CN112989481A - 复杂地质隧道施工围岩稳定可视化图像数据处理方法 - Google Patents

复杂地质隧道施工围岩稳定可视化图像数据处理方法 Download PDF

Info

Publication number
CN112989481A
CN112989481A CN202110532691.XA CN202110532691A CN112989481A CN 112989481 A CN112989481 A CN 112989481A CN 202110532691 A CN202110532691 A CN 202110532691A CN 112989481 A CN112989481 A CN 112989481A
Authority
CN
China
Prior art keywords
surrounding rock
image
representing
stability
tunnel construction
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
Application number
CN202110532691.XA
Other languages
English (en)
Other versions
CN112989481B (zh
Inventor
陈敏
高军
汤宇
陈善雄
罗红明
刘德安
王圣
林晓
彭学军
刘云龙
谢晓波
李一萍
赵建斌
何浩
胥俊玮
刘飞翔
杨锡斌
刘化平
凌涛
张远征
纪常永
王峰
孟国基
王辉麟
王万齐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Institute of Rock and Soil Mechanics of CAS
China Railway No 5 Engineering Group Co Ltd
First Engineering Co Ltd of China Railway No 5 Engineering Group Co Ltd
Original Assignee
Wuhan Institute of Rock and Soil Mechanics of CAS
China Railway No 5 Engineering Group Co Ltd
First Engineering Co Ltd of China Railway No 5 Engineering Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Institute of Rock and Soil Mechanics of CAS, China Railway No 5 Engineering Group Co Ltd, First Engineering Co Ltd of China Railway No 5 Engineering Group Co Ltd filed Critical Wuhan Institute of Rock and Soil Mechanics of CAS
Priority to CN202110532691.XA priority Critical patent/CN112989481B/zh
Publication of CN112989481A publication Critical patent/CN112989481A/zh
Application granted granted Critical
Publication of CN112989481B publication Critical patent/CN112989481B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Civil Engineering (AREA)
  • Architecture (AREA)
  • Computer Graphics (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Excavating Of Shafts Or Tunnels (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种复杂地质隧道施工围岩稳定可视化图像数据处理方法，包括：S100按照设定周期采集并保存隧道的围岩图像，对所述围岩图像进行预处理；S200根据隧道的设计线路与掘进进度，建立三维的隧道施工动态模型，对隧道施工动态模型进行分段和标记，将隧道施工动态模型和各分段与相对应的围岩图像关联；S300构建围岩稳定性分析模型，对各分段预处理后的围岩图像进行识别与数据分析，得到各分段的围岩稳定性评价；S400将各分段的围岩稳定性评价与隧道施工动态模型的相应分段进行关联，显示隧道施工动态模型及各分段的围岩稳定性评价。提高了评价的准确性，有效防止误判，可以保障隧道施工的安全性，有效防止事故发生。

