CN119131514B - 一种基于无人机的露天矿山灾害检测方法 - Google Patents

Abstract

本发明公开了一种基于无人机的露天矿山灾害检测方法，属于矿山灾害检测技术领域，包括：评估地形复杂度和地质稳定性，获取已知灾害风险区信息，基于已知灾害风险区信息生成风险区域分布图；基于地形复杂度、地质稳定性和风险区域分布图获得高风险区域，基于高风险区域，生成规避高风险区域的无人机飞行路径；按照无人机飞行路径通过无人机实时采集高分辨率影像数据，获得全景影像图；使用深度学习算法对全景影像图进行检测，获得疑似塌陷区域属性信息；结合已知的矿山塌陷特征数据，使用相似度匹配算法判断塌陷区域的真实性，获得检测结果；将检测结果上传至管理平台，进行实时展示和动态更新。本发明提升了矿山灾害监测的效率和准确性。

Description

一种基于无人机的露天矿山灾害检测方法

技术领域

本发明属于矿山灾害检测技术领域，尤其涉及一种基于无人机的露天矿山灾害检测方法。

背景技术

无人机灾害规避路径规划技术在无人机对露天矿山进行灾害检测时，通过对矿山地形、地质条件、灾害风险区等信息的综合分析，自主规划飞行路径，避开高风险区域，确保无人机的飞行安全和灾害检测的有效性。而塌陷信息化技术则侧重于对矿山塌陷区域的信息采集、分析和管理，为无人机的灾害检测提供重要的数据支持，但在具体的无人机飞行路径规划方面缺乏考虑，两者可以结合起来，实现更加全面和精准的矿山灾害检测。

发明内容

为解决上述技术问题，本发明提出了，以解决上述现有技术存在的问题。

为实现上述目的，本发明提供了一种基于无人机的露天矿山灾害检测方法，包括以下步骤：

获取矿区地形地貌和地质结构参数，评估地形复杂度和地质稳定性，获取已知灾害风险区信息，基于所述已知灾害风险区信息生成风险区域分布图；

基于所述地形复杂度、地质稳定性和风险区域分布图获得高风险区域，基于所述高风险区域，生成规避高风险区域的无人机飞行路径；

按照所述无人机飞行路径通过无人机实时采集高分辨率影像数据，获得全景影像图；

使用深度学习算法对所述全景影像图进行检测，获得疑似塌陷区域属性信息；

结合已知的矿山塌陷特征数据，使用相似度匹配算法判断塌陷区域的真实性，获得检测结果；

将检测结果上传至管理平台，进行实时展示和动态更新。

优选地，基于矿区地形地貌和地质结构参数获取评估地形复杂度和地质稳定性的方法包括：

采用地理信息系统技术，根据所述地形地貌和地质结构参数，对目标矿区的地形复杂度进行量化分析，得到地形复杂度分析结果；

采用稳定性评估模型，根据所述地质结构参数，对所述目标矿区的地质稳定性进行定量评估，得到地质稳定性评估结果。

优选地，生成风险区域分布图的方法包括：

获取已知灾害风险区信息，对所述灾害风险区信息进行结构化处理，转换为统一的数据格式；根据所述灾害风险区的位置坐标数据，判断灾害风险区是否位于目标矿区的边界范围内，筛选出位于所述目标矿区内的灾害风险区数据；对所述灾害风险区数据进行预处理，提取风险等级和灾害类型属性并转换为数值型特征向量；采用K-means聚类算法对所述数值型特征向量进行聚类分析，根据聚类结果将所述灾害风险区划分为不同的风险等级，生成灾害区域分布图像。

优选地，所述无人机飞行路径的生成方法包括：

基于所述地形复杂度、地质稳定性和风险区域分布图，构建无人机飞行环境模型；采用A启发式搜索算法，在飞行环境模型中搜索无人机飞行路径，生成初始飞行路线；根据所述风险区域分布图对初始飞行路线进行规避高风险区域优化，得到优化后的飞行路径。

