CN109145424A - 一种针对探地雷达数据的桥梁数据识别方法及系统 - Google Patents
一种针对探地雷达数据的桥梁数据识别方法及系统 Download PDFInfo
- Publication number
- CN109145424A CN109145424A CN201810908723.XA CN201810908723A CN109145424A CN 109145424 A CN109145424 A CN 109145424A CN 201810908723 A CN201810908723 A CN 201810908723A CN 109145424 A CN109145424 A CN 109145424A
- Authority
- CN
- China
- Prior art keywords
- bridge
- coherent noise
- image
- data
- gpr record
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Civil Engineering (AREA)
- Mathematical Analysis (AREA)
- Structural Engineering (AREA)
- Architecture (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种针对探地雷达数据的桥梁数据识别方法以及系统。所述方法包括:以包含桥梁数据图像的历史探地雷达数据为学习样本集,采用深度学习的方法训练桥梁识别模型;获取待分析的探地雷达数据图像片段;基于所述桥梁识别模型确定包含桥梁数据图像的探地雷达数据图像片段以及桥梁数据图像在所述探地雷达数据图像片段中的坐标。相较于现有技术,根据本发明的方法及系统,可以更加准确快速的从探地雷达数据中识别出桥梁数据,在避免遗漏桥梁的前提下大大提高工作效率,为道路状况诊断提供可靠的数据支持。
Description
技术领域
本发明涉及交通领域,具体涉及一种针对探地雷达数据的桥梁数据识别方法及系统。
背景技术
在交通领域,通常使用探地雷达对道路进行勘测,从而确定道路状况。使用探地雷达设备采集数据后,获取的数据称为原始数据,需进行数据处理后,再进行图像解释工作,找到有病害的部位。数据处理的目的是压制规则的和随机的干扰信号,提高地质雷达图像分辨率,突出电磁波振幅、波形及其随时间、里程变化等有用的异常信息。
由于进行长距离的连续采集,雷达设备按照指定道间距采集的微小误差会积累成较大的误差,影响里程的准确性,因此必须进行里程校正。在实际场景中,道路常常会包含桥梁。针对桥梁,一般的,需要人工找到雷达勘测数据文件中的桥梁数据,根据桥梁数据在雷达勘测数据中的里程与实际的里程进行回归计算,得出雷达勘测数据的实际的起止里程。由于雷达勘测数据的数据量通常十分庞大,采用人工方式标记桥梁数据,不仅大大加大了工作量,而且遗漏桥梁数据的几率也很大。
进一步的,在路桥过渡段,即路基和桥梁的连接部位,由于路基部分和桥梁部分的原始波形的能量差异显著,导致滤波等算法进行处理后,出现水平干扰信号,可称为边界效应。近似于滑动平均时异常点对于正常点的干扰作用。这些干扰信号掩盖了该部位的真实信号,但过渡段往往是路基病害的高发地段。如果在标记桥梁的过程中出现遗漏,不仅无法对遗漏的桥梁进行有针对性的数据处理,还会导致桥梁数据混杂到普通道路数据中,对道路数据的最终识别结果,尤其是,过渡段的病害解释结果,产生很大的干扰。
发明内容
本发明提供了一种针对探地雷达数据的桥梁数据识别方法,所述方法包括:
以包含桥梁数据图像的历史探地雷达数据为学习样本集,采用深度学习的方法训练桥梁识别模型;
获取待分析的探地雷达数据图像片段;
基于所述桥梁识别模型确定包含桥梁数据图像的探地雷达数据图像片段以及桥梁数据图像在所述探地雷达数据图像片段中的坐标。
在一实施例中,以历史探地雷达数据中的桥梁数据图像为学习样本集,其中:
根据桥梁数据图像对应的桥梁分割情况对所述学习样本集中的桥梁数据图像进行样本分类,训练获取分类识别桥梁数据图像的桥梁识别模型。
在一实施例中,所述学习样本集中的桥梁数据图像分类包括:
整体桥梁、左侧桥梁以及右侧桥梁。
在一实施例中,所述学习样本集中的桥梁数据图像分类还包括:中段桥梁。
在一实施例中,基于所述桥梁识别模型确定包含桥梁数据图像的探地雷达数据图像片段以及桥梁数据图像在所述探地雷达数据图像片段中的坐标,其中,标定识别出的桥梁数据图像所对应的桥梁数据图像类型。
在一实施例中,所述方法还包括:
基于识别出的桥梁数据图像所对应的桥梁数据图像类型对非整体的桥梁数据图像进行拼接,获取完整桥梁数据图像。
在一实施例中,所述方法还包括:
对识别出的所述桥梁数据图像进行边界定位,去除水平方向边界所包含的路基数据。
在一实施例中,对识别出的所述桥梁数据图像进行边界定位,去除水平方向边界所包含的路基数据,其中:
根据探地雷达数据的能量波形区别桥梁数据以及路基数据。
本发明还提出了一种存储介质,所述存储介质上存储有可实现如本发明所述方法的程序代码。
本发明还提出了一种针对探地雷达数据的桥梁数据识别系统,所述系统包括:
识别模型库,其配置为保存桥梁识别模型,所述桥梁识别模型采用深度学习的方法训练获取,其中,以历史探地雷达数据中的桥梁数据图像为训练所用的学习样本集,;
数据输入模块,其配置为获取待分析的探地雷达数据图像片段;
数据识别模块,其配置为调用所述识别模型库中的桥梁识别模型,识别确定包含桥梁数据图像的探地雷达数据图像片段以及桥梁数据图像在所述探地雷达数据图像片段中的坐标。
相较于现有技术,根据本发明的方法及系统,可以更加准确快速的从探地雷达数据中识别出桥梁数据,在避免遗漏桥梁的前提下大大提高工作效率,为道路状况诊断提供可靠的数据支持。
本发明的其它特征或优点将在随后的说明书中阐述。并且,本发明的部分特征或优点将通过说明书而变得显而易见,或者通过实施本发明而被了解。本发明的目的和部分优点可通过在说明书、权利要求书以及附图中所特别指出的步骤来实现或获得。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例共同用于解释本发明,并不构成对本发明的限制。在附图中:
图1和图5是根据本发明不同实施例的方法流程图;
图2~图4是根据本发明一实施例的方法的识别结果示意图;
图6是根据本发明一实施例的系统结构简图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式,借此本发明的实施人员可以充分理解本发明如何应用技术手段来解决技术问题,并达成技术效果的实现过程并依据上述实现过程具体实施本发明。需要说明的是,只要不构成冲突,本发明中的各个实施例以及各实施例中的各个特征可以相互结合,所形成的技术方案均在本发明的保护范围之内。
在交通领域,通常使用探地雷达对道路进行勘测,从而确定道路状况。使用探地雷达设备采集数据后,获取的数据称为原始数据,需进行数据处理后,再进行图像解释工作,找到有病害的部位。数据处理的目的是压制规则的和随机的干扰信号,提高地质雷达图像分辨率,突出电磁波振幅、波形及其随时间、里程变化等有用的异常信息。
由于进行长距离的连续采集,雷达设备按照指定道间距采集的微小误差会积累成较大的误差,影响里程的准确性,因此必须进行里程校正。在实际场景中,道路常常会包含桥梁。针对桥梁,一般的,需要人工找到雷达勘测数据文件中的桥梁数据,根据桥梁数据在雷达勘测数据中的里程与实际的里程进行回归计算,得出雷达勘测数据的实际的起止里程。由于雷达勘测数据的数据量通常十分庞大,采用人工方式标记桥梁数据,不仅大大加大了工作量,而且遗漏桥梁数据的几率也很大。
进一步的,在路桥过渡段,即路基和桥梁的连接部位,由于路基部分和桥梁部分的原始波形的能量差异显著,导致滤波等算法进行处理后,出现水平干扰信号,可称为边界效应。近似于滑动平均时异常点对于正常点的干扰作用。这些干扰信号掩盖了该部位的真实信号,但过渡段往往是路基病害的高发地段。如果在标记桥梁的过程中出现遗漏,不仅无法对遗漏的桥梁进行有针对性的数据处理,还会导致桥梁数据混杂到普通道路数据中,对道路数据的最终识别结果,尤其是,过渡段的病害解释结果,产生很大的干扰。
针对上述问题,本发明提出了一种针对探地雷达数据的桥梁数据识别方法。在本发明的方法中,基于桥梁识别模型进行桥梁数据的自动识别,从而大大提高了识别效率,并避免了人工识别所存在桥梁识别遗漏的问题。
具体的,在本发明的方法中,采用深度学习的方法训练获取桥梁识别模型。考虑到图片的特征比较容易训练获取,因此,在一实施例中,以包含桥梁数据图像的历史探地雷达数据为学习样本集。并且,在进行桥梁识别时,识别的对象为图像格式的探地雷达数据。
进一步的,考虑到原始的探地雷达数据的数据量比较庞大,一次性识别需要占用大量的内存以及数据处理资源。因此,在一实施例中,在识别前先将图像格式的探地雷达数据进行图像分割,获取多个探地雷达数据图像片段,之后分别针对每个探地雷达数据图像片段进行桥梁识别。
相较于现有技术,根据本发明的方法及系统,可以更加准确快速的从探地雷达数据中识别出桥梁数据,在避免遗漏桥梁的前提下大大提高工作效率,为道路状况诊断提供可靠的数据支持。
