Unsupervised learning-based panoramic unfolded image stitching method for rock mass borehole wall
-
摘要:
岩体孔壁全景展开图像拼接时采用传统方法时存在相邻图像间建立特征对应关系的鲁棒性不足，提取的图像特征点质量差、数量少等问题，采用有监督学习方法无法获取足够精确标注的匹配点对。针对上述问题，提出了一种基于无监督学习的岩体孔壁全景展开图像拼接方法。通过基于分组卷积改进的ResNet网络对相邻2幅待拼接的岩体孔壁全景展开图像进行多尺度特征提取；引入匹配度交叉相关计算模块识别和对齐特征图中的特征，进而确定对应特征图间的空间关系；通过全局和局部变形偏移量计算网络模块对图像进行精确的空间特征对齐；通过单应性变形模块与图像网格变形模块，有效消除相邻图像间的特征变形，实现图像间的整体对齐和精细的局部调整，精准配准局部特征和变形。实验结果表明：该方法能有效克服图像特征偏移、内容错位、细节特征丢失和拼接失败等问题，拼接处几乎没有明显的拼接痕迹，提高了拼接图像的整体质量和视觉效果；在均方根误差（RMSE）、重叠区域的峰值信噪比（PSNR）和结构相似性（SSIM）指标上均优于其他主流的图像拼接方法，显著提升了岩体孔壁全景展开图像拼接精度。
-
关键词:
- 岩体孔壁全景展开图像 /
- 图像拼接 /
- 无监督学习 /
- 全局和局部变形偏移量 /
- 单应性变形
Abstract:Traditional methods for panoramic unfolded image stitching of rock mass borehole walls suffer from insufficient robustness in establishing feature correspondences between adjacent images, as well as poor quality, limited quantity of extracted image feature points and otherc problems. Meanwhile, supervised learning methods cannot obtain sufficiently precise labeled matching point pairs. To address these issues, an unsupervised learning-based panoramic unfolded image stitching method for rock mass borehole wall is proposed. Multi-scale feature extraction was performed on two adjacent panoramic unfolded images of the rock mass borehole wall to be stitched, using a ResNet network improved with grouped convolutions. A matching degree cross-correlation calculation module was introduced to identify and align features within the feature maps, thereby determining the spatial relationships between corresponding feature maps. A global and local deformation offset calculation network module precisely aligned spatial features of the images. Furthermore, homography deformation and image grid deformation modules effectively eliminated feature distortions between adjacent images, achieving overall alignment and fine local adjustments, enabling accurate registration of local features and deformations. Experimental results showed that this method effectively overcame issues such as image feature displacement, content misalignment, loss of detailed features, and stitching failure. The stitching seams exhibited almost no visible artifacts, improving the overall quality and visual effect of the stitched images. The method outperforms other mainstream image stitching approaches in terms of Root Mean Square Error (RMSE), Peak Signal-to-Noise Ratio (PSNR) in overlapping regions, and Structural Similarity (SSIM) index, significantly enhancing the stitching accuracy of panoramic unfolded images of rock mass borehole walls.
