CN106093035B - 一种土体演变的微距视频图像识别方法 - Google Patents
一种土体演变的微距视频图像识别方法 Download PDFInfo
- Publication number
- CN106093035B CN106093035B CN201610372587.8A CN201610372587A CN106093035B CN 106093035 B CN106093035 B CN 106093035B CN 201610372587 A CN201610372587 A CN 201610372587A CN 106093035 B CN106093035 B CN 106093035B
- Authority
- CN
- China
- Prior art keywords
- soil
- microspur video
- soil body
- microspur
- video image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 239000002689 soil Substances 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 26
- 239000000126 substance Substances 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 7
- 239000002245 particle Substances 0.000 claims description 43
- 238000012545 processing Methods 0.000 claims description 10
- 239000012535 impurity Substances 0.000 claims description 7
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 230000003321 amplification Effects 0.000 claims description 3
- 238000005336 cracking Methods 0.000 claims description 3
- 238000005530 etching Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 230000004069 differentiation Effects 0.000 abstract description 5
- 238000011156 evaluation Methods 0.000 abstract description 5
- 238000011161 development Methods 0.000 abstract description 4
- 239000000463 material Substances 0.000 abstract description 3
- 239000000470 constituent Substances 0.000 abstract description 2
- 238000009533 lab test Methods 0.000 abstract description 2
- 230000007774 longterm Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000010429 evolutionary process Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007598 dipping method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
- G01N15/0205—Investigating particle size or size distribution by optical means, e.g. by light scattering, diffraction, holography or imaging
- G01N15/0227—Investigating particle size or size distribution by optical means, e.g. by light scattering, diffraction, holography or imaging using imaging, e.g. a projected image of suspension; using holography
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
- G01N15/08—Investigating permeability, pore-volume, or surface area of porous materials
- G01N15/088—Investigating volume, surface area, size or distribution of pores; Porosimetry
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
Abstract
本发明公开了一种土体演变的微距视频图像识别方法,首先,建立微距视频灰度图像数据库,然后,在数据库中建立各物质与灰度值区间的对应关系,接着,统计微距视频灰度图像中代表各物质的灰度值区间内的像素的个数与物质含量或形态的关系,最后,根据上述关系确定待检测土体的实际特征参数,进而确定土体的发育状态。本发明不需要经过现场土体扰动采样到实验室测试的过程,而是直接进行现场土样微距视频评估,提高测试精度;对土体组成成分及其演变识别更为精确;该土体演变的微距视频图像监测与评估方法可以对某一地区的土体进行长期连续实时监测,从而得到该地区土体的演变规律。
Description
技术领域
本发明涉及土体演变监测领域,具体的说是一种土体演变的微距视频图像识别方法。
背景技术
目前对土体性能的检测与评估主要采用以手工测量为主的现场试验法,这种方法中传统的手动测量需要首先进行现场采样,对土体扰动较大,这个过程中获取的土体样本性能已经偏离真实土颗粒状态,因此其精度远远不够;其次所获取的土样往往是回到实验室进行测试分析,效率极低;并且在这个过程中,土样温度,水分及其分布,土颗粒与水分的结合程度等等各项参数都极易因为土样保存和人工操作环节产生变化,显然测试结果精度不够。每次测试结果只能代表当时的土体状态,不能准确表达土体的演化过程。
发明内容
为了解决上述技术问题,本发明提供了一种土体演变的微距视频图像识别方法。
本发明所采用的技术方案是:一种土体演变的微距视频图像识别方法,其特征在于,包括以下步骤:
步骤1:在自设光源条件下,利用微距视频图像采集设备对不同发育状态土体进行拍摄成像。然后,将原始真彩微距视频图像转成微距视频灰度图像,建立微距视频灰度图像数据库。
步骤2:因为不同物质的灰度图像拥有不同的灰度值区间,所以在数据库中建立物质与灰度值区间的一一对应关系,即对微距视频灰度图像中不同的物质进行编码。
步骤3:包括以下子步骤;
(1)统计微距视频灰度图像中代表水分的灰度值区间内的像素的个数和代表土颗粒的灰度值区间内的像素的灰度平均值,然后,建立它们和土体含水率的定量关系;
(2)统计微距视频灰度图像中代表冰的灰度值区间内的像素的个数,然后,建立它与土体含冰率的定量关系;
(3)统计微距视频灰度图像中代表孔隙的灰度值区间内的像素的个数,然后,建立它与土体孔隙率的定量关系。
步骤4:二值化微距视频灰度图像,然后进行桥接、去杂、细化和骨化处理,得到土颗粒的轮廓。 然后,统计每个土颗粒内的像素个数,最后,建立平均像素个数与土颗粒平均粒径的定量关系。
步骤5:包括以下子步骤;
(1)输入待监测土体的原始真彩微距视频图像(在自设光源条件下拍摄的),然后将其转成微距视频灰度图像,利用步骤2可识别出各个物质;
(2)统计微距视频灰度图像中代表水分的灰度值区间内的像素的个数和代表土颗粒的灰度值区间内的像素的灰度平均值,再利用步骤3中(1)中建立的关系,可得到土体的含水率;
(3)统计微距视频灰度图像中代表冰的灰度值区间内的像素的个数,再利用步骤3中(2)中建立的关系,可得到土体的含冰率;
(4)统计微距视频灰度图像中代表孔隙的灰度值区间内的像素的个数,再利用步骤3中(3)中建立的关系,可得到土体的孔隙率;
(5)利用步骤4中的方法处理微距视频灰度图像,得到土颗粒的轮廓。 然后,再统计出平均每个土颗粒内的像素个数,再利用步骤4中建立的关系,可得到土颗粒平均粒径。
步骤6:根据土体的实际特征参数(包括土颗粒的粒径、土体的孔隙率、含水率和含冰率)确定土体的发育状态。
作为优选,步骤1中所述微距视频图像采集设备的镜头可以根据需要更换为不同放大倍数的镜头。
作为优选,步骤1中所述不同发育状态土体为土颗粒粒径、孔隙率、含水率和含冰率大小不同的土体。
作为优选,步骤2和5中所述物质包括土颗粒、孔隙、水分、冰和其他物质。
作为优选,步骤4中所述二值化微距视频灰度图像,是将土颗粒和其他物质各视为一种物质,然后进行二值化,进而确定土颗粒的轮廓。桥接和去杂处理是通过开操作和闭操作去除微距视频图像中孤立的噪声点,同时保留微距视频图像中本来的细节结构;所述微距视频图像细化处理是将微距视频图像变换成单像素厚度组成的细线,所述微距视频图像骨化处理是保留微距视频图像中心线的细化。细化的算法步骤如下:(1)做腐蚀操作,但不立刻删除像素,只打标记;(2)将不破坏连通性的标记点删掉;(3)重复执行,直到图像结果不发生变化,得到了细化结果。
本发明的优点是:
1. 不需要经过现场土体扰动采样到实验室测试的过程,而是直接进行现场土样微距视频评估,对土体不产生扰动, 提高测试精度;
2. 采用微距视频图像,对土体组成成分及其演变识别更为精确;
3. 测试迅速,且操作方便, 提高测试效率;
4. 该土体演变的微距视频图像监测与评估方法可以对某一地区的土体进行长期连续实时监测,从而得到该地区土体的演变规律。为预测土体性能演变提供了更快速的实时数据分析技术。
附图说明
图1为本发明实施例的流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
随着信息技术的快速发展,微距视频图像处理技术已经为现代科学技术的发展提供了一项过去没有的技术手段,并相继在多种学科领域得到了广泛的应用。同时,也为土体演化过程的监测与评估提供了可行途径,为预测土体性能演变提供了更快速的实时数据分析技术。
土体在发育过程中,土颗粒大小、含水率和孔隙率均会发生变化。土体在自然环境中,其自身内部物理化学变化等,使土体参数变化, 如果温度较低,土体中部分的水将会冻结成冰,即土体中将会存在冰颗粒。这些变化将最终导致土体性能演变。土体中有可能存在石块和其他杂质,由于土颗粒、空隙、水分、冰和其他物质对光的吸收或反射都不一样,这些物质在土体拍摄成的微距视频图像转换成微距视频灰度图像后,将会表现出不同的灰度值。因此,可以通过分析土体微距视频图像的不同灰度值来识别不同的物质。
请见图1,本发明提供的一种土体演变的微距视频图像识别方法,包括以下步骤:
步骤1:在自设光源条件下,利用微距视频图像采集设备对不同发育状态土体进行拍摄成像。然后,将原始真彩微距视频图像转成微距视频灰度图像,建立微距视频灰度图像数据库。
其中微距视频图像采集设备的镜头是能根据需要更换为不同放大倍数的镜头;不同发育状态土体为土颗粒粒径、孔隙率、含水率和含冰率大小不同的土体。
步骤2:因为不同物质(土颗粒、孔隙、水分、冰和其他物质)的灰度图像拥有不同的灰度值区间,所以在数据库中建立物质与灰度值区间的一一对应关系,即对微距视频灰度图像中不同的物质进行编码。
步骤3:包括以下子步骤;
(1)统计微距视频灰度图像中代表水分的灰度值区间内的像素的个数和代表土颗粒的灰度值区间内的像素的灰度平均值,然后,建立它们和土体含水率的定量关系;
(2)统计微距视频灰度图像中代表冰的灰度值区间内的像素的个数,然后,建立它与土体含冰率的定量关系;
(3)统计微距视频灰度图像中代表孔隙的灰度值区间内的像素的个数,然后,建立它与土体孔隙率的定量关系。
步骤4:二值化微距视频灰度图像,然后进行桥接、去杂、细化和骨化处理,得到土颗粒的轮廓。 然后,统计每个土颗粒内的像素个数,最后,建立平均像素个数与土颗粒平均粒径的定量关系。
其中二值化微距视频灰度图像,是将土颗粒和其他物质各视为一种物质,然后进行二值化,进而确定土颗粒的轮廓;桥接和去杂处理是通过开操作和闭操作去除微距视频图像中孤立的噪声点,同时保留微距视频图像中本来的细节结构;微距视频图像细化处理是将微距视频图像变换成单像素厚度组成的细线,所述微距视频图像骨化处理是保留微距视频图像中心线的细化。
保留微距视频图像中心线的细化,其具体实现步骤如下:(1)做腐蚀操作,但不立刻删除像素,只打标记;(2)将不破坏连通性的标记点删掉;(3)重复执行,直到图像结果不发生变化,得到了细化结果。
步骤5:包括以下子步骤;
(1)输入待监测土体的原始真彩微距视频图像(在自设光源条件下拍摄的),然后将其转成微距视频灰度图像,利用步骤2可识别出各个物质(土颗粒、孔隙、水分、冰和其他物质);
(2)统计微距视频灰度图像中代表水分的灰度值区间内的像素的个数和代表土颗粒的灰度值区间内的像素的灰度平均值,再利用步骤3中(1)中建立的关系,可得到土体的含水率;
(3)统计微距视频灰度图像中代表冰的灰度值区间内的像素的个数,再利用步骤3中(2)中建立的关系,可得到土体的含冰率;
(4)统计微距视频灰度图像中代表孔隙的灰度值区间内的像素的个数,再利用步骤3中(3)中建立的关系,可得到土体的孔隙率;
(5)利用步骤4中的方法处理微距视频灰度图像,得到土颗粒的轮廓。 然后,再统计出平均每个土颗粒内的像素个数,再利用步骤4中建立的关系,可得到土颗粒平均粒径。
步骤6:根据土体的实际特征参数(包括土颗粒的粒径、土体的孔隙率、含水率和含冰率)确定土体的发育状态。
本发明可以对待监测土体的各项参数进行快速识别,由此可以确定待监测土体的演变状态和程度。与传统的手动测量相比,传统的手动测量需要首先进行现场采样,对土体扰动较大,这个过程中获取的土体样本性能已经偏离真实土颗粒状态,因此其精度远远不够;其次所获取的土样往往是回到实验室进行测试分析,效率极低;并且在这个过程中,土样温度,水分及其分布,土颗粒与水分的结合程度等等各项参数都极易因为土样保存和人工操作环节产生变化,显然测试结果精度不够。每次测试结果只能代表当时的土体状态,不能准确表达土体的演化过程,并对其进行评估。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (6)
1.一种土体演变的微距视频图像识别方法,其特征在于,包括以下步骤:
步骤1:在自设光源条件下,利用微距视频图像采集设备对不同发育状态土体进行拍摄成像;然后,将原始真彩微距视频图像转成微距视频灰度图像,建立微距视频灰度图像数据库;
步骤2:在微距视频灰度图像数据库中建立物质与灰度值区间的一一对应关系,即对微距视频灰度图像中不同的物质进行编码;
步骤3:包括以下子步骤;
步骤3.1:统计微距视频灰度图像中代表水分的灰度值区间内的像素的个数和代表土颗粒的灰度值区间内的像素的灰度平均值,然后,建立它们和土体含水率的定量关系;
步骤3.2:统计微距视频灰度图像中代表冰的灰度值区间内的像素的个数,然后,建立它与土体含冰率的定量关系;
步骤3.3:统计微距视频灰度图像中代表孔隙的灰度值区间内的像素的个数,然后,建立它与土体孔隙率的定量关系;
步骤4:二值化微距视频灰度图像,然后进行桥接、去杂、细化和骨化处理,得到土颗粒的轮廓;然后,统计每个土颗粒内的像素个数,最后,建立平均像素个数与土颗粒平均粒径的定量关系;
步骤5:包括以下子步骤;
步骤5.1:输入待监测土体的原始真彩微距视频图像,然后将其转成微距视频灰度图像,利用步骤2的方法识别出各个物质;
步骤5.2:统计微距视频灰度图像中代表水分的灰度值区间内的像素的个数和代表土颗粒的灰度值区间内的像素的灰度平均值,再利用步骤3.1中建立的关系,得到土体的含水率;
步骤5.3:统计微距视频灰度图像中代表冰的灰度值区间内的像素的个数,再利用步骤3.2中建立的关系,得到土体的含冰率;
步骤5.4:统计微距视频灰度图像中代表孔隙的灰度值区间内的像素的个数,再利用步骤3.3中建立的关系,可得到土体的孔隙率;
步骤5.5:利用步骤4中的方法处理微距视频灰度图像,得到土颗粒的轮廓;然后,再统计出平均每个土颗粒内的像素个数,再利用步骤4中建立的关系,得到土颗粒平均粒径;
步骤6:根据土体的实际特征参数确定土体的发育状态,所述土体的实际特征参数包括土颗粒的粒径、土体的孔隙率、含水率和含冰率。
2.根据权利要求1所述的土体演变的微距视频图像识别方法,其特征在于:步骤1中所述微距视频图像采集设备的镜头是能根据需要更换为不同放大倍数的镜头。
3.根据权利要求1所述的土体演变的微距视频图像识别方法,其特征在于:步骤1中所述不同发育状态土体为土颗粒粒径、孔隙率、含水率和含冰率大小不同的土体。
4.根据权利要求1所述的土体演变的微距视频图像识别方法,其特征在于:步骤2或5中所述物质包括土颗粒、孔隙、水分、冰。
5.根据权利要求1所述的土体演变的微距视频图像识别方法,其特征在于:步骤4中所述二值化微距视频灰度图像,是将土颗粒和其他物质各视为一种物质,然后进行二值化,进而确定土颗粒的轮廓;
所述桥接和去杂处理是通过开操作和闭操作去除微距视频图像中孤立的噪声点,同时保留微距视频图像中本来的细节结构;
所述微距视频图像细化处理是将微距视频图像变换成单像素厚度组成的细线,所述微距视频图像骨化处理是保留微距视频图像中心线的细化。
6.根据权利要求5所述的土体演变的微距视频图像识别方法,其特征在于:所述保留微距视频图像中心线的细化,其具体实现步骤如下:
(1)做腐蚀操作,但不立刻删除像素,只打标记;
(2)将不破坏连通性的标记点删掉;
(3)重复执行,直到图像结果不发生变化,得到了细化结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610372587.8A CN106093035B (zh) | 2016-05-30 | 2016-05-30 | 一种土体演变的微距视频图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610372587.8A CN106093035B (zh) | 2016-05-30 | 2016-05-30 | 一种土体演变的微距视频图像识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106093035A CN106093035A (zh) | 2016-11-09 |
CN106093035B true CN106093035B (zh) | 2018-10-26 |
Family
ID=57229522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610372587.8A Expired - Fee Related CN106093035B (zh) | 2016-05-30 | 2016-05-30 | 一种土体演变的微距视频图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106093035B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107784668B (zh) * | 2017-09-26 | 2021-07-30 | 东南大学 | 一种目标具有不规则轮廓的数字图像处理方法 |
CN109283178A (zh) * | 2018-11-19 | 2019-01-29 | 中国科学院南京地理与湖泊研究所 | 一种炭屑自动识别统计分级方法 |
CN109507084B (zh) * | 2018-12-27 | 2021-06-29 | 辽宁工程技术大学 | 一种散体材料孔隙率智能识别真三轴实验系统及方法 |
CN110021017B (zh) * | 2019-04-02 | 2022-06-17 | 南通大学 | 一种提取焊缝中心线的方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101059450A (zh) * | 2007-05-18 | 2007-10-24 | 重庆大学 | 冶金矿相智能识别方法 |
CN101162202A (zh) * | 2007-11-28 | 2008-04-16 | 重庆大学 | 矿相成份的机器测量方法 |
CN102288522A (zh) * | 2011-06-30 | 2011-12-21 | 河海大学 | 基于数字图像技术的泥沙颗粒分析装置及分析方法 |
FR2982364A1 (fr) * | 2011-11-09 | 2013-05-10 | Snecma | Procede et dispositif d'estimation d'un taux de porosite d'un echantillon de materiau a partir d'au moins une image codee en niveaux de gris |
CN103221801A (zh) * | 2011-04-13 | 2013-07-24 | 韩国地质资源研究院 | 利用断层摄影装置和标准试样的试样孔隙测定系统及方法 |
CN103822922A (zh) * | 2014-02-11 | 2014-05-28 | 中国水利水电科学研究院 | 快速确定混凝土切片内砂浆/骨料面积含量的方法 |
CN103969168A (zh) * | 2014-05-23 | 2014-08-06 | 攀钢集团攀枝花钢铁研究院有限公司 | 一种疏松矿物横截面孔隙率的定量测定方法 |
CN104849276A (zh) * | 2015-05-20 | 2015-08-19 | 辽宁工程技术大学 | 一种基于像素统计的花岗岩三维细观结构重构方法 |
CN105115874A (zh) * | 2015-08-18 | 2015-12-02 | 中国石油天然气股份有限公司 | 多源信息融合的多组分三维数字岩心构建方法 |
-
2016
- 2016-05-30 CN CN201610372587.8A patent/CN106093035B/zh not_active Expired - Fee Related
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101059450A (zh) * | 2007-05-18 | 2007-10-24 | 重庆大学 | 冶金矿相智能识别方法 |
CN101162202A (zh) * | 2007-11-28 | 2008-04-16 | 重庆大学 | 矿相成份的机器测量方法 |
CN103221801A (zh) * | 2011-04-13 | 2013-07-24 | 韩国地质资源研究院 | 利用断层摄影装置和标准试样的试样孔隙测定系统及方法 |
CN102288522A (zh) * | 2011-06-30 | 2011-12-21 | 河海大学 | 基于数字图像技术的泥沙颗粒分析装置及分析方法 |
FR2982364A1 (fr) * | 2011-11-09 | 2013-05-10 | Snecma | Procede et dispositif d'estimation d'un taux de porosite d'un echantillon de materiau a partir d'au moins une image codee en niveaux de gris |
CN103822922A (zh) * | 2014-02-11 | 2014-05-28 | 中国水利水电科学研究院 | 快速确定混凝土切片内砂浆/骨料面积含量的方法 |
CN103969168A (zh) * | 2014-05-23 | 2014-08-06 | 攀钢集团攀枝花钢铁研究院有限公司 | 一种疏松矿物横截面孔隙率的定量测定方法 |
CN104849276A (zh) * | 2015-05-20 | 2015-08-19 | 辽宁工程技术大学 | 一种基于像素统计的花岗岩三维细观结构重构方法 |
CN105115874A (zh) * | 2015-08-18 | 2015-12-02 | 中国石油天然气股份有限公司 | 多源信息融合的多组分三维数字岩心构建方法 |
Non-Patent Citations (1)
Title |
---|
土壤表面灰度值与表层土壤含水量关系研究;毛天旭 等;《水土保持学报》;20110228;第25卷(第1期);第245-247页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106093035A (zh) | 2016-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106093035B (zh) | 一种土体演变的微距视频图像识别方法 | |
Reicher et al. | The WeIzmann Supercooled Droplets Observation on a Microarray (WISDOM) and application for ambient dust | |
US20070133866A1 (en) | Method and apparatus for classifying geological materials using image processing techniques | |
CN104535475A (zh) | 碳酸盐岩微观结构的确定方法及装置 | |
CN110383038A (zh) | 用于对空气样本进行自动分析的系统和方法 | |
CN103839078B (zh) | 一种基于主动学习的高光谱图像分类方法 | |
EP3620774B1 (en) | Method and apparatus for monitoring plant health state | |
CN107562791B (zh) | 一种基于大数据统计的遥感卫星相对辐射定标处理方法 | |
CN102679914A (zh) | 一种盾构隧道衬砌管片渗漏水面积的测量方法及装置 | |
Herzog | Initial steps for high-throughput phenotyping in vineyards | |
JP2010210318A (ja) | 粉塵の測定装置および発生源の推定方法 | |
Liang et al. | StomataScorer: a portable and high‐throughput leaf stomata trait scorer combined with deep learning and an improved CV model | |
Yang et al. | An online detection system for aggregate sizes and shapes based on digital image processing | |
US20210264130A1 (en) | Method and apparatus for training a neural network classifier to classify an image depicting one or more objects of a biological sample | |
CN106018196B (zh) | 土颗粒团聚与离散程度的微观视频图像监测与评估方法 | |
US8725430B2 (en) | Method and apparatus for determining structural damage depth, and method and apparatus for determining structural damage treatment | |
CN106053466B (zh) | 一种基于无人机的土体结构演变实时在线评估装置及方法 | |
CN112102287B (zh) | 一种基于图像的生球裂纹自动检测与识别方法 | |
Sakti et al. | Estimating soil moisture content using red-green-blue imagery from digital camera | |
Barman et al. | Predication of soil pH using K mean segmentation and HSV color image processing | |
CN116883893A (zh) | 基于红外热成像的隧道掌子面地下水智能判识方法及系统 | |
CN116778357A (zh) | 利用可见光缺陷识别的电力线路无人机巡检方法和系统 | |
JP4747031B2 (ja) | 画像解析処理のパラメータ値の検出方法、及び画像処理のパラメータ値の検出プログラム、並びにそれらによって検出されたパラメータ値を用いた計数対象物の計数方法 | |
CN106770298B (zh) | 一种基于火花密度测量钢铁中碳含量的装置和方法 | |
CN103091323A (zh) | 粘性土胀缩特性表征参数测试方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181026 Termination date: 20190530 |