CN110133639A - 一种传力杆施工质量检测方法 - Google Patents
一种传力杆施工质量检测方法 Download PDFInfo
- Publication number
- CN110133639A CN110133639A CN201910274910.1A CN201910274910A CN110133639A CN 110133639 A CN110133639 A CN 110133639A CN 201910274910 A CN201910274910 A CN 201910274910A CN 110133639 A CN110133639 A CN 110133639A
- Authority
- CN
- China
- Prior art keywords
- transmission rod
- detection
- construction quality
- map
- gpr
- 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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/885—Radar or analogous systems specially adapted for specific applications for ground probing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/418—Theoretical aspects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种传力杆施工质量检测方法,包括如下步骤:步骤1、获取原始传力杆GPR图谱;步骤2、采用目标检测算法对原始传力杆GPR图谱中的传力杆位置进行标示,得到传力杆GPR图谱;步骤3、施工质量具体分析。本方法利用探地雷达检测技术,结合机器学习实现传力杆的自动识别,在此基础上,巧妙采用二等分线的方法,可以快速判断出传力杆位置、传力杆是否有缺失。同时,基于二等分线的方法,还能判断出传力杆安放深度,间距信息,能实时检测与控制传力杆的施工质量,为在建水泥路面传力杆施工质量检测提供一种方法。
Description
技术领域
本发明属于探底雷达目标识别技术领域,涉及一种传力杆施工质量检测方法。
背景技术
传力杆是指沿水泥混凝土路面板横缝,每隔一定距离在板厚中央布置的圆钢筋,其作用是增加相邻混凝土块之间的应力传递以防止混凝土路面局部受力较大造成混凝土路面不均匀沉降,传递应力使相邻混凝土块共同受力。目前,在我国的贵州等地方大规模的建设水泥路面,在实际建设的过程中,经常出现传力杆缺失,沿横缝不对称等问题,严重影响了传力杆施工质量和路面寿命,如何实时检测与控制传力杆的施工质量是急需解决的问题。
通常传力杆施工质量检测包括检测传力杆位置、传力杆形状识别、传力杆安放深度检测、传立杆间距是否合适、数量是否缺失。探地雷达(GPR)作为一种快速、无损的检测技术,在确定地下介质分布规律方面应用广泛,目前传力杆检测大都采取的是探地雷达(GPR)法,但是在GPR图谱中传力杆的识别分析方面,主要依靠人工进行识别与位置的分析,耗时费力,结果主观性大。为此相关工作者借助HOG算法通过对图谱中双曲线的模拟来自动识别传力杆以及采用神经网络和模板匹配的方法来进行传力杆的分类识别,但是该方法只是对传力杆进行识别。
综上,现有的探地雷达检测技术只能检测出传力杆,传力杆识别与位置分析需要依靠人力;HOG算法相比探地雷达检测技术,可以自动识别出传力杆,但是传力杆数量是否缺失,传力杆间距如何,传力杆安放深度等其他施工质量信息无法获取。因此,探地雷达检测技术和HOG算法都有必要结合传力杆间距、数量等其他反应施工质量的指标做进一步完善。
发明内容
本发明的目的提供一种传力杆施工质量检测方法,在GPR技术上加以后续改进,解决现有GPR检测技术中存在的不能反映出传力杆有无缺失的问题。
本发明所采用的技术方案是,
一种传力杆施工质量检测方法,本方法中施工质量检测包括传力杆数量是否缺失检测,包括如下步骤:
步骤1、获取原始传力杆GPR图谱;
步骤2、采用目标检测算法对原始传力杆GPR图谱中的传力杆位置进行标示,得到传力杆GPR图谱;
步骤3、在传力杆GPR图谱上建立坐标系,坐标系0点为获取原始传力杆GPR图谱时的起测点,传力杆位置处在坐标系x轴正方向和y轴正方向组成的象限内,该象限内任一个传力杆n的像素坐标为(Xn,Yn),n=1,2,3,...,传力杆n的实际距离ln=Xn×α,α为映射比例;
步骤4、判断所有传力杆的实际距离ln与lc的大小,其中传力杆GPR图谱上x轴正方向的二等分线与x轴的交点记为c点,lc为c点实际距离,记小于lc的传力杆数量为Nφ,记大于lc的传力杆数量为判断Nφ与是否相等,若不相等则传力杆存在数量缺失。
进一步,本方法中施工质量检测还包括传力杆的实际安放深度是否合适的检测:具体为,传力杆n的实际深度hn=Yn×β,β为映射比例,该公式用于判断每根传力杆的实际安放深度。
进一步的,本方法中施工质量检测还包括相邻传力杆间距是否合格的检测:具体为,相邻传力杆之间的间距为ln-ln-1,判断ln-ln-1是否都在30±5mm范围之内,如果存在范围之外的数据,则传力杆间距不合格。
优选的,步骤1中获取原始传力杆GPR图谱时,采用探地雷达检测技术。
优选的,步骤2中标示传力杆位置前先对原始传力杆GPR图谱进行预处理。
上述预处理方法包括抽取平均道,静校正切除,背景去除或带通滤波。
优选的,步骤2中采用目标检测算法时,选用inception v2模型提取特征和Faster-RCNN检测模型进行训练,实现对图谱中的传力杆自动识别标示。
其中,映射比例α为传力杆GPR图谱实际长度与传力杆GPR图谱像素宽的比值。映射比例β为传力杆GPR图谱实际深度与传力杆GPR图谱像素高的比值。
可选的,本方法中传力杆GPR图谱像素为1300×265。
本发明的有益效果是:
本方法利用雷达检测图谱技术,结合机器学习实现传力杆的自动识别,在此基础上,巧妙采用二等分线的方法,可以快速判断出传力杆位置、传力杆是否有缺失。同时,基于二等分线的方法,还能判断出传力杆安放深度,间距信息,本方法能实现实时在线检测与控制传力杆的施工质量,为在建水泥路面传力杆施工质量检测提供一种方法。
附图说明
图1是本方法流程图;
图2是原始传力杆GPR图谱;
图3是检测传力杆测线布置示意图;
图4是GPR数据预处理流程图;
图5是传力杆GPR图谱示意图;
图6是本方法测试部分样例;
图7是传力杆GPR图谱坐标示意图。
具体实施方式
本实施例提供一种传力杆施工质量检测方法,主要包括以下步骤:
步骤1:原始数据采集,利用探地雷达检测传力杆,获取原始传力杆GPR图谱,如图2:
a:设置雷达参数:首先应标定地面反射波起始零点;天线主频率大于900Mz,时窗大小不宜超过10ns,采样率应在雷达主频的10倍以上,测量轮分辨率不大于10mm,采样间距大于1mm。
b:布置测线:左右测线距切割缝10cm,传力杆位置测试布线如图3,水泥路面都有传力杆缝和拉杆缝将路面分割成很多水泥板块,两条测线之间即为传力杆缝,检测时,是检测整个路面宽度,一个水泥板块的宽度大概3.5m。
步骤2:对原始传力杆GPR图谱进行预处理,由于受到路面本身结构和地质环境的影响,GPR原始数据复杂,包含传力杆信息和大量的杂波噪声,因此进行模型训练之前。需要对原始数据进行预处理,以去除杂波,提高图谱的质量,突出传力杆特征,为训练模型提供优良的数据。预处理步骤主要包括抽取平均道,静校正切除,背景去除,带通滤波。结果如图4、图5。
步骤3:针对预处理之后的雷达图谱,建立样本数据库,基于目标检测功能,选用inception v2模型提取特征和Faster-RCNN检测模型进行训练,实现对图谱中的传力杆进行自动识别,可以得到如图6所示的传力杆检测结果的矩形框与置信度,矩形框内表示传力杆在图谱中的形状以及矩形框内包含传力杆的置信度:
a:建立传力杆GPR图谱样本库,优选双曲线重叠部分少的图片,并且保证图片的亮度多样化以及每张图片的像素均为1300×265;并将图谱库分为训练集和测试集。
b:建立标签数据库
分别建立与传力杆GPR图谱样本库训练集和测试集相对应的标签数据库,每张GPR图谱在标签数据库中都有对应的一个标签文件。标签文件为xml格式,包括标签名称、图像路径、图像名称、图像的像素高度及宽度。其中图像的像素高度和宽度通过一个矩形框的四个坐标xmin,ymin,xmax,ymax来表示。其中(xmin,ymin)是矩形框的左上顶点的坐标,(xmax,ymax)是矩形框右下顶点的坐标。然后将训练集和测试集标签文件数据库的xml文件全部转换为tfrecords格式文件。
c:建立深度学习模型
利用Tensorflow平台与Faster R-CNN目标检测算法搭建出深度学习目标识别网络。Tensorflow是一个采用数据流图,用于数值计算的开源软件库,其灵活的架构可以在多种平台上展开计算,安装容易。Faster-RCNN中的anchor机制提高了模型的精度,采用RPN直接生成检测框,极大提高了生成检测框的速度。
d:模型的训练与测试
将标签数据库里面的tfrecords格式文件输入Faster-RCNN进行训练,初始学习率为0.001,bitch_size为1,训练步数为50000步。训练过程中,每隔一定步数,保存训练的模型。将待测GPR图谱传入保存好的模型之中,得到如图6所示的传力杆检测结果的矩形框与置信度,矩形框内表示传力杆在图谱中的形状以及矩形框内包含传力杆的置信度。其中矩形框依然采用xmin,ymin,xmax,ymax来表示,原点为图谱左上角,向右向下分别为x、y的正方向,如图6。(xmin,ymin)是矩形框的左上顶点的坐标,(xmax,ymax)是矩形框右下顶点的坐标,每个矩形框上的数据是置信度。
步骤3中采用目标检测算法识别传力杆,是常规步骤,但是发明人在经历了大量的模拟练习后发现,只有采用inception v2模型提取特征和Faster-RCNN检测模型进行训练,可以实现对图谱中的传力杆高精度自动识别标示。
步骤4:对识别之后的传力杆进行安装位置分析以及施工质量的分析:
此步骤结合图7进行介绍。建立如图7所示的坐标系,其中左上角O点对应实际检测时的起点位置。雷达图谱中的实际长度(x正方向)和深度(y正方向)分别为L,H(单位:米)。
将图谱的像素的宽1300和高265分别按照的比例与实际距离进行映射。
a:以每个矩形框上沿的中点所在位置作为传力杆的实际位置,记为{(l1,h1),(l2,h2)…(ln,hn);n取1,2,3…},如图中A、B两点,以A点为例,在图谱中,A点的像素坐标为(XA,YA),即根据上述比例关系可求得A点的位置信息:
实际距离
实际深度
按照以上方式可以分别得出(l1,h1),(l2,h2)…(ln,hn),即得出每根传力杆的安放深度。
b:图7中CD线为图谱在水平x方向的二等分线,根据A点位置信息的求取方法可以得到C点的实际距离lC;其次判断l1、l2、l3…ln与lC的大小;然后将比lC小的归为一组,并统计其数量,即为传力杆图谱中左半幅传力杆的数量Nl,将比lC大的归为另一组,统计其数量,即为传力杆图谱右半幅传力杆的数量Nr;然后判断Nl与Nr是否相等,若不相等则得出传力杆存在缺失的结论,如图7,可知Nl与Nr并不相等,因此传力杆存在缺失。
c:用d1,d2,d3…dn(n=1,2,3,…n-1)来表示相邻传力杆之间的实际间距,则:
d1=l2-l1
d2=l3-l2
…
dn-1=ln-ln-1
即可以求出传力杆之间的间距,然后依据传力杆施工标准,判断d1,d2,d3…dn是否都在30±5mm范围之内,如果存在范围之外的数据,即判定传力杆间距不合格。
Claims (9)
1.一种传力杆施工质量检测方法,本方法中施工质量检测包括检测传力杆数量是否缺失,本方法包括如下步骤:
步骤1、获取原始传力杆GPR图谱;
步骤2、采用目标检测算法对原始传力杆GPR图谱中的传力杆位置进行标识,得到传力杆GPR图谱;
其特征在于,
步骤3、在传力杆GPR图谱上建立坐标系,坐标系0点为获取原始传力杆GPR图谱时的起测点,所有传力杆的位置均处在坐标系x轴正方向和y轴正方向组成的象限内,该象限内任一个传力杆n的像素坐标为(Xn,Yn),n=1,2,3,...,传力杆n的实际距离ln=Xn×α,α为映射比例;
步骤4、判断所有传力杆的实际距离ln与lc的大小,记传力杆的实际距离小于lc的传力杆数量为Nφ,记传力杆的实际距离大于lc的传力杆数量为若则传力杆数量存在缺失,其中传力杆GPR图谱上x轴正方向的二等分线与x轴的交点记为c点,lc=Xc×α,Xc为c点x轴的像素坐标,lc为c点的实际距离。
2.如权利要求1所述传力杆施工质量检测方法,其特征在于,传力杆n的实际深度hn=Yn×β,β为映射比例,该公式用于判断每根传力杆的实际安放深度。
3.如权利要求1所述传力杆施工质量检测方法,其特征在于,相邻传力杆之间的间距为ln-ln-1,判断ln-ln-1是否都在30±5mm范围之内,如果存在范围之外的数据,则传力杆间距不合格。
4.如权利要求1所述传力杆施工质量检测方法,其特征在于,步骤2中标示传力杆位置前先对原始传力杆GPR图谱进行预处理。
5.如权利要求4所述传力杆施工质量检测方法,其特征在于,预处理方法包括抽取平均道,静校正切除,背景去除或带通滤波。
6.如权利要求1所述传力杆施工质量检测方法,其特征在于,步骤2中采用目标检测算法时,选用inception v2模型提取特征和Faster-RCNN检测模型进行训练,实现对图谱中的传力杆自动识别标示。
7.如权利要求1所述传力杆施工质量检测方法,其特征在于,步骤3中映射比例α为传力杆GPR图谱实际长度与传力杆GPR图谱像素宽的比值。
8.如权利要求2所述传力杆施工质量检测方法,其特征在于,映射比例β为传力杆GPR图谱实际深度与传力杆GPR图谱像素高的比值。
9.如权利要求1所述传力杆施工质量检测方法,其特征在于,传力杆GPR图谱像素为1300×265。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910274910.1A CN110133639B (zh) | 2019-04-08 | 2019-04-08 | 一种传力杆施工质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910274910.1A CN110133639B (zh) | 2019-04-08 | 2019-04-08 | 一种传力杆施工质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110133639A true CN110133639A (zh) | 2019-08-16 |
CN110133639B CN110133639B (zh) | 2022-12-02 |
Family
ID=67569503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910274910.1A Active CN110133639B (zh) | 2019-04-08 | 2019-04-08 | 一种传力杆施工质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110133639B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110927713A (zh) * | 2019-11-01 | 2020-03-27 | 长安大学 | 一种沥青路面水损害检测方法 |
CN111025285A (zh) * | 2019-11-01 | 2020-04-17 | 长安大学 | 一种基于图谱灰度自适应选取的沥青路面水损害检测方法 |
CN111025286A (zh) * | 2019-11-01 | 2020-04-17 | 长安大学 | 一种用于水损害检测的探地雷达图谱自适应选取方法 |
CN112365876A (zh) * | 2020-11-27 | 2021-02-12 | 北京百度网讯科技有限公司 | 语音合成模型的训练方法、装置、设备以及存储介质 |
CN113326565A (zh) * | 2021-05-26 | 2021-08-31 | 南京航空航天大学 | 一种三维编织物示迹线间距检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102495402A (zh) * | 2011-12-14 | 2012-06-13 | 中国民航大学 | 在钢筋强反射回波干扰下的道面灾害目标检测识别方法 |
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 |
CN108646229A (zh) * | 2018-06-14 | 2018-10-12 | 北京师范大学 | 地下柱状反射体倾角检测方法 |
CN109143232A (zh) * | 2018-07-23 | 2019-01-04 | 西华大学 | 一种预应力混凝土梁无损检测方法 |
CN109521479A (zh) * | 2018-10-11 | 2019-03-26 | 浙江交工集团股份有限公司 | 一种地下连续墙渗漏水的非开挖检测方法 |
CN109541701A (zh) * | 2018-11-22 | 2019-03-29 | 河海大学 | 水工混凝土钢筋走向检测系统及检测方法 |
-
2019
- 2019-04-08 CN CN201910274910.1A patent/CN110133639B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102495402A (zh) * | 2011-12-14 | 2012-06-13 | 中国民航大学 | 在钢筋强反射回波干扰下的道面灾害目标检测识别方法 |
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 |
CN108646229A (zh) * | 2018-06-14 | 2018-10-12 | 北京师范大学 | 地下柱状反射体倾角检测方法 |
CN109143232A (zh) * | 2018-07-23 | 2019-01-04 | 西华大学 | 一种预应力混凝土梁无损检测方法 |
CN109521479A (zh) * | 2018-10-11 | 2019-03-26 | 浙江交工集团股份有限公司 | 一种地下连续墙渗漏水的非开挖检测方法 |
CN109541701A (zh) * | 2018-11-22 | 2019-03-29 | 河海大学 | 水工混凝土钢筋走向检测系统及检测方法 |
Non-Patent Citations (4)
Title |
---|
ZOUBAIDA MECHBAL ET AL.: "Sensitivity of the inverse problem solution related to detection of rebars buried in concrete by using GPR scanning", 《MATEC WEB OF CONFERENCES》 * |
战玉宝等: "探地雷达探测地下管线的研究", 《岩土力学》 * |
胡健等: "地质雷达在公路隧道路面横缝传力杆和纵缝拉杆质量检测中的应用", 《公路隧道》 * |
陈秀新 等: "数学形态学在探地雷达钢筋识别中的应用研究", 《公路交通科技 应用技术版》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110927713A (zh) * | 2019-11-01 | 2020-03-27 | 长安大学 | 一种沥青路面水损害检测方法 |
CN111025285A (zh) * | 2019-11-01 | 2020-04-17 | 长安大学 | 一种基于图谱灰度自适应选取的沥青路面水损害检测方法 |
CN111025286A (zh) * | 2019-11-01 | 2020-04-17 | 长安大学 | 一种用于水损害检测的探地雷达图谱自适应选取方法 |
CN110927713B (zh) * | 2019-11-01 | 2021-06-11 | 长安大学 | 一种沥青路面水损害检测方法 |
CN111025286B (zh) * | 2019-11-01 | 2021-08-24 | 长安大学 | 一种用于水损害检测的探地雷达图谱自适应选取方法 |
CN111025285B (zh) * | 2019-11-01 | 2021-08-24 | 长安大学 | 一种基于图谱灰度自适应选取的沥青路面水损害检测方法 |
CN112365876A (zh) * | 2020-11-27 | 2021-02-12 | 北京百度网讯科技有限公司 | 语音合成模型的训练方法、装置、设备以及存储介质 |
CN113326565A (zh) * | 2021-05-26 | 2021-08-31 | 南京航空航天大学 | 一种三维编织物示迹线间距检测方法 |
CN113326565B (zh) * | 2021-05-26 | 2022-11-22 | 南京航空航天大学 | 一种三维编织物示迹线间距检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110133639B (zh) | 2022-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110133639A (zh) | 一种传力杆施工质量检测方法 | |
CN112462346A (zh) | 一种基于卷积神经网络的探地雷达路基病害目标检测方法 | |
CN109187534A (zh) | 水质检测方法及其水样图像识别装置 | |
CN108898085A (zh) | 一种基于手机视频的道路病害智能检测方法 | |
CN109284786B (zh) | 基于分布和结构匹配生成对抗网络的sar图像地物分类方法 | |
CN103513285B (zh) | 一种确定横向表面弛豫速率的方法及装置 | |
CN108875794A (zh) | 一种基于迁移学习的图像能见度检测方法 | |
CN108918679A (zh) | 基于弹性波和机器学习的预制柱套筒灌浆无损检测方法 | |
CN105930852A (zh) | 一种气泡图像识别方法 | |
CN105046046B (zh) | 一种集合卡尔曼滤波局地化方法 | |
CN108844856A (zh) | 基于弹性冲击波和机器学习的套筒灌浆缺陷无损检测方法 | |
CN109635629A (zh) | 一种基于深度学习的公交站台人群密度检测方法及装置 | |
CN109472790A (zh) | 一种机械零件缺陷检测方法及系统 | |
CN108827200A (zh) | 一种船体分段智能检测系统及方法 | |
CN115616674A (zh) | 探地雷达训练数据集模拟扩增与道路无损检测方法及系统 | |
CN107358162B (zh) | 基于深度堆栈网络的极化sar影像变化检测方法 | |
CN111311668B (zh) | 一种基于卷积神经网络的清水混凝土表面气孔分析方法 | |
CN109444255A (zh) | 一种碳纤维增强复合材料缺陷的诊断方法 | |
CN112347926A (zh) | 基于建筑形态分布的高分辨率影像城中村检测方法 | |
CN104157009A (zh) | 一种多源遥感影像质量定量比选方法 | |
CN106767717B (zh) | 一种基于无人机的水稻成熟期草谷比采样与检测方法 | |
Huang et al. | Crack fundamental element (CFE) for multi-scale crack classification | |
CN115311200A (zh) | 一种基于SSA-PointNet++神经网络混凝土管道损伤识别与体积量化方法 | |
CN108645865A (zh) | 一种基于ccd的埋弧焊钢管焊缝焊偏量参数的测量方法 | |
CN103606150B (zh) | 一种局部方差定量探测规则地物空间格局大小的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |