多源感知与深度学习露天矿扬尘识别散水方法及系统与流程

本发明涉及矿山除尘，具体涉及多源感知与深度学习露天矿扬尘识别散水方法及系统。

背景技术：

1、露天矿山运输道路粉尘污染是矿山环保治理的难点与痛点。矿用自卸卡车在运输过程中，轮胎与路面摩擦、物料洒落及自然风蚀等因素导致大量扬尘产生，不仅严重污染矿区及周边大气环境，危害作业人员身体健康，还降低道路能见度，影响运输安全。现有抑尘方式主要存在以下问题：

2、（一）依赖人工与固定频次洒水。目前，国内外露天矿山普遍采用洒水车按固定时间间隔或固定路线进行洒水作业的方式抑尘。这种方式无法感知路面实际干燥程度与扬尘状况，导致“无效洒水”（路面已湿仍洒水）与“抑尘空窗期”（已起尘但未洒水）并存。一方面造成水资源的大量浪费；另一方面抑尘效果不理想，运输道路扬尘浓度时常超标。洒水车司机仅凭经验判断洒水时机和洒水量，缺乏科学依据，不同司机、不同班次之间作业质量差异大。

3、（二）感知手段单一且滞后。部分方案采用固定式粉尘传感器进行监测。例如，现有技术中公开了在矿区布设粉尘浓度传感器、风速风向传感器及气象传感器，结合视频监控单元实现多源数据采集的方案。然而，固定式传感器点位稀疏、布设和维护成本高，且只能反映监测点所在位置的局部浓度，无法获取道路全线、尤其是移动尘源（如行驶中的矿车）的扬尘空间分布与扩散趋势，决策依据不全面。当尘源位于两个传感器之间时，系统可能完全无法感知到扬尘已经发生。

4、（三）识别精度与适应性不足。现有基于视频的扬尘识别方案已有公开。中国专利cn108845536b公开了一种基于视频技术的堆场扬尘实时检测和智能洒水降尘装置及方法，其利用神经网络处理实时视频数据，计算起尘区域坐标和扬尘浓度估值，并结合风速风向测量数据进行校准。然而，该方案在以下方面存在明显不足：第一，其视觉识别仅依赖单一视频模态，在矿山复杂环境下易受雾气、车辆尾气、阴影、光照剧烈变化（如晨昏逆光）等干扰，导致误报率较高，难以投入实际自动化控制；第二，其将风速风向数据仅用于对视觉识别结果的“校准”，即事后修正，而非将气象信息作为先验条件嵌入识别过程，模型无法“感知”风对尘云形态和运动方向的影响，导致对移动尘云的识别和追踪能力不足；第三，其确定的“洒水区域坐标”即为“起尘区域坐标”，洒水车或喷洒装置被指令直接驶向或对准起尘区域，未考虑风向对水雾输送和抑尘效果的影响。

5、（四）系统割裂，无法形成闭环联动。现有技术方案中，视频监控系统、环境监测系统与洒水车控制系统往往相互独立运行。即使识别到扬尘，也需要人工通知洒水车司机前往作业，响应延迟长，无法形成“感知-分析-决策-控制”的实时闭环。特别是在多台洒水车同时作业的场景下，缺乏统一的任务分配与协同调度机制，容易出现多车同时前往同一尘源而其他尘源无人处置的情况，洒水车利用率低。

