基于可视化平台的矿区监控方法、装置和矿区监控系统

技术领域

本发明涉及安全监控技术领域，具体而言，涉及一种基于可视化平台的矿区监控方法、装置、计算机可读存储介质和矿区监控系统。

背景技术

目前煤矿企业安全生产管理中的视频高清度不够，部分设备仍是标清或模拟设备；对于生产过程的工业电视，未实现视频全覆盖；现有视频的智能化技术不高，仅能实现事后的追溯，AI事前智能分析预警的应用很少；

在安全管理中，对作业安全隐患、装置安全隐患无法完全规避，人为排查力度大，需靠技术手段，实现规避、降低和监测风险的目的；传统的视频监控以2D的形式呈现在视频墙上，直观性以及全局感较差，危化品状态监测也以数字展示及阈值报警为主，一方面增加了集控调度及管理人员监盘的难度和压力，另外当出现危化品泄漏时，不能快速的对事故现场进行定位以及快速的查看现场情况，基于报警等制定应急策略。

发明内容

本申请的主要目的在于提供一种基于可视化平台的矿区监控方法、装置、计算机可读存储介质和矿区监控系统，以至少解决现有技术中的监控系统以2D形式呈现，以数字展示和阈值为主，增加工作人员调度难度的问题。

为了实现上述目的，根据本申请的一个方面，提供了一种基于可视化平台的矿区监控方法，所述可视化平台包括智能预警系统、PI系统和监控系统，所述矿区监控方法包括：获取目标数据集，所述目标数据集包括设备运行数据和环境监测数据，所述目标数据集为所述监控系统通过传感器采集得到；获取第一目标图像，根据所述第一目标图像分别通过YOLOv5算法和FCM算法进行处理并对处理结果进行像素级相加得到第二目标图像，所述第一目标图像为所述监控系统通过摄像头监控的实时图像；将所述目标数据集和所述第二目标图像输入所述智能预警系统得到第一目标模型，所述第一目标模型为带有报警标签的第二目标模型，所述第二目标模型用于对井下的设备、工作人员以及环境进行动态仿真；将所述第一目标模型输入所述PI系统，所述PI系统用于将对所述第一目标模型转换为3D全景地图并显示。

可选地，在获取目标数据集之前，所述方法还包括：将第一映射关系输入所述监控系统，所述第一映射关系为所述目标数据集中的数据的数据类型与对应的数据标准的映射关系；将第二映射关系输入所述监控系统，所述第二映射关系为所述目标数据集中的数据的数据类型与对应的数据模型的映射关系；将第三映射关系输入所述监控系统，所述第三映射关系为所述目标数据集中的数据对应的所述数据模型与第一目标位置的映射关系，所述第一目标位置为所述数据模型在目标数据模型中的位置，所述目标数据模型包括所述目标数据集中的所有数据。

可选地，根据所述第一目标图像分别通过YOLOv5算法和FCM算法进行处理，其中，根据所述第一目标图像通过YOLOv5算法进行处理，包括：根据第一预设尺寸对所述第一目标图像进行裁剪得到第三目标图像，并根据所述第三目标图像中像素块的像素值进行归一化得到第四目标图像；遍历预设特征类型对所述第四目标图像依次进行特征匹配，确定多个目标像素块，所述目标像素块为对应特征类型与所述预设特征一致的所述像素块；根据所述目标像素块进行检测得到第二目标位置和目标类别，所述第二目标位置所述目标像素块的边框的坐标，所述目标类别为所述目标像素块对应的目标对象的类别，所述目标对象至少包括井下工作人员以及井下设备；根据所述第二目标位置和目标类别对所述第四目标图像添加标识信息得到第五目标图像。

可选地，根据所述第一目标图像分别通过YOLOv5算法和FCM算法进行处理，其中，根据所述第一目标图像通过FCM算法进行处理，包括：根据所述第二目标位置确定初始聚类中心，所述初始聚类中心与所述第二目标位置一一对应；根据所述初始聚类中心确定所述第二目标位置中各所述目标像素块对所述初始聚类中心的隶属度得到目标隶属度；根据所述目标隶属度构建隶属度矩阵，并根据所述初始聚类中心和所述隶属度矩阵进行迭代直至迭代次数达到第一预设值或相邻两次迭代对应的所述初始聚类中心的欧氏距离小于第二预设值得到目标聚类簇；根据所述目标聚类簇对所述第五目标图像中所述第二目标位置进行调整得到第六目标图像。

可选地，对处理结果进行像素级相加得到第二目标图像，包括：根据所述第五目标图像确定各所述像素块对应的像素值得到第一像素值；根据所述第六目标图像确定各所述像素块对应的像素值得到第二像素值；计算所述第一像素值和对应的所述第二像素值的和得到所述第二目标图像。

可选地，将所述目标数据集和所述第二目标图像输入所述智能预警系统，包括：获取预设数据集，所述预设数据集中的参数与所述目标数据集中的参数一一对应，所述预设数据集中包括各所述参数对应的预设范围；根据所述第二目标图像构建所述第二目标模型；对所述第二目标模型添加定点标签并在所述定点标签中写入所述目标数据集中的参数以及所述预设数据集中对应的所述预设范围得到第三目标模型，所述定点标签用于表征所述目标对象为所述井下设备；对所述第三目标模型添加矢量标签得到第四目标模型，所述矢量标签用于表征对应区域中所述目标对象的行进方向；对所述第四目标模型添加区域标签得到第五目标模型，所述区域标签用于表征对应区域中存在的所述目标对象的类型；在所述定点标签中所述目标数据集中的参数不在对应的所述预设范围的情况下，对所述定点标签添加所述报警标签；在所述矢量标签对应的区域中所述目标对象的行进方向与所述矢量标签不一致的情况下，对所述矢量标签添加所述报警标签；在所述区域标签对应的区域中不存在对应的所述目标对象或所述目标对象的数量大于第三预设值的情况下，对所述区域标签添加所述报警标签。