接下来基于附图详细描述根据本发明实施例的方法的详细流程,附图的流程图中示出的步骤可以在包含诸如一组计算机可执行指令的计算机系统中执行。虽然在流程图中示出了各步骤的逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
如图1所示,在一实施例中,本发明的方法包括:
以包含桥梁数据图像的历史探地雷达数据为学习样本集,采用深度学习的方法训练桥梁识别模型(S110);
获取待分析的探地雷达数据图像片段(S120);
基于桥梁识别模型确定包含桥梁数据图像的探地雷达数据图像片段以及桥梁数据图像在探地雷达数据图像片段中的坐标(S130)。
具体的,在一实施例中,在步骤S120中,获取图像格式的待分析探地雷达数据,对待分析探地雷达数据进行图像分割,获取探地雷达数据图像片段。
进一步的,考虑到最终需要确定桥梁数据在整体道路数据中的位置,因此,在分割待分析探地雷达数据时,保存各个探地雷达数据图像片段在待分析探地雷达数据中的位置信息(各个探地雷达数据图像片段的前后衔接关系)。
进一步的,为了保证桥梁识别的准确率,在一实施例中,对学习样本集中的桥梁数据图像进行样本分类,从而训练获取分类识别桥梁数据图像的桥梁识别模型。
在实际应用场景中,探地雷达数据是连续采集得到的,每隔10km或30km自动保存一个文件,这就存在自动保存数据的位置恰好是桥梁位置的情况,也就是说,两个雷达文件的衔接处是桥梁。进一步的,为了方便数据整理以及保存,在某些应用场景中,会将数据量过大的探地雷达数据分割保存。1个雷达原始文件会分割为数十张或上百张图片,这就使得存在桥梁数据也被随之分割的情况。
历史探地雷达数据的分割导致学习样本集中的桥梁数据图像存在整体桥梁被分割的情况。虽然识别目标只有桥梁一种,但将所有的桥作为一个类别进行训练,被拆分的桥梁就会存在识别错误的情况。
因此,在一实施例中,根据桥梁数据图像对应的桥梁分割情况对学习样本集中的桥梁数据图像进行样本分类,训练获取分类识别桥梁数据图像的桥梁识别模型。
具体的,考虑到桥梁被分割通常是被分为两段分别从属于前后两个探地雷达数据。因此,在一实施例中,学习样本集中的桥梁数据图像分类包括:整体桥梁、左侧桥梁以及右侧桥梁。
进一步的,考虑到过长的桥梁很可能存在被分割为多段的情况。在一实施例中,学习样本集中的桥梁数据图像分类还包括:中段桥梁。
对应学习样本集中的桥梁数据图像分类方法所获取的分类识别桥梁数据图像的桥梁识别模型,其可以更准确的识别探地雷达数据图像片段中的桥梁数据图像。为了更有力的支持道路状况诊断,在一实施例中,在识别桥梁数据的同时,还标记该桥梁数据从属于哪一种类型。
具体的,在一实施例中,如图2所示,矩形框中即为根据本发明的方法识别出的整体桥梁的桥梁数据图像;如图3所示,矩形框中即为根据本发明的方法识别出的左侧桥梁的桥梁数据图像;如图4所示,矩形框中即为根据本发明的方法识别出的右侧桥梁的桥梁数据图像。
具体的,在一实施例中,基于桥梁识别模型确定包含桥梁数据图像的探地雷达数据图像片段以及桥梁数据图像在探地雷达数据图像片段中的坐标,其中,标定识别出的桥梁数据图像所对应的桥梁数据图像类型。
进一步的,为了对道路状况诊断进行更有力的数据支持,在一实施例中,在识别出桥梁数据后,还对识别出桥梁数据进行修正。
具体的,在实际应用场景中,由于识别对象为分割探地雷达数据后获取的探地雷达数据图像片段,因此识别出的桥梁数据图像存在被分割的情况。因此,在一实施例中,在识别出桥梁数据后,将被分割的桥梁数据图像拼接成完整的桥梁数据图像。根据拼接后的桥梁数据图像,可以获取完整的桥梁长度,从而根据长度和相对位置信息,在铁路设备表中找到其匹配的桥梁,从而确定其真正的里程。
具体的,在一实施例中,基于识别出的桥梁数据图像所对应的桥梁数据图像类型以及包含桥梁数据图像的探地雷达数据图像片段在待分析探地雷达数据中的位置信息对非整体的桥梁数据图像进行拼接,获取完整桥梁数据图像。
进一步的,在实际应用场景中,识别出的桥梁数据图像是一个矩形,其水平方向边界一般会包含少量路基。因此,在一实施例中,针对识别出的桥梁数据图像,还进行边界矫正。具体的,在一实施例中,对识别出的桥梁数据图像进行边界定位,去除水平方向边界所包含的路基数据。
进一步的,由于路基数据与桥梁数据在波形上是存在差别的,因此,在一实施例中,对识别出的桥梁数据图像进行边界定位,去除水平方向边界所包含的路基数据,其中,根据探地雷达数据的能量波形区别桥梁数据以及路基数据。
具体的,在一实施例中,本发明的方法流程如图5所示。
对历史探地雷达数据中的桥梁数据图像进行分类,基于其被分割的状态分为左侧桥梁、右侧桥梁以及整体桥梁。以分类后的历史探地雷达数据为学习样本集,建立分类样本库(S510)。
