Оценка трещиноватости отрабатываемого горного массива на основе аэрофотосъемки и методов машинного зрения
В.П. Потапов, С.Е. Попов
Федеральный исследовательский центр информационных и вычислительных технологий, Кемеровский филиал, г. Кемерово, Российская Федерация
Горная Промышленность №5S / 2023 стр. 53-57
Резюме: Задачи оценки трещиноватости горного массива в настоящее время обычно решаются в ручном режиме, требующем высокой квалификации специалистов и больших временных затрат. Автоматизация решения подобных задач является важной с точки зрения снижения времени обработки снимков и получения дополнительной информации о геомеханическом состоянии массива. В статье рассмотрены возможности применения методов машинного зрения и искусственного интеллекта для оценки трещиноватости горного массива. Для этого используются данные аэрофотосъемки, получаемые с помощью беспилотных летательных аппаратов. Снимки обрабатываются с помощью разработанного авторами программного обеспечения, которое осуществляет трассировку трещин на основе нейронной сети специальной архитектуры. Приводятся результаты обработки данных аэрофотосъемки на примерах угольных разрезов Кузбасса и карьеров Кольского полуострова. Использование аппарата нейронных сетей для обработки данных аэрофотосъемки массива горных пород показало перспективность метода. После обработки данных трассировки полей трещин становится возможным отслеживать поведение массива за счет использования средств визуализации дополнительных полей характеристик, которые позволяют оценивать характер изменений, происходящих при техногенных нагрузках. Разработанные алгоритмы позволяют существенно ускорить процессы обработки данных аэрофотосъемки для оценки структурной нарушенности массива.
Ключевые слова: аэрофотосьемка, массив горных пород, машинное зрение, нейронные сети, ELT технологии, информационные потоки, контейнеризация
Благодарности: Исследование выполнено за счет гранта Российского научного фонда №23-17-00148, https://rscf.ru/project/23-17-00148. Авторы выражают свою благодарность сотрудникам Горного института КНЦ РАН, г. Апатиты; Козыреву А.А., Лукичеву С.В. за представленные материалы и обсуждение работы
Для цитирования: Потапов В.П., Попов С.Е. Оценка трещиноватости отрабатываемого горного массива на основе аэрофотосъемки и методов машинного зрения. Горная промышленность. 2023;(5S):53–57. https://doi.org/10.30686/1609-9192-2023-5S-53-57
Информация о статье
Поступила в редакцию: 27.10.2023
Поступила после рецензирования: 22.11.2023
Принята к публикации: 30.11.2023
Информация об авторах
Потапов Вадим Петрович – доктор технических наук, профессор, главный научный сотрудник, Федеральный исследовательский центр информационных и вычислительных технологий, Кемеровский филиал, г. Кемерово, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Попов Семен Евгеньевич – кандидат технических наук, старший научный сотрудник, Федеральный исследовательский центр информационных и вычислительных технологий, Кемеровский филиал, г. Кемерово, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Список литературы
1. Биард Р.У., МакЛэйн Т.У. Малые беспилотные летательные аппараты: теория и практика. М.: Техносфера; 2015. 312 с.
2. Jesús M. TensorFlow 2.0 Computer Vision Cookbook: Implement machine learning solutions to overcome various computer vision challenges. Packt Publishing; 2021. 542 p.
3. Kreutzer R.T., Sirrenberg M. Understanding Artificial Intelligence: Fundamentals, Use Cases and Methods for a Corporate AI Journey. New York: Springer; 2019. 321 p. https://doi.org/10.1007/978-3-030-25271-7
4. Изосов Л.А., Ли Н.С. Линеаментный анализ при тектонических и металлогенических построениях в Япономорском регионе. Региональные проблемы. 2014;17(1):9–14. Режим доступа: https://repository.geologyscience.ru/bitstream/handle/123456789/14234/p63.pdf
5. Кадыров Р.И., Нугманов И.И., Чернова И.Ю. Автоматизированный линеаментный анализ. Казань: Казанский (Приволжский) федеральный университет; 2012. 38 с.
6. Коберниченко В.Г., Иванов О.Ю., Зраенко С.М., Сосновский А.В., Тренихин В.А. Обработка данных дистанционного зондирования земли: практические аспекты. Екатеринбург: Уральский федеральный университет имени первого Президента России Б.Н. Ельцина; 2013. 168 c. Режим доступа: http://hdl.handle.net/10995/46986
7. Колобова Н.С. Методики и технологии дистанционного зондирования Земли с целью оценки параметров тектонических процессов. М.; 2010. 156 с.
8. Rahnama M., Gloaguen R. TecLines: A MATLAB-Based toolbox for tectonic lineament analysis from satellite images and DEMs, Part 1: Line segment detection and extraction. Remote Sensing. 2014;6(7):5938–5958; https://doi.org/10.3390/rs6075938
9. Naved M., Devi V.A., Gaur L., Elngar A.A. (eds) IoT-enabled convolutional neural networks techniques and applications. New York: River Publishers; 2023. 409 p. https://doi.org/10.1201/9781003393030
10. Kapoor A., Gulli A., Pal S. Deep Learning with TensorFlow and Keras: Build and deploy supervised, unsupervised, deep, and reinforcement learning models. 3rd ed. Birmingham: Packt Publishing; 2022. 698 p.
11. Baig R.M., Joseph T.V., Sadvilkar N., Silaparasetty M.K., So A. The Deep Learning Workshop: Learn the skills you need to develop your own next-generation deep learning models with TensorFlow and Keras. Birmingham: Packt Publishing; 2020. 472 p.
12. Wackernagel H. Multivariate geostatistics: An introduction with applications. 3rd ed. Springer; 2003. 387 p. https://doi.org/10.1007/978-3-662-05294-5