6、（五）缺乏考虑风向与道路走向耦合的智能决策模型。现有方法在生成洒水策略时，或仅依据扬尘浓度大小决定洒水与否，或根据扩散趋势预测动态识别高风险区域，但均未充分考虑风向与矿区道路走向之间的耦合关系。露天矿运输道路具有明确的走向和拓扑结构，扬尘沿道路的传播方向与风速矢量在道路方向上的投影密切相关。现有技术缺乏对这一物理关系的量化建模，无法根据风向与道路走向的夹角动态计算扬尘沿各道路段的传播紧迫度，也无法据此实现洒水车任务的精准分配。中国专利申请cn121296189a公开了一种露天煤矿粉尘智能抑制系统及方法，其通过环境参数采集模块获取抑尘现场各环境参数指标，并根据这些指标动态识别粉尘高风险区域，进而生成针对性的喷淋策略。然而，该方案仍存在以下不足：第一，其识别高风险区域所依据的环境参数主要为粉尘浓度等静态指标，未充分考虑风速风向与矿区道路走向之间的耦合关系，无法准确预测扬尘沿道路的传播方向和速度；第二，其生成的喷淋策略仍以“覆盖高风险区域”为目标，喷淋设备或洒水车仍被引导至高风险区域本身进行作业，未涉及将洒水设备引导至尘源上风侧进行拦截式喷洒的技术思路；第三，其系统架构中缺乏多洒水车的协同任务分配与动态重分配机制，在多尘源同时存在时难以实现全局优化调度。

7、（六）现有技术路径的技术障碍。现有技术中虽已有根据风向调整洒水策略的先例（如通过监测风向变化对不同路段采取差异化的作业方式），但其技术路径均为“根据风向扩大或缩小某区域的洒水覆盖范围”。本发明人经过分析发现，该路径存在固有的技术障碍：洒水车直奔尘源时，喷出的水雾受风力影响向下风向漂移，导致尘源上风侧的实际洒水量严重不足，抑尘效果大打折扣。曾有尝试通过增加洒水量或调整喷头角度来缓解该问题，但均因无法适应风向的实时变化而未能取得满意效果。本发明跳出上述技术路径，将洒水车引导至尘源上风侧的拦截点，使水雾在风力作用下自然覆盖尘源。

8、综上所述，现有技术存在“感知不准、控制滞后、决策不智、资源浪费”的问题，急需一种能够实时精准感知扬尘、智能决策、自动联动控制的技术方案，以实现露天矿道路扬尘治理的精准化、自动化与节能化。

技术实现思路

1、本发明提供多源感知与深度学习露天矿扬尘识别散水方法及系统，以解决现有露天矿扬尘治理中感知精度不足、决策缺乏针对性、洒水资源浪费且抑尘效果不佳的技术问题。

2、本发明的目的在于提供一种结合多源感知数据与深度学习模型，能够精准识别露天矿道路扬尘位置、强度并预测扩散趋势，同时结合风向与道路走向耦合关系生成最优洒水策略，实现多洒水车协同闭环作业的智能散水方法，以及对应实现该方法的智能散水系统。

3、为实现上述目的，本发明的技术方案是：

4、多源感知与深度学习露天矿扬尘识别散水方法，包括以下步骤：

5、步骤s1：采集露天矿道路的实时视频流、包括风速与风向的环境感知数据、以及洒水车的实时位置与状态数据，并将采集到的数据统一映射至矿区gis坐标系，通过ntp时间服务器进行时间同步；

6、步骤s2：利用深度学习模型对实时视频流进行识别，输出扬尘区域在gis坐标系中的空间位置及尘源强度等级；

7、步骤s3：根据风向与露天矿道路的各道路段走向之间的夹角，计算扬尘沿道路段传播的紧迫度，紧迫度等于风速矢量在道路段方向单位矢量上的投影值乘以尘源强度等级对应的权重系数；