优选地，所述获得全景影像图的方法包括：

获取无人机的飞行轨迹数据和姿态数据，根据飞行轨迹数据和姿态数据，确定无人机的空间位置和姿态角度；对采集的原始影像数据进行预处理，获得预处理图像；根据无人机的空间位置和姿态角度，计算预处理图像中相邻影像之间的重叠区域，采用特征点匹配算法，提取重叠区域内的特征点，并计算特征点之间的对应关系；根据特征点的对应关系，采用随机抽样一致性算法，估计相邻影像之间的单应性矩阵，并利用单应性矩阵对影像进行几何校正和配准；将配准后的影像数据输入到图像拼接模型中，采用多频段融合算法，在频域上对影像数据进行融合，消除影像之间的亮度差异和色差，得到无缝拼接的全景影像图。

优选地，采集原始影像数据时，控制机载光学传感器的曝光参数，获取传感器采集的原始影像数据，根据影像数据的亮度分布，动态调整传感器的曝光时间和增益系数。

优选地，所述预处理的方法包括：根据光学传感器的内参数和外参数，采用径向畸变校正模型，对影像数据进行径向畸变和切向畸变消除处理。

优选地，所述获得疑似塌陷区域属性信息的方法包括：

通过预先训练好的YOLOv5目标检测模型对影像进行实时检测，当检测到疑似塌陷区域时，通过深度学习算法对疑似塌陷区域进行定位，获取疑似塌陷区域的坐标信息，基于所述坐标信息获取地理位置，通过图像分割算法，对定位到的疑似塌陷区域进行边缘提取，获得疑似塌陷区域的轮廓信息；基于所述轮廓信息，采用多边形面积计算公式，计算出疑似塌陷区域的面积大小；将所述坐标信息、地理位置和面积大小进行关联存储，形成结构化的塌陷区域属性信息。

与现有技术相比，本发明具有如下优点和技术效果：

本发明公开了一种基于无人机的露天矿山灾害检测方法。首先，通过获取目标矿区的地形地貌特征参数和地质结构特征参数，综合分析确定矿区的地形复杂度和地质稳定性评估结果。接着，利用聚类算法对已知灾害风险区进行智能分类，生成不同风险等级的灾害区域分布图。基于这些评估结果和分布图，采用启发式搜索算法自动生成无人机的飞行路径，并优化路径以规避高风险区域，确保飞行安全和灾害检测的全覆盖性。在飞行过程中，机载光学传感器实时采集高分辨率影像数据，并通过图像拼接算法获取矿区全景影像图。随后，基于深度学习的目标检测算法实时检测和定位疑似塌陷区域，并结合矿山塌陷特征数据库，通过相似度匹配算法精准识别塌陷区域。最终，将检测到的塌陷区域信息上传至矿山灾害信息管理平台，实现塌陷区域的实时展示和动态更新，为矿山灾害预警和应急决策提供数据支持。本发明通过智能路径规划、实时影像拼接与塌陷检测，提升了矿山灾害监测的效率和准确性。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本发明实施例的方法流程图。

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。

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。

实施例一

如图1所示，本实施例中提供一种基于无人机的露天矿山灾害检测方法，包括以下步骤：

获取矿区地形地貌和地质结构参数，评估地形复杂度和地质稳定性，获取已知灾害风险区信息，基于已知灾害风险区信息生成风险区域分布图；

基于地形复杂度、地质稳定性和风险区域分布图获得高风险区域，基于高风险区域，生成规避高风险区域的无人机飞行路径；

按照无人机飞行路径通过无人机实时采集高分辨率影像数据，获得全景影像图；

使用深度学习算法对全景影像图进行检测，获得疑似塌陷区域属性信息；

结合已知的矿山塌陷特征数据，使用相似度匹配算法判断塌陷区域的真实性，获得检测结果；

将检测结果上传至管理平台，进行实时展示和动态更新。

具体实施方法如下：

S101、根据预先建立的矿山地形地质条件数据库，获取目标矿区的地形地貌特征参数和地质结构特征参数，通过综合分析确定该矿区的地形复杂度和地质稳定性评估结果。

获取目标矿区的地形地貌参数和地质结构参数；

采用地理信息系统技术，根据所述地形地貌参数和地质结构参数，对所述目标矿区的地形复杂度进行量化分析，得到地形复杂度分析结果；

采用稳定性评估模型，根据所述地质结构参数，对所述目标矿区的地质稳定性进行定量评估，得到地质稳定性评估结果；

通过数据融合技术，将所述地形复杂度分析结果和所述地质稳定性评估结果进行综合，得到所述目标矿区的综合地形和地质稳定性评估报告；

具体来说，首先通过无人机航拍、卫星遥感等方式获取目标矿区的高程、坡度、坡向等地形地貌参数以及岩性、地层、断层等地质结构参数。然后利用ArcGIS软件对获取的数据进行空间插值分析，生成矿区数字高程模型，并计算地形起伏度、高差等指标，定量评估矿区地形复杂程度，得到地形复杂度的分析结果。同时，采用模糊综合评判法，从岩性强度、地层产状、断层密度等方面，对矿区地质结构稳定性进行打分，计算得到地质稳定性评估值。接着，通过加权平均法，将地形复杂度和地质稳定性两项结果赋予权重系数，综合计算得到该矿区综合地形和地质稳定性评估值。

S102、针对目标矿区，获取预先标注的已知灾害风险区位置坐标、风险等级、灾害类型等属性信息，通过聚类算法进行灾害风险区信息的智能分类，得到不同风险等级的灾害区域分布图。

获取目标矿区的地理位置信息和边界范围数据，将其转换为空间坐标系下的多边形区域；获取预先标注的已知灾害风险区的位置坐标、风险等级、灾害类型属性信息，对属性信息进行结构化处理，转换为统一的数据格式；根据所述灾害风险区的位置坐标数据，判断每个所述灾害风险区是否位于所述目标矿区的边界范围内，筛选出位于所述目标矿区内的灾害风险区数据；对筛选出的所述灾害风险区数据进行预处理，提取所述风险等级和所述灾害类型属性，将其转换为数值型特征向量；采用K-means聚类算法对所述灾害风险区特征向量进行聚类分析，根据聚类结果将所述灾害风险区划分为不同的风险等级；对聚类后的所述灾害风险区数据进行空间可视化处理，在所述目标矿区的地理底图上，以不同颜色或图案标识出不同风险等级的灾害区域；根据可视化结果生成灾害区域分布图像，并将所述图像与所述灾害风险区的属性信息进行关联，形成完整的灾害风险区域分布图数据集。

具体来说，首先，利用GPS定位技术获取目标矿区的地理坐标，如经度1123°E，纬度354°N，然后通过遥感影像解译技术提取矿区边界，得到一个由多个坐标点构成的多边形区域。接着，从已有的灾害信息数据库中获取该区域内已知的滑坡、泥石流等灾害点的位置坐标、危险等级和灾害类型等属性信息，通过Python的Pandas库将其转换为统一的CSV格式。利用ArcGIS的空间查询功能，以矿区边界多边形为查询条件，筛选出位于矿区内部的灾害点数据。对这些数据进行预处理，提取危险等级(如高危、中危、低危)和灾害类型(如滑坡、泥石流)两个属性，分别赋值为1、2、3和0、1，转换为数值型特征向量。然后采用K-means聚类算法，设置聚类数k=3,对特征向量进行聚类，得到3个聚类中心，分别代表高危、中危、低危三个风险等级。再使用ArcGIS的符号化功能，以红色、橙色、黄色分别表示高、中、低危险区域，生成灾害风险分布图。最后，将该分布图与灾害点的属性信息表进行空间连接，生成包含位置、类型、危险等级等信息的矢量数据集，为后续的灾害防治决策提供数据支持。

