CN111626358B - 一种基于bim图片识别的隧道围岩分级方法 - Google Patents
一种基于bim图片识别的隧道围岩分级方法 Download PDFInfo
- Publication number
- CN111626358B CN111626358B CN202010463681.0A CN202010463681A CN111626358B CN 111626358 B CN111626358 B CN 111626358B CN 202010463681 A CN202010463681 A CN 202010463681A CN 111626358 B CN111626358 B CN 111626358B
- Authority
- CN
- China
- Prior art keywords
- surrounding rock
- information
- bim
- evaluation
- image
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Graphics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于BIM图片识别的隧道围岩分级方法,包括以下步骤:获取围岩施工断面的图像,并存入BIM平台;对所述图像进行识别处理,得到地质素描图;并从所述地质素描图中分别提取围岩信息,以每个断面的围岩信息作为输入,评价等级作为输出,形成学习样本;对多个学习样本采取有放回的抽样方式进行抽取,建立并行评价模型组。所述分级信息及分级结果采用IFC拓展的形式存储为BIM属性信息。本发明基于BIM采用图片识别的方式对当前开挖的施工断面的围岩信息进行提取,进行工程地质环境的动态评价,并通过BIM进行评价结果展示与施工方案推荐,有利于施工方案的针对性调整,在保证施工安全的情况下最大限度节省施工成本、缩短建设周期。
Description
技术领域
本发明涉及隧道围岩分级技术领域,尤其涉及一种基于BIM图片识别的隧道围岩分级方法。
背景技术
隧道建设过程中,所处地质环境具有一定的随机性。施工前期地质勘查得到的岩体质量评价结果是较为模糊的,无法满足工程需求。
现有技术将机器学习方法引入至隧道围岩分级过程中,但是这些研究的分级指标来源仍采用人工读取数据的方式实现,准确性不足。另一方面,现有的机器学习方法所建立的围岩分级模型是隐式的、非线性的,未考虑各分级指标之间的差异及各指标对分级结果的影响程度,所得分级结果的准确性是模糊的,需一种考虑各评价指标影响程度的围岩分级评价方法。
发明内容
本发明提供一种基于BIM图片识别的隧道围岩分级方法,以克服上述技术问题。
本发明提供一种基于BIM图片识别的隧道围岩分级方法,其特征在于,包括:以下步骤:
S1:获取围岩施工断面的图像,并存入BIM平台;
S2:对所述图像进行处理,得到所述图像地质素描图;并从所述地质素描图中提取围岩信息,所述围岩信息以IFC拓展的形式存储于BIM中;
S3:以所述围岩信息作为输入,围岩等级作为输出,形成学习样本;对多个学习样本采取有放回的抽样方式进行N次抽取,得到多个训练样本,所述多个训练样本组成的第一评价模型组;
S4:对所述评价第一模型组中每个训练样本中的围岩信息进行n(n≥2)次随机抽取,每次抽取m(m<<M)个参数,M为围岩信息数量,得到n个第二评价模型组;
S5:确定所述第二评价模型组的第一最重要信息,所述最重要信息为围岩信息中的一个;保持所述第一最重要信息不变,对所述第二评价模型组中除所述第一最重要信息意外的其他围岩信息进行n次随机抽取,每次抽取m-1个参数,得到n个第三评价模型组;确定所述第三评价模型组的第二最重要信息;重复上述步骤,直至相邻的两个最重要信息相同;将最后一个最重要信息所在的评价模型组作为最终模型评价模型组;
S6:根据所述第一评价模型组和第二评价模型组进行基于BIM平台的隧道围岩级别自动评价,评价信息来源于BIM平台中的隧道模型,评价结果通过隧道BIM模型进行模型化表达,并根据围岩级别计算结果对隧道模型进行颜色渲染以表达当前区域的围岩级别,并根据围岩级别给出基于BIM的隧道施工方法。
进一步地,所述S3中,对多个学习样本采取有放回的抽样方式进行抽取后,未被抽取的样本作为检验样本。
进一步地,所述S4中通过所述检验样本检验及信息增益方法确定所述第二模型评价组的最重要信息。
进一步地,所述S1中所述图像处理,包括灰度变化处理、直方图均衡化处理、锐化处理、边缘检测处理和直线检测处理;对处理后的图片采用对比度分析和线性统计方法获得围岩分级结果。
本发明基于BIM及图片识别的方式对当前开挖的围岩施工断面的围岩信息进行提取,并进行工程地质环境的动态评价,有利于施工方案的针对性调整,在保证施工安全的情况下最大限度节省施工成本、缩短建设周期。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的流程图;
图2为本发明实施例中实现本发明方法的系统流程图;
图3为本发明实施例获得最终模型评价模型组的流程图;
图4为本发明从隧道围岩施工断面图像中获取围岩信息流程图;
图5为本发明实施例围岩施工断面图像;
图6为本发明实施例围岩施工断面图像进行灰度变化处理后的图像;
图7为本发明实施例围岩施工断面图像进行直方图均衡化处理后的图像;
图8为本发明实施例围岩施工断面图像进行拉普拉斯锐化后的图像;
图9为本发明实施例围岩施工断面图像进行边缘检测后的图像;
图10为本发明实施例通过IFC存储标准将围岩施工断面图像存储与BIM中示意图;
图11为本发明实施例围岩级别评价结果的BIM表达示意图;
图12为本发明实施例基于围岩级别为Ⅴ级的施推荐工隧道采用的双侧壁导坑施工方法;
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
现有的围岩分级评价方法多为抽象的公式评价计算,计算的数据来源是枯燥的文本数据,计算的结果是简单的围岩级别数字,显然这是极其不利于工程信息交流及围岩分级结果的直观、有效表达的。几年来逐渐发展的BIM技术能够有效提升岩土工程的可视化、信息化、数字化程度,但是当前已有的BIM技术多用于房屋建筑领域,尚未形成适用于隧道工程的具体信息存储规范。
为解决现有技术存在的不足,本发明提出了一种隧道围岩分级信息的BIM方法,拓展了隧道工程围岩分级的BIM存储标准,开发了一种具有施工断面照片信息识别、围岩级别多模型并行评价等功能的BIM分级方法,实现了工程建设过程中岩体级别的准确、快速评价。
本发明提供一种基于BIM图片识别的隧道围岩分级方法,如图1所示,包括以下步骤:
S1:获取围岩施工断面的图像,并存入BIM平台,图片拍摄范围应覆盖隧道施工面全部,拍摄距离为掌子面前方3~4米;存入BIM平台具体方法为,在IFC中写入指定的图片标号代码,对应图片数据库中相应的掌子面照片,实现BIM信息与掌子面照片的关联。
S2:对所述图像进行处理,得到所述图像地质素描图;并从所述第一时刻图像的地质素描图,从所述地质素描图中提取围岩信息,所述围岩信息包括:节理倾角、节理密度、裂隙开度和地下水发育,并采集岩体点荷载强度,所述岩体点荷载强度为围岩信息;所述围岩信息以IFC拓展的形式存储于BIM中;具体IFC信息拓展如表1所示。
表1
S3:以所述围岩信息作为输入,围岩等级作为输出,形成学习样本;对多个学习样本采取有放回的抽样方式进行N次抽取,得到多个训练样本,所述多个训练样本组成的第一评价模型组;
S4:对所述评价第一模型组中每个训练样本中的围岩信息进行n(n≥2)次随机抽取,每次抽取m(m<<M)个参数,M为围岩信息数量,得到n个第二评价模型组;
S5:确定所述第二评价模型组的第一最重要信息,所述最重要信息为围岩信息中的一个;保持所述第一最重要信息不变,对所述第二评价模型组中除所述第一最重要信息意外的其他围岩信息进行n次随机抽取,每次抽取m-1个参数,得到n个第三评价模型组;确定所述第三评价模型组的第二最重要信息;重复上述步骤,直至相邻的两个最重要信息相同;将最后一个最重要信息所在的评价模型组作为最终模型评价模型组;
S6:根据所述第一评价模型组和第二评价模型组进行基于BIM平台的隧道围岩级别自动评价,评价信息来源于BIM平台中的隧道模型,评价结果通过隧道BIM模型进行模型化表达,并根据围岩级别计算结果对隧道模型进行颜色渲染以表达当前区域的围岩级别,并根据围岩级别给出基于BIM的隧道施工方法。
根据图片处理结果采用对比度分析和线性统计获得围岩分级参数。从图片中提取围岩信息的具体方法为:图片识别后得到线性分布图,图中各线段即为所需的围岩节理。通过现有的图片识别技术识别某线段与水平线之间的夹角获得该节理的节理倾角,依次统计所有线段的倾角后取均值,获得当前照片反映的平均节理倾角参数;通过程序识别统计图中全部线段数量,计算其与图片面积的比值获得节理密度参数;通过程序识别线段粗细获得单一裂隙开度依次统计所有线段的粗细后取均值,获得当前照片反映的平均裂隙开度参数;通过程序进行图片对比度分析识别水流分布情况获得地下水发育情况参数;人工测量获得岩体点荷载强度。
进一步地,所述S3中,对多个学习样本采取有放回的抽样方式进行抽取后,未被抽取的样本作为检验样本。
进一步地,所述S4中通过所述检验样本检验及信息增益方法确定所述第二模型评价组的最重要信息。
进一步地,所述S2中所述图像处理,包括灰度变化处理、直方图均衡化处理、锐化处理、边缘检测处理和直线检测处理;对处理后的图片采用对比度分析和线性统计方法获得围岩分级结果。
如图2所示,通过IFC存储标准将所述图像和第二时刻图像存储于BIM中图片数据库,BIM平台包括图片信息识别单元和评价单元,并通过图片信息识别单元对所述图像进行围岩信息识别,将围岩信息通过评价单元进行评价得到围岩分级结果,围岩分级结果实时存储于评价结果存储单元,同时将围岩分级结果通过围岩分级可视单元进行展示。
具体而言,如图10所示,通过IFC存储标准将所述图像存储于BIM中,对存储在BIM中的图像进行灰度变化处理,由于原图像受光照等一系列外界因素影响,所以需将原图像先进行灰度处理,使其提供更直观的信息,并为下一步图像处理做准备。这个步骤的本质在于对原图片的RGB色彩空间按原有的配置比例进行像素数据的重构,通过黑白基本色对图片的信息进行直接表达。
如图5-9所示,将源图像转换成灰度图像之后,由于图像可能会由于某些颜色出现概率过高,导致对比度范围过大而无法处理,所以要扩大图像的动态范围,即对灰度图像进行对比受限的直方图均衡化处理,目的是使图像的对比度、灰度、清晰度得到提升。采用基于YUV空间的Y分量均衡法,基本步骤是将输入的RGB图像转换到YUV空间,对Y分量即亮度通道进行直方图均衡化,再转换回RGB图像。
为了进一步突出显示图像的边界和信息,如图4所示,采用高斯平滑拉普拉斯锐化的方法对图片进行处理,目的在于增强图片的明暗对比,即通过某个像素和邻域范围内的像素值的关系重新定义该像素,使亮者更亮,暗者更暗。其中,拉普拉斯算子为二阶算子,能够很好的识别并加强边界信息。
图像锐化之后要对图像采用Canny算子进行边缘检测,通过Canny算子检测图像中重要的、突出的线条和轮廓等,又去掉了那些过于细节的边缘,使图片的节理信息更加容易捕捉。将图像边缘检测之后得到的是一些离散的点,效果为一些曲线段,难以统计,所以为了方便统计和获取更详细的掌握图像的特征,要对图像通过Hought变换进行直线检测。
图片识别后,得到线性分布图。图中各线段即为所需的围岩节理。通过识别某线段与水平线之间的夹角获得该节理的节理倾角,依次统计所有线段的倾角后取均值,获得当前照片反映的平均节理倾角参数;通过识别统计图中全部线段数量,结合图片面积计算节理密度参数;通过识别线段粗细获得单一裂隙开度依次统计所有线段的粗细后取均值,获得当前照片反映的平均裂隙开度参数;通过图片对比度分析水流状态获得地下水发育参数。通过人工测量的方式获得岩体点荷载强度。
如图3所示,首先进行样本统计:记某断面围岩节理倾角为a、节理密度为b、裂隙开度为c、岩体点荷载强度d、地下水发育情况为f,与之对应的该断面围岩级别为y。那么第一个断面的采样结果为:[a1,b1,c1,d1,e1]→[y1],以此类推,重复上述采集过程N=10次即采集10个不同断面的围岩信息,获得学习样本矩阵如下:
对于已有的10个样本,采取有放回抽样的形式抽取10个样本如下:
可见,矩阵(2)与矩阵(1)的差别在于矩阵(2)中有重复的样本,这是被允许的。某样本在N次抽样过程中始终不被抽中的概率是极限状态下/>即存在约37%的样本始终不被抽中、不属于多模型并行评价体系中的任何评价模型,记这些样本为检验样本。
重复这个抽样过程Mt=5次,获得5个矩阵,此处以上述的矩阵(2)为例。需要说明的是,在对5个矩阵的抽样过程中,样本[a4,b4,c4,d4,e4]→[y4]、[a5,b5,c5,d5,e5]→[y5]、[a9,b9,c9,d9,e9]→[y9]始终未被抽取,将这三个样本作为检验样本组:
此处Mt=5个矩阵组形成了5个评价模型的基础,共同做成评价模型组。以下为评价模型组的具体建立过程。
从矩阵(1)可知输入维度M=5。以m为控制值进行参数选取,需满足m<<M,此处m取值为4。
连续两次对矩阵(2)中的5个参数随机选取m个,形成新的矩阵如下所示:
通过检验样本验证、采用信息增益方法确定矩阵(2-1)表达的函数关系中最重要的信息为d。
所述信息增益方法是指依次删除矩阵(2-1)中的输入项,在删除某一项后,采用检验样本验证当前模型,即矩阵(2-1)表达的映射模型的预测能力,若预测能力变化较大则意味着被删除项重要性较高,反之则不重要。根据预测能力变化情况确定最重要信息。即当某个信息被删除时,模型预测能力变化最大,则这个信息为最重要信息;所述第一重要信息及第二重要信息均通过此方法得到。
对矩阵(2-1)保持岩体点荷载强度d不变,随机选取m-1个参数形成子类矩阵,并重复两次:
记为矩阵(2-11)与矩阵(2-12),通过检验样本验证、采用信息增益方法确定矩阵(2-11)和矩阵(2-12)各自的最重要的信息。若矩阵(2-11)中最重要信息仍为d,那么矩阵(2-1)的分裂结束,对矩阵(2-2)重复相同的过程;若矩阵(2-11)或矩阵(2-12)中最重要信息不为d,那么将两个矩阵各自再分裂成两个,然后再进行最重要信息判断,不断重复分裂过程,直至末端节点与上一级节点最重要信息相同。
对5个矩阵重复上述过程,获得各模型的评价组。记为Y=h(X,θij),其中Y为预测输出;X为预测输入且X=(x1,x2,...,xm);θij表示当前分支模型代表了第i棵树的第j个分支。在各主要终端节点处获得相对于本模型的最优预测结果。统计多模型并行评价体系中所有单一模型的预测结果,取均值作为最终预测结果,如图11所示为围岩级别评价结果的BIM表达示意图。若得到该断面属于Ⅴ级围岩的结论,给出的隧道施工方案BIM推荐如图12所示,根据分级结果建议采用双侧壁导坑法施工,对仰拱采用拱架支护。
以福建省莆炎高速公路YA15标段乐善亭隧道YK214+281断面为例进行本发明实施例介绍。该断面掌子面照片获取及处理过程如图5-9所示,得到围岩节理倾角为27°、节理密度69(条/m2)、裂隙开度0.011(m)、岩体点荷载强度测试值4.7(MPa)、地下水发育情况0.7。评价结果采用本发明所述的IFC拓展方法存储与BIM中,存储结果展示如图10。评价计算得出该断面属于Ⅴ级围岩的结论,给出的隧道施工方案BIM推荐如图12所示,建议采用双侧壁导坑法开挖。
应当说明,本发明内容及实施例中采用的围岩分级指标为:围岩节理倾角、节理密度、裂隙开度、岩体点荷载强度、地下水发育情况。这个指标组构成特征仅为一个应用例,用于说明本发明的实现过程、但不用于限定本发明的具体应用范围。即当工程中采用其它分级指标组时,本发明方法仍然适用。
本发明具有如下有效果:
从整体上实现隧道施工过程中围岩质量的动态评价,即围岩分级过程。整体计算过程完全基于BIM实现,是一种智能数字化的评价方式,避免了以往方法对施工人员主观经验的依赖,提高了计算结果的准确性。具体还包括以下几点有益效果:
(1)围岩分级相关数据的BIM规范化存储。当前已有BIM操作平台及相关规范主要针对于房屋建设领域,隧道领域没有通用的信息存储标准,传统的隧道围岩分级过程数据依靠抽象的EXCEL表格甚至纸质文件记录,容易出现数据丢失、管理混乱等问题。本发明拓展开发了隧道领域信息的BIM存储标准,实现了隧道分级数据的模型化、规范化存储。
(2)隧道施工面信息的智能图片识别。隧道施工过程中的围岩动态分级评价核心是对当前施工面揭露信息的采集与应用,以往方法中这个信息采集过程多依靠技术人员的经验进行评价,这对施工人员的技术水平存在依赖,并且评价结果可能存在一定的误差。本发明建立了一种隧道施工面图片的BIM识别方案,仅需要施工人员将施工面照片输入至指定接口,即可实现对当前施工面揭露信息的自动识别,避免了对施工人员技术经验的依赖,并具有较高的准确性。
(3)围岩级别的多模型并行评价。岩体信息是围岩级别的直观表征,二者之间存在一定的映射关系,但是这个关系往往是隐式的、较为复杂的。本发明所建立的多模型并行评价方法能够充分利用有限信息进行大量的评价计算,充分发挥了数理统计优势,使评价结果稳定性、准确性更好。
该方法实现过程简单,训练后能够得出各输入因素之间的相护影响情况。特别是对于不平衡数据集,该方法能够平衡误差,并且在部分特征遗失的情况下保持较高的计算准确性。
(4)评价结果通过BIM实现三维可视化表达,相对于传统的数据结果更直观,更易于不同工程参与部门的信息获取。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (4)
1.一种基于BIM图片识别的隧道围岩分级方法,其特征在于,包括:以下步骤:
S1:获取围岩施工断面的图像,并存入BIM平台;
S2:对所述图像进行处理,得到所述图像地质素描图;并从所述地质素描图中提取围岩信息,所述围岩信息以IFC拓展的形式存储于BIM中;
S3:以所述围岩信息作为输入,围岩等级作为输出,形成学习样本;对多个学习样本采取有放回的抽样方式进行N次抽取,得到多个训练样本,所述多个训练样本组成第一评价模型组;
S4:对所述第一评价模型组中每个训练样本中的围岩信息进行n(n≥2)次随机抽取,每次抽取m(m<<M)个参数,M为围岩信息数量,得到n个第二评价模型组;
S5:确定所述第二评价模型组的第一最重要信息;保持所述第一最重要信息不变,对所述第二评价模型组中除所述第一最重要信息以外的其他围岩信息进行n次随机抽取,每次抽取m-1个参数,得到n个第三评价模型组;确定所述第三评价模型组的第二最重要信息;重复上述步骤,直至相邻的两个最重要信息相同;将最后一个最重要信息所在的评价模型组作为最终评价模型组;
S6:根据所述第一评价模型组和第二评价模型组进行基于BIM平台的隧道围岩级别自动评价,评价信息来源于BIM平台中的隧道模型,评价结果通过隧道BIM模型进行模型化表达,并根据围岩级别计算结果对隧道模型进行颜色渲染以表达当前区域的围岩级别,并根据围岩级别给出基于BIM的隧道施工方法。
2.根据权利要求1所述的方法,其特征在于,所述S3中,对多个学习样本采取有放回的抽样方式进行抽取后,未被抽取的样本作为检验样本。
3.根据权利要求2所述的方法,其特征在于,所述S5中通过所述检验样本检验及信息增益方法确定所述第二评价模型组的最重要信息。
4.根据权利要求1所述的方法,其特征在于,所述S2中所述图像处理,包括灰度变化处理、直方图均衡化处理、锐化处理、边缘检测处理和直线检测处理;对处理后的图片采用对比度分析和线性统计方法获得围岩分级结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010463681.0A CN111626358B (zh) | 2020-05-27 | 2020-05-27 | 一种基于bim图片识别的隧道围岩分级方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010463681.0A CN111626358B (zh) | 2020-05-27 | 2020-05-27 | 一种基于bim图片识别的隧道围岩分级方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111626358A CN111626358A (zh) | 2020-09-04 |
CN111626358B true CN111626358B (zh) | 2023-07-18 |
Family
ID=72271314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010463681.0A Active CN111626358B (zh) | 2020-05-27 | 2020-05-27 | 一种基于bim图片识别的隧道围岩分级方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111626358B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990227B (zh) * | 2021-02-08 | 2022-12-27 | 中国铁建重工集团股份有限公司 | 掌子面地质检测方法 |
CN113781441B (zh) * | 2021-09-13 | 2024-02-27 | 中铁一局集团第二工程有限公司 | 一种应用于节理岩体隧道开挖过程中的注浆范围优化方法 |
CN115761038B (zh) * | 2022-10-19 | 2023-06-30 | 山东大学 | 一种基于图像光谱技术的隧道掌子面地质素描方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145520A (zh) * | 2018-10-22 | 2019-01-04 | 重庆大学 | 基于数字图像和大数据的土石混合体隧道设计方法 |
CN109948198A (zh) * | 2019-02-28 | 2019-06-28 | 大连海事大学 | 一种基于非线性函数的围岩分级可靠性评价方法 |
CN110147635A (zh) * | 2019-05-31 | 2019-08-20 | 大连海事大学 | 一种基于bim的隧道围岩级别超前动态预测方法 |
CN110263456A (zh) * | 2019-06-25 | 2019-09-20 | 大连海事大学 | 一种基于ifc标准的隧道动态反馈分析系统 |
CN110516730A (zh) * | 2019-08-20 | 2019-11-29 | 中铁工程装备集团有限公司 | 基于pso-svm算法和图像识别的围岩质量在线分级方法 |
-
2020
- 2020-05-27 CN CN202010463681.0A patent/CN111626358B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145520A (zh) * | 2018-10-22 | 2019-01-04 | 重庆大学 | 基于数字图像和大数据的土石混合体隧道设计方法 |
CN109948198A (zh) * | 2019-02-28 | 2019-06-28 | 大连海事大学 | 一种基于非线性函数的围岩分级可靠性评价方法 |
CN110147635A (zh) * | 2019-05-31 | 2019-08-20 | 大连海事大学 | 一种基于bim的隧道围岩级别超前动态预测方法 |
CN110263456A (zh) * | 2019-06-25 | 2019-09-20 | 大连海事大学 | 一种基于ifc标准的隧道动态反馈分析系统 |
CN110516730A (zh) * | 2019-08-20 | 2019-11-29 | 中铁工程装备集团有限公司 | 基于pso-svm算法和图像识别的围岩质量在线分级方法 |
Non-Patent Citations (3)
Title |
---|
地铁暗挖隧道倾斜掌子面开挖研究;余乐;黄柯;程毅;周生波;张雨帆;;四川建筑(第05期);全文 * |
基于IFC的隧道施工信息集成模型及管理信息系统;姜谙男;郑帅;赵龙国;吴洪涛;段龙梅;;土木工程与管理学报(第02期);全文 * |
基于深度学习技术的公路隧道围岩分级方法;柳厚祥;李汪石;查焕奕;蒋武军;许腾;;岩土工程学报(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111626358A (zh) | 2020-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111626358B (zh) | 一种基于bim图片识别的隧道围岩分级方法 | |
JP7217589B2 (ja) | 画像解析方法、画像解析装置、プログラム、学習済み深層学習アルゴリズムの製造方法および学習済み深層学習アルゴリズム | |
JP2019095853A (ja) | 画像解析方法、装置、プログラムおよび学習済み深層学習アルゴリズムの製造方法 | |
CN108629777A (zh) | 一种数字病理全切片图像病变区域自动分割方法 | |
CN114897781B (zh) | 基于改进R-UNet深度学习的透水混凝土孔隙自动识别方法 | |
CN112861959B (zh) | 一种目标检测图像的自动标注方法 | |
CN112967255A (zh) | 一种基于深度学习的盾构管片缺陷类型识别及定位系统及其方法 | |
CN110781729B (zh) | 碳纤维增强水泥基材料纤维分散性评价模型与评价方法 | |
CN111178392B (zh) | 基于深度神经网络的航空发动机孔探图像损伤分割方法 | |
CN111161224A (zh) | 基于深度学习的铸件内部缺陷分级评估系统及方法 | |
CN113222992B (zh) | 基于多重分形谱的裂纹特征表征方法及系统 | |
Men’shchikov | Background derivation and image flattening: getimages | |
CN104268830A (zh) | 基于数字图像确定不均匀岩土材料渗透系数的方法 | |
CN109146888B (zh) | 一种基于差商分析的土裂隙分形维数计算方法 | |
CN116309155A (zh) | 基于卷积和转换器混合网络的图像修复方法、模型和装置 | |
CN111832616A (zh) | 利用多类深度表示图的遥感图像飞机型号识别方法及系统 | |
CN109102486B (zh) | 基于机器学习的表面缺陷检测方法及装置 | |
CN112529003A (zh) | 一种基于Faster-RCNN的仪表盘数字识别方法 | |
CN116932679A (zh) | 一种基于gis技术多模式行业气象服务检验应用方法 | |
CN114863274A (zh) | 基于深度学习的地表绿网苫盖提取方法 | |
CN114627010B (zh) | 一种基于染色密度图的染色空间迁移方法 | |
CN115496291A (zh) | 基于高精度残缺值的聚类型数据增广气象温度预测方法 | |
CN115330743A (zh) | 基于双光检测缺陷的方法及相应的系统 | |
CN109035217B (zh) | 一种基于图像二维熵的土体裂隙定量评价方法 | |
CN117333781B (zh) | 黑土区侵蚀沟卫星遥感智能提取方法、装置、设备及介质 |
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 |