买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉扎赉诺尔煤业有限责任公司申请的专利煤矿副井提升斜巷的综合监测预警方法和装置获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120164158B 。

龙图腾网通过国家知识产权局官网在2026-03-17发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510212656.8，技术领域涉及：G06V20/52；该发明授权煤矿副井提升斜巷的综合监测预警方法和装置是由张波;王继成;邓坤;韩强;王学文;马文旭;邓磊;郭洁设计研发完成，并于2025-02-25向国家知识产权局提交的专利申请。

本煤矿副井提升斜巷的综合监测预警方法和装置在说明书摘要公布了：本发明公开了一种煤矿副井提升斜巷的综合监测预警方法和装置，属于AI智能分析检测领域。方法包括：基于当前AI摄像机的运行状态和当前视频图像质量，判断是否对当前视频图像进行图像增强；若是，则将当前视频图像输入至训练好的增长对抗网络模型的生成器，以从低分辨率图像向高分辨率图像平滑推进进行细节增强，并基于增强后的当前视频图像进行AI分析检测；若否，则直接基于当前视频图像进行AI分析检测；基于每一个AI摄像机的AI分析检测结果，对煤矿副井提升斜巷的各对应检测事件进行井内外预警。本方案不仅可以有效丰富视频图像的细节，提高AI分析检测和预警的准确度，还可以避免算力资源的浪费。

本发明授权煤矿副井提升斜巷的综合监测预警方法和装置在权利要求书中公布了：1.一种煤矿副井提升斜巷的综合监测预警方法，其特征在于，所述方法包括： 针对每一个AI摄像机，均执行： 基于当前AI摄像机的运行状态和当前视频图像质量，判断是否对当前视频图像进行图像增强； 若是，则将当前视频图像输入至训练好的增长对抗网络模型的生成器，以从低分辨率图像向高分辨率图像逐步进行细节增强，并基于增强后的当前视频图像进行AI分析检测；若否，则直接基于当前视频图像进行AI分析检测；其中，所述增长对抗网络模型的生成器含有若干个卷积通道逐步增加的学习模块，直至最后一个学习模块的卷积通道与视频图像的尺寸大小相同；每一所述学习模块包括低分辨率卷积块和高分辨率卷积块，该学习模块中高分辨率卷积块的卷积通道大于低分辨率卷积块的卷积通道，且下一学习模块的低分辨率卷积块的卷积通道等于该学习模块的高分辨率卷积块的卷积通道，以使生成器中的学习模块的卷积通道逐步增加； 基于每一个AI摄像机的AI分析检测结果，对煤矿副井提升斜巷的各对应检测事件进行井内外预警； 所述基于当前AI摄像机的运行状态和当前视频图像质量，判断是否对当前视频图像进行图像增强，包括： 基于历史设定时间内AI分析检测的置信度均值、标准值、图像帧率以及当前视频图像质量，计算当前视频图像的综合指数； 当当前视频图像的综合指数小于预设阈值时，确定当前视频图像需要进行图像增强，否则不需要进行图像增强； 基于如下公式计算综合指数z： 其中，Qp为历史设定时间内AI分析检测的置信度均值，Qp′为置信度标准值，Fps为图像帧率，Fps′为图像帧率标准值，Dv为当前视频图像的标准值，xi为当前视频图像每一个像素点的灰度值，为当前视频图像的灰度均值，N为当前视频图像的像素点数量，si为模糊块面积，S为当前视频图像的有效区域面积，n为分块数量，g1、g2、g3和g4为权重因子； 所述增长对抗网络模型通得训练过程为： 将训练集中的模糊图像输入至第一个学习模块，基于当前比例系数的标准差结构，训练第一个学习模块的高分辨率卷积块的网络参数，输出特征图像至对应的第一个判别模块；标准差结构包括低分辨率卷积块、上采样层、两个支路以及加权求和层，其中，一个支路用于利用上采样后的图像生成第一特征图像，另一个支路含有高分辨率卷积块生成第二特征图像，将第一特征图像和第二特征图像以1-t：t的比例进行加权求和，输出特征图像； 第一个判别模块基于特征图像和对应的清晰视频图像样本，计算损失函数并反馈至第一个学习模块； 多次增大第一个学习模块的比例系数，且每次增大后均跳转执行基于当前比例系数的标准差结构，训练第一个学习模块的高分辨率卷积块的网络参数，直至比例系数为1，完成第一个学习模块的低分辨率卷积块和高分辨率卷积块的多次训练，并通过比较每一个比例系数下的损失函数值，选定该学习模块的比例系数； 将第一个学习模块的高分辨率卷积块的网络参数继承给第二个学习模块的低分辨率卷积块； 将第一个学习模块选定比例系数下输出的特征图像输入至第二个学习模块，以基于当前比例系数的标准差结构，训练第二个学习模块的高分辨率卷积块的网络参数，输出特征图像至对应的第二个判别模块； 第二个判别模块基于特征图像和对应的清晰视频图像样本，计算损失函数并反馈回第二个学习模块； 多次增大第二个学习模块的比例系数，且每次增大后均跳转执行基于当前比例系数的标准差结构，训练第二个学习模块的高分辨率卷积块的网络参数，直至比例系数为1，完成第二个学习模块的低分辨率卷积块和高分辨率卷积块的多次训练，并通过比较每一个比例系数下的损失函数值，选定该学习模块的比例系数； 依次类推，依次训练剩余的学习模块，直至最后一个判别模块的损失函数小于设定阈值时，得到增长对抗网络模型； 在增长对抗网络模型得到增强后的当前视频图像之后，还包括： 基于增强后的当前视频图像的像素亮度，计算每个像素的融合权重Wx： 式中，Ix为增强后的当前视频图像第x个像素的亮度，Tx为增强后的当前视频图像第x个像素点的像素值，为原始的当前视频图像第x个像素点的像素值，为卷积运算，K为卷积核，ρ为控制参数，k为亮度阈值，α为调整系统，取值小于e； 将增强后的当前视频图像每个位置的像素值与其对应的融合权重相乘后，与原始的当前视频图像的对应像素相加，得到最终的增强后的当前视频图像，以基于最终的增强后的当前视频图像进行AI分析检测。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人扎赉诺尔煤业有限责任公司，其通讯地址为：021410 内蒙古自治区呼和浩特市满洲里市扎赉诺尔区育林街17号扎煤公司生产技术部；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。