CN109712148A - 基于盾构隧道影像的管片接缝位置自动识别方法 - Google Patents
基于盾构隧道影像的管片接缝位置自动识别方法 Download PDFInfo
- Publication number
- CN109712148A CN109712148A CN201811566725.1A CN201811566725A CN109712148A CN 109712148 A CN109712148 A CN 109712148A CN 201811566725 A CN201811566725 A CN 201811566725A CN 109712148 A CN109712148 A CN 109712148A
- Authority
- CN
- China
- Prior art keywords
- image
- tunnel
- seam
- segment joint
- training
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种基于盾构隧道影像的管片接缝位置自动识别方法，包括步骤：S1：采集隧道的隧道影像并将隧道影像划分为一训练集和一测试集；S2：构建基于全卷积神经网络的一图像语义分割模型；S3：利用训练集训练图像语义分割模型，获得一训练后模型；S4：利用测试集测试训练后模型，根据测试结果判断是否继续训练；S5：采集隧道影像获得至少一待预测隧道影像，并利用训练后模型获得待预测隧道影像的预测结果；S6：根据预测结果获得待预测隧道影像的管片接缝信息；S7：保存管片接缝信息。本发明的一种基于盾构隧道影像的管片接缝位置自动识别方法可实现对管片接缝位置的自动识别和提取，具有效率高和精度高的优点。
Description
技术领域
本发明涉及隧道工程技术与图像识别领域，尤其涉及一种基于盾构隧道影像的管片接缝位置自动识别方法。
背景技术
盾构隧道是由预制管片通过压紧装配连接而成的，存在大量的接缝，主要包括隧道两环之间的环缝和环内各拼装块之间的纵缝，一般情况下，一条隧道的接缝总长度可达到隧道长度的20多倍。隧道错台是隧道各组成构件之间发生的相对位移，包括隧道环缝错台和纵缝错台，隧道错台量的计算是监测隧道变形的有效手段之一。专利201510662198.4公开了一种地铁隧道管片错台量检测方法，主要是通过隧道图像去噪、提取接缝骨架、找到隧道图像上对应错台位置并计算，此方法需要不断遍历搜索隧道接缝位置，效率不高且鲁棒性不够好。专利201610286887.4公开了一种错台测量装置及方法，需要在隧道接缝处作业，有一定的外业工作量且受人为因素影响较大。专利201410726695.1公开了基于三维扫描技术提取隧道错台的方法，通过激光扫描影像获取隧道接缝信息，接缝信息为人工采集，效率过低。
BIM(建筑信息模型化)技术是利用三维几何模型对建筑按构件进行精确表达的信息集成平台，盾构隧道BIM模型的建立可为隧道设计、施工、运营提供指导和验证服务。三维激光扫描技术的应用日趋广泛，盾构隧道三维激光扫描建模能提供精确可量测的隧道模型，与BIM模型的对比验证能为施工作业和变形监测提供指导与数据支撑，但三维激光点云并不能自动分解构件，因此隧道接缝信息的提取是完成可分解模型构件的必备前提。
发明内容
针对上述现有技术中的不足，本发明提供一种基于盾构隧道影像的管片接缝位置自动识别方法，可实现对管片接缝位置的自动识别和提取，具有效率高和精度高的优点。
为了实现上述目的，本发明提供一种基于盾构隧道影像的管片接缝位置自动识别方法，包括步骤：
S1：采集隧道的隧道影像并将所述隧道影像划分为一训练集和一测试集；
S2：构建基于全卷积神经网络的一图像语义分割模型；
S3：利用所述训练集训练所述图像语义分割模型，获得一训练后模型；
S4：利用所述测试集测试所述训练后模型，根据测试结果判断是否继续训练；
S5：采集隧道影像获得至少一待预测隧道影像，并利用所述训练后模型获得所述待预测隧道影像的预测结果，所述预测结果包括一接缝灰度图；
S6：根据所述预测结果获得所述待预测隧道影像的管片接缝信息；
S7：保存所述管片接缝信息。
优选地，所述S1步骤进一步包括步骤：
S11：通过移动一三维激光扫描装置采集所述隧道的灰度影像，获得所述隧道影像；
S12：利用开源标注软件标注所述隧道影像的接缝，所述接缝包括环缝和纵缝，对所述环缝和所述纵缝采用不同的数字标记；
S13：将带所述数字标记的所述隧道影像转化为标签图像；
S14：数据预处理，将所述隧道影像和所述标签图像裁剪成固定尺寸，并采用图像增强的方法扩大图像集，所述图像增强的方法包括图像翻转和色彩调整；
S15：将扩大后的图像集按照7:3的比例随机划分为训练集和测试集。
优选地，所述标签图像的背景区域像素值为0，所述标签图像的所述管片环缝标记处的灰度值为1，所述标签图像的所述管片纵缝标记处的灰度值为2。
优选地，所述S2步骤中利用谷歌的TensorFlow深度学习框架构建形成所述图像语义分割模型。
优选地，所述图像语义分割模型包括依次连接的一输入端、一第一卷积层、三个第一采集单元、两第二卷积层、三个第二采集单元、一第一反卷积层和一输出端；所述第一采集单元包括依次连接的一第一密集连接块和一池化层；所述第二采集单元包括依次连接的一第二反卷积层和一第二密集连接块。
优选地，所述第一卷积层的步长为2，所述第二卷积层的步长为1。
优选地，所述S3步骤中，对所述图像语义分割模型的训练次数大于等于所述训练集的样本大小的10000倍；
使用随机梯度下降方法对每次训练后的所述图像语义分割模型进行参数优化更新，并采用Adam自适应学习率算法来批正则化、批标准化来加速学习过程和防止过拟合。
优选地，所述S4步骤之后还包括步骤：将一平均交并比作为测试数据精度指标，当所述平均交并比大于等于0.6，继续后续步骤，否则调整所述图像语义分割模型的超参数，返回所述S3步骤；所述平均交并比的公式为：
其中，loU表示平均交并比，area(C)表示测试数据预测后的管片接缝的像素面积，area(G)表示所述标签图像中所述管片环缝标记和所述管片纵缝标记的像素面积。
优选地，所述S6步骤中：根据所述接缝灰度图的灰度值对所述接缝灰度图进行划区，所述接缝灰度图中灰度值为0的像素对应所述背景区域，所述接缝灰度图中灰度值为1的像素对应管片环缝区域，所述接缝灰度图中灰度值为2的像素对应管片纵缝区域；
通过计算所述接缝灰度图中的连通区域获得所述管片接缝信息，所述管片接缝信息包括所述待预测隧道影像的接缝分类信息、接缝位置信息和接缝长度信息。
优选地，所述S7步骤中，根据所述接缝分类信息、所述接缝位置信息和所述接缝长度信息建立一NoSQL数据库并保存，或直接将所述接缝分类信息、所述接缝位置信息和所述接缝长度信息存入所述NoSQL数据库。
本发明由于采用了以上技术方案，使其具有以下有益效果：
本发明通过建立、训练图像语义分割模型，实现对管片接缝位置的自动识别和提取，识别提取效率高。同时，将一平均交并比作为测试数据精度指标，提高了本方法的提取精度。NoSQL数据库可为后续有关部门对基于管片接缝信息进行的查询、分析、展示和应用等提供数据支撑。
附图说明
图1为本发明实施例的基于盾构隧道影像的管片接缝位置自动识别方法的流程图；
图2为本发明实施例的图像语义分割模型的结构示意图。
具体实施方式
下面根据附图1和图2，给出本发明的较佳实施例，并予以详细描述，使能更好地理解本发明的功能、特点。
请参阅图1和图2，本发明实施例的一种基于盾构隧道影像的管片接缝位置自动识别方法，包括步骤：
S1：采集隧道的隧道影像并利用隧道影像获得一训练集和一测试集；
其中，S1步骤进一步包括步骤：
S11：通过移动一三维激光扫描装置采集隧道的灰度影像，获得隧道影像；
S12：利用开源标注软件标注所述隧道影像的接缝，所述接缝包括环缝和纵缝，对所述环缝和所述纵缝采用不同的数字标记；
S13：将带所述数字标记的所述隧道影像转化为标签图像；
S14：数据预处理，将所述隧道影像和所述标签图像裁剪成固定尺寸，例如640×640×1，并采用图像增强的方法扩大图像集，所述图像增强的方法包括图像翻转和色彩调整；
S15：将扩大后的图像集按照7:3的比例随机划分为训练集和测试集
其中，标签图像的背景区域像素值为0，标签图像的管片环缝标记处的灰度值为1，标签图像的管片纵缝标记处的灰度值为2。
S2：构建基于全卷积神经网络的一图像语义分割模型；
S2步骤中利用谷歌的TensorFlow深度学习框架构建形成图像语义分割模型。
图像语义分割模型包括依次连接的一输入端1、一第一卷积层2、三个第一采集单元3、两第二卷积层4、三个第二采集单元5、一第一反卷积层6和一输出端7；第一采集单元3包括依次连接的一第一密集连接块31和一池化层32；第二采集单元5包括依次连接的一第二反卷积层51和一第二密集连接块52。其中，第一卷积层2的步长为2，第二卷积层4的步长为1。
S3：利用训练集训练图像语义分割模型，获得一训练后模型。
S3步骤中，对图像语义分割模型的训练次数大于等于训练集的样本大小的10000倍；
使用随机梯度下降方法对每次训练后的图像语义分割模型进行参数优化更新，并采用Adam自适应学习率算法来批正则化、批标准化来加速学习过程和防止过拟合。
S4：利用测试集测试训练后模型，根据测试结果判断是否继续训练。
其中，S4步骤之后还包括步骤：将一平均交并比作为测试数据精度指标，当平均交并比大于等于0.6，继续后续步骤，否则调整图像语义分割模型的超参数，返回S3步骤；平均交并比的公式为：
其中，loU表示平均交并比，area(C)表示第一管片接缝灰度图的像素面积，area(G)表示标签图像中管片环缝标记和管片纵缝标记的像素面积。
S5：采集隧道影像获得至少一待预测隧道影像，并利用训练后模型获得待预测隧道影像的预测结果，预测结果包括一接缝灰度图。
S6：根据预测结果获得待预测隧道影像的管片接缝信息。
其中，S6步骤中：根据接缝灰度图的灰度值对接缝灰度图进行划区，接缝灰度图中灰度值为0的像素对应背景区域，接缝灰度图中灰度值为1的像素对应管片环缝区域，接缝灰度图中灰度值为2的像素对应管片纵缝区域；
通过计算接缝灰度图中的连通区域获得管片接缝信息，管片接缝信息包括待预测隧道影像的接缝分类信息、接缝位置信息和接缝长度信息。
S7：保存管片接缝信息。
在S7步骤中，根据接缝分类信息、接缝位置信息和接缝长度信息建立一NoSQL数据库并保存，或直接将接缝分类信息、接缝位置信息和接缝长度信息存入NoSQL数据库。
以上结合附图实施例对本发明进行了详细说明，本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而，实施例中的某些细节不应构成对本发明的限定，本发明将以所附权利要求书界定的范围作为本发明的保护范围。
Claims (10)
1.一种基于盾构隧道影像的管片接缝位置自动识别方法，包括步骤：
S1：采集隧道的隧道影像并将所述隧道影像划分为一训练集和一测试集；
S2：构建基于全卷积神经网络的一图像语义分割模型；
S3：利用所述训练集训练所述图像语义分割模型，获得一训练后模型；
S4：利用所述测试集测试所述训练后模型，根据测试结果判断是否继续训练；
S5：采集隧道影像获得至少一待预测隧道影像，并利用所述训练后模型获得所述待预测隧道影像的预测结果，所述预测结果包括一接缝灰度图；
S6：根据所述预测结果获得所述待预测隧道影像的管片接缝信息；
S7：保存所述管片接缝信息。
2.根据权利要求1所述的基于盾构隧道影像的管片接缝位置自动识别方法，其特征在于，所述S1步骤进一步包括步骤：
S11：通过移动一三维激光扫描装置采集所述隧道的灰度影像，获得所述隧道影像；
S12：利用开源标注软件标注所述隧道影像的接缝，所述接缝包括环缝和纵缝，对所述环缝和所述纵缝采用不同的数字标记；
S13：将带所述数字标记的所述隧道影像转化为标签图像；
S14：数据预处理，将所述隧道影像和所述标签图像裁剪成固定尺寸，并采用图像增强的方法扩大图像集，所述图像增强的方法包括图像翻转和色彩调整；
S15：将扩大后的图像集按照7:3的比例随机划分为训练集和测试集。
3.根据权利要求2所述的基于盾构隧道影像的管片接缝位置自动识别方法，其特征在于，所述标签图像的背景区域像素值为0，所述标签图像的所述管片环缝标记处的灰度值为1，所述标签图像的所述管片纵缝标记处的灰度值为2。
4.根据权利要求3所述的基于盾构隧道影像的管片接缝位置自动识别方法，其特征在于，所述S2步骤中利用谷歌的TensorFlow深度学习框架构建形成所述图像语义分割模型。
5.根据权利要求4所述的基于盾构隧道影像的管片接缝位置自动识别方法，其特征在于，所述图像语义分割模型包括依次连接的一输入端、一第一卷积层、三个第一采集单元、两第二卷积层、三个第二采集单元、一第一反卷积层和一输出端；所述第一采集单元包括依次连接的一第一密集连接块和一池化层；所述第二采集单元包括依次连接的一第二反卷积层和一第二密集连接块。
6.根据权利要求5所述的基于盾构隧道影像的管片接缝位置自动识别方法，其特征在于，所述第一卷积层的步长为2，所述第二卷积层的步长为1。
7.根据权利要求6所述的基于盾构隧道影像的管片接缝位置自动识别方法，其特征在于，所述S3步骤中，对所述图像语义分割模型的训练次数大于等于所述训练集的样本大小的10000倍；
使用随机梯度下降方法对每次训练后的所述图像语义分割模型进行参数优化更新，并采用Adam自适应学习率算法来批正则化、批标准化来加速学习过程和防止过拟合。
8.根据权利要求7所述的基于盾构隧道影像的管片接缝位置自动识别方法，其特征在于，所述S4步骤之后还包括步骤：将一平均交并比作为测试数据精度指标，当所述平均交并比大于等于0.6，继续后续步骤，否则调整所述图像语义分割模型的超参数，返回所述S3步骤；所述平均交并比的公式为：
其中，loU表示平均交并比，area(C)表示测试数据预测后的管片接缝的像素面积，area(G)表示所述标签图像中所述管片环缝标记和所述管片纵缝标记的像素面积。
9.根据权利要求8所述的基于盾构隧道影像的管片接缝位置自动识别方法，其特征在于，所述S6步骤中：根据所述接缝灰度图的灰度值对所述接缝灰度图进行划区，所述接缝灰度图中灰度值为0的像素对应所述背景区域，所述接缝灰度图中灰度值为1的像素对应管片环缝区域，所述接缝灰度图中灰度值为2的像素对应管片纵缝区域；
通过计算所述接缝灰度图中的连通区域获得所述管片接缝信息，所述管片接缝信息包括所述待预测隧道影像的接缝分类信息、接缝位置信息和接缝长度信息。
10.根据权利要求9所述的基于盾构隧道影像的管片接缝位置自动识别方法，其特征在于，所述S7步骤中，根据所述接缝分类信息、所述接缝位置信息和所述接缝长度信息建立一NoSQL数据库并保存，或直接将所述接缝分类信息、所述接缝位置信息和所述接缝长度信息存入所述NoSQL数据库。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811566725.1A CN109712148A (zh) | 2018-12-19 | 2018-12-19 | 基于盾构隧道影像的管片接缝位置自动识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811566725.1A CN109712148A (zh) | 2018-12-19 | 2018-12-19 | 基于盾构隧道影像的管片接缝位置自动识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109712148A true CN109712148A (zh) | 2019-05-03 |
Family
ID=66257065
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811566725.1A Pending CN109712148A (zh) | 2018-12-19 | 2018-12-19 | 基于盾构隧道影像的管片接缝位置自动识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109712148A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110909657A (zh) * | 2019-11-19 | 2020-03-24 | 上海勘察设计研究院(集团)有限公司 | 一种隧道表观病害图像识别的方法 |
| CN111102935A (zh) * | 2019-12-31 | 2020-05-05 | 武汉汉宁轨道交通技术有限公司 | 隧道结构检测方法、装置和电子设备 |
| CN111160301A (zh) * | 2019-12-31 | 2020-05-15 | 同济大学 | 基于机器视觉的隧道病害目标智能识别及提取方法 |
| CN111325724A (zh) * | 2020-02-19 | 2020-06-23 | 石家庄铁道大学 | 隧道裂纹区域检测方法和装置 |
| CN111538353A (zh) * | 2020-05-12 | 2020-08-14 | 南京航空航天大学 | 一种隧道检测车稳定装置 |
| CN111814245A (zh) * | 2020-09-02 | 2020-10-23 | 广东博智林机器人有限公司 | 天花拼缝布局的获取方法、装置、电子设备及存储介质 |
| CN112036425A (zh) * | 2020-05-09 | 2020-12-04 | 中铁四局集团有限公司 | 一种隧道空洞状态雷达波谱图像识别模型构建方法及隧道空洞状态雷达波谱图像识别方法 |
| CN112215301A (zh) * | 2020-10-29 | 2021-01-12 | 上海勘察设计研究院(集团)有限公司 | 基于卷积神经网络的影像直线探测方法 |
| CN112819070A (zh) * | 2021-01-29 | 2021-05-18 | 中国电建集团华东勘测设计研究院有限公司 | 隧道管片环缝直线化识别及里程环号标记方法 |
| CN113450357A (zh) * | 2021-09-01 | 2021-09-28 | 南昌市建筑科学研究所（南昌市建筑工程质量检测中心） | 管片图像在线分析子系统及地铁盾构检测系统 |
| CN113538385A (zh) * | 2021-07-21 | 2021-10-22 | 上海勘察设计研究院(集团)有限公司 | 基于深度学习的隧道表观病害类型及等级判别方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102297660A (zh) * | 2011-05-20 | 2011-12-28 | 同济大学 | 一种盾构隧道衬砌管片接缝张开宽度的测量方法及装置 |
| US20160193680A1 (en) * | 2015-01-07 | 2016-07-07 | Illinois Tool Works Inc. | Automated welding translation platform |
| CN106548510A (zh) * | 2016-11-07 | 2017-03-29 | 上海岩土工程勘察设计研究院有限公司 | 盾构隧道结构模型生成方法 |
| CN107392216A (zh) * | 2017-07-27 | 2017-11-24 | 上海同岩土木工程科技股份有限公司 | 一种基于灰度数据的盾构隧道管片环缝快速识别方法 |
| CN108229461A (zh) * | 2018-01-16 | 2018-06-29 | 上海同岩土木工程科技股份有限公司 | 一种基于深度学习的隧道裂缝快速识别方法 |
| CN108596184A (zh) * | 2018-04-25 | 2018-09-28 | 清华大学深圳研究生院 | 图像语义分割模型的训练方法、可读存储介质及电子设备 |
| CN108710919A (zh) * | 2018-05-25 | 2018-10-26 | 东南大学 | 一种基于多尺度特征融合深度学习的裂缝自动化勾画方法 |
-
2018
- 2018-12-19 CN CN201811566725.1A patent/CN109712148A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102297660A (zh) * | 2011-05-20 | 2011-12-28 | 同济大学 | 一种盾构隧道衬砌管片接缝张开宽度的测量方法及装置 |
| US20160193680A1 (en) * | 2015-01-07 | 2016-07-07 | Illinois Tool Works Inc. | Automated welding translation platform |
| CN106548510A (zh) * | 2016-11-07 | 2017-03-29 | 上海岩土工程勘察设计研究院有限公司 | 盾构隧道结构模型生成方法 |
| CN107392216A (zh) * | 2017-07-27 | 2017-11-24 | 上海同岩土木工程科技股份有限公司 | 一种基于灰度数据的盾构隧道管片环缝快速识别方法 |
| CN108229461A (zh) * | 2018-01-16 | 2018-06-29 | 上海同岩土木工程科技股份有限公司 | 一种基于深度学习的隧道裂缝快速识别方法 |
| CN108596184A (zh) * | 2018-04-25 | 2018-09-28 | 清华大学深圳研究生院 | 图像语义分割模型的训练方法、可读存储介质及电子设备 |
| CN108710919A (zh) * | 2018-05-25 | 2018-10-26 | 东南大学 | 一种基于多尺度特征融合深度学习的裂缝自动化勾画方法 |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110909657A (zh) * | 2019-11-19 | 2020-03-24 | 上海勘察设计研究院(集团)有限公司 | 一种隧道表观病害图像识别的方法 |
| CN111102935A (zh) * | 2019-12-31 | 2020-05-05 | 武汉汉宁轨道交通技术有限公司 | 隧道结构检测方法、装置和电子设备 |
| CN111160301A (zh) * | 2019-12-31 | 2020-05-15 | 同济大学 | 基于机器视觉的隧道病害目标智能识别及提取方法 |
| CN111102935B (zh) * | 2019-12-31 | 2021-09-28 | 武汉汉宁轨道交通技术有限公司 | 隧道结构检测方法、装置和电子设备 |
| CN111160301B (zh) * | 2019-12-31 | 2023-04-18 | 同济大学 | 基于机器视觉的隧道病害目标智能识别及提取方法 |
| CN111325724A (zh) * | 2020-02-19 | 2020-06-23 | 石家庄铁道大学 | 隧道裂纹区域检测方法和装置 |
| CN111325724B (zh) * | 2020-02-19 | 2023-06-09 | 石家庄铁道大学 | 隧道裂纹区域检测方法和装置 |
| CN112036425A (zh) * | 2020-05-09 | 2020-12-04 | 中铁四局集团有限公司 | 一种隧道空洞状态雷达波谱图像识别模型构建方法及隧道空洞状态雷达波谱图像识别方法 |
| CN111538353A (zh) * | 2020-05-12 | 2020-08-14 | 南京航空航天大学 | 一种隧道检测车稳定装置 |
| CN111814245A (zh) * | 2020-09-02 | 2020-10-23 | 广东博智林机器人有限公司 | 天花拼缝布局的获取方法、装置、电子设备及存储介质 |
| CN112215301B (zh) * | 2020-10-29 | 2023-04-07 | 上海勘察设计研究院(集团)有限公司 | 基于卷积神经网络的影像直线探测方法 |
| CN112215301A (zh) * | 2020-10-29 | 2021-01-12 | 上海勘察设计研究院(集团)有限公司 | 基于卷积神经网络的影像直线探测方法 |
| CN112819070A (zh) * | 2021-01-29 | 2021-05-18 | 中国电建集团华东勘测设计研究院有限公司 | 隧道管片环缝直线化识别及里程环号标记方法 |
| CN113538385B (zh) * | 2021-07-21 | 2022-10-25 | 上海勘察设计研究院(集团)有限公司 | 基于深度学习的隧道表观病害类型及等级判别方法 |
| CN113538385A (zh) * | 2021-07-21 | 2021-10-22 | 上海勘察设计研究院(集团)有限公司 | 基于深度学习的隧道表观病害类型及等级判别方法 |
| CN113450357A (zh) * | 2021-09-01 | 2021-09-28 | 南昌市建筑科学研究所（南昌市建筑工程质量检测中心） | 管片图像在线分析子系统及地铁盾构检测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109712148A (zh) | 基于盾构隧道影像的管片接缝位置自动识别方法 | |
| US11551341B2 (en) | Method and device for automatically drawing structural cracks and precisely measuring widths thereof | |
| US10648922B2 (en) | Crack analysis device, crack analysis method, and crack analysis program | |
| CN109493320B (zh) | 基于深度学习的遥感影像道路提取方法及系统、存储介质、电子设备 | |
| CN103679674B (zh) | 一种无人飞行器实时图像拼接方法及系统 | |
| CN104021556A (zh) | 一种基于几何结构相似性的异源遥感影像配准方法 | |
| CN110991466A (zh) | 一种基于新型视觉传感设备的高速公路路面状况检测系统 | |
| Li et al. | Automatic bridge crack identification from concrete surface using ResNeXt with postprocessing | |
| CN110008872A (zh) | 一种结合车辆轨迹和遥感图像的路网提取方法 | |
| CN111144418B (zh) | 一种铁路轨道区域分割提取的方法 | |
| CN104809724A (zh) | 多波段遥感影像的自动精配准方法 | |
| CN113033516A (zh) | 对象识别统计方法及装置、电子设备、存储介质 | |
| CN112528979B (zh) | 变电站巡检机器人障碍物判别方法及系统 | |
| CN111724358A (zh) | 基于图像和卷积神经网络的混凝土质量检测方法及系统 | |
| CN112241950A (zh) | 一种塔式起重机裂缝图像的检测方法 | |
| CN116091477A (zh) | 基于深度学习多模态图像融合的建筑外墙缺陷检测方法 | |
| CN115984486A (zh) | 一种融合激光雷达与深度相机的桥梁模型生成方法及装置 | |
| CN112685807A (zh) | 一种基于bim技术的脚手架施工过程应用方法及系统 | |
| KR102300713B1 (ko) | 고정밀 벡터지도 제공 방법 | |
| CN113312987B (zh) | 一种基于无人机航拍路面裂缝图像的识别方法 | |
| CN114387261A (zh) | 一种适用于铁路钢桥螺栓病害的自动检测方法 | |
| CN110929690B (zh) | 一种基于深度神经网络的遥感影像路网提取方法 | |
| CN113421236A (zh) | 基于深度学习的建筑墙面渗漏水表观发育状况预测方法 | |
| CN114332435A (zh) | 一种基于三维重建的图像标注方法及装置 | |
| CN114863274A (zh) | 基于深度学习的地表绿网苫盖提取方法 |
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: 20190503 |