CN110716199B - 用于计算机自动辨别多类型缺陷的地质雷达标记方法 - Google Patents
用于计算机自动辨别多类型缺陷的地质雷达标记方法 Download PDFInfo
- Publication number
- CN110716199B CN110716199B CN201910880762.8A CN201910880762A CN110716199B CN 110716199 B CN110716199 B CN 110716199B CN 201910880762 A CN201910880762 A CN 201910880762A CN 110716199 B CN110716199 B CN 110716199B
- Authority
- CN
- China
- Prior art keywords
- geological
- geological radar
- sample set
- areas
- area
- 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
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
- G01S7/418—Theoretical aspects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/56—Information retrieval; Database structures therefor; File system structures therefor of still image data having vectorial format
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种用于计算机自动辨别多类型缺陷的地质雷达标记方法,如下步骤:1、得到地质雷达波形图;2、将地质雷达波形图转换到图像域形成对应的地质雷达矢量图片;步骤3:得到带标签的富水区样本集、带标签的空洞区样本集、带标签的碎石区样本集和无异常区样本集;步骤4:从带标签的富水区样本集、带标签的空洞区样本集、带标签的碎石区样本集和无异常区样本集中分别随机选择70%的样本作为训练样本。利用本发明能辅助解决现有探地雷达解译效率低及受人为因素影响的问题。
Description
技术领域
本发明涉及地球物理勘探技术领域,具体地指一种用于计算机自动辨别多类型缺陷的地质雷达标记方法。
背景技术
探地雷达(Ground Penetrating Radar,GPR)基于电磁波的发射、传播及接收形成GPR图像,再根据图像解译结果研究介质电磁特性差异,从而判断探测目标内部介质的详细分布情况。在过去的20-25年,探地雷达技术无论是在理论、方法还是在各相关领域的应用都取得了快速的发展。但是作为一门新兴的探测技术,在使用探地雷达进行无损检测时仍存在图像解译效率低下的问题,目前探地雷达图像解译以人工解译为主,而探地雷达的检测数据量极大,人工解译过程需要花费大量的时间和人力成本,解译效率偏低,作为雷达图像解释的基础,地质雷达缺陷标记方法急待完善。
发明内容
本发明的目的就是要提出一种用于计算机自动辨别多类型缺陷的地质雷达标记方法,利用本发明可以得到计算机自动辨别地质雷达的多类型缺陷所需要的训练模型样本集,便于计算机进行深度学习,辅助解决现有探地雷达解译效率低及受人为因素影响的问题。
为实现此目的,本发明所设计的一种用于计算机自动辨别多类型缺陷的地质雷达标记方法,它包括如下步骤:
步骤1:利用常规地质雷达仪器在已知地质模型区域采集得到的多个原始地质雷达数据进行数据预处理得到多个地质雷达波形图;
步骤2:将步骤1所得的多个地质雷达波形图转换到图像域形成对应的多个地质雷达矢量图片,方便进行可视化标记;
步骤3:对步骤2所得的每个地质雷达矢量图片进行特征标注,所有的地质雷达矢量图片可划分为具有富水区的地质雷达矢量图片、具有空洞区的地质雷达矢量图片、具有碎石区的地质雷达矢量图片、无异常区的地质雷达矢量图片,特征标注时将富水区、空洞区和碎石区分别用不同颜色的样条曲线进行人工标注,无异常区的地质雷达矢量图片不进行标注,并对无异常区的地质雷达矢量图片以及标注出富水区的地质雷达矢量图片、标注出空洞区的地质雷达矢量图片和标注出碎石区的地质雷达矢量图片分别增加对应的目标位置及地质缺陷类型标签,得到与标注出富水区的地质雷达矢量图片对应的带标签的富水区样本集、与标注出空洞区的地质雷达矢量图片对应的带标签的空洞区样本集、与标注出碎石区的地质雷达矢量图片对应的带标签的碎石区样本集、与无异常区的地质雷达矢量图片对应的无异常区样本集,所述带标签的富水区样本集、带标签的空洞区样本集、带标签的碎石区样本集和无异常区样本集用于构建地质缺陷模型,所述地质缺陷模型用于后续缺陷类型识别时对雷达波形进行地质缺陷分类;
步骤4:从步骤3所得到的带标签的富水区样本集、带标签的空洞区样本集、带标签的碎石区样本集和无异常区样本集中分别随机选择70%的样本作为训练样本,该训练样本用于通过机器学习构建地质缺陷模型,其余的样本作为测试样本,该测试样本用来验证地质缺陷模型的正确性。
本发明可以得到计算机自动辨别地质雷达的多类型缺陷所需要的训练模型样本集,用于后续计算机进行深度学习,辅助解决现有探地雷达解译效率低及受人为因素影响的问题。此外,本发明中对地质缺陷进行标记时用样条曲线将缺陷的形态轮廓进行精准标记,具有更高的地质缺陷分辨率和准确率。
附图说明
图1为本发明的地质雷达标记及识别方法的流程图
图2为数据预处理后的地质雷达波形图像
图3为标记之后的某富水区地质雷达波形图像。
具体实施方式
以下结合附图和具体实施例对本发明作进一步的详细说明:
如图1所示的用于计算机自动辨别多类型缺陷的地质雷达标记方法,其特征在于,它包括如下步骤:
步骤1:利用常规地质雷达仪器在已知地质模型区域采集得到的多个原始地质雷达数据进行数据预处理(通过地质雷达专用软件转换)得到多个地质雷达波形图,如图2所示;
步骤2:将步骤1所得的多个地质雷达波形图转换到图像域形成对应的多个地质雷达矢量图片,方便进行可视化标记,具体过程见文献:徐俊.地下工程结构多类型缺陷的雷达信号自动辨别方法与工程应用[D].北京:北京科技大学,2019.;
步骤3:对步骤2所得的每个地质雷达矢量图片进行特征标注,所有的地质雷达矢量图片可划分为具有富水区的地质雷达矢量图片、具有空洞区的地质雷达矢量图片、具有碎石区的地质雷达矢量图片、无异常区的地质雷达矢量图片,特征标注时将富水区、空洞区和碎石区分别用不同颜色的样条曲线进行人工标注,无异常区的地质雷达矢量图片不进行标注(上述分区由专业人员自行区分地质缺陷类型),并对无异常区的地质雷达矢量图片以及标注出富水区的地质雷达矢量图片、标注出空洞区的地质雷达矢量图片和标注出碎石区的地质雷达矢量图片分别增加对应的目标位置及地质缺陷类型标签,得到与标注出富水区的地质雷达矢量图片对应的带标签的富水区样本集、与标注出空洞区的地质雷达矢量图片对应的带标签的空洞区样本集、与标注出碎石区的地质雷达矢量图片对应的带标签的碎石区样本集、与无异常区的地质雷达矢量图片对应的无异常区样本集,所述带标签的富水区样本集、带标签的空洞区样本集、带标签的碎石区样本集和无异常区样本集用于构建地质缺陷模型,所述地质缺陷模型用于后续缺陷类型识别时对雷达波形进行地质缺陷分类;
步骤4:从步骤3所得到的带标签的富水区样本集、带标签的空洞区样本集、带标签的碎石区样本集和无异常区样本集中分别随机选择70%的样本作为训练样本(即富水区样本集选择70%的样本作为训练样本,空洞区样本集选择70%的样本作为训练样本,碎石区样本集选择70%的样本作为训练样本,无异常区样本集选择70%的样本作为训练样本),该训练样本用于通过机器学习构建地质缺陷模型,其余的样本作为测试样本,该测试样本用来验证地质缺陷模型的正确性。
上述技术方案的步骤4中,计算机采用机器学习算法对带标签训练样本进行仿真计算,不断地分析训练样本的标签特征,从而构建出对应的地质雷达缺陷模型。
将测试样本放入到构建的地质缺陷模型中,让计算机采用机器学习算法自动进行分类计算,得到测试样本属于哪一种地质缺陷类型。再将测试样本人工标记结果与计算机计算分类的地质缺陷类型结果进行对比验证,若一致,则所构建的地质缺陷模型的准确,若不一致,则所构建的地质缺陷模型的不准确,需要进一步让计算机利用训练样本构建地质缺陷模型。
上述技术方案中,所有具有富水区的地质雷达矢量图片对应的信息构成带标签的富水区样本集,其中某一个富水区的地质雷达矢量图片对应的信息即为富水区样本;
所有具有空洞区的地质雷达矢量图片对应的信息构成带标签的空洞区样本集,其中某一个空洞区的地质雷达矢量图片对应的信息即为空洞区样本;
所有具有碎石区的地质雷达矢量图片对应的信息构成带标签的碎石区样本集,其中某一个碎石区的地质雷达矢量图片对应的信息即为碎石区样本;
所有无异常区的地质雷达矢量图片对应的信息构成无异常区样本集,其中某一个无异常区的地质雷达矢量图片对应的信息即为无异常区样本;
上述技术方案中,富水区用红色虚线标注;破碎区用蓝色虚线标注,空洞区用绿色虚线标注,无异常区不需要标注,如图3所示,标记之后的某富水区地质雷达波形图像,其横坐标表示测量长度/米,纵坐标表示深度/米。
上述技术方案中,所述数据预处理过程包括增益处理、滤波去噪、反褶积处理及偏移处理、时深转换处理。
上述技术方案中,所述目标位置即为缺陷所在的地下具体的横纵坐标。
上述技术方案中,带标签的富水区样本集中的样本是一个包含了地质雷达波形图像的横纵轴信息、富水区样条曲线标注、缺陷所在的地下具体的横纵坐标、和文件名的txt格式文件;
带标签的空洞区样本集中的样本是一个包含了地质雷达波形图像的横纵轴信息、空洞区样条曲线标注、缺陷所在的地下具体的横纵坐标、和文件名的txt格式文件;
带标签的碎石区样本集中的样本是一个包含了地质雷达波形图像的横纵轴信息、碎石区样条曲线标注、缺陷所在的地下具体的横纵坐标、和文件名的txt格式文件;
无异常区样本集中的样本是一个包含了地质雷达波形图像的横纵轴信息和文件名的txt格式文件;
上述txt格式文件便于计算机构建的深度学习检测模型识别读取。
本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (4)
1.一种用于计算机自动辨别多类型缺陷的地质雷达标记方法,其特征在于,它包括如下步骤:
步骤1:对已知地质模型区域采集得到的多个原始地质雷达数据进行数据预处理得到多个地质雷达波形图;
步骤2:将步骤1所得的多个地质雷达波形图转换到图像域形成对应的多个地质雷达矢量图片;
步骤3:对步骤2所得的每个地质雷达矢量图片进行特征标注,所有的地质雷达矢量图片可划分为具有富水区的地质雷达矢量图片、具有空洞区的地质雷达矢量图片、具有碎石区的地质雷达矢量图片、无异常区的地质雷达矢量图片,特征标注时将富水区、空洞区和碎石区分别用不同颜色的样条曲线进行人工标注,无异常区的地质雷达矢量图片不进行标注,并对无异常区的地质雷达矢量图片以及标注出富水区的地质雷达矢量图片、标注出空洞区的地质雷达矢量图片和标注出碎石区的地质雷达矢量图片分别增加对应的目标位置及地质缺陷类型标签,得到与标注出富水区的地质雷达矢量图片对应的带标签的富水区样本集、与标注出空洞区的地质雷达矢量图片对应的带标签的空洞区样本集、与标注出碎石区的地质雷达矢量图片对应的带标签的碎石区样本集、与无异常区的地质雷达矢量图片对应的无异常区样本集,所述带标签的富水区样本集、带标签的空洞区样本集、带标签的碎石区样本集和无异常区样本集用于构建地质缺陷模型,所述地质缺陷模型用于后续缺陷类型识别时对雷达波形进行地质缺陷分类;
步骤4:从步骤3所得到的带标签的富水区样本集、带标签的空洞区样本集、带标签的碎石区样本集和无异常区样本集中分别随机选择70%的样本作为训练样本,该训练样本用于通过机器学习构建地质缺陷模型,其余的样本作为测试样本,该测试样本用来验证地质缺陷模型的正确性;
将测试样本放入到构建的地质缺陷模型中,让计算机采用机器学习算法自动进行分类计算,得到测试样本属于哪一种地质缺陷类型,再将测试样本人工标记结果与计算机计算分类的地质缺陷类型结果进行对比验证,若一致,则所构建的地质缺陷模型的准确,若不一致,则所构建的地质缺陷模型的不准确,需要进一步让计算机利用训练样本构建地质缺陷模型;
所有具有富水区的地质雷达矢量图片对应的信息构成带标签的富水区样本集,其中某一个富水区的地质雷达矢量图片对应的信息即为富水区样本;
所有具有空洞区的地质雷达矢量图片对应的信息构成带标签的空洞区样本集,其中某一个空洞区的地质雷达矢量图片对应的信息即为空洞区样本;
所有具有碎石区的地质雷达矢量图片对应的信息构成带标签的碎石区样本集,其中某一个碎石区的地质雷达矢量图片对应的信息即为碎石区样本;
所有无异常区的地质雷达矢量图片对应的信息构成无异常区样本集,其中某一个无异常区的地质雷达矢量图片对应的信息即为无异常区样本。
2.根据权利要求1所述的用于计算机自动辨别多类型缺陷的地质雷达标记方法,其特征在于:所述数据预处理过程包括增益处理、滤波去噪、反褶积处理及偏移处理、时深转换处理。
3.根据权利要求1所述的用于计算机自动辨别多类型缺陷的地质雷达标记方法,其特征在于:所述目标位置即为缺陷所在的地下具体的横纵坐标。
4.根据权利要求3所述的用于计算机自动辨别多类型缺陷的地质雷达标记方法,其特征在于:带标签的富水区样本集中的样本是一个包含了地质雷达波形图像的横纵轴信息、富水区样条曲线标注、缺陷所在的地下具体的横纵坐标、和文件名的txt格式文件;
带标签的空洞区样本集中的样本是一个包含了地质雷达波形图像的横纵轴信息、空洞区样条曲线标注、缺陷所在的地下具体的横纵坐标、和文件名的txt格式文件;
带标签的碎石区样本集中的样本是一个包含了地质雷达波形图像的横纵轴信息、碎石区样条曲线标注、缺陷所在的地下具体的横纵坐标、和文件名的txt格式文件;
无异常区样本集中的样本是一个包含了地质雷达波形图像的横纵轴信息和文件名的txt格式文件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910880762.8A CN110716199B (zh) | 2019-09-18 | 2019-09-18 | 用于计算机自动辨别多类型缺陷的地质雷达标记方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910880762.8A CN110716199B (zh) | 2019-09-18 | 2019-09-18 | 用于计算机自动辨别多类型缺陷的地质雷达标记方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110716199A CN110716199A (zh) | 2020-01-21 |
CN110716199B true CN110716199B (zh) | 2023-09-29 |
Family
ID=69210583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910880762.8A Active CN110716199B (zh) | 2019-09-18 | 2019-09-18 | 用于计算机自动辨别多类型缺陷的地质雷达标记方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110716199B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112365477A (zh) * | 2020-11-13 | 2021-02-12 | 常州微亿智造科技有限公司 | 缺陷检测方法和装置 |
CN112948952B (zh) * | 2021-04-08 | 2023-05-23 | 郑州航空工业管理学院 | 一种盾构隧道衬砌背后空洞的演化预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6529154B1 (en) * | 2000-03-16 | 2003-03-04 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Method and apparatus for reading two dimensional identification symbols using radar techniques |
CN103824088A (zh) * | 2014-01-23 | 2014-05-28 | 西安电子科技大学 | 基于多信息联合动态稀疏表示的sar目标变体识别方法 |
CN104809266A (zh) * | 2015-02-11 | 2015-07-29 | 山东科技大学 | 一种基于样条曲线的工作面煤层赋存情况精确预测方法 |
JP2018048862A (ja) * | 2016-09-20 | 2018-03-29 | 株式会社東芝 | レーダ信号処理装置、レーダ信号処理方法、およびレーダ信号処理プログラム |
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 |
CN108830331A (zh) * | 2018-06-22 | 2018-11-16 | 西安交通大学 | 一种基于全卷积网络的探地雷达目标检测方法 |
CN109685011A (zh) * | 2018-12-25 | 2019-04-26 | 北京华航无线电测量研究所 | 一种基于深度学习的地下管线检测识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7218267B1 (en) * | 2005-05-27 | 2007-05-15 | Weil Gary J | System of subterranean anomaly detection and repair using infrared thermography and ground penetrating radar |
-
2019
- 2019-09-18 CN CN201910880762.8A patent/CN110716199B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6529154B1 (en) * | 2000-03-16 | 2003-03-04 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Method and apparatus for reading two dimensional identification symbols using radar techniques |
CN103824088A (zh) * | 2014-01-23 | 2014-05-28 | 西安电子科技大学 | 基于多信息联合动态稀疏表示的sar目标变体识别方法 |
CN104809266A (zh) * | 2015-02-11 | 2015-07-29 | 山东科技大学 | 一种基于样条曲线的工作面煤层赋存情况精确预测方法 |
JP2018048862A (ja) * | 2016-09-20 | 2018-03-29 | 株式会社東芝 | レーダ信号処理装置、レーダ信号処理方法、およびレーダ信号処理プログラム |
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 |
CN108830331A (zh) * | 2018-06-22 | 2018-11-16 | 西安交通大学 | 一种基于全卷积网络的探地雷达目标检测方法 |
CN109685011A (zh) * | 2018-12-25 | 2019-04-26 | 北京华航无线电测量研究所 | 一种基于深度学习的地下管线检测识别方法 |
Non-Patent Citations (1)
Title |
---|
激光雷达图像分类的模式识别研究;郑利浩 等;《激光杂志》;第40卷(第2期);第137-140页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110716199A (zh) | 2020-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102521560B (zh) | 高鲁棒仪表指针图像识别方法 | |
CN110133639B (zh) | 一种传力杆施工质量检测方法 | |
CN110716199B (zh) | 用于计算机自动辨别多类型缺陷的地质雷达标记方法 | |
CN112149667B (zh) | 一种基于深度学习的指针式仪表的自动读数的方法 | |
CN106296635A (zh) | 一种荧光原位杂交(fish)图像并行处理与分析方法 | |
CN108301823B (zh) | 一种识别储层油气甜点的方法 | |
CN111025286B (zh) | 一种用于水损害检测的探地雷达图谱自适应选取方法 | |
CN109978872B (zh) | 基于白质纤维束的白质微结构特征筛选系统及方法 | |
CN106557751A (zh) | 一种带颜色指示信息的指针式压力表自动读数方法 | |
CN109116196B (zh) | 一种电力电缆故障放电声智能识别方法 | |
CN101738642A (zh) | 探地雷达数据处理方法 | |
CN112241711A (zh) | 一种从钻孔岩芯照片中识别rqd的智能方法 | |
CN111025285B (zh) | 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 | |
CN105807335A (zh) | 车辆底盘检查方法和系统 | |
CN108268527A (zh) | 一种检测土地利用类型变化的方法 | |
CN111062285A (zh) | 一种基于深度学习算法的停车场智能监控识别系统 | |
CN108680595B (zh) | 一种低场磁共振食用油种类检测方法 | |
CN111553345B (zh) | 基于Mask RCNN与正交线性回归实现仪表指针读数识别处理的方法 | |
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 | |
CN113030952A (zh) | 物探脉冲波数据的空间定位及增强配色的靶向定位方法 | |
CN115859081A (zh) | 一种管线的可视化探测方法及装置 | |
CN113065556B (zh) | 一种数字式仪表定位和数字识别方法、装置和计算机设备 | |
CN114973017A (zh) | 融合遥感及gis技术的输变电设备高精度定位方法及系统 | |
CN108955560B (zh) | 一种槭属种子形态测定及分析方法 | |
CN109162650A (zh) | 一种带有自动识别标记的采油工具及其计量方法 |
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 |