CN107194401B - 一种基于灰度匹配的自动化火成岩分类方法 - Google Patents

一种基于灰度匹配的自动化火成岩分类方法 Download PDF

Info

Publication number
CN107194401B
CN107194401B CN201710367360.9A CN201710367360A CN107194401B CN 107194401 B CN107194401 B CN 107194401B CN 201710367360 A CN201710367360 A CN 201710367360A CN 107194401 B CN107194401 B CN 107194401B
Authority
CN
China
Prior art keywords
igneous rock
gray
gray value
cultellation
value
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.)
Active
Application number
CN201710367360.9A
Other languages
English (en)
Other versions
CN107194401A (zh
Inventor
徐诗宇
李安波
张文涵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Normal University
Original Assignee
Nanjing Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Normal University filed Critical Nanjing Normal University
Priority to CN201710367360.9A priority Critical patent/CN107194401B/zh
Publication of CN107194401A publication Critical patent/CN107194401A/zh
Application granted granted Critical
Publication of CN107194401B publication Critical patent/CN107194401B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Micro-Organisms Or Cultivation Processes Thereof (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于灰度匹配的自动化火成岩分类方法，具体包括步骤为：基于QAPF图版，生成灰度图像；基于火成岩矿物含量，生成投点坐标；基于哈希表集合与投点处灰度值，快速获取火成岩分类命名。本发明能在火成岩QAPF等标准灰度图图版的基础上，通过火成岩矿物成分投点、投点位置灰度值获取、基于哈希表集合快速获取火成岩名称等环节，快速实现火成岩的自动化分类命名。本发明与现有技术相比，算法复杂度较低，且解决了图版边界线上火成岩的种类分类问题。