可选地，将所述第一目标模型输入所述PI系统，包括：对所述第一目标模型进行分区得到多个子区域，在所述子区域中存在所述报警标签的情况下，将所述子区域变换为预设颜色。

根据本申请的另一方面，提供了一种基于可视化平台的矿区监控装置，所述可视化平台包括智能预警系统、PI系统和监控系统，所述装置包括：第一获取单元，用于获取目标数据集，所述目标数据集包括设备运行数据和环境监测数据，所述目标数据集为所述监控系统通过传感器采集得到；第二获取单元，用于获取第一目标图像，根据所述第一目标图像分别通过YOLOv5算法和FCM算法进行处理并对处理结果进行像素级相加得到第二目标图像，所述第一目标图像为所述监控系统通过摄像头监控的实时图像；第一输入单元，用于将所述目标数据集和所述第二目标图像输入所述智能预警系统得到第一目标模型，所述第一目标模型为带有报警标签的第二目标模型，所述第二目标模型用于对井下的设备、工作人员以及环境进行动态仿真；第二输入单元，用于将所述第一目标模型输入所述PI系统，所述PI系统用于将对所述第一目标模型转换为3D全景地图并显示。

根据本申请的再一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的方法。

根据本申请的又一方面，提供了一种矿区监控系统，包括：一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行任意一种所述的方法。

应用本申请的技术方案，在上述基于可视化平台的矿区监控方法中，首先，获取目标数据集，上述目标数据集包括设备运行数据和环境监测数据，上述目标数据集为上述监控系统通过传感器采集得到；然后，获取第一目标图像，根据上述第一目标图像分别通过YOLOv5算法和FCM算法进行处理并对处理结果进行像素级相加得到第二目标图像，上述第一目标图像为上述监控系统通过摄像头监控的实时图像；之后，将上述目标数据集和上述第二目标图像输入上述智能预警系统得到第一目标模型，上述第一目标模型为带有报警标签的第二目标模型，上述第二目标模型用于对井下的设备、工作人员以及环境进行动态仿真；最后，将上述第一目标模型输入上述PI系统，上述PI系统用于将对上述第一目标模型转换为3D全景地图并显示。本申请设置通过监测参数与实时图像进行融合，通过监测井下的全局图像信息监控井下的设备以及人员的状态，同时监测设备以及环境数据，结合监测数据将图像变换为全景地图，便于工作人员对井下进行直观的监控，该方法解决了现有技术中的监控系统以2D形式呈现，以数字展示和阈值为主，增加工作人员调度难度的问题。

附图说明

图1示出了根据本申请的实施例中提供的一种基于可视化平台的矿区监控的移动终端的硬件结构框图；

图2示出了根据本申请的实施例提供的一种基于可视化平台的矿区监控方法的流程示意图；

图3示出了根据本申请的实施例提供的一种基于可视化平台的矿区监控装置的结构框图。

其中，上述附图包括以下附图标记：

102、处理器；104、存储器；106、传输设备；108、输入输出设备。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

正如背景技术中所介绍的，现有技术中监控系统无法实现立体展现，增加工作人员工作量，为解决现有技术中的监控系统以2D形式呈现，以数字展示和阈值为主，增加工作人员调度难度的问题，本申请的实施例提供了一种基于可视化平台的矿区监控方法、装置、计算机可读存储介质和矿区监控系统。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种基于可视化平台的矿区监控方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的设备信息的显示方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。

在本实施例中提供了一种运行于移动终端、计算机终端或者类似的运算装置的基于可视化平台的矿区监控方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图2是根据本申请实施例的基于可视化平台的矿区监控方法的流程图。如图2所示，该方法包括以下步骤：

步骤S201，获取目标数据集，上述目标数据集包括设备运行数据和环境监测数据，上述目标数据集为上述监控系统通过传感器采集得到；

具体地，通过井下设备安装的各种传感器采集上述设备的实时运行监测参数得到上述设备运行数据，进而通过安装于井下的传感器监测环境数据，主要包括井下气体环境的相关参数。

步骤S202，获取第一目标图像，根据上述第一目标图像分别通过YOLOv5算法和FCM算法进行处理并对处理结果进行像素级相加得到第二目标图像，上述第一目标图像为上述监控系统通过摄像头监控的实时图像；

具体地，通过井下安装的摄像头实时拍摄得到实时图像，即上述第一目标图像，基于上述第一目标图像，通过YOLOv5和FCN相结合，对图像进行处理，进而对上述YOLOv5的处理结果和FCN算法的处理结果进行数据融合得到上述第二目标图像。

步骤S203，将上述目标数据集和上述第二目标图像输入上述智能预警系统得到第一目标模型，上述第一目标模型为带有报警标签的第二目标模型，上述第二目标模型用于对井下的设备、工作人员以及环境进行动态仿真；

