CN111815629A - 衬砌检测方法、装置、电子设备及存储介质 - Google Patents
衬砌检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111815629A CN111815629A CN202010860687.1A CN202010860687A CN111815629A CN 111815629 A CN111815629 A CN 111815629A CN 202010860687 A CN202010860687 A CN 202010860687A CN 111815629 A CN111815629 A CN 111815629A
- Authority
- CN
- China
- Prior art keywords
- lining
- image
- tunnel
- line
- neural network
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 140
- 238000013528 artificial neural network Methods 0.000 claims abstract description 75
- 238000010276 construction Methods 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000000605 extraction Methods 0.000 claims description 47
- 230000004927 fusion Effects 0.000 claims description 47
- 230000011218 segmentation Effects 0.000 claims description 21
- 238000011176 pooling Methods 0.000 claims description 20
- 238000011084 recovery Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 16
- 238000013461 design Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 230000002829 reductive effect Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229910001294 Reinforcing steel Inorganic materials 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
Abstract
本申请提供一种衬砌检测方法、装置、电子设备及存储介质，涉及工程检测技术领域。所述方法包括：通过隧道衬砌区域检测神经网络对隧道雷达图像进行检测，确定衬砌区域图像；通过衬砌线检测神经网络对所述衬砌区域进行检测，确定所述衬砌区域图像中的衬砌线图像；基于所述隧道雷达图像的梯度修正所述衬砌线图像，获得修正衬砌线；基于所述修正衬砌线的衬砌深度确定隧道衬砌的施工质量的检测结果。该方法通过神经网络模型逐次对衬砌区域和衬砌线进行识别并修正，以完成衬砌线的自动化检测，提高了施工质量的检测结果的效率和准确率。
Description
技术领域
本申请涉及工程检测技术领域，具体而言，涉及一种衬砌检测方法、装置、电子设备及存储介质。
背景技术
目前，在铁路、公路隧道的施工过程中，因为施工过程不规范和施工过程偷料减料，会在施工结束后出现各种影响工程质量的问题，如衬砌开裂、脱空、衬砌厚度不足、钢筋密度不足等。为了保证隧道类重大工程的工程质量，必须对施工质量进行检测与验收，确保隧道使用安全。
由于隧道工程的使用场景特殊性，针对隧道施工中可能出现的质量问题，工程验收过程目前采用雷达波检测技术，对混凝土衬砌、钢筋等进行无损探测。随后将探测采集的雷达数据可视化，由行业专家进行处理分析，确定工程中的重要指标是否符合设计要求。由于雷达检测数据具有高复杂性和噪声干扰，对雷达波图像的判读需要较高的专业知识与经验。同时，由于隧道时常长达数公里乃至数十公里，采集到的雷达数据量也很庞大，人工判断分析的处理效率较低，人效消耗过大，造成了隧道衬砌等隧道检测效率较低的问题。
发明内容
有鉴于此，本申请实施例的目的在于提供一种衬砌检测方法、装置、电子设备及存储介质，以改善现有技术中存在的隧道衬砌等隧道检测效率较低的问题。
本申请实施例提供了一种衬砌检测方法，所述方法包括：通过隧道衬砌区域检测神经网络对隧道雷达图像进行检测，确定衬砌区域图像；通过衬砌线检测神经网络对所述衬砌区域进行检测，确定所述衬砌区域图像中的衬砌线图像；基于所述隧道雷达图像的梯度修正所述衬砌线图像，获得修正衬砌线；基于所述修正衬砌线的衬砌深度确定隧道衬砌的施工质量的检测结果。
在上述实现方式中，根据隧道雷达探测数据实现衬砌线的自动检测识别，辅助专业人员进行雷达波判读，有效减少了人工判读的工作量，有效提高工程质检效率，并减少人工误判的几率，提高了隧道施工质量检测的效率。同时还对衬砌区域和衬砌线分层次识别，并对衬砌线进行修正，提高了隧道质量检测的准确性。
可选地，在所述采用隧道衬砌区域检测神经网络对隧道雷达图像进行检测之前，所述方法还包括：基于语义分割模型构建所述隧道衬砌区域检测神经网络。
在上述实现方式中，基于语义分割模型构建的隧道衬砌区域检测神经网络，能够将图像分割成具有逐像素语义标注的分割图像，基于强语义信息表达和高空间分辨率提高了隧道衬砌区域识别准确度。
可选地，所述隧道衬砌区域检测神经网络包括特征提取部分、特征融合部分、结果预测部分和尺寸恢复部分，所述隧道雷达图像为所述隧道衬砌区域检测神经网络的输入图像，所述基于语义分割模型构建所述隧道衬砌区域检测神经网络，包括：基于特征提取网络配置所述特征提取部分，所述特征提取部分包括多个阶层，每个阶层由多个卷积层构成，卷积层之间通过至少一种shortcut连接结构连通，所述多个阶层中的前N个阶层中每个阶层分别用于将所述输入图像的特征长宽缩小M倍，获得特征图像；将多个不同空洞比例的卷积和一个全局均值池化组成所述特征融合部分，所述特征融合部分用于利用不同参数的空洞卷积和全局池化将不同尺度下的所述特征图像进行融合，获得融合图像；基于卷积层构建所述结果预测部分，用于对所述融合图像中的衬砌区域进行预测，获得所述衬砌区域的待定图像；基于上采样函数构建所述尺寸恢复部分，用于对所述衬砌区域的待定图像进行上采样，获得与所述输入图像尺寸相同的所述衬砌区域图像。
在上述实现方式中，通过缩小特征图像的操作提高图像处理效率，并使每个特征点对应的感受野变大，以捕获复杂的图像模式，同时采用卷积层shortcut连接方式保证网络梯度的反向传播，提高而衬砌区域检测的准确性和效率。
可选地，在所述通过衬砌线检测神经网络对所述衬砌区域进行检测之前，所述方法还包括：基于语义分割模型构建所述衬砌线检测神经网络。
在上述实现方式中，基于语义分割模型构建的衬砌线检测神经网络，能够将图像分割成具有逐像素语义标注的分割图像，基于强语义信息表达和高空间分辨率提高了衬砌线识别准确度。
可选地，所述衬砌线检测神经网络包括特征提取部分、特征融合部分、结果预测部分和尺寸恢复部分，所述衬砌区域图像为所述衬砌线检测神经网络的输入图像，所述基于语义分割模型构建所述衬砌线检测神经网络，包括：基于特征提取网络配置所述特征提取部分，所述特征提取部分包括多个阶层，每个阶层由多个卷积层构成，卷积层之间通过至少一种shortcut连接结构连通，所述多个阶层中的前N个阶层中每个阶层分别用于将所述输入图像的特征长宽缩小M倍，获得特征图像；将多个不同空洞比例的卷积和一个全局均值池化组成所述特征融合部分，所述特征融合部分用于利用不同参数的空洞卷积和全局池化将不同尺度下的所述特征图像进行融合，获得融合图像；基于卷积层构建所述结果预测部分，用于对所述融合图像中的衬砌线进行预测，获得所述衬砌线的待定图像；基于上采样函数构建所述尺寸恢复部分，用于对所述衬砌线的待定图像进行上采样，获得与所述输入图像尺寸相同的所述衬砌线图像。
在上述实现方式中，通过缩小特征图像的操作提高图像处理效率，并使每个特征点对应的感受野变大，以捕获复杂的图像模式，同时采用卷积层shortcut连接方式保证网络梯度的反向传播，提高而衬砌线检测的准确性和效率。
可选地，所述基于所述隧道雷达图像的梯度修正所述衬砌线图像，包括：对所述隧道雷达图像进行均值滤波后计算雷达图像垂直梯度；取所述雷达图像垂直梯度中的梯度极小值点，将相邻列的梯度极小值点连接后作为候选衬砌线；选取所述候选衬砌线中与所述衬砌线图像中的衬砌线的垂直距离最近的候选衬砌线对所述衬砌线图像进行修正。
在上述实现方式中，利用雷达图像垂直梯度修正衬砌线，提高了衬砌线的识别结果精确度。
可选地，所述基于所述修正衬砌线的衬砌深度确定隧道衬砌的施工质量的检测结果，包括：计算所述修正衬砌线的衬砌深度与所述隧道衬砌的设计参数的差值；在所述差值小于预设阈值时，确定所述隧道衬砌的施工质量为合格；在所述差值大于或等于所述预设阈值时，确定所述隧道衬砌的施工质量为不合格。
在上述实现方式中，基于衬砌线检测结果和隧道衬砌的设计参数的差值判断隧道衬砌的施工质量，能够真实反映当前施工情况和隧道设计需求之间的差别，从而更好地评估隧道衬砌的施工质量。
本申请实施例还提供了一种衬砌检测装置，所述装置包括：衬砌区域检测模块，用于通过隧道衬砌区域检测神经网络对隧道雷达图像进行检测，确定衬砌区域图像；衬砌线检测模块，用于通过衬砌线检测神经网络对所述衬砌区域进行检测，确定所述衬砌区域图像中的衬砌线图像；衬砌线修正模块，用于基于所述隧道雷达图像的梯度修正所述衬砌线图像，获得修正衬砌线；施工质量判定模块，用于基于所述修正衬砌线的衬砌深度确定隧道衬砌的施工质量。
在上述实现方式中，根据隧道雷达探测数据实现衬砌线的自动检测识别，辅助专业人员进行雷达波判读，有效减少了人工判读的工作量，有效提高工程质检效率，并减少人工误判的几率，提高了隧道施工质量检测的效率。同时还对衬砌区域和衬砌线分层次识别，并对衬砌线进行修正，提高了隧道质量检测的准确性。
可选地，所述衬砌检测装置还包括：神经网络构建模块，用于基于语义分割模型构建所述隧道衬砌区域检测神经网络。
在上述实现方式中，基于语义分割模型构建的隧道衬砌区域检测神经网络，能够将图像分割成具有逐像素语义标注的分割图像，基于强语义信息表达和高空间分辨率提高了隧道衬砌区域识别准确度。
可选地，所述隧道衬砌区域检测神经网络包括特征提取部分、特征融合部分、结果预测部分和尺寸恢复部分，所述隧道雷达图像为所述隧道衬砌区域检测神经网络的输入图像，所述神经网络构建模块具体用于：基于特征提取网络配置所述特征提取部分，所述特征提取部分包括多个阶层，每个阶层由多个卷积层构成，卷积层之间通过至少一种shortcut连接结构连通，所述多个阶层中的前N个阶层中每个阶层分别用于将所述输入图像的特征长宽缩小M倍，获得特征图像；将多个不同空洞比例的卷积和一个全局均值池化组成所述特征融合部分，所述特征融合部分用于利用不同参数的空洞卷积和全局池化将不同尺度下的所述特征图像进行融合，获得融合图像；基于卷积层构建所述结果预测部分，用于对所述融合图像中的衬砌区域进行预测，获得所述衬砌区域的待定图像；基于上采样函数构建所述尺寸恢复部分，用于对所述衬砌区域的待定图像进行上采样，获得与所述输入图像尺寸相同的所述衬砌区域图像。
在上述实现方式中，通过缩小特征图像的操作提高图像处理效率，并使每个特征点对应的感受野变大，以捕获复杂的图像模式，同时采用卷积层shortcut连接方式保证网络梯度的反向传播，提高而衬砌区域检测的准确性和效率。
可选地，所述神经网络构建模块还用于：基于语义分割模型构建所述衬砌线检测神经网络。
在上述实现方式中，基于语义分割模型构建的衬砌线检测神经网络，能够将图像分割成具有逐像素语义标注的分割图像，基于强语义信息表达和高空间分辨率提高了衬砌线识别准确度。
可选地，所述衬砌线检测神经网络包括特征提取部分、特征融合部分、结果预测部分和尺寸恢复部分，所述衬砌区域图像为所述衬砌线检测神经网络的输入图像，所述神经网络构建模块具体还用于：基于特征提取网络配置所述特征提取部分，所述特征提取部分包括多个阶层，每个阶层由多个卷积层构成，卷积层之间通过至少一种shortcut连接结构连通，所述多个阶层中的前N个阶层中每个阶层分别用于将所述输入图像的特征长宽缩小M倍，获得特征图像；将多个不同空洞比例的卷积和一个全局均值池化组成所述特征融合部分，所述特征融合部分用于利用不同参数的空洞卷积和全局池化将不同尺度下的所述特征图像进行融合，获得融合图像；基于卷积层构建所述结果预测部分，用于对所述融合图像中的衬砌线进行预测，获得所述衬砌线的待定图像；基于上采样函数构建所述尺寸恢复部分，用于对所述衬砌线的待定图像进行上采样，获得与所述输入图像尺寸相同的所述衬砌线图像。
在上述实现方式中，通过缩小特征图像的操作提高图像处理效率，并使每个特征点对应的感受野变大，以捕获复杂的图像模式，同时采用卷积层shortcut连接方式保证网络梯度的反向传播，提高而衬砌线检测的准确性和效率。
可选地，所述衬砌线修正模块具体用于：对所述隧道雷达图像进行均值滤波后计算雷达图像垂直梯度；取所述雷达图像垂直梯度中的梯度极小值点，将相邻列的梯度极小值点连接后作为候选衬砌线；选取所述候选衬砌线中与所述衬砌线图像中的衬砌线的垂直距离最近的候选衬砌线对所述衬砌线图像进行修正。
在上述实现方式中，利用雷达图像垂直梯度修正衬砌线，提高了衬砌线的识别结果精确度。
可选地，所述施工质量判定模块具体用于：计算所述修正衬砌线的衬砌深度与所述隧道衬砌的设计参数的差值；在所述差值小于预设阈值时，确定所述隧道衬砌的施工质量为合格；在所述差值大于或等于所述预设阈值时，确定所述隧道衬砌的施工质量为不合格。
在上述实现方式中，基于衬砌线检测结果和隧道衬砌的设计参数的差值判断隧道衬砌的施工质量，能够真实反映当前施工情况和隧道设计需求之间的差别，从而更好地评估隧道衬砌的施工质量。
本申请实施例还提供了一种电子设备，所述电子设备包括存储器和处理器，所述存储器中存储有程序指令，所述处理器读取并运行所述程序指令时，执行上述任一实现方式中的步骤。
本申请实施例还提供了一种可读取存储介质，所述可读取存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行上述任一实现方式中的步骤。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种衬砌检测方法的流程示意图。
图2为本申请实施例提供的一种隧道衬砌区域检测神经网络构建步骤的流程示意图。
图3为本申请实施例提供的一种隧道衬砌区域检测神经网络的结构示意图。
图4为本申请实施例提供的一种衬砌线检测神经网络构建步骤的流程示意图。
图5为本申请实施例提供的一种衬砌线检测神经网络的结构示意图。
图6为本申请实施例提供的一种衬砌检测装置的模块示意图。
图标：20-衬砌检测装置；21-衬砌区域检测模块；22-衬砌线检测模块；23-衬砌线修正模块；24-施工质量判定模块。
具体实施方式
下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行描述。
经本申请人研究发现，在隧道长度较长或人工检测难度较大时，通过人工检测隧道施工质量耗时耗力，存在检测效率低下的问题，而现有的雷达波检测技术需要将雷达数据可视化后由专家进行处理分析，同样需要引入人工判断，同样存在效率问题。衬砌属于隧道建设中薄薄的一层防水材料，位于上层支撑结构和下层支撑结构间，隧道其他施工问题通常都会使衬砌受到挤压变形等影响，因此衬砌施工质量可以反映隧道整体施工质量问题。由于雷达波的传播反射特性，在隧道区域中出现的不同材质交界处，雷达波图像会出现明显的反射信号波形图。由此现象，本申请实施例提供了一种衬砌检测方法，首先通过一个卷积神经网络初步确定衬砌所在的具体区域，再使用神经网络在检测到的衬砌区域进行衬砌界面剖面的分界线检测，然后使用动态规划算法确定衬砌线位置。后续通过计算图像在高度方向的梯度变化情况对检测的衬砌线进行适当修正，确定最终的衬砌检测结果。
请参考图1，图1为本申请实施例提供的一种衬砌检测方法的流程示意图。
步骤S12：通过隧道衬砌区域检测神经网络对隧道雷达图像进行检测，确定衬砌区域图像。
隧道衬砌区域检测神经网络(Tunnel Lining Segmentation Network，TLSNet)可以基于卷积神经网络构建，可选地，该卷积神经网络可以为Deeplab结构。
应当理解的是，在采用隧道衬砌区域检测神经网络进行检测之前，还需要构建隧道衬砌区域检测神经网络。可选地，本实施例中的隧道衬砌区域检测神经网络可以基于语义分割模型构建。
具体地，请参考图2和图3，图2为本申请实施例提供的一种隧道衬砌区域检测神经网络构建步骤的流程示意图，图3为本申请实施例提供的一种隧道衬砌区域检测神经网络的结构示意图。
步骤S111：基于特征提取网络配置特征提取部分，特征提取部分包括多个阶层，每个阶层由多个卷积层构成，卷积层之间通过至少一种shortcut连接结构连通，多个阶层中的前N个阶层中每个阶层分别用于将输入图像的特征长宽缩小M倍，获得特征图像。
可选地，特征提取部分的输入图像为隧道雷达图像，对应图3中的雷达图像数据，上述特征提取网络可以是ResNet50、AlexNet等，可以根据具体衬砌识别需求进行灵活配置。
具体地，特征提取部分的多个阶层可以是但不限于是5个分层，分别对应图3中的“conv2dmax_pool2d”、“block1”、“block2”、“block3”和“block4”部分，卷积核移动步长依次可以为4、8、8、8和8，每个阶层由若干卷积层构成，卷积层之间可以选择设计多种shortcut连接方式，保证网络梯度的反向传播。通常来说，每一阶层都会对输入的特征长宽进行缩小M倍的操作，本实施例中M可以取值为2，使特征越往上传播每个特征点对应的感受野就越大，越能捕获复杂的图像模式，经过5个阶层的特征提取，获得了长宽是输入图像的1/32大小的特征图，但是为了保证衬砌分割结果的位置的准确性，本实施例只让最终获得的特征图为输入图像大小的1/8，即N的取值为2，除了第1、2阶层，3、4、5阶段都不进行缩小2倍的操作。
步骤S112：将多个不同空洞比例的卷积和一个全局均值池化组成特征融合部分，特征融合部分用于利用不同参数的空洞卷积和全局池化将不同尺度下的特征图像进行融合，获得融合图像。
特征融合部分用于使获得的特征表达更加丰富，为后续进行结果预测提供好的特征基础，对应图3中的“conv2d（1*1，r1）conv2d（3*3，r6）conv2d（3*3，r12）conv2d（3*3，r12）conv2d（3*3，r18）avg_pool2d”部分，其移动步长可以为8。
可选地，多个不同空洞比例的卷积的数量可以为但不限于是5。
步骤S113：基于卷积层构建结果预测部分，用于对融合图像中的衬砌区域进行预测，获得衬砌区域的待定图像。
在特征融合部分后便是结果预测部分，对应图3中的特征融合部分后的剩余部分，该部分通过一个卷积层完成，将经过前一个部分融合的结果经过一个卷积操作，完成对图像中衬砌区域的预测，即如果该区域属于衬砌区域，则该区域的结果预测为1，否则应该预测为0。
步骤S114：基于上采样函数构建尺寸恢复部分，用于对衬砌区域的待定图像进行上采样，获得与输入图像尺寸相同的衬砌区域图像。
结果预测部分预测的结果其实只有最终结果的1/8大小，为粗预测，然后利用上采样方法将预测结果变换为输入图像大小。
步骤S14：通过衬砌线检测神经网络对衬砌区域进行检测，确定衬砌区域图像中的衬砌线图像。
衬砌线图像对应图3中的衬砌区域检测结果。
衬砌线检测神经网络(Line Detect Network，LDNet)可以基于卷积神经网络构建，可选地，该卷积神经网络可以为Deeplab结构。
应当理解的是，在采用衬砌线检测神经网络进行检测之前，还需要构建衬砌线检测神经网络。可选地，本实施例中的衬砌线检测神经网络可以基于语义分割模型构建，与上述TLSNet大致相同。
具体地，请参考图4和图5，图4为本申请实施例提供的一种衬砌线检测神经网络构建步骤的流程示意图，图5为本申请实施例提供的一种衬砌线检测神经网络的结构示意图。
步骤S131：基于特征提取网络配置特征提取部分，特征提取部分包括多个阶层，每个阶层由多个卷积层构成，卷积层之间通过至少一种shortcut连接结构连通，多个阶层中的前N个阶层中每个阶层分别用于将输入图像的特征长宽缩小M倍，获得特征图像。
可选地，特征提取部分的输入图像为衬砌区域图像，上述特征提取网络可以是ResNet50、AlexNet等，可以根据具体衬砌线识别需求进行灵活配置。
具体地，特征提取部分的多个阶层可以是但不限于是5个分层，分别对应图5中的“conv2dmax_pool2d”、“block1”、“block2”、“block3”和“block4”部分，卷积核移动步长依次可以为4、8、8、8和8，每个阶层由若干卷积层构成，卷积层之间可以选择设计多种shortcut连接方式，保证网络梯度的反向传播。通常来说，每一阶层都会对输入的特征长宽进行缩小M倍的操作，本实施例中M可以取值为2，使特征越往上传播每个特征点对应的感受野就越大，越能捕获复杂的图像模式，经过5个阶层的特征提取，获得了长宽是输入图像的1/32大小的特征图，但是为了保证衬砌分割结果的位置的准确性，本实施例只让最终获得的特征图为输入图像大小的1/8，即N的取值为2，除了第1、2阶层，3、4、5阶段都不进行缩小2倍的操作。
步骤S132：将多个不同空洞比例的卷积和一个全局均值池化组成特征融合部分，特征融合部分用于利用不同参数的空洞卷积和全局池化将不同尺度下的特征图像进行融合，获得融合图像。
特征融合部分用于使获得的特征表达更加丰富，为后续进行结果预测提供好的特征基础，对应图5中的“conv2d（1*1，r1）conv2d（3*3，r6）conv2d（3*3，r12）conv2d（3*3，r12）conv2d（3*3，r18）avg_pool2d”部分，其移动步长可以为8。
可选地，多个不同空洞比例的卷积的数量可以为但不限于是5。
步骤S133：基于卷积层构建结果预测部分，用于对融合图像中的衬砌区域进行预测，获得衬砌区域的待定图像。
在特征融合部分后便是结果预测部分，对应图5中的特征融合部分后的剩余部分，该部分通过一个卷积层完成，将经过前一个部分融合的结果经过一个卷积操作，完成对图像中衬砌线的预测，即如果该区域属于衬砌线，则该区域的结果预测为1，否则应该预测为0。
步骤S134：基于上采样函数构建尺寸恢复部分，用于对衬砌区域的待定图像进行上采样，获得与输入图像尺寸相同的衬砌线图像。
结果预测部分预测的结果其实只有最终结果的1/8大小，为粗预测，然后利用上采样方法将预测结果变换为LDNet的输入图像的大小，便得到了需要检测的衬砌线图像，对应图5中的衬砌线域检测结果。
应当理解的是，LDNet的主体网络结构与TLSNet一致，但步骤S111-S114中与S131-S134中的特征提取部分、特征融合部分、结果预测部分和尺寸恢复部分等均为分别独立设置在LDNet、TLSNet中。
步骤S16：基于隧道雷达图像的梯度修正衬砌线图像，获得修正衬砌线。
具体地，步骤S16可以包括如下子步骤：
步骤S161：对隧道雷达图像进行均值滤波后计算雷达图像垂直梯度。
均值滤波是典型的线性滤波算法，它是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素（以目标像素为中心的周围8个像素，构成一个滤波模板，即去掉目标像素本身），再用模板中的全体像素的平均值来代替原来像素值，保留了大部分包含信号的小波系数,因此可以较好地保持图像细节。因此本申请实施例采用均值滤波去除隧道雷达图像中的颗粒噪声。
其中，图像梯度可以把图像看成二维离散函数，图像梯度其实就是这个二维离散函数的求导。
步骤S162：取雷达图像垂直梯度中的梯度极小值点，将相邻列的梯度极小值点连接后作为候选衬砌线。
通常，梯度的方向是函数f(x,y)变化最快的方向，当图像中存在边缘时，一定有较大的梯度值，相反，当图像中有比较平滑的部分时，灰度值变化较小，则相应的梯度也较小，则同为衬砌线的部分图像变化较小，则梯度值较小。因此，选取雷达图像垂直梯度中梯度极小值点及其相邻列的小值点作为候选衬砌线。
步骤S163：选取候选衬砌线中与衬砌线图像中的衬砌线的垂直距离最近的候选衬砌线对衬砌线图像进行修正。
上述步骤利用雷达图像垂直梯度修正衬砌线，提高了衬砌线的识别结果精确度。
步骤S18：基于修正衬砌线的衬砌深度确定隧道衬砌的施工质量的检测结果。
具体地，步骤S18可以包括如下子步骤：
步骤S181：计算修正衬砌线的衬砌深度与隧道衬砌的设计参数的差值。
步骤S182：在差值小于预设阈值时，确定隧道衬砌的施工质量为合格。
步骤S183：在差值大于或等于预设阈值时，确定隧道衬砌的施工质量为不合格。
可选地，上述可以根据不同的隧道的具体验收标准进行灵活调整。
为了配合上述衬砌检测方法，本申请实施例还提供了一种衬砌检测装置20。
请参考图6，图6为本申请实施例提供的一种衬砌检测装置的模块示意图。
衬砌检测装置20包括：
衬砌区域检测模块21，用于通过隧道衬砌区域检测神经网络对隧道雷达图像进行检测，确定衬砌区域图像；
衬砌线检测模块22，用于通过衬砌线检测神经网络对衬砌区域进行检测，确定衬砌区域图像中的衬砌线图像；
衬砌线修正模块23，用于基于隧道雷达图像的梯度修正衬砌线图像，获得修正衬砌线；
施工质量判定模块24，用于基于修正衬砌线的衬砌深度确定隧道衬砌的施工质量。
可选地，衬砌检测装置20还包括：神经网络构建模块，用于基于语义分割模型构建隧道衬砌区域检测神经网络。
可选地，隧道衬砌区域检测神经网络包括特征提取部分、特征融合部分、结果预测部分和尺寸恢复部分，隧道雷达图像为隧道衬砌区域检测神经网络的输入图像，神经网络构建模块具体用于：基于特征提取网络配置特征提取部分，特征提取部分包括多个阶层，每个阶层由多个卷积层构成，卷积层之间通过至少一种shortcut连接结构连通，多个阶层中的前N个阶层中每个阶层分别用于将输入图像的特征长宽缩小M倍，获得特征图像；将多个不同空洞比例的卷积和一个全局均值池化组成特征融合部分，特征融合部分用于利用不同参数的空洞卷积和全局池化将不同尺度下的特征图像进行融合，获得融合图像；基于卷积层构建结果预测部分，用于对融合图像中的衬砌区域进行预测，获得衬砌区域的待定图像；基于上采样函数构建尺寸恢复部分，用于对衬砌区域的待定图像进行上采样，获得与输入图像尺寸相同的衬砌区域图像。
可选地，神经网络构建模块还用于：基于语义分割模型构建衬砌线检测神经网络。
可选地，衬砌线检测神经网络包括特征提取部分、特征融合部分、结果预测部分和尺寸恢复部分，衬砌区域图像为衬砌线检测神经网络的输入图像，神经网络构建模块具体还用于：基于特征提取网络配置特征提取部分，特征提取部分包括多个阶层，每个阶层由多个卷积层构成，卷积层之间通过至少一种shortcut连接结构连通，多个阶层中的前N个阶层中每个阶层分别用于将输入图像的特征长宽缩小M倍，获得特征图像；将多个不同空洞比例的卷积和一个全局均值池化组成特征融合部分，特征融合部分用于利用不同参数的空洞卷积和全局池化将不同尺度下的特征图像进行融合，获得融合图像；基于卷积层构建结果预测部分，用于对融合图像中的衬砌线进行预测，获得衬砌线的待定图像；基于上采样函数构建尺寸恢复部分，用于对衬砌线的待定图像进行上采样，获得与输入图像尺寸相同的衬砌线图像。
可选地，衬砌线修正模块23具体用于：对隧道雷达图像进行均值滤波后计算雷达图像垂直梯度；取雷达图像垂直梯度中的梯度极小值点，将相邻列的梯度极小值点连接后作为候选衬砌线；选取候选衬砌线中与衬砌线图像中的衬砌线的垂直距离最近的候选衬砌线对衬砌线图像进行修正。
可选地，施工质量判定模块24具体用于：计算修正衬砌线的衬砌深度与隧道衬砌的设计参数的差值；在差值小于预设阈值时，确定隧道衬砌的施工质量为合格；在差值大于或等于预设阈值时，确定隧道衬砌的施工质量为不合格。
本申请实施例还提供了一种电子设备，该电子设备包括存储器和处理器，所述存储器中存储有程序指令，所述处理器读取并运行所述程序指令时，执行本实施例提供的衬砌检测方法中任一项所述方法中的步骤。
应当理解是，该电子设备可以是个人电脑（Personal Computer，PC）、平板电脑、智能手机、个人数字助理（Personal Digital Assistant，PDA）等具有逻辑计算功能的电子设备。
本申请实施例还提供了一种可读取存储介质，所述可读取存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行衬砌检测方法中的步骤。
综上所述，本申请实施例提供了一种衬砌检测方法、装置、电子设备及存储介质，所述方法包括：通过隧道衬砌区域检测神经网络对隧道雷达图像进行检测，确定衬砌区域图像；通过衬砌线检测神经网络对所述衬砌区域进行检测，确定所述衬砌区域图像中的衬砌线图像；基于所述隧道雷达图像的梯度修正所述衬砌线图像，获得修正衬砌线；基于所述修正衬砌线的衬砌深度确定隧道衬砌的施工质量的检测结果。
在上述实现方式中，根据隧道雷达探测数据实现衬砌线的自动检测识别，辅助专业人员进行雷达波判读，有效减少了人工判读的工作量，有效提高工程质检效率，并减少人工误判的几率，提高了隧道施工质量检测的效率。同时还对衬砌区域和衬砌线分层次识别，并对衬砌线进行修正，提高了隧道质量检测的准确性。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的框图显示了根据本申请的多个实施例的设备的可能实现的体系架构、功能和操作。在这点上，框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图中的每个方框、以及框图的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。因此本实施例还提供了一种可读取存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行区块数据存储方法中任一项所述方法中的步骤。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，RanDom Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。
需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种衬砌检测方法，其特征在于，所述方法包括：
通过隧道衬砌区域检测神经网络对隧道雷达图像进行检测，确定衬砌区域图像；
通过衬砌线检测神经网络对所述衬砌区域进行检测，确定所述衬砌区域图像中的衬砌线图像；
基于所述隧道雷达图像的梯度修正所述衬砌线图像，获得修正衬砌线；
基于所述修正衬砌线的衬砌深度确定隧道衬砌的施工质量的检测结果。
2.根据权利要求1所述的方法，其特征在于，在所述采用隧道衬砌区域检测神经网络对隧道雷达图像进行检测之前，所述方法还包括：
基于语义分割模型构建所述隧道衬砌区域检测神经网络。
3.根据权利要求2所述的方法，其特征在于，所述隧道衬砌区域检测神经网络包括特征提取部分、特征融合部分、结果预测部分和尺寸恢复部分，所述隧道雷达图像为所述隧道衬砌区域检测神经网络的输入图像，所述基于语义分割模型构建所述隧道衬砌区域检测神经网络，包括：
基于特征提取网络配置所述特征提取部分，所述特征提取部分包括多个阶层，每个阶层由多个卷积层构成，卷积层之间通过至少一种shortcut连接结构连通，所述多个阶层中的前N个阶层中每个阶层分别用于将所述输入图像的特征长宽缩小M倍，获得特征图像；
将多个不同空洞比例的卷积和一个全局均值池化组成所述特征融合部分，所述特征融合部分用于利用不同参数的空洞卷积和全局池化将不同尺度下的所述特征图像进行融合，获得融合图像；
基于卷积层构建所述结果预测部分，用于对所述融合图像中的衬砌区域进行预测，获得所述衬砌区域的待定图像；
基于上采样函数构建所述尺寸恢复部分，用于对所述衬砌区域的待定图像进行上采样，获得与所述输入图像尺寸相同的所述衬砌区域图像。
4.根据权利要求1所述的方法，其特征在于，在所述通过衬砌线检测神经网络对所述衬砌区域进行检测之前，所述方法还包括：
基于语义分割模型构建所述衬砌线检测神经网络。
5.根据权利要求4所述的方法，其特征在于，所述衬砌线检测神经网络包括特征提取部分、特征融合部分、结果预测部分和尺寸恢复部分，所述衬砌区域图像为所述衬砌线检测神经网络的输入图像，所述基于语义分割模型构建所述衬砌线检测神经网络，包括：
基于特征提取网络配置所述特征提取部分，所述特征提取部分包括多个阶层，每个阶层由多个卷积层构成，卷积层之间通过至少一种shortcut连接结构连通，所述多个阶层中的前N个阶层中每个阶层分别用于将所述输入图像的特征长宽缩小M倍，获得特征图像；
将多个不同空洞比例的卷积和一个全局均值池化组成所述特征融合部分，所述特征融合部分用于利用不同参数的空洞卷积和全局池化将不同尺度下的所述特征图像进行融合，获得融合图像；
基于卷积层构建所述结果预测部分，用于对所述融合图像中的衬砌线进行预测，获得所述衬砌线的待定图像；
基于上采样函数构建所述尺寸恢复部分，用于对所述衬砌线的待定图像进行上采样，获得与所述输入图像尺寸相同的所述衬砌线图像。
6.根据权利要求1-5中任一项所述的方法，其特征在于，所述基于所述隧道雷达图像的梯度修正所述衬砌线图像，包括：
对所述隧道雷达图像进行均值滤波后计算雷达图像垂直梯度；
取所述雷达图像垂直梯度中的梯度极小值点，将相邻列的梯度极小值点连接后作为候选衬砌线；
选取所述候选衬砌线中与所述衬砌线图像中的衬砌线的垂直距离最近的候选衬砌线对所述衬砌线图像进行修正。
7.根据权利要求1-5中任一项所述的方法，其特征在于，所述基于所述修正衬砌线的衬砌深度确定隧道衬砌的施工质量的检测结果，包括：
计算所述修正衬砌线的衬砌深度与所述隧道衬砌的设计参数的差值；
在所述差值小于预设阈值时，确定所述隧道衬砌的施工质量为合格；
在所述差值大于或等于所述预设阈值时，确定所述隧道衬砌的施工质量为不合格。
8.一种衬砌检测装置，其特征在于，所述装置包括：
衬砌区域检测模块，用于通过隧道衬砌区域检测神经网络对隧道雷达图像进行检测，确定衬砌区域图像；
衬砌线检测模块，用于通过衬砌线检测神经网络对所述衬砌区域进行检测，确定所述衬砌区域图像中的衬砌线图像；
衬砌线修正模块，用于基于所述隧道雷达图像的梯度修正所述衬砌线图像，获得修正衬砌线；
施工质量判定模块，用于基于所述修正衬砌线的衬砌深度确定隧道衬砌的施工质量。
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器中存储有程序指令，所述处理器运行所述程序指令时，执行权利要求1-7中任一项所述方法中的步骤。
10.一种存储介质，其特征在于，所述存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器运行时，执行权利要求1-7任一项所述方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010860687.1A CN111815629B (zh) | 2020-08-25 | 2020-08-25 | 衬砌检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010860687.1A CN111815629B (zh) | 2020-08-25 | 2020-08-25 | 衬砌检测方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111815629A true CN111815629A (zh) | 2020-10-23 |
| CN111815629B CN111815629B (zh) | 2020-12-08 |
Family
ID=72860513
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010860687.1A Active CN111815629B (zh) | 2020-08-25 | 2020-08-25 | 衬砌检测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111815629B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117115160A (zh) * | 2023-10-24 | 2023-11-24 | 四川省交通勘察设计研究院有限公司 | 用于隧道衬砌浇筑质量的检测方法、检测终端及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109544555A (zh) * | 2018-11-26 | 2019-03-29 | 陕西师范大学 | 基于生成式对抗网络的细小裂缝分割方法 |
| CN110910343A (zh) * | 2019-09-29 | 2020-03-24 | 北京建筑大学 | 路面裂缝检测的方法、装置及计算机设备 |
| CN111539286A (zh) * | 2020-04-15 | 2020-08-14 | 创新奇智(合肥)科技有限公司 | 衬砌线识别方法、装置及可读存储介质 |
-
2020
- 2020-08-25 CN CN202010860687.1A patent/CN111815629B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109544555A (zh) * | 2018-11-26 | 2019-03-29 | 陕西师范大学 | 基于生成式对抗网络的细小裂缝分割方法 |
| CN110910343A (zh) * | 2019-09-29 | 2020-03-24 | 北京建筑大学 | 路面裂缝检测的方法、装置及计算机设备 |
| CN111539286A (zh) * | 2020-04-15 | 2020-08-14 | 创新奇智(合肥)科技有限公司 | 衬砌线识别方法、装置及可读存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117115160A (zh) * | 2023-10-24 | 2023-11-24 | 四川省交通勘察设计研究院有限公司 | 用于隧道衬砌浇筑质量的检测方法、检测终端及存储介质 |
| CN117115160B (zh) * | 2023-10-24 | 2024-02-02 | 四川省交通勘察设计研究院有限公司 | 用于隧道衬砌浇筑质量的检测方法、检测终端及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111815629B (zh) | 2020-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kalfarisi et al. | Crack detection and segmentation using deep learning with 3D reality mesh model for quantitative assessment and integrated visualization | |
| CN110310264B (zh) | 一种基于dcnn的大尺度目标检测方法、装置 | |
| Tan et al. | Automatic detection of sewer defects based on improved you only look once algorithm | |
| CN113516135B (zh) | 一种基于深度学习的遥感影像建筑物提取及轮廓优化方法 | |
| CN111476159B (zh) | 一种基于双角回归的检测模型训练、检测方法及装置 | |
| Pally et al. | Application of image processing and convolutional neural networks for flood image classification and semantic segmentation | |
| Spirkovska | A summary of image segmentation techniques | |
| US9846929B2 (en) | Fast density estimation method for defect inspection application | |
| Qu et al. | Lining seam elimination algorithm and surface crack detection in concrete tunnel lining | |
| Wang | Bilateral recovering of sharp edges on feature-insensitive sampled meshes | |
| CN112906816B (zh) | 基于光微分与双通道神经网络的目标检测方法和装置 | |
| CN113610070A (zh) | 一种基于多源数据融合的滑坡灾害识别方法 | |
| CN111507972A (zh) | 结合卷积神经网络和支持向量机的隧道表面缺陷检测方法 | |
| Heinzl et al. | Processing, analysis and visualization of CT data | |
| CN114898160B (zh) | 基于多任务的断层智能识别方法 | |
| CN111815629B (zh) | 衬砌检测方法、装置、电子设备及存储介质 | |
| CN115187530A (zh) | 超声自动乳腺全容积图像的识别方法、装置、终端及介质 | |
| Adu-Gyamfi et al. | Functional evaluation of pavement condition using a complete vision system | |
| CN111539286B (zh) | 衬砌线识别方法、装置及可读存储介质 | |
| US11308352B2 (en) | Apparatus for processing labeled data to be used in learning of discriminator, method of controlling the apparatus, and non-transitory computer-readable recording medium | |
| Wang et al. | Semantic segmentation of sewer pipe defects using deep dilated convolutional neural network | |
| CN111368599B (zh) | 遥感图像海面舰船检测方法、装置、可读存储介质及设备 | |
| CN116777865A (zh) | 一种水下裂缝的识别方法、系统、装置及存储介质 | |
| CN116343078A (zh) | 基于视频sar的目标跟踪方法、系统及设备 | |
| Pérez-Sinticala et al. | Evaluation of primitive extraction methods from point clouds of cultural heritage buildings |
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 | ||
| CP02 | Change in the address of a patent holder | ||
| CP02 | Change in the address of a patent holder |
Address after: 19 / F, building B, Xingzhi science and Technology Park, 6 Xingzhi Road, Nanjing Economic and Technological Development Zone, Jiangsu Province, 210000 Patentee after: AINNOVATION (NANJING) TECHNOLOGY Co.,Ltd. Address before: Floor 19, building B, Xingzhi science and Technology Park, 6 Xingzhi Road, Jiangning Economic and Technological Development Zone, Nanjing, Jiangsu Province Patentee before: AINNOVATION (NANJING) TECHNOLOGY Co.,Ltd. |