CN113205036A - 一种基础设施外部侵害振源感知及定位方法 - Google Patents
一种基础设施外部侵害振源感知及定位方法 Download PDFInfo
- Publication number
- CN113205036A CN113205036A CN202110464918.1A CN202110464918A CN113205036A CN 113205036 A CN113205036 A CN 113205036A CN 202110464918 A CN202110464918 A CN 202110464918A CN 113205036 A CN113205036 A CN 113205036A
- Authority
- CN
- China
- Prior art keywords
- vibration source
- vibration
- infrastructure
- invasion
- sensing
- 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
- 230000009545 invasion Effects 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 31
- 239000011159 matrix material Substances 0.000 claims abstract description 28
- 238000004858 feed analysis Methods 0.000 claims abstract description 11
- 230000006399 behavior Effects 0.000 claims abstract description 6
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000003909 pattern recognition Methods 0.000 claims abstract description 4
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- 238000003066 decision tree Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims 4
- 238000013527 convolutional neural network Methods 0.000 claims 4
- 238000012706 support-vector machine Methods 0.000 claims 4
- 238000010276 construction Methods 0.000 abstract description 9
- 241001465754 Metazoa Species 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 6
- 244000144972 livestock Species 0.000 description 4
- 239000003550 marker Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种基础设施外部侵害振源感知及定位方法,所述方法包括:针对基础设施采用多传感器进行网格化布置,实现对空间的网格化分割,并采集侵害振源所产生的振动信号;对传感器所采集的各个振动信号进行互馈分析及特征提取,并依据传感器所处位置信息,将互馈分析结果和振动特征与传感器位置关系相对应形成特征矩阵;在所述特征矩阵中,对侵害振源位置进行标记;以及将所述特征矩阵与不同侵入行为及其发生位置进行对应,通过智能分类及模式识别算法进行侵害振源的定位。本发明基于振动感知原理,可对基础设施周边施工及人畜侵入等可产生振动信号的各类外部侵害进行实时感知及预警。
Description
技术领域
本发明涉及土木工程技术领域,具体地,涉及一种基础设施外部侵害振源感知及定位方法。
背景技术
随着我国城市建设快速发展,高铁、地铁及管道工程等基础设施增长迅速,并处于网络化建设与运营并重阶段,上述网络化设施受周边违规及野蛮施工、人畜违规进入保护区等外部侵害威胁日益增大,已发生多起由于违规施工引起地铁结构破坏、燃气管爆炸以及人畜进去高铁线路引起线路停运等恶性事故。同时,随着城市更新的推进,一些保护建筑受到违规电钻施工遭到破坏。由此可见,周边交叉施工、人畜违规进入等突发外部侵害对基础设施安全运营影响巨大,将直接导致设施停运及结构永久破坏,并且上述外部侵害的发生具有随机性,因此难以开展有效监管。
因此需要提供一种可对基础设施外部侵害振源进行互馈感知,继而通过智能算法进行精确定位,实现对基础设施外部侵害的实时监测方法。
发明内容
针对现有技术中的缺陷,本发明的目的在于提供一种适用范围广、成本低可实时感知外部侵害的基础设施外部侵害振源感知及定位方法。
为解决上述问题,本发明的技术方案为:
一种基础设施外部侵害振源感知及定位方法,所述方法包括以下步骤:
针对基础设施采用多传感器进行网格化布置,实现对空间的网格化分割,并采集侵害振源所产生的振动信号;
对传感器所采集的各个振动信号进行互馈分析及特征提取,并依据传感器所处位置信息,将互馈分析结果和振动特征与传感器位置关系相对应形成特征矩阵;
在所述特征矩阵中,对侵害振源位置进行标记;以及
将所述特征矩阵与不同侵入行为及其发生位置进行对应,通过智能分类及模式识别算法进行侵害振源的定位。
可选地,在所述特征矩阵中,对侵害振源位置进行标记的步骤具体包括:依据传感器间的距离D0及振源到各传感器的距离Di,计算Di与D0的比值di;以此形成由di组成的一维向量作为振源位置标记。
可选地,采用CNN、RNN、Transformer、SVM、决策树类算法及其衍生算法训练输出针对不同侵害振源数量的振源位置判定模型。
可选地,根据不同侵害振源数量的振源位置判定模型,得到相应的振源位置输出,并根据振源位置输出计算大致振源位置。
可选地,在所述特征矩阵中,对侵害振源位置进行标记的步骤具体包括:将侵害振源所在区域的单元均标记为1,其他区域单元标记为0。
可选地,采用CNN、RNN、Transformer、SVM、决策树类算法及其衍生算法训练输出维度不定的多振源判定模型或者输出高维度多振源判定模型。
可选地,通过输出的维度不定的多振源判定模型或输出的高维度多振源判定模型,进行多振源位置定位。
可选地,在所述特征矩阵中,对侵害振源位置进行标记的步骤具体包括:对振源位置进行直接标记,采用振源在物理空间中x,y,z坐标进行振源位置标记。
可选地,采用CNN、RNN、Transformer、SVM、决策树类算法及其衍生算法训练输出可判断多振源的判定模型。
可选地,通过所述多振源判定模型,得到振源位置网格分布,并根据网格大小,计算得到振源位置。
与现有技术相比,本发明基础设施外部侵害振源感知及定位方法具有如下优点:
1、本发明基于振动感知原理,采用智能算法,可对基础设施周边施工及人畜侵入等可产生振动信号的各类外部侵害进行实时感知及预警,具有适用范围广、成本低的优点。
2、本发明通过对不同基础设施采用多个传感器进行网格化布置,对不同空间位置传感器振动信号进行互馈分析和特征提取,建立特征矩阵,利用特征矩阵与侵入行为及振源位置的对应性,采用目标及分类智能算法,可实现对各类侵害振源的定位,可有效解决随机侵害实时化监测和监管难题。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明实施例提供的基础设施外部侵害振源感知及定位方法流程框图;
图2为本发明实施例提供的线性管状结构基础设施传感器网格化布置方法示意图;
图3为本发明实施例提供的地面建筑结构基础设施传感器网格化布置方法示意图;
图4为本发明实施例提供的地面线状结构基础设施传感器网格化布置方法示意图;
图5为本发明实施例提供的特征矩阵示意图;
图6为编号为1和2传感器之间区域有侵害振源的样本标记示意图;
图7为编号为1、2、3、4传感器之间区域有侵害振源的样本标记示意图;
图8为建筑物监测振源物理位置标记示意图;
图9为长型结构监测振源物理位置标记示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
图1为本发明实施例提供的一种基础设施外部侵害振源感知及定位方法流程框图,如图1所示,所述方法包括以下步骤:
S1:针对基础设施采用多传感器进行网格化布置,实现对空间的网格化分割,并采集侵害振源所产生的振动信号;
具体地,如图2所示,对于隧道1等线性管状结构的基础设施,根据传感器的感知范围,沿隧道纵向以一定间距划分不同测试断面进行传感器2的布置,并对传感器进行1~n编号,形成可对外部侵害全域感知的传感器网络,用于采集侵害振源3所产生的振动信号。
如图3所示,对于地面建筑结构基础设施,可利用建筑结构的梁4、柱5及板6的交汇处进行传感器2的网格化布置,并对传感器进行1~n编号,用于采集侵害振源3所产生的振动信号。
如图4所示,对于铁道7等地面线状结构基础设施,沿铁道线路两侧以一定间距进行传感器2的网格化布置,并对传感器进行1~n编号,用于采集侵害振源3所产生的振动信号。
S2:对传感器所采集的各个振动信号进行互馈分析及特征提取,并依据传感器所处位置信息,将互馈分析结果和振动特征与传感器位置关系相对应形成特征矩阵;
具体地,对编号为1~n的传感器所采集的信号,进行相关分析、互信息、谱分析和统计分析等互馈分析得到含m个数据的时序向量或特征向量,如图5所示,传感器1的传感器所测试数据自身进行互馈分析得到的第一个时序数据或特征放入第一层特征矩阵a11单元中,其与传感器2所测得数据互馈分析结果放入特征矩阵a12单元中,以此推理,第编号n传感器所测数据自身间互馈结果放入特征矩阵ann单元中。
S3:在所述特征矩阵中,对侵害振源位置进行标记;
具体地,采集的振动信号按步骤S2进行处理后,在所述特征矩阵中,对侵害振源位置进行标记,标记的方式包括但不限于以下三种方式:
1、依据传感器间的距离D0及振源到各传感器的距离Di,计算Di与D0的比值di;以此形成由di组成的一维向量作为振源位置标记,如果存在多个振源,则应设置多个振源位置标记;
2、将侵害振源所在区域的单元均标记为1,其他区域单元标记为0,如振源在传感器i范围内,则标记aii为1,否则标记aii为0;如振源在传感器i,j的共有范围内,则aii、ajj,aij都应标记为1;以此形成如图6及图7组成的二维矩阵作为振源位置标记,其中图6所示为编号为1和2传感器之间区域有侵害振源的样本标记示意图,在样本标记中将a11、a12、a21、a22均标记为1,其他单元可以标记为0。图7所示为编号为1、2、3、4传感器之间区域有侵害振源的样本标记示意图,在样本标记中将a11、a12、a13、a14、a21、a22、a23、a24、a31、a32、a33、a34、a41、a42、a43、a44标记为1,其他单元可以标记为0。如果存在多个振源,则应设置多个振源标记;
3、对振源位置进行直接标记,采用振源在物理空间中x,y,z坐标进行振源位置标记。如果存在多个振源,则应设置多个振源位置标记;
具体地,如图8所示,对于建筑物,以监测建筑物为中心,形成N*N个的网格,将振源所在网格标记为1,其他标记为0;如图9所示,对于隧道等长型结构,沿纵向形成多个N*N网格,将振源所在网格标记为1,其他标记为0。
S4:将所述特征矩阵与不同侵入行为及其发生位置进行对应,通过智能分类及模式识别算法进行侵害振源的定位。
具体地,依据振源位置标记的不同方式进行不同流程的训练,再依据不同的训练方式采用不同的侵害振源定位方式如下:
1、如果采用步骤S3中第一种方式进行振源位置标记,可采用CNN、RNN、Transformer、SVM、决策树类算法及其衍生算法训练输出针对不同侵害振源数量的振源位置判定模型。
进一步地,选取侵害振源数量所对应的振源判定模型进行振源位置判定,以此得到相应的振源位置输出,并根据位置输出计算大致振源位置。
2、如果采用步骤S3中第二种方式进行振源位置标记,可采用CNN、RNN、Transformer、SVM、决策树类算法及其衍生算法训练输出维度不定的多振源判定模型或者输出高维度多振源判定模型,其中所述输出维度不定的多振源判定模型是指:可以不指定模型输出维度的模型,以保证输出可以为任意维度,进而保证识别多振源位置情况;所述输出高维度多振源判定模型是指:模型的输出维度较高,可以涵盖现实中大部分甚至所有多振源位置情况。
进一步地,通过输出的维度不定的多振源判定模型或输出的高维度多振源判定模型,进行多振源位置定位。
3、如果采用步骤S3中第三种方式进行振源位置标记,则采用CNN、RNN、Transformer、SVM、决策树类算法及其衍生算法训练输出可判断多振源的判定模型。
进一步地,通过所述多振源判定模型,得到振源位置网格分布,并根据网格大小,计算得到振源位置。
与现有技术相比,本发明基于振动感知原理,采用智能算法,可对基础设施周边施工及人畜侵入等可产生振动信号的各类外部侵害进行实时感知及预警,具有适用范围广、成本低的优点。并且本发明通过对不同基础设施采用多个传感器进行网格化布置,对不同空间位置传感器振动信号进行互馈分析和特征提取,建立特征矩阵,利用特征矩阵与侵入行为及振源位置的对应性,采用目标及分类智能算法,可实现对各类侵害振源的定位,可有效解决随机侵害实时化监测和监管难题。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基础设施外部侵害振源感知及定位方法,其特征在于,所述方法包括以下步骤:
针对基础设施采用多传感器进行网格化布置,实现对空间的网格化分割,并采集侵害振源所产生的振动信号;
对传感器所采集的各个振动信号进行互馈分析及特征提取,并依据传感器所处位置信息,将互馈分析结果和振动特征与传感器位置关系相对应形成特征矩阵;
在所述特征矩阵中,对侵害振源位置进行标记;以及
将所述特征矩阵与不同侵入行为及其发生位置进行对应,通过智能分类及模式识别算法进行侵害振源的定位。
2.根据权利要求1所述的基础设施外部侵害振源感知及定位方法,其特征在于,在所述特征矩阵中,对侵害振源位置进行标记的步骤具体包括:依据传感器间的距离D0及振源到各传感器的距离Di,计算Di与D0的比值di;以此形成由di组成的一维向量作为振源位置标记。
3.根据权利要求2所述的基础设施外部侵害振源感知及定位方法,其特征在于:采用CNN、RNN、Transformer、SVM、决策树类算法及其衍生算法训练输出针对不同侵害振源数量的振源位置判定模型。
4.根据权利要求3所述的基础设施外部侵害振源感知及定位方法,其特征在于:根据不同侵害振源数量的振源位置判定模型,得到相应的振源位置输出,并根据振源位置输出计算大致振源位置。
5.根据权利要求1所述的基础设施外部侵害振源感知及定位方法,其特征在于,在所述特征矩阵中,对侵害振源位置进行标记的步骤具体包括:将侵害振源所在区域的单元均标记为1,其他区域单元标记为0。
6.根据权利要求5所述的基础设施外部侵害振源感知及定位方法,其特征在于:采用CNN、RNN、Transformer、SVM、决策树类算法及其衍生算法训练输出维度不定的多振源判定模型或者输出高维度多振源判定模型。