Description

一种基于灰度匹配的自动化火成岩分类方法
技术领域
本发明涉及岩石学领域，特别是一种基于火成岩QAPF图版灰度匹配的自动化火成岩分类方法。
背景技术
随着对火成岩地区区域地质调查工作的不断深入和发展,在全球性火成岩综合研究以及全球性岩石数据库建库等工作中，火成岩的分类命名统一问题一直被世界各国地质学家关注。国际地质科学联合会(IUGS)火山岩系统学小组委员会在1974年提出了一套QAPF火成岩分类系统(quartz(Q),Alkali feldspars(A),plagioclase feldspars(P),andfeldspars(F))，目前该方案已经被世界各地的地质学家接受，并在国际上得到了广泛使用。
在火成岩分类命名工作中,传统基于QAPF图版的手工投点方法，存在投点不够精确及自动化程度不高等问题。为解决这一问题，中国地质大学魏惠珊研究了一种火成岩分类图自动化分类命名的方法(参见《火成岩分类命名自动处理系统及其应用》，魏惠珊，中国地质大学(北京)硕士学位论文，2007)，其研究思路为：在矢量化QAPF图版的基础上，基于判断点是否在多边形内部的算法自动化判断投点所在区域。该方法虽提高了火成岩分类的自动化程度，但判断投点区域的算法复杂度较高，且未能有效解决投点在图版边界线上时的命名问题。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，而提供一种基于灰度匹配的自动化火成岩分类方法，该火成岩分类方法直接在火成岩QAPF灰度图图版的基础上，通过基于火成岩矿物成分的投点位置获取、投点位置灰度值获取、基于哈希表集合快速获取火成岩名称等环节，可快速实现火成岩的自动化分类命名，且基于面积优先原则，有效解决了投点在图版边界线上时的火成岩命名问题。
为解决上述技术问题，本发明采用的技术方案是：
一种基于灰度匹配的自动化火成岩分类方法，包括如下步骤。
步骤1，基于标准分类图版的灰度图像生成：将标准分类图版进行预处理，形成灰度图像，具体过程包括如下步骤。
步骤11，分类图矢量化：使用矢量数据编辑软件，基于标准QAPF分类图版创建面状图层PolygonLayer。
步骤12，区域灰度赋值：根据下述公式(1)，对步骤1创建的面状图层PolygonLayer中各火成岩的分区要素进行灰度计算，并按计算的灰度值对相应区域进行灰度赋值填充；区域灰度赋值填充完成后，得到灰度图像I。
其中，GV为灰度值；Fid为面状图层PolygonLayer中不同分区要素的字段值，且Fid＝{0,1,…,N}；N为面状图层PolygonLayer的分区要素数；为下取整函数；
步骤13，生成灰度值-火成岩名称对照表：将步骤12计算的灰度值与面状图层PolygonLayer中对应区域的火成岩名称相对应，形成灰度值-火成岩名称对照表；然后，将形成的火成岩的灰度值-火成岩名称对照表信息，存入哈希表容器H1中，其中边界灰度值记为255。
步骤14，生成灰度值-面积对照表：对步骤11创建的面状图层PolygonLayer中各火成岩的分区要素进行面积计算，并将计算的面积与对应区域的灰度值相对应，形成灰度值-面积对照表；然后，将形成的灰度值-面积对照表信息，存入哈希表容器H2中。
步骤2，基于矿物含量的投点坐标生成，具体包括如下四个步骤。
步骤21，建立坐标系：以步骤12形成的灰度图像I中的下顶点P为原点，直线PF为x轴，直线PQ为y轴，单位长度为1个像素，建立坐标系。
步骤22，将矿物含量数据转化为投点坐标，具体包括如下步骤。
步骤221，输入火成岩化学成分：将已有的火成岩样品的石英含量、碱性长石含量、斜长石含量、长石含量分别代入变量q、a、p和f；其中，石英含量q与长石含量f不会出现在同一种火成岩内；
步骤222，坐标转换：先根据下述公式(2)及步骤221输入的火成岩化学成分，归一化计算出石英含量q'、碱性长石含量a'、斜长石含量p'、长石含量f'。
步骤223，基于分类图版投点：根据下述公式(3)、(4)，将火成岩样品的化学成分经坐标转换后，投点至步骤21所建立的坐标系中，得到投点坐标t(x,y)。
其中，width为灰度图像I的宽度，height为灰度图像I的高度，为下取整函数。
步骤3，火成岩分类名称获取，具体包括如下步骤。
步骤31，当投点坐标t为顶点时，直接得到岩石类型为副长石岩；当投点坐标t为顶点时，直接得到土岩石类型为含副长石碱长粗面岩；当投点坐标t为顶点时，直接得到岩石类型为玄武岩安山岩；均直接执行步骤4；否则执行步骤32。
步骤32，获取投点坐标t(x,y)处的灰度值value，其中，value∈[0,255]。
步骤33，当步骤31获取的灰度值value≠255时，直接执行步骤34；否则，投点位置在边界线上，需先执行步骤34，再执行步骤35。
步骤34，基于面积优先原则的投点区域优化：获取t点8邻域的灰度值(其中菱形投点区域内除顶点Q、A、P、F外，均具有8邻域，而F点代表的火成岩不属于QAPF图版的分类范围)，存入集合A＝{a1,a2,…,a8}，并执行以下步骤：
步骤341，剔除集合A中值为255的元素。
步骤342，根据步骤14中存储在哈希表容器H2中的灰度值-面积对照表，获取A中不同元素所对应的面积值，存入集合S＝{s1,s2,…,s8}。
步骤343，获取S中面积值最大的元素smax。
步骤344，根据存储在哈希表容器H2中的灰度值-面积对照表，获取smax对应的灰度值，并赋值给灰度值value。
步骤35，获取火成岩分类名称：根据灰度值value，与步骤13中存储在哈希表容器H1中的灰度值-火成岩名称对照表进行对照，能够快速获得相应的火成岩分类名称。
步骤4，循环执行步骤2至步骤3，直至完成每一火成岩样品的自动化分类命名。
所述步骤11中的矢量数据编辑软件为ArcMap软件。
所述步骤12中，灰度图像I的存储格式为bmp格式。
本发明采用上述方法后，能在火成岩QAPF等标准灰度图图版的基础上，通过火成岩矿物成分投点、投点位置灰度值获取、基于哈希表集合快速获取火成岩名称等环节，快速实现火成岩的自动化分类命名。本发明与现有技术相比，算法复杂度较低，且解决了图版边界线上火成岩的种类命名问题。
附图说明
图1显示了本发明一种基于灰度匹配的自动化火成岩分类方法的结构流程图。
图2显示了火成岩QAPF分类图。
图3显示了区域灰度赋值。
图4显示了实验数据。
图5显示了灰度值-火成岩名称对照表。
图6显示了灰度值-面积对照表。
图7显示了投点效果图。
图8显示了分类命名结果。
具体实施方式
下面结合附图和具体较佳实施方式对本发明作进一步详细的说明。
如图1所示，一种基于灰度匹配的自动化火成岩分类方法，包括如下步骤。
步骤1，基于标准分类图版的灰度图像生成：将标准分类图版进行预处理，形成灰度图像，具体过程包括如下步骤。
步骤11，分类图矢量化：使用矢量数据编辑软件，优选为ArcMap软件，基于如图2所示的标准QAPF分类图版创建面状图层PolygonLayer。
本发明中，以标准QAPF分类图版为例进行了详细说明，但本发明的方法也同样适于基于其它图版(火山岩TAS分类图版、侵入岩的TAS分类图版等)的火成岩自动化分类命名。
步骤12，区域灰度赋值。
根据下述公式(1)，对步骤1创建的面状图层PolygonLayer中各火成岩的分区要素进行灰度计算，并按计算的灰度值对相应区域进行灰度赋值填充；区域灰度赋值填充完成后，得到如图3所示的灰度图像I，灰度图像I的存储格式优选为bmp格式。
其中，GV为灰度值；Fid为面状图层PolygonLayer中不同分区要素的字段值，且Fid＝{0,1,…,N}；N为面状图层PolygonLayer的分区要素数；为下取整函数。
步骤13，生成灰度值-火成岩名称对照表：将步骤12计算的灰度值与面状图层PolygonLayer中对应区域的火成岩名称相对应，形成如图5所示的灰度值-火成岩名称对照表；然后，将形成的火成岩的灰度值-火成岩名称对照表信息，存入哈希表容器H1中，其中边界灰度值记为255。
步骤14，生成灰度值-面积对照表：对步骤11创建的面状图层PolygonLayer中各火成岩的分区要素进行面积计算，并将计算的面积与对应区域的灰度值相对应，形成灰度值-面积对照表；然后，将形成如图6所示的灰度值-面积对照表信息，存入哈希表容器H2中。
上述灰度值-火成岩名称对照表以及灰度值-面积对照表总称为图1所示的灰度-类型查找表。
步骤2，基于矿物含量的投点坐标生成，具体包括如下四个步骤。
步骤21，建立坐标系：以步骤12形成的灰度图像I中的下顶点P为原点，直线PF为x轴，直线PQ为y轴，单位长度为1个像素，建立坐标系。
步骤22，将矿物含量数据转化为投点坐标，具体包括如下步骤。
步骤221，输入火成岩化学成分：将已有的火成岩样品的石英含量、碱性长石含量、斜长石含量、长石含量分别代入变量q、a、p和f；其中，石英含量q与长石含量f不会出现在同一种火成岩内。
本步骤中，以图4试验测试所得到的编号为1的火成岩样品为例，对本发明进行详细阐述。
编号为1的火成岩样品化学成分输入结果为，q＝0、a＝30、p＝30、f＝10。
步骤222，坐标转换：先根据下述公式(2)及步骤221输入的火成岩化学成分，归一化计算出石英含量q'、碱性长石含量a'、斜长石含量p'、长石含量f'。
步骤223，基于分类图版投点：根据下述公式(3)、(4)，将火成岩样品的化学成分经坐标转换后，投点至步骤21所建立的坐标系中，得到投点坐标t(x,y)。
其中，width为灰度图像I的宽度，height为灰度图像I的高度，为下取整函数。
编号为1的火成岩样品，按上述方法计算出的结果为：q'＝0、a'＝0.43、p'＝0.43、f'＝0.14；以及得到投点坐标t(250,171)。
步骤3，火成岩分类名称获取，具体包括如下步骤。
步骤31，当投点坐标t为顶点时，直接得到岩石类型为副长石岩；当投点坐标t为顶点时，直接得到土岩石类型为含副长石碱长粗面岩；当投点坐标t为顶点时，直接得到岩石类型为玄武岩安山岩；直接执行步骤4；否则执行步骤32；
步骤32，获取投点坐标t(x,y)处的灰度值value，其中，value∈[0,255]。
编号为1的火成岩样品，获取图3在t(250,171)处的灰度值为61，并向t处投点(图7所示)。
步骤33，当步骤32获取的灰度值value≠255时，直接执行步骤34；否则，投点位置在边界线上，需先执行步骤34，再执行步骤35。
编号为1的火成岩样品，t处灰度值为61，灰度值value≠255，将直接执行步骤34。
步骤34，基于面积优先原则的投点区域优化：获取t点8邻域的灰度值(其中菱形投点区域内除顶点Q、A、P、F外，均具有8邻域，而F点代表的火成岩不属于QAPF图版的分类范围)，存入集合A＝{a1,a2,…,a8}，并执行以下步骤：
步骤341，剔除集合A中值为255的元素。
步骤342，根据步骤14中存储在哈希表容器H2中的灰度值-面积对照表，获取A中不同元素所对应的面积值，存入集合S＝{s1,s2,…,s8}。
编号为1的火成岩样品，t处8邻域灰度值均为61，根据哈希表容器H2，集合S＝{3521}。
步骤343，获取S中面积值最大的元素smax。
编号为1的火成岩样品，S中面积最大元素为3521。
步骤344,根据存储在哈希表容器H2中的灰度值-面积对照表，获取smax对应的灰度值，并赋值给灰度值value。
编号为1的火成岩样品，跟你局哈希表容器H2，3521对应的灰度值为61，value＝61。
步骤35，获取火成岩分类名称：根据灰度值value，与步骤13中存储在哈希表容器H1中的灰度值-火成岩名称对照表进行对照，能够快速获得相应的火成岩分类名称。
编号为1的火成岩样品，根据图5所示的灰度值-火成岩名称对照表，得到灰度值为61的区域代表的火成岩类型为碱玄质响岩。
步骤4，循环执行步骤2至步骤3，直至完成每一火成岩样品的自动化分类命名。
如将图4所示的编号为2-13的所有火成岩样品全部按步骤2至步骤3进行分类命名，则得到编号为1-13的所有火成岩样品的火成岩分类名称如图8所示。
以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。

Claims (3)

1.一种基于灰度匹配的自动化火成岩分类方法，其特征在于：包括如下步骤：
步骤1，基于标准分类图版的灰度图像生成：将标准分类图版进行预处理，形成灰度图像，具体过程包括如下步骤：
步骤11，分类图矢量化：使用矢量数据编辑软件，基于标准QAPF分类图版创建面状图层PolygonLayer；
步骤12，区域灰度赋值：根据下述公式(1)，对步骤1创建的面状图层PolygonLayer中各火成岩的分区要素进行灰度计算，并按计算的灰度值对相应区域进行灰度赋值填充；区域灰度赋值填充完成后，得到灰度图像I；
其中，GV为灰度值；Fid为面状图层PolygonLayer中不同分区要素的字段值，且Fid＝{0,1,…,N}；N为面状图层PolygonLayer的分区要素数；为下取整函数；
步骤13，生成灰度值-火成岩名称对照表：将步骤12计算的灰度值与面状图层PolygonLayer中对应区域的火成岩名称相对应，形成灰度值-火成岩名称对照表；然后，将形成的火成岩的灰度值-火成岩名称对照表信息，存入哈希表容器H1中，其中边界灰度值记为255；
步骤14，生成灰度值-面积对照表：对步骤11创建的面状图层PolygonLayer中各火成岩的分区要素进行面积计算，并将计算的面积与对应区域的灰度值相对应，形成灰度值-面积对照表；
然后，将形成的灰度值-面积对照表信息，存入哈希表容器H2中；
步骤2，基于矿物含量的投点坐标生成，具体包括如下四个步骤：
步骤21，建立坐标系：以步骤12形成的灰度图像I中的下顶点P为原点，直线PF为x轴，直线PQ为y轴，单位长度为1个像素，建立坐标系；
步骤22，将矿物含量数据转化为投点坐标，具体包括如下步骤：
步骤221，输入火成岩化学成分：将已有的火成岩样品的石英含量、碱性长石含量、斜长石含量、长石含量值分别代入变量q、a、p和f；其中，石英含量q与长石含量f不会出现在同一种火成岩内；
步骤222，坐标转换：先根据下述公式(2)及步骤221输入的火成岩化学成分，归一化计算出石英含量q'、碱性长石含量a'、斜长石含量p'、长石含量f'；
步骤223，基于分类图版投点：根据下述公式(3)、(4)，将火成岩样品的化学成分经坐标转换后，投点至步骤21所建立的坐标系中，得到投点坐标t(x,y)；
其中，width为灰度图像I的宽度，height为灰度图像I的高度，为下取整函数；
步骤3，火成岩分类名称获取，具体包括如下步骤：
步骤31，步骤31，当投点坐标t为顶点时，直接得到岩石类型为副长石岩；当投点坐标t为顶点时，直接得到土岩石类型为含副长石碱长粗面岩；当投点坐标t为顶点时，直接得到岩石类型为玄武岩安山岩；均直接执行步骤4；否则执行步骤32；
步骤32，获取投点坐标t(x,y)处的灰度值value，其中，value∈[0,255]；
步骤33，当步骤32获取的灰度值value≠255时，直接执行步骤35；否则，投点位置在边界线上，需先执行步骤34，再执行步骤35；
步骤34，基于面积优先原则的投点区域优化：获取t点8邻域的灰度值，存入集合A＝{a1,a2,…,a8}，并执行以下步骤：
步骤341，剔除集合A中值为255的元素；
步骤342，根据步骤14中存储在哈希表容器H2中的灰度值-面积对照表，获取A中不同元素所对应的面积值，存入集合S＝{s1,s2,…,s8}；
步骤343，获取S中面积值最大的元素smax；
步骤344，根据存储在哈希表容器H2中的灰度值-面积对照表，获取smax对应的灰度值，并赋值给灰度值value；
步骤35，获取火成岩分类名称：根据灰度值value，与步骤13中存储在哈希表容器H1中的灰度值-火成岩名称对照表进行对照，能够快速获得相应的火成岩分类名称；
步骤4，循环执行步骤2至步骤3，直至完成每一火成岩样品的自动化分类命名。
2.根据权利要求1所述的火成岩分类方法，其特征在于：所述步骤11中的矢量数据编辑软件为ArcMap软件。
3.根据权利要求1所述的火成岩分类方法，其特征在于：所述步骤12中，灰度图像I的存储格式为bmp格式。
CN201710367360.9A 2017-05-23 2017-05-23 一种基于灰度匹配的自动化火成岩分类方法 Active CN107194401B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710367360.9A CN107194401B (zh) 2017-05-23 2017-05-23 一种基于灰度匹配的自动化火成岩分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710367360.9A CN107194401B (zh) 2017-05-23 2017-05-23 一种基于灰度匹配的自动化火成岩分类方法

Publications (2)

Publication Number Publication Date
CN107194401A CN107194401A (zh) 2017-09-22
CN107194401B true CN107194401B (zh) 2019-08-27