-
0. 引言
煤自燃严重制约着我国煤矿安全生产发展，特别是以采空区、工作面及某些煤矿燃烧层等为主的部分区域的煤经过一次及以上的氧化形成氧化煤[1-3]，自燃危险性更大。许多学者对氧化煤的自燃危险性进行了大量研究。文虎等[3]、邓军等[4-6]、张辛亥等[7]对原煤和二次氧化煤的气体浓度和相关自燃特性参数等开展了研究，发现二次氧化煤氧化性增强，自燃危险性就增大。秦跃平等[8]研究了三次升温对煤低温氧化特性的影响，结果表明随着升温次数增加，煤的氧化能力逐渐降低。
为了解决煤氧化自燃、复燃问题，许多学者采用各种材料进行了研究。由于惰性气体实用性好[9]，成为了煤层火灾防治常用的防灭火材料之一。娄和壮等[10]利用程序升温试验和热重分析实验研究了煤对惰性气体的竞争吸附差异。Zhou Buzhuang等[11]利用电子自旋共振谱仪、红外光谱仪和气相色谱仪从宏观和微观方面研究了惰性气体对煤自燃的作用机理。苏楚涵[12]建立了基于模糊层次分析法和逼近理想解法的煤自燃预测模型，用于预测煤自燃的危险性，并根据危险性设计了通过煤壁钻孔方式向井下注入阻化剂或采用间歇注氮方式进行灭火。郭志国等[13]、Zhang Yi等[14]、马砺等[15]探究了不同浓度CO2对煤升温氧化的影响，实验结果表明随着CO2浓度升高，CO2对煤氧反应的抑制作用越强。邵昊等[16]研究了CO2和N2对煤自燃性能影响的对比，得出在通入CO2的情况下煤更不易自燃。方熙杨等[17]开展了惰性气体等温动态驱替不同粒径煤的O2实验，实验表明惰性气体驱替O2会出现阶段性变化，并且CO2，N2和He驱替O2与煤的粒径的不同存在差异。
综上可知，针对利用惰性气体降低煤氧化性来解决煤自燃、复燃的问题，现有研究大多是对煤低温氧化过程及煤复燃过程进行相关实验，对惰性气体降温后煤二次氧化的自燃特性涉及较少。基于此，笔者以焦煤为例，通过低温氧化实验，探究不同温度氧化的焦煤经过CO2冷却二次氧化的自燃特性，为煤矿采空区启封复采时的防灭火提供一定的依据。
1. 煤样制备及实验过程
1.1 煤样制备
将焦煤从煤矿井下密封包裹运回实验室，在真空条件下破碎，筛选出粒径为120~250 μm的焦煤，并用真空袋（每袋煤样40 g）抽真空保存，作为实验样品。实验焦煤的工业分析见表1。
表 1 焦煤工业分析Table 1. Industrial analysis of coking coal% 样品 水分 灰分 挥发分 固定碳含量 焦煤 0.60 7.88 21.67 69.85 从表1可看出，实验选用的焦煤水分含量较少，灰分和挥发分含量相对较多，固定碳含量占总量的70%左右。该焦煤灰分为低灰−中灰。
1.2 实验过程
为了探究不同预氧化程度焦煤在CO2冷却后二次氧化的自燃特性，采用GC−4000A程序升温装置（图1）对焦煤进行预氧化（预氧化温度设为70，110，150 ℃），并对分别通入CO2气体和干空气冷却至30 ℃后的焦煤二次氧化过程中的耗氧速率、CO产生率、CO2浓度和表观活化能进行分析。实验步骤如下：
1） 将制备好的40 g焦煤置于煤样罐中，在流量为80 mL/min的干空气中以0.8 ℃/min的升温速率将焦煤升温至目标预氧化温度70，110， 150 ℃（所选取温度以临界温度和干裂温度为参考），选取 70，110，150 ℃三组预氧化焦煤进行实验。
2） 将预氧化焦煤通入CO2冷却降温至30 ℃。二次氧化时，将预氧化焦煤在30 ℃恒温15 min后，仍以气体流量为80 mL/min、升温速率为0.8 ℃/min将预氧化焦煤程序升温至200 ℃，升温过程中每升高10 ℃取1次气体进行色谱分析，以干空气降温作为对照组。
2. 实验结果与分析
2.1 耗氧速率变化规律
耗氧速率是指一定体积的煤样在单位时间内消耗氧气的摩尔数，可以间接表示煤氧化性的强弱，从而反映煤的自燃性。根据煤样罐进出口O2体积分数的变化，耗氧速率计算公式如下[18]：
$$ {V_{{{\rm{O}}_2}}}\left( {{t}} \right) = \frac{{Q\varphi _{{{\rm{O}}_2}}^0}}{{SL}}\ln \frac{{\varphi _{{{\rm{O}}_2}}^1}}{{\varphi _{{{\rm{O}}_2}}^2}} $$ (1) 式中：
$ {V}_{{{\rm{O}}}_{2}}\left(t\right) $ 为温度为t时煤的耗氧速率，mol/（cm3·s）；Q为供气量，实验供气量为80 mL/min；${\varphi }_{{\mathrm{O}}_{2}}^{0}\mathrm{}$ 为干空气条件下的O2体积分数，${\varphi }_{{\mathrm{O}}_{2}}^{0} $ =21%； S为煤样罐横截面积，cm2；L为煤样罐中煤的高度，cm；$ {\varphi }_{{\mathrm{O}}_{2}}^{1}，{\varphi }_{{\mathrm{O}}_{2}}^{2} $ 分别为煤样罐进气口、出气口处O2体积分数，%。将相关实验测得的数据代入式（1），得到不同冷却条件下耗氧速率随温度变化的规律，如图2所示。CO2体积分数随温度变化的规律如图3所示。
