井口等泄漏高风险区温室气体泄漏持续、高精度现场监测需求的问题。
-
公开(公告)号:CN112347919B
公开(公告)日:2023-07-25
申请号:CN202011227997.6
申请日:2020-11-06
Applicant: 中国矿业大学(北京)
Abstract: 一种地下天然气微泄漏点的遥感探测方法,包括:获取天然气微泄漏胁迫植被区和对照区植被的高光谱图像;从高光谱图像中提取光谱特征和颜色特征,得到光谱和颜色特征图像;对光谱和颜色特征图像进行分割,得到分割图像,包括初步的天然气微泄漏重度和轻度胁迫植被区;利用分割图像,构建类圆识别模型进行天然气微泄漏点位置和天然气微泄漏胁迫植被区的识别;以及构建基于空间关系特征的光谱‑空间特征融合的天然气微泄漏点识别模型,通过类圆环判别模型和线性加权融合模型,将光谱和颜色特征识别结果进行融合,得到最终的天然气微泄漏点检测结果,实现了植被覆盖区埋地长输天然气管道或地下储气库微泄漏点的无损、快速、大面积检测。
-
公开(公告)号:CN114863271A
公开(公告)日:2022-08-05
申请号:CN202210402784.5
申请日:2022-04-18
Applicant: 中国矿业大学(北京)
IPC: G06V20/10
Abstract: 本申请提出一种顾及岩土差异和植物多样性的矿区生态环境遥感方法,其通过计算面向矿区环境的遥感生态指数REM,针对岩土差异、植物多样性和指标确权对目标区域生态环境进行遥感。以辽宁抚顺西露天矿为例,结合哨兵2号遥感数据、全球10米土地覆盖数据以及实地调查数据,验证了本申请的方法的性能。本申请的方法有望为矿区生态环境动态监测、矿区生态修复或土地复垦质量评估提供准确好用的遥感工具。
-
公开(公告)号:CN114782783A
公开(公告)日:2022-07-22
申请号:CN202210090384.5
申请日:2022-01-25
Applicant: 中国矿业大学(北京)
Abstract: 一种结合近红外高光谱图像和卷积神经网络的霉变花生识别方法,其包括:利用高光谱成像技术在970—2500nm波长范围内获取花生影像;依照点中心式策略以逐像素获取高光谱图像的花生图斑;构建一个多尺度点中心式卷积神经网络以提取霉变花生和健康花生图斑深层次的空间‑光谱特征并据此对霉变花生和健康花生进行分类;采用阈值分割以实现对单颗花生的分离;结合多尺度点中心式卷积神经网络分类结果和分割结果对整颗花生是否变质做出判别。结果表明,本发明所述方法能对霉变花生有效识别提取并可用于花生生产和食品检测及仪器开发中。
-
-
-
-
-