视频讲解丨孙文斌教授：基于机器视觉的两阶段电法监测突水实时预警

本文研究背景是深部煤炭开采面临高地应力、高水压等复杂地质环境，突水灾害问题日益严峻。研究目的是针对传统监测手段在实时性、灾变趋势判断及早期预警方面的不足，创新性地将深度学习、机器视觉与电法监测相结合，提出一种基于机器视觉的两阶段电法监测突水实时预警方法。该方法第一阶段使用轻量化深度学习模型YOLO11s快速识别电法图像中的低电阻率区域，第二阶段采用OpenCV-HSV颜色过滤算法从个数、面积占比和颜色深度三个维度分析低阻区域的灾变特征，并触发分级预警。研究结论表明，YOLO11s模型在识别低阻区任务中mAP达到90.2%，平均推理速度每帧34.6 ms，能够实现对低阻区的精准、快速识别；结合OpenCV-HSV算法，系统实现了对突水的实时预警，克服了其他监测手段的局限。