采用K-means聚类算法对所述灾害风险区特征向量进行聚类分析，根据聚类结果将所述灾害风险区划分为不同的风险等级。

获取灾害风险区域的地理信息数据和历史灾害数据，提取灾害风险区的特征参数，构建灾害风险区特征向量；

采用数据预处理技术对所述灾害风险区特征向量进行归一化处理，消除不同特征参数量纲和数值范围差异的影响；

根据所述灾害风险区特征向量的维度和数据分布特点，设置K-means聚类算法的聚类中心数量和迭代次数阈值；

应用所述K-means聚类算法对预处理后的所述灾害风险区特征向量进行聚类分析，得到灾害风险区的聚类结果；

针对所述K-means聚类结果，计算每个聚类中心所包含的所述灾害风险区特征向量的平均风险等级，得到各聚类的风险等级；

根据各聚类的风险等级大小，对所述聚类结果进行排序，确定不同聚类所代表的风险等级；

将所述灾害风险区按照其特征向量所属的聚类，划分为对应的风险等级，生成灾害风险区风险等级划分图。

S103、根据矿山地形复杂度、地质稳定性评估结果以及灾害风险区分布图，采用启发式搜索算法自动生成无人机的飞行路径，并优化路径以规避高风险区域，确保无人机的飞行安全和灾害检测的全覆盖性。

根据地形复杂程度指标、地质稳定性等级和风险区分布图，构建无人机飞行环境模型；采用A启发式搜索算法，在飞行环境模型中搜索无人机飞行路径，生成初始飞行路线；对初始飞行路线进行优化，根据风险区分布图对路径进行调整，规避高风险区域，得到优化后的飞行路线；将优化后的飞行路线下发至无人机，控制无人机按照该路线飞行，实现对矿山灾害的全覆盖检测。

具体来说，将地形复杂程度指标、地质稳定性等级和风险区分布图层进行栅格化处理，构建三维空间网格模型作为无人机飞行环境模型。在此基础上，以无人机起降点为起点和终点，飞行高度和速度为约束条件，利用A*启发式搜索算法搜索无人机飞行路径，得到初始路线。再对照风险区分布图，对处于高风险区内的路径节点进行识别，通过人工势场法引入风险规避因子，使飞行路线偏离高风险区，并保证路径的平滑性和可达性，从而得到优化后的飞行路线。最后将路线坐标点转换为waypoint格式，下发至无人机飞控系统，自主飞行并获取矿山灾害影像数据，实现全覆盖无死角检测。

S104、在无人机飞行过程中，通过机载光学传感器实时采集高分辨率影像数据，并利用图像拼接算法对采集的影像进行实时拼接，获取矿区的全景影像图。

获取无人机的飞行轨迹数据和姿态数据，根据飞行轨迹数据和姿态数据，确定无人机的空间位置和姿态角度；控制机载光学传感器的曝光参数，获取传感器采集的原始影像数据，根据影像数据的亮度分布，动态调整传感器的曝光时间和增益系数；对采集的原始影像数据进行畸变校正处理，根据传感器的内参数和外参数，采用径向畸变校正模型，消除影像数据中的径向畸变和切向畸变；根据无人机的空间位置和姿态角度，计算相邻影像之间的重叠区域，采用特征点匹配算法，提取重叠区域内的特征点，并计算特征点之间的对应关系；根据特征点的对应关系，采用随机抽样一致性算法，估计相邻影像之间的单应性矩阵，并利用单应性矩阵对影像进行几何校正和配准；将配准后的影像数据输入到图像拼接模型中，采用多频段融合算法，在频域上对影像数据进行融合，消除影像之间的亮度差异和色差，得到无缝拼接的全景影像；对拼接后的全景影像进行正射校正处理，根据无人机的高度数据和相机参数，采用共线方程模型，将全景影像转换为正射影像图，消除影像的几何变形。

在无人机执行矿山灾害检测任务时，首先通过GPS和陀螺仪获取无人机的飞行轨迹数据和姿态数据，确保能精确计算无人机的空间位置和姿态角度，例如无人机在空中的绝对坐标为（350m，400m，50m），姿态角度为30度偏航，15度俯仰和5度翻滚。随后，控制机载光学传感器的曝光参数，根据实时采集的影像数据亮度分布，动态调整传感器的曝光时间为1/200秒和增益系数为5dB，以适应不同光照条件。对采集的原始影像数据进行畸变校正处理，采用径向畸变校正模型，如使用OpenCV库中的cv::undistort函数，消除影像数据中的径向畸变和切向畸变，提高影像质量。利用无人机的空间位置和姿态角度，计算相邻影像之间的重叠区域，通过SIFT算法提取重叠区域内的特征点，并计算特征点之间的对应关系。使用随机抽样一致性算法（RANSAC）估计相邻影像之间的单应性矩阵，进而利用该矩阵对影像进行几何校正和配准。将配准后的影像数据输入到图像拼接模型中，采用多频段融合算法，在频域上对影像数据进行融合，消除影像之间的亮度差异和色差，例如使用Laplacian金字塔进行多尺度融合，确保得到无缝拼接的全景影像。最后，对拼接后的全景影像进行正射校正处理，根据无人机的高度数据和相机参数，采用共线方程模型，将全景影像转换为正射影像图，消除影像的几何变形，确保影像的地理位置精确对应实际地形。

S105、针对拼接后的矿区全景影像图，采用基于深度学习的目标检测算法，实时检测和定位疑似塌陷区域，并获取相应的位置坐标和面积等属性信息。

根据预先建立的深度学习目标检测模型，对获取的矿区全景影像图进行实时检测，判断是否存在疑似塌陷区域；若检测到疑似塌陷区域，则通过深度学习算法对该区域进行精确定位，获取其位置坐标信息；根据获取的位置坐标信息，结合预设的矿区地理信息系统，确定疑似塌陷区域的具体地理位置；通过图像分割算法，对定位到的疑似塌陷区域进行边缘提取，得到该区域的轮廓信息；根据提取的轮廓信息，采用多边形面积计算公式，计算出疑似塌陷区域的面积大小；将疑似塌陷区域的位置坐标、地理位置以及面积大小等属性信息进行关联存储，形成结构化的塌陷区域属性数据。

具体来说，在获取矿区全景影像图后，利用预先训练好的YOLOv5目标检测模型对影像进行实时检测。该模型采用了DarkNet-53作为骨干网络，在COCO数据集上进行了预训练，并在包含10000张矿区塌陷区域影像的自建数据集上进行了微调，最终在验证集上达到了95%的mAP。通过该模型，可以实时判断影像中是否存在疑似塌陷区域。若检测到疑似塌陷区域，则利用Mask R-CNN算法对该区域进行精确定位和语义分割，获取其像素级别的位置坐标信息和边缘轮廓信息。Mask R-CNN算法在ResNet-101的基础上增加了FPN结构和RoIAlign对齐方式，提高了特征提取和区域定位的精度，在自建的矿区塌陷区域分割数据集上达到了92%的mIoU。根据获取的位置坐标信息，结合预设的矿区地理信息系统，通过坐标转换和空间映射，即可确定疑似塌陷区域的具体地理位置，定位精度可达到厘米级别。根据提取的边缘轮廓信息，采用多边形面积计算公式A=5*[(x1*y2-x2*y1)+(x2*y3-x3*y2)+...+(xn*y1-x1*yn)]，即可计算出疑似塌陷区域的准确面积大小。最后，将疑似塌陷区域的位置坐标、地理位置以及面积大小等属性信息进行关联存储，形成结构化的塌陷区域属性数据。