![]()
图 2 耗氧速率随温度变化的规律Figure 2. The variation law of oxygen consumption rate with temperature![]()
图 3 CO2体积分数随温度变化的规律Figure 3. The variation law of CO2 volume fraction with temperature由图2(a)可看出，CO2冷却条件下，二次氧化反应在70 ℃及之前，耗氧速率排序为110 ℃氧化焦煤＞70 ℃氧化焦煤＞150 ℃氧化焦煤； 80 ℃之后，耗氧速率排序变为70 ℃氧化焦煤＞110 ℃氧化焦煤＞150 ℃氧化焦煤。结合图3，经CO2冷却的焦煤二次氧化前期产生和吸附的CO2量远大于干空气冷却焦煤所产生的CO2，因此，反应前期可以忽略焦煤氧化产生的CO2对其氧化反应的影响。根据气体吸附理论[19]，煤对CO2气体吸附能力大于O2。经过CO2冷却后，大量CO2附着在煤表面及孔隙中，阻碍煤与空气中的O2结合，反应消耗的O2减少。70 ℃氧化焦煤和110 ℃氧化焦煤反应开始时吸附的CO2量相差较小，并且焦煤经过预氧化后，其分子表面活性基团随着预氧化温度升高而增多，在CO2吸附量相差较小的情况下，更多活性基团与O2结合发生反应，因此，耗氧速率排序为110 ℃氧化焦煤＞70 ℃氧化焦煤；150 ℃氧化焦煤吸附的CO2量远大于70 ℃氧化焦煤和110 ℃氧化焦煤的吸附量，反应过程中更多CO2阻止活性基团与O2接触，导致焦煤氧化性减弱。随着氧化温度升高，CO2逐渐解析，反应后期耗氧速率变化与干空气条件下冷却至30 ℃焦煤的变化趋势趋于一致。说明预氧化温度越高，焦煤通入CO2冷却至30 ℃时所吸附CO2体积分数越大，反应前期吸附的CO2使得焦煤氧化性减弱。
结合图2(a)、图2(b)可知，预氧化温度相同时，与干空气冷却比较，反应前期吸附的CO2阻碍了预氧化焦煤与O2反应，随着CO2解析，对预氧化焦煤后期反应也产生了一定影响，导致整个反应过程通入CO2冷却焦煤的耗氧速率小于通入干空气冷却焦煤的耗氧速率。这说明预氧化焦煤经过CO2冷却后的耗氧速率减小，煤氧反应难以进行，通入CO2冷却降低了预氧化焦煤发生自燃的可能性。
2.2 CO产生率
由于CO是煤氧复合作用的产物，并且具有高灵敏性，所以，通过CO产生率可以间接反映煤氧化能力的强弱[6]。CO产生率计算公式如下：
$$ {P}_{{\rm{CO}}}\left(t\right)=\frac{{V}_{{{\rm{O}}}_{2}}\left(t\right)({\varphi }_{{\rm{CO}}}^{2}-{\varphi }_{{\rm{CO}}}^{1})}{{\varphi }_{{{\rm{O}}}_{2}}^{0}\left[1-{{\rm{exp}}}\left( { {-\dfrac{SL{V}_{{{\rm{O}}}_{2}}\left(t\right)}{Q{{{\varphi }}}_{{{\rm{O}}}_{2}}^{0}}} } \right)\right]} $$ (2) 式中：
$P_{\mathrm{CO}}(t) $ 为温度为t时CO产生率，mol/（cm3·s）；$ {\varphi }_{{\rm{CO}}}^{1} $ 和$ {\varphi }_{{\rm{CO}}}^{2} $ 分别为煤样罐进气口和出气口处CO体积分数，10−6 。将实验所测CO数据代入式（2），得到不同条件下CO产生率随温度变化的规律，如图4所示。由图4可看出，焦煤二次氧化过程中， CO产生率随氧化温度的升高而增大。CO2冷却时，在70 ℃及之前，70 ℃氧化焦煤CO产生率略小于110 ℃氧化焦煤的CO产生率，150 ℃氧化焦煤CO产生率最小。随着温度达到90 ℃，CO产生率排序为70 ℃氧化焦煤＞110 ℃氧化焦煤＞150 ℃氧化焦煤。这与耗氧速率的变化趋势一致，CO是煤中各基团与O2反应的产物，随着预氧化温度的升高，焦煤吸附CO2越多，耗氧减少，CO产生率相应减小。相同预氧化温度条件下，通入CO2冷却的焦煤CO产生率小于通入干空气冷却的焦煤CO产生率。预氧化焦煤在经过CO2冷却后，煤氧反应难度增大，降低了预氧化焦煤发生自燃的危险。
2.3 表观活化能
表观活化能反映了煤氧化反应所需的最小能量，其值越大，煤氧化自燃越难进行[20]。根据阿伦尼乌斯公式变形后的表观活化能计算公式如下[21]：
$$ \mathrm{ln}{\varphi }_{{\rm{CO}}}=-\frac{E}{R} \frac{1}{{T}_{}}+\mathrm{ln}\left( { \frac{ 10^{4} ALSm{\varphi }_{{{\rm{O}}}_{2}}^{n}}{k{\nu }_{{\rm{g}}}} } \right) $$ (3) 式中：
$\varphi _{\mathrm{CO}} $ 为煤样罐出气口处CO体积分数，${10^{ - 6}}$ ；E为表观活化能，kJ/mol；R为气体常数，R=8.314×10−3 kJ/（mol·K）；T为热力学温度，K； A为指前因子，s−1； m为化学反应系数；$ {\varphi }_{{{\rm{O}}}_{2}}^{n} $ 为反应气体中O2体积分数，%，n为反应级数；k为单位换算系数；${\nu _{\rm{g}}}$ 为供风量，m3/s。从式（3）可知，通过对
$\ln \varphi _{{\rm{C O}}} $ 与1/T的各点进行拟合，即可从斜率得出表观活化能E。因为干空气条件下冷却的焦煤在80~90 ℃间CO产生率发生交叉，以80~90 ℃为温度断点求30~80 ℃和90~150 ℃的表观活化能。各组煤$\ln {\varphi _{{\rm{CO}}}}$ 与1/T曲线拟合如图5所示，表观活化能如图6所示。![]()
图 5$\ln \varphi^{}_{\mathrm{CO}} $ 与1/T的关系Figure 5. The relationship between$\ln \varphi^{} _{\mathrm{CO}} $ and 1/T从图5可看出，所有拟合直线的可靠度均在0.942~0.999，能够比较准确地反映
$\ln \varphi _{\mathrm{CO}} $ 与1/T的关系，说明所求表观活化能的值准确性较高。从图6可看出，CO2冷却下的预氧化焦煤，30~80 ℃时的表观活化能排序为110 ℃氧化焦煤＜70 ℃氧化焦煤＜150 ℃氧化焦煤；90~150 ℃时的表观活化能排序为70 ℃氧化焦煤＜150 ℃氧化焦煤＜110 ℃氧化焦煤，此温度段内，随着CO2的解析及CO2体积分数逐渐接近，CO2对预氧化焦煤氧化性的影响有所减弱，导致表观活化能与耗氧速率、CO产生率的变化规律出现不一致的情况。预氧化温度相同时，与干空气冷却相比，CO2冷却的预氧化焦煤表观活化能更大，需要消耗更多的能量才能进行二次氧化，预氧化焦煤氧化自燃性相对降低。
3. 结论
1） 预氧化温度相同时，与干空气相比，CO2冷却的预氧化焦煤在二次氧化初期因吸附大量CO2，阻碍了煤氧反应，随着CO2解析，对预氧化焦煤后期也产生了一定影响，导致其整个反应过程氧化性减弱，耗氧速率和CO产生率减小，表观活化能增大。CO2冷却降低了预氧化焦煤自燃危险性。
2） 相较110 ℃和70 ℃预氧化焦煤，150 ℃预氧化焦煤冷却至30 ℃的时间更长，吸附的CO2更多，对煤氧反应阻碍作用越强，耗氧速率和CO产生率越小，表观活化能增大，150 ℃预氧化焦煤自燃危险性也有所下降。因此，当煤矿井下发生煤氧化自燃危险时，需长时间通入CO2来降低矿区启封复采时发生二次氧化复燃的可能性。
-
![]()
图 1 基于无监督学习的岩体孔壁全景展开图像拼接方法原理
Figure 1. Principle of unsupervised learning-based panoramic unfolded image stitching method for rock mass borehole wall
![]()
图 4 匹配度交叉相关计算模块结构
Figure 4. Structure of matching degree cross-correlation calculation module
![]()
图 6 全局变形偏移量计算网络模块结构
Figure 6. Structure of global deformation offset calculation network module
![]()
图 7 局部变形偏移量计算网络模块结构
Figure 7. Structure of local deformation offset calculation network module
![]()
图 12 不同方法下图像拼接结果对比
Figure 12. Comparison of image stitching result using different methods
表 1 不同特征提取网络性能对比
Table 1 Performance comparison of different feature extraction networks
网络 RMSE PSNR SSIM ResNet−18 2.022 7 22.667 9 0.741 6 ResNet−34 1.692 7 24.157 9 0.775 1 ResNet−50 0.152 7 25.337 9 0.835 7 
下载: 导出CSV
表 2 不同方法下图像拼接性能指标对比
Table 2 Comparison of image stitching performance metrics using different methods
方法 RMSE PSNR SSIM SIFT+RANSAC 9.432 8 21.252 6 0.718 5 APAP 6.453 1 13.471 4 0.208 9 UDHN 4.298 7 15.745 5 0.339 5 UDIS 0.170 3 24.271 8 0.776 4 EUIS 0.169 6 24.392 8 0.780 1 本文方法 0.152 7 25.337 9 0.835 7
下载: 导出CSV
-