7.根据权利要求6所述的基础设施外部侵害振源感知及定位方法,其特征在于:通过输出的维度不定的多振源判定模型或输出的高维度多振源判定模型,进行多振源位置定位。
8.根据权利要求1所述的基础设施外部侵害振源感知及定位方法,其特征在于,在所述特征矩阵中,对侵害振源位置进行标记的步骤具体包括:对振源位置进行直接标记,采用振源在物理空间中x,y,z坐标进行振源位置标记。
9.根据权利要求8所述的基础设施外部侵害振源感知及定位方法,其特征在于:采用CNN、RNN、Transformer、SVM、决策树类算法及其衍生算法训练输出可判断多振源的判定模型。
10.根据权利要求9所述的基础设施外部侵害振源感知及定位方法,其特征在于:通过所述多振源判定模型,得到振源位置网格分布,并根据网格大小,计算得到振源位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110464918.1A CN113205036A (zh) | 2021-04-28 | 2021-04-28 | 一种基础设施外部侵害振源感知及定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110464918.1A CN113205036A (zh) | 2021-04-28 | 2021-04-28 | 一种基础设施外部侵害振源感知及定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113205036A true CN113205036A (zh) | 2021-08-03 |
Family
ID=77027169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110464918.1A Pending CN113205036A (zh) | 2021-04-28 | 2021-04-28 | 一种基础设施外部侵害振源感知及定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113205036A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114822000A (zh) * | 2022-06-28 | 2022-07-29 | 中国科学院武汉岩土力学研究所 | 地下结构侵入预警系统及方法 |
CN115387967A (zh) * | 2022-06-29 | 2022-11-25 | 华电电力科学研究院有限公司 | 塔筒应力检测测点的布置方法及应力分析方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101449157A (zh) * | 2006-05-24 | 2009-06-03 | 空中客车法国公司 | 通过振动分析来非破坏性地监控结构的设备 |
CN109272017A (zh) * | 2018-08-08 | 2019-01-25 | 太原理工大学 | 分布式光纤传感器的振动信号模式识别方法和系统 |
CN109828302A (zh) * | 2019-01-17 | 2019-05-31 | 西人马(西安)测控科技有限公司 | 一种基于多振动传感器的震源定位方法及装置 |
CN109974835A (zh) * | 2018-12-29 | 2019-07-05 | 无锡联河光子技术有限公司 | 一种基于光纤信号特征的振动检测识别和时空定位方法和系统 |
CN110084986A (zh) * | 2019-04-29 | 2019-08-02 | 西人马(厦门)科技有限公司 | 一种周界安防方法及装置 |
CN110570613A (zh) * | 2019-09-18 | 2019-12-13 | 广州亓行智能科技有限公司 | 基于分布式光纤系统的围栏振动入侵定位和模式识别方法 |
-
2021
- 2021-04-28 CN CN202110464918.1A patent/CN113205036A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101449157A (zh) * | 2006-05-24 | 2009-06-03 | 空中客车法国公司 | 通过振动分析来非破坏性地监控结构的设备 |
CN109272017A (zh) * | 2018-08-08 | 2019-01-25 | 太原理工大学 | 分布式光纤传感器的振动信号模式识别方法和系统 |
CN109974835A (zh) * | 2018-12-29 | 2019-07-05 | 无锡联河光子技术有限公司 | 一种基于光纤信号特征的振动检测识别和时空定位方法和系统 |
CN109828302A (zh) * | 2019-01-17 | 2019-05-31 | 西人马(西安)测控科技有限公司 | 一种基于多振动传感器的震源定位方法及装置 |
CN110084986A (zh) * | 2019-04-29 | 2019-08-02 | 西人马(厦门)科技有限公司 | 一种周界安防方法及装置 |
CN110570613A (zh) * | 2019-09-18 | 2019-12-13 | 广州亓行智能科技有限公司 | 基于分布式光纤系统的围栏振动入侵定位和模式识别方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114822000A (zh) * | 2022-06-28 | 2022-07-29 | 中国科学院武汉岩土力学研究所 | 地下结构侵入预警系统及方法 |
CN115387967A (zh) * | 2022-06-29 | 2022-11-25 | 华电电力科学研究院有限公司 | 塔筒应力检测测点的布置方法及应力分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Automatic defect detection of metro tunnel surfaces using a vision-based inspection system | |
CN113205036A (zh) | 一种基础设施外部侵害振源感知及定位方法 | |
Sánchez-Rodríguez et al. | Automated detection and decomposition of railway tunnels from Mobile Laser Scanning Datasets | |
CN103593678B (zh) | 一种大跨度桥梁车辆动态荷载分布检测方法 | |
CN110569843B (zh) | 一种矿井目标智能检测与识别方法 | |
CN112800911A (zh) | 一种路面损伤快速检测及自然数据集构建方法 | |
Azarbayejani et al. | A probabilistic approach for optimal sensor allocation in structural health monitoring | |
CN114248819B (zh) | 基于深度学习的铁路侵限异物无人机检测方法、装置及系统 | |
Zhang et al. | Deep learning algorithms for structural condition identification with limited monitoring data | |
CN111259770A (zh) | 一种基于无人机平台和深度学习的复杂背景下索力快速测试系统及方法 | |
CN110793501A (zh) | 一种地铁隧道限界检测方法 | |
CN111783579A (zh) | 基于无人机视觉分析的施工人员跨越围栏检测系统 | |
CN113536659A (zh) | 一种震后道路受灾区域快速预测方法、系统及存储介质 | |
CN116665148A (zh) | 基于合成孔径雷达数据的海上船舶检测方法 | |
CN116206112A (zh) | 基于多尺度特征融合和sam的遥感图像语义分割方法 | |
Zhang et al. | Automated joint faulting measurement based on full-lane 3D pavement surface data | |
CN111551985A (zh) | 一种基于桩锤激震和k近邻算法的地下溶洞探测方法 | |
Awadallah et al. | Automated multiclass structural damage detection and quantification using augmented reality | |
JP2019067074A (ja) | 風環境学習装置、風環境評価システム、風環境学習方法及び風環境評価方法 | |
Barreras et al. | A comparison of different crime prediction models for Bogotá | |
CN115542338B (zh) | 一种基于点云空间分布映射的激光雷达数据的学习方法 | |
Dihoru et al. | A computer vision approach for dynamic tracking of components in a nuclear reactor core model | |
JP7094208B2 (ja) | 斜面安定性評価システム、及び斜面安定性評価方法 | |
Bahrami et al. | Application of machine learning to determine underground hazard location | |
CN115424410B (zh) | 基于无线辐射感知与多模态数据的高压环境防护方法 |
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: 20210803 |
|
RJ01 | Rejection of invention patent application after publication |