S106、根据检测到的疑似塌陷区域信息，结合预先建立的矿山塌陷特征数据库，采用相似度匹配算法判断疑似塌陷区域的真实性，获取塌陷区域的精准识别结果。

根据检测到的疑似塌陷区域信息，提取该区域的特征数据，包括塌陷形状、面积、深度等参数；将提取的特征数据与预先建立的矿山塌陷特征数据库中的数据进行比对，计算相似度；采用相似度匹配算法，根据计算得到的相似度值，判断疑似塌陷区域的真实性；若相似度超过预设阈值，则判定该疑似塌陷区域为真实塌陷区域，否则判定为误报；对于判定为真实塌陷区域的，进一步获取其精准的边界范围和塌陷程度等信息；将精准识别结果输出，并更新矿山塌陷特征数据库，以优化后续识别的准确性；根据识别结果，采用支持向量机或随机森林等机器学习算法，对矿山塌陷区域进行自动分类和风险评估。

具体来说，在实际操作中，首先通过深度学习模型对矿区全景影像图中的疑似塌陷区域进行特征提取，包括塌陷的形状、面积（以平方米计）和深度（以米计）。这些特征数据通过与矿山塌陷特征数据库中存储的历史数据进行比对，运用余弦相似度算法计算两者之间的相似度。如果计算得到的相似度值超过了预设的阈值（如8），则认为该疑似塌陷区域为真实塌陷区域。对于确认为真实的塌陷区域，进一步使用图像分割技术精确地获取其边界范围，并通过地质分析确定塌陷的程度。这一结果将被输出并用于更新矿山塌陷特征数据库，以提高未来识别的准确性。最后，采用机器学习算法如支持向量机或随机森林对塌陷区域进行分类和风险评估，这些算法能够根据塌陷的面积、深度和形状等多个特征进行综合分析，输出每个区域的风险等级，为矿区的安全管理和灾害预防提供科学依据。

采用支持向量机或随机森林等机器学习算法，对矿山塌陷区域进行自动分类和风险评估。

S107、将无人机检测到的塌陷区域的位置坐标、面积、识别置信度等信息上传至矿山灾害信息管理平台，通过可视化界面实现塌陷区域信息的实时展示和动态更新，为矿山灾害预警和应急决策提供数据支持。

矿山灾害信息管理平台的可视化模块读取塌陷区域信息，通过WebGIS等技术在电子地图上实时展示塌陷区域的位置和范围。矿山灾害信息管理平台的数据更新模块定期从无人机获取最新的塌陷区域信息，对平台上的塌陷区域信息进行动态更新。矿山灾害信息管理平台根据塌陷区域的位置、面积、识别置信度等信息，结合预设的预警阈值，判断是否需要进行灾害预警，为矿山灾害应急决策提供数据支持。

具体来说，平台采用分布式数据库对海量的无人机数据进行存储和管理，并使用Kafka等消息队列进行解耦和异步处理，保证系统的高可用性和实时性。通过Leaflet、Cesium等WebGIS框架，将塌陷区域的位置和范围信息动态渲染到电子地图上，并提供交互式的操作功能，方便用户进行查询和分析。数据更新模块设置定时任务，每隔30分钟从无人机获取最新的塌陷区域信息，通过增量更新的方式对平台上的数据进行同步，确保展示的信息与实际情况保持一致。根据塌陷区域的面积、识别置信度等参数，设置不同等级的预警阈值，当某一区域的塌陷面积超过1000平方米或置信度高于95%时，及时推送预警信息，并结合专家知识库给出相应的应急处置建议，为矿山灾害的防控和决策提供有力支撑。

以上，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (8)