Description

复杂地质隧道施工围岩稳定可视化图像数据处理方法
技术领域
本发明涉及隧道施工安全与图像数据处理技术领域，特别涉及一种复杂地质隧道施工围岩稳定可视化图像数据处理方法。
背景技术
在隧道施工过程中，围岩变形是反映多种因素影响的综合指标。围岩变形量可分为围岩表面移动量以及深部移动量。围岩表面移动量是指从围岩表面测得的巷道顶底板、两帮的移近距离或某一部分的移动量。由于围岩变形量相比于其他信息直观、易测，并且方便定量计算，因此在工程实践中获得了更多的应用。
国内外现有的隧道围岩变形量测量方法及仪器按其工作原理可以分为机械式测量仪器、电测式测量仪器、声波测距法、激光测距法等，近年来出现将可视化成像技术应用到隧道围岩监测的情况，形成的可视化图像更能够直观地反映隧道围岩状态，但是对于隧道的可视化图像数据的处理分析方法存在较多问题，特别是对于复杂地质情况下的隧道项目，容易造成围岩稳定性评价误差大，误判率高。
发明内容
为了解决上述技术问题，本发明提供了一种复杂地质隧道施工围岩稳定可视化图像数据处理方法，包括以下步骤：
S100按照设定周期采集并保存隧道的围岩图像，对所述围岩图像进行预处理；
S200根据隧道的设计线路与掘进进度，建立三维的隧道施工动态模型，对隧道施工动态模型进行分段和标记，将隧道施工动态模型和各分段与相对应的围岩图像关联；
S300构建围岩稳定性分析模型，对各分段预处理后的围岩图像进行识别与数据分析，得到各分段的围岩稳定性评价；
S400将各分段的围岩稳定性评价与隧道施工动态模型的相应分段进行关联，显示隧道施工动态模型及各分段的围岩稳定性评价。
可选的，所述围岩图像的预处理包括增强处理，所述增强处理方式如下：
首先，对预处理后的围岩图像进行多层小波分解，得到各个频率段的小波系数；
其次，将各个频率段的小波系数与系数阈值进行对比，若小波系数大于系数阈值，则对相应频率段的小波系数进行增强处理；
最后，对处理之后的小波系数进行小波重构，得到增强后的围岩图像；所述小波重构采用以下算法进行：
上式中，
Figure 100002_DEST_PATH_IMAGE001
表示增强后围岩图像的数字信号；
Figure 100002_DEST_PATH_IMAGE002
表示采样点数；
Figure 100002_DEST_PATH_IMAGE003
表示围岩图像垂直方向平移的像素个数；
Figure 100002_DEST_PATH_IMAGE004
表示围岩图像水平方向平移的像素个数；
Figure 100002_DEST_PATH_IMAGE005
表示围岩图像的亮度因子，
Figure 100002_DEST_PATH_IMAGE006
表示小波分解的二维离散指数；
Figure 100002_DEST_PATH_IMAGE007
和
Figure 100002_DEST_PATH_IMAGE008
表示互为共轭的滤波器脉冲输出；
Figure 100002_DEST_PATH_IMAGE009
表示增强前围岩图像的数字信号；
Figure 100002_DEST_PATH_IMAGE010
表示分解因子；字母
Figure 696987DEST_PATH_IMAGE010
右上角的数字1，2，3表示分解的尺度。
可选的，所述围岩稳定性分析模型的构建过程如下：
第一，采集隧道项目的围岩样品，进行样品分析，获得围岩构成数据；
第二，进围岩变形模拟实验，获取实验过程中的围岩样品图像，测定围岩样品的围岩构成数据、外力和震动因素对围岩变形的影响情况；
第三，根据各因素对围岩变形的影响情况构建BP神经网络，将围岩构成数据输入BP神经网络进行深度学习和数据训练，形成围岩稳定性初步模型；
第四，对围岩样品图像进行预处理，将预处理后的围岩样品图像用于围岩稳定性初步模型的优化，得到围岩稳定性分析模型。
可选的，所述围岩稳定性分析模型中采用以下物元描述：
Figure 100002_DEST_PATH_IMAGE011
上式中，
Figure 100002_DEST_PATH_IMAGE012
表示物元；
Figure 100002_DEST_PATH_IMAGE013
表示评价单元；
Figure 100002_DEST_PATH_IMAGE014
表示评价单元的第
Figure 100002_DEST_PATH_IMAGE015
项影响因素；
Figure 100002_DEST_PATH_IMAGE016
表示第
Figure 100002_DEST_PATH_IMAGE017
项影响因素数量化的量值域；
Figure 100002_DEST_PATH_IMAGE018
表示影响因素的个数；
确定围岩稳定性的等级划分，根据以下公式计算物元
Figure 100002_DEST_PATH_IMAGE019
与围岩稳定性等级H的关联度：
Figure 100002_DEST_PATH_IMAGE020
上式中，
Figure 100002_DEST_PATH_IMAGE021
表示物元
Figure 100002_DEST_PATH_IMAGE022
与围岩稳定性等级H的关联度；
Figure 100002_DEST_PATH_IMAGE023
表示第
Figure 100002_DEST_PATH_IMAGE024
项影响因素的第
Figure 100002_DEST_PATH_IMAGE025
项指标权系数；
Figure 100002_DEST_PATH_IMAGE026
表示各单项评价指标关于围岩稳定性各等级的关联度；
Figure 100002_DEST_PATH_IMAGE027
表示每个影响因素的指标数量；
然后根据物元
Figure 100002_DEST_PATH_IMAGE028
与围岩稳定性等级H的关联度
Figure 100002_DEST_PATH_IMAGE029
计算结果来对围岩稳定性进行评价。
可选的，采用以下公式对预处理后的围岩图像进行滤波：
Figure 100002_DEST_PATH_IMAGE030
上式中，
Figure 100002_DEST_PATH_IMAGE031
