CN111382806A - 基于图像特征的类砌体危岩体安全评价方法及装置 - Google Patents
基于图像特征的类砌体危岩体安全评价方法及装置 Download PDFInfo
- Publication number
- CN111382806A CN111382806A CN202010303352.XA CN202010303352A CN111382806A CN 111382806 A CN111382806 A CN 111382806A CN 202010303352 A CN202010303352 A CN 202010303352A CN 111382806 A CN111382806 A CN 111382806A
- Authority
- CN
- China
- Prior art keywords
- rock mass
- brickwork
- dangerous rock
- safety
- masonry
- 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
- 239000011435 rock Substances 0.000 title claims abstract description 107
- 238000011156 evaluation Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 239000002245 particle Substances 0.000 claims abstract description 8
- 239000011148 porous material Substances 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 14
- 238000005516 engineering process Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 9
- 238000004445 quantitative analysis Methods 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 6
- 230000010365 information processing Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012850 discrimination method Methods 0.000 claims 1
- 230000002265 prevention Effects 0.000 abstract 1
- 235000019738 Limestone Nutrition 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000006028 limestone Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000446313 Lamella Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- E—FIXED CONSTRUCTIONS
- E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
- E02D—FOUNDATIONS; EXCAVATIONS; EMBANKMENTS; UNDERGROUND OR UNDERWATER STRUCTURES
- E02D17/00—Excavations; Bordering of excavations; Making embankments
- E02D17/20—Securing of slopes or inclines
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mining & Mineral Resources (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Paleontology (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Image Analysis (AREA)
Abstract
本发明公布了基于图像特征的类砌体危岩体安全评价方法及装置,其主要特征是:收集类砌体危岩体的图像,利用颗粒(孔隙)及裂隙图像识别与分析系统对其图像进行预处理,建立卷积神经网络模型并训练类砌体危岩体图像特征,识别类砌体危岩体的横向节理面倾角、纵向节理面倾角、节理网格分布密度、最小砌体高宽比和最大砌体高宽比的参数特征,对提取的特征数据集进行训练学习,根据训练学习之后的数据对类砌体危岩体进行安全性评价,最后输出评价结果。其装置主要包括:前期处理模式、中期工作模式和后期评价模式。本发明实施例能够体现该方法及装置的准确性和灵活性问题,能够为类砌体危岩体的评价预测和防治提供依据。
Description
技术领域
本发明是基于图像特征的类砌体危岩体安全评价方法及装置,涉及类砌体危岩体稳定性安全评价和卷积神经网络技术的运用等相关领域。
背景技术
危岩是指由多组岩体结构面切割并位于陡崖或陡坡上稳定性较差的岩石块体及其组合,其破坏具有突发性、致灾具有毁灭性。危岩是我国三峡库区和西部高山深谷区的公路边坡及斜坡带的主要地质灾害类型,具有分布面广、稳定性差、致灾严重等特点。
在长江三峡地区存在大量灰岩,在各种应力作用下灰岩普遍形成大小不一的块体结构,这种块体结构在形式上类似于很多块体堆积而成,定义这种灰岩块体结构为类砌体结构。岩体是包含完整岩石和贯穿岩石的软弱结构面的地质体,在漫长的地质历史过程中,岩体受断层、层面、节理、片理等结构面的切割,其在工程规模尺度下的物理力学性质与其他材料相比有着很大的不同,主要表现在岩体具有的非连续性、非均匀性和各向异性。一般将岩石工程影响范围内的岩体称为工程岩体,大多数的工程岩体在正常状态下是稳定的,但是在人类工程活动下就会失稳,引发各类事故,危害工程施工的安全,需要对工程岩体质量进行安全性评价,以便指导工程项目的选址和工程施工方案的设计,因此对基于图像特征的类砌体危岩体安全性评价方法的研究有重要意义。
近年来,数字图像处理技术有了长足的发展,出现了很多新理论和新算法,并且,人工智能的研究也得到了快速发展,特别是卷积神经网络技术在图像领域和特征提取的作用,使我们在研究类砌体危岩体安全性上面有了方向,在计算机飞速发展和海量数据的背景下,人们不断尝试用不同的方法来训练卷积神经网络,最后证明了卷积神经网络架构在特征提取问题上的潜力,在图像领域取得了重要突破。因此利用卷积神经网络模型进行图像处理和特征提取的突出优点,对类砌体危岩体的图像采用卷积神经网络技术进行安全性评价是可行的,并且可将这种技术发展成一种新型的评价方法。基于图像特征的类砌体危岩体安全性评价方法及装置是能够精准、快速获取类砌体危岩体安全质量评价结果的,其给工程中实际带来的效益是巨大的。
发明内容
本发明实施例采用基于图像特征的类砌体危岩体安全评价方法及装置,利用该方法及装置能够快速精准的对类砌体危岩体的安全性进行评价,能够建立满足工程需求的自适应卷积神经网络的分析处理模型,本发明提供的基于图像特征的类砌体危岩体安全评价方法及装置,包括:
1.其特征原理在于,包括:步骤一,收集类砌体危岩体的图像;步骤二,利用颗粒(孔隙)及裂隙图像识别与分析系统对类砌体危岩体图像进行预处理,如优化图像,使图像特征更加清晰;步骤三,利用卷积神经网络技术建立一种模型,训练类砌体危岩体的图像特征;步骤四,识别类砌体危岩体的横向节理面倾角、纵向节理面倾角、节理网格分布密度、最小砌体高宽比和最大砌体高宽比的参数特征,对提取的特征数据集进行训练学习;步骤五,根据训练学习之后的数据对类砌体危岩体进行安全性评价,最后输出评价结果;步骤六,为了能够定量的分析类砌体危岩体的各个参数特征对其的影响,可依据卷积神经网络建立起来的训练模型对各个参数特征的图像进行智能分析,最终可根据提取的各个参数数据评价待知的安全结果。
2.所述安全评价方法为:通过对类砌体危岩体进行图像的收集,将收集的图像利用颗粒(孔隙)及裂隙图像识别与分析系统进行预处理,将处理之后的图像进入卷积神经网络模型进行训练处理,识别类砌体危岩体的横向节理面倾角、纵向节理面倾角、节理网格分布密度、最小砌体高宽比和最大砌体高宽比的参数特征,对参数特征进行训练学习,根据训练学习之后的数据对类砌体危岩体进行安全性评价,最后输出评价结果。
3.所述安全评价方法为:收集类砌体危岩体的图像,利用颗粒(孔隙)及裂隙图像识别与分析系统对类砌体危岩体图像进行预处理,如优化图像,使图像特征更加清晰,利用卷积神经网络技术建立一种模型,训练类砌体危岩体的图像特征,识别类砌体危岩体的横向节理面倾角、纵向节理面倾角、节理网格分布密度、最小砌体高宽比和最大砌体高宽比的参数特征,并对提取的特征数据集进行训练学习,根据训练学习之后的数据对类砌体危岩体进行安全性评价,最后输出评价结果,另外,为了能够定量评价类砌体危岩体的安全质量,可依据卷积神经网络建立起来的训练模型对各参数特征的图像进行智能分析,最终可根据提取的各参数数据评价待知的安全结果。
4.所述安全评价装置主要包括:前期处理模式、中期工作模式、后期评价模式;前期处理模式,此模式装置进行前期的处理,即对通过各种途径收集的类砌体危岩体的图像进行预处理及相关工作;中期工作模式,此模式装置将会根据用户发出的指令,利用建立起来的卷积神经网络模型对类砌体危岩体图像进行训练处理等工作,识别类砌体危岩体的横向节理面倾角、纵向节理面倾角、节理网格分布密度、最小砌体高宽比和最大砌体高宽比的参数特征;后期评价模式,此模式装置进行最后的数据统计计算和安全评价,也可根据不同的参数特征定量评价类砌体危岩体的安全质量。
5.所述安全评价装置还包括:输送模块,此模块的作用是将收集到的类砌体危岩体的图像输入到装置中;预处理模块,对其图像进行优化处理,使图像信息能够更加的清晰;信息处理模块,利用建立起来的卷积神经网络模型对类砌体危岩体图像进行训练处理等工作;提取模块,此模块用于识别提取类砌体危岩体的横向节理面倾角、纵向节理面倾角、节理网格分布密度、最小砌体高宽比和最大砌体高宽比的参数特征;数据分析模块,分析类砌体危岩体的各参数特征数据;定量分析模块,用户用于定量分析类砌体危岩各参数特征对其的影响,从而对其进行安全性评价;输出模块,将安全性评价结果通过该装置输出;安全模块,保障装置在使用期间安全有序的进行。
6.所述装置还包括:前期处理模式中包含了输送模块、预处理模块和安全模块;中期工作模式中包含了信息处理模块、提取模块、数据分析模块和安全模块;后期评价模块中包含了定量分析模块、输出模块和安全模块。
附图说明
图1为本发明原理流程图;
图2为本发明装置各模式流程图;
图3为本发明装置前期处理模式详细图;
图4为本发明装置中期工作详细图;
图5为本发明装置后期评价详细图;
图6为本发明装置总体工作流程图;
具体实施方式
本发明实施例提供了基于图像特征的类砌体危岩体安全评价方法及装置的实施过程,该实施例是基于类砌体危岩体的图像特征,利用卷积神经网络技术提取和计算其横向节理面倾角、纵向节理面倾角、节理网格分布密度、最小砌体高宽比和最大砌体高宽比的参数数据进行训练学习,最后通过对其各个参数特征的数据分析而进行安全评价,说明了该方法在对类砌体危岩体安全性方面的准确性和快速性的问题。为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白,以下对本发明进行进一步详细说明:
首先请参阅图1,根据本发明所用的原理,用户通过收集类砌体危岩体的图像,将收集的类砌体危岩体图像通过颗粒(孔隙)及裂隙图像识别与分析系统进行预处理,然后利用卷积神经网络技术建立一种模型,训练类砌体危岩体的图像特征,识别类砌体危岩体的横向节理面倾角、纵向节理面倾角、节理网格分布密度、最小砌体高宽比和最大砌体高宽比的参数特征,对提取的特征数据集进行训练学习,最后用户可根据训练学习之后的数据对类砌体危岩体进行安全性评价,最后输出评价结果,另外,为了用户还可以能够定量评价类砌体危岩体的安全质量,可依据卷积神经网络建立起来的训练模型对各参数特征的图像进行智能分析,最终可根据提取的各参数数据评价待知的安全结果。
下面对本发明中的基于图像特征的类砌体危岩体安全评价装置实施例进行详细描述:
该装置各模式流程图请参阅2,装置刚开始启动前期处理模式,此模式装置进行前期的处理,即对通过各种途径收集的类砌体危岩体的图像进行预处理及相关工作;当前期处理模式将要完成时自动启动中期工作模式,此模式装置将会根据用户发出的指令,利用建立起来的卷积神经网络模型对类砌体危岩体图像进行训练处理等工作,识别类砌体危岩体的横向节理面倾角、纵向节理面倾角、节理网格分布密度、最小砌体高宽比和最大砌体高宽比的参数特征;最后将会运行后期评价模式,此模式装置进行最后的数据统计计算和安全评价,也可根据不同的参数特征定量评价类砌体危岩体的安全质量。
图3为前期处理模式的详细图,前期处理模式启动时随之以下模块开始运行:输送模块,此模块的作用是将收集到的类砌体危岩体的图像输入到装置中;预处理模块,对其图像进行优化处理,使图像信息能够更加的清晰;安全模块,保障装置在使用期间安全有序的进行。
图4为中期工作模式详细图,中期工作模式启动时随之以下模块开始运行:信息处理模块,利用建立起来的卷积神经网络模型对类砌体危岩体图像进行训练处理等工作;提取模块,此模块用于识别提取类砌体危岩体的横向节理面倾角、纵向节理面倾角、节理网格分布密度、最小砌体高宽比和最大砌体高宽比的参数特征;数据分析模块,分析类砌体危岩体的各参数特征数据;安全模块,保障装置在使用期间安全有序的进行。
图5为后期评价模式详细图,后期评价模式启动时输出模块和安全模块开始运行:输出模块,由分析之后的各参数特征数据得出安全性评价结果并通过该装置输出;安全模块,保障整个装置在使用期间安全有序的进行;定量分析模块,用户用于定量分析类砌体危岩体各参数特征对其的影响,从而对其进行安全性评价,当进行定量分析时此模块需手动启动。
本发明为基于图像特征的类砌体危岩体安全评价方法及装置,该装置总体工作流程图请参阅图6,前期处理模式中包含了输送模块、预处理模块和安全模块;中期工作模式中包含了信息处理模块、提取模块、数据分析模块和安全模块;后期评价模块中包含了定量分析模块、输出模块和安全模块。
综上,本发明提供的基于图像特征的类砌体危岩体安全评价方法及装置具有以下优点:得到的结果准确性高,另外这一安全评价方法具备完善的使用功能,经过前、中、后期的相关运算及处理,可更为方便和高效的得出安全评价结果。
Claims (6)
1.基于图像特征的类砌体危岩体安全评价方法及装置,其特征在于,包括:
步骤一,收集类砌体危岩体的图像;
步骤二,利用颗粒(孔隙)及裂隙图像识别与分析系统对类砌体危岩体图像进行预处理,如优化图像,使图像特征更加清晰;
步骤三,利用卷积神经网络技术建立一种模型,训练类砌体危岩体的图像特征;
步骤四,识别类砌体危岩体的横向节理面倾角、纵向节理面倾角、节理网格分布密度、最小砌体高宽比和最大砌体高宽比的参数特征,对提取的特征数据集进行训练学习;
步骤五,根据训练学习之后的数据对类砌体危岩体进行安全性评价,最后输出评价结果;
步骤六,为了能够定量的分析类砌体危岩体各个参数特征对其的影响,可依据卷积神经网络建立起来的训练模型对各个参数特征的图像进行智能分析,最终可根据提取的各个参数数据评价待知的安全结果;
其装置主要包括:前期处理模式、中期工作模式和后期评价模式。
2.根据权利要求1所述的安全评价方法及装置,其特征在于,所述方法为:通过对类砌体危岩体进行图像的收集,将收集的图像利用颗粒(孔隙)及裂隙图像识别与分析系统进行预处理,将处理之后的图像输送到卷积神经网络模型进行训练处理,识别类砌体危岩体的横向节理面倾角、纵向节理面倾角、节理网格分布密度、最小砌体高宽比和最大砌体高宽比的参数特征,对这些参数特征进行训练学习,根据训练学习之后的数据对类砌体危岩体进行安全性评价,最后输出评价结果。
3.根据权利要求1所述的安全评价方法,其特征在于,所述方法为:收集类砌体危岩体的图像,利用颗粒(孔隙)及裂隙图像识别与分析系统对类砌体危岩体图像进行预处理,如优化图像,使图像特征更加清晰,利用卷积神经网络技术建立一种模型,训练类砌体危岩体的图像特征,识别类砌体危岩体的横向节理面倾角、纵向节理面倾角、节理网格分布密度、最小砌体高宽比和最大砌体高宽比的参数特征,对提取的特征数据集进行训练学习,根据训练学习之后的数据对类砌体危岩体进行安全性评价,最后输出评价结果,另外,为了能够定量评价类砌体危岩体的安全质量,可依据卷积神经网络建立起来的训练模型对各参数特征的图像进行智能分析,最终可根据提取的各参数数据评价待知的安全结果。
4.根据权利要求1所述的判别方法及装置,其特征在于,所述评价装置包括:前期处理模式,此模式装置进行前期的处理,即对通过各种途径收集的类砌体危岩体的图像进行预处理及相关工作;中期工作模式,此模式装置将会根据用户发出的指令,利用建立起来的卷积神经网络模型对类砌体危岩体图像进行训练处理等工作,识别类砌体危岩体的横向节理面倾角、纵向节理面倾角、节理网格分布密度、最小砌体高宽比和最大砌体高宽比的参数特征;后期评价模式,此模式装置进行最后的数据统计计算和安全评价,也可根据不同的参数特征定量评价类砌体危岩体的安全质量。
5.根据权利要求4所述的装置,其特征在于,所述装置还包括:输送模块,此模块的作用是将收集到的类砌体危岩体的图像输入到装置中;预处理模块,对其图像进行优化处理,使图像信息能够更加的清晰;信息处理模块,利用建立起来的卷积神经网络模型对类砌体危岩体图像进行训练处理等工作;提取模块,此模块用于识别提取类砌体危岩体的横向节理面倾角、纵向节理面倾角、节理网格分布密度、最小砌体高宽比和最大砌体高宽比的参数特征;数据分析模块,分析类砌体危岩体的各参数特征数据;定量分析模块,用户用于定量分析类砌体危岩体各参数特征对其的影响,从而对其进行安全性评价;输出模块,将安全性评价结果通过该装置输出;安全模块,保障整个装置在使用期间安全有序的进行。
6.根据权利要求4所述的装置,其特征在于,所述装置为:前期处理模式中包含了输送模块、预处理模块和安全模块;中期工作模式中包含了信息处理模块、提取模块、数据分析模块和安全模块;后期评价模块中包含了定量分析模块、输出模块和安全模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010303352.XA CN111382806A (zh) | 2020-04-17 | 2020-04-17 | 基于图像特征的类砌体危岩体安全评价方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010303352.XA CN111382806A (zh) | 2020-04-17 | 2020-04-17 | 基于图像特征的类砌体危岩体安全评价方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111382806A true CN111382806A (zh) | 2020-07-07 |
Family
ID=71215841
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010303352.XA Pending CN111382806A (zh) | 2020-04-17 | 2020-04-17 | 基于图像特征的类砌体危岩体安全评价方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111382806A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109211137A (zh) * | 2018-09-11 | 2019-01-15 | 华东交通大学 | 一种快速识别隧道掌子面岩性的装置及方法 |
CN110866318A (zh) * | 2019-12-30 | 2020-03-06 | 桂林理工大学 | 一种基于深度学习技术的危岩失稳模式判别方法及装置 |
-
2020
- 2020-04-17 CN CN202010303352.XA patent/CN111382806A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109211137A (zh) * | 2018-09-11 | 2019-01-15 | 华东交通大学 | 一种快速识别隧道掌子面岩性的装置及方法 |
CN110866318A (zh) * | 2019-12-30 | 2020-03-06 | 桂林理工大学 | 一种基于深度学习技术的危岩失稳模式判别方法及装置 |
Non-Patent Citations (3)
Title |
---|
王贺等: "类砌体型危岩解体破坏模型试验", 2016年全国工程地质学术年会论文集, vol. 710, 13 October 2016 (2016-10-13) * |
王贺等: "类砌体型危岩解体破坏模型试验", 2016年全国工程地质学术年会论文集,第710-716页, 3 October 2016 (2016-10-03) * |
胡洪旺等: "基于BP神经网络的层状矿床采空区稳定性评价研究", 化工矿物与加工, 第60-63页, 20 March 2018 (2018-03-20) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114693615A (zh) | 一种基于域适应的深度学习混凝土桥梁裂缝实时检测方法 | |
CN110390669A (zh) | 一种桥梁图像中裂缝的检测方法 | |
CN103775071B (zh) | 采动煤岩体裂隙演化的测量方法 | |
CN114547721B (zh) | 深埋隧道局部区域差异定向断裂控制爆破方法 | |
CN104992429A (zh) | 一种基于图像局部增强的山体裂缝检测方法 | |
CN110866318A (zh) | 一种基于深度学习技术的危岩失稳模式判别方法及装置 | |
CN110852001A (zh) | 一种基于图像处理的桥梁结构安全评估方法 | |
Zhang et al. | Deep learning‐based automatic detection of muck types for earth pressure balance shield tunneling in soft ground | |
CN111222462A (zh) | 一种基于目标检测的表观特征监测数据智能标注方法 | |
CN114387328A (zh) | 基于深度学习模型和岩心图像的rqd计算方法 | |
CN112348014A (zh) | 基于机器视觉的隧道掌子面围岩级别快速识别方法 | |
CN111382806A (zh) | 基于图像特征的类砌体危岩体安全评价方法及装置 | |
KR102311558B1 (ko) | 인공지능을 이용한 구조물 손상 탐지 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체 | |
CN111382802A (zh) | 基于主控结构面参数识别的危岩稳定性判别方法及装置 | |
CN113344882A (zh) | 基于计算机视觉的矿下钻机钻杆计数方法 | |
CN112435332A (zh) | 一种基于ct三维重构的裂隙煤体细观数值建模方法 | |
CN111160490A (zh) | 一种基于多时间序列的深度学习危岩变形预测方法及装置 | |
Bao et al. | Characterizing construction equipment activities in long video sequences of earthmoving operations via kinematic features | |
CN109272039B (zh) | 一种基于无人机的水坝周边异常监测方法与装置 | |
CN111273352A (zh) | 地质构造智能检测方法、装置与电子设备 | |
CN115984286A (zh) | 基于合成模拟器和桥联神经网络的拱桥点云分割方法 | |
CN111368806B (zh) | 一种基于人工智能的工人施工状态监测方法 | |
Jayaraju et al. | A Deep Learning-Image Based Approach for Detecting Cracks in Buildings. | |
CN106777839A (zh) | 一种处于隧道施工最不利位置的建筑物破坏情景构建方法 | |
Prasetyo et al. | Application of Edge Detection Technique for Concrete Surface Crack Detection |
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 |