CN106896213B - 一种基于点云数据的岩体结构面智能识别与信息提取方法 - Google Patents
一种基于点云数据的岩体结构面智能识别与信息提取方法 Download PDFInfo
- Publication number
- CN106896213B CN106896213B CN201710097078.3A CN201710097078A CN106896213B CN 106896213 B CN106896213 B CN 106896213B CN 201710097078 A CN201710097078 A CN 201710097078A CN 106896213 B CN106896213 B CN 106896213B
- Authority
- CN
- China
- Prior art keywords
- node
- point cloud
- cloud data
- plane
- rock mass
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Food Science & Technology (AREA)
- Remote Sensing (AREA)
- Geology (AREA)
- Medicinal Chemistry (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种基于点云数据的岩体结构面智能识别与信息提取方法,首先采集岩体结构面点云数据,然后对点云数据进行滤波、去噪以及网格化预处理,计算点云数据法向量,对点云数据检测并标记岩体表面的不平整区域,采用区域生长法识别结构面,最后提取结构面信息。本发明改善了岩体结构面识别技术,具有高性能识别能力、识别精度和识别速度。
Description
技术领域
本发明涉及一种基于点云数据的岩体结构面智能识别与信息提取方法,属于工程地质勘察领域的结构面测量技术领域。
背景技术
岩体内部发育的结构面不仅使岩体表现出一定的结构性,而且还直接影响着岩体的力学与渗流特征。由于结构面的存在,岩体表现出明显的不均一性、非连续性与各向异性等特点。因此,如何精确快速获取岩体结构面几何信息,一直是岩土工程与工程地质领域研究的热点问题。
岩体结构面几何信息采集可分为接触式与非接触式测量两大类。接触式测量包括应用较为广泛的测线法与测窗法,由于是人工直接测量,获得的结构面信息相对准确全面且成本低廉,但是缺点是工作量大、周期长、精度低等。对于位于高陡悬崖处露头,接触式测量难以展开,且在恶劣环境下(冰雪、降雨等)存在安全隐患。近年来,随着光电测量技术长足进步,又发展出多种新型的非接触式测量方法,如井下电视、摄影测量和三维激光扫描技术等,尤其是三维激光扫描技术,已有大量学者在工程实践中进行了尝试与应用。由于三维激光扫描技术能够获取岩体表面的点云数据,对于面状出露的结构面识别也较为简单,现有的基于三维激光扫描技术的结构面测量方法仅披露了岩体结构面识别的大概过程,并且该识别方法完全依赖于人工识别,不能快速、高效、精确地识别出结构面,没有给出岩体结构面识别与信息提取的具体计算方法与实现手段;同时由于点云数据庞大,目前的一些结构面智能识别算法的时间和空间复杂度相对较高,对应计算机硬件要求高,影响其推广应用。
发明内容
为了解决现有技术的不足,本发明提供了一种基于点云数据的岩体结构面智能识别与信息提取方法,能够大幅提升现有结构面识别技术的识别能力、识别精度和识别速度。
本发明为解决其技术问题所采用的技术方案是:提供了一种基于点云数据的岩体结构面智能识别与信息提取方法,包括以下步骤:
(1)采集岩体结构面点云数据;
(2)对采集到的点云数据进行滤波和去噪预处理;
(3)对点云数据进行网格化预处理;
(4)计算点云数据法向量;
(5)利用平整性检测算法,对点云数据检测并标记岩体表面的不平整区域;
(6)采用区域生长法识别结构面;
(7)提取结构面信息。
步骤(3)所述对点云数据进行网格化预处理,具体包括以下过程:对于扫描点间距<1cm的点云数据,采用三维插值方法进行网格化预处理;对于扫描点间距≥1cm的点云数据,采用规则地址网格检索算法将其按规则网格进行有序存储。
步骤(4)所述的计算点云数据法向量,具体包括以下过程:对于点云数据中的每一个节点,取其4邻域和自身共5个节点作为点阵,其中自身节点权重为2,其余节点权重为1;利用最小二乘法,拟合得到一个平面并求得该平面法向量,用此法向量作为点云数据中该节点的法向量。
步骤(5)所述利用平整性检测算法,对点云数据检测并标记岩体表面的不平整区域,具体包括以下过程:采用遍历方式,对点云数据在x方向和y方向上各进行一次整体扫描:
