CN108648190A - 一种基于分水岭的渣片彩色图像分析装置及方法 - Google Patents
一种基于分水岭的渣片彩色图像分析装置及方法 Download PDFInfo
- Publication number
- CN108648190A CN108648190A CN201810463260.0A CN201810463260A CN108648190A CN 108648190 A CN108648190 A CN 108648190A CN 201810463260 A CN201810463260 A CN 201810463260A CN 108648190 A CN108648190 A CN 108648190A
- Authority
- CN
- China
- Prior art keywords
- image
- gradient
- slag piece
- slag
- module
- 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.)
- Pending
Links
Classifications
-
- 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
- G06T7/0004—Industrial image inspection
-
- 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
- G06T2207/10024—Color image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于分水岭的渣片彩色图像分析装置及方法,方法步骤为:步骤1、对移动的出渣皮带进行定时拍照获取渣片的彩色图像;步骤2、对图像进行预处理,对所述渣片图像进行彩色图像的多尺度形态学梯度计算,选择合适的梯度;步骤3、得到最小标记图像,对梯度图像进行FFT变换,并进行响应的滤波,提取梯度图像的低频成分,部分梯度进行IFFT计算,图片叠加后进行自适应的极小值提取;步骤4、对标定后的图像进行分水岭处理;步骤5、对分割后的图像进行渣片的块度、面积、数量等参数提取,得出对应围岩类别和性能参数。本发明最大限度的做到了渣片彩色图像的精准图像分割,参数提取和状态判断,为TBM的高效施工提供保障。
Description
技术领域
本发明涉及TBM隧道施工领域,尤其涉及一种基于分水岭的渣片彩色图像分析装置及方法。
背景技术
目前,随着我国隧道掘进技术的快速发展,TBM(全断面隧道掘进机)得到了越来越广泛的使用,现已成为一种主要的施工方法。对于TBM的状态预测没有统一的规定,对于提高掘进效率主要依靠主控司机的人为经验,在数字图像处理技术和数据挖掘技术的快速发展下,我们可以通过对TBM出渣进行拍摄照片,通过图像处理的方法,提取渣片的块度、数量、面积等参数在线分析,可以实现施工预警、TBM性能优化等。
目前,常见的TBM渣片分析方法是现场取样、筛分,实验室进行承重,并测量其粒径。这种方法效率比较慢,需要的人手比较多,对于TBM掘进不能起到现场指导的作用,此外,由于皮带移动速度较快,上方空间狭小,还有料斗,吸铁器等器材的遮挡,致使现场取样存在难度大,危险系数高,且不能持续取样的难题。
发明内容
针对上述现有技术中描述的不足,本发明提供一种基于分水岭的渣片彩色图像分析装置及方法,实现对渣片进行图像采集、参数提取和状态、性能等功能,能够有效的提高TBM掘进效率,避免施工风险。
为解决上述技术问题,本发明所采用的技术方案如下:
一种基于分水岭的渣片彩色图像分析方法,步骤如下:
步骤1、获取移动传送带上渣片的实时图像。
实时图像的获取通过采集装置获得,采集装置包括:光源,支架、照相机和测速装置;测速装置用于检测移动传送带的实时速度,当实时速度大于设定速度时,停止采集图像。
步骤2、对获得的实时图像进行筛选,剔除含泥较多、含水较多、粉末过多的实时图像。
步骤3、对筛选出的实时图像分别进行多尺度形态学梯度的计算,并获得最优梯度下的梯度图像。
301、提取各实时图像的R分量、G分量和B分量。
302、计算各实时图像进行多尺度形态学梯度FGod,计算公式为;
其中,ri为结构元素的半径,rmax为结构元素的最大半径,rmin为结构元素的最小半径,ρi表示权值,rFi表示不同分量下的不同尺寸的形态学梯度,i表示表示图像灰度的序号;
303、从步骤302获得的多尺度形态学梯度中筛选最优梯度,计算公式为:
304、根据步骤303得到各梯度图像。
步骤4、得到极小值标定的图像。
对各梯度图像进行FFT变换,转换到频域进行频谱包络滤波,得到梯度图像的低频成分,部分梯度图像进行IFFT,并进行自适应的小阈值提取。
具体包括如下步骤:
401:对每个梯度图像的灰度值进行FFT变换得到频域图像,公式为:
402:对频域图像进行频谱包络滤波,滤除高频部分,得到低频图像,公式如下:
S(μ,ν)=(1-μ)D2k(μ,ν)+μ (4);
式中,D(μ,ν)是点(μ,ν)到核函数中心点的归一化距离;
403:将低频图像,抽取部分进行IFFT变换,得到低频图像的时域部分,并进行改进的H-minima的算法,得到极小值标定的图像,公式为:
H=α.(M2-M1) (6);
其中,M0是梯度图像的均值,M1是梯度图像局部极小值的均值,M2是梯度图像局部极大值的均值,α是自适应控制因子。
步骤5、将步骤3中的梯度图像和步骤4中的极小值标定的图像进行融合,并对融合图像进行分水岭分割。
步骤6、对分割之后的融合图像分别进行连通域提取渣片图像的块度、数量、面积参数,根据提取的参数查找数据库对应的围岩类别和性能参数,将对应结果进行实时反馈,并将提取的渣片参数和TBM掘进的地质围岩情况,生成对应的映射关系,进行存储用于后期围岩预测。
一种基于分水岭的渣片彩色图像分析装置,包括拍照模块、光照模块、测速模块、数据库和数据处理模块;拍照模块用于对移动传送带上的渣片进行定时拍摄照片并将拍摄的图像传输至数据处理模块内;光照模块,用于对移动传送带上的渣片进行补光,确保渣片的清晰度;测速模块,用于实时测量移动传送带的移动速度并将检测的实时速度传输至数据处理模块内,数据处理模块将实时速度与设定速度比较,当实时速度超过设定速度,数据处理模块控制拍照模块和光照模块停止,当实时速度小于设定速度时,数据处理模块接收拍照模块传输的图像进行含水、泥、粉末状态的分析实现筛选,并对筛选后的图像进行处理并获取渣片的块度、数量和面积的分布数据;数据库用于围岩等级、TBM性能参数和渣片参数的样本存储。
优选地,本发明还包括显示模块,显示模块用于接收数据处理模块的指令显示渣片图像质量的判断结果以及渣片参数、TBM预测参数、围岩等级参数。
本发明的好处首先可以实现TBM状态的快速诊断,较原来的人为取渣、实验室进行测量,得出围岩等级,再去判断TBM状态参数的情况,省去了很大的时间消耗。其次,消除了人为取渣所带来的人身安全风险,此外,在正确性上较常规的认为判断来讲,基本无差别,所以本发明方法可以从人力成本、风险、正确性多方面来说优于传统方法,优化TBM隧道施工,提高隧道施工效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的流程图。
图2为本发明的图像筛选流程图。
图3为本发明装置的模块分布图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种基于分水岭的渣片彩色图像分析方法,如图1所示,步骤如下:
步骤1、获取移动传送带上渣片的实时图像。
实时图像的获取通过采集装置获得,采集装置包括:光源,支架、照相机和测速装置;测速装置用于检测移动传送带的实时速度,当实时速度大于设定速度时,停止采集图像。
步骤2、对获得的实时图像进行筛选,剔除含泥较多、含水较多、粉末过多的实时图像,如图2所示。
步骤3、对筛选出的实时图像分别进行多尺度形态学梯度的计算,并获得最优梯度下的梯度图像。
301、提取各实时图像的R分量、G分量和B分量。
302、计算各实时图像进行多尺度形态学梯度FGod,计算公式为;
其中,ri为结构元素的半径,rmax为结构元素的最大半径,rmin为结构元素的最小半径,ρi表示权值,rFi表示不同分量下的不同尺寸的形态学梯度,i表示图像灰度的序号;
303、从步骤302获得的多尺度形态学梯度中筛选最优梯度,计算公式为:
304、根据步骤303得到各梯度图像。
步骤4、得到极小值标定的图像。
对各梯度图像进行FFT变换,转换到频域进行频谱包络滤波,得到梯度图像的低频成分,部分梯度图像进行IFFT,并进行自适应的小阈值提取。
具体包括如下步骤:
401:对每个梯度图像的灰度值进行FFT变换得到频域图像,公式为:
402:对频域图像进行频谱包络滤波,滤除高频部分,得到低频图像,公式如下:
S(μ,ν)=(1-μ)D2k(μ,ν)+μ (4);
式中,D(μ,ν)是点(μ,ν)到核函数中心点的归一化距离;
403:将低频图像,抽取部分进行IFFT变换,得到低频图像的时域部分,并进行改进的H-minima的算法,得到极小值标定的图像,公式为:
H=α.(M2-M1) (6);
其中,M0是梯度图像的均值,M1是梯度图像局部极小值的均值,M2是梯度图像局部极大值的均值,α是自适应控制因子。
步骤5、将步骤3中的梯度图像和步骤4中的极小值标定的图像进行融合,并对融合图像进行分水岭分割。
步骤6、对分割之后的融合图像分别进行连通域提取渣片图像的块度、数量、面积参数,根据提取的参数查找数据库对应的围岩类别和性能参数,将对应结果进行实时反馈,并将提取的渣片参数和TBM掘进的地质围岩情况,生成对应的映射关系,进行存储用于后期围岩预测。
而为了完成上述分析方法,所用的一种基于分水岭的渣片彩色图像分析装置,如图3所示,包括拍照模块101、光照模块、测速模块102、数据库104、数据处理模块103和显示模块105;拍照模块用于对移动传送带上的渣片进行定时拍摄照片并将拍摄的图像传输至数据处理模块内;光照模块,用于对移动传送带上的渣片进行补光,确保渣片的清晰度;测速模块,用于实时测量移动传送带的移动速度,确保渣片图像的质量,并将检测的实时速度传输至数据处理模块内,数据处理模块将实时速度与设定速度比较,当实时速度超过设定速度,数据处理模块控制拍照模块和光照模块停止,当实时速度小于设定速度时,数据处理模块接收拍照模块传输的图像进行含水、泥、粉末状态的分析实现筛选,并对筛选后的图像进行处理并获取渣片的块度、数量和面积的分布数据;数据库用于围岩等级、TBM性能参数和渣片参数的样本存储;显示模块用于接收数据处理模块的指令显示渣片图像质量的判断结果以及渣片参数、TBM预测参数、围岩等级参数。
以上所述的仅是本发明的优选实施方式,对于本领域的技术人员来说,在不脱离本发明整体架构的前提下,可轻易得到各种等效的修改或替换,这些也应该视为本发明的保护范围。
Claims (5)
1.一种基于分水岭的渣片彩色图像分析方法,其特征在于,步骤如下:
步骤1、获取移动传送带上渣片的实时图像;
步骤2、对获得的实时图像进行筛选,剔除含泥较多、含水较多、粉末过多的实时图像;
步骤3、对筛选出的实时图像分别进行多尺度形态学梯度的计算,并获得最优梯度下的梯度图像;
步骤4、得到极小值标定的图像;
步骤5、将步骤3中的梯度图像和步骤4中的极小值标定的图像进行融合,并对融合图像进行分水岭分割;
步骤6、对分割之后的融合图像分别进行连通域提取渣片图像的块度、数量、面积参数,根据提取的参数查找数据库对应的围岩类别和性能参数,将对应结果进行实时反馈,并将提取的渣片参数和TBM掘进的地质围岩情况,生成对应的映射关系,进行存储用于后期围岩预测。
2.根据权利要求1所述的基于分水岭的渣片彩色图像分析方法,其特征在于,在步骤3中,具体步骤为:301、提取各实时图像的R分量、G分量和B分量;
302、计算各实时图像进行多尺度形态学梯度FGod,计算公式为;
其中,ri为结构元素的半径,rmax为结构元素的最大半径,rmin为结构元素的最小半径,ρi表示权值,rFi表示不同分量下的不同尺寸的形态学梯度,i表示图像灰度的序号;
303、从步骤302获得的多尺度形态学梯度中筛选最优梯度,计算公式为:
304、根据步骤303得到各梯度图像。
3.根据权利要求1所述的基于分水岭的渣片彩色图像分析方法,其特征在于,在步骤4中,具体步骤为:401:对每个梯度图像的灰度值进行FFT变换得到频域图像,公式为:
402:对频域图像进行频谱包络滤波,滤除高频部分,得到低频图像,公式如下:
S(μ,ν)=(1-μ)D2k(μ,ν)+μ (4);
式中,D(μ,ν)是点(μ,ν)到核函数中心点的归一化距离;
403:将低频图像,抽取部分进行IFFT变换,得到低频图像的时域部分,并进行改进的H-minima的算法,得到极小值标定的图像,公式为:
H=α.(M2-M1) (6);
其中,M0是梯度图像的均值,M1是梯度图像局部极小值的均值,M2是梯度图像局部极大值的均值,α是自适应控制因子。
4.一种基于分水岭的渣片彩色图像分析装置,其特征在于:包括拍照模块、光照模块、测速模块、数据库和数据处理模块;拍照模块用于对移动传送带上的渣片进行定时拍摄照片并将拍摄的图像传输至数据处理模块内;光照模块,用于对移动传送带上的渣片进行补光,确保渣片的清晰度;测速模块,用于实时测量移动传送带的移动速度并将检测的实时速度传输至数据处理模块内,数据处理模块将实时速度与设定速度比较,当实时速度超过设定速度,数据处理模块控制拍照模块和光照模块停止,当实时速度小于设定速度时,数据处理模块接收拍照模块传输的图像进行含水、泥、粉末状态的分析实现筛选,并对筛选后的图像进行处理并获取渣片的块度、数量和面积的分布数据;数据库用于围岩等级、TBM性能参数和渣片参数的样本存储。
5.根据权利要求4所述的基于分水岭的渣片彩色图像分析装置,其特征在于:还包括显示模块,显示模块用于接收数据处理模块的指令显示渣片图像质量的判断结果以及渣片参数、TBM预测参数、围岩等级参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810463260.0A CN108648190A (zh) | 2018-05-15 | 2018-05-15 | 一种基于分水岭的渣片彩色图像分析装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810463260.0A CN108648190A (zh) | 2018-05-15 | 2018-05-15 | 一种基于分水岭的渣片彩色图像分析装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108648190A true CN108648190A (zh) | 2018-10-12 |
Family
ID=63755944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810463260.0A Pending CN108648190A (zh) | 2018-05-15 | 2018-05-15 | 一种基于分水岭的渣片彩色图像分析装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108648190A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516730A (zh) * | 2019-08-20 | 2019-11-29 | 中铁工程装备集团有限公司 | 基于pso-svm算法和图像识别的围岩质量在线分级方法 |
CN112396590A (zh) * | 2020-11-25 | 2021-02-23 | 中南大学 | 一种半自磨入磨矿石块度检测方法、设备及介质 |
CN113469112A (zh) * | 2021-07-19 | 2021-10-01 | 三门峡市扶贫开发办公室 | 农作物生长状况图像识别方法及系统 |
CN113569943A (zh) * | 2021-07-26 | 2021-10-29 | 中铁工程装备集团有限公司 | 一种基于深度神经网络的渣片大块预警方法、系统及装置 |
CN113838011A (zh) * | 2021-09-13 | 2021-12-24 | 中南大学 | 基于数字图像颜色梯度的岩石块度和/或分布规律获取方法、系统、终端及可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780284A (zh) * | 2016-12-28 | 2017-05-31 | 中铁工程装备集团有限公司 | 隧道洞壁围岩完整性信息采集装置及评价方法 |
CN107133963A (zh) * | 2017-04-07 | 2017-09-05 | 中国铁建重工集团有限公司 | 图像处理方法以及装置、渣片分布分析的方法及装置 |
CN107194943A (zh) * | 2017-04-07 | 2017-09-22 | 北京工业大学 | 图像分割方法及装置、用于渣片的图像分割方法及装置 |
CN107201903A (zh) * | 2017-04-07 | 2017-09-26 | 北京工业大学 | Tbm隧道施工的智能化控制方法及系统 |
CN107219227A (zh) * | 2017-04-07 | 2017-09-29 | 中国铁建重工集团有限公司 | 渣片在线分析方法及系统 |
CN107808385A (zh) * | 2017-11-22 | 2018-03-16 | 新疆大学 | 基于幂律分布的彩色图像分水岭分割方法 |
-
2018
- 2018-05-15 CN CN201810463260.0A patent/CN108648190A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780284A (zh) * | 2016-12-28 | 2017-05-31 | 中铁工程装备集团有限公司 | 隧道洞壁围岩完整性信息采集装置及评价方法 |
CN107133963A (zh) * | 2017-04-07 | 2017-09-05 | 中国铁建重工集团有限公司 | 图像处理方法以及装置、渣片分布分析的方法及装置 |
CN107194943A (zh) * | 2017-04-07 | 2017-09-22 | 北京工业大学 | 图像分割方法及装置、用于渣片的图像分割方法及装置 |
CN107201903A (zh) * | 2017-04-07 | 2017-09-26 | 北京工业大学 | Tbm隧道施工的智能化控制方法及系统 |
CN107219227A (zh) * | 2017-04-07 | 2017-09-29 | 中国铁建重工集团有限公司 | 渣片在线分析方法及系统 |
CN107808385A (zh) * | 2017-11-22 | 2018-03-16 | 新疆大学 | 基于幂律分布的彩色图像分水岭分割方法 |
Non-Patent Citations (4)
Title |
---|
余旺盛 等: "基于改进滤波和标记提取的分水岭算法", 《电子学报》 * |
冀振元 等: "《数字信号处理基础及MATLAB实现 第2版》", 31 August 2016, 《哈尔滨工业大学出版社》 * |
张海涛等: "阈值标记的分水岭彩色图像分割", 《中国图象图形学报》 * |
王江涛: "《电子信息类专业实验教程计算机软件分册》", 28 February 2018, 《中国科学技术大学出版社》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516730A (zh) * | 2019-08-20 | 2019-11-29 | 中铁工程装备集团有限公司 | 基于pso-svm算法和图像识别的围岩质量在线分级方法 |
CN110516730B (zh) * | 2019-08-20 | 2022-09-23 | 中铁工程装备集团有限公司 | 基于pso-svm算法和图像识别的围岩质量在线分级方法 |
CN112396590A (zh) * | 2020-11-25 | 2021-02-23 | 中南大学 | 一种半自磨入磨矿石块度检测方法、设备及介质 |
CN112396590B (zh) * | 2020-11-25 | 2022-07-15 | 中南大学 | 一种半自磨入磨矿石块度检测方法、设备及介质 |
CN113469112A (zh) * | 2021-07-19 | 2021-10-01 | 三门峡市扶贫开发办公室 | 农作物生长状况图像识别方法及系统 |
CN113469112B (zh) * | 2021-07-19 | 2022-06-21 | 三门峡市乡村振兴局 | 农作物生长状况图像识别方法及系统 |
CN113569943A (zh) * | 2021-07-26 | 2021-10-29 | 中铁工程装备集团有限公司 | 一种基于深度神经网络的渣片大块预警方法、系统及装置 |
CN113569943B (zh) * | 2021-07-26 | 2023-10-24 | 中铁工程装备集团有限公司 | 一种基于深度神经网络的渣片大块预警方法、系统及装置 |
CN113838011A (zh) * | 2021-09-13 | 2021-12-24 | 中南大学 | 基于数字图像颜色梯度的岩石块度和/或分布规律获取方法、系统、终端及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108648190A (zh) | 一种基于分水岭的渣片彩色图像分析装置及方法 | |
CN107607562A (zh) | 一种违禁物品识别设备及方法、x光行李安检系统 | |
CN108710863A (zh) | 基于深度学习的无人机航拍场景语义分割方法及系统 | |
CN106154350B (zh) | 基于孔中摄像与单孔声波的工程综合测孔系统与方法 | |
CN110135468A (zh) | 一种煤矸石的识别方法 | |
CN107895367A (zh) | 一种骨龄识别方法、系统及电子设备 | |
Grybas et al. | A comparison of unsupervised segmentation parameter optimization approaches using moderate-and high-resolution imagery | |
CN106127725A (zh) | 一种基于多分辨率cnn的毫米波雷达云图分割方法 | |
CN106780284A (zh) | 隧道洞壁围岩完整性信息采集装置及评价方法 | |
CN112926405A (zh) | 一种安全帽佩戴检测方法、系统、设备及存储介质 | |
Zhang et al. | Development of a supervised software tool for automated determination of optimal segmentation parameters for ecognition | |
CN109376660B (zh) | 一种目标监测方法、装置及系统 | |
CN110032916A (zh) | 一种检测目标物体的方法和装置 | |
CN108053408A (zh) | 一种基于遥感卫星影像的高自动化土地利用更新方法 | |
CN111346842A (zh) | 煤矸石分拣方法、装置、设备及存储介质 | |
CN106585993A (zh) | 用于飞机的包括姿态校正装置的机载平台和相关联的拖曳挂接组件 | |
CN110244381A (zh) | 无人机地质勘测方法、装置和系统 | |
CN114020043A (zh) | 无人机建筑工程监理系统、方法、电子设备及存储介质 | |
Beddingfield et al. | Polygonal impact craters on Dione: Evidence for tectonic structures outside the wispy terrain | |
CN106989783A (zh) | 一种基于土壤信息监测分析的无人机系统 | |
Kiruthika | Monitoring soil quality and fertigation system using Iot | |
CN107895378A (zh) | 目标检测方法和装置、存储介质、电子设备 | |
CN112801035B (zh) | 基于知识与数据双驱动的搭载式岩性智能识别方法及系统 | |
CN108229446A (zh) | 一种区域圈定方法及系统 | |
NO854447L (no) | Fremgangsmaate og innretning for automatisk frembringelse av representasjoner av tredimensjonale horisonter ut fra behandlede, seismiske data. |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181012 |