在煤矿安全领域,事故的预防至关重要。为了对煤矿开采风险进行深入分析,提出了一种基于文本数据的煤矿安全事故智能分析模型及集成分析平台。首先,采用融合数据增强技术的卷积神经网络文本分类(Text-Convolutional Neural Network,Text-CNN)方法构建煤矿安全事故分析模型,对大量非结构化事故文本进行精准的分类筛选;然后,利用自然语言处理(Natural Language Processing,NLP)技术建立煤矿事故简报集成分析系统,通过该系统对煤矿事故报告进行事故统计分析、风险分析等,总结出不同地区煤矿事故的死亡情况与类型差异,明确了煤矿安全事故之间的潜在模式。研究表明,通过集合事故简报分析模型的集成分析平台可以实现对煤矿安全事故信息的获取再利用,分析事故潜在规律和风险大小,有助于提升煤矿的风险管理水平,提高事故预防能力。
近些年来,以人工智能为代表的高新技术正在飞速发展,遍布在我们生活的每一个角落。其中,机器人技术被应用到了多种领域,逐渐的解放了人们忙碌的双手。在一些环境危险的场合,比如火灾、交通事故、危险品泄露及地质灾害等现场,机器人可以辅助救援人员开展科学有效的搜救任务,以保障人民的生命、财产安全。基于这种想法,我们可以利用实时定位及地图重建(SLAM:simultaneous localization and mapping)技术来解决这些问题,同时,该技术也在无人驾驶领域中被广泛应用。SLAM的具体内容为:在陌生的场合之下,机器人可以自由探索,其身上装备有多种传感器模组,可以对该场合进行探测,然后得到相应的位置信息。再将探测得到的数据进行处理,即可建立地图并完成导航任务。常见的SLAM算法主要包括基于激光的SLAM、基于视觉的SLAM及基于视觉与惯性融合的SLAM,三者各有优势。本论文主要研究视觉与惯性融合的SLAM,使用该方法,系统的稳定性可以得到一定的保障,其还具有一定的鲁棒性。本文基于主流的SLAM算法,重点研究以下方面的内容:1.前端预处理:在图像的特征点提取与匹配方面,使用更为精确的匹配方法,使其具有更强的准确性。然后利用对极几何分析两个图像帧之间的几何关系,并利用三角化计算出特征点的真实坐标。接着采用PnP算法[16]来估计出相机位姿连续的变化。最后将前端得到的数据送入后端进行滤波或优化,对估计的连续位姿进行校正。2.后端融合:研究了基于非线性优化的视觉与惯性融合的算法,将纯视觉里程计与惯性单元积分后的数值进行紧耦合[17]。然后经过滑动窗口找出具有稳定特征跟踪的帧,将这些帧作为有效帧挑选出来,接着使用非线性优化的方法优化位姿和特征点,再进行回环检测重定位,最后得到精确稳定的位姿与点云数据。从实验数据来看,视觉与惯性单元融合系统的定位精度比较高,其在建图过程中也不容易发生丢失定位信息,所以具有一定的稳定性,鲁棒性也很高。
暂无评论