1.一种基于无人机的露天矿山灾害检测方法，其特征在于，包括以下步骤：

获取矿区地形地貌和地质结构参数，评估地形复杂度和地质稳定性，获取已知灾害风险区信息，基于所述已知灾害风险区信息生成风险区域分布图；

基于所述地形复杂度、地质稳定性和风险区域分布图获得高风险区域，基于所述高风险区域，生成规避高风险区域的无人机飞行路径；

按照所述无人机飞行路径通过无人机实时采集高分辨率影像数据，获得全景影像图；

使用深度学习算法对所述全景影像图进行检测，获得疑似塌陷区域属性信息；

结合已知的矿山塌陷特征数据，使用相似度匹配算法判断塌陷区域的真实性，获得检测结果；

将检测结果上传至管理平台，进行实时展示和动态更新。

2.根据权利要求1所述的基于无人机的露天矿山灾害检测方法，其特征在于，

评估地形复杂度和地质稳定性的方法包括：

采用地理信息系统技术，根据所述地形地貌和地质结构参数，对目标矿区的地形复杂度进行量化分析，得到地形复杂度分析结果；

采用稳定性评估模型，根据所述地质结构参数，对所述目标矿区的地质稳定性进行定量评估，得到地质稳定性评估结果。

3.根据权利要求1所述的基于无人机的露天矿山灾害检测方法，其特征在于，

生成风险区域分布图的方法包括：

获取已知灾害风险区信息，对所述灾害风险区信息进行结构化处理，转换为统一的数据格式；根据所述灾害风险区的位置坐标数据，判断灾害风险区是否位于目标矿区的边界范围内，筛选出位于所述目标矿区内的灾害风险区数据；对所述灾害风险区数据进行预处理，提取风险等级和灾害类型属性并转换为数值型特征向量；采用K-means聚类算法对所述数值型特征向量进行聚类分析，根据聚类结果将所述灾害风险区划分为不同的风险等级，生成灾害区域分布图像。

4.根据权利要求1所述的基于无人机的露天矿山灾害检测方法，其特征在于，

所述无人机飞行路径的生成方法包括：

基于所述地形复杂度、地质稳定性和风险区域分布图，构建无人机飞行环境模型；采用A启发式搜索算法，在飞行环境模型中搜索无人机飞行路径，生成初始飞行路线；根据所述风险区域分布图对初始飞行路线进行规避高风险区域优化，得到优化后的飞行路径。

5.根据权利要求1所述的基于无人机的露天矿山灾害检测方法，其特征在于，

所述获得全景影像图的方法包括：

获取无人机的飞行轨迹数据和姿态数据，根据飞行轨迹数据和姿态数据，确定无人机的空间位置和姿态角度；对采集的原始影像数据进行预处理，获得预处理图像；根据无人机的空间位置和姿态角度，计算预处理图像中相邻影像之间的重叠区域，采用特征点匹配算法，提取重叠区域内的特征点，并计算特征点之间的对应关系；根据特征点的对应关系，采用随机抽样一致性算法，估计相邻影像之间的单应性矩阵，并利用单应性矩阵对影像进行几何校正和配准；将配准后的影像数据输入到图像拼接模型中，采用多频段融合算法，在频域上对影像数据进行融合，消除影像之间的亮度差异和色差，得到无缝拼接的全景影像图。

6.根据权利要求5所述的基于无人机的露天矿山灾害检测方法，其特征在于，

采集原始影像数据时，控制机载光学传感器的曝光参数，获取传感器采集的原始影像数据，根据影像数据的亮度分布，动态调整传感器的曝光时间和增益系数。

7.根据权利要求5所述的基于无人机的露天矿山灾害检测方法，其特征在于，

所述预处理的方法包括：根据光学传感器的内参数和外参数，采用径向畸变校正模型，对影像数据进行径向畸变和切向畸变消除处理。

8.根据权利要求5所述的基于无人机的露天矿山灾害检测方法，其特征在于，

所述获得疑似塌陷区域属性信息的方法包括：

通过预先训练好的YOLOv5目标检测模型对影像进行实时检测，当检测到疑似塌陷区域时，通过深度学习算法对疑似塌陷区域进行定位，获取疑似塌陷区域的坐标信息，基于所述坐标信息获取地理位置，通过图像分割算法，对定位到的疑似塌陷区域进行边缘提取，获得疑似塌陷区域的轮廓信息；基于所述轮廓信息，采用多边形面积计算公式，计算出疑似塌陷区域的面积大小；将所述坐标信息、地理位置和面积大小进行关联存储，形成结构化的塌陷区域属性信息。