在露天煤矿开采中,开采环境存在复杂多变等特点,矿山整体结构的改变导致的矿山边坡形变给安全生产带来重大隐患,也会给生态环境带来一定的破坏。当前对于矿山的变形监测虽逐渐趋向于自动化,但整个过程仍需依赖于人工或各种监测设备,且...在露天煤矿开采中,开采环境存在复杂多变等特点,矿山整体结构的改变导致的矿山边坡形变给安全生产带来重大隐患,也会给生态环境带来一定的破坏。当前对于矿山的变形监测虽逐渐趋向于自动化,但整个过程仍需依赖于人工或各种监测设备,且设备的维护比较困难,有的设备操作较为复杂、成本较高。为了更为简便直观地监测矿井边坡的形变信息,结合基于学习的点云配准方法实现了一种基于激光点云配准的矿井边坡变形监测方法。该方法首先提出了一种深度学习模型SA-RPE(Self-Attention with Relative Position Encoding)(相对位置编码的自注意力模型)在矿山数据集上实现了点云配准,并通过实验数据进行了验证;然后,根据配准的结果对矿井边坡进行了形变分析,并通过截取矿井边坡点云不同方向的断面进一步分析了各个断面的形变程度,结合二维断面图与三维点云渲染图的实验结果,表明深度学习模型SA-RPE能够比较准确地实现矿山激光点云的配准任务。通过分析深度学习模型预测的配准结果中旋转矩阵与平移向量的误差能够很好地掌握矿山的整体形变信息,而矿井边坡点云在不同方向上的断面图直观地展现了每一处形变的程度,计算不同时期断面点云对应点之间的平均距离能定量地描述各个断面的形变程度,通过阈值检测出来的异常值反映了断面上发生了较大形变的区域。实验结果体现了所提方法能够在满足实时性的基础上准确直观地表现出矿山边坡变形的信息。展开更多
目的观察偏心和倾斜对不同焦点设计人工晶状体(IOL)光学质量的影响。方法采用紫外分光光度计UV 3300 PC测量+20 D的蔡司MICS平台单焦点IOL CT ASPHINA 509M(509M)、双焦点IOL AT LISA 809M(809M)和三焦点IOL AT LISA Tri 839MP(839MP)...目的观察偏心和倾斜对不同焦点设计人工晶状体(IOL)光学质量的影响。方法采用紫外分光光度计UV 3300 PC测量+20 D的蔡司MICS平台单焦点IOL CT ASPHINA 509M(509M)、双焦点IOL AT LISA 809M(809M)和三焦点IOL AT LISA Tri 839MP(839MP)的光谱透过率。采用体外光学质量测试系统OptiSpheric IOL R&D分别在3.0 mm和4.5 mm孔径下,测量IOL在居中、偏心(0.3、0.5、0.7、0.9和1.1 mm)和倾斜(3°、5°、7°、9°和11°)状态下,不同焦点处的50 lp/mm空间频率下调制传递函数(MTF)值、MTF曲线和美国空军(USAF)分辨率测试图。结果3种IOL均滤过400 nm波长以下的紫外线光谱。居中位置时,在3.0 mm孔径下单焦点IOL 509M远焦点处的MTF值为0.772,双焦点IOL 809M远、近焦点处的MTF值分别为0.467和0.282,三焦点IOL 839MP远、中、近焦点处的MTF值分别为0.416、0.147和0.229;在4.5 mm孔径下,单焦点IOL 509M远焦点处的MTF值为0.664,双焦点IOL 809M远、近焦点处的MTF值分别为0.506和0.264,三焦点IOL 839MP远、中、近焦点处的MTF值分别为0.392、0.107和0.210。3种IOL相比,远焦点处509M的MTF值最高,809M次之,839MP最差;近焦点处IOL 809M的MTF值高于IOL 839MP。偏心和倾斜时,远、近焦点处各IOL的MTF值差异与居中时一致。相同偏心和倾斜程度时,在3.0 mm孔径下各IOL的光学质量较4.5 mm孔径下更佳。随着偏心和倾斜程度增加,各IOL光学质量整体呈下降趋势。3种IOL在偏心0.3 mm、倾斜5°时均出现光学质量下降。结论蔡司MICS平台设计的IOL光谱透过率一致,具有紫外线滤过功能。3种IOL相比,居中位置时,远、中、近焦点处分别以509M、839MP和809M光学质量最佳;发生偏心和倾斜时,远、近焦点处分别以509M和809M抗偏心和倾斜能力最好。相同偏心或倾斜程度时,小孔径下各IOL光学质量较大孔径更佳。偏心0.3 mm、倾斜5°以上时,IOL各焦点处光学质量均较居中时下降明显。展开更多
文摘在露天煤矿开采中,开采环境存在复杂多变等特点,矿山整体结构的改变导致的矿山边坡形变给安全生产带来重大隐患,也会给生态环境带来一定的破坏。当前对于矿山的变形监测虽逐渐趋向于自动化,但整个过程仍需依赖于人工或各种监测设备,且设备的维护比较困难,有的设备操作较为复杂、成本较高。为了更为简便直观地监测矿井边坡的形变信息,结合基于学习的点云配准方法实现了一种基于激光点云配准的矿井边坡变形监测方法。该方法首先提出了一种深度学习模型SA-RPE(Self-Attention with Relative Position Encoding)(相对位置编码的自注意力模型)在矿山数据集上实现了点云配准,并通过实验数据进行了验证;然后,根据配准的结果对矿井边坡进行了形变分析,并通过截取矿井边坡点云不同方向的断面进一步分析了各个断面的形变程度,结合二维断面图与三维点云渲染图的实验结果,表明深度学习模型SA-RPE能够比较准确地实现矿山激光点云的配准任务。通过分析深度学习模型预测的配准结果中旋转矩阵与平移向量的误差能够很好地掌握矿山的整体形变信息,而矿井边坡点云在不同方向上的断面图直观地展现了每一处形变的程度,计算不同时期断面点云对应点之间的平均距离能定量地描述各个断面的形变程度,通过阈值检测出来的异常值反映了断面上发生了较大形变的区域。实验结果体现了所提方法能够在满足实时性的基础上准确直观地表现出矿山边坡变形的信息。