表示滤波函数；
Figure 100002_DEST_PATH_IMAGE032
，
Figure 100002_DEST_PATH_IMAGE033
分别表示在x 轴，y 轴上的空间平移量；
Figure 100002_DEST_PATH_IMAGE034
表示函数的包络值，
Figure 100002_DEST_PATH_IMAGE035
，
Figure 100002_DEST_PATH_IMAGE036
表示中心频率与带宽之间的比例，
Figure 100002_DEST_PATH_IMAGE037
表示中心频率；
Figure 100002_DEST_PATH_IMAGE038
是正弦波的波长；
Figure 100002_DEST_PATH_IMAGE039
表示复数调制部分函数的辐角；
Figure 100002_DEST_PATH_IMAGE040
表示高斯函数的纵横比；
Figure 100002_DEST_PATH_IMAGE041
表示虚数符号；
Figure 100002_DEST_PATH_IMAGE042
表示偏移度；
再采用以下公式进行中值滤波：
Figure 100002_DEST_PATH_IMAGE043
上式中，
Figure 100002_DEST_PATH_IMAGE044
表示中值滤波处理后的围岩图像；
Figure 100002_DEST_PATH_IMAGE045
表示中值滤波处理前的围岩图像；
Figure 100002_DEST_PATH_IMAGE046
表示围岩图像坐标值；
Figure 100002_DEST_PATH_IMAGE047
表示5*21的矩阵区域的滑动模板；
然后，对中值滤波后的围岩图像进行裂缝识别。
可选的，采用以下公式计算各分段裂缝对围岩稳定性的影响系数：
Figure 100002_DEST_PATH_IMAGE048
上式中，
Figure 100002_DEST_PATH_IMAGE049
表示裂缝对围岩稳定性的影响系数；
Figure 100002_DEST_PATH_IMAGE050
表示同一分段的采集的围岩图像数量；
Figure 100002_DEST_PATH_IMAGE051
表示同一分段采集的第
Figure 100002_DEST_PATH_IMAGE052
个围岩图像中的裂缝数量；
Figure 100002_DEST_PATH_IMAGE053
表示同一分段采集的第
Figure 100002_DEST_PATH_IMAGE054
个围岩图像中的裂缝数量；
根据计算结果对分段围岩稳定性评价进行修正。
可选的，在S100步骤中，预先通过以下方式确定隧道围岩等级：
围岩取样并采集取样的随钻数据以及对应位置的岩石地质信息，将随钻数据标准化；
以标准化后的随钻数据为分析对象，结合所述岩石地质信息，确定同一位置随钻数据与围岩强度之间的关系；
采集隧道的围岩图像，对围岩图像进行图像处理，确定同一位置围岩图像与岩石完整程度的判别关系；
综合同一位置随钻数据与围岩强度之间的关系以及同一位置围岩图像与岩石完整程度的判别关系，对隧道围岩进行分级判断，确定隧道围岩等级。
可选的，在S300步骤中，分别提取同一分段的围岩图像的各项属性值，所述围岩稳定性分析模型采用以下公式计算围岩图像变化率：
Figure 100002_DEST_PATH_IMAGE055
上式中，
Figure 100002_DEST_PATH_IMAGE056
表示分段的围岩图像变化率；
Figure 100002_DEST_PATH_IMAGE057
表示每个围岩图像的属性数量；
Figure 100002_DEST_PATH_IMAGE058
表示前面保存的围岩图像数量；
Figure 100002_DEST_PATH_IMAGE059
表示第
Figure 100002_DEST_PATH_IMAGE060
个围岩图像的第
Figure 100002_DEST_PATH_IMAGE061
项属性值；
Figure 100002_DEST_PATH_IMAGE062
表示第
Figure 100002_DEST_PATH_IMAGE063
个围岩图像的第
Figure 653572DEST_PATH_IMAGE061
项属性值；
Figure 100002_DEST_PATH_IMAGE064
表示第
Figure 100002_DEST_PATH_IMAGE065
个围岩图像的第
Figure 210455DEST_PATH_IMAGE061
项属性值；
若变化率达到变化阈值，则表明围岩存在严重变形，发出围岩稳定性风险警示信息。
可选的，建立隧道围岩加固方案的选项库，将选项库中的每个加固方案与相关的围岩稳定性影响因素进行关联，根据关联关系设置加固方案的选择指引。
可选的，在通过围岩稳定性分析模型对围岩图像的分析得到的围岩稳定性评价中，若发现围岩稳定性低于设定的临界值，则发出警示信息，并根据各影响因素的单项评价指标与围岩稳定性等级的关联度的加权值，关联度的加权值由大至小对影响因素进行排序，根据排序前三位的影响因素从选项库中选取隧道围岩加固方案实施组合加固。
本发明实的复杂地质隧道施工围岩稳定可视化图像数据处理方法，通过周期性采集围岩图像，对围岩进行持续性可视化观测，建立三维的隧道施工动态模型，采用分段标记和围岩图像关联进行定位，通过构建围岩稳定性分析模型对分段围岩图像进行识别与分析，得出各分段的围岩稳定性评价，提高了评价的准确性，有效防止误判，另外，将其与隧道分段进行关联，在施工动态模型中进行显示；通过本方法可以得到直观的围岩稳定性定位与评价，可以保障隧道施工的安全性，有效防止事故发生。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种复杂地质隧道施工围岩稳定可视化图像数据处理方法的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
如图1所示，本发明实施例提供了一种复杂地质隧道施工围岩稳定可视化图像数据处理方法，包括以下步骤：
S100按照设定周期采集并保存隧道的围岩图像，对所述围岩图像进行预处理；
S200根据隧道的设计线路与掘进进度，建立三维的隧道施工动态模型，对隧道施工动态模型进行分段和标记，将隧道施工动态模型和各分段与相对应的围岩图像关联；
S300构建围岩稳定性分析模型，对各分段预处理后的围岩图像进行识别与数据分析，得到各分段的围岩稳定性评价；
S400将各分段的围岩稳定性评价与隧道施工动态模型的相应分段进行关联，显示隧道施工动态模型及各分段的围岩稳定性评价。
上述技术方案的工作原理和有益效果为：本方案通过周期性采集围岩图像，对围岩进行持续性可视化观测，建立三维的隧道施工动态模型，采用分段标记和围岩图像关联进行定位，通过构建围岩稳定性分析模型对分段围岩图像进行识别与分析，得出各分段的围岩稳定性评价，提高了评价的准确性，有效防止误判，另外，将其与隧道分段进行关联，在施工动态模型中进行显示；通过本方法可以得到直观的围岩稳定性定位与评价，可以保障隧道施工的安全性，有效防止事故发生。
在一个实施例中，所述围岩图像的预处理包括增强处理，所述增强处理方式如下：
首先，对预处理后的围岩图像进行多层小波分解，得到各个频率段的小波系数；
其次，将各个频率段的小波系数与系数阈值进行对比，若小波系数大于系数阈值，则对相应频率段的小波系数进行增强处理；
最后，对处理之后的小波系数进行小波重构，得到增强后的围岩图像；所述小波重构采用以下算法进行：
Figure 100002_DEST_PATH_IMAGE066
上式中，
Figure DEST_PATH_IMAGE067
表示增强后围岩图像的数字信号；
Figure DEST_PATH_IMAGE068
表示采样点数；
Figure DEST_PATH_IMAGE069
表示围岩图像垂直方向平移的像素个数；
Figure DEST_PATH_IMAGE070
表示围岩图像水平方向平移的像素个数；
Figure DEST_PATH_IMAGE071
表示围岩图像的亮度因子，
Figure DEST_PATH_IMAGE072
表示小波分解的二维离散指数；
Figure DEST_PATH_IMAGE073
和
Figure DEST_PATH_IMAGE074
表示互为共轭的滤波器脉冲输出；
Figure DEST_PATH_IMAGE075
表示增强前围岩图像的数字信号；
Figure DEST_PATH_IMAGE076
表示分解因子；字母
Figure DEST_PATH_IMAGE077
右上角的数字1，2，3表示分解的尺度。
上述技术方案的工作原理和有益效果为：本方案中的围岩图像表示二维离散数字信号，小波分解时对其进行二维离散小波变换，若小波分解为三层分解，过程为：给定一幅围岩图像，分别在水平和垂直方向上进行滤波，得到四个频率子带为：水平与垂直方向上的低频子带，水平向低频与垂直向高频组成的子带，水平向高频与垂直向低频组成的子带，水平向与垂直向高频子带，对低频子带再进行分解可以得到频率更低的四个次频率子带，接着再对单个次频率子带分解为四个二阶次频率子带；小波分解的层数越多，增强效果越好，但是分解层数多时，计算量就越大，所以，需要考虑分解次数和算法效率之间的权衡；对需要增强的信息在对应频率段的小波系数分别进行增强处理，达到去除噪声或者增强目标的目的；小波重构为小波分解的逆变换过程，每重构一次，信号量就可增加一倍；可以提高用于分析的围岩图像质量，排除干扰，从而提高分析结果的准确性。
在一个实施例中，所述围岩稳定性分析模型的构建过程如下：
第一，采集隧道项目的围岩样品，进行样品分析，获得围岩构成数据；
第二，进围岩变形模拟实验，获取实验过程中的围岩样品图像，测定围岩样品的围岩构成数据、外力和震动因素对围岩变形的影响情况；
第三，根据各因素对围岩变形的影响情况构建BP神经网络，将围岩构成数据输入BP神经网络进行深度学习和数据训练，形成围岩稳定性初步模型；
第四，对围岩样品图像进行预处理，将预处理后的围岩样品图像用于围岩稳定性初步模型的优化，得到围岩稳定性分析模型。
上述技术方案的工作原理和有益效果为：本方案通过对隧道项目进行围岩取样，对样品进行分析，获得围岩构成数据，采用模拟实验方式，获取实验过程中的围岩样品图像，测定实验中的围岩变形情况，根据实验数据构建BP神经网络，采用围岩构成数据的深度学习和数据训练形成围岩稳定性初步模型，隧道项目围岩样品数据的使用，初步提高了模型与隧道项目的契合度；再以模拟实验的围岩样品图像应用于围岩稳定性初步模型的优化，进一步提高了模型与隧道项目的契合度，从而防止由于采用的分析模型的契合性问题导致的评价不准确或者误判。
在一个实施例中， 所述围岩稳定性分析模型中采用以下物元描述：
Figure DEST_PATH_IMAGE078
上式中，
Figure DEST_PATH_IMAGE079
表示物元；
Figure DEST_PATH_IMAGE080
表示评价单元；
Figure DEST_PATH_IMAGE081
表示评价单元的第
Figure DEST_PATH_IMAGE082
项影响因素；
Figure DEST_PATH_IMAGE083
表示第
Figure DEST_PATH_IMAGE084
项影响因素数量化的量值域；
Figure DEST_PATH_IMAGE085
表示影响因素的个数；
确定围岩稳定性的等级划分，根据以下公式计算物元
Figure DEST_PATH_IMAGE086
与围岩稳定性等级H的关联度：
Figure DEST_PATH_IMAGE087
上式中，
Figure DEST_PATH_IMAGE088
表示物元
Figure DEST_PATH_IMAGE089
与围岩稳定性等级H的关联度；
Figure DEST_PATH_IMAGE090
表示第
Figure DEST_PATH_IMAGE091
项影响因素的第
Figure DEST_PATH_IMAGE092
项指标权系数；
Figure DEST_PATH_IMAGE093
表示各单项评价指标关于围岩稳定性各等级的关联度，属于预先设定值；
Figure DEST_PATH_IMAGE094
表示每个影响因素的指标数量；
然后根据物元
Figure DEST_PATH_IMAGE095
与围岩稳定性等级H的关联度
Figure DEST_PATH_IMAGE096
计算结果来对围岩稳定性进行评价。
上述技术方案的工作原理和有益效果为：本方案在围岩稳定性分析模型中采用以下物元描述与分析，实现了影响因素的评价指标与围岩稳定性等级的关联性量化，可以提高对影响因素与围岩稳定性关系的认识，有助于从另一角度提高围岩稳定性评价准确性。
在一个实施例中，采用以下公式对预处理后的围岩图像进行滤波：
Figure DEST_PATH_IMAGE097
上式中，
Figure DEST_PATH_IMAGE098
表示滤波函数；
Figure DEST_PATH_IMAGE099
，
Figure DEST_PATH_IMAGE100
分别表示在x 轴，y 轴上的空间平移量；
Figure DEST_PATH_IMAGE101
表示函数的包络值，
Figure DEST_PATH_IMAGE102
，
Figure DEST_PATH_IMAGE103
表示中心频率与带宽之间的比例，
Figure DEST_PATH_IMAGE104
表示中心频率；
Figure DEST_PATH_IMAGE105
是正弦波的波长；
Figure DEST_PATH_IMAGE106
表示复数调制部分函数的辐角；
Figure DEST_PATH_IMAGE107
表示高斯函数的纵横比；
Figure DEST_PATH_IMAGE108
表示虚数符号；
Figure DEST_PATH_IMAGE109
表示偏移度；
再采用以下公式进行中值滤波：
Figure DEST_PATH_IMAGE110
上式中，
Figure DEST_PATH_IMAGE111
表示中值滤波处理后的围岩图像；
Figure DEST_PATH_IMAGE112
表示中值滤波处理前的围岩图像；
Figure DEST_PATH_IMAGE113
表示围岩图像坐标值；
Figure DEST_PATH_IMAGE114
表示5*21的矩阵区域的滑动模板；
然后，对中值滤波后的围岩图像进行裂缝识别。
上述技术方案的工作原理和有益效果为：本方案对预处理后的围岩图像进行滤波，提高了对隧道围岩可能存在的裂缝进行识别的精度，增强了裂缝识别效率，为将围岩裂缝纳入围岩稳定性评价提供良好的基础，而且将围岩裂缝纳入围岩稳定性评价可以使得评价更全面，准确性更高，裂缝识别效率的提高防止了由于裂缝识别错误导致的误判发生。
在一个实施例中，采用以下公式计算各分段裂缝对围岩稳定性的影响系数：
Figure DEST_PATH_IMAGE115
上式中，
Figure DEST_PATH_IMAGE116
表示裂缝对围岩稳定性的影响系数；
Figure DEST_PATH_IMAGE117
表示同一分段的采集的围岩图像数量；
Figure DEST_PATH_IMAGE118
表示同一分段采集的第
Figure DEST_PATH_IMAGE119
个围岩图像中的裂缝数量；
Figure DEST_PATH_IMAGE120
表示同一分段采集的第
Figure DEST_PATH_IMAGE121
个围岩图像中的裂缝数量；
根据计算结果对分段围岩稳定性评价进行修正。
上述技术方案的工作原理和有益效果为：本方案在围岩裂缝识别的基础上进行裂缝的围岩稳定性影响分析，通过各分段的连续采集的围岩图像的综合考查，以上述公式量化计算出裂缝对围岩稳定性的影响系数，并以此对分段围岩稳定性评价进行修正，从而在更全面的影响因素考查基础上提高围岩稳定性评价的准确性和可靠性；由于围岩稳定性评价的时效性差也会增加风险，而本方案采用的量化计算公式简单，计算量小，可以快速获取结果，不影响围岩稳定性评价的效率，避免风险增加。
在一个实施例中， 在S100步骤中，预先通过以下方式确定隧道围岩等级：
围岩取样并采集取样的随钻数据以及对应位置的岩石地质信息，将随钻数据标准化；
以标准化后的随钻数据为分析对象，结合所述岩石地质信息，确定同一位置随钻数据与围岩强度之间的关系；
采集隧道的围岩图像，对围岩图像进行图像处理，确定同一位置围岩图像与岩石完整程度的判别关系；
综合同一位置随钻数据与围岩强度之间的关系以及同一位置围岩图像与岩石完整程度的判别关系，对隧道围岩进行分级判断，确定隧道围岩等级。
上述技术方案的工作原理和有益效果为：本方案通过预先进行围岩取样分析，根据分析获得的地质信息，确定隧道围岩等级，从而增强对隧道项目的围岩复杂性的认识。
在一个实施例中，在S300步骤中，分别提取同一分段的围岩图像的各项属性值，所述围岩稳定性分析模型采用以下公式计算围岩图像变化率：
Figure DEST_PATH_IMAGE122
上式中，
Figure DEST_PATH_IMAGE123
表示分段的围岩图像变化率；
Figure DEST_PATH_IMAGE124
表示每个围岩图像的属性数量；
Figure DEST_PATH_IMAGE125
表示前面保存的围岩图像数量；
Figure DEST_PATH_IMAGE126
表示第
Figure DEST_PATH_IMAGE127
个围岩图像的第
Figure DEST_PATH_IMAGE128
项属性值；
Figure DEST_PATH_IMAGE129
表示第
Figure DEST_PATH_IMAGE130
个围岩图像的第
Figure 444865DEST_PATH_IMAGE128
项属性值；
Figure DEST_PATH_IMAGE131
表示第
Figure DEST_PATH_IMAGE132
个围岩图像的第
Figure 361874DEST_PATH_IMAGE128
项属性值；
若变化率达到变化阈值，则表明围岩存在严重变形，发出围岩稳定性风险警示信息。
上述技术方案的工作原理和有益效果为：本方案通过提取围岩图像的各项属性值，以上述公式计算围岩图像变化率，围岩变形与稳定性若有变化，必然会带来围岩图像的变化，因此通过围岩图像的变化率可以间接反映围岩变形与稳定性变化情况，通过对相同分段的不同时间连续采集的围岩图像的分析可以了解变化趋势，因而提前预知风险，以便及时做出反映，采取加固措施消除风险。
在一个实施例中，建立隧道围岩加固方案的选项库，将选项库中的每个加固方案与相关的围岩稳定性影响因素进行关联，根据关联关系设置加固方案的选择指引；在通过围岩稳定性分析模型对围岩图像的分析得到的围岩稳定性评价中，若发现围岩稳定性低于设定的临界值，则发出警示信息，并根据各影响因素的单项评价指标与围岩稳定性等级的关联度的加权值，关联度的加权值由大至小对影响因素进行排序，根据排序前三位的影响因素从选项库中选取隧道围岩加固方案实施组合加固。
上述技术方案的工作原理和有益效果为：本方案通过设置隧道围岩加固方案的选项库，并将选项库中的每个加固方案与相关的围岩稳定性影响因素进行关联，在进行围岩稳定性评价中，若发现围岩稳定性低于设定的临界值，除了发出警示信息外，还可以根据影响因素的单项评价指标与围岩稳定性等级的关联度的加权值排序自动选择加固方案，选择时通过排序前三位的影响因素来选取，可以得出多个针对影响程度大的影响因素的加固方案，形成合理的加固方案组合，以用于指导隧道围岩的固定施工，提高加固对围岩稳定性的效率，防止盲目加固，有效控制加固成本。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种复杂地质隧道施工围岩稳定可视化图像数据处理方法，其特征在于，包括以下步骤：
S100按照设定周期采集并保存隧道的围岩图像，对所述围岩图像进行预处理；
S200根据隧道的设计线路与掘进进度，建立三维的隧道施工动态模型，对隧道施工动态模型进行分段和标记，将隧道施工动态模型和各分段与相对应的围岩图像关联；
S300构建围岩稳定性分析模型，对各分段预处理后的围岩图像进行识别与数据分析，得到各分段的围岩稳定性评价；
S400将各分段的围岩稳定性评价与隧道施工动态模型的相应分段进行关联，显示隧道施工动态模型及各分段的围岩稳定性评价。
2.根据权利要求1所述的复杂地质隧道施工围岩稳定可视化图像数据处理方法，其特征在于，所述围岩图像的预处理包括增强处理，所述增强处理方式如下：
首先，对预处理后的围岩图像进行多层小波分解，得到各个频率段的小波系数；
其次，将各个频率段的小波系数与系数阈值进行对比，若小波系数大于系数阈值，则对相应频率段的小波系数进行增强处理；
最后，对处理之后的小波系数进行小波重构，得到增强后的围岩图像；所述小波重构采用以下算法进行：
Figure DEST_PATH_IMAGE001
上式中，
Figure DEST_PATH_IMAGE002
表示增强后围岩图像的数字信号；
Figure DEST_PATH_IMAGE003
表示采样点数；
Figure DEST_PATH_IMAGE004
表示围岩图像垂直方向平移的像素个数；
Figure DEST_PATH_IMAGE005
表示围岩图像水平方向平移的像素个数；
Figure DEST_PATH_IMAGE006
表示围岩图像的亮度因子，
Figure DEST_PATH_IMAGE007
表示小波分解的二维离散指数；
Figure DEST_PATH_IMAGE008
和
Figure DEST_PATH_IMAGE009
表示互为共轭的滤波器脉冲输出；
Figure DEST_PATH_IMAGE010
表示增强前围岩图像的数字信号；
Figure DEST_PATH_IMAGE011
表示分解因子；字母
Figure 515728DEST_PATH_IMAGE011
右上角的数字1，2，3表示分解的尺度。
3.根据权利要求1所述的复杂地质隧道施工围岩稳定可视化图像数据处理方法，其特征在于，所述围岩稳定性分析模型的构建过程如下：
第一，采集隧道项目的围岩样品，进行样品分析，获得围岩构成数据；
第二，进围岩变形模拟实验，获取实验过程中的围岩样品图像，测定围岩样品的围岩构成数据、外力和震动因素对围岩变形的影响情况；
第三，根据各因素对围岩变形的影响情况构建BP神经网络，将围岩构成数据输入BP神经网络进行深度学习和数据训练，形成围岩稳定性初步模型；
第四，对围岩样品图像进行预处理，将预处理后的围岩样品图像用于围岩稳定性初步模型的优化，得到围岩稳定性分析模型。
4.根据权利要求1所述的复杂地质隧道施工围岩稳定可视化图像数据处理方法，其特征在于，所述围岩稳定性分析模型中采用以下物元描述：
Figure DEST_PATH_IMAGE012
上式中，
Figure DEST_PATH_IMAGE013
表示物元；
Figure DEST_PATH_IMAGE014
表示评价单元；
Figure DEST_PATH_IMAGE015
表示评价单元的第
Figure DEST_PATH_IMAGE016
项影响因素；
Figure DEST_PATH_IMAGE017
表示第
Figure 541191DEST_PATH_IMAGE016
项影响因素数量化的量值域；
Figure DEST_PATH_IMAGE018
表示影响因素的个数；
确定围岩稳定性的等级划分，根据以下公式计算物元
Figure DEST_PATH_IMAGE019
与围岩稳定性等级H的关联度：
Figure DEST_PATH_IMAGE020
上式中，
Figure DEST_PATH_IMAGE021
表示物元
Figure DEST_PATH_IMAGE022
与围岩稳定性等级H的关联度；
Figure DEST_PATH_IMAGE023
表示第
Figure DEST_PATH_IMAGE024
项影响因素的第
Figure DEST_PATH_IMAGE025
项指标权系数；
Figure DEST_PATH_IMAGE026
表示各单项评价指标关于围岩稳定性各等级的关联度；
Figure DEST_PATH_IMAGE027
表示每个影响因素的指标数量；
然后根据物元
Figure DEST_PATH_IMAGE028
与围岩稳定性等级H的关联度
Figure DEST_PATH_IMAGE029
计算结果来对围岩稳定性进行评价。
5.根据权利要求1所述的复杂地质隧道施工围岩稳定可视化图像数据处理方法，其特征在于，采用以下公式对预处理后的围岩图像进行滤波：
Figure DEST_PATH_IMAGE030
上式中，
Figure DEST_PATH_IMAGE031
表示滤波函数；
Figure DEST_PATH_IMAGE032
，
Figure DEST_PATH_IMAGE033
分别表示在x 轴，y 轴上的空间平移量；
Figure DEST_PATH_IMAGE034
表示函数的包络值，
Figure DEST_PATH_IMAGE035
，
Figure DEST_PATH_IMAGE036
表示中心频率与带宽之间的比例，
Figure DEST_PATH_IMAGE037
表示中心频率；
Figure DEST_PATH_IMAGE038
是正弦波的波长；
Figure DEST_PATH_IMAGE039
表示复数调制部分函数的辐角；
Figure DEST_PATH_IMAGE040
表示高斯函数的纵横比；
Figure DEST_PATH_IMAGE041
表示虚数符号；
Figure DEST_PATH_IMAGE042
表示偏移度；
再采用以下公式进行中值滤波：
Figure DEST_PATH_IMAGE043
上式中，
Figure DEST_PATH_IMAGE044
表示中值滤波处理后的围岩图像；
Figure DEST_PATH_IMAGE045
表示中值滤波处理前的围岩图像；
Figure DEST_PATH_IMAGE046
表示围岩图像坐标值；
Figure DEST_PATH_IMAGE047
表示5*21的矩阵区域的滑动模板；
然后，对中值滤波后的围岩图像进行裂缝识别。
6.根据权利要求5所述的复杂地质隧道施工围岩稳定可视化图像数据处理方法，其特征在于，采用以下公式计算各分段裂缝对围岩稳定性的影响系数：
Figure DEST_PATH_IMAGE048
上式中，
Figure DEST_PATH_IMAGE049
表示裂缝对围岩稳定性的影响系数；
Figure DEST_PATH_IMAGE050
表示同一分段的采集的围岩图像数量；
Figure DEST_PATH_IMAGE051
表示同一分段采集的第
Figure DEST_PATH_IMAGE052
个围岩图像中的裂缝数量；
Figure DEST_PATH_IMAGE053
表示同一分段采集的第
Figure DEST_PATH_IMAGE054
个围岩图像中的裂缝数量；
根据计算结果对分段围岩稳定性评价进行修正。
7.根据权利要求1所述的复杂地质隧道施工围岩稳定可视化图像数据处理方法，其特征在于，在S100步骤中，预先通过以下方式确定隧道围岩等级：
围岩取样并采集取样的随钻数据以及对应位置的岩石地质信息，将随钻数据标准化；
以标准化后的随钻数据为分析对象，结合所述岩石地质信息，确定同一位置随钻数据与围岩强度之间的关系；
采集隧道的围岩图像，对围岩图像进行图像处理，确定同一位置围岩图像与岩石完整程度的判别关系；
综合同一位置随钻数据与围岩强度之间的关系以及同一位置围岩图像与岩石完整程度的判别关系，对隧道围岩进行分级判断，确定隧道围岩等级。
8.根据权利要求1所述的复杂地质隧道施工围岩稳定可视化图像数据处理方法，其特征在于，在S300步骤中，分别提取同一分段的围岩图像的各项属性值，所述围岩稳定性分析模型采用以下公式计算围岩图像变化率：
Figure DEST_PATH_IMAGE055
上式中，
Figure DEST_PATH_IMAGE056
表示分段的围岩图像变化率；
Figure DEST_PATH_IMAGE057
表示每个围岩图像的属性数量；
Figure DEST_PATH_IMAGE058
表示前面保存的围岩图像数量；
Figure DEST_PATH_IMAGE059
表示第
Figure DEST_PATH_IMAGE060
个围岩图像的第
Figure DEST_PATH_IMAGE061
项属性值；
Figure DEST_PATH_IMAGE062
表示第
Figure DEST_PATH_IMAGE063
个围岩图像的第
Figure DEST_PATH_IMAGE064
项属性值；
Figure DEST_PATH_IMAGE065
表示第
Figure DEST_PATH_IMAGE066
个围岩图像的第
Figure 443898DEST_PATH_IMAGE064
项属性值；
若变化率达到变化阈值，则表明围岩存在严重变形，发出围岩稳定性风险警示信息。
9.根据权利要求1所述的复杂地质隧道施工围岩稳定可视化图像数据处理方法，其特征在于，建立隧道围岩加固方案的选项库，将选项库中的每个加固方案与相关的围岩稳定性影响因素进行关联，根据关联关系设置加固方案的选择指引。
10.根据权利要求9所述的复杂地质隧道施工围岩稳定可视化图像数据处理方法，其特征在于，在通过围岩稳定性分析模型对围岩图像的分析得到的围岩稳定性评价中，若发现围岩稳定性低于设定的临界值，则发出警示信息，并根据各影响因素的单项评价指标与围岩稳定性等级的关联度的加权值，关联度的加权值由大至小对影响因素进行排序，根据排序前三位的影响因素从选项库中选取隧道围岩加固方案实施组合加固。
CN202110532691.XA 2021-05-17 2021-05-17 复杂地质隧道施工围岩稳定可视化图像数据处理方法 Active CN112989481B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110532691.XA CN112989481B (zh) 2021-05-17 2021-05-17 复杂地质隧道施工围岩稳定可视化图像数据处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110532691.XA CN112989481B (zh) 2021-05-17 2021-05-17 复杂地质隧道施工围岩稳定可视化图像数据处理方法