8、步骤s4：筛选位于扬尘区域上风侧的洒水车，筛选条件为：从洒水车当前位置指向扬尘区域的矢量与风速矢量的点积小于零；

9、步骤s5：为筛选出的每辆洒水车生成拦截任务，该拦截任务的拦截位置设定在扬尘区域沿上风侧方向的道路上、且与扬尘区域相距一预设距离处；

10、步骤s6：计算每辆洒水车从当前位置沿矿区道路拓扑行驶至拦截位置的最短路径和预估行驶时间，选择预估行驶时间最短的洒水车作为执行车；

11、步骤s7：将包括拦截位置、行驶路径及散水流量的指令下发至执行车，控制其行驶至该拦截位置并按散水流量喷水。

12、进一步地，步骤s2中输出的空间位置及尘源强度等级通过以下方式获得：所述深度学习模型采用边缘-云两级协同架构，在边缘计算设备运行第一级神经网络模型，输出疑似扬尘区域的边界框；在云端服务器运行第二级神经网络模型，对边界框内的图像区域进行分割，输出扬尘区域的分割掩膜，同时输出分割掩膜内各像素对应的浓度等级；云端服务器将浓度等级按区域统计后映射为尘源强度等级，并将分割掩膜中的像素坐标经摄像头标定参数和gis映射变换，转换为gis坐标系下的地理坐标集合，得到空间位置；其中，第二级神经网络模型采用交叉注意力机制，将风速与风向向量编码为气象特征嵌入，并与图像视觉特征进行交叉注意力计算。

13、进一步地，步骤s3中，在计算紧迫度之前，还调用实时更新的短期气象预测数据并结合地形数据，运行高斯烟羽扩散模型，生成随时间动态变化的尘云扩散风险热力图。

14、进一步地，尘云扩散风险热力图通过以下方式生成：

15、以尘源强度等级作为源强输入，以矿区地形高程数据对高斯烟羽扩散模型的扩散系数进行修正，其中，修正因子为道路段两侧地形坡度角的递减函数，其取值范围为0至1之间，坡度角为零时修正因子取1，坡度角增大时修正因子按指数规律减小；

16、以当前观测时刻为基准，分别计算未来n个预设时间窗口的预测浓度值，得到n帧热力图序列；

17、将n帧热力图序列中同一空间位置处的浓度最大值作为该位置的最终预测浓度值，形成尘云扩散风险热力图。

18、进一步地，步骤s5中预设距离根据当前风速动态确定，预设距离与风速成正相关关系。

19、进一步地，步骤s2识别出扬尘区域后，还包括基于逆向扩散的尘源溯源步骤：

20、利用至少两个不同视角的摄像头同步采集扬尘区域的图像序列，通过立体视觉算法重建扬尘区域在三维空间中的分布形态，并基于图像灰度反演三维空间中的各空间位置对应的扬尘浓度值，形成观测浓度场；

21、获取由部署于矿区不同位置的多个风速风向传感器实时采集并经空间插值后形成的风速风向场数据；

22、设定候选尘源起始位置、候选释放时间、候选释放强度为三个待求解参数，沿时间倒溯方向循环执行以下迭代过程：

23、(1) 在当前候选释放时间与当前观测时刻之间的时段内，以当前候选尘源起始位置作为尘源坐标、当前候选释放强度作为尘源总量、当前候选释放时间作为起始时刻，代入正向高斯烟羽模型，并结合风速风向场数据，计算该时段内各空间位置处的扬尘浓度预测值，形成预测浓度场；

24、(2) 计算预测浓度场与观测浓度场中相同空间位置处的浓度值之间的误差；若误差未达到预设收敛条件，则按照预设步长沿时间倒溯方向调整候选释放时间，并对应调整候选尘源起始位置和候选释放强度，返回步骤(1)；

25、将达到预设收敛条件的候选尘源起始位置确定为尘源根源位置。

26、进一步地，尘云扩散风险热力图的计算范围限定在以尘源为中心的扩散缓冲区内，扩散缓冲区的半径根据尘源强度等级和当前风速确定。

27、进一步地，还包括步骤s8：在任务执行过程中，实时监测风向变化；当风向变化导致当前执行任务的洒水车由上风侧变为下风侧时，触发任务重分配，将拦截任务转移至当前处于上风侧的其他洒水车，并更新其拦截位置。