具体地，在上述智能预警系统中预设有用于井下环境实时仿真的模型，即上述第二目标模型，进而将上述目标数据集和上述第二目标图像输入上述智能预警系统，上述智能预警系统根据上述目标数据集和上述第二目标图像进行模型的更新，并根据更新后的模型的标签与预设的标签进行对比，在不一致或不在预设范围的情况下，添加报警标签。

步骤S204，将上述第一目标模型输入上述PI系统，上述PI系统用于将对上述第一目标模型转换为3D全景地图并显示。

具体地，在上述第一目标模型添加报警标签之后，将上述第一目标模型输入上述PI系统，进而PI系统将上述第一目标模型进行解析，将之转换为3D全景地图进行显示，以便工作人员进行直观的监管。

通过本实施例，首先，获取目标数据集，上述目标数据集包括设备运行数据和环境监测数据，上述目标数据集为上述监控系统通过传感器采集得到；然后，获取第一目标图像，根据上述第一目标图像分别通过YOLOv5算法和FCM算法进行处理并对处理结果进行像素级相加得到第二目标图像，上述第一目标图像为上述监控系统通过摄像头监控的实时图像；之后，将上述目标数据集和上述第二目标图像输入上述智能预警系统得到第一目标模型，上述第一目标模型为带有报警标签的第二目标模型，上述第二目标模型用于对井下的设备、工作人员以及环境进行动态仿真；最后，将上述第一目标模型输入上述PI系统，上述PI系统用于将对上述第一目标模型转换为3D全景地图并显示。本申请设置通过监测参数与实时图像进行融合，通过监测井下的全局图像信息监控井下的设备以及人员的状态，同时监测设备以及环境数据，结合监测数据将图像变换为全景地图，便于工作人员对井下进行直观的监控，该方法解决了现有技术中的监控系统以2D形式呈现，以数字展示和阈值为主，增加工作人员调度难度的问题。

为了实现上述监控系统的自动化数据采集，在一种可选的实施方式中，在获取目标数据集之前，上述方法还包括：

步骤S301，将第一映射关系输入上述监控系统，上述第一映射关系为上述目标数据集中的数据的数据类型与对应的数据标准的映射关系；

具体地，不同类型的监测数据在进行存储时的数据标准不同，本申请在监控系统中预设上述第一映射关系，在采集数据时根据上述数据标准进行采集，以保证各种数据都有对应的统一化标准，避免不同厂商的元件对应的数据标准不同增加统计工作的任务量。

步骤S302，将第二映射关系输入上述监控系统，上述第二映射关系为上述目标数据集中的数据的数据类型与对应的数据模型的映射关系；

具体地，数据采集完成之后需要存储至对应位置，为便于进行后续的数据转换以建立井下环境的仿真模型，本申请设置每一类数据对应一种数据模型以存储上述目标数据集中的数据，即上述第二映射关系，进而在上述监控系统中写入上述第二映射关系。

步骤S303，将第三映射关系输入上述监控系统，上述第三映射关系为上述目标数据集中的数据对应的上述数据模型与第一目标位置的映射关系，上述第一目标位置为上述数据模型在目标数据模型中的位置，上述目标数据模型包括上述目标数据集中的所有数据。

具体地，在构建数据模型时，同一种数据模型中同一种数据可以存储与不同位置，本申请对该位置进行统一化得到上述第三映射关系，进而，在上述监控系统中写入上述第三映射关系。

为了得到上述第二目标图像，通过YOLOv5算法对上述第一目标图像进行处理，在一种可选的实施方式中，上述步骤S202包括：

步骤S20201，根据第一预设尺寸对上述第一目标图像进行裁剪得到第三目标图像，并根据上述第三目标图像中像素块的像素值进行归一化得到第四目标图像；

具体地，根据上述YOLOv5算法运算所需的图片尺寸，即上述第一预设尺寸，对上述第一目标图像进行裁剪，得到上述第三目标图像，为简化YOLOv5算法的计算复杂度，对上述第三目标图像的像素值进行归一化得到上述第四目标图像。

步骤S20202，遍历预设特征类型对上述第四目标图像依次进行特征匹配，确定多个目标像素块，上述目标像素块为对应特征类型与上述预设特征一致的上述像素块；

具体地，根据目标对象的图像特征进行分析，进而得到模板中的预设特征类型，进而根据预设特征类型对上述第四目标图像进行特征匹配，得到上述第四目标图像中图像特征，确定其中符合目标对象的像素块，得到上述目标像素块。

步骤S20203，根据上述目标像素块进行检测得到第二目标位置和目标类别，上述第二目标位置上述目标像素块的边框的坐标，上述目标类别为上述目标像素块对应的目标对象的类别，上述目标对象至少包括井下工作人员以及井下设备；

具体地，根据上述目标像素块，进行边界的定位得到上述第二目标位置，进而根据上述图像边界确定目标对象的类别得到上述目标类别。

步骤S20204，根据上述第二目标位置和目标类别对上述第四目标图像添加标识信息得到第五目标图像。

具体地，对上述第四目标图像中的各上述目标像素块，添加上述对应用于标识目标类别的标识信息得到上述第五目标图像。

为了得到上述第二目标图像，通过FCM算法对上述第五目标图像进行处理，在一种可选的实施方式中，上述步骤S202包括：

步骤S20205，根据上述第二目标位置确定初始聚类中心，上述初始聚类中心与上述第二目标位置一一对应；

具体地，由于上述YOLOv5算法在图像分割性能上较差，本申请设置通过FCM算法在YOLOv5算法的识别结果进行进一步的精细化，具体地，在上述第二目标位置中包括的像素点中随机选择一个像素点作为上述初始聚类中心，在每一个上述第二目标位置中确定一个上述初始聚类中心。