在x方向上进行扫描的过程中,设当前扫描至第i行的第k个节点,k>1,计算第i行第k-1个节点和第k个节点的法向量的夹角θ1,若夹角θ1超过预设阈值则将该第i行的第k个节点的生长属性标记为1,纳入不可生长范围,否则将生长属性标记为0;
在y方向上进行扫描的过程中,设当前扫描至第j列的第k个节点,k>1,计算第j列第k-1个节点和第k个节点的法向量的夹角θ1′,若夹角θ1′超过预设阈值则将该第i行第j列的第k个节点的生长属性标记为1,纳入不可生长范围,否则将生长属性标记为0。
步骤(6)所述采用区域生长法识别结构面,具体采用以下步骤实现:
(6-1)对点云数据进行扫描,选取首个生长属性为0的节点作为种子节点Ai,将Ai作为生长中心,将生长区域和堆栈各初始化为一个空集;
(6-2)将生长中心8邻域节点中生长属性为0的节点压入堆栈;
(6-3)当生长区域中的节点数目小于3时,用种子节点Ai的法向量表示生长区域的法向量;当生长区域中的节点数目大于3时,用生长区域中所有节点构成平面的法向量表示生长区域的法向量;分别计算堆栈中各节点的法向量与生长区域的法向量的夹角θ2i;
(6-4)利用法则Ⅰ和法则Ⅱ对堆栈中的节点进行判断,若找到同时满足法则Ⅰ和法则Ⅱ的节点,则将该节点纳入生长区域,同时把它当做新的生长中心,并将其从堆栈中删除;
所述法则Ⅰ为:该节点为堆栈中夹角θ2i最小的节点;
所述法则Ⅱ为:该节点为夹角θ2i小于预设阀值的节点;
(6-5)重复步骤(6-2)到(6-4),直至堆栈为空或堆栈中没有同时满足法则Ⅰ和Ⅱ的节点,当前结构面生长结束,将本次生长区域中的节点生长属性标记为1;
(6-6)重复步骤(6-1)到(6-5),直至点云数据中所有节点的生长属性为1,完成点云数据中不同结构面的生长,识别结束。
步骤(7)所述提取结构面信息具体包括提取以下信息:
(a)结构面产状信息:通过最小二乘法进行线性拟合,得到用矩阵形式表示的平面:
其中(xi,yi,zi)为结构面上的点,i∈[1,n],a、b和c分别为结构面平面方程的参数;令
则拟合找到向量A,使得取得最小值,即拟合得到结构面平面方程a×x+b×y+c=z及其法向量(a,b,c);
根据下述公式求取大地坐标系中同一岩体结构面的倾向α和倾角β:
(b)结构面间距信息:根据两平行平面垂直距离计算公式计算相邻结构面间距:
P1:Ax+By+Cz+D1=0
P2:Ax+By+Cz+D2=0
其中,P1为平面1方程,P2为平面2方程,dP1P2为相邻两结构面垂直距离;
(c)结构面尺寸信息:将结构面各节点投影至xoy平面,计算其在xoy平面的面积Sxoy,再利用投影关系Sxoy=S×cos(γ)计算结构面面积S,其中γ为结构面与xoy平面的夹角,由该结构面的法向量确定;
得到结构面面积S后,用面积大小与其相等的等效圆代替该结构面,用结构面各节点的坐标的均值作为该圆的圆心;其半径大小满足以下面积公式,
S=πr2
求得等效圆半径r,以表征结构面的尺寸信息。
本发明基于其技术方案所具有的有益效果在于:
(1)本发明的一种基于点云数据的岩体结构面智能识别与信息提取方法删减了传统结构面识别中的三角重构环节,极大提高了算法的运算速度;
(2)本发明的一种基于点云数据的岩体结构面智能识别与信息提取方法引入节点法向量的概念,并成功利用其特性进行了岩体结构面识别;
(3)本发明的一种基于点云数据的岩体结构面智能识别与信息提取方法引入平整性检测这一环节,模拟人工排除不平整区域的过程,与区域生长法结合,极大提高了区域生长收敛速度;
(4)本发明的一种基于点云数据的岩体结构面智能识别与信息提取方法基于点云数据,实现了岩体结构面的精确智能识别,进一步根据识别结果自动系统地计算出结构面的几何形态信息(产状、间距与尺寸等)。
附图说明
图1是本发明的一种基于点云数据的岩体结构面智能识别与信息提取方法的流程示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
本发明提供了一种基于点云数据的岩体结构面智能识别与信息提取方法,参照图1,包括以下步骤:
(1)采集岩体结构面点云数据:寻找出露完整、植被稀少、所处位置交通便利的岩体结构面露头,在适宜的温度与湿度下,开展野外三维激光扫描实验,选择平整坚硬的地面架设三脚架,保证仪器能平稳工作,根据露头范围、空间条件及其精度要求,选择合适的扫描距离;
(2)利用基于Matlab平台的算法,对采集到的点云数据进行滤波和去噪预处理;
(3)对点云数据进行网格化预处理,具体包括以下过程:对于扫描精度高(扫描点间距<1cm)的点云数据,采用三维插值方法进行网格化预处理;对于扫描精度低(扫描点间距≥1cm)的点云数据,采用规则地址网格检索算法将其按规则网格进行有序存储。
