CN112819813A - 一种地下管线智能识别方法、装置及存储介质 - Google Patents
一种地下管线智能识别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112819813A CN112819813A CN202110211809.9A CN202110211809A CN112819813A CN 112819813 A CN112819813 A CN 112819813A CN 202110211809 A CN202110211809 A CN 202110211809A CN 112819813 A CN112819813 A CN 112819813A
- Authority
- CN
- China
- Prior art keywords
- pipeline
- image
- identification method
- slices
- phash
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种地下管线智能识别方法、装置及存储介质,识别方法包括步骤:(1)获取探地雷达剖面图像以及典型管线反射特征图像;(2)设定遍历步长和相似度临界值;(3)将探地雷达剖面图像划分为若干切片;(4)遍历各图像,采用感知哈希算法提取各图像特征形成对应的pHash指纹;(5)依据pHash指纹计算各切片与典型管线反射特征图像的相似度,输出所有相似度大于相似度临界值的切片作为管线切片;(6)对管线切片进行基于方向矢量的改进型K‑means聚类分析确定管线数量与位置;(7)管线材质判别。与现有技术相比,本发明不仅可以以较少的样本库直接对管线空间位置实施定位,还能快速、高效的实施材质判别。
Description
技术领域
本发明涉及属于城市地下空间开发与探测领域,尤其是涉及一种地下管线智能识别方法、装置及存储介质。
背景技术
探地雷达(Ground Penetrating Radar,简称GPR)是一种高分辨率、高效的地球物理无损勘测手段,已广泛应用于地下管线探测等领域。但是人工解释雷达图像耗时,且其准确性依赖于工程师的个人经验。所以探索一种准确有效的探地雷达自动识别方法对探地雷达的资料解释具有里程碑的意义。当前,常用的探地雷达剖面地下管线的识别方法主要是BP神经网络方法和卷积神经网络方法。
在BP神经网络分析法中,探地雷达剖面中孤立地下管线的识别主要是通过人为的正演或者实际去勘测来获取大量的训练样本,通过对大量先验信息的训练来更新神经网络的权重,BP神经网络是一种按误差反向传播训练的多层前馈网络,其网络结构为“输入层—中间层—输出层”,它的基本思想是梯度下降法,利用梯度搜索技术,以期使网络的实际输出值和期望输出值的误差均方差为最小,包括信号的前向传播和误差的反向传播两个过程。此时经过训练的神经网络即能对类似样本的输入信息,自行处理输出误差最小的经过非线形转换的信息。然而,BP网络每一层节点是一个线性的一维排列状态,层与层的网络节点之间是全连接的,这就大大增加了运算的时间。
在卷积神经网络分析法中,它的神经元间的连接是非全连接的,另一方面同一层中某些神经元之间的连接的权重是共享的。它的非全连接和权值共享的网络结构使之更类似于生物神经网络,降低了网络模型的复杂度,减少了权值的数量,卷积神经网络的基本结构为“输入层—卷积层—池化层—全连接层”。卷积神经网络仿造生物的视知觉机制构建,其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征,例如图像识别和图像分类、有稳定的效果且对数据没有额外的特征工程要求,但是针对于探地雷达剖面中地下管线的识别这一领域还是需要大量的样本数据。
总体而言,现有探地雷达图像地下管线的自动识别方法严重受限于训练样本的质量和数量,存在前期训练样本不足的问题,尚没有一种能有效解决减少样本需求的方法。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种即能保证识别效果的精度又能减少训练样本数量的地下管线智能识别方法、装置及存储介质。
本发明的目的可以通过以下技术方案来实现:
一种地下管线智能识别方法,该方法包括如下步骤:
(1)获取待识别的探地雷达剖面图像以及典型管线反射特征图像;
(2)设定遍历步长和相似度临界值s;
(3)按照遍历步长将探地雷达剖面图像划分为与管线反射特征图像像素一致的若干切片;
(4)采用感知哈希算法依次遍历典型管线反射特征图像以及各切片,分别提取各图像特征形成对应的pHash指纹;
(5)依据pHash指纹计算各切片与典型管线反射特征图像的相似度,输出相似度大于相似度临界值s的切片作为管线切片;
