CN109557583B - 一种地震属性提取方法及系统 - Google Patents
一种地震属性提取方法及系统 Download PDFInfo
- Publication number
- CN109557583B CN109557583B CN201710884480.6A CN201710884480A CN109557583B CN 109557583 B CN109557583 B CN 109557583B CN 201710884480 A CN201710884480 A CN 201710884480A CN 109557583 B CN109557583 B CN 109557583B
- Authority
- CN
- China
- Prior art keywords
- amplitude
- arrival
- seismic
- calculating
- expressed
- 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
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 16
- 239000002699 waste material Substances 0.000 claims abstract description 30
- 238000005070 sampling Methods 0.000 claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 239000000126 substance Substances 0.000 claims description 6
- 238000000034 method Methods 0.000 abstract description 8
- 230000002159 abnormal effect Effects 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 13
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- 238000012821 model calculation Methods 0.000 description 4
- 238000013524 data verification Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/63—Seismic attributes, e.g. amplitude, polarity, instant phase
- G01V2210/632—Amplitude variation versus offset or angle of incidence [AVA, AVO, AVI]
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种地震属性提取方法及系统，包括：1)计算每道地震道上末尾采样点平均振幅，获得衰减系数；2)计算基于参考初至的绝对值平均振幅；3)计算基于参考初至的振幅异常系数；4)将步骤1)、2)、3)得到的数据作为输入数据，通过神经网络算法进行地震道编辑，识别出废道。采用本发明提出的地震属性提取方法，能够正确识别正常道与废道，并将最终的废道结果展示给用户。
Description
技术领域
本发明属于石油地震勘探数据处理领域，更具体地，涉及一种地震属性提取方法及系统。
背景技术
自动道编辑要进行分类计算，首先要提取各个地震道的属性特征，在此基础上，以地震道属性作为分类计算的依据。地震属性一般分为基于动力学的振幅、频率、衰减系数等属性，另一类为基于油藏特征的地震属性，包括：亮点、暗点、AVO特征、不整合圈闭等等。对于自动道编辑而言，提取的属性均属于第一类属性，即基于动力学基础的振幅、频率等信息。道编辑中，需要提取地震道属性特征作为判别为废道的依据。地震道属性一般而言，分为振幅、频率、吸收衰减等几个分类。
目前而言，用于自动道编辑的地震属性主要有以下几种：1、振幅平均绝对值，该属性在应用时，近偏移距振幅比远偏移距振幅大很多数量级，并不能很好刻画正常道与废道区别；2、振幅均方根值，同理于振幅绝对值，由于近偏移距振幅比远偏移距振幅大很多数量级，很难刻画正常道与废道区别；3、过零点个数，该属性通过实际计算，很难区别正常道与废道区别；4、主频属性，通过计算，主频属性可以很好的识别50hz单频噪音，但除了单频噪音，还有别的地震道的频率在50hz左右浮动，这时候很难区分出来。因此在了解上述几种地震属性的优缺点基础上，提供一种地震属性提取方法。
发明内容
本发明提出了三种用于自动道编辑的地震属性，衰减系数、基于参考初至的绝对值平均振幅和基于参考初至的振幅异常系数，首先对这三种属性进行提取计算，然后将其作为输入数据，通过神经网络算法进行地震道编辑，识别出废道，经过实际资料验证，可以满足实际生产要求。
根据本发明的一方面，提出了一种地震属性提取方法，所述方法可以包括：1)计算每道地震道上末尾采样点平均振幅，获得衰减系数；2)计算基于参考初至的绝对值平均振幅；3)计算基于参考初至的振幅异常系数；4)将步骤1)、2)、3)得到的数据作为输入数据，通过神经网络算法进行地震道编辑，识别出废道。
优选地，衰减系数的公式为：
其中，α表示为衰减系数；i为采样点；data(i)为振幅；S为采样数目；N为采样时窗。
优选地，所述基于参考初至的绝对值平均振幅表示为：
其中，
表示为基于参考初至的绝对值平均振幅；Ft为参考初至时间对应采样点。
优选地，所述基于参考初至的振幅异常系数表示为：
其中，Fabn表示为基于参考初至的振幅异常系数。
根据本发明的另一方面，提出了一种地震属性提取系统，所述系统包括：存储器，存储有计算机可执行指令；处理器，运行所述存储器上的计算可执行指令时，所述处理器实现以下步骤：1)计算每道地震道上末尾采样点平均振幅，获得衰减系数；2)计算基于参考初至的绝对值平均振幅；3)计算基于参考初至的振幅异常系数；4)将步骤1)、2)、3)得到的数据作为输入数据，通过神经网络算法进行地震道编辑，识别出废道。
优选地，衰减系数的公式为：
其中，α表示为衰减系数；i为采样点；data(i)为振幅；S为采样数目；N为采样时窗。
优选地，所述基于参考初至的绝对值平均振幅表示为：
其中，
表示为基于参考初至的绝对值平均振幅；Ft为参考初至时间对应采样点。
优选地，基于参考初至的振幅异常系数表示为：
其中，Fabn表示为基于参考初至的振幅异常系数。
本发明的有益效果在于：提出了三种用于自动道编辑的地震属性，衰减系数、基于参考初至的绝对值平均振幅和基于参考初至的振幅异常系数，首先对这三种属性进行提取计算，然后将其作为输入数据，通过神经网络算法进行地震道编辑，结果可以正确识别正常道与废道，将最终的废道结果展示给用户。通过模型计算，结果正确，通过实际资料的测试，结果可靠，可以满足正常的生产需求，证明了方法的可行性。
本发明的其它特征和优点将在随后具体实施方式部分予以详细说明。
附图说明
通过结合附图对本发明示例性实施方式进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，其中，在本发明示例性实施方式中，相同的参考标号通常代表相同部件。
图1示出了根据本发明的地震属性提取方法的步骤的流程图。
图2示出了根据本发明的一个实施例的地震参考初至的示意图。
图3示出了根据本发明的一个实施例的包含废道的原始地震记录炮集剖面图。
图4示出了根据本发明的一个实施例的衰减系数计算结果图。
图5示出了根据本发明的一个实施例的基于参考初至的绝对值平均振幅计算结果图。
图6示出了根据本发明的一个实施例的基于参考初至的振幅异常系数计算结果图。
图7示出了根据本发明的一个实施例的道编辑计算结果图。
具体实施方式
下面将更详细地描述本发明的优选实施方式。虽然以下描述了本发明的优选实施方式，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本发明更加透彻和完整，并且能够将本发明的范围完整地传达给本领域的技术人员。
实施例1
在该实施例中，根据本发明的地震属性提取方法可以包括：1)计算每道地震道上末尾采样点平均振幅，获得衰减系数；2)计算基于参考初至的绝对值平均振幅；3)计算基于参考初至的振幅异常系数；4)将步骤1)、2)、3)得到的数据作为输入数据，通过神经网络算法进行地震道编辑，识别出废道。
该实施例提出了三种用于自动道编辑的地震属性，衰减系数、基于参考初至的绝对值平均振幅和基于参考初至的振幅异常系数，首先对这三种属性进行提取计算，然后将其作为输入数据，通过神经网络算法进行地震道编辑，识别出废道，经过实际资料验证，可以满足实际生产要求。
图1示出了根据本发明的地震属性提取方法的步骤的流程图。下面参考图1详细说明根据本发明的地震属性提取方法的具体步骤。
步骤1，计算每道地震道上末尾采样点平均振幅，获得衰减系数。
具体地，衰减系数属性为地震道上末尾采样点平均振幅大小，按物理规律在接受到有效地震波之后，由于不再接收有效信号，地震道振幅基本等于零。
在一个示例中，衰减系数的公式为：
其中，α表示为衰减系数；i为采样点；data(i)为振幅；S为采样数目；N为采样时窗。
衰减系数的计算结果如图4所示。
步骤2，计算基于参考初至的绝对值平均振幅。
图2示出了根据本发明的一个实施例的地震参考初至的示意图。
地震参考初至如图2实线所示，可以看出异常道在有效波到达之前会接收到异常信号。此时通过计算其参考初至之上的平均振幅，正常道基本为零，而非正常道的振幅会大很多，以此作为区分正常道与非正常道的属性之一。
在一个示例中，基于参考初至的绝对值平均振幅表示为：
其中，
表示为基于参考初至的绝对值平均振幅；Ft为参考初至时间对应采样点。
基于参考初至的绝对值平均振幅计算结果如图5所示。
步骤3，计算基于参考初至的振幅异常系数。
地震参考初至如图2实线所示，在计算得到基于参考初至的平均振幅之后，进行振幅异常系数的计算，正常而言，地震道的振幅不会发生突变，相邻道的振幅是在一个数量级的，当某个道出现异常，很有可能该道为异常道。
在一个示例中，基于参考初至的振幅异常系数表示为：
其中，Fabn表示为基于参考初至的振幅异常系数。
基于参考初至的振幅异常系数的计算结果如图6所示。
步骤4，将步骤1)、2)、3)得到的数据作为输入数据，通过神经网络算法进行地震道编辑，识别出废道。
具体地，从正常道数据中选取一定数量的具有代表性的样本，计算这些样本的3种属性值，组成特征向量后输入到神经网络中，对网络进行训练，使之适应正常道，在网络训练好后，可以获得正常道的网络输出阈值，利用此阈值就可以用来识别废道了。
首先，通过步骤1)、2)、3)计算待识别的地震道的属性值；然后将其组成特征向量后逐一输入到已经训练好的神经网络中；最后，通过神经网络的计算，得到该地震道的输出值，通过与阈值比较判断该道是否为废道。
图3示出了根据本发明的一个实施例的包含废道的原始地震记录炮集剖面图，剖面图是原始数据显示结果，当做完地震道编辑计算，在该剖面图标示出废道。
本实施例提出了三种用于自动道编辑的地震属性，衰减系数、基于参考初至的绝对值平均振幅和基于参考初至的振幅异常系数，首先对这三种属性进行提取计算，然后将其作为输入数据，通过神经网络算法进行地震道编辑，结果可以正确识别正常道与废道，将最终的废道结果展示给用户。通过模型计算，结果正确，通过实际资料的测试，结果可靠，可以满足正常的生产需求，证明了方法的可行性。
应用示例
为便于理解本发明实施例的方案及其效果，以下给出一个具体应用示例。本领域技术人员应理解，该示例仅为了便于理解本发明，其任何具体细节并非意在以任何方式限制本发明。
应用ZW工区实际数据对本文方法进行测试。测试数据大小为30GB，进行自动道编辑计算，首先，计算每道地震道上末尾采样点平均振幅，获得衰减系数(如图4所示)；然后，计算基于参考初至的绝对值平均振幅(如图5所示)和计算基于参考初至的振幅异常系数(如图6所示)；最后，将步骤1)、2)、3)得到的数据作为输入数据，通过神经网络算法进行地震道编辑，识别出废道。得到结果如图7所示，能够正确识别废道，并且能够满足正常生产需求。
本应用示例提出了三种用于自动道编辑的地震属性，衰减系数、基于参考初至的绝对值平均振幅和基于参考初至的振幅异常系数，首先对这三种属性进行提取计算，然后将其作为输入数据，通过神经网络算法进行地震道编辑，结果可以正确识别正常道与废道，将最终的废道结果展示给用户。通过模型计算，结果正确，通过实际资料的测试，结果可靠，可以满足正常的生产需求，证明了方法的可行性。
本领域技术人员应理解，上面对本发明的实施例的描述的目的仅为了示例性地说明本发明的实施例的有益效果，并不意在将本发明的实施例限制于所给出的任何示例。
实施例2
根据本发明的实施例，提供了一种地震属性提取系统，系统包括：存储器，存储有计算机可执行指令；处理器，运行存储器上的计算可执行指令时，处理器实现以下步骤：
1)计算每道地震道上末尾采样点平均振幅，获得衰减系数；
2)计算基于参考初至的绝对值平均振幅；
3)计算基于参考初至的振幅异常系数；
4)将步骤1)、2)、3)得到的数据作为输入数据，通过神经网络算法进行地震道编辑，识别出废道。
该实施例提出了三种用于自动道编辑的地震属性，衰减系数、基于参考初至的绝对值平均振幅和基于参考初至的振幅异常系数，首先对这三种属性进行提取计算，然后将其作为输入数据，通过神经网络算法进行地震道编辑，识别出废道，经过实际资料验证，可以满足实际生产要求。
在一个示例中，衰减系数的公式为：
其中，α表示为衰减系数；i为采样点；data(i)为振幅；S为采样数目；N为采样时窗。
在一个示例中，基于参考初至的绝对值平均振幅表示为：
其中，
表示为基于参考初至的绝对值平均振幅；Ft为参考初至时间对应采样点。
在一个示例中，基于参考初至的振幅异常系数表示为：
其中，Fabn表示为基于参考初至的振幅异常系数。
本实施例提出了三种用于自动道编辑的地震属性，衰减系数、基于参考初至的绝对值平均振幅和基于参考初至的振幅异常系数，首先对这三种属性进行提取计算，然后将其作为输入数据，通过神经网络算法进行地震道编辑，结果可以正确识别正常道与废道，将最终的废道结果展示给用户。通过模型计算，结果正确，通过实际资料的测试，结果可靠，可以满足正常的生产需求，证明了方法的可行性。
本领域技术人员应理解，上面对本发明的实施例的描述的目的仅为了示例性地说明本发明的实施例的有益效果，并不意在将本发明的实施例限制于所给出的任何示例。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。
Claims (4)
1.一种地震属性提取方法，其特征在于，该方法包括：
1)计算每道地震道上末尾采样点平均振幅，获得衰减系数；
2)计算基于参考初至的绝对值平均振幅；
3)计算基于参考初至的振幅异常系数；
4)将步骤1)、2)、3)得到的数据作为输入数据，通过神经网络算法进行地震道编辑，识别出废道；
其中，衰减系数的公式为：
其中，α表示为衰减系数；i为采样点；data(i)为振幅；S为采样数目；N为采样时窗；
其中，所述基于参考初至的振幅异常系数表示为：
其中，Fabn表示为基于参考初至的振幅异常系数，
表示为基于参考初至的绝对值平均振幅。
2.根据权利要求1所述的地震属性提取方法，其中，所述基于参考初至的绝对值平均振幅表示为：
其中，
表示为基于参考初至的绝对值平均振幅；Ft为参考初至时间对应采样点。
3.一种地震属性提取系统，其特征在于，所述系统包括：
存储器，存储有计算机可执行指令；
处理器，运行所述存储器上的计算可执行指令时，所述处理器实现以下步骤：
1)计算每道地震道上末尾采样点平均振幅，获得衰减系数；
2)计算基于参考初至的绝对值平均振幅；
3)计算基于参考初至的振幅异常系数；
4)将步骤1)、2)、3)得到的数据作为输入数据，通过神经网络算法进行地震道编辑，识别出废道；
其中，衰减系数的公式为：
其中，α表示为衰减系数；i为采样点；data(i)为振幅；S为采样数目；N为采样时窗；
其中，所述基于参考初至的振幅异常系数表示为：
其中，Fabn表示为基于参考初至的振幅异常系数，
表示为基于参考初至的绝对值平均振幅。
4.根据权利要求3所述的地震属性提取系统，其中，所述基于参考初至的绝对值平均振幅表示为：
其中，
表示为基于参考初至的绝对值平均振幅；Ft为参考初至时间对应采样点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710884480.6A CN109557583B (zh) | 2017-09-26 | 2017-09-26 | 一种地震属性提取方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710884480.6A CN109557583B (zh) | 2017-09-26 | 2017-09-26 | 一种地震属性提取方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109557583A CN109557583A (zh) | 2019-04-02 |
| CN109557583B true CN109557583B (zh) | 2020-12-01 |
Family
ID=65862870
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710884480.6A Active CN109557583B (zh) | 2017-09-26 | 2017-09-26 | 一种地震属性提取方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109557583B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110095814B (zh) * | 2019-05-28 | 2021-01-26 | 广东工业大学 | 一种地壳应力状态检测方法、系统及相关组件 |
| CN111308553B (zh) * | 2020-03-09 | 2021-02-02 | 清华大学 | 一种基于深度神经网络的自适应异常振幅压制方法 |
| CN113534252A (zh) * | 2020-04-22 | 2021-10-22 | 中国石油天然气集团有限公司 | 异常初至修正方法及装置 |
| CN112305591B (zh) * | 2020-10-10 | 2022-04-29 | 中国地质大学（北京） | 隧道超前地质预报方法、计算机可读存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2892041A1 (en) * | 2012-11-28 | 2014-06-05 | Exxonmobil Upstream Research Company | Reflection seismic data q tomography |
| CN106680868A (zh) * | 2017-01-05 | 2017-05-17 | 南京君诺鑫成网络科技有限公司 | 一种槽波地震多属性参数层析方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104570074B (zh) * | 2013-10-16 | 2017-08-18 | 中国石油化工股份有限公司 | 一种基于奇异值分解技术的废道识别方法 |
| CN104316963A (zh) * | 2014-10-21 | 2015-01-28 | 中国石油天然气股份有限公司 | 一种异常道识别方法 |
| CN104459779B (zh) * | 2014-12-09 | 2017-07-28 | 中国石油天然气集团公司 | 一种异常地震道的自动识别的方法和装置 |
| CN105445793B (zh) * | 2015-11-30 | 2018-04-06 | 中国石油天然气集团公司 | 一种确定坏道数据的方法及装置 |
| US10310117B2 (en) * | 2016-02-03 | 2019-06-04 | Exxonmobil Upstream Research Company | Efficient seismic attribute gather generation with data synthesis and expectation method |
| CN105785437B (zh) * | 2016-04-26 | 2018-03-13 | 中国石油天然气集团公司 | 一种异常地震道的自动判别的方法及装置 |
| CN106199702B (zh) * | 2016-07-19 | 2019-01-11 | 中国地质大学（北京） | 地震数据存储磁带掉磁粉产生的异常振幅压制方法 |
-
2017
- 2017-09-26 CN CN201710884480.6A patent/CN109557583B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2892041A1 (en) * | 2012-11-28 | 2014-06-05 | Exxonmobil Upstream Research Company | Reflection seismic data q tomography |
| CN106680868A (zh) * | 2017-01-05 | 2017-05-17 | 南京君诺鑫成网络科技有限公司 | 一种槽波地震多属性参数层析方法 |
Non-Patent Citations (3)
| Title |
|---|
| 地震数据体中非正常地震道的自动识别与评价方法;刘成斋 等;《油气地质与采收率》;20090731;第16卷(第4期);第2120-2124页 * |
| 基于奇异值分解的废道自动识别算法;曹永生 等;《地球物理学进展》;20151231;第30卷(第5期);第56-57页 * |
| 振幅衰减法分频自动识别和压制异常能量道;王在民 等;《新疆石油地质》;20110228;第32卷(第1期);第80-82页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109557583A (zh) | 2019-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109557583B (zh) | 一种地震属性提取方法及系统 | |
| CN110867196B (zh) | 一种基于深度学习及声音识别的机器设备状态监测系统 | |
| WO2017143919A1 (zh) | 一种建立数据识别模型的方法及装置 | |
| EP3082051A1 (en) | Data mining method | |
| WO2009090584A2 (en) | Method and system for activity recognition and its application in fall detection | |
| CN102411930A (zh) | 生成音频模型的方法、设备和检测场景类别的方法、设备 | |
| WO2020056995A1 (zh) | 语音流利度识别方法、装置、计算机设备及可读存储介质 | |
| CN109545027B (zh) | 一种实训台、乘务员仿真实训方法及装置 | |
| CN112967225A (zh) | 一种基于人工智能的自动检测系统、方法、设备及介质 | |
| CN106531195A (zh) | 一种对话冲突检测方法及装置 | |
| CN116805061A (zh) | 基于光纤传感的泄漏事件判断方法 | |
| CN117576632B (zh) | 基于多模态ai大模型的电网监控火灾预警系统及方法 | |
| CN107561420A (zh) | 一种基于经验模态分解的电缆局部放电信号特征向量提取方法 | |
| CN111626377B (zh) | 一种岩相识别方法、装置、设备及存储介质 | |
| CN115479219B (zh) | 智能管道状态监测方法、监测装置及智能管道系统 | |
| CN111259926A (zh) | 肉品新鲜度检测方法、装置、计算设备和存储介质 | |
| CN108766465B (zh) | 一种基于enf通用背景模型的数字音频篡改盲检测方法 | |
| CN105890738A (zh) | 一种汇流旋涡冲击振动识别方法 | |
| CN110443035A (zh) | 对用于识别入侵尝试的系统进行校准的方法和设备 | |
| CN115670397A (zh) | 一种ppg伪迹识别方法、装置、存储介质及电子设备 | |
| CN113962216A (zh) | 文本处理方法、装置、电子设备及可读存储介质 | |
| CN106326882A (zh) | 一种基于图像质量评估技术的指纹识别系统及方法 | |
| CN109945075B (zh) | 一种供水管道泄漏程度检测方法及装置 | |
| CN113239075A (zh) | 一种施工数据自检方法及系统 | |
| CN112967223A (zh) | 一种基于人工智能的纺织品检测系统、方法及介质 |
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 |