CN112950771B - 一种围岩结构的检测方法、系统及相关组件 - Google Patents
一种围岩结构的检测方法、系统及相关组件 Download PDFInfo
- Publication number
- CN112950771B CN112950771B CN202110360684.6A CN202110360684A CN112950771B CN 112950771 B CN112950771 B CN 112950771B CN 202110360684 A CN202110360684 A CN 202110360684A CN 112950771 B CN112950771 B CN 112950771B
- Authority
- CN
- China
- Prior art keywords
- detection result
- calculating
- structural
- determining
- rock
- 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
Images
Classifications
-
- 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
-
- 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
- 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
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
Abstract
本申请公开了一种围岩结构的检测方法,包括:采集隧道施工过程中凿岩台车的随钻数据和掌子面的图像;根据随钻数据确定初步检测结果;利用图像,对掌子面进行三维重建并确定掌子面的三维点云数据;利用三维点云数据,计算掌子面的结构面参数和岩体体积节理数;通过模糊推理方法,根据初步检测结果和结构面参数、岩体体积节理数确定最终检测结果。本申请利用凿岩台车上的随钻数据和掌子面的图像,利用标准的数据处理和模糊推测手段,不需要人工取样,具有快速高效、使用范围广、可操作性强等优点,保证了检测结果的准确性和可靠性。相应的,本申请还公开了具有相同技术效果的围岩结构的检测系统、装置及可读存储介质。
Description
技术领域
本发明设计隧道施工技术领域,特别涉及一种围岩结构的检测方法、系统及相关组件。
背景技术
岩体隧道工程的设计建设中,围岩质量紧密控制着工程的安全与稳定,准确探测围岩状态是隧道工程岩体稳定性评价基础。当前,围岩探测主要根据岩石的坚硬程度与岩体完整性、结构面状态指标,综合评估围岩质量。
现行国际围岩探测方案依赖人工到危险掌子面进行围岩取样,进而通过岩石力学试验评测。该方法存在现场信息采样难、主观误差大、时效低的问题,影响施工效率,无法满足工程快速施工的需求,此外掌子面地质素描时需要地质工程师到掌子面前方,在地应力高的隧道会面临岩崩、岩爆等危险,存在较大的安全隐患。
因此,如何提供一种解决上述技术问题的方案是目前本领域技术人员需要解决的问题。
发明内容
有鉴于此,本发明的目的在于提供一种具有客观标准的围岩结构的检测方法、系统及相关组件。其具体方案如下:
一种围岩结构的检测方法,包括:
采集隧道施工过程中凿岩台车的随钻数据和掌子面的图像;
根据所述随钻数据确定初步检测结果;
利用所述图像,对所述掌子面进行三维重建并确定所述掌子面的三维点云数据;
利用所述三维点云数据,计算所述掌子面的结构面参数和岩体体积节理数;
通过模糊推理方法,根据所述初步检测结果和所述结构面参数、所述岩体体积节理数确定最终检测结果。
优选的,所述通过模糊推理方法,根据所述初步检测结果和所述结构面参数、所述岩体体积节理数确定最终检测结果的过程,包括:
根据预设隶属度函数,确定所述初步检测结果、所述结构面参数、所述岩体体积节理数各自的隶属度值;
根据预设的模糊规则,对所有所述隶属度值进行运算,确定所述最终检测结果。
优选的,所述图像具体为隧道施工过程中由安装于所述凿岩台车上的左相机和右相机采集的双视角图像。
优选的,所述利用所述三维点云数据,计算所述掌子面的结构面参数和岩体体积节理数的过程,包括:
利用所述三维点云数据,识别所述掌子面的结构面并分组,计算每组所述结构面的结构面参数,所述结构面参数包括每组所述结构面的倾向和倾角;
利用所述三维点云数据,提取每个所述结构面的迹线并分组,计算每组所述迹线的平均间距,根据所有所述平均间距确定岩体体积节理数。
优选的,所述随钻数据包括推进速度、推进压力、冲击压力、回转压力、回转速度、水压力和水流量。
优选的,所述根据所述随钻数据确定初步检测结果的过程,包括:
将所述随钻数据输入集成学习模型,得到所述集成学习模型的输出作为初步检测结果;
所述集成学习模型具体为利用证据推理方法融合K最近邻、人工神经网络和支持向量机后建立的、所述随钻数据与所述初步检测结果的映射关系模型。
优选的,所述检测方法还包括:
根据所述最终检测结果,确定相应的支护结构方案。
相应的,本申请还公开了一种围岩结构的检测系统,包括:
数据采集模块,用于采集隧道施工过程中凿岩台车的随钻数据和掌子面的图像;
第一分析模块,用于根据所述随钻数据确定初步检测结果;
第二分析模块,用于利用所述图像,对所述掌子面进行三维重建并确定所述掌子面的三维点云数据;
第三分析模块,用于利用所述三维点云数据,计算所述掌子面的结构面参数和岩体体积节理数;
综合推理模块,用于通过模糊推理方法,根据所述初步检测结果和所述结构面参数、所述岩体体积节理数确定最终检测结果。
相应的,本申请还公开了一种围岩结构的检测装置,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上文任一项所述围岩结构的检测方法的步骤。
相应的,本申请还公开了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上文任一项所述围岩结构的检测方法的步骤。
本申请公开了一种围岩结构的检测方法,包括:采集隧道施工过程中凿岩台车的随钻数据和掌子面的图像;根据所述随钻数据确定初步检测结果;利用所述图像,对所述掌子面进行三维重建并确定所述掌子面的三维点云数据;利用所述三维点云数据,计算所述掌子面的结构面参数和岩体体积节理数;通过模糊推理方法,根据所述初步检测结果和所述结构面参数、所述岩体体积节理数确定最终检测结果。本申请利用凿岩台车上的随钻数据和掌子面的图像,利用标准的数据处理和模糊推测手段,不需要人工取样,具有快速高效、使用范围广、可操作性强等优点,保证了检测结果的准确性和可靠性。
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作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例中一种围岩结构的检测方法的步骤流程图;
图2为本发明实施例中一种凿岩台车的结构分布图;
图3为本发明实施例中一种围岩结构的检测系统的结构分布图;
图中的附图标记为:
掌子面1、凿岩台车2、驾驶室3、电脑4、左云台5、左相机6、右相机7、右云台8、凿岩机9。
具体实施方式
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,所描述的实施例仅仅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。
现行国际围岩探测方案依赖人工到危险掌子面进行围岩取样,进而通过岩石力学试验评测。该方法存在现场信息采样难、主观误差大、时效低的问题,存在较大的安全隐患。本申请利用凿岩台车上的随钻数据和掌子面的图像,利用标准的数据处理和模糊推测手段,不需要人工取样,具有快速高效、使用范围广、可操作性强等优点,保证了检测结果的准确性和可靠性。
本发明实施例公开了一种围岩结构的检测方法,参见图1所示,包括:
S1:采集隧道施工过程中凿岩台车的随钻数据和掌子面的图像;
可以理解的是,在凿岩台车的隧道施工过程中,凿岩台车上凿岩机自带传感器记录相应的随钻数据并生成随钻日志,随钻数据包括推进速度、推进压力、冲击压力、回转压力、回转速度、水压力和水流量等数据。同时,掌子面的图像具体为隧道施工过程中由安装于凿岩台车上的左相机和右相机采集的双视角图像,左相机和右相机分别位于凿岩台车的左右云台上,车内的操作人员可调整左右云台的旋转角度来控制双视角图像的采集图像范围,掌子面的图像由凿岩台车中的系统自动保存并记录当前掌子面的定位里程。进一步的,凿岩台车的隧道施工过程中各传感器可如图2所示。本实施例中通过凿岩台车获取随钻数据和掌子面图像,无需施工人员现场测量,保证了人员安全,施工风险降低。
S2:根据随钻数据确定初步检测结果;
具体的,步骤S2根据随钻数据确定初步检测结果的过程,包括:将随钻数据输入集成学习模型,得到集成学习模型的输出作为初步检测结果;
集成学习模型具体为利用证据推理方法融合K最近邻、人工神经网络和支持向量机后建立的、随钻数据与初步检测结果的映射关系模型。
可以理解的是,步骤S2之前,可对随钻数据进行预处理,预处理包括异常数据的清洗和归一化处理,避免物理参数数量级对集成学习模型的影响,最后,应用随机过采样方法解决不同情况下的数据不平衡问题,提高集成学习模型的泛化能力。
其中,本实施例中使用集成学习模型得到初步检验结果,该集成学习模型利用证据推理方法,将构建的K最近邻(KNN)、人工神经网络(ANN)、支持向量机(SVM)模型进行融合,能够克服小样本数据带来的过拟合、全系数确定方法的主观性、模型结果冲突的难题。具体的,在使用该集成学习模型之前,利用样本库中的随钻数据和初步检测结果进行训练和测试,以7:3或其他比例将样本库随机划分为训练集和测试集,训练集用来训练该集成学习模型,利用测试集通过准确率、精准度、召回率、fl-score等指标全面评估训练好的集成学习模型。
当然,随钻数据还可包括其他传感器可检测到的参数,此处不作限制;集成学习模型的构造也可选择其他方法和可融合模型,此处不作限制。
S3:利用图像,对掌子面进行三维重建并确定掌子面的三维点云数据;
具体的,利用工作人员在操作左右云台旋转采集的图像,应用大视野矫正的双目立体视觉技术对掌子面进行三维重建,获取掌子面的三维点云数据。
S4:利用三维点云数据,计算掌子面的结构面参数和岩体体积节理数;
具体的,步骤S4利用三维点云数据,计算掌子面的结构面参数和岩体体积节理数的过程,包括:
利用三维点云数据,识别掌子面的结构面并分组,计算每组结构面的结构面参数,结构面参数包括每组结构面的倾向和倾角;
利用三维点云数据,提取每个结构面的迹线并分组,计算每组迹线的平均间距,根据所有平均间距确定岩体体积节理数。
可以理解的是,在步骤S4计算之前,可预先对三维点云数据应用条件滤波方法去除周边噪声点。步骤S4算法细节包括:
应用贪婪投影三角化算法将三维点云数据进行三角网格剖分,再引入半边结构给三角网格的顶点、边、面添加索引,采用区域生长算法识别掌子面的结构面;应用随机抽样一致性方法,拟合同一结构面的点云数据,计算出当前结构面的拟合平面方程及法向量;在此基础上,应用k-means无监督聚类算法对识别的结构面分组,获得结构面组数;依据结构面法向量与大地坐标系的变换关系,计算出每组结构面的倾向和倾角。
岩体体积节理数与上文类似,先采用张量投票方法,提取出每个结构面的迹线,也即特征边;然后将提取的迹线投影到正视图,应用主成分方法计算每条投影迹线的主方向,并应用k均值聚类对其分组,分组组数与结构面组数相同;再次,计算每组迹线的平均方向和测线方向,自动绘制出测线,计算测线与该组内迹线的交点,计算出该组的平均间距及线密度,最后得到岩体体积节理数。具体岩体体积节理数的计算公式如下:
式中,Jv为岩体体积节理数(条/m3),di为每组结构面的平均间距,N为结构面组数。
岩体体积节理数Jv指单位体积岩体中节理的条数,是表征岩体完整性和划分岩体质量的重要指标之一,是国际岩石力学委员会推荐的描述工程岩体完整性的主要评价依据。准确获取的岩体体积节理数Jv,能更好地反映岩体体积节理的发育程度。
S5:通过模糊推理方法,根据初步检测结果和结构面参数、岩体体积节理数确定最终检测结果。
具体的,步骤S5通过模糊推理方法,根据初步检测结果和结构面参数、岩体体积节理数确定最终检测结果的过程,包括:
根据预设隶属度函数,确定初步检测结果、结构面参数、岩体体积节理数各自的隶属度值;
根据预设的模糊规则,对所有隶属度值进行运算,确定最终检测结果。
可以理解的是,本实施例中模糊推理方法暗含了模糊推理的数学模型,对应每个输入参数预设了隶属度函数以及模糊评价矩阵,同时根据最终检测结果和输入参数的对应关系和相关准则预设了模糊规则;利用预设隶属度权重可确定当前初步检测结果、结构面参数、岩体体积节理数各自的隶属度值,表示其在评价对象中的模糊权重;然后根据模糊规则对当前隶属度值进行逻辑运算,即可确定最终检测结果。本实施例中融合了随钻数据和掌子面图像进行综合判断,最终检测结果具有客观、可靠、准确的优点,避免了人为判定时主观误差较大的问题,能够应用于各类复杂多变的隧道地质。
进一步的,本实施例中检测方法还可包括:
S6:根据最终检测结果,确定相应的支护结构方案。
具体的,步骤S6在确定支护结构方案时可按照表1中方案进行设定,也可按照实际地质类型和实际需求进行设定,支护结构方案包括支护材料、支护结构参数等方面的设置。
表1支护结构设计参数
本申请实施例公开了一种围岩结构的检测方法,包括:采集隧道施工过程中凿岩台车的随钻数据和掌子面的图像;根据所述随钻数据确定初步检测结果;利用所述图像,对所述掌子面进行三维重建并确定所述掌子面的三维点云数据;利用所述三维点云数据,计算所述掌子面的结构面参数和岩体体积节理数;通过模糊推理方法,根据所述初步检测结果和所述结构面参数、所述岩体体积节理数确定最终检测结果。本申请利用凿岩台车上的随钻数据和掌子面的图像,利用标准的数据处理和模糊推测手段,不需要人工取样,具有快速高效、使用范围广、可操作性强等优点,保证了检测结果的准确性和可靠性。
相应的,本申请实施例还公开了一种围岩结构的检测系统,参见图3所示,包括:
数据采集模块10,用于采集隧道施工过程中凿岩台车的随钻数据和掌子面的图像;
第一分析模块11,用于根据所述随钻数据确定初步检测结果;
第二分析模块12,用于利用所述图像,对所述掌子面进行三维重建并确定所述掌子面的三维点云数据;
第三分析模块13,用于利用所述三维点云数据,计算所述掌子面的结构面参数和岩体体积节理数;
综合推理模块14,用于通过模糊推理方法,根据所述初步检测结果和所述结构面参数、所述岩体体积节理数确定最终检测结果。
本申请利用凿岩台车上的随钻数据和掌子面的图像,利用标准的数据处理和模糊推测手段,不需要人工取样,具有快速高效、使用范围广、可操作性强等优点,保证了检测结果的准确性和可靠性。
在一些具体的实施例中,综合推理模块14具体用于:
根据预设隶属度函数,确定所述初步检测结果、所述结构面参数、所述岩体体积节理数各自的隶属度值;
根据预设的模糊规则,对所有所述隶属度值进行运算,确定所述最终检测结果。
在一些具体的实施例中,所述图像具体为隧道施工过程中由安装于所述凿岩台车上的左相机和右相机采集的双视角图像。
在一些具体的实施例中,第三分析模块13具体用于:
利用所述三维点云数据,识别所述掌子面的结构面并分组,计算每组所述结构面的结构面参数,所述结构面参数包括每组所述结构面的倾向和倾角;
利用所述三维点云数据,提取每个所述结构面的迹线并分组,计算每组所述迹线的平均间距,根据所有所述平均间距确定岩体体积节理数。
在一些具体的实施例中,所述随钻数据包括推进速度、推进压力、冲击压力、回转压力、回转速度、水压力和水流量。
在一些具体的实施例中,第一分析模块11具体用于:
将所述随钻数据输入集成学习模型,得到所述集成学习模型的输出作为初步检测结果;
所述集成学习模型具体为利用证据推理方法融合K最近邻、人工神经网络和支持向量机后建立的、所述随钻数据与所述初步检测结果的映射关系模型。
在一些具体的实施例中,检测系统还包括:
支护方案确定模块,用于根据所述最终检测结果,确定相应的支护结构方案。
相应的,本申请实施例还公开了一种围岩结构的检测装置,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上文任一实施例所述围岩结构的检测方法的步骤。
相应的,本申请实施例还公开了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上文任一实施例所述围岩结构的检测方法的步骤。
其中,本实施例中所述围岩结构的检测方法的具体内容,可以参照上文实施例中的相关描述,此处不再赘述。
其中,本实施例中围岩结构的检测装置和可读存储介质具有与上文实施例中围岩结构的检测方法相同的技术效果,此处不再赘述。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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“包括一个……”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。
以上对本发明所提供的一种围岩结构的检测方法、系统及相关组件进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种围岩结构的检测方法,其特征在于,包括:
采集隧道施工过程中凿岩台车的随钻数据和掌子面的图像;
根据所述随钻数据确定初步检测结果;
利用所述图像,对所述掌子面进行三维重建并确定所述掌子面的三维点云数据;
利用所述三维点云数据,计算所述掌子面的结构面参数和岩体体积节理数;
通过模糊推理方法,根据所述初步检测结果和所述结构面参数、所述岩体体积节理数确定最终检测结果;
其中,所述利用所述三维点云数据,计算所述掌子面的结构面参数和岩体体积节理数的过程,包括:
应用贪婪投影三角化算法将所述三维点云数据进行三角网格剖分,再通过半边结构对所述三角网格的顶点、边、面添加索引,通过区域生长算法识别所述掌子面的结构面;应用随机抽样一致性方法,拟合同一所述结构面的点数据,计算出所述结构面的拟合平面及法向量,再利用k-means无监督聚类算法对识别的所述结构面进行分组,获得结构面组数;依据所述结构面的所述法向量与大地坐标系的变换关系,计算出每组所述结构面的倾向和倾角;
采用张量投票方法,提取出每个所述结构面的迹线,将所述迹线投影到正视图,应用主成分方法计算每条投影迹线的主方向,并应用K均值聚类进行分组,分组组数与所述结构面组数相同;
计算每组所述迹线的平均方向和测线方向并绘制测线,计算所述测线与该组所述迹线的交点,计算该组所述迹线的平均间距和线密度,以根据所有所述平均间距确定岩体体积节理数;
所述根据所述随钻数据确定初步检测结果的过程,包括:
将所述随钻数据输入集成学习模型,得到所述集成学习模型的输出作为初步检测结果;
所述集成学习模型具体为利用证据推理方法融合K最近邻、人工神经网络和支持向量机后建立的、所述随钻数据与所述初步检测结果的映射关系模型。
2.根据权利要求1所述检测方法,其特征在于,所述通过模糊推理方法,根据所述初步检测结果和所述结构面参数、所述岩体体积节理数确定最终检测结果的过程,包括:
根据预设隶属度函数,确定所述初步检测结果、所述结构面参数、所述岩体体积节理数各自的隶属度值;
根据预设的模糊规则,对所有所述隶属度值进行运算,确定所述最终检测结果。
3.根据权利要求1所述检测方法,其特征在于,所述图像具体为隧道施工过程中由安装于所述凿岩台车上的左相机和右相机采集的双视角图像。
4.根据权利要求1所述检测方法,其特征在于,所述随钻数据包括推进速度、推进压力、冲击压力、回转压力、回转速度、水压力和水流量。
5.根据权利要求1至4任一项所述检测方法,其特征在于,还包括:
根据所述最终检测结果,确定相应的支护结构方案。
6.一种围岩结构的检测系统,其特征在于,包括:
数据采集模块,用于采集隧道施工过程中凿岩台车的随钻数据和掌子面的图像;
第一分析模块,用于根据所述随钻数据确定初步检测结果;
第二分析模块,用于利用所述图像,对所述掌子面进行三维重建并确定所述掌子面的三维点云数据;
第三分析模块,用于利用所述三维点云数据,计算所述掌子面的结构面参数和岩体体积节理数;
综合推理模块,用于通过模糊推理方法,根据所述初步检测结果和所述结构面参数、所述岩体体积节理数确定最终检测结果;
其中,所述第三分析模块具体用于:
应用贪婪投影三角化算法将所述三维点云数据进行三角网格剖分,再通过半边结构对所述三角网格的顶点、边、面添加索引,通过区域生长算法识别所述掌子面的结构面;应用随机抽样一致性方法,拟合同一所述结构面的点数据,计算出所述结构面的拟合平面及法向量,再利用k-means无监督聚类算法对识别的所述结构面进行分组,获得结构面组数;依据所述结构面的所述法向量与大地坐标系的变换关系,计算出每组所述结构面的倾向和倾角;
采用张量投票方法,提取出每个所述结构面的迹线,将所述迹线投影到正视图,应用主成分方法计算每条投影迹线的主方向,并应用K均值聚类进行分组,分组组数与所述结构面组数相同;
计算每组所述迹线的平均方向和测线方向并绘制测线,计算所述测线与该组所述迹线的交点,计算该组所述迹线的平均间距和线密度,以根据所有所述平均间距确定岩体体积节理数;
所述第一分析模块具体用于:
将所述随钻数据输入集成学习模型,得到所述集成学习模型的输出作为初步检测结果;
所述集成学习模型具体为利用证据推理方法融合K最近邻、人工神经网络和支持向量机后建立的、所述随钻数据与所述初步检测结果的映射关系模型。
7.一种围岩结构的检测装置,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至5任一项所述围岩结构的检测方法的步骤。
8.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述围岩结构的检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110360684.6A CN112950771B (zh) | 2021-04-02 | 2021-04-02 | 一种围岩结构的检测方法、系统及相关组件 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110360684.6A CN112950771B (zh) | 2021-04-02 | 2021-04-02 | 一种围岩结构的检测方法、系统及相关组件 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112950771A CN112950771A (zh) | 2021-06-11 |
CN112950771B true CN112950771B (zh) | 2023-04-07 |
Family
ID=76232249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110360684.6A Active CN112950771B (zh) | 2021-04-02 | 2021-04-02 | 一种围岩结构的检测方法、系统及相关组件 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112950771B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113674264A (zh) * | 2021-08-27 | 2021-11-19 | 浙江数智交院科技股份有限公司 | 支护参数确定方法、装置、电子设备及可读存储介质 |
CN115564820B (zh) * | 2022-11-10 | 2023-03-21 | 武汉工程大学 | 基于贪婪投影三角化的体积确定方法、系统、设备及介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008025163A (ja) * | 2006-07-20 | 2008-02-07 | Enzan Kobo:Kk | 削岩機搭載台車における穿孔位置決め制御方法及び建設機械におけるブーム位置決め制御方法 |
CN203037864U (zh) * | 2013-01-07 | 2013-07-03 | 山东大学 | Tbm施工隧道前向三维激发极化法超前探测装置系统 |
CN108489403B (zh) * | 2018-06-08 | 2020-08-07 | 宁波大学 | 基于三维激光扫描的露天矿山边坡岩体节理产状快速精细取值方法 |
CN109886534A (zh) * | 2019-01-09 | 2019-06-14 | 中国铁建重工集团有限公司 | 用于隧道围岩分级的辨识方法及装置 |
CN110111412A (zh) * | 2019-04-08 | 2019-08-09 | 浙江省交通规划设计研究院有限公司 | 一种隧道开挖面围岩点云模型的获取方法 |
CN110852908A (zh) * | 2019-05-31 | 2020-02-28 | 西南交通大学 | 围岩分级方法 |
