(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211154600.4 (22)申请日 2022.09.22 (65)同一申请的已公布的文献号 申请公布号 CN 115249331 A (43)申请公布日 2022.10.28 (73)专利权人 山东世纪矿山机电有限公司 地址 273500 山东省济宁市邹城经济开发 区大学科技工业园18 8号 (72)发明人 宋照岭　秦伟　 (74)专利代理 机构 上海迎向知识产权代理事务 所(普通合伙) 31439 专利代理师 李芳芳 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 114494224 A,202 2.05.13 CN 114997602 A,202 2.09.02CN 113369295 A,2021.09.10 CN 110765566 A,2020.02.07 CN 114723131 A,202 2.07.08 CN 112859710 A,2021.0 5.28 赵文江.BP神经网络在矿山 生态安全评价中 的应用. 《煤炭技 术》 .2019,第38卷(第1期),172- 175页. 齐朔风.矿山 生态安全的BP神经网络 评价方 法与应用研究. 《中国优秀硕士学位 论文全文数 据库 信息科技 辑》 .2014,I140 -16. Yanqing Liang.researc h on ecological security predicti on in mountai n areas based on the artificial neural netw ork. 《2010 Seco nd Internati onal Conference o n Computati onal Intelligence and Natural Computing》 .2010,93 -96页. Zhao Tian Li.Evaluati on of eco logical security and i nfluenci ng factors analysis based on robustnes s analysis and the BP- DEMALTE model: A case study of the Pearl River Delta urban a gglomeration. 《Ecological I ndicators》 .2019,595 -602. 审查员 王建培 (54)发明名称 基于卷积神经网络模型的矿山生态安全识 别方法 (57)摘要 本申请涉及图像处理和识别领域， 提供了基 于卷积神经网络模型的矿山生态 安全识别方法， 基于预定时间间隔对矿山进行图像和指标数据 采集， 构建训练样本集， 其中在同一时刻分别采 集矿山东西南北四个方向的图像和指标数据； 构 建卷积神经网络模型， 利用训练样 本集对卷积神 经网络模型进行训练； 使用训练好的卷积神经网 络模型， 对待评价的矿山进行安全分类， 输出评 价结果。 本申请能够提高该识别方法的效率和准 确性。 权利要求书2页 说明书4页 附图2页 CN 115249331 B 2022.12.20 CN 115249331 B 1.基于卷积神经网络模型的矿山 生态安全识别方法， 其特 征在于， 包括 步骤： S1， 基于预定时间间隔对矿山进行图像和指标数据采集， 构建训练样本集， 其中在同一 时刻分别采集矿山东西南北四个方向的图像和指标数据； 指标数据包括空气指标范围、 垃 圾排放量范围、 水污染程度； S2， 构建卷积神经网络模型， 利用训练样本集对卷积神经网络模型进行训练； S3， 使用训练好的卷积神经网络模型， 对待评价的矿山进行安全分类， 输出评价结果； 步骤S1还 包括： S11， 在预定时刻分别采集矿山 东西南北四个方向的图像； S12， 在预定时刻采集矿山的各种指标 数据； S13， 基于预定时间 间隔， 重复采集矿山 东西南北四个方向的图像和指标 数据； S14， 对图像和指标 数据进行 预处理， 构建训练样本集； 步骤S2还 包括： S21， 构建第一卷积神经网络模块、 第二卷积神经网络模块、 第三卷积神经网络模块、 第 四卷积神经网络模块； S22， 构建第五卷积神经网络模块； S23， 设置全连接模块和分类器， 用于连接第一卷积神经网络模块、 第二卷积神经网络 模块、 第三卷积神经网络模块、 第四卷积神经网络模块、 第五卷积神经网络模块的输出端， 形成卷积神经网络模型， 其中东方图像、 西方图像、 南方图像、 北方图像和指标数据分别输 入到第一卷积神经网络模块、 第二卷积神经网络模块、 第三卷积神经网络模块、 第四卷积神 经网络模块、 第五卷积神经网络模块； S24， 利用训练样本集对卷积神经网络模型进行训练， 得到训练好的卷积神经网络模 型。 2.根据权利要求1所述的基于卷积神经网络模型的矿山生态安全识别方法， 其特征在 于， 预处理包括图像对齐、 归一 化、 噪声去除操作。 3.根据权利要求1所述的基于卷积神经网络模型的矿山生态安全识别方法， 其特征在 于， 第一卷积神经网络模块、 第二卷积神经网络模块、 第三卷积神经网络模块、 第四卷积神 经网络模块结构相同。 4.根据权利要求3所述的基于卷积神经网络模型的矿山生态安全识别方法， 其特征在 于， 在第一卷积神经网络模块、 第二卷积神经网络模块、 第三卷积神经网络模块、 第四卷积 神经网络模块中， 第一卷积子模块、 第二卷积子模块、 第三卷积子模块、 第四卷积子模块和 第五卷积子模块依次连接， 第一卷积子模块的输出端和第五卷积子模块的输出端分别连接 第一拼接子模块的两个输入端， 第二卷积子模块的输出端和 第四卷积子模块的输出端分别 连接第二拼接子模块的两个输入端， 第一拼接子模块的输出端连接第一池化子模块的输入 端， 第二拼接子模块的输出端连接第二池化子模块的输入端， 第一池化子模块的输出端、 第 二池化子模块的输出端和 第五卷积子模块的输出端分别连接全连接子模块的三个输入端， 输出提取到的特 征。 5.根据权利要求4所述的基于卷积神经网络模型的矿山生态安全识别方法， 其特征在 于， 第一卷积子模块、 第二卷积子模块、 第三卷积子模块、 第四卷积子模块和第五卷积子模 块包括卷积层和池化层。权　利　要　求　书 1/2 页 2 CN 115249331 B 26.根据权利要求5所述的基于卷积神经网络模型的矿山生态安全识别方法， 其特征在 于， 第五卷积神经网络模块仅采用一个卷积模块。权　利　要　求　书 2/2 页 3 CN 115249331 B 3