CN112819070A - 隧道管片环缝直线化识别及里程环号标记方法 - Google Patents
隧道管片环缝直线化识别及里程环号标记方法 Download PDFInfo
- Publication number
- CN112819070A CN112819070A CN202110128525.3A CN202110128525A CN112819070A CN 112819070 A CN112819070 A CN 112819070A CN 202110128525 A CN202110128525 A CN 202110128525A CN 112819070 A CN112819070 A CN 112819070A
- Authority
- CN
- China
- Prior art keywords
- tunnel
- image
- circular seam
- mileage
- marking
- 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
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000011218 segmentation Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种隧道管片环缝直线化识别及里程环号标记方法,其特征在于:将一组有图案编号的隧道图像输入训练好的直线化识别算法模型进行识别并输出环缝的直线化标记;基于直线化标记获取环缝标记数据,环缝标记数据包含图像编号及环缝在相应隧洞图像中的相对位置信息;将该组隧道图像按图案编号拼接成整条隧道图像;将相应隧道图像的环缝标记数据与整条隧道图像起止里程数据及起始环号数据对比计算,得出相对于整条隧道图像的环起止里程数据和环缝里程数据;展示整条隧道图像及里程、环号;所述直线化识别算法模型由训练样本集输入卷积神经网络中进行识别训练后得到,其中训练样本集包含隧道图像原图和与隧道图像原图对应的直线化标记。
Description
技术领域
本发明涉及一种隧道管片环缝直线化识别及里程环号标记方法。适用于隧道工程领域。
背景技术
随着城市经济的发展,地铁建设进入高峰时期,越来越多的地铁隧道进入运营养护阶段,传统的维保手段通过人工调查记录,效率低下且不能直观了解到病害发生位置及隧道整体全貌,因此引入移动式三维激光扫描技术应用于地铁隧道安全监测并为隧道建立全生命周期的无纸化数字化档案。
数字化档案其中一项重要工作是将全景正射影像图中的每一环管片进行准确编号并对其所处的里程进行计算,其前提是将隧道影像图中的每一环管片划分为一个单元,因每环管片之间有纵向拼接缝(称为环缝),如能自动、准确地识别并标记环缝,将能高效地解决当前依靠人工对管片进行编号和环缝里程标记效率低下的问题。
公开号为CN107392216A的中国专利文献,公开了一种基于灰度数据的盾构隧道管片环缝快速识别方法,该方法主要是将采集来的原始盾构隧道管片灰度图,通直方图均衡化的方法对其进行对比度增强处理,并统计每列的灰度累加值,统计完成后将其缩放至某一范围内,根据缩放后的列灰度累加值确定盾构隧道管片环缝判定阈值,最后遍历其有效列与此阈值对比,最终获取到管片的环缝。
以上文献公开的隧道环缝识别的方法,主要是基于对原始图像处理和阈值分割的方式实现,对原始图像的清晰度和灰度范围的要求高,泛化能力相对较低,在复杂环境下识别准确度不高,识别标记后需要人工修改多处识别错漏,对于工作效率的提升有限。
发明内容
本发明要解决的技术问题是:针对上述存在的问题,提供一种能够对隧道环缝进行准确、快速并且具有强泛化能力的一种隧道管片环缝直线化识别及里程环号标记方法。
本发明所采用的技术方案是:一种隧道管片环缝直线化识别及里程环号标记方法,其特征在于:
将一组有图案编号的隧道图像输入训练好的直线化识别算法模型进行识别并输出环缝的直线化标记;
基于直线化标记获取环缝标记数据,环缝标记数据包含图像编号及环缝在相应隧洞图像中的相对位置信息;
将该组隧道图像按图案编号拼接成整条隧道图像;
将相应隧道图像的环缝标记数据与整条隧道图像起止里程数据及起始环号数据对比计算,得出相对于整条隧道图像的环起止里程数据和环缝里程数据;
展示整条隧道图像及里程、环号;
所述直线化识别算法模型由训练样本集输入卷积神经网络中进行识别训练后得到,其中训练样本集包含隧道图像原图和与隧道图像原图对应的直线化标记。
所述直线化识别算法模型训练,包括:
S01、获取大量隧道图像原图;
S02、对隧道图像原图中所要识别的环缝特征进行直线化标记,在环缝位置标记一条图像竖边平行、等长、宽度为1像素的直线;
S03、设置先验框大小,将先验框大小统一设置为(1,a)像素,a为正整数;
S04、调整训练样本集中图像的角度、饱和度、曝光度以及色调,增加训练样本集;
S05、将隧道图像原图和相应的直线化标记输入卷积神经网络中,进行识别模型训练,获取直线化识别算法模型;
S06、计算环缝识别的平均精度,判定直线化识别算法模型是否达到预期,若精度未达预期,重复步骤S04~S06,直至精度达标。
所述计算环缝识别的平均精度,判定直线化识别算法模型是否达到预期,包括:
根据直线化识别算法模型识别出的环缝边界绘制的预测框和环缝实际边界绘制的实际框的交并比进行评判,若交并比大于预设数值,则归类为预测正确,精度达标;若交并比低于预设数值则判定为预测错误,精度未达预期。
所述将该组隧道图像按图案编号拼接成整条隧道图像,包括:
通过瓦片图的形式将整条隧道完成不同等级的拼接加载。
所述隧道图像为隧道内衬砌表面的全景正射影像图。
一种隧道管片环缝直线化识别及里程环号标记装置,其特征在于,包括:
直线化标记识别模块,用于将一组有图案编号的隧道图像输入训练好的直线化识别算法模型进行识别并输出环缝的直线化标记;
环缝标记数据识别模块,用于基于直线化标记获取环缝标记数据,环缝标记数据包含图像编号及环缝在相应隧洞图像中的相对位置信息;
图像拼接模块,用于将该组隧道图像按图案编号拼接成整条隧道图像;
里程计算模块,用于将相应隧道图像的环缝标记数据与整条隧道图像起止里程数据及起始环号数据对比计算,得出相对于整条隧道图像的环起止里程数据和环缝里程数据;
展示模块,用于展示整条隧道图像及里程、环号;
所述直线化识别算法模型由训练样本集输入卷积神经网络中进行识别训练后得到,其中训练样本集包含隧道图像原图和与隧道图像原图对应的直线化标记。
所述直线化识别算法模型训练,包括:
S01、获取大量隧道图像原图;
S02、对隧道图像原图中所要识别的环缝特征进行直线化标记,在环缝位置标记一条图像竖边平行、等长、宽度为1像素的直线;
S03、设置先验框大小,将先验框大小统一设置为(1,a)像素;
S04、调整训练样本集中图像的角度、饱和度、曝光度以及色调,增加训练样本集;
S05、将隧道图像原图和相应的直线化标记输入卷积神经网络中,进行识别模型训练,获取直线化识别算法模型;
S06、计算环缝识别的平均精度,判定直线化识别算法模型是否达到预期,若精度未达预期,重复步骤S04~S06,直至精度达标。
所述计算环缝识别的平均精度,判定直线化识别算法模型是否达到预期,包括:
根据直线化识别算法模型识别出的环缝边界绘制的预测框和环缝实际边界绘制的实际框的交并比进行评判,若交并比大于预设数值,则归类为预测正确,精度达标;若交并比低于预设数值则判定为预测错误,精度未达预期。
所述将该组隧道图像按图案编号拼接成整条隧道图像,包括:
通过瓦片图的形式将整条隧道完成不同等级的拼接加载。
所述隧道图像为隧道内衬砌表面的全景正射影像图。
本发明的有益效果是:本发明利用训练好的直线化识别算法模型识别图像上的环缝特征,对原始图像的清晰度和灰度范围的要求较低,泛化能力相对较高,在复杂环境下同样能有较高的识别准确度。
附图说明
图1为本实施例中一种隧道管片环缝直线化识别及里程环号标记方法的流程图;
图2为本实施例中一种隧道管片环缝直线化识别及里程环号标记装置的功能模块图。
图中,1、直线化标记识别模块,2、环缝标记数据识别模块,3、图像拼接模块,4、里程计算模块,5、展示模块。
具体实施方式
如图1所示,本实施例为一种隧道管片环缝直线化识别及里程环号标记方法,包括以下步骤:
a、将一组带有图案编号的盾构法隧道图像输入训练好的直线化识别算法模型进行识别并输出环缝的直线化标记,将识别出的直线化标记进行过滤计算,去除近似像素值,保存为json格式。
隧道图像为通过移动式三维激光扫描技术获取的隧道内衬砌表面的全景正射影像图,并按顺序标记有图案编号。
b、基于直线化标记识别获取环缝标记数据,环缝标记数据包含图像编号及环缝在该编号的隧洞图像中的相对位置信息。
本例中相对位置信息通过直线化标记与相应的隧道图像进行比对,计算出图像中环缝的所在像素位置的数据。
c、将该组隧道图像按图案编号拼接成整条隧道图像,通过瓦片图的形式将将整条隧道完成不同等级的拼接加载;
d、将识别出的环缝标记数据与整条隧道图像相匹配,从而计算出隧道当前环缝的环号,然后再利用已知的整条隧道图像中整条隧道起止里程和上述拼接后的环缝绝对像素信息进行对比计算,得到环缝所处里程,将其动态加载于整条隧道图像之上,并支持数据的二次修改。
e、展示加载有里程、环号等数据的整条隧道图像。
本实施例中直线化识别算法模型训练,包括:
S01、通过移动式三维激光扫描技术获取若干隧道内衬砌表面的全景正射影像图,作为训练样本集中的隧道图像原图;
S02、对每张隧道图像原图中所要识别的环缝特征进行直线化标记,人工在隧道纵向展开的矩形的隧道图像原图中的环缝位置标记一条与隧道图像原图竖边平行、等长、宽度为1像素的直线,并将其分类为line,将直线化标记结果和原图归类;
S03、对先验框大小的设置,为因识别的对象为从上至下的一条直线,所以将先验框大小统一设置为(1,a)像素,a为正整数,以用来提高训练模型的最终准确度和加快模型的快速收敛;
S04、对经标注和像素调整处理的隧道图像进行角度、饱和度、曝光度和色调的调整,以增加训练样本集,从而实现对训练效果的增强,保证训练出的模型具有更强的泛化能力;
S05、将隧道图像原图和人工的直线化标记结果输入卷积神经网络中,进行识别模型训练,获取直线化识别算法模型;
S06、对直线化识别算法模型环缝识别的平均精度进行计算,根据识别出的环缝边界绘制的预测框和环缝实际边界绘制的实际框的交并比进行评判,如过交并比大于0.5,则归类为预测正确,输出直线化识别算法模型;如果精度低于此值则判定为预测错误,重复S04–S06,调整算法参数,直至精度达标。
如图2所示,本实施例还提供一种隧道管片环缝直线化识别及里程环号标记装置,包括直线化标记识别模块、环缝标记数据识别模块、图像拼接模块、里程计算模块和展示模块。
本例中直线化标记识别模块用于将一组有图案编号的隧道图像输入训练好的直线化识别算法模型进行识别并输出环缝的直线化标记;环缝标记数据识别模块用于基于直线化标记获取环缝标记数据,环缝标记数据包含图像编号及环缝在相应隧洞图像中的相对位置信息;图像拼接模块用于将该组隧道图像按图案编号拼接成整条隧道图像;里程计算模块用于将相应隧道图像的环缝标记数据与整条隧道图像起止里程数据及起始环号数据对比计算,得出相对于整条隧道图像的环起止里程数据和环缝里程数据;展示模块用于展示整条隧道图像及里程、环号。
本实施例还提供一种存储介质,其上存储有可供处理器执行的计算机程序,该计算机程序被执行时实现本实施例中隧道管片环缝直线化识别及里程环号标记方法的步骤。
本实施例还提供一种计算机设备,具有存储器和处理器,存储器上存储有可供处理器执行的计算机程序,该计算机程序被执行时实现本实施例中隧道管片环缝直线化识别及里程环号标记方法的步骤。
Claims (10)
1.一种隧道管片环缝直线化识别及里程环号标记方法,其特征在于:
将一组有图案编号的隧道图像输入训练好的直线化识别算法模型进行识别并输出环缝的直线化标记;
基于直线化标记获取环缝标记数据,环缝标记数据包含图像编号及环缝在相应隧洞图像中的相对位置信息;
将该组隧道图像按图案编号拼接成整条隧道图像;
将相应隧道图像的环缝标记数据与整条隧道图像起止里程数据及起始环号数据对比计算,得出相对于整条隧道图像的环起止里程数据和环缝里程数据;
展示整条隧道图像及里程、环号;
所述直线化识别算法模型由训练样本集输入卷积神经网络中进行识别训练后得到,其中训练样本集包含隧道图像原图和与隧道图像原图对应的直线化标记。
2.根据权利要求1所述的隧道管片环缝直线化识别及里程环号标记方法,其特征在于,所述直线化识别算法模型训练,包括:
S01、获取大量隧道图像原图;
S02、对隧道图像原图中所要识别的环缝特征进行直线化标记,在环缝位置标记一条图像竖边平行、等长、宽度为1像素的直线;
S03、设置先验框大小,将先验框大小统一设置为(1,a)像素,a为正整数;
S04、调整训练样本集中图像的角度、饱和度、曝光度以及色调,增加训练样本集;
S05、将隧道图像原图和相应的直线化标记输入卷积神经网络中,进行识别模型训练,获取直线化识别算法模型;