基于分类样本库,采用深度学习的方法进行模型训练(S520);
获取可分类识别桥梁数据图像的桥梁识别模型(S530);
获取待分析的探地雷达数据图像(原始文件)(S540);
对待分析的探地雷达数据图像进行图像分割,获取探地雷达数据图像片段(S120),其中,保存各个探地雷达数据图像片段在待分析探地雷达数据中的位置信息;
基于桥梁识别模型确定包含桥梁数据图像的探地雷达数据图像片段以及桥梁数据图像在探地雷达数据图像片段中的坐标(S560);
对识别出的桥梁数据图像进行图像修正(S570)。
进一步的,在一实施例中,方法还包括,在进行桥梁数据识别之前,还对原始的探地雷达数据进行零线设定。
进一步的,在一实施例中,方法还包括,在识别出桥梁数据之后,根据桥梁数据在探地雷达数据中的里程与实际的里程进行回归计算,得出探地雷达数据的实际的起止里程。
进一步的,根据本发明的方法,本发明还提出了一种存储介质,该存储介质上存储有可实现如本发明所述方法的程序代码。
进一步的,根据本发明的方法,本发明还提出了一种针对探地雷达数据的桥梁数据识别系统。具体的,在一实施例中,如图6所示,系统包括:
识别模型库610,其配置为保存桥梁识别模型,桥梁识别模型采用深度学习的方法训练获取,其中,以历史探地雷达数据中的桥梁数据图像为训练所用的学习样本集;
数据输入模块620,其配置为获取待分析的探地雷达数据图像片段;
数据识别模块630,其配置为调用所述识别模型库中的桥梁识别模型,识别确定包含桥梁数据图像的探地雷达数据图像片段以及桥梁数据图像在探地雷达数据图像片段中的坐标。
进一步的,在一实施例中,系统还包括数据修正模块。数据修正模块配置为对数据识别模块识别出的桥梁数据图像进行边界修正和/或图片拼接。
综上,相较于现有技术,根据本发明的方法及系统,可以更加准确快速的从探地雷达数据中识别出桥梁数据,在避免遗漏桥梁的前提下大大提高工作效率,为道路状况诊断提供可靠的数据支持。
应该理解的是,本发明所公开的实施例不限于这里所公开的特定结构、处理步骤或材料,而应当延伸到相关领域的普通技术人员所理解的这些特征的等同替代。还应当理解的是,在此使用的术语仅用于描述特定实施例的目的,而并不意味着限制。
说明书中提到的“一实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,说明书通篇各个地方出现的短语“一实施例”并不一定均指同一个实施例。
虽然本发明所公开的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。本发明所述的方法还可有其他多种实施例。在不背离本发明实质的情况下,熟悉本领域的技术人员当可根据本发明做出各种相应的改变或变形,但这些相应的改变或变形都应属于本发明的权利要求的保护范围。
Claims (10)
1.一种针对探地雷达数据的桥梁数据识别方法,其特征在于,所述方法包括:
以包含桥梁数据图像的历史探地雷达数据为学习样本集,采用深度学习的方法训练桥梁识别模型;
获取待分析的探地雷达数据图像片段;
基于所述桥梁识别模型确定包含桥梁数据图像的探地雷达数据图像片段以及桥梁数据图像在所述探地雷达数据图像片段中的坐标。
2.根据权利要求1所述的方法,其特征在于,以历史探地雷达数据中的桥梁数据图像为学习样本集,其中:
根据桥梁数据图像对应的桥梁分割情况对所述学习样本集中的桥梁数据图像进行样本分类,训练获取分类识别桥梁数据图像的桥梁识别模型。
3.根据权利要求2所述的方法,其特征在于,所述学习样本集中的桥梁数据图像分类包括:
整体桥梁、左侧桥梁以及右侧桥梁。
4.根据权利要求3所述的方法,其特征在于,所述学习样本集中的桥梁数据图像分类还包括:中段桥梁。
5.根据权利要求2~4中任一项所述的方法,其特征在于,基于所述桥梁识别模型确定包含桥梁数据图像的探地雷达数据图像片段以及桥梁数据图像在所述探地雷达数据图像片段中的坐标,其中,标定识别出的桥梁数据图像所对应的桥梁数据图像类型。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
基于识别出的桥梁数据图像所对应的桥梁数据图像类型对非整体的桥梁数据图像进行拼接,获取完整桥梁数据图像。
7.根据权利要求1~6中任一项所述的方法,其特征在于,所述方法还包括:
对识别出的所述桥梁数据图像进行边界定位,去除水平方向边界所包含的路基数据。
8.根据权利要求7所述的方法,其特征在于,对识别出的所述桥梁数据图像进行边界定位,去除水平方向边界所包含的路基数据,其中:
根据探地雷达数据的能量波形区别桥梁数据以及路基数据。
9.一种存储介质,其特征在于,所述存储介质上存储有可实现如权利要求1-8中任一项所述方法的程序代码。
10.一种针对探地雷达数据的桥梁数据识别系统,其特征在于,所述系统包括:
识别模型库,其配置为保存桥梁识别模型,所述桥梁识别模型采用深度学习的方法训练获取,其中,以历史探地雷达数据中的桥梁数据图像为训练所用的学习样本集,;
数据输入模块,其配置为获取待分析的探地雷达数据图像片段;
数据识别模块,其配置为调用所述识别模型库中的桥梁识别模型,识别确定包含桥梁数据图像的探地雷达数据图像片段以及桥梁数据图像在所述探地雷达数据图像片段中的坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810908723.XA CN109145424B (zh) | 2018-08-10 | 2018-08-10 | 一种针对探地雷达数据的桥梁数据识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810908723.XA CN109145424B (zh) | 2018-08-10 | 2018-08-10 | 一种针对探地雷达数据的桥梁数据识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109145424A true CN109145424A (zh) | 2019-01-04 |
CN109145424B CN109145424B (zh) | 2023-09-26 |
Family
ID=64792798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810908723.XA Active CN109145424B (zh) | 2018-08-10 | 2018-08-10 | 一种针对探地雷达数据的桥梁数据识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109145424B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115112854A (zh) * | 2022-05-26 | 2022-09-27 | 北京理工大学 | 一种基于极化特征与机器学习的探地雷达锈蚀钢筋辨识方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598753A (zh) * | 2015-02-06 | 2015-05-06 | 华北水利水电大学 | 一种基于Brakhage v方法的桥梁移动车辆荷载识别方法 |
CN106910186A (zh) * | 2017-01-13 | 2017-06-30 | 陕西师范大学 | 一种基于cnn深度学习的桥梁裂缝检测定位方法 |
CN107358617A (zh) * | 2017-08-07 | 2017-11-17 | 中南大学 | 一种探地雷达记录剖面中目标顶点的检测方法 |
CN107527067A (zh) * | 2017-08-01 | 2017-12-29 | 中国铁道科学研究院铁道建筑研究所 | 一种基于探地雷达的铁路路基病害智能识别方法 |
CN108182450A (zh) * | 2017-12-25 | 2018-06-19 | 电子科技大学 | 一种基于深度卷积网络的机载探地雷达目标识别方法 |
CN108333634A (zh) * | 2018-01-29 | 2018-07-27 | 河南工业大学 | 一种基于频谱残余显著性检测方法的探地雷达地下目标定位方法 |
-
2018
- 2018-08-10 CN CN201810908723.XA patent/CN109145424B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598753A (zh) * | 2015-02-06 | 2015-05-06 | 华北水利水电大学 | 一种基于Brakhage v方法的桥梁移动车辆荷载识别方法 |
CN106910186A (zh) * | 2017-01-13 | 2017-06-30 | 陕西师范大学 | 一种基于cnn深度学习的桥梁裂缝检测定位方法 |
CN107527067A (zh) * | 2017-08-01 | 2017-12-29 | 中国铁道科学研究院铁道建筑研究所 | 一种基于探地雷达的铁路路基病害智能识别方法 |