(4)计算点云数据法向量,具体包括以下过程:对于点云数据中的每一个节点,取其4邻域和自身共5个节点作为点阵,其中自身节点权重为2,其余节点权重为1;利用最小二乘法,拟合得到一个平面并求得该平面法向量,用此法向量作为点云数据中该节点的法向量。
(5)利用平整性检测算法,对点云数据检测并标记岩体表面的不平整区域,具体包括以下过程:采用遍历方式,对点云数据在x方向和y方向上各进行一次整体扫描:
在x方向上进行扫描的过程中,设当前扫描至第i行的第k个节点,k>1,计算第i行第k-1个节点和第k个节点的法向量的夹角θ1,若夹角θ1超过预设阈值则将该第i行的第k个节点的生长属性标记为1,纳入不可生长范围,否则将生长属性标记为0;
在y方向上进行扫描的过程中,设当前扫描至第j列的第k个节点,k>1,计算第j列第k-1个节点和第k个节点的法向量的夹角θ1′,若夹角θ1′超过预设阈值则将该第i行第j列的第k个节点的生长属性标记为1,纳入不可生长范围,否则将生长属性标记为0。
(6)采用区域生长法识别结构面,具体采用以下步骤实现:
(6-1)对点云数据进行扫描,选取首个生长属性为0的节点作为种子节点Ai,将Ai作为生长中心,将生长区域和堆栈各初始化为一个空集;
(6-2)将生长中心8邻域节点中生长属性为0的节点压入堆栈;
(6-3)当生长区域中的节点数目小于3时,用种子节点Ai的法向量表示生长区域的法向量;当生长区域中的节点数目大于3时,用生长区域中所有节点构成平面的法向量表示生长区域的法向量;分别计算堆栈中各节点的法向量与生长区域的法向量的夹角θ2i;
(6-4)利用法则Ⅰ和法则Ⅱ对堆栈中的节点进行判断,若找到同时满足法则Ⅰ和法则Ⅱ的节点,则将该节点纳入生长区域,同时把它当做新的生长中心,并将其从堆栈中删除;
所述法则Ⅰ为:该节点为堆栈中夹角θ2i最小的节点;
所述法则Ⅱ为:该节点为夹角θ2i小于预设阀值的节点;
(6-5)重复步骤(6-2)到(6-4),直至堆栈为空或堆栈中没有同时满足法则Ⅰ和Ⅱ的节点,当前结构面生长结束,将本次生长区域中的节点生长属性标记为1;
(6-6)重复步骤(6-1)到(6-5),直至点云数据中所有节点的生长属性为1,完成点云数据中不同结构面的生长,识别结束。至此,能够将点云数据划分为N个区域,每个节点最多对应一个区域,且每个区域相对平整(可视为结构面)。在执行区域识别后,由于部分结构面过于零散化,故踢除结构面节点数小于设置阈值W1的小型结构面,避免对后期结构面信息提取及优势结构面划分造成影响。
之后可进一步进行整性检测,检测并标记岩体表面的不平整区域。
(7)提取结构面信息,具体包括提取以下信息:
(a)结构面产状信息:通过最小二乘法进行线性拟合,得到用矩阵形式表示的平面:
其中(xi,yi,zi)为结构面上的点,i∈[1,n],a、b和c分别为结构面平面方程的参数;令
则拟合找到向量A,使得取得最小值,即拟合得到结构面平面方程a×x+b×y+c=z及其法向量(a,b,c);
根据下述公式求取大地坐标系中同一岩体结构面的倾向α和倾角β:
(b)结构面间距信息:根据两平行平面垂直距离计算公式计算相邻结构面间距:
P1:Ax+By+Cz+D1=0
P2:Ax+By+Cz+D2=0
其中,P1为平面1方程,P2为平面2方程,dP1P2为相邻两结构面垂直距离;
(c)结构面尺寸信息:将结构面各节点投影至xoy平面,计算其在xoy平面的面积Sxoy,再利用投影关系Sxoy=S×cos(γ)计算结构面面积S,其中γ为结构面与xoy平面的夹角,由该结构面的法向量确定;
得到结构面面积S后,用面积大小与其相等的等效圆代替该结构面,用结构面各节点的坐标的均值作为该圆的圆心;其半径大小满足以下面积公式,
S=πr2
求得等效圆半径r,以表征结构面的尺寸信息。
Claims (7)
1.一种基于点云数据的岩体结构面智能识别与信息提取方法,其特征在于包括以下步骤:
(1)采集岩体结构面点云数据;
(2)对采集到的点云数据进行滤波和去噪预处理;
(3)对点云数据进行网格化预处理;
(4)计算点云数据法向量;
(5)利用平整性检测算法,对点云数据检测并标记岩体表面的不平整区域;所述利用平整性检测算法,对点云数据检测并标记岩体表面的不平整区域,具体包括以下过程:采用遍历方式,对点云数据在x方向和y方向上各进行一次整体扫描:
在x方向上进行扫描的过程中,设当前扫描至第i行的第k个节点,k>1,计算第i行第k-1个节点和第k个节点的法向量的夹角θ1,若夹角θ1超过预设阈值则将该第i行的第k个节点的生长属性标记为1,纳入不可生长范围,否则将生长属性标记为0;
在y方向上进行扫描的过程中,设当前扫描至第j列的第k个节点,k>1,计算第j列第k-1个节点和第k个节点的法向量的夹角θ′1,若夹角θ′1超过预设阈值则将该第i行第j列的第k个节点的生长属性标记为1,纳入不可生长范围,否则将生长属性标记为0;
(6)采用区域生长法识别结构面;
(7)提取结构面信息。
2.根据权利要求1所述的基于点云数据的岩体结构面智能识别与信息提取方法,其特征在于:步骤(3)所述对点云数据进行网格化预处理,具体包括以下过程:对于扫描点间距<1cm的点云数据,采用三维插值方法进行网格化预处理;对于扫描点间距≥1cm的点云数据,采用规则地址网格检索算法将其按规则网格进行有序存储。
3.根据权利要求1所述的基于点云数据的岩体结构面智能识别与信息提取方法,其特征在于:步骤(4)所述的计算点云数据法向量,具体包括以下过程:对于点云数据中的每一个节点,取其4邻域和自身共5个节点作为点阵,其中自身节点权重为2,其余节点权重为1;利用最小二乘法,拟合得到一个平面并求得该平面法向量,用此法向量作为点云数据中该节点的法向量。
4.根据权利要求1所述的基于点云数据的岩体结构面智能识别与信息提取方法,其特征在于:
5.根据权利要求1所述的基于点云数据的岩体结构面智能识别与信息提取方法,其特征在于:步骤(6)所述采用区域生长法识别结构面,具体采用以下步骤实现:
(6-1)对点云数据进行扫描,选取首个生长属性为0的节点作为种子节点Ai,将Ai作为生长中心,将生长区域和堆栈各初始化为一个空集;
(6-2)将生长中心8邻域节点中生长属性为0的节点压入堆栈;
(6-3)当生长区域中的节点数目小于3时,用种子节点Ai的法向量表示生长区域的法向量;当生长区域中的节点数目大于3时,用生长区域中所有节点构成平面的法向量表示生长区域的法向量;分别计算堆栈中各节点的法向量与生长区域的法向量的夹角θ2i;
(6-4)利用法则Ⅰ和法则Ⅱ对堆栈中的节点进行判断,若找到同时满足法则Ⅰ和法则Ⅱ的节点,则将该节点纳入生长区域,同时把它当做新的生长中心,并将其从堆栈中删除;
所述法则Ⅰ为:该节点为堆栈中夹角θ2i最小的节点;
所述法则Ⅱ为:该节点为夹角θ2i小于预设阀值的节点;
(6-5)重复步骤(6-2)到(6-4),直至堆栈为空或堆栈中没有同时满足法则Ⅰ和Ⅱ的节点,当前结构面生长结束,将本次生长区域中的节点生长属性标记为1;
(6-6)重复步骤(6-1)到(6-5),直至点云数据中所有节点的生长属性为1,完成点云数据中不同结构面的生长,识别结束。
6.根据权利要求5所述的基于点云数据的岩体结构面智能识别与信息提取方法,其特征在于:
7.根据权利要求1所述的基于点云数据的岩体结构面智能识别与信息提取方法,其特征在于:步骤(7)所述提取结构面信息具体包括提取以下信息:
(a)结构面产状信息:通过最小二乘法进行线性拟合,得到用矩阵形式表示的平面:
其中(xi,yi,zi)为结构面上的点,i∈[1,n],a、b和c分别为结构面平面方程的参数;
令
则拟合找到向量A,使得取得最小值,即拟合得到结构面平面方程a×x+b×y+c=z及其法向量(a,b,c);
根据下述公式求取大地坐标系中同一岩体结构面的倾向α和倾角β:
(b)结构面间距信息:根据两平行平面垂直距离计算公式计算相邻结构面间距:
P1:Ax+By+Cz+D1=0
P2:Ax+By+Cz+D2=0
其中,P1为平面1方程,P2为平面2方程,dP1P2为相邻两结构面垂直距离;
(c)结构面尺寸信息:将结构面各节点投影至xoy平面,计算其在xoy平面的面积Sxoy,再利用投影关系Sxoy=S×cos(γ)计算结构面面积S,其中γ为结构面与xoy平面的夹角,由该结构面的法向量确定;
得到结构面面积S后,用面积大小与其相等的等效圆代替该结构面,用结构面各节点的坐标的均值作为该圆的圆心;其半径大小满足以下面积公式,
S=πr2
求得等效圆半径r,以表征结构面的尺寸信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710097078.3A CN106896213B (zh) | 2017-02-22 | 2017-02-22 | 一种基于点云数据的岩体结构面智能识别与信息提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710097078.3A CN106896213B (zh) | 2017-02-22 | 2017-02-22 | 一种基于点云数据的岩体结构面智能识别与信息提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106896213A CN106896213A (zh) | 2017-06-27 |
CN106896213B true CN106896213B (zh) | 2019-04-02 |
Family
ID=59184306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710097078.3A Expired - Fee Related CN106896213B (zh) | 2017-02-22 | 2017-02-22 | 一种基于点云数据的岩体结构面智能识别与信息提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106896213B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886565B (zh) * | 2017-11-20 | 2020-12-15 | 河北工业大学 | 一种岩石断面光学扫描无序点云有序化处理方法 |
CN108507842A (zh) * | 2018-03-06 | 2018-09-07 | 中国科学院武汉岩土力学研究所 | 一种岩石三维自然结构面的制作方法 |
CN108734714B (zh) * | 2018-06-06 | 2022-11-25 | 中国地质大学(北京) | 一种基于Matlab分析碳酸盐岩结构的方法 |
CN108489402B (zh) * | 2018-06-08 | 2020-09-15 | 宁波大学 | 基于三维激光扫描的露天矿山边坡岩体节理规模快速精细取值方法 |
CN108489403B (zh) * | 2018-06-08 | 2020-08-07 | 宁波大学 | 基于三维激光扫描的露天矿山边坡岩体节理产状快速精细取值方法 |
CN109658431B (zh) * | 2018-12-26 | 2023-07-14 | 中国科学院大学 | 基于区域生长的岩体点云平面提取方法 |
CN109685821A (zh) * | 2018-12-26 | 2019-04-26 | 中国科学院大学 | 基于高质量体素的区域生长3d岩体点云平面提取方法 |
CN110348125B (zh) * | 2019-07-12 | 2022-12-02 | 西安科技大学 | 一种块体稳定性的可视化判别方法 |
CN110986767B (zh) * | 2019-12-10 | 2021-07-06 | 贵州省山地资源研究所 | 一种喀斯特洞穴石笋沉积监测方法 |
CN111178214B (zh) * | 2019-12-23 | 2023-04-18 | 天津大学 | 一种基于无人机摄影技术的高陡边坡危岩体快速识别方法 |
CN112508766B (zh) * | 2020-06-16 | 2022-04-26 | 湖北工业大学 | 一种基于点云和gpu技术的岩体结构面智能解译方法 |
CN112529844B (zh) * | 2020-11-24 | 2022-03-25 | 成都理工大学 | 一种基于三维激光扫描的岩体结构面识别与信息提取方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102179787A (zh) * | 2011-05-03 | 2011-09-14 | 苏州工业园区高登威科技有限公司 | 一种汽车前窗遮阳板固定夹具 |
CN104183017A (zh) * | 2014-07-29 | 2014-12-03 | 浙江大学 | 基于地面三维激光点云实现地质体产状自动提取的方法 |
CN105180890A (zh) * | 2015-07-28 | 2015-12-23 | 南京工业大学 | 融合激光点云和数字影像的岩体结构面产状测量方法 |
CN105678683A (zh) * | 2016-01-29 | 2016-06-15 | 杭州电子科技大学 | 一种三维模型的二维存储方法 |
-
2017
- 2017-02-22 CN CN201710097078.3A patent/CN106896213B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102179787A (zh) * | 2011-05-03 | 2011-09-14 | 苏州工业园区高登威科技有限公司 | 一种汽车前窗遮阳板固定夹具 |
CN104183017A (zh) * | 2014-07-29 | 2014-12-03 | 浙江大学 | 基于地面三维激光点云实现地质体产状自动提取的方法 |
CN105180890A (zh) * | 2015-07-28 | 2015-12-23 | 南京工业大学 | 融合激光点云和数字影像的岩体结构面产状测量方法 |
CN105678683A (zh) * | 2016-01-29 | 2016-06-15 | 杭州电子科技大学 | 一种三维模型的二维存储方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106896213A (zh) | 2017-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106896213B (zh) | 一种基于点云数据的岩体结构面智能识别与信息提取方法 | |
CN103363962B (zh) | 一种基于多光谱影像的湖泊水储量遥感估算方法 | |
CN104239885B (zh) | 一种基于无人机航拍的地震灾害损毁度评估方法 | |
Kääb et al. | Surface kinematics of periglacial sorted circles using structure-from-motion technology | |
CN107063197B (zh) | 一种基于空间信息技术的水库特征曲线提取方法 | |
CN106022259B (zh) | 一种基于激光点云三维特征描述模型的山区道路提取方法 | |
CN104778720A (zh) | 一种基于空间不变特性的快速体积测量方法 | |
CN108050994A (zh) | 基于倾斜摄影三维重建技术的淤泥质潮滩地形演变方法 | |
Zhang et al. | Efficient registration of terrestrial LiDAR scans using a coarse-to-fine strategy for forestry applications | |
Wang et al. | A Quantitative Study of Gully Erosion Based on Object‐Oriented Analysis Techniques: A Case Study in Beiyanzikou Catchment of Qixia, Shandong, China | |
CN102096944A (zh) | 地质体结构面三维激光扫描点云识别方法 | |
CN104062653B (zh) | 基于三维微地貌重建的雷达遥感多尺度面粗糙度测量方法 | |
CN103177444A (zh) | 一种sar图像自动配准方法 | |
CN108663413A (zh) | 一种基于空地一体化的垃圾填埋场无损扫描的方法及系统 | |
CN109086649A (zh) | 卫星遥感图像水体识别方法 | |
CN104280784A (zh) | 一种重力识别小断裂的方法 | |
CN104268848A (zh) | 一种海洋内波波速监测的方法 | |
CN110207676A (zh) | 一种田沟塘参数的获取方法及装置 | |
CN107301649A (zh) | 一种基于超像素的区域合并sar图像海岸线检测算法 | |
CN103453882B (zh) | 一种基于飞行器的云层高度测量系统及云层高度测量方法 | |
CN203479295U (zh) | 一种基于飞行器的云层高度测量系统 | |
CN103792542A (zh) | 一种基于地面激光雷达技术的危岩落石调查方法 | |
Wang et al. | Comparison of changes in glacier area and thickness on the northern and southern slopes of Mt. Bogda, eastern Tianshan Mountains | |
Fiore Allwardt et al. | Curvature and fracturing based on global positioning system data collected at Sheep Mountain anticline, Wyoming | |
CN106446454A (zh) | 一种山区土壤厚度计算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
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 |
Granted publication date: 20190402 Termination date: 20200222 |
|
CF01 | Termination of patent right due to non-payment of annual fee |