CN112215820A (zh) * | 2020-10-13 | 2021-01-12 | 仇文革 | 一种基于图像数据的隧道掌子面分析方法 |
-
2021
- 2021-04-02 CN CN202110360684.6A patent/CN112950771B/zh active Active
Non-Patent Citations (1)
Title |
---|
基于机器视觉三维重建技术的隧道掌子面岩体结构数字识别方法及应用;谢壮等;《铁道科学与工程学报》(第04期);173-179 * |
Also Published As
Publication number | Publication date |
---|---|
CN112950771A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111927558B (zh) | 动水软弱围岩隧道全断面掘进的安全预警方法及装置 | |
CN112950771B (zh) | 一种围岩结构的检测方法、系统及相关组件 | |
CN113252700B (zh) | 一种结构裂缝检测方法、设备及系统 | |
CN108489403B (zh) | 基于三维激光扫描的露天矿山边坡岩体节理产状快速精细取值方法 | |
Podobnikar | Methods for visual quality assessment of a digital terrain model | |
CN111553292B (zh) | 一种基于点云数据的岩体结构面识别与产状分类方法 | |
CN108363886A (zh) | 基于深度学习的变形预测方法及系统 | |
Leng et al. | A hybrid data mining method for tunnel engineering based on real-time monitoring data from tunnel boring machines | |
JP2019085712A (ja) | 斜面安定度判定支援システム | |
Gülch et al. | On the performance of semi-automatic building extraction | |
CN114387332B (zh) | 一种管道测厚方法及装置 | |
Battulwar et al. | Automatic extraction of joint orientations in rock mass using PointNet and DBSCAN | |
CN111460701A (zh) | 一种故障诊断模型训练方法和装置 | |
Lane et al. | Remotely sensed topographic data for river channel research: the identification, explanation and management of error | |
Ma et al. | Hybrid model for realistic and efficient estimation of highway sight distance using airborne LiDAR data | |
Yusoff et al. | Discontinuity pattern detection and orientation measurement for tunnel faces by using structure from motion photogrammetry | |
CN117078585A (zh) | 一种管道的缺陷损伤检测方法、装置、设备及介质 | |
Wells et al. | Evaluation of ground plane detection for estimating breast height in stereo images | |
CN113671508B (zh) | 水下淤泥测量方法、装置及系统 | |
CN110231152B (zh) | 基于无人机的井架检测方法及设备 | |
Jin et al. | Developing rock mass classification method using precise description of joints | |
CN113393450B (zh) | 用于数字线划图的数据质检方法、系统及可读存储介质 | |
CN116299374B (zh) | 基于机器视觉的声呐成像水下自动校准定位方法和系统 | |
CN112682034B (zh) | 基于致密砂岩储层的裂缝识别、倾角表征的方法及装置 | |
US20230314144A1 (en) | System and method for estimating drift path of marine floating body |
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 |