28、进一步地，散水流量包括喷水强度与喷洒范围两个维度的参数；当实时风速大于第一预设阈值时，生成第一组散水参数，第一组散水参数为：指令洒水车在拦截位置处以垂直于风向的行进方向匀速行驶，并以覆盖路面全宽的范围进行喷洒；当实时风速小于第二预设阈值时，生成第二组散水参数，第二组散水参数为：指令洒水车直接行驶至尘源区域，并以限定于尘源覆盖范围内的喷洒范围进行定点喷洒。

29、多源感知与深度学习露天矿扬尘识别散水系统，包括：

30、多源感知终端，包括部署于矿区道路的摄像头、集成有风速风向传感器的微型气象站、以及安装于洒水车上的gps/北斗定位模块与车载物联网终端；

31、边缘分析服务器，部署于矿区机房，与摄像头连接，内部运行第一级神经网络模型，用于实时检测视频流中的疑似扬尘区域，输出边界框，其输出端通过矿区局域网连接至云端分析平台；

32、云端分析平台，部署于云端服务器，内部集成有第二级神经网络模型，用于对边界框内的图像区域进行分割，输出分割掩膜及各像素浓度等级，并将浓度等级映射为尘源强度等级，将分割掩膜转换为gis坐标系下的空间位置；还集成有高斯烟羽扩散模型，所述模型根据地形高程数据对扩散系数进行修正并以多时间窗口预测值取最大值生成尘云扩散风险热力图；还集成有三维重建模块，用于根据至少两个视角的图像重建扬尘区域的三维分布形态并反演观测浓度场；还集成有逆向溯源模块，用于以候选尘源起始位置、候选释放时间、候选释放强度为待求解参数，沿时间倒溯方向迭代调用高斯烟羽扩散模型，输出尘源根源位置；

33、云端决策模块，部署于云端服务器，与云端分析平台通信连接，用于接收空间位置、尘源强度等级、尘源根源位置及尘云扩散风险热力图，根据上风侧筛选条件确定候选洒水车，根据当前风速动态计算拦截位置与尘源区域之间的距离，计算各候选洒水车至拦截位置的最短路径及预估行驶时间并选择执行车，生成包括拦截位置、行驶路径及散水参数的指令包；

34、洒水车车载控制终端，与云端决策模块无线通信，包括用于接收指令包的无线通信模块、用于执行路径跟踪的线控驱动模块以及用于控制喷水流量的执行机构；

35、可视化监管平台，基于gis地图，用于实时展示尘源根源位置、尘云扩散风险热力图、风场矢量、洒水车位置及拦截任务状态，并提供策略配置与模型优化的交互界面。

36、与现有技术相比，本发明具有以下有益效果：通过多源数据融合与交叉注意力机制，将气象信息作为先验条件嵌入视觉识别过程，显著提升扬尘识别的准确率与鲁棒性，有效降低因天气、光照导致的误报。

37、通过多视角三维重建与逆向高斯烟羽扩散模型，能够从已观测到的扩散尘云反推出尘源的起始位置、起始释放时刻和释放强度，为精准拦截提供更准确的尘源坐标。

38、将洒水车引导至尘源上风侧道路拦截点进行洒水，利用自然风向将水雾吹向尘源区域，大幅提升抑尘效率并节约水资源。

39、将风速矢量在道路方向上的投影与尘源强度相结合，建立扬尘沿道路传播的紧迫度量化模型，为任务分配提供科学依据。

40、将矿区地形坡度角纳入高斯烟羽扩散模型的扩散系数修正，并采用多时间窗口预测取最大值的方式生成热力图，使扩散预测更贴合矿区实际地形。

41、基于传播紧迫度、上风侧筛选、动态拦截位置与散水参数优化进行洒水决策与任务分配，避免盲目作业，有效节省水资源并提升洒水车有效作业效率。

42、通过gis集中展示尘源根源位置、扬尘态势与设备状态，实现透明化、精细化的环保监管。

43、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书和附图中所特别指出的结构来实现和获得。

44、下面通过附图和实施例，对本发明的技术方案做进一步地详细描述。