[1] 朱合华,潘柄屹,武威,等. 岩体结构面信息采集及识别方法研究进展[J]. 应用基础与工程科学学报,2023,31(6):1339-1360. ZHU Hehua,PAN Bingyi,WU Wei,et al. Review on collection and extraction methods of rock mass discontinuity information[J]. Journal of Basic Science and Engineering,2023,31(6):1339-1360.
[2] 夏丁,葛云峰,唐辉明,等. 数字钻孔图像兴趣区域分割与岩体结构面特征识别[J]. 地球科学,2020,45(11):4207-4217. XIA Ding,GE Yunfeng,TANG Huiming,et al. Segmentation of region of interest and identification of rock discontinuities in digital borehole images[J]. Earth Science,2020,45(11):4207-4217.
[3] 邹先坚,王川婴,宋欢. 全景钻孔图像自动识别技术在工程实践中的应用研究[J]. 应用基础与工程科学学报,2022,30(1):246-256. ZOU Xianjian,WANG Chuanying,SONG Huan. Application of automatic recognition technique for the panoramic borehole images obtained in engineering practice[J]. Journal of Basic Science and Engineering,2022,30(1):246-256.
[4] 苑朝,黄诺飞,蒋阳,等. 基于改进旋转不变性二进制描述算法的电力场景图像拼接[J]. 电力科学与工程,2024,40(1):31-38. YUAN Chao,HUANG Nuofei,JIANG Yang,et al. Power scene images mosaic based on improved oriented fast and rotated brief algorithm[J]. Electric Power Science and Engineering,2024,40(1):31-38.
[5] 郑阳阳,王慧琴,王可,等. 改进网格单应性投影变换的文物多镜头光谱图像拼接方法[J]. 计算机工程与应用,2024,60(21):225-235. DOI: 10.3778/j.issn.1002-8331.2310-0386 ZHENG Yangyang,WANG Huiqin,WANG Ke,et al. Multi-lens spectral image mosaic method of cultural relics with improved grid projection transformation[J]. Computer Engineering and Applications,2024,60(21):225-235. DOI: 10.3778/j.issn.1002-8331.2310-0386
[6] 邹先坚,王川婴,宋欢. 岩体孔内摄像视频高精度快速成图方法研究[J]. 工程科学与技术,2021,53(4):158-167. ZOU Xianjian,WANG Chuanying,SONG Huan. A high-precision and fast image forming method for borehole camera video of rock mass[J]. Advanced Engineering Sciences,2021,53(4):158-167.
[7] GAO Junhong,KIM S J,BROWN M S. Constructing image panoramas using dual-homography warping[C]. Conference on Computer Vision and Pattern Recognition,Colorado Springs,2011:49-56.
[8] ZARAGOZA J,CHIN T J,BROWN M S,et al. As-projective-As-possible image stitching with moving DLT[C]. IEEE Conference on Computer Vision and Pattern Recognition,Portland,2013:2339-2346.
[9] RANI V,NABI S T,KUMAR M,et al. Self-supervised learning:a succinct review[J]. Archives of Computational Methods in Engineering,2023,30(4):2761-2775. DOI: 10.1007/s11831-023-09884-2
[10] AN Jianping,YANG Kai,GAO Xiaozheng,et al. Sustainable ultra-dense heterogeneous networks[M]//Sustainable Wireless Communications. Singapore:Springer Nature Singapore,2022:7-19.