Family

ID=59874320

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710367360.9A Active CN107194401B (zh) 2017-05-23 2017-05-23 一种基于灰度匹配的自动化火成岩分类方法

Country Status (1)

Country Link
CN (1) CN107194401B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112307765B (zh) * 2020-09-15 2022-03-29 中国石油天然气股份有限公司 咸化湖相细粒沉积岩分类命名确定方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104345132A (zh) * 2013-07-25 2015-02-11 长江大学 一种页岩微相分类的定量表征方法
CN105956066A (zh) * 2016-04-28 2016-09-21 南京师范大学 一种褶皱地貌类型的自动化识别方法
CN106469257A (zh) * 2016-09-09 2017-03-01 中国海洋石油总公司 一种基于三端元矿物含量的混合沉积岩石分类命名方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104345132A (zh) * 2013-07-25 2015-02-11 长江大学 一种页岩微相分类的定量表征方法
CN105956066A (zh) * 2016-04-28 2016-09-21 南京师范大学 一种褶皱地貌类型的自动化识别方法
CN106469257A (zh) * 2016-09-09 2017-03-01 中国海洋石油总公司 一种基于三端元矿物含量的混合沉积岩石分类命名方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于空间结构模式匹配的褶皱地貌类型自动识别;陈楹 等;《地球信息科学》;20161118;第18卷(第11期);1500-1512 *
松辽盆地火山岩岩性识别中测井数据的选择及判别方法;张莹 等;《石油学报》;20120915;第33卷(第5期);830-834 *

Also Published As

Publication number Publication date
CN107194401A (zh) 2017-09-22

Similar Documents

Publication Publication Date Title
RU2603979C1 (ru) Идентификация и выбор слоев флюида и флюидонасыщенных пластов из одного или более геологических массивов, представляющих геологическую структуру
Fan et al. Recognizing multiple types of rocks quickly and accurately based on lightweight CNNs model
CN110111414A (zh) 一种基于三维激光点云的正射影像生成方法
CN102759748B (zh) 基于目标分析的交汇分析地震储层预测方法
CN105761150B (zh) 农作物信息及样本的采集方法和系统
CN110443862A (zh) 基于无人机的岩性填图方法及系统、电子设备
CN112925865B (zh) 矿区地表移动变形3D WebGIS预计分析方法及系统
CN105954493A (zh) 一种土壤采集检测系统
CN104899448B (zh) 一种集合卡尔曼滤波静态局地化方案的自适应补偿方法
Reif et al. Quantitative structural analysis using remote sensing data: Kurdistan, northeast Iraq
CN103345566A (zh) 基于地质内涵的化探异常识别与评价方法
CN102607529A (zh) 矿区环境的测量方法、装置以及数据处理设备
CN104820826B (zh) 一种基于数字高程模型的坡形提取与识别方法
CN107194401B (zh) 一种基于灰度匹配的自动化火成岩分类方法
CN111496786A (zh) 一种基于点云模型规划机械臂作业加工轨迹方法
CN115983505A (zh) 一种固体矿产三维立体成矿预测方法及装置
Vural et al. Determination of lithological differences and hydrothermal alteration areas by remote sensing studies: Kisacik (Ayvacik-Canakkale, Biga Peninsula, Turkey)
Ren et al. Future prospects of UAV tilt photogrammetry technology
CN113627657A (zh) 一种使用机器学习模型的砂岩型铀成矿有利区预测方法
CN111967117B (zh) 基于露头碳酸盐岩储层建模的地下储层预测方法及装置
AU2012304174A1 (en) Methods and systems for the inversion of magnetic data from remnant and induced sources in geophysical exploration
CN116151482B (zh) 一种露天矿区的开采土方量预测方法、装置、设备及介质
CN114239250B (zh) 一种国土空间规划设计的系统和方法
CN106650595A (zh) 地块边界识别的方法及边界识别装置
CN103678586A (zh) 在卫星图像中标记页岩层的方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant