CN110926426B - 地铁盾构管片残余渣土体积实时检测装置及检测方法 - Google Patents
地铁盾构管片残余渣土体积实时检测装置及检测方法 Download PDFInfo
- Publication number
- CN110926426B CN110926426B CN201911221782.0A CN201911221782A CN110926426B CN 110926426 B CN110926426 B CN 110926426B CN 201911221782 A CN201911221782 A CN 201911221782A CN 110926426 B CN110926426 B CN 110926426B
- Authority
- CN
- China
- Prior art keywords
- muck
- residual
- residual muck
- real
- volume
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 238000011897 real-time detection Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 17
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 abstract description 7
- 238000005259 measurement Methods 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000000605 extraction Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 238000011176 pooling Methods 0.000 description 9
- 239000002689 soil Substances 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000005641 tunneling Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种地铁盾构管片残余渣土体积实时检测装置及检测方法，采用卷积神经网络对盾构机盾构过程中渣土车运送渣土掉落在管片上的残余渣土体积实时检测，并且能够记录其所在位置，使得测量具有更大的灵活性以及可操作性，能够有效地克服在现有技术下的人工计算残余渣土体积，标定残余渣土位置时的不准确性以及实时性差等问题，提高了工作效率，减少了检测时间，省时省力。本发明在工作过程中具有全自动化，机器设备随着渣土牵引车而移动，实时检测，具有很高的实时性，而且还避免了工人在恶劣的环境下工作。
Description
技术领域
本发明设计采用卷积神经网络的地铁盾构管片残余渣土体积实时检测设备与方法，属于机器视觉与工程机械领域
背景技术
地铁现在已经成为人们出行不可或缺的一种交通工具，越来越多的城市开始建设地铁，但是伴随地铁建设的过程中，盾构机盾构过程中产生的渣土会在装车时掉落在已经铺设好的管片表面，给之后的施工带来不便，影响施工进度，目前在地铁盾构隧道中处理参与渣土的传统方法依然是采用人工处理计量，这种方法不仅工作量大而且无法实现在盾构机掘进过程中进行实时检测，所以对残余在管片上的渣土进行位置确定以及体积测量对于改善工作条件，提高工作效率具有很大意义。
发明内容
本发明的目的是提供一种地铁盾构管片残余渣土体积实时检测装置及检测方法，可以用来检测盾构机盾构过程中渣土车运送渣土掉落在管片上的残余渣土体积，并且能够记录其所在位置。提高了工作效率，实时检测，减少了检测时间，省时省力。
本发明的技术方案具体如下：一种地铁盾构管片残余渣土体积实时检测装置，其特征是包括一台计算机，一个具有自清洁工能的单目相机与面结构光发射器集成体和轮式里程计处理器，整套装置安装在渣土牵引车前端，单目相机摄像头正对着隧道底部实时采集隧道管道底部图片，面结构光发射器将结构光投射到隧道管片底部，得到隧道底部到结构光发射部位的距离，轮式里程计处理器安装在整套设备箱体中，与安装在渣土牵引车车轮内侧的轮式里程计和计算机之间通过数据传输线连接，将轮式里程计传出的信号进行处理并且传输到计算机内存储起来。
一种地铁盾构管片残余渣土体积实时检测方法，其特征包含以下步骤：
(1)在渣土牵引车前端安装检测装置以便进行图像采集以及体积测量；
(2)随着渣土牵引车的移动单目相机采集隧道管片底部图像，并且将采集到的图像人工标记为有残余渣土和无残余渣土，对图像数据预处理；
(3)构建残余渣土识别网络并且训练该网络，将训练所得的具有残余渣土图像信息的权值保存在计算机中以便检测时调用；
(4)实际检测过程中，随着渣土牵引车的移动单目相机实时拍摄管片底部图片，将拍摄所得图片输入已训练好的网络，若输入图片符合存在计算机中的残余渣土图像信息的权值，则判断为有残余渣土，否则为无残余渣土；
(5)如果判断有残余渣土，则进行步骤(6)，若未识别到残余渣土，则进行步骤(4)重新进行图像的获取；
(6)进行残余渣土的点云预处理以及三维重构；
(7)快速计算残余渣土体积；
(8)残余渣土位置信息传输：轮式里程计处理器计算所得残余渣土在隧道中的具体位置，方便后续工作人员清理；
(9)将采集到的残余渣土位置信息以及体积信息存储在计算机中，在渣土车开出隧道口的时候，将信息通过无线网络传输到终端，以告知工作人员。
本发明的优点：本发明采用卷积神经网络对残余渣土体积做出实时检测，卷积神经网络可以自动检测出感兴趣的区域(即残余渣土所在区域)，将采集到的图像转化为相应的深度图，进而得到该区域的深度信息，由此自动对此区域进行体积测量。仅需要具有自清洁功能的单目摄像头与面结构光集成为一体的设备，从而使得测量具有更大的灵活性以及可操作性，能够有效地克服在现有技术下的人工计算残余渣土体积，标定残余渣土位置时的不准确性以及实时性差等问题，提高了工作效率，减少了检测时间，省时省力。本发明在工作过程中具有全自动化，机器设备随着渣土牵引车而移动，实时检测，具有很高的实时性，而且还避免了工人在恶劣的环境下工作。
附图说明
图1是本发明装置图。
图中：1-参考平面、2-残余渣土、3-单目相机与面结构光发射器集成体、4-单目相机、5-面结构光发射器、6-轮式里程计处理器、7-计算机、8-轮式里程计。
图2是管片残余渣土识别网络结构图。
图3是本发明方法流程图。
图4是特征提取网络模型。
图5是轮式里程计安装位置示意图。
具体实施方式
下面将结合附图对本发明内容进行详细说明。
盾构机在不断向前掘进的过程中，开挖出的渣土会进入压土仓，压土仓后侧有一螺旋排土器将压土仓中的渣土排出，最终通过传送带进入渣土车，在这个过程中渣土会掉落在已经铺设好的管片底部，对后续施工遭成不必要影响，将正常状态下的隧道管片底部的体积初设为零，检测计算之后的体积与正常状态下的体积之差即为所求体积。
本发明提出一种基于卷积神经网络的地铁盾构管片残余渣土体积实时检测方法
所述网络能够分析掉落在管片底部的残余渣土2，并且提取管片底部残余渣土特征，以这部分图像特征以及管片形状作为训练数据，训练一个三层的卷积神经网络，最终实现残余渣土的识别检测功能。
本发明具体工作流程图如图3所示：
步骤1、残余渣土图像信息获取装置安装。
图像检测装置安装的目的是为了实时获取隧道管片底部残余渣土的图像，图1为检测装置示意图，主要由一台计算机7，一个具有自清洁工能的单目相机4与面结构光发射器5集成体3，轮式里程计处理器6，参考平面1组成，整套装置安装在渣土牵引车前端，单目相机4摄像头正对着隧道底部，方便采集管道底部图片，面结构光发射器5将结构光投射到隧道管片底部，得到隧道底部到结构光发射部位的距离，单目相机4实时拍摄隧道底部图片。轮式里程计处理器6安装在整套设备箱体中，如图5所示，与安装在渣土牵引车车轮内侧的轮式里程计8和计算机7之间通过数据传输线连接，将轮式里程计传出的信号进行处理并且传输到计算机7内存储起来。
步骤2、残余渣土图像数据获取。
主要通过安装的单目相机4摄像头进行图像数据的获取。随着渣土牵引车的移动采集管道底部图片信息，本实施例中采集图片12000张，其中1000张作为训练图片供训练网络进行训练，2000张作为测试图片以测试网络训练结果。并且将采集到的图片进行人工标记，标记为有残余渣土和无残余渣土两种。
步骤3、残余渣土图像数据预处理。
由于卷积神经网络主要是用于图像的分类识别，所以这里的数据预处理指的是对摄像头拍摄图像进行图像数据操作，本实例主要是要识别出残余渣土并记录其所在位置。图像预处理的目的是为了消除摄像头采集图像中的无关信息，恢复有用的真实信息，增强有关信息的可检测性，在最大程度上简化数据，从而改进特征提取、图像分割、匹配和识别的可靠性。所以在这里为了将摄像头拍摄到的图像数据方便计算机进行提取，将图像数据进行归一化处理，即将原始数据进行线性变换，统一映射到[0,1]区间上，具体转换函数如下：
其中，max为样本数据的最大值，即图像的最大像素值；
min为样本数据的最小值，即图像的最小像素值；
x*为归一化后的样本数据值，即归一化后的像素值。
步骤4、构建残余渣土图像的特征提取网络模型。
本发明构建了地铁盾构管片残余渣土图像的特征提取网络模型，其结构图如图4所示。该特征提取网络主要由输入层以及中间层构成，中间层包括卷积层和池化层。输入层主要被用来读取残余渣土图像，中间层则用来保留对输入图像的特征进行提取运算的中间值。其中卷积层主要是用来提取不同图像中的相同信息(特征)，输入的图像矩阵以及后面的卷积核，特征图矩阵都是方阵；
池化层又称下采样层，主要是为了降低卷积层输出的尺寸，因为卷积层输出的数据相对来说消耗的计算资源比较大，所以经过池化层可以去除很多冗余的数据量。
步骤5、训练残余渣土图像特征提取网络以及计算出误差值E。
本实施例对所述的残余渣土图像特征提取网络进行训练，训练过程主要包括以下部分：
1)对上述特征提取网络进行权值的初始化
首先确定训练样本集合S，在本实施例中，其训练样本为经过步骤2和步骤3获取并且处理之后的残余渣土图像；确定训练周期为J、学习率为η，特征提取算法参数k，本实施例中J＝10000，学习率η＝0.001，特征提取算法参数k＝100；确定输入层和中间层参数，本实施例中输入层的输入为残余渣土图像，中间层为残余渣土图像与权值进行卷积运算后的中间值；初始化输入层偏置向量a，中间层偏置向量b和权值矩阵W，本实施例中
(pi表示训练样本中第i个特征处于激活状态的样本所占比例)，b为3通道全零数据，W为8×8的二维矩阵，输入通道为3，输出通道为64的正态截断随机数，其标准差为0.1。
这里主要采用适合ReLU激活函数的初始化方法：
其中，hi、wi分别表示卷积层中卷积核的高和宽，而di表示当前卷积核的个数。
2)输入的数据(即残余渣土图像)经过卷积层、池化层、全连接层的向前传播得到输出值。
卷积层的向前传播过程通过卷积核对输入残余渣土图像数据进行卷积操作，采集的图像数据在网络中，形成了局部感受野，然后对其进行卷积计算，即权值矩阵与图片的特征值进行加权和加上一个偏置值，然后经过ReLU激活函数得到输出；
其中，ReLU激活函数的函数公式如下：
f(x)＝max(0,x)
上一层(卷积层)提取的残余渣土图像特征作为输入传到池化层，通过池化层的池化操作，降低图像特征数据的维度，可以避免过拟合；
采集到的残余渣土图像作为输出进行卷积层和池化层的特征提取后，将提取出来的特征传到全连接层中，通过全连接层，进行分类，获得分类模型，得到最后结果。
当该网络输出的结果与我们的实际结果不相符的时候，此时需要进行反向传播，求出输出结果与实际结果之间的误差，再将误差一层一层的返回，计算出每一层的误差，然后进行权值更新。这一过程主要目的是通过训练样本与实际结果来调整网络权值(卷积核)。这个过程的实质就是：残余渣土图像数据从输入输入层到输出层期间经过了卷积层、池化层、全连接层，而图像数据在各层之间的传递过程难免会造成数据的损失，从而就到导致了误差的产生。而每一层造成的误差值是不一样的，所以我们需要求出网络的总误差，将此误差传入网络中，求出各层对于误差承担的比重。
比较计算出来的误差E与设定的最小误差允许值ε之间的大小，若E<ε则可执行测试网络进行残余渣土图像的识别，进而对残余体积的测量；若E>ε，则需要重新调整卷积核以及滑动步长，重新训练网络，直至误差小于或等于允许的最小误差允许ε，结束训练。
在这个过程中将训练所得的具有残土渣土图像信息的权值V保存在计算机中以便检测时调用。
步骤6、对残余渣土图像进行识别检测
如图2所示，摄像头跟随渣土牵引车运动实时捕捉管片底部画面，输入的每一帧图像经过步骤2和步骤3，直接将图像输入到训练好的残余渣土识别网络中，若输入图片的信息与存储在计算机的权值相匹配，则可以判断为有残余渣土，进行步骤7；否则进行步骤6重新进行图像的获取，并且进行检测。
步骤7、进行残余渣土的点云预处理以及三维重构。
本发明利用面结构光与单目摄像头获取残余渣土的的点云图，采用标准高斯滤波对点云数据中的大量的散列点、孤立点进行去噪；由于关键点的数量相比于点云或者图像的数据量要少很多，所以采用关键点提取算法进行关键点提取，而且不失代表性和描述性，该方法思路简单，计算运行速度快。
采用基于Delaunay三角剖分的四面体剖分大对散乱点云的凸包进行四面体剖分，然后采用最小二乘法得到各个散乱点的法向量，
由以下公式求得法向量。
其中Vx,Vy,Vz，分别表示测试点V在x,y,z方向上的值，测试点V的k近邻S＝{pi|i＝1,2,...k}，pix,piy,piz分别为k邻近点pi在x,y,z方向上的值，协方差矩阵CVM的最小特征值即为测试点处的法向量。
利用四面体顶点的法向量是否与四面体外接球相交来剔除外四面体，处理后得到精确的四面体结构，即三维重构，
步骤8、快速计算残余渣土体积。
由步骤7可知残余渣土的三维构造，从而计算出的体积V即为残余渣土体积V0。随着渣土牵引车的不断移动，不断重复步骤(2-8)计算出残余渣土体积。本发明采用行列式法计算体积，对于四面体顶点A(x1,y1,z1),B(x2,y2,z2),C(x3,y3,z3),D(x4,y4,z4)可得四面体体积V：
步骤9、有上述步骤可知，计算出残余渣土的体积之后需要精确地标定残余渣土所在位置，方便之后工人清理。
这里采用轮式里程计来测量残余渣土与索道口之间的距离L，由于每一环管片的宽度B是一定的，行业内规定每隔5环标定一次(例如：第五环标记为05，第十环标记为10)，由此我们就可以得知残余渣土所在的环数N，工人清理时就可以方便快捷的找到残余渣土所在位置，可以节省大量的时间。
计算公式如下：
其中，
表示向下取整符号，用于结果不是整数时进行向下取整。
步骤10、残余渣土位置信息传输。
由于在建的隧道中设施各方面不完善，信息传输存在问题，残余渣土位置信息无法时时传出，所以本发明采用轮式里程计处理器6来标定残余渣土所在位置信息，并且将位置信息储存在计算机7中，待到渣土牵引车驶出隧道计算机7则会通过WiFi自动将位置信息以及体积信息传输到终端服务器中，以便工作人员定点清理。其中，轮式里程计处理器6安装在整套设备箱体中，与轮式里程计8和计算机7之间通过数据传输线连接，将轮式里程计8传出的信号进行处理并且传输到计算机内存储起来。
上述具体实施方式只是来解释本发明，而不是仅仅局限于该实施方式，对于其他运用该方法的实例都在保护范围之内，例如城市垃圾车装载体积测量、以及测量路面的路面谱、或者凸起部分体积测量等都在本发明精神和权利要求的保护范围之内，对本发明做出的任何修改和改变，都落入本发明的保护范围。
Claims (1)
1.一种地铁盾构管片残余渣土体积实时检测方法，其特征是检测装置的检测方法包含以下步骤：
步骤（1）、在渣土牵引车前端安装检测装置以便进行图像采集；
所述检测装置包括一台计算机（7），一个具有自清洁工能的单目相机（4）与面结构光发射器（5）集成体（3）和轮式里程计处理器（6），整套装置安装在渣土牵引车前端，单目相机（4）摄像头正对着隧道底部实时采集隧道管道底部图片，面结构光发射器（5）将结构光投射到隧道管片底部，得到隧道底部到结构光发射部位的距离，轮式里程计处理器（6）安装在整套设备箱体中，与安装在渣土牵引车车轮内侧的轮式里程计（8）和计算机（7）之间通过数据传输线连接，将轮式里程计传出的信号进行处理并且传输到计算机（7）内存储起来；
步骤（2）、随着渣土牵引车的移动单目相机采集隧道管片底部图像，并且将采集到的图像人工标记为有残余渣土和无残余渣土；
步骤（3）、构建残余渣土识别网络并且训练该网络，将训练所得的具有残余渣土图像信息的权值保存在计算机中以便检测时调用；
步骤（4）、实际检测过程中，随着渣土牵引车的移动单目相机实时拍摄管片底部图片，将拍摄所得图片输入已训练好的网络，若输入图片符合存在计算机中的残余渣土图像信息的权值，则判断为有残余渣土，否则为无残余渣土；
步骤（5）、如果判断有残余渣土，则进行步骤（6），若未识别到残余渣土，则进行步骤（4）重新进行图像的获取；
步骤（6）、进行残余渣土的点云预处理以及三维重构；
步骤（7）、快速计算残余渣土体积；
步骤（8）、残余渣土位置信息传输：轮式里程计处理器计算所得残余渣土在隧道中的具体位置，方便后续工作人员清理；
步骤（9）、将采集到的残余渣土位置信息以及体积信息存储在计算机中，在渣土车开出隧道口的时候，将信息通过无线网络传输到终端，以告知工作人员。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911221782.0A CN110926426B (zh) | 2019-12-03 | 2019-12-03 | 地铁盾构管片残余渣土体积实时检测装置及检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911221782.0A CN110926426B (zh) | 2019-12-03 | 2019-12-03 | 地铁盾构管片残余渣土体积实时检测装置及检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110926426A CN110926426A (zh) | 2020-03-27 |
| CN110926426B true CN110926426B (zh) | 2021-08-27 |
Family
ID=69847294
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911221782.0A Active CN110926426B (zh) | 2019-12-03 | 2019-12-03 | 地铁盾构管片残余渣土体积实时检测装置及检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110926426B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112633090A (zh) * | 2020-12-11 | 2021-04-09 | 同济大学 | 机器人视觉的集中风系统内部霉菌与积尘辨识方法及应用 |
| CN113255990B (zh) * | 2021-05-21 | 2024-05-03 | 上海隧道工程有限公司 | 盾构法隧道施工开挖面土质实时预测系统及方法 |
| CN118067006B (zh) * | 2024-04-19 | 2024-07-09 | 中交隧道工程局有限公司 | 一种泥水盾构排渣体积动态检测方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102706279A (zh) * | 2012-06-19 | 2012-10-03 | 上海地铁盾构设备工程有限公司 | 基于断面扫描的盾构施工排土体积在线测量装置 |
| CN102707081A (zh) * | 2012-06-19 | 2012-10-03 | 上海地铁盾构设备工程有限公司 | 基于激光测速的盾构施工出土体积在线测量装置 |
| CN203008974U (zh) * | 2012-12-26 | 2013-06-19 | 南车资阳机车有限公司 | 一种盾构机出土量检测装置 |
| CN105783810B (zh) * | 2016-04-15 | 2018-06-15 | 昆山数字城市信息技术有限公司 | 基于无人机摄影技术的工程土方量测量方法 |
| CN106017320B (zh) * | 2016-05-30 | 2018-06-12 | 燕山大学 | 一种基于图像处理的散杂货堆体积测量方法及实现所述方法的系统 |
| CN106767710A (zh) * | 2016-12-22 | 2017-05-31 | 上海华测导航技术股份有限公司 | 一种道路工程土方量测量方法及系统 |
| CN106839977B (zh) * | 2016-12-23 | 2019-05-07 | 西安科技大学 | 基于光栅投影双目成像技术的盾构渣土体积实时测量方法 |
-
2019
- 2019-12-03 CN CN201911221782.0A patent/CN110926426B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110926426A (zh) | 2020-03-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110926426B (zh) | 地铁盾构管片残余渣土体积实时检测装置及检测方法 | |
| Jiang et al. | Real‐time crack assessment using deep neural networks with wall‐climbing unmanned aerial system | |
| Chen et al. | Applicability of personal laser scanning in forestry inventory | |
| CN108197610A (zh) | 一种基于深度学习的轨道异物检测系统 | |
| CN107314741A (zh) | 货物体积测量方法 | |
| CN106295505A (zh) | 路面使用过程中的状态测定系统 | |
| CN104005325A (zh) | 基于深度和灰度图像的路面裂缝检测装置和方法 | |
| CN104766320A (zh) | 阈值化量测下的多伯努利滤波弱目标检测与跟踪方法 | |
| CN110849882B (zh) | 一种用于识别、定位、检测管道焊缝的设备及方法 | |
| CN103262121A (zh) | 移动物体的检测和跟踪 | |
| CN116448773B (zh) | 一种图像-振动特征融合的路面病害检测方法及系统 | |
| CN108681337B (zh) | 一种涵洞或桥梁专用巡查无人机及无人机巡查方法 | |
| CN111783638A (zh) | 一种检测车辆轮轴数及车型识别的系统、方法 | |
| CN112731440A (zh) | 高速铁路边坡形变检测方法及装置 | |
| CN106996748A (zh) | 一种基于双目视觉的轮径测量方法 | |
| US10066346B2 (en) | Point cloud based surface construction | |
| CN112184707A (zh) | 基于点云数据的渣土车土石方装载判断方法以及判断系统 | |
| CN115482195A (zh) | 一种基于三维点云的列车部件变形检测方法 | |
| CN115015911A (zh) | 一种基于雷达图像的导航地图制作和使用方法及系统 | |
| CN114971166A (zh) | 一种轻量化道路路面服务质量巡检系统 | |
| CN117288094A (zh) | 基于激光传感器的掘进机实时定位系统 | |
| CN111950478B (zh) | 一种动态平板秤称重区域汽车s型行驶行为检测方法 | |
| CN107341808B (zh) | 基于车辙图像的模拟月壤硬度视觉检测系统及测量方法 | |
| CN101021948A (zh) | 人体对称性运动图像中关节的自动识别装置及方法 | |
| Li et al. | Road Damage Evaluation via Stereo Camera and Deep Learning Neural Network |
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 |