步骤S20206，根据上述初始聚类中心确定上述第二目标位置中各上述目标像素块对上述初始聚类中心的隶属度得到目标隶属度；

具体地，根据上述初始聚类中心对上述第五目标图像的中上述第二目标位置的像素点进行聚类，得到每个上述像素点对应的上述目标隶属度。

步骤S20207，根据上述目标隶属度构建隶属度矩阵，并根据上述初始聚类中心和上述隶属度矩阵进行迭代直至迭代次数达到第一预设值或相邻两次迭代对应的上述初始聚类中心的欧氏距离小于第二预设值得到目标聚类簇；

具体地，根据上述目标隶属度构建隶属度矩阵，进而根据上述初始聚类中心和上述隶属度矩阵进行迭代，通过迭代优化上述第二目标位置的边界划分，直至连续两次迭代过程中聚类中心的位置偏移量小于上述第二预设值得到情况下，确定继续进行迭代对边界的优化有限，此时将对应的聚类簇确定为上述目标聚类簇。

步骤S20208，根据上述目标聚类簇对上述第五目标图像中上述第二目标位置进行调整得到第六目标图像。

具体地，根据各上述目标聚类簇中的像素点，对上述第二目标位置的边界进行调整得到上述第六目标图像。

为了融合上述YOLOv5算法和FCM算法的计算结果，在一种可选的实施方式中，上述步骤S202还包括：

步骤S20209，根据上述第五目标图像确定各上述像素块对应的像素值得到第一像素值；

具体地，根据上述第五目标图像确定第五目标图像中像素点的像素值，得到上述第一像素值。

步骤S20210，根据上述第六目标图像确定各上述像素块对应的像素值得到第二像素值；

具体地，根据上述第六目标图像确定上述第六目标图像中像素点的像素值得到上述第二像素值。

步骤S20211，计算上述第一像素值和对应的上述第二像素值的和得到上述第二目标图像。

具体地，对上述第一像素值和上述第二像素值进行像素级相加，得到图像融合后的上述第二目标图像的每个像素点的像素值，进而根据像素值还原为图像得到上述第二目标图像。

为了得到上述第一目标模型，在一种可选的实施方式中，上述步骤S203包括：

步骤S2031，获取预设数据集，上述预设数据集中的参数与上述目标数据集中的参数一一对应，上述预设数据集中包括各上述参数对应的预设范围；

具体地，获取上述目标数据集的参数对应的参数范围，得到上述预设数据集。

步骤S2032，根据上述第二目标图像构建上述第二目标模型；

具体地，根据上述第二目标图像构建井下环境的仿真模型得到上述第二目标模型。

步骤S2033，对上述第二目标模型添加定点标签并在上述定点标签中写入上述目标数据集中的参数以及上述预设数据集中对应的上述预设范围得到第三目标模型，上述定点标签用于表征上述目标对象为上述井下设备；

具体地，根据上述目标数据集中的参数对上述第二目标模型添加定点标签，在上述定点标签中写入实时监测的上述目标数据集的参数，进而对上述定点标签添加预设参数范围，得到上述定点标签。

步骤S2034，对上述第三目标模型添加矢量标签得到第四目标模型，上述矢量标签用于表征对应区域中上述目标对象的行进方向；

具体地，对可移动的上述目标对象添加上述矢量标签，用于表征目标对象的移动方向和速度，同时对上述顶点标签添加上述目标对象的预设移动方向和速度，得到上述矢量标签。

步骤S2035，对上述第四目标模型添加区域标签得到第五目标模型，上述区域标签用于表征对应区域中存在的上述目标对象的类型；

具体地，对井下危险易发区域进行重点监控，对对应的区域添加上述区域标签，上述区域标签中存有对应区域应该存在的上述目标对象，得到上述第五目标模型。

步骤S2036，在上述定点标签中上述目标数据集中的参数不在对应的上述预设范围的情况下，对上述定点标签添加上述报警标签；

具体地，根据上述定点标签中的预设参数范围对上述目标数据集中的参数继续判决，在上述参数超出预设范围的情况下，进行报警。

步骤S2037，在上述矢量标签对应的区域中上述目标对象的行进方向与上述矢量标签不一致的情况下，对上述矢量标签添加上述报警标签；

具体地，根据上述矢量标签中的预设行进方向与上述第二目标图像中的行进方向进行对比，在行进方向不一致，或行进速度超出预设值的情况下，进行报警。

步骤S2038，在上述区域标签对应的区域中不存在对应的上述目标对象或上述目标对象的数量大于第三预设值的情况下，对上述区域标签添加上述报警标签。

具体地，根据上述区域标签进行监控，在上述区域标签对应的区域中，上述目标对象不存在或数量超出预设值的情况下进行报警。

为例便于工作人员直观的得到监控结果，在一种可选的实施方式中，上述步骤S204包括：

步骤S2041，对上述第一目标模型进行分区得到多个子区域，在上述子区域中存在上述报警标签的情况下，将上述子区域变换为预设颜色。

具体地，对上述第一目标模型进行分区，并根据分区中的标签报警情况进行显示，在一种实施方式中，在上述子区域中存在上述报警标签的情况下，将上述子区域以红色进行显示。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本申请实施例还提供了一种基于可视化平台的矿区监控装置，需要说明的是，本申请实施例的基于可视化平台的矿区监控装置可以用于执行本申请实施例所提供的用于基于可视化平台的矿区监控方法。该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

以下对本申请实施例提供的基于可视化平台的矿区监控装置进行介绍。

图3是根据本申请实施例的基于可视化平台的矿区监控装置的结构框图。如图3所示，该装置包括：

第一获取单元10，用于获取目标数据集，上述目标数据集包括设备运行数据和环境监测数据，上述目标数据集为上述监控系统通过传感器采集得到；

具体地，通过井下设备安装的各种传感器采集上述设备的实时运行监测参数得到上述设备运行数据，进而通过安装于井下的传感器监测环境数据，主要包括井下气体环境的相关参数。

第二获取单元20，用于获取第一目标图像，根据上述第一目标图像分别通过YOLOv5算法和FCM算法进行处理并对处理结果进行像素级相加得到第二目标图像，上述第一目标图像为上述监控系统通过摄像头监控的实时图像；

具体地，通过井下安装的摄像头实时拍摄得到实时图像，即上述第一目标图像，基于上述第一目标图像，通过YOLOv5和FCN相结合，对图像进行处理，进而对上述YOLOv5的处理结果和FCN算法的处理结果进行数据融合得到上述第二目标图像。

第一输入单元30，用于将上述目标数据集和上述第二目标图像输入上述智能预警系统得到第一目标模型，上述第一目标模型为带有报警标签的第二目标模型，上述第二目标模型用于对井下的设备、工作人员以及环境进行动态仿真；

具体地，在上述智能预警系统中预设有用于井下环境实时仿真的模型，即上述第二目标模型，进而将上述目标数据集和上述第二目标图像输入上述智能预警系统，上述智能预警系统根据上述目标数据集和上述第二目标图像进行模型的更新，并根据更新后的模型的标签与预设的标签进行对比，在不一致或不在预设范围的情况下，添加报警标签。

第二输入单元40，用于将上述第一目标模型输入上述PI系统，上述PI系统用于将对上述第一目标模型转换为3D全景地图并显示。

具体地，在上述第一目标模型添加报警标签之后，将上述第一目标模型输入上述PI系统，进而PI系统将上述第一目标模型进行解析，将之转换为3D全景地图进行显示，以便工作人员进行直观的监管。

通过本实施例，第一获取单元获取目标数据集，上述目标数据集包括设备运行数据和环境监测数据，上述目标数据集为上述监控系统通过传感器采集得到；第二获取单元获取第一目标图像，根据上述第一目标图像分别通过YOLOv5算法和FCM算法进行处理并对处理结果进行像素级相加得到第二目标图像，上述第一目标图像为上述监控系统通过摄像头监控的实时图像；第一输入单元将上述目标数据集和上述第二目标图像输入上述智能预警系统得到第一目标模型，上述第一目标模型为带有报警标签的第二目标模型，上述第二目标模型用于对井下的设备、工作人员以及环境进行动态仿真；第二输入单元将上述第一目标模型输入上述PI系统，上述PI系统用于将对上述第一目标模型转换为3D全景地图并显示。本申请设置通过监测参数与实时图像进行融合，通过监测井下的全局图像信息监控井下的设备以及人员的状态，同时监测设备以及环境数据，结合监测数据将图像变换为全景地图，便于工作人员对井下进行直观的监控，该方法解决了现有技术中的监控系统以2D形式呈现，以数字展示和阈值为主，增加工作人员调度难度的问题。

为了实现上述监控系统的自动化数据采集，在一种可选的实施方式中，上述装置还包括：

第三输入单元，用于在获取目标数据集之前，将第一映射关系输入上述监控系统，上述第一映射关系为上述目标数据集中的数据的数据类型与对应的数据标准的映射关系；

具体地，不同类型的监测数据在进行存储时的数据标准不同，本申请在监控系统中预设上述第一映射关系，在采集数据时根据上述数据标准进行采集，以保证各种数据都有对应的统一化标准，避免不同厂商的元件对应的数据标准不同增加统计工作的任务量。

第四输入单元，用于将第二映射关系输入上述监控系统，上述第二映射关系为上述目标数据集中的数据的数据类型与对应的数据模型的映射关系；

具体地，数据采集完成之后需要存储至对应位置，为便于进行后续的数据转换以建立井下环境的仿真模型，本申请设置每一类数据对应一种数据模型以存储上述目标数据集中的数据，即上述第二映射关系，进而在上述监控系统中写入上述第二映射关系。

第五输入单元，用于将第三映射关系输入上述监控系统，上述第三映射关系为上述目标数据集中的数据对应的上述数据模型与第一目标位置的映射关系，上述第一目标位置为上述数据模型在目标数据模型中的位置，上述目标数据模型包括上述目标数据集中的所有数据。

具体地，在构建数据模型时，同一种数据模型中同一种数据可以存储与不同位置，本申请对该位置进行统一化得到上述第三映射关系，进而，在上述监控系统中写入上述第三映射关系。

为了得到上述第二目标图像，通过YOLOv5算法对上述第一目标图像进行处理，在一种可选的实施方式中，上述第二获取单元包括：

第一处理模块，用于根据第一预设尺寸对上述第一目标图像进行裁剪得到第三目标图像，并根据上述第三目标图像中像素块的像素值进行归一化得到第四目标图像；

具体地，根据上述YOLOv5算法运算所需的图片尺寸，即上述第一预设尺寸，对上述第一目标图像进行裁剪，得到上述第三目标图像，为简化YOLOv5算法的计算复杂度，对上述第三目标图像的像素值进行归一化得到上述第四目标图像。

第一确定模块，用于遍历预设特征类型对上述第四目标图像依次进行特征匹配，确定多个目标像素块，上述目标像素块为对应特征类型与上述预设特征一致的上述像素块；

具体地，根据目标对象的图像特征进行分析，进而得到模板中的预设特征类型，进而根据预设特征类型对上述第四目标图像进行特征匹配，得到上述第四目标图像中图像特征，确定其中符合目标对象的像素块，得到上述目标像素块。

第二处理模块，用于根据上述目标像素块进行检测得到第二目标位置和目标类别，上述第二目标位置上述目标像素块的边框的坐标，上述目标类别为上述目标像素块对应的目标对象的类别，上述目标对象至少包括井下工作人员以及井下设备；

具体地，根据上述目标像素块，进行边界的定位得到上述第二目标位置，进而根据上述图像边界确定目标对象的类别得到上述目标类别。

第三处理模块，用于根据上述第二目标位置和目标类别对上述第四目标图像添加标识信息得到第五目标图像。

具体地，对上述第四目标图像中的各上述目标像素块，添加上述对应用于标识目标类别的标识信息得到上述第五目标图像。

为了得到上述第二目标图像，通过FCM算法对上述第五目标图像进行处理，在一种可选的实施方式中，上述第二获取单元包括：

第二确定模块，用于根据上述第二目标位置确定初始聚类中心，上述初始聚类中心与上述第二目标位置一一对应；

具体地，由于上述YOLOv5算法在图像分割性能上较差，本申请设置通过FCM算法在YOLOv5算法的识别结果进行进一步的精细化，具体地，在上述第二目标位置中包括的像素点中随机选择一个像素点作为上述初始聚类中心，在每一个上述第二目标位置中确定一个上述初始聚类中心。

第三确定模块，用于根据上述初始聚类中心确定上述第二目标位置中各上述目标像素块对上述初始聚类中心的隶属度得到目标隶属度；

具体地，根据上述初始聚类中心对上述第五目标图像的中上述第二目标位置的像素点进行聚类，得到每个上述像素点对应的上述目标隶属度。

第四确定模块，用于根据上述目标隶属度构建隶属度矩阵，并根据上述初始聚类中心和上述隶属度矩阵进行迭代直至迭代次数达到第一预设值或相邻两次迭代对应的上述初始聚类中心的欧氏距离小于第二预设值得到目标聚类簇；

具体地，根据上述目标隶属度构建隶属度矩阵，进而根据上述初始聚类中心和上述隶属度矩阵进行迭代，通过迭代优化上述第二目标位置的边界划分，直至连续两次迭代过程中聚类中心的位置偏移量小于上述第二预设值得到情况下，确定继续进行迭代对边界的优化有限，此时将对应的聚类簇确定为上述目标聚类簇。

第五确定模块，用于根据上述目标聚类簇对上述第五目标图像中上述第二目标位置进行调整得到第六目标图像。

具体地，根据各上述目标聚类簇中的像素点，对上述第二目标位置的边界进行调整得到上述第六目标图像。

为了融合上述YOLOv5算法和FCM算法的计算结果，在一种可选的实施方式中，上述第二获取单元还包括：

第六确定模块，用于根据上述第五目标图像确定各上述像素块对应的像素值得到第一像素值；

具体地，根据上述第五目标图像确定第五目标图像中像素点的像素值，得到上述第一像素值。

第七确定模块，用于根据上述第六目标图像确定各上述像素块对应的像素值得到第二像素值；

具体地，根据上述第六目标图像确定上述第六目标图像中像素点的像素值得到上述第二像素值。

计算模块，用于计算上述第一像素值和对应的上述第二像素值的和得到上述第二目标图像。

具体地，对上述第一像素值和上述第二像素值进行像素级相加，得到图像融合后的上述第二目标图像的每个像素点的像素值，进而根据像素值还原为图像得到上述第二目标图像。

为了得到上述第一目标模型，在一种可选的实施方式中，上述第一输入单元包括：

获取模块，用于获取预设数据集，上述预设数据集中的参数与上述目标数据集中的参数一一对应，上述预设数据集中包括各上述参数对应的预设范围；

具体地，获取上述目标数据集的参数对应的参数范围，得到上述预设数据集。

构建模块，用于根据上述第二目标图像构建上述第二目标模型；

具体地，根据上述第二目标图像构建井下环境的仿真模型得到上述第二目标模型。

第一添加模块，用于对上述第二目标模型添加定点标签并在上述定点标签中写入上述目标数据集中的参数以及上述预设数据集中对应的上述预设范围得到第三目标模型，上述定点标签用于表征上述目标对象为上述井下设备；

具体地，根据上述目标数据集中的参数对上述第二目标模型添加定点标签，在上述定点标签中写入实时监测的上述目标数据集的参数，进而对上述定点标签添加预设参数范围，得到上述定点标签。