[11] HE Kaiming,ZHANG Xiangyu,REN Shaoqing,et al. Deep residual learning for image recognition[C]. IEEE Conference on Computer Vision and Pattern Recognition,Las Vegas,2016:770-778.
[12] 李雪浩,肖秦琨,杨梦薇. 基于分组卷积的轻量级图像超分辨率重建[J]. 激光杂志,2023,44(3):126-132. LI Xuehao,XIAO Qinkun,YANG Mengwei. Lightweight image super-resolution algorithm based on grouping convolution[J]. Laser Journal,2023,44(3):126-132.
[13] COHEN T S,WELLING M. Group equivariant convolutional networks[C]. The 33rd International Conference on Machine Learning,New York,2016:2990-2999.
[14] VAN LAARHOVEN T. L2 regularization versus batch and weight normalization[EB/OL]. [2024-09-27]. https://arxiv.org/abs/1706.05350v1.
[15] GU Xiaodong,FAN Zhiwen,ZHU Siyu,et al. Cascade cost volume for high-resolution multi-view stereo and stereo matching[C]. IEEE/CVF Conference on Computer Vision and Pattern Recognition,Seattle,2020:2492-2501.
[16] WANG Meiqi,LU Siyuan,ZHU Danyang,et al. A high-speed and low-complexity architecture for softmax function in deep learning[C]. IEEE Asia Pacific Conference on Circuits and Systems,Chengdu,2018:223-226.
[17] 杜港,侯凌燕,佟强,等. 基于BRISK和改进RANSAC算法的图像拼接[J]. 液晶与显示,2022,37(6):758-767. DOI: 10.37188/CJLCD.2021-0292 DU Gang,HOU Lingyan,TONG Qiang,et al. Image mosaicing based on BRISK and improved RANSAC algorithm[J]. Chinese Journal of Liquid Crystals and Displays,2022,37(6):758-767. DOI: 10.37188/CJLCD.2021-0292
[18] ABDEL-AZIZ Y I,KARARA H M,HAUCK M. Direct linear transformation from comparator coordinates into object space coordinates in close-range photogrammetry[J]. Photogrammetric Engineering & Remote Sensing,2015,81(2):103-107.
[19] 张省,朱伟. 基于SIFT匹配和RANSAC算法的超分辨率重建[J]. 测绘通报,2019(10):119-122. ZHANG Sheng,ZHU Wei. Super-resolution reconstruction based on SIFT matching and RANSAC algorithm[J]. Bulletin of Surveying and Mapping,2019(10):119-122.
[20] NIE Lang,LIN Chunyu,LIAO Kang,et al. Unsupervised deep image stitching:reconstructing stitched features to images[J]. IEEE Transactions on Image Processing,2021,30:6184-6197. DOI: 10.1109/TIP.2021.3092828
[21] QIN Chunbin,RAN Xiaotian. Efficient unsupervised image stitching using attention mechanism with deep homography estimation[J]. Computers,Materials & Continua,2024,79(1):1319-1334.
-
期刊类型引用(7)
1. 倪云峰，王志刚，王静，郭苹. 基于RSSI的井下人员定位算法改进. 无线电工程. 2023(03): 663-668 . 
百度学术
2. 亿吉，张楠. 基于RSSI的矿井移动目标加权质心定位算法. 山西煤炭. 2022(03): 102-108 . 百度学术
3. 高莉，杨雪苗. 一种改进的三边定位算法. 工矿自动化. 2020(02): 78-81 . 本站查看
4. 周孟然，黄曼曼，闫鹏程，胡锋，卞凯. 改进加权质心算法用于煤矿井下人员精准定位. 安徽理工大学学报(自然科学版). 2020(01): 1-5+15 . 百度学术
5. 张梅，荣昆，张啸. 煤矿井下人员跟踪管理系统研究. 煤矿机械. 2020(12): 172-175 . 百度学术
6. 莫树培，唐琎，汪郁，赖普坚，金礼模. 基于聚类和K近邻算法的井下人员定位算法. 工矿自动化. 2019(04): 43-48+76 . 本站查看
7. 夏禹，张效艇，王嵘. TOA定位算法的坐标解析优化方法综述. 单片机与嵌入式系统应用. 2019(12): 15-18+22 . 百度学术
其他类型引用(5)
计量
- 文章访问数: 19
- HTML全文浏览量: 8
- PDF下载量: 2
- 被引次数: 12
