本文发表于2023年11月，收录于Heliyon, Volume 9, Issue 11, e22026, November 2023，题为《Underground abnormal sensor condition detection based on gas monitoring data and deep learning image feature engineering》。针对井下气体传感器因地压、施工或人为遮蔽等因素产生异常而人工监测难以全面及时的问题，本文首先将瓦斯浓度时序数据转换为复发图（Recurrence Plot）形式，再借助VGG16、VGG19与ResNet18等预训练卷积神经网络提取图像特征，并结合UMAP降维与聚类算法，对无标注环境下的传感器异常状态实现自动化识别。实验结果表明，该方法能有效保留时空耦合特征，实现较高的异常检测精度，为矿井安全预警与智能决策提供了新颖可行的技术路径。

论文技术实现图如下所示：