第二添加模块，用于对上述第三目标模型添加矢量标签得到第四目标模型，上述矢量标签用于表征对应区域中上述目标对象的行进方向；

具体地，对可移动的上述目标对象添加上述矢量标签，用于表征目标对象的移动方向和速度，同时对上述顶点标签添加上述目标对象的预设移动方向和速度，得到上述矢量标签。

第三添加模块，用于对上述第四目标模型添加区域标签得到第五目标模型，上述区域标签用于表征对应区域中存在的上述目标对象的类型；

具体地，对井下危险易发区域进行重点监控，对对应的区域添加上述区域标签，上述区域标签中存有对应区域应该存在的上述目标对象，得到上述第五目标模型。

第四添加模块，用于在上述定点标签中上述目标数据集中的参数不在对应的上述预设范围的情况下，对上述定点标签添加上述报警标签；

具体地，根据上述定点标签中的预设参数范围对上述目标数据集中的参数继续判决，在上述参数超出预设范围的情况下，进行报警。

第五添加模块，用于在上述矢量标签对应的区域中上述目标对象的行进方向与上述矢量标签不一致的情况下，对上述矢量标签添加上述报警标签；

具体地，根据上述矢量标签中的预设行进方向与上述第二目标图像中的行进方向进行对比，在行进方向不一致，或行进速度超出预设值的情况下，进行报警。

第六添加模块，用于在上述区域标签对应的区域中不存在对应的上述目标对象或上述目标对象的数量大于第三预设值的情况下，对上述区域标签添加上述报警标签。

具体地，根据上述区域标签进行监控，在上述区域标签对应的区域中，上述目标对象不存在或数量超出预设值的情况下进行报警。

为例便于工作人员直观的得到监控结果，在一种可选的实施方式中，上述第二输入单元包括：

显示模块，用于对上述第一目标模型进行分区得到多个子区域，在上述子区域中存在上述报警标签的情况下，将上述子区域变换为预设颜色。

具体地，对上述第一目标模型进行分区，并根据分区中的标签报警情况进行显示，在一种实施方式中，在上述子区域中存在上述报警标签的情况下，将上述子区域以红色进行显示。

上述基于可视化平台的矿区监控装置包括处理器和存储器，上述第一获取单元、第二获取单元、第一输入单元和第二输入单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来提工作人员对井下以为情况的调度效率。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

本发明实施例提供了一种计算机可读存储介质，上述计算机可读存储介质包括存储的程序，其中，在上述程序运行时控制上述计算机可读存储介质所在设备执行上述基于可视化平台的矿区监控方法。

具体地，基于可视化平台的矿区监控方法包括：

步骤S201，获取目标数据集，上述目标数据集包括设备运行数据和环境监测数据，上述目标数据集为上述监控系统通过传感器采集得到；

具体地，通过井下设备安装的各种传感器采集上述设备的实时运行监测参数得到上述设备运行数据，进而通过安装于井下的传感器监测环境数据，主要包括井下气体环境的相关参数。

步骤S202，获取第一目标图像，根据上述第一目标图像分别通过YOLOv5算法和FCM算法进行处理并对处理结果进行像素级相加得到第二目标图像，上述第一目标图像为上述监控系统通过摄像头监控的实时图像；

具体地，通过井下安装的摄像头实时拍摄得到实时图像，即上述第一目标图像，基于上述第一目标图像，通过YOLOv5和FCN相结合，对图像进行处理，进而对上述YOLOv5的处理结果和FCN算法的处理结果进行数据融合得到上述第二目标图像。

步骤S203，将上述目标数据集和上述第二目标图像输入上述智能预警系统得到第一目标模型，上述第一目标模型为带有报警标签的第二目标模型，上述第二目标模型用于对井下的设备、工作人员以及环境进行动态仿真；

具体地，在上述智能预警系统中预设有用于井下环境实时仿真的模型，即上述第二目标模型，进而将上述目标数据集和上述第二目标图像输入上述智能预警系统，上述智能预警系统根据上述目标数据集和上述第二目标图像进行模型的更新，并根据更新后的模型的标签与预设的标签进行对比，在不一致或不在预设范围的情况下，添加报警标签。

步骤S204，将上述第一目标模型输入上述PI系统，上述PI系统用于将对上述第一目标模型转换为3D全景地图并显示。

具体地，在上述第一目标模型添加报警标签之后，将上述第一目标模型输入上述PI系统，进而PI系统将上述第一目标模型进行解析，将之转换为3D全景地图进行显示，以便工作人员进行直观的监管。

本发明实施例提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述基于可视化平台的矿区监控方法。

具体地，基于可视化平台的矿区监控方法包括：

步骤S201，获取目标数据集，上述目标数据集包括设备运行数据和环境监测数据，上述目标数据集为上述监控系统通过传感器采集得到；

具体地，通过井下设备安装的各种传感器采集上述设备的实时运行监测参数得到上述设备运行数据，进而通过安装于井下的传感器监测环境数据，主要包括井下气体环境的相关参数。

步骤S202，获取第一目标图像，根据上述第一目标图像分别通过YOLOv5算法和FCM算法进行处理并对处理结果进行像素级相加得到第二目标图像，上述第一目标图像为上述监控系统通过摄像头监控的实时图像；

具体地，通过井下安装的摄像头实时拍摄得到实时图像，即上述第一目标图像，基于上述第一目标图像，通过YOLOv5和FCN相结合，对图像进行处理，进而对上述YOLOv5的处理结果和FCN算法的处理结果进行数据融合得到上述第二目标图像。

步骤S203，将上述目标数据集和上述第二目标图像输入上述智能预警系统得到第一目标模型，上述第一目标模型为带有报警标签的第二目标模型，上述第二目标模型用于对井下的设备、工作人员以及环境进行动态仿真；

具体地，在上述智能预警系统中预设有用于井下环境实时仿真的模型，即上述第二目标模型，进而将上述目标数据集和上述第二目标图像输入上述智能预警系统，上述智能预警系统根据上述目标数据集和上述第二目标图像进行模型的更新，并根据更新后的模型的标签与预设的标签进行对比，在不一致或不在预设范围的情况下，添加报警标签。

步骤S204，将上述第一目标模型输入上述PI系统，上述PI系统用于将对上述第一目标模型转换为3D全景地图并显示。

具体地，在上述第一目标模型添加报警标签之后，将上述第一目标模型输入上述PI系统，进而PI系统将上述第一目标模型进行解析，将之转换为3D全景地图进行显示，以便工作人员进行直观的监管。

本发明实施例提供了一种矿区监控系统，矿区监控系统包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步骤：

步骤S201，获取目标数据集，上述目标数据集包括设备运行数据和环境监测数据，上述目标数据集为上述监控系统通过传感器采集得到；

步骤S202，获取第一目标图像，根据上述第一目标图像分别通过YOLOv5算法和FCM算法进行处理并对处理结果进行像素级相加得到第二目标图像，上述第一目标图像为上述监控系统通过摄像头监控的实时图像；

步骤S203，将上述目标数据集和上述第二目标图像输入上述智能预警系统得到第一目标模型，上述第一目标模型为带有报警标签的第二目标模型，上述第二目标模型用于对井下的设备、工作人员以及环境进行动态仿真；

步骤S204，将上述第一目标模型输入上述PI系统，上述PI系统用于将对上述第一目标模型转换为3D全景地图并显示。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少如下方法步骤的程序：

步骤S201，获取目标数据集，上述目标数据集包括设备运行数据和环境监测数据，上述目标数据集为上述监控系统通过传感器采集得到；

步骤S202，获取第一目标图像，根据上述第一目标图像分别通过YOLOv5算法和FCM算法进行处理并对处理结果进行像素级相加得到第二目标图像，上述第一目标图像为上述监控系统通过摄像头监控的实时图像；

步骤S203，将上述目标数据集和上述第二目标图像输入上述智能预警系统得到第一目标模型，上述第一目标模型为带有报警标签的第二目标模型，上述第二目标模型用于对井下的设备、工作人员以及环境进行动态仿真；

步骤S204，将上述第一目标模型输入上述PI系统，上述PI系统用于将对上述第一目标模型转换为3D全景地图并显示。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

从以上的描述中，可以看出，本申请上述的实施例实现了如下技术效果：

1)、本申请的基于可视化平台的矿区监控方法，首先，获取目标数据集，上述目标数据集包括设备运行数据和环境监测数据，上述目标数据集为上述监控系统通过传感器采集得到；然后，获取第一目标图像，根据上述第一目标图像分别通过YOLOv5算法和FCM算法进行处理并对处理结果进行像素级相加得到第二目标图像，上述第一目标图像为上述监控系统通过摄像头监控的实时图像；之后，将上述目标数据集和上述第二目标图像输入上述智能预警系统得到第一目标模型，上述第一目标模型为带有报警标签的第二目标模型，上述第二目标模型用于对井下的设备、工作人员以及环境进行动态仿真；最后，将上述第一目标模型输入上述PI系统，上述PI系统用于将对上述第一目标模型转换为3D全景地图并显示。本申请设置通过监测参数与实时图像进行融合，通过监测井下的全局图像信息监控井下的设备以及人员的状态，同时监测设备以及环境数据，结合监测数据将图像变换为全景地图，便于工作人员对井下进行直观的监控，该方法解决了现有技术中的监控系统以2D形式呈现，以数字展示和阈值为主，增加工作人员调度难度的问题。

2)、本申请的基于可视化平台的矿区监控装置，第一获取单元获取目标数据集，上述目标数据集包括设备运行数据和环境监测数据，上述目标数据集为上述监控系统通过传感器采集得到；第二获取单元获取第一目标图像，根据上述第一目标图像分别通过YOLOv5算法和FCM算法进行处理并对处理结果进行像素级相加得到第二目标图像，上述第一目标图像为上述监控系统通过摄像头监控的实时图像；第一输入单元将上述目标数据集和上述第二目标图像输入上述智能预警系统得到第一目标模型，上述第一目标模型为带有报警标签的第二目标模型，上述第二目标模型用于对井下的设备、工作人员以及环境进行动态仿真；第二输入单元将上述第一目标模型输入上述PI系统，上述PI系统用于将对上述第一目标模型转换为3D全景地图并显示。本申请设置通过监测参数与实时图像进行融合，通过监测井下的全局图像信息监控井下的设备以及人员的状态，同时监测设备以及环境数据，结合监测数据将图像变换为全景地图，便于工作人员对井下进行直观的监控，该方法解决了现有技术中的监控系统以2D形式呈现，以数字展示和阈值为主，增加工作人员调度难度的问题。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。