Publications (2)

Publication Number Publication Date
CN112989481A true CN112989481A (zh) 2021-06-18
CN112989481B CN112989481B (zh) 2021-08-20

Family

ID=76336608

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110532691.XA Active CN112989481B (zh) 2021-05-17 2021-05-17 复杂地质隧道施工围岩稳定可视化图像数据处理方法

Country Status (1)

Country Link
CN (1) CN112989481B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113532517A (zh) * 2021-06-28 2021-10-22 同济大学 一种隧道工作面稳定性实时精细评估设备及方法
CN114051148A (zh) * 2021-11-10 2022-02-15 拓胜(北京)科技发展有限公司 一种虚拟主播生成方法、装置及电子设备
CN117365658B (zh) * 2023-12-05 2024-03-12 中国科学院武汉岩土力学研究所 一种用于隧道围岩的多源异构信息融合的异常预警系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100128932A1 (en) * 2008-11-24 2010-05-27 Jack Dvorkin Method for determining rock physics relationships using computer tomograpic images thereof
CN102900441A (zh) * 2012-09-18 2013-01-30 铁道部经济规划研究院 基于围岩完全变形控制的中国隧道修建方法
US20140058676A1 (en) * 2012-08-23 2014-02-27 Ingrain, Inc. Digital rock analysis systems and methods that reliably predict a porosity-permeability trend
CN104502990A (zh) * 2015-01-06 2015-04-08 中国地质大学（武汉） 一种基于数码图像的隧道掌子面地质调查方法
US20160027185A1 (en) * 2013-03-11 2016-01-28 Reeves Wireline Technologies Limited Methods of and Apparatuses for Identifying Geological Characteristics in Boreholes
CN106595508A (zh) * 2016-12-27 2017-04-26 山东大学 一种用于岩土模型试验围岩变形测量装置及其测量方法
CN106780284A (zh) * 2016-12-28 2017-05-31 中铁工程装备集团有限公司 隧道洞壁围岩完整性信息采集装置及评价方法
US20190087939A1 (en) * 2017-09-15 2019-03-21 Saudi Arabian Oil Company Inferring petrophysical properties of hydrocarbon reservoirs using a neural network
US20190368348A1 (en) * 2018-05-31 2019-12-05 Saudi Arabian Oil Company Salt Mobility Assessment and Review Technique (SMART) for Exploratory Wells
CN111189864A (zh) * 2020-01-13 2020-05-22 中国石油天然气股份有限公司 Epma-wdx的全岩矿物识别与平面成像方法及装置
CN111382802A (zh) * 2020-03-17 2020-07-07 桂林理工大学 基于主控结构面参数识别的危岩稳定性判别方法及装置
CN112150001A (zh) * 2020-09-16 2020-12-29 绍兴文理学院 基于摄影测量、BQ、改进Mathews稳定图的围岩稳定性评价方法
CN112348014A (zh) * 2020-11-03 2021-02-09 招商局重庆公路工程检测中心有限公司 基于机器视觉的隧道掌子面围岩级别快速识别方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100128932A1 (en) * 2008-11-24 2010-05-27 Jack Dvorkin Method for determining rock physics relationships using computer tomograpic images thereof
US20140058676A1 (en) * 2012-08-23 2014-02-27 Ingrain, Inc. Digital rock analysis systems and methods that reliably predict a porosity-permeability trend
CN102900441A (zh) * 2012-09-18 2013-01-30 铁道部经济规划研究院 基于围岩完全变形控制的中国隧道修建方法
US20160027185A1 (en) * 2013-03-11 2016-01-28 Reeves Wireline Technologies Limited Methods of and Apparatuses for Identifying Geological Characteristics in Boreholes
CN104502990A (zh) * 2015-01-06 2015-04-08 中国地质大学（武汉） 一种基于数码图像的隧道掌子面地质调查方法
CN106595508A (zh) * 2016-12-27 2017-04-26 山东大学 一种用于岩土模型试验围岩变形测量装置及其测量方法
CN106780284A (zh) * 2016-12-28 2017-05-31 中铁工程装备集团有限公司 隧道洞壁围岩完整性信息采集装置及评价方法
US20190087939A1 (en) * 2017-09-15 2019-03-21 Saudi Arabian Oil Company Inferring petrophysical properties of hydrocarbon reservoirs using a neural network
CN111316294A (zh) * 2017-09-15 2020-06-19 沙特阿拉伯石油公司 使用神经网络推断烃储层的岩石物理特性
US20190368348A1 (en) * 2018-05-31 2019-12-05 Saudi Arabian Oil Company Salt Mobility Assessment and Review Technique (SMART) for Exploratory Wells
CN111189864A (zh) * 2020-01-13 2020-05-22 中国石油天然气股份有限公司 Epma-wdx的全岩矿物识别与平面成像方法及装置
CN111382802A (zh) * 2020-03-17 2020-07-07 桂林理工大学 基于主控结构面参数识别的危岩稳定性判别方法及装置
CN112150001A (zh) * 2020-09-16 2020-12-29 绍兴文理学院 基于摄影测量、BQ、改进Mathews稳定图的围岩稳定性评价方法
CN112348014A (zh) * 2020-11-03 2021-02-09 招商局重庆公路工程检测中心有限公司 基于机器视觉的隧道掌子面围岩级别快速识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WANG W等: "《Crack and fracture central line delineation on Steger and hydrodynamics with improved fractional differential》", 《INTERNATIONAL JOURNAL OF WAVELETS MULTIRESOLUTION AND INFORMATION PROCESSING》 *
刘涛 等: "《连拱隧道模型试验中的量测方法应用研究》", 《中国铁道科学》 *
牛双建 等: "《深井巷道围岩主应力差演化规律物理模拟研究》", 《岩石力学与工程学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113532517A (zh) * 2021-06-28 2021-10-22 同济大学 一种隧道工作面稳定性实时精细评估设备及方法
CN113532517B (zh) * 2021-06-28 2022-07-22 同济大学 一种隧道工作面稳定性实时精细评估设备及方法
CN114051148A (zh) * 2021-11-10 2022-02-15 拓胜(北京)科技发展有限公司 一种虚拟主播生成方法、装置及电子设备
CN117365658B (zh) * 2023-12-05 2024-03-12 中国科学院武汉岩土力学研究所 一种用于隧道围岩的多源异构信息融合的异常预警系统

Also Published As

Publication number Publication date
CN112989481B (zh) 2021-08-20

Similar Documents

Publication Publication Date Title
CN112989481B (zh) 复杂地质隧道施工围岩稳定可视化图像数据处理方法
US20210200988A1 (en) Method and equipment for classifying hepatocellular carcinoma images by combining computer vision features and radiomics features
US7295706B2 (en) Pattern recognition applied to graphic imaging
US7184991B1 (en) Pattern recognition applied to oil exploration and production
WO2006133424A2 (en) Seismic analysis utilizing string-length ratio
CN106846344A (zh) 一种基于边缘完备度的图像分割最优识别方法
CN110619258B (zh) 一种基于高分辨率遥感影像的道路轨迹核查方法
CN102156874B (zh) 从一影像处理系统中撷取一肿瘤轮廓的方法
CN104008551B (zh) 一种基于可见光图像的柑橘黄龙病检测方法
CN116403093B (zh) 一种面向铁路沿线潜在滑坡的多源遥感解译方法及装置
Leng et al. Rock mass trace line identification incorporated with grouping algorithm at tunnel faces
CN114820952A (zh) 肺部超声可视化三维重建方法和系统
CN116256801B (zh) 基于图像融合的深地油气精准导航断层表征方法与系统
CN114942436A (zh) 基于地质雷达及深度学习的隧道衬砌病害识别方法及系统
CN116415843A (zh) 用于弱网络环境的多模态遥感辅助矿山生态环境评价方法
CN116452944A (zh) 一种表面裂纹识别方法及装置
CN115330664A (zh) 基于图像识别的围岩风化程度全自动识别方法及装置
CN117269954A (zh) 基于yolo的探地雷达道路多重隐蔽病害实时识别方法
CN116869652A (zh) 基于超声图像和电子皮肤的手术机器人及其定位方法
CN118395193A (zh) 基于人工智能的边坡失稳预测方法及系统
CN117875549A (zh) 一种基于图像识别的建筑遗产保护评估系统和方法
CN116878432A (zh) 一种公路采空区充填后的覆岩移动变形监测系统
CN116399948A (zh) 一种水闸混凝土底板局部脱空监测方法及系统
CN114926431A (zh) 一种基于电成像测井图像的页岩裂缝发育模式识别方法
CN115147726A (zh) 城市形态图的生成方法、装置、电子设备和可读存储介质

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