S06、计算环缝识别的平均精度,判定直线化识别算法模型是否达到预期,若精度未达预期,重复步骤S04~S06,直至精度达标。
3.根据权利要求2所述的隧道管片环缝直线化识别及里程环号标记方法,其特征在于,所述计算环缝识别的平均精度,判定直线化识别算法模型是否达到预期,包括:
根据直线化识别算法模型识别出的环缝边界绘制的预测框和环缝实际边界绘制的实际框的交并比进行评判,若交并比大于预设数值,则归类为预测正确,精度达标;若交并比低于预设数值则判定为预测错误,精度未达预期。
4.根据权利要求1所述的隧道管片环缝直线化识别及里程环号标记方法,其特征在于,所述将该组隧道图像按图案编号拼接成整条隧道图像,包括:
通过瓦片图的形式将整条隧道完成不同等级的拼接加载。
5.根据权利要求1所述的隧道管片环缝直线化识别及里程环号标记方法,其特征在于,所述隧道图像为隧道内衬砌表面的全景正射影像图。
6.一种隧道管片环缝直线化识别及里程环号标记装置,其特征在于,包括:
直线化标记识别模块(1),用于将一组有图案编号的隧道图像输入训练好的直线化识别算法模型进行识别并输出环缝的直线化标记;
环缝标记数据识别模块(2),用于基于直线化标记获取环缝标记数据,环缝标记数据包含图像编号及环缝在相应隧洞图像中的相对位置信息;
图像拼接模块(3),用于将该组隧道图像按图案编号拼接成整条隧道图像;
里程计算模块(4),用于将相应隧道图像的环缝标记数据与整条隧道图像起止里程数据及起始环号数据对比计算,得出相对于整条隧道图像的环起止里程数据和环缝里程数据;
展示模块(5),用于展示整条隧道图像及里程、环号;
所述直线化识别算法模型由训练样本集输入卷积神经网络中进行识别训练后得到,其中训练样本集包含隧道图像原图和与隧道图像原图对应的直线化标记。
7.根据权利要求6所述的隧道管片环缝直线化识别及里程环号标记装置,其特征在于,所述直线化识别算法模型训练,包括:
S01、获取大量隧道图像原图;
S02、对隧道图像原图中所要识别的环缝特征进行直线化标记,在环缝位置标记一条图像竖边平行、等长、宽度为1像素的直线;
S03、设置先验框大小,将先验框大小统一设置为(1,a)像素,a为正整数;
S04、调整训练样本集中图像的角度、饱和度、曝光度以及色调,增加训练样本集;
S05、将隧道图像原图和相应的直线化标记输入卷积神经网络中,进行识别模型训练,获取直线化识别算法模型;
S06、计算环缝识别的平均精度,判定直线化识别算法模型是否达到预期,若精度未达预期,重复步骤S04~S06,直至精度达标。
8.根据权利要求7所述的隧道管片环缝直线化识别及里程环号标记装置,其特征在于,所述计算环缝识别的平均精度,判定直线化识别算法模型是否达到预期,包括:
根据直线化识别算法模型识别出的环缝边界绘制的预测框和环缝实际边界绘制的实际框的交并比进行评判,若交并比大于预设数值,则归类为预测正确,精度达标;若交并比低于预设数值则判定为预测错误,精度未达预期。
9.根据权利要求6所述的隧道管片环缝直线化识别及里程环号标记装置,其特征在于,所述将该组隧道图像按图案编号拼接成整条隧道图像,包括:
通过瓦片图的形式将整条隧道完成不同等级的拼接加载。
10.根据权利要求6所述的隧道管片环缝直线化识别及里程环号标记装置,其特征在于:所述隧道图像为隧道内衬砌表面的全景正射影像图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110128525.3A CN112819070A (zh) | 2021-01-29 | 2021-01-29 | 隧道管片环缝直线化识别及里程环号标记方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110128525.3A CN112819070A (zh) | 2021-01-29 | 2021-01-29 | 隧道管片环缝直线化识别及里程环号标记方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112819070A true CN112819070A (zh) | 2021-05-18 |
Family
ID=75860287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110128525.3A Pending CN112819070A (zh) | 2021-01-29 | 2021-01-29 | 隧道管片环缝直线化识别及里程环号标记方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112819070A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102022103565A1 (de) | 2022-02-16 | 2023-08-17 | Bayerische Motoren Werke Aktiengesellschaft | Longitudinale Positionierung eines Fahrzeugs |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392216A (zh) * | 2017-07-27 | 2017-11-24 | 上海同岩土木工程科技股份有限公司 | 一种基于灰度数据的盾构隧道管片环缝快速识别方法 |
CN108204985A (zh) * | 2018-01-16 | 2018-06-26 | 上海同岩土木工程科技股份有限公司 | 一种盾构隧道里程定位方法 |
CN108362308A (zh) * | 2018-01-19 | 2018-08-03 | 同济大学 | 一种利用隧道环缝的移动激光测量系统里程校正方法 |
CN109712148A (zh) * | 2018-12-19 | 2019-05-03 | 上海勘察设计研究院(集团)有限公司 | 基于盾构隧道影像的管片接缝位置自动识别方法 |
CN111160301A (zh) * | 2019-12-31 | 2020-05-15 | 同济大学 | 基于机器视觉的隧道病害目标智能识别及提取方法 |
CN111489352A (zh) * | 2020-04-29 | 2020-08-04 | 安徽国钜工程机械科技有限公司 | 一种基于数字图像处理的隧道缝隙检测与测量方法及装置 |
CN112036508A (zh) * | 2020-09-27 | 2020-12-04 | 上海京海工程技术有限公司 | 一种基于盾构隧道衬砌结构的环缝自动识别方法 |
CN112070754A (zh) * | 2020-09-11 | 2020-12-11 | 武汉百家云科技有限公司 | 一种隧道管片漏水检测方法、装置、电子设备及介质 |
CN112084973A (zh) * | 2020-09-14 | 2020-12-15 | 北京工商大学 | 一种基于正射投影图像的隧道管环识别与标注方法 |
CN112215301A (zh) * | 2020-10-29 | 2021-01-12 | 上海勘察设计研究院(集团)有限公司 | 基于卷积神经网络的影像直线探测方法 |
-
2021
- 2021-01-29 CN CN202110128525.3A patent/CN112819070A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392216A (zh) * | 2017-07-27 | 2017-11-24 | 上海同岩土木工程科技股份有限公司 | 一种基于灰度数据的盾构隧道管片环缝快速识别方法 |
CN108204985A (zh) * | 2018-01-16 | 2018-06-26 | 上海同岩土木工程科技股份有限公司 | 一种盾构隧道里程定位方法 |
CN108362308A (zh) * | 2018-01-19 | 2018-08-03 | 同济大学 | 一种利用隧道环缝的移动激光测量系统里程校正方法 |
CN109712148A (zh) * | 2018-12-19 | 2019-05-03 | 上海勘察设计研究院(集团)有限公司 | 基于盾构隧道影像的管片接缝位置自动识别方法 |
CN111160301A (zh) * | 2019-12-31 | 2020-05-15 | 同济大学 | 基于机器视觉的隧道病害目标智能识别及提取方法 |
CN111489352A (zh) * | 2020-04-29 | 2020-08-04 | 安徽国钜工程机械科技有限公司 | 一种基于数字图像处理的隧道缝隙检测与测量方法及装置 |
CN112070754A (zh) * | 2020-09-11 | 2020-12-11 | 武汉百家云科技有限公司 | 一种隧道管片漏水检测方法、装置、电子设备及介质 |
CN112084973A (zh) * | 2020-09-14 | 2020-12-15 | 北京工商大学 | 一种基于正射投影图像的隧道管环识别与标注方法 |
CN112036508A (zh) * | 2020-09-27 | 2020-12-04 | 上海京海工程技术有限公司 | 一种基于盾构隧道衬砌结构的环缝自动识别方法 |
CN112215301A (zh) * | 2020-10-29 | 2021-01-12 | 上海勘察设计研究院(集团)有限公司 | 基于卷积神经网络的影像直线探测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102022103565A1 (de) | 2022-02-16 | 2023-08-17 | Bayerische Motoren Werke Aktiengesellschaft | Longitudinale Positionierung eines Fahrzeugs |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111814722B (zh) | 一种图像中的表格识别方法、装置、电子设备及存储介质 | |
CN111474184B (zh) | 基于工业机器视觉的aoi字符缺陷检测方法和装置 | |
CN108133216B (zh) | 基于机器视觉的可实现小数点读取的数码管读数识别方法 | |
CN111486797B (zh) | 一种地铁圆形盾构隧道横向直径的自动提取方法 | |
JPWO2019111976A1 (ja) | 対象物検出装置、予測モデル作成装置、対象物検出方法及びプログラム | |
CN110781877A (zh) | 一种图像识别方法、设备及存储介质 | |
CN111626249B (zh) | 题目图像中几何图形的识别方法、装置和计算机存储介质 | |
CN109598681B (zh) | 一种对称唐卡修复后图像的无参考质量评价方法 | |
CN103852034B (zh) | 一种电梯导轨垂直度检测方法 | |
CN113903024A (zh) | 一种手写票据数值信息识别方法、系统、介质及装置 | |
CN111126393A (zh) | 车辆外观改装判断方法、装置、计算机设备及存储介质 | |
CN111626941A (zh) | 一种基于深度学习语义分割的文档矫正方法 | |
CN115331245A (zh) | 一种基于图像实例分割的表格结构识别方法 | |
CN110135407B (zh) | 样本标注方法及计算机存储介质 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN114004858A (zh) | 基于机器视觉识别航空线缆表面编码的方法及装置 | |
CN110660094A (zh) | 一种基于图像识别的地铁隧道移动扫描点云精细划分方法 | |
CN115578741A (zh) | 一种基于Mask R-cnn算法和类型分割的扫描文件版面分析方法 | |
CN112819070A (zh) | 隧道管片环缝直线化识别及里程环号标记方法 | |
CN117058411B (zh) | 电池棱边外形瑕疵识别方法、装置、介质和设备 | |
CN117011290B (zh) | 缺陷诊断方法、系统及计算机设备 | |
CN112686872B (zh) | 基于深度学习的木材计数方法 | |
CN110031471B (zh) | 大口径光学元件表面缺陷增长分析方法、系统、装置 | |
CN111126286A (zh) | 车辆动态检测方法、装置、计算机设备及存储介质 | |
CN113096099B (zh) | 基于颜色通道合并的透水沥青混合料连通空隙识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210518 |
|
RJ01 | Rejection of invention patent application after publication |