CN107358617A (zh) * | 2017-08-07 | 2017-11-17 | 中南大学 | 一种探地雷达记录剖面中目标顶点的检测方法 |
CN108182450A (zh) * | 2017-12-25 | 2018-06-19 | 电子科技大学 | 一种基于深度卷积网络的机载探地雷达目标识别方法 |
CN108333634A (zh) * | 2018-01-29 | 2018-07-27 | 河南工业大学 | 一种基于频谱残余显著性检测方法的探地雷达地下目标定位方法 |
Non-Patent Citations (1)
Title |
---|
昝月稳: "《铁路车载探地雷达路基检测技术》", 中国铁道出版社 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115112854A (zh) * | 2022-05-26 | 2022-09-27 | 北京理工大学 | 一种基于极化特征与机器学习的探地雷达锈蚀钢筋辨识方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109145424B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Siriborvornratanakul | An automatic road distress visual inspection system using an onboard in-car camera | |
WO2017041396A1 (zh) | 一种车道线数据的处理方法、装置、存储介质及设备 | |
CN108921089A (zh) | 车道线检测方法、装置和系统及存储介质 | |
CN105976352A (zh) | 一种基于灰度图像形态学的焊缝表面缺陷特征提取方法 | |
Maniat et al. | Deep learning-based visual crack detection using Google Street View images | |
US10008000B2 (en) | Camera calibration based on moving vehicle line segments | |
CN111191570B (zh) | 图像识别方法和装置 | |
CN101694718A (zh) | 基于感兴趣区域的遥感图像变化检测方法 | |
CN106951898B (zh) | 一种车辆候选区域推荐方法及系统、电子设备 | |
Borkar et al. | An efficient method to generate ground truth for evaluating lane detection systems | |
CN104809433A (zh) | 一种基于最大稳定区域和随机采样的斑马线检测方法 | |
CN111274926B (zh) | 图像数据筛选方法、装置、计算机设备和存储介质 | |
CN111121797B (zh) | 道路筛选方法、装置、服务器及存储介质 | |
CN112949648A (zh) | 一种图像分割模型训练样本数据集的获取方法及设备 | |
CN111415364A (zh) | 一种计算机视觉中图像分割样本的转换方法、系统及存储介质 | |
CN115797910A (zh) | 一种长尾目标识别方法、计算机可读存储介质及车辆 | |
CN112037252A (zh) | 基于鹰眼视觉的目标跟踪方法及系统 | |
CN112464933B (zh) | 一种地基凝视红外成像弱小目标智能识别方法 | |
CN109145424A (zh) | 一种针对探地雷达数据的桥梁数据识别方法及系统 | |
JP2007033931A (ja) | 衛星画像等を用いた地図作成のための道路認識システム | |
CN114037834A (zh) | 一种基于振动信号和rgb图像融合的语义分割方法及装置 | |
CN109031431A (zh) | 一种针对探地雷达数据的数据处理方法及系统 | |
CN108415051A (zh) | 车辆位置信息的纠偏方法、装置和存储介质 | |
CN116824135A (zh) | 基于机器视觉的大气自然环境试验工业产品识别分割方法 | |
CN110555344B (zh) | 车道线识别方法、装置、电子设备、存储介质 |
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 |