(6)对管线切片进行基于方向矢量的改进型K-means聚类分析确定管线数量与位置。
优选地,步骤(4)中提取各图像特征形成对应的pHash指纹的具体方式为:
(41)对待处理图像进行尺寸压缩;
(42)简化色彩;
(43)计算处理后图像的离散余弦变换,得到DCT系数矩阵;
(44)缩小DCT系数矩阵;
(45)计算缩小后的DCT系数矩阵的均值;
(46)基于缩小后的DCT系数矩阵及其均值计算哈希值得到对应的pHash指纹。
优选地,步骤(41)中将待处理图像压缩为32*32像素大小,进而步骤(43)形成32*32维的DCT系数矩阵。
优选地,步骤(44)具体为:选取32*32维的DCT系数矩阵的左上角8*8维的矩阵作为缩小后的DCT系数矩阵。
优选地,步骤(46)具体为:若缩小后的DCT系数矩阵中的元素大于等于该矩阵均值,则设为1,否则,对应元素位置处设为0,然后按照行列依次排序形成pHash指纹。
优选地,步骤(5)计算相似度的方式具体为:将切片的pHash指纹与典型管线反射特征图像的pHash指纹逐位比对,统计完全一致的位数占比作为相似度。
优选地,步骤(6)具体为:
(61)获取管线切片左顶点与待识别的探地雷达剖面图像左顶点的连线,每一个连线作为一个方向矢量;
(62)计算每个方向矢量的模值和角度,按照模值大小进行一次分类,将模值相差小于阈值的管线切片分为一类;
(63)对一次分类后属于同一类的管线切片按照角度大小进行二次分类,将角度相差大于阈值的管线切片分为不同的类;
(64)将所有管线切片按照步骤(62)~(63)步骤进行分类,得到K个聚类中心,则管线数量确定为K个;
(65)基于步骤(64)已经获取的K值和每个管线切片方向矢量的模将每个管线切片划分到最近的中心点中;
(66)重复步骤(65)直至聚类结束,聚类中心所对应的区域即为管线位置。
优选地,该方法还包括步骤(7):选取确定为管线的管线切片图像,获取管线切片图像的中间道的亮度函数x(t),若亮度函数x(t)与雷达入射子波或直达波极性相同,则管线为非金属材质,若亮度函数x(t)与雷达入射子波或直达波极性相反,则管线为金属材质。
一种地下管线智能识别装置,包括存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于当执行所述计算机程序时,实现所述的地下管线智能识别方法。
一种存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述的地下管线智能识别方法。
与现有技术相比,本发明具有如下优点:
(1)本发明采用数字图像处理中的感知哈希方法(pHash)取代了传统神经网络方法,摒弃了大量的训练样本,用“以图搜图”的思想使得探地雷达图像中地下管线的智能搜索样本仅需要1个(即只需一个典型管线反射特征图像即可实现在探地雷达剖面图像中的管线搜索);
(2)本发明采用改进型K-means聚类分析方法确定管线数量与位置,充分考虑了探地雷达图像的特征,无需人为定义K值,分类结果更加精准;
(3)本发明可对管线材质进行判别,极大地拓宽了智能识别应用范围。
附图说明
图1为本发明一种地下管线智能识别方法的流程框图;
图2为实施例1中金属管线实测数据中利用感知哈希算法(pHash)和基于矢量法改进的K-means聚类分析地下管线定位结果;
图3为实施例1中金属管线实测数据中利用亮度函数的极性分析地下管线材质结果;
图4为实施例2中非金属管线实测数据中利用感知哈希算法(pHash)和基于矢量法改进的K-means聚类分析地下管线定位结果;
图5为实施例2中金属管线实测数据中利用亮度函数的极性分析地下管线材质结果;
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。注意,以下的实施方式的说明只是实质上的例示,本发明并不意在对其适用物或其用途进行限定,且本发明并不限定于以下的实施方式。
实施例1
如图1所示,本实施例提供一种地下管线智能识别方法,该方法包括如下步骤:
(1)获取待识别的探地雷达剖面图像以及典型管线反射特征图像;
(2)设定遍历步长和相似度临界值s,本实施例中遍历步长设置为2,相似度临界值s设置为75%;
(3)按照遍历步长将探地雷达剖面图像划分为与管线反射特征图像像素一致的若干切片;
(4)采用感知哈希算法依次遍历典型管线反射特征图像以及各切片,分别提取各图像特征形成对应的pHash指纹;
(5)依据pHash指纹计算各切片与典型管线反射特征图像的相似度,输出相似度大于相似度临界值s的切片作为管线切片;
(6)对管线切片进行基于方向矢量的改进型K-means聚类分析确定管线数量与位置;
步骤(4)中提取各图像特征形成对应的pHash指纹的具体方式为:
(41)对待处理图像进行尺寸压缩;
(42)简化色彩;
(43)计算处理后图像的DCT变换,得到DCT系数矩阵;
(44)缩小DCT系数矩阵;
(45)计算缩小后的DCT系数矩阵的均值;
(46)基于缩小后的DCT系数矩阵及其均值计算哈希值得到对应的pHash指纹。
步骤(41)中将待处理图像压缩为32*32像素大小,进而步骤(43)形成32*32维的DCT系数矩阵。
步骤(44)具体为:选取32*32维的DCT系数矩阵的左上角8*8维的矩阵作为缩小后的DCT系数矩阵。
步骤(46)具体为:若缩小后的DCT系数矩阵中的元素大于等于该矩阵均值,则设为1,否则,对应元素位置处设为0,然后按照行列依次排序形成pHash指纹,在本实施例中,缩小后的DCT系数矩阵为8*8维的矩阵,进而得到的pHash指纹按照行依次排列,构成64位的整数。
步骤(5)计算相似度的方式具体为:将切片的pHash指纹与典型管线反射特征图像的pHash指纹逐位比对,统计完全一致的位数占比作为相似度。即将64位的pHash指纹与64位的典型管线反射特征图像的pHash指纹逐位比较,若有n位对应一致,则相似度为n/64。
步骤(6)具体为:
(61)获取管线切片左顶点与待识别的探地雷达剖面图像左顶点的连线,每一个连线作为一个方向矢量;
(62)计算每个方向矢量的模值和角度,按照模值大小进行一次分类,将模值相差小于阈值的管线切片分为一类;
(63)对一次分类后属于同一类的管线切片按照角度大小进行二次分类,将角度相差大于阈值的管线切片分为不同的类;
(64)将所有管线切片按照步骤(62)~(63)步骤进行分类,得到K个聚类中心,则管线数量确定为K个;
(65)基于步骤(64)已经获取的K值和每个管线切片方向矢量的模将每个管线切片划分到最近的中心点中;
(66)重复步骤(65)直至聚类结束,聚类中心所对应的区域即为管线位置。
作为一优选实施例,本发明方法该方法还包括步骤(7):选取确定为管线的管线切片图像,获取管线切片图像的中间道的亮度函数x(t),若亮度函数x(t)与雷达入射子波或直达波极性相同,则管线为非金属材质,若亮度函数x(t)与雷达入射子波或直达波极性相反,则管线为金属材质。
进行管线材质判断的具体原理如下:
根据雷达记录合成计算公式,即雷达子波与反射系统序列的褶积:
x(t)=ω(t)*r(t),
其中x(t)为雷达记录(亮度函数),ω(t)为雷达入射子波,r(t)为反射系数序列,r(t)可由公式计算得出:
其中ε1为管线周围土层介质的相对介电常数,ε2为管线材质及其内部填充物的相对介电常数。
在未知雷达雷达子波极性的条件下可以用直达波极性代替,雷达记录(亮度函数)x(t)与雷达入射子波ω(t)(直达波)极性相同的为非金属管线,亮度函数x(t)与雷达入射子波ω(t)(直达波)极性相反的为金属管线。
本实施例提供了一个金属管线识别实例,图2为金属管线实测数据中利用感知哈希算法(pHash)和基于矢量法改进的K-means聚类分析地下管线定位结果,图2中(a)为感知哈希算法得到的定位结果,图2中(b)为基于矢量法改进的K-means聚类分析得到的聚类结果,由图可知,该实例中测试区域共计5根管线,即图2中(b)长方方形框选区域。图3中(a)为直达波(雷达入射子波)极性,为“明—暗—明”,图3的(b)~(f)分别为5根管线的极性,均为“暗—明—暗”,与直达波(雷达入射子波)极性相反,判断为金属管线。
实施例2
本实施例提供了一个非金属管线识别实例,其方法与实施例1中完全一致,这里不再赘述。图4为非金属管线实测数据中利用感知哈希算法(pHash)和基于矢量法改进的K-means聚类分析地下管线定位结果,图4中(a)为感知哈希算法得到的定位结果,图4中(b)为基于矢量法改进的K-means聚类分析得到的聚类结果,由图可知,该实例中测试区域共计2根管线,即图4中(b)长方方形框选区域。图5中(a)为直达波(雷达入射子波)极性,为“暗—明—暗”,图5的(b)和(c)分别为2根管线的极性,均为“暗—明—暗”,与直达波(雷达入射子波)极性相同,判断为非金属管线。
需要说明的是,在图3和图5中,图3的(a)以及图5的(a)均为直达波的亮度函数曲线,图3的(b)~(f)以及图5的(b)和(c)表示地下管线反射双曲线的亮度函数曲线,在亮度函数曲线中,横轴代表中间道的像素点,纵轴表示像素值,所述的“明”在亮度函数曲线中表示纵轴数值大(即像素值大),“暗”在亮度函数曲线中表示纵轴数值小(即像素值小)。
实施例3
本实施例提供一种地下管线智能识别装置,包括存储器和处理器;
存储器,用于存储计算机程序;
处理器,用于当执行所述计算机程序时,实现所述的地下管线智能识别方法,在该实施例中对于地下管线智能识别方法不再赘述,其识别方法与实施例1和实施例2完全相同。
实施例4
本实施例提供一种存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现地下管线智能识别方法,在该实施例中对于地下管线智能识别方法不再赘述,其识别方法与实施例1和实施例2完全相同。
上述实施方式仅为例举,不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施,且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。
Claims (10)
1.一种地下管线智能识别方法,其特征在于,该方法包括如下步骤:
(1)获取待识别的探地雷达剖面图像以及典型管线反射特征图像;
(2)设定遍历步长和相似度临界值s;
(3)按照遍历步长将探地雷达剖面图像划分为与管线反射特征图像像素一致的若干切片;
(4)采用感知哈希算法依次遍历典型管线反射特征图像以及各切片,分别提取各图像特征形成对应的pHash指纹;
(5)依据pHash指纹计算各切片与典型管线反射特征图像的相似度,输出相似度大于相似度临界值s的切片作为管线切片;
(6)对管线切片进行基于方向矢量的改进型K-means聚类分析确定管线数量与位置。
2.根据权利要求1所述的一种地下管线智能识别方法,其特征在于,步骤(4)中提取各图像特征形成对应的pHash指纹的具体方式为:
(41)对待处理图像进行尺寸压缩;
(42)简化色彩;
(43)计算处理后图像的离散余弦变换,得到DCT系数矩阵;
(44)缩小DCT系数矩阵;
(45)计算缩小后的DCT系数矩阵的均值;
(46)基于缩小后的DCT系数矩阵及其均值计算哈希值得到对应的pHash指纹。
3.根据权利要求2所述的一种地下管线智能识别方法,其特征在于,步骤(41)中将待处理图像压缩为32*32像素大小,进而步骤(43)形成32*32维的DCT系数矩阵。
4.根据权利要求3所述的一种地下管线智能识别方法,其特征在于,步骤(44)具体为:选取32*32维的DCT系数矩阵的左上角8*8维的矩阵作为缩小后的DCT系数矩阵。
5.根据权利要求2所述的一种地下管线智能识别方法,其特征在于,步骤(46)具体为:若缩小后的DCT系数矩阵中的元素大于等于该矩阵均值,则设为1,否则,对应元素位置处设为0,然后按照行列依次排序形成pHash指纹。
6.根据权利要求5所述的一种地下管线智能识别方法,其特征在于,步骤(5)计算相似度的方式具体为:将切片的pHash指纹与典型管线反射特征图像的pHash指纹逐位比对,统计完全一致的位数占比作为相似度。
7.根据权利要求1所述的一种地下管线智能识别方法,其特征在于,步骤(6)具体为:
(61)获取管线切片左顶点与待识别的探地雷达剖面图像左顶点的连线,每一个连线作为一个方向矢量;
(62)计算每个方向矢量的模值和角度,按照模值大小进行一次分类,将模值相差小于阈值的管线切片分为一类;
(63)对一次分类后属于同一类的管线切片按照角度大小进行二次分类,将角度相差大于阈值的管线切片分为不同的类;
(64)将所有管线切片按照步骤(62)~(63)步骤进行分类,得到K个聚类中心,则管线数量确定为K个;
(65)基于步骤(64)已经获取的K值和每个管线切片方向矢量的模将每个管线切片划分到最近的中心点中;
(66)重复步骤(65)直至聚类结束,聚类中心所对应的区域即为管线位置。
8.根据权利要求1所述的一种地下管线智能识别方法,其特征在于,该方法还包括步骤(7):选取确定为管线的管线切片图像,获取管线切片图像的中间道的亮度函数x(t),若亮度函数x(t)与雷达入射子波或直达波极性相同,则管线为非金属材质,若亮度函数x(t)与雷达入射子波或直达波极性相反,则管线为金属材质。
9.一种地下管线智能识别装置,其特征在于,包括存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于当执行所述计算机程序时,实现如权利要求1~8任一项所述的地下管线智能识别方法。
10.一种存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1~8任一项所述的地下管线智能识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110211809.9A CN112819813B (zh) | 2021-02-25 | 2021-02-25 | 一种地下管线智能识别方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110211809.9A CN112819813B (zh) | 2021-02-25 | 2021-02-25 | 一种地下管线智能识别方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112819813A true CN112819813A (zh) | 2021-05-18 |
CN112819813B CN112819813B (zh) | 2022-09-20 |
Family
ID=75865635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110211809.9A Active CN112819813B (zh) | 2021-02-25 | 2021-02-25 | 一种地下管线智能识别方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112819813B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113901878A (zh) * | 2021-09-13 | 2022-01-07 | 哈尔滨工业大学 | 一种基于cnn+rnn算法的三维探地雷达图像地下管线识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182450A (zh) * | 2017-12-25 | 2018-06-19 | 电子科技大学 | 一种基于深度卷积网络的机载探地雷达目标识别方法 |
CN108897775A (zh) * | 2018-06-01 | 2018-11-27 | 昆明理工大学 | 一种基于感知哈希的快速图像识别系统及方法 |
CN110427895A (zh) * | 2019-08-06 | 2019-11-08 | 李震 | 一种基于计算机视觉的视频内容相似度判别方法及系统 |
CN111353552A (zh) * | 2020-03-13 | 2020-06-30 | 杭州趣维科技有限公司 | 一种基于感知哈希算法的图像相似度对比方法 |
CN111679275A (zh) * | 2020-08-06 | 2020-09-18 | 中南大学 | 基于探地雷达的地下管线识别方法 |
US20200394767A1 (en) * | 2019-06-17 | 2020-12-17 | China University Of Mining & Technology, Beijing | Method for rapidly dehazing underground pipeline image based on dark channel prior |
-
2021
- 2021-02-25 CN CN202110211809.9A patent/CN112819813B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182450A (zh) * | 2017-12-25 | 2018-06-19 | 电子科技大学 | 一种基于深度卷积网络的机载探地雷达目标识别方法 |
CN108897775A (zh) * | 2018-06-01 | 2018-11-27 | 昆明理工大学 | 一种基于感知哈希的快速图像识别系统及方法 |
US20200394767A1 (en) * | 2019-06-17 | 2020-12-17 | China University Of Mining & Technology, Beijing | Method for rapidly dehazing underground pipeline image based on dark channel prior |
CN110427895A (zh) * | 2019-08-06 | 2019-11-08 | 李震 | 一种基于计算机视觉的视频内容相似度判别方法及系统 |
CN111353552A (zh) * | 2020-03-13 | 2020-06-30 | 杭州趣维科技有限公司 | 一种基于感知哈希算法的图像相似度对比方法 |
CN111679275A (zh) * | 2020-08-06 | 2020-09-18 | 中南大学 | 基于探地雷达的地下管线识别方法 |
Non-Patent Citations (5)
Title |
---|
GAO XIANGKAI ET AL.: "Design and realization of underground pipeline location system based on RFID technology", 《2017 13TH IEEE INTERNATIONAL CONFERENCE ON ELECTRONIC MEASUREMENT & INSTRUMENTS (ICEMI)》 * |
HUINA LI ET AL.: "A novel approach of K-means based fingerprint segmentation algorithm", 《2012 INTERNATIONAL SYMPOSIUM ON INSTRUMENTATION & MEASUREMENT, SENSOR NETWORK AND AUTOMATION (IMSNA)》 * |
TANMAY T. VERLEKAR ET AL.: "Walking direction identification using perceptual hashing", 《2016 4TH INTERNATIONAL CONFERENCE ON BIOMETRICS AND FORENSICS (IWBF)》 * |
ZELONG LIU ET AL.: "A sound monitoring system for prevention of underground pipeline damage", 《AUTOMATION IN CONSTRUCTION》 * |
姚显春等: "地质雷达探测地下管线分类判别方法研究", 《地球物理学进展》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113901878A (zh) * | 2021-09-13 | 2022-01-07 | 哈尔滨工业大学 | 一种基于cnn+rnn算法的三维探地雷达图像地下管线识别方法 |
CN113901878B (zh) * | 2021-09-13 | 2024-04-05 | 哈尔滨工业大学 | 一种基于cnn+rnn算法的三维探地雷达图像地下管线识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112819813B (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472627B (zh) | 一种端到端的sar图像识别方法、装置及存储介质 | |
CN110136170B (zh) | 一种基于卷积神经网络的遥感影像建筑物变化检测方法 | |
CN108960143B (zh) | 一种高分辨率可见光遥感图像中的舰船检测深度学习方法 | |
CN113095409B (zh) | 基于注意力机制和权值共享的高光谱图像分类方法 | |
CN109284786B (zh) | 基于分布和结构匹配生成对抗网络的sar图像地物分类方法 | |
CN108564085B (zh) | 一种自动读取指针式仪表读数的方法 | |
CN110826428A (zh) | 一种高速的sar图像中船只检测方法 | |
CN112017192B (zh) | 基于改进U-Net网络的腺体细胞图像分割方法及系统 | |
CN111476159A (zh) | 一种基于双角回归的检测模型训练、检测方法及装置 | |
CN111814685A (zh) | 基于双支路卷积自编码器的高光谱图像分类方法 | |
CN114972885B (zh) | 基于模型压缩的多模态遥感图像分类方法 | |
CN104809471B (zh) | 一种基于空间光谱信息的高光谱图像残差融合分类方法 | |
CN112395958A (zh) | 基于四尺度深浅层特征融合的遥感图像小目标检测方法 | |
CN116434069A (zh) | 一种基于局部-全局Transformer网络的遥感图像变化检测方法 | |
CN112819813B (zh) | 一种地下管线智能识别方法、装置及存储介质 | |
CN112731522A (zh) | 地震地层智能识别方法、装置、设备及存储介质 | |
CN116012310A (zh) | 基于线性残差注意力的跨海大桥桥墩表面裂缝检测方法 | |
CN110490061B (zh) | 一种遥感影像特征的不确定性建模与度量方法 | |
CN115205703A (zh) | 一种多特征蓝藻提取方法、装置、电子设备及存储介质 | |
CN114821316A (zh) | 一种三维探地雷达裂缝病害识别方法及系统 | |
CN112288744B (zh) | 基于整型推理量化cnn的sar图像变化检测方法 | |
CN113837123A (zh) | 一种基于谱空信息结合的中分辨率遥感图像近海养殖区提取方法 | |
CN112084941A (zh) | 一种基于遥感图像的目标检测与识别方法 | |
CN1472634A (zh) | 高光谱遥感图像联合加权随机分类方法 | |
CN115937540A (zh) | 基于Transformer编码器的图像匹配方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |