CN113610062B - 一种土样特性提取方法、系统及信息数据处理终端 - Google Patents
一种土样特性提取方法、系统及信息数据处理终端 Download PDFInfo
- Publication number
- CN113610062B CN113610062B CN202111168092.0A CN202111168092A CN113610062B CN 113610062 B CN113610062 B CN 113610062B CN 202111168092 A CN202111168092 A CN 202111168092A CN 113610062 B CN113610062 B CN 113610062B
- Authority
- CN
- China
- Prior art keywords
- soil sample
- soil
- drilling
- layer
- sample
- 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
- 239000002689 soil Substances 0.000 title claims abstract description 558
- 238000012545 processing Methods 0.000 title claims abstract description 15
- 238000000605 extraction Methods 0.000 title claims description 36
- 238000005553 drilling Methods 0.000 claims abstract description 77
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000013135 deep learning Methods 0.000 claims abstract description 15
- 238000012937 correction Methods 0.000 claims abstract description 8
- 238000010586 diagram Methods 0.000 claims description 60
- 238000012549 training Methods 0.000 claims description 37
- 238000009933 burial Methods 0.000 claims description 25
- 239000011435 rock Substances 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 17
- 238000011835 investigation Methods 0.000 claims description 12
- 239000003086 colorant Substances 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000011161 development Methods 0.000 claims description 5
- 230000018109 developmental process Effects 0.000 claims description 5
- 239000000843 powder Substances 0.000 claims description 5
- 238000000638 solvent extraction Methods 0.000 claims description 5
- 238000013075 data extraction Methods 0.000 claims description 4
- 239000004744 fabric Substances 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 230000002093 peripheral effect Effects 0.000 claims description 4
- 238000012805 post-processing Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 2
- 239000011148 porous material Substances 0.000 description 23
- 230000015572 biosynthetic process Effects 0.000 description 4
- 239000000203 mixture Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Environmental & Geological Engineering (AREA)
- Computing Systems (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- Biomedical Technology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种土样特性提取方法、系统及信息数据处理终端，属于工程地质勘察技术领域，包括：S1、在目标区域内布设孔位，钻取土样，将土样分段为单位土样，并摆放拍照；S2、对单位土样照片依次进行边缘线识别、形状标准化纠正和土样参数关联；S3、对单位土样边界内的土样颜色、纹理特征进行计算，获取土样的RGB、纹理特征变化值，按照埋深方向形成分界线，依据分界线对土层进行划分；S4、将同一钻孔标准化分层土样照片，按照自上向下顺序拼接，形成原始的钻孔土样照片；S5、按照土样埋深方向、分界线形成的分层土样图像，识别分层土样特性；S6、对基于特征匹配判别和基于深度学习综合判断获得的结果进行比对校核。
Description
技术领域
本发明属于工程地质勘察技术领域，特别是涉及一种土样特性提取方法、系统及信息数据处理终端。
背景技术
众所周知，自然界的图是由岩石经风化、搬运、堆积而形成的。因此，母岩成分、风化性质、搬运过程和堆积的环境是影响土组成的主要因素，而土的组成又是决定地基土工程性质的基础。土是由固体颗粒、水和气体三部分组成的，通常称为土的三相组成，随着三相物质的质量和体积比例不同，土的性质也就不同。
土样特性包括：土样的埋深范围（底板埋深、顶界(板)埋深）、地层厚度、岩土描述信息（地层饱和度、地层颜色、地层状态、地层层理、地层含有物）、以及基于这些和专业经验判别出的土样岩土名称。
目前，土样特性的提取方法为：外业采集土样，依次取得钻孔土样后，记录人员通过用眼分辨不同土层分界线，完成分层，量出不同土层厚度，识别分层土样的颜色，颗粒度，纹理特征，辅助用手搓测试土柔韧性等，依据上述信息根据经验得到土层名称，并将信息记录供后续技术人员处理。
现有技术存在如下缺陷：勘察现场外业采集人员技术水平有限，流动性强，土样特性判别水平参差不齐。不同人员特性判别记录可能不一样。
发明内容
技术目的
本发明提供一种土样特性提取方法、系统及设备及信息数据处理终端；基于图像处理技术，能够高效，准确地提取土样特性。
技术方案
本发明的第一目的是提供一种土样特性提取方法，包括如下步骤：
S1、在目标区域内布设孔位，依次钻取每个钻孔点位的土样，将上述土样分段为单位土样，并按照埋深顺序摆放拍照；
S2、对单位土样照片依次进行边缘线识别、形状标准化纠正和土样参数关联；
S3、对单位土样边界内的土样颜色、纹理特征进行计算，获取土样的RGB、纹理特征变化值，对土样不同特性，按照埋深方向形成分界线，依据分界线对土层进行划分；
S4、对单一钻孔中每段单位土样依次进行土样分界线位置确定，将相邻土样的末首端进行分界线比对，计算每一段单位土样的颜色、纹理特征信息；依据RGB和纹理特征相似度判断是否为同一土层，如是同一土层，则进行土层合并，如不是同一土层，则保留获得单一钻孔整合后的分界线位置和分层土样；基于孔径和单位土样规格处理后土样标准图像依次得到各土层起止埋深；依次将同一钻孔标准化分层土样照片，按照自上向下顺序拼接，形成原始的钻孔土样照片；
S5、按照土样埋深方向、分界线形成的分层土样图像，分别基于特征匹配判别、基于深度学习综合判断，依次识别分层土样特性；
S6、对基于特征匹配判别和基于深度学习综合判断获得的结果进行比对校核，当比对结果相同时，则推荐为土样特性结果；当比对结果不同时，则通过人机交互形式进行判别，将结果存储到标准地层土样信息库的数据集中。
优选地，所述S1具体为：
S101、配置钻孔如下参数：回次进尺规格、孔径和单位土样规格；
S102、按埋深顺序取得土样，将土样摆放在纯色布上或者土样盒内；
S103、土样摆放与编号：土样按照孔号和顺序号，从上向下依次排列摆放，相邻两个土样之间的间隔大于10cm；
S104、对取得的土样进行定位和拍照，记录相片获取的位置和时间；
其中拍照要求竖向拍照；具体为：
选择埋深0-1m的第一个土样，对第一个土样进行拍照；
摆放第二个土样，对第一个土样和第二个土样组合进行拍照；
摆放第P个土样，对第P个土样和第P-1个土样组合进行拍照；P为大于2的自然数。
优选地，所述S2具体为：
S201、阈值分割，区分岩土土样与背景区域获得初步提取岩土土样区域，其中：
ω0=N0/ M×N；
ω1=N1/ M×N；
N0+N1=M×N；
ω0+ω1=1；
g=ω0ω1(μ0-μ1)2；
其中：ω0为属于前景的像素点数占整幅图像的比例；N0为图像中像素的灰度值大于阈值T的像素个数；图像的大小为M×N；ω1为背景像素点数占整幅图像的比例；N1为像素灰度小于阈值T的像素个数；g为使类间方差；μ0为前景平均灰度；μ1为背景平均灰度；采用遍历的方式获取使类间方差g的最大值，该最大值即为阈值T；
S202、初步提取岩土区域，对初始提取结果中含有噪声、孔洞，采取形态学后处理方法进行完善，得到连续、纯净的岩土土样边界。
优选地，所述S3具体为：
首先将土样整体图像进行分块，在埋深方向上按照每Q个像素分成若干条带图像块；例如，Q为24；
然后针对每条带图像块进行处理，处理过程依次包括：
图像缩放；
图像灰度化；
计算像素的灰度平均值；
比较像素的灰度，将每个像素的灰度，与平均值进行比较，大于或等于平均值记为1，小于平均值记为0；
计算哈希值，将比较结果，组合在一起，构成图像块的指纹；
对比相邻不同的图像块，通过对比结果，判断两张图像块的图层特性是否相同。
优选地，在S5中：
基于特征匹配判别具体为：
依据区域标准地层特征数据和目标区域周边的已有土层特征数据，叠加该分层土样埋深范围，筛选出符合条件的Z种土层类别；Z为大于0的自然数；
将分层土样图像依次与上述Z种土样类别对应的标准土样照片进行相似度分析，找出相似度最大的图像，得到该标准图像的土样特性；
基于深度学习综合判断具体为：
对分层土样识别网络模型进行预训练：采用自然场景数据进行网络模型权重初始化，在初始化基础上使用数据集训练调节网络权重；
对分层土样识别网络模型逐层调节：采用预训练模型和训练集中不同分层土样颜色图像对网络逐层调节训练，具体为：先锁定模型的卷积层，训练全连接层，从上到下逐层放开卷积层进行训练，获得分层土样识别网络模型并设定为当前土样深度网络模型：
土样识别网络输出每一土样样本的类别：
其中，
为深度网络函数，
表示样本x属于类别i的概率；c为总的类别个数；
训练网络的目标函数，实现最小化分类误差：
其中，n表示训练样本个数，
为第t个样本属于类别i的真实概率，
为损失函数，Pt,i为第t个样本属于类别i的预测概率。
根据下式随机梯度下降法更新网络参数：
其中，w表示待训练网络参数，lr表示学习率，
表示损失函数对参数w的偏导。
将分层土样的图片输入至训练完成的土样深度网络模型，利用土样深度网络模型输出该分层土样的颜色、纹理特征、土样岩土名称。
优选地，在S1之前，还包括如下步骤：
步骤A、整合历史资源，建立如下数据库：基础地质图件库、工程勘察报告库、工程勘察钻孔库、标准地层数据库、三维地层库和标准地层土样信息库；
步骤B、提取目标周边的土层特征数据。
优选地，在S6之后，还包括如下步骤：
S7、项目范围后续钻孔土样特性提取及校核处理。
本发明的第二目的是提供一种地基土分层的系统，包括：
数据库建立模块：整合历史资源，建立如下数据库：
基础地质图件库：对反映区域地质特征的图件进行数字化建库，具体包括：第Ⅴ陆相层某粉土粉砂分布图、桩基持力层顶底板埋深图、市区浅层地基土承载力特征值分布图、市区液化土层分布图、已填沟坑及古河道分布图、地震断裂带、地震烈度及基本加速度区划图、地震灾害分区图、地质灾害易发区分布图、地质灾害发育程度分区图、地面累计沉降量图、地面沉降速率图；
工程勘察成果库：包括工程勘察报告、报告附图、项目附表；以钻孔为基础，将各项目钻孔数据汇聚建库，包括钻孔位置、试验信息、分层信息；对钻孔数据进行地层标准化、空间基准统一化；
标准地层土样信息库：收集区域标准地层土样照片，进行标识，得到标准地层的土样分层特性，该土样分层特性包括颜色、颗粒、岩土野外定名、岩土描述；
周边土层特征数据提取模块：提取目标周边的土层特征数据；具体为：
依据工程勘察成果库中城市区域标准层序为不低于30km2范围特征层序统计划分结果，给项目参考；
通过与基础地质图件库中各种基础地质图件叠加，以及统计项目范围外扩区域内特殊地质条件，局部土层分布供项目借鉴；
分段拍照模块：在目标区域内布设孔位，依次钻取每个钻孔点位的土样，将上述土样分段为单位土样，并按照埋深顺序摆放拍照；
标准化子模块：对单位土样照片依次进行边缘线识别、形状标准化纠正和土样参数关联；
土样分层子模块：对单位土样边界内的土样颜色、纹理特征进行计算，获取土样的RGB、纹理特征变化值，对土样不同特性，按照埋深方向形成分界线，依据分界线对土层进行划分；
图像拼接模块：对单一钻孔中每段单位土样依次进行土样分界线位置确定，将相邻土样的末首端进行分界线比对，计算每一段单位土样的颜色、纹理特征信息；依据RGB和纹理特征相似度判断是否为同一土层，如是同一土层，则进行土层合并，如不是同一土层，则保留获得单一钻孔整合后的分界线位置和分层土样；基于孔径和单位土样规格处理后土样标准图像依次得到各土层起止埋深；依次将同一钻孔标准化分层土样照片，按照自上向下顺序拼接，形成原始的钻孔土样照片；
特性识别模块：按照土样埋深方向、分界线形成的分层土样图像，分别基于特征匹配判别、基于深度学习综合判断，依次识别分层土样特性；
判断模块：对基于特征匹配判别和基于深度学习综合判断获得的结果进行比对校核，当比对结果相同时，则推荐为土样特性结果；当比对结果不同时，则通过人机交互形式进行判别，将结果存储到标准地层土样信息库的数据集中；
校核模块：项目范围后续钻孔土样特性提取及校核处理。
本专利的第三发明目的是提供一种实现上述土样特性提取方法的信息数据处理终端。
本专利的第四发明目的是提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行上述的土样特性提取方法。
本发明的优点及积极效果为：
1、由于工程地质变化少，已有工程勘察数据对后面有较强借鉴性；通过对已有区域数据资源建设，可形成区域资源库；
2、利用项目周边已有地基土层数据、区域地基土划分层序规范、现场采集土样照片特性识别能实现80%以上土样特性提取。
3、现场采集土样照片有助于后续专业技术人员判别确定。
4、现场采集钻孔完整土样定位和照片信息，可以有效控制土样采样质量；
5、依次采集照片，拼接后可与钻孔剖面图形成对照，直观展现土样特性。
附图说明
图1是本发明第一优选实施例中的流程图；
图2是本发明第二优选实施例中的流程图；
图3是本发明两个优选实施例中的结构框图；
图4是本发明两个优选实施例中土样特性提取模块的框图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并详细说明如下。
请参阅图1，一种土样特性提取方法，按照规范要求对项目范围内布设孔位利用钻机取得土样，逐一对单一钻孔中土样进行特征识别获得项目范围内钻孔的土层特征，对项目范围内各类钻孔中的相同的土层分界线进行连接；其中特征识别包括：对土样进行边缘线、颜色、纹理、土层名称进行识别；包括以下几个步骤：
S1、照规范要求对项目范围内布设孔位，利用钻机依次取得土样，对取得土样按需进行分段形成单位土样，并按照顺序摆放拍照；
配置钻孔相关参数，包括回次进尺规格、孔径R孔径、单位土样规格L土样等；
按顺序取得土样，土样宜摆放在浅色平整区域，可放在纯色布上或者采用土样盒；
土样摆放与编号：土样按照孔号+顺序号，从顶部向下依次排列摆放，两土样间应间隔10cm以上。
对取得的土样立即定位，拍照（如果拍照前土样放置较长，拍照前可用切土刀，切出新鲜切面（不改变土样整体形状），防止土样在空气中失水颜色发生变化。），应记录相片获取的位置和时间。
拍照应竖向（沿土样方向），相机分辨率（竖向）应不低于2000像素；
拍照要求为：第一个土样为埋深0-1m，只拍这个土样，第二个土样摆放后，拍照包括第一个和第二个土样。第三个土样摆放后，拍照需要包括前面一个；后续土样拍照均需要包含前面一个土样。
S2、对单位土样照片依次进行边缘线识别、形状标准化纠正，和土样参数关联，具有可测量性：
1）在进行照片标准化处理时，首先通过公式运算选取合适的阈值对图像进行分割，区分岩土土样与背景区域获得初步提取岩土土样区域，其中运算公式为：
ω0=N0/ M×N；
ω1=N1/ M×N；
N0+N1=M×N；
ω0+ω1=1；
g=ω0ω1(μ0-μ1)2；
其中：ω0为属于前景的像素点数占整幅图像的比例；N0为图像中像素的灰度值大于阈值T的像素个数；图像的大小为M×N；ω1为背景像素点数占整幅图像的比例；N1为像素灰度小于阈值T的像素个数；g为使类间方差；μ0为前景平均灰度；μ1为背景平均灰度；采用遍历的方式获取使类间方差g的最大值，该最大值即为阈值T；
2）初步提取岩土区域，对初始提取结果中含有噪声、孔洞，采取形态学后处理方法进行完善，得到连续、纯净的岩土土样边界。
S3、对单位土样边界内的土样进行颜色、纹理特征进行计算，获取图样RGB、纹理特征的变化值，对土样不同特性按照埋深方向形成分界线，依据分界线对土层进行划分；
1）将土样整体图像进行分块：在埋深方向上按照每24个像素分成若干条状图像块（R孔径，代表土样孔径对应的图像像素）；
2）针对每条带图像块进行处理：
a进行缩放：按照比例缩小3到6倍，形成4*R孔径/6像素至8*R孔径/3像素的范围，去除图像的细节，保留结构/明暗等基本信息，摒弃不同尺寸/比例带来的图像差异；
b简化色彩：将缩放后的图像，转为形成4*R孔径/6级至8*R孔径/3级灰度范围，即所有像素点总共有4*R孔径/6至8*R孔径/3种颜色；
c计算平均值：计算所有4*R孔径/6至8*R孔径/3个像素的灰度平均值；
d比较像素的灰度：将每个像素的灰度，与平均值进行比较，大于或等于平均值记为1，小于平均值记为0；
e计算哈希值：将上一步的比较结果，组合在一起，就构成了一个4*R孔径/6至8*R孔径/3位的整数，这就是这个图像块的指纹。
f得到指纹以后，就可以对比相邻不同的图像块，看看4*R孔径/6至8*R孔径/3位中有多少位是不一样的。如果不相同的数据位数不超过5，就说明两张图像很相似；如果大于10，就说明这是两张不同的图像块，也就是两种不同土层特性。
S4、对单一钻孔每单位土样依次进行土样分界线位置确定后，将相邻土样的末首端进行分界线比对，计算每一段颜色、纹理特征信息；依据RGB和纹理特征相似度进行判断其是否为同一土层，如是进行土层合并，判断否则保留获得单一钻孔整合后的分界线位置和分层土样；基于R孔径和L土样处理后土样标准图像依次得到各土层起止埋深；依次将同一钻孔标准化分层土样照片按照顺序自顶部向下拼接，形成原始的钻孔土样照片，可供后续专业技术人员判别分析使用。
S5、按照土样埋深方向，按照分界线形成的分层土样图像，依次识别分层土样特性：
5.1 方法一：基于特征匹配判别
1）依据区域标准地层特征数据和项目周边的已有土层特征数据，叠加该分层土样埋深范围筛选出可能的Z种土层类别；Z为大于0的自然数；
2）将分层土样图像依次与上述可能的土样类别对应的标准土样照片进行相似度分析，找出相似度最大的图像，得到该标准图像的土样特性。
5.2 方法二：基于深度学习综合判断
对分层的土样识别网络模型进行预训练：采用自然场景数据进行网络模型权重初始化，在初始化基础上使用已有的包含海量样本的数据集训练调节网络权重，使土样识别深度网络适应各种自然场景的分类；
对分层土样识别网络模型逐层调节：采用预训练模型和训练集中不同分层土样颜色图像对网络逐层调节训练，具体为先锁定模型的卷积层，训练全连接层，从上到下逐层放开卷积层进行训练，获得分层土样识别网络模型并设定为当前土样深度网络模型：
土样识别网络输出每一土样样本的类别：
其中，
为深度网络函数，
表示样本x属于类别i的概率；c为总的类别个数；
训练网络的目标函数，实现最小化分类误差：
其中，n表示训练样本个数，
为第t个样本属于类别i的真实概率，
为损失函数，Pt,i为第t个样本属于类别i的预测概率。
根据下式随机梯度下降法更新网络参数：
其中，w表示待训练网络参数，lr表示学习率，
表示损失函数对参数w的偏导。
将分层土样的图片输入至训练完成的土样深度网络模型，利用土样深度网络模型输出该分层土样的颜色、纹理特征、土样岩土名称。
S6、对上述2种方法获得的结果进行比对校核，当比对结果相同时则推荐为土样特性结果，当比对结果不同时则通过人机交互形式进行判别，将结果存储到标准地层土样信息库的数据集中。
请参阅图2，一种土样特性提取方法，包括以下几个步骤：
步骤1.现有资源整合建库；其中：
1.1基础地质图件库：对能反映区域地质特征的图件进行数字化建库，包括第Ⅴ陆相层某粉土粉砂分布图、桩基持力层顶底板埋深图、市区浅层地基土承载力特征值分布图、市区液化土层分布图、已填沟坑及古河道分布图、地震断裂带、地震烈度及基本加速度区划图、地震灾害分区图、地质灾害易发区分布图、地质灾害发育程度分区图、地面累计沉降量图、地面沉降速率图等。
1.2工程勘察成果库：包含工程勘察报告、报告附图（平剖图）、项目附表等资料；重点以钻孔为基础，将各项目钻孔数据汇聚建库，包含钻孔位置、试验信息、分层信息。需要对钻孔数据进行地层标准化、空间基准统一化。
地层标准化：不同的勘察年代、不同的勘察单位、不同的勘察地点、不同的勘察人员、不同的勘察目的，都使用了不同的地层划分标准，需要根据统一的标准地层表对所有资料进行地层标准化。标准层序成果将一定区域内常规工程项目所需一定深度范围内地基土进行标准层序划分，通常按照包括包含区域标准层序名称、特征、埋深范围、土层特性、分布范围（文字描述具体的图形化）、以及特征地层分布图；物理特性等信息。
空间基准统一：需要将不同时期数据统一到现行参考系，包括平面基准和高程基准，目前一般为2000国家大地坐标系，高程基准统一为1985国家高程基准。
1.3标准地层土样信息库：收集区域标准地层土样照片，进行人工标识，得到标准地层的颜色、颗粒、岩土野外定名、岩土描述等土样分层特性。
上述数据库需要在新项目实施前建立。
步骤2.对项目周边的已有土层特征数据进行提取；
2.1从数据库建立模块的工程勘察成果库中获取数据，依据工程勘察成果库中城市区域标准层序为大范围特征层序统计划分结果，可以给项目参考，单就具体项目而言，还比较粗糙，需要通过已有项目积累数据资源动态建立项目区域小范围参考层序。一般将项目范围外扩3km，对范围内钻孔数据进行统计汇总，如可以得到各标准土层的埋深范围（该范围一般比城市区域标准层序对应埋深范围小，更有针对性）；
2.2从数据库建立模块的基础地质图件库中获取数据，通过与基础地质图件库中各种基础地质图件（分布图）叠加，以及统计项目范围外扩区域内特殊地质条件，局部土层分布可供项目借鉴；
步骤3.按照规范要求对项目范围内布设孔位利用钻机取得土样，逐一对单一钻孔中土样进行特征识别获得项目范围内钻孔的土层特征，对项目范围内各类钻孔中的相同的土层分界线进行连接；其中特征识别包括：对土样进行边缘线、颜色、纹理、土层名称进行识别；
3.1照规范要求对项目范围内布设孔位，利用钻机依次取得土样，对取得土样按需进行分段形成单位土样，并按照顺序摆放拍照；
配置钻孔相关参数，包括回次进尺规格、孔径R孔径、单位土样规格L土样等；
按顺序取得土样，土样宜摆放在浅色平整区域，可放在纯色布上或者采用土样盒；
土样摆放与编号：土样按照孔号+顺序号，从顶部向下依次排列摆放，两土样间应间隔10cm以上。
对取得的土样立即定位，拍照（如果拍照前土样放置较长，拍照前可用切土刀，切出新鲜切面（不改变土样整体形状），防止土样在空气中失水颜色发生变化。），应记录相片获取的位置和时间。
拍照应竖向（沿土样方向），相机分辨率（竖向）应不低于2000像素；
拍照要求为：第一个土样为埋深0-1m，只拍这个土样，第二个土样摆放后，拍照包括第一个和第二个土样。第三个土样摆放后，拍照需要包括前面一个；后续土样拍照均需要包含前面一个土样。
3.2对单位土样照片依次进行边缘线识别、形状标准化纠正，和土样参数关联，具有可测量性：
1）在进行照片标准化处理时，首先通过公式运算选取合适的阈值对图像进行分割，区分岩土土样与背景区域获得初步提取岩土土样区域，其中运算公式为：
ω0=N0/ M×N；
ω1=N1/ M×N；
N0+N1=M×N；
ω0+ω1=1；
g=ω0ω1(μ0-μ1)2；
其中：ω0为属于前景的像素点数占整幅图像的比例；N0为图像中像素的灰度值大于阈值T的像素个数；图像的大小为M×N；ω1为背景像素点数占整幅图像的比例；N1为像素灰度小于阈值T的像素个数；g为使类间方差；μ0为前景平均灰度；μ1为背景平均灰度；采用遍历的方式获取使类间方差g的最大值，该最大值即为阈值T；
2）初步提取岩土区域，对初始提取结果中含有噪声、孔洞，采取形态学后处理方法进行完善，得到连续、纯净的岩土土样边界。
3.3对单位土样边界内的土样进行颜色、纹理特征进行计算，获取图样RGB、纹理特征的变化值，对土样不同特性按照埋深方向形成分界线，依据分界线对土层进行划分；
1）将土样整体图像进行分块：在埋深方向上按照每24个像素分成若干条状图像块（R孔径，代表土样孔径对应的图像像素）；
2）针对每条带图像块进行处理：
a进行缩放：按照比例缩小3到6倍，形成4*R孔径/6像素至8*R孔径/3像素的范围，去除图像的细节，保留结构/明暗等基本信息，摒弃不同尺寸/比例带来的图像差异；
b简化色彩：将缩放后的图像，转为形成4*R孔径/6级至8*R孔径/3级灰度范围，即所有像素点总共有4*R孔径/6至8*R孔径/3种颜色；
c计算平均值：计算所有4*R孔径/6至8*R孔径/3个像素的灰度平均值；
d比较像素的灰度：将每个像素的灰度，与平均值进行比较，大于或等于平均值记为1，小于平均值记为0；
e计算哈希值：将上一步的比较结果，组合在一起，就构成了一个4*R孔径/6至8*R孔径/3位的整数，这就是这个图像块的指纹。
f得到指纹以后，就可以对比相邻不同的图像块，看看4*R孔径/6至8*R孔径/3位中有多少位是不一样的。如果不相同的数据位数不超过5，就说明两张图像很相似；如果大于10，就说明这是两张不同的图像块，也就是两种不同土层特性。
3.4对单一钻孔每单位土样依次进行土样分界线位置确定后，将相邻土样的末首端进行分界线比对，计算每一段颜色、纹理特征信息；依据RGB和纹理特征相似度进行判断其是否为同一土层，如是进行土层合并，判断否则保留获得单一钻孔整合后的分界线位置和分层土样；基于R孔径和L土样处理后土样标准图像依次得到各土层起止埋深；依次将同一钻孔标准化分层土样照片按照顺序自顶部向下拼接，形成原始的钻孔土样照片，可供后续专业技术人员判别分析使用。
3.5按照土样埋深方向，按照分界线形成的分层土样图像，依次识别分层土样特性：
3.5.1 方法一：基于特征匹配判别
1）依据区域标准地层特征数据和项目周边的已有土层特征数据，叠加该分层土样埋深范围筛选出可能的Z种土层类别；Z为大于0的自然数；
2）将分层土样图像依次与上述可能的土样类别对应的标准土样照片进行相似度分析，找出相似度最大的图像，得到该标准图像的土样特性。
3.5.2 方法二：基于深度学习综合判断
对分层的土样识别网络模型进行预训练：采用自然场景数据进行网络模型权重初始化，在初始化基础上使用已有的包含海量样本的数据集训练调节网络权重，使土样识别深度网络适应各种自然场景的分类；
对分层土样识别网络模型逐层调节：采用预训练模型和训练集中不同分层土样颜色图像对网络逐层调节训练，具体为先锁定模型的卷积层，训练全连接层，从上到下逐层放开卷积层进行训练，获得分层土样识别网络模型并设定为当前土样深度网络模型：
土样识别网络输出每一土样样本的类别：
其中，
为深度网络函数，
表示样本x属于类别i的概率；c为总的类别个数；
训练网络的目标函数，实现最小化分类误差：
其中，n表示训练样本个数，
为第t个样本属于类别i的真实概率，
为损失函数，Pt,i为第t个样本属于类别i的预测概率。
根据下式随机梯度下降法更新网络参数：
其中，w表示待训练网络参数，lr表示学习率，
表示损失函数对参数w的偏导。
将分层土样的图片输入至训练完成的土样深度网络模型，利用土样深度网络模型输出该分层土样的颜色、纹理特征、土样岩土名称。
3.6对上述2种方法获得的结果进行比对校核，当比对结果相同时则推荐为土样特性结果，当比对结果不同时则通过人机交互形式进行判别，将结果存储到标准地层土样信息库的数据集中。
步骤4、项目范围后续钻孔土样特性提取及校核处理；
依次完成不同钻孔土样分层与特性提取；
对项目区域不同钻孔而言，同一埋深土样具有同样特征或上下土层特征；相邻不同钻孔之间相互校核；前面已经识别特征可以为后面钻孔外业记录参考使用。
请参阅图3和图4，一种土样特性提取系统，包括：
数据库建立模块：整合历史资源，建立如下数据库：
基础地质图件库：对能反映区域地质特征的图件进行数字化建库，包括第Ⅴ陆相层某粉土粉砂分布图、桩基持力层顶底板埋深图、市区浅层地基土承载力特征值分布图、市区液化土层分布图、已填沟坑及古河道分布图、地震断裂带、地震烈度及基本加速度区划图、地震灾害分区图、地质灾害易发区分布图、地质灾害发育程度分区图、地面累计沉降量图、地面沉降速率图等。
工程勘察成果库：包含工程勘察报告、报告附图（平剖图）、项目附表等资料；重点以钻孔为基础，将各项目钻孔数据汇聚建库，包含钻孔位置、试验信息、分层信息。需要对钻孔数据进行地层标准化、空间基准统一化。
地层标准化：不同的勘察年代、不同的勘察单位、不同的勘察地点、不同的勘察人员、不同的勘察目的，都使用了不同的地层划分标准，需要根据统一的标准地层表对所有资料进行地层标准化。标准层序成果将一定区域内常规工程项目所需一定深度范围内地基土进行标准层序划分，通常按照包括包含区域标准层序名称、特征、埋深范围、土层特性、分布范围（文字描述具体的图形化）、以及特征地层分布图；物理特性等信息。
空间基准统一：需要将不同时期数据统一到现行参考系，包括平面基准和高程基准，目前一般为2000国家大地坐标系，高程基准统一为1985国家高程基准。
标准地层土样信息库：收集区域标准地层土样照片，进行人工标识，得到标准地层的颜色、颗粒、岩土野外定名、岩土描述等土样分层特性。
上述数据库需要在新项目实施前建立。
周边土层特征数据提取模块：提取目标周边的土层特征数据；具体为：
从数据库建立模块的工程勘察成果库中获取数据，依据工程勘察成果库中城市区域标准层序为大范围特征层序统计划分结果，可以给项目参考，单就具体项目而言，还比较粗糙，需要通过已有项目积累数据资源动态建立项目区域小范围参考层序。一般将项目范围外扩3km，对范围内钻孔数据进行统计汇总，如可以得到各标准土层的埋深范围（该范围一般比城市区域标准层序对应埋深范围小，更有针对性）；
从数据库建立模块的基础地质图件库中获取数据，通过与基础地质图件库中各种基础地质图件（分布图）叠加，以及统计项目范围外扩区域内特殊地质条件，局部土层分布可供项目借鉴；
土样特性提取模块：按照规范要求对项目范围内布设孔位利用钻机取得土样，逐一对单一钻孔中土样进行特征识别，获得项目范围内钻孔的土层特征，对项目范围内各类钻孔中相同的土层分界线进行连接；其中特征识别包括：对土样进行边缘线、颜色、纹理、土层名称进行识别；所述土样特性提取模块包括：
分段拍照模块：在目标区域内布设孔位，依次钻取每个钻孔点位的土样，将上述土样分段为单位土样，并按照埋深顺序摆放拍照；
标准化子模块：对单位土样照片依次进行边缘线识别、形状标准化纠正和土样参数关联；
土样分层子模块：对单位土样边界内的土样颜色、纹理特征进行计算，获取土样的RGB、纹理特征变化值，对土样不同特性，按照埋深方向形成分界线，依据分界线对土层进行划分；
图像拼接模块：对单一钻孔中每段单位土样依次进行土样分界线位置确定，将相邻土样的末首端进行分界线比对，计算每一段单位土样的颜色、纹理特征信息；依据RGB和纹理特征相似度判断是否为同一土层，如是同一土层，则进行土层合并，如不是同一土层，则保留获得单一钻孔整合后的分界线位置和分层土样；基于孔径和单位土样规格处理后土样标准图像依次得到各土层起止埋深；依次将同一钻孔标准化分层土样照片，按照自上向下顺序拼接，形成原始的钻孔土样照片；
特性识别模块：按照土样埋深方向、分界线形成的分层土样图像，分别基于特征匹配判别、基于深度学习综合判断，依次识别分层土样特性；
判断模块：对基于特征匹配判别和基于深度学习综合判断获得的结果进行比对校核，当比对结果相同时，则推荐为土样特性结果；当比对结果不同时，则通过人机交互形式进行判别，将结果存储到数据库建立模块的标准地层土样信息库的数据集中。
校核模块：项目范围后续钻孔土样特性提取及校核处理；
依次完成不同钻孔土样分层，接收周边土层特征数据提取模块和土样特性提取模块的特性提取信息进行比对校核；对项目区域不同钻孔而言，同一埋深土样具有同样特征或上下土层特征；相邻不同钻孔之间相互校核；前面已经识别特征可以为后面钻孔外业记录参考使用。
一种实现上述土样特性提取方法的信息数据处理终端。
一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行上述的土样特性提取方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。
Claims (10)
1.一种土样特性提取方法，其特征在于，包括如下步骤：
S1、在目标区域内布设孔位，依次钻取每个钻孔点位的土样，将上述土样分段为单位土样，并按照埋深顺序摆放拍照；
S2、对单位土样照片依次进行边缘线识别、形状标准化纠正和土样参数关联；
S3、对单位土样边界内的土样颜色、纹理特征进行计算，获取土样的RGB、纹理特征变化值，对土样不同特性，按照埋深方向形成分界线，依据分界线对土层进行划分；
S4、对单一钻孔中每段单位土样依次进行土样分界线位置确定，将相邻土样的末首端进行分界线比对，计算每一段单位土样的颜色、纹理特征信息；依据RGB和纹理特征相似度判断是否为同一土层，如是同一土层，则进行土层合并，如不是同一土层，则保留获得单一钻孔整合后的分界线位置和分层土样；基于孔径和单位土样规格处理后土样标准图像依次得到各土层起止埋深；依次将同一钻孔标准化分层土样照片，按照自上向下顺序拼接，形成原始的钻孔土样照片；
S5、按照土样埋深方向、分界线形成的分层土样图像，依次识别分层土样特性；
S6、对基于特征匹配判别和基于深度学习综合判断获得的结果进行比对校核，当比对结果相同时，则推荐为土样特性结果；当比对结果不同时，则通过人机交互形式进行判别，将结果存储到标准地层土样信息库的数据集中。
2.根据权利要求1所述的土样特性提取方法，其特征在于，所述S1包括：
S101、配置钻孔参数，上述钻孔参数包括：回次进尺规格、孔径和单位土样规格；
S102、按埋深顺序取得土样，将土样摆放在纯色布上或者土样盒内；
S103、土样摆放与编号：土样按照孔号和顺序号，从上向下依次排列摆放，相邻两个土样之间的间隔大于10cm；
S104、对取得的土样进行定位和拍照，记录相片获取的位置和时间；
其中拍照方式为竖向拍照；具体为：
选择埋深0-1m的第一个土样，对第一个土样进行拍照；
摆放第二个土样，对第一个土样和第二个土样组合进行拍照；
摆放第N个土样，对第P个土样和第P-1个土样组合进行拍照；P为大于2的自然数。
3.根据权利要求1所述的土样特性提取方法，其特征在于，所述S2具体为：
S201、阈值分割，区分岩土土样与背景区域获得初步提取岩土土样区域，其中：
ω0=N0/ M×N；
ω1=N1/ M×N；
N0+N1=M×N；
ω0+ω1=1；
g=ω0ω1(μ0-μ1)2；
其中：ω0为属于前景的像素点数占整幅图像的比例；N0为图像中像素的灰度值大于阈值T的像素个数；图像的大小为M×N；ω1为背景像素点数占整幅图像的比例；N1为像素灰度小于阈值T的像素个数；g为使类间方差；μ0为前景平均灰度；μ1为背景平均灰度；
采用遍历法获取最大的使类间方差g，将g赋值给阈值T；
S202、初步提取岩土区域，对初始提取结果中含有噪声和孔洞，采取形态学后处理方法进行完善，得到连续的岩土土样边界。
4.根据权利要求1所述的土样特性提取方法，其特征在于，所述S3具体为：
首先将土样整体图像进行分块，形成D条带图像块，D为大于1的自然数，每条带图像块在埋深方向上的长度为Q个像素；
然后对每条带图像块进行处理，处理过程依次包括：
图像缩放；使得带图像块的拼接面归一化；
图像灰度化；
计算像素的灰度平均值；
比较像素的灰度：将每个像素的灰度，与平均值进行比较，大于或等于平均值记为1，小于平均值记为0；
计算哈希值，将比较结果，组合在一起，构成图像块的指纹；
对比相邻不同的图像块，通过对比结果，判断两张图像块的图层特性是否相同。
5.根据权利要求1所述的土样特性提取方法，其特征在于，在S5中：基于特征匹配判别，依次识别分层土样特性；上述基于特征匹配判别具体为：
依据区域标准地层特征数据和目标区域周边的已有土层特征数据，叠加该分层土样埋深范围，筛选出符合条件的Z种土层类别；Z为大于0的自然数；
将分层土样图像依次与上述Z种土样类别对应的标准土样照片进行相似度分析，找出相似度最大的图像，得到该标准图像的土样特性。
6.根据权利要求1所述的土样特性提取方法，其特征在于，在S5中：基于深度学习综合判断，依次识别分层土样特性；上述基于深度学习综合判断具体为：
对分层土样识别网络模型进行预训练：采用自然场景数据进行网络模型权重初始化，在初始化基础上使用数据集训练调节网络权重；
对分层土样识别网络模型逐层调节：采用预训练模型和训练集中不同分层土样颜色图像对网络逐层调节训练，具体为：先锁定模型的卷积层，训练全连接层，从上到下逐层放开卷积层进行训练，获得分层土样识别网络模型并设定为当前土样深度网络模型；
土样识别网络输出每一土样样本的类别：
其中，
为深度网络函数，
表示样本x属于类别i的概率；i为1至c；c为总的类别个数；
训练网络的目标函数，实现最小化分类误差：
其中，n表示训练样本个数，
为第t个样本属于类别i的真实概率，
为损失函数；Pt,i为第t个样本属于类别i的预测概率；
根据下式随机梯度下降法更新训练网络参数：
其中，w表示待训练网络参数，lr表示学习率，
表示损失函数对待训练网络参数w的偏导；
将分层土样的图片输入至训练完成的土样深度网络模型，利用土样深度网络模型输出该分层土样的颜色、纹理特征、土样岩土名称。
7.根据权利要求1所述的土样特性提取方法，其特征在于，在S1之前，还包括如下步骤：
步骤A、整合历史资源，建立如下数据库：
基础地质图件库：对反映区域地质特征的图件进行数字化建库，具体包括：第Ⅴ陆相层某粉土粉砂分布图、桩基持力层顶底板埋深图、市区浅层地基土承载力特征值分布图、市区液化土层分布图、已填沟坑及古河道分布图、地震断裂带、地震烈度及基本加速度区划图、地震灾害分区图、地质灾害易发区分布图、地质灾害发育程度分区图、地面累计沉降量图、地面沉降速率图；
工程勘察成果库：包括工程勘察报告、报告附图、项目附表；以钻孔为基础，将各项目钻孔数据汇聚建库，包括钻孔位置、试验信息、分层信息；对钻孔数据进行地层标准化、空间基准统一化；
标准地层土样信息库：收集区域标准地层土样照片，进行标识，得到标准地层的土样分层特性，该土样分层特性包括颜色、颗粒、岩土野外定名、岩土描述；
步骤B、提取目标周边的土层特征数据；具体为：
依据工程勘察成果库中城市区域标准层序为不低于30km2范围特征层序统计划分结果，给项目参考；
通过与基础地质图件库中各种基础地质图件叠加，以及统计项目范围外扩区域内特殊地质条件，局部土层分布供项目借鉴；
在S6之后，还包括如下步骤：
S7、项目范围后续钻孔土样特性提取及校核处理。
8.一种土样特性提取系统，其特征在于，包括：
数据库建立模块：整合历史资源，建立如下数据库：
基础地质图件库：对反映区域地质特征的图件进行数字化建库，具体包括：第Ⅴ陆相层某粉土粉砂分布图、桩基持力层顶底板埋深图、市区浅层地基土承载力特征值分布图、市区液化土层分布图、已填沟坑及古河道分布图、地震断裂带、地震烈度及基本加速度区划图、地震灾害分区图、地质灾害易发区分布图、地质灾害发育程度分区图、地面累计沉降量图、地面沉降速率图；
工程勘察成果库：包括工程勘察报告、报告附图、项目附表；以钻孔为基础，将各项目钻孔数据汇聚建库，包括钻孔位置、试验信息、分层信息；对钻孔数据进行地层标准化、空间基准统一化；
标准地层土样信息库：收集区域标准地层土样照片，进行标识，得到标准地层的土样分层特性，该土样分层特性包括颜色、颗粒、岩土野外定名、岩土描述；
周边土层特征数据提取模块：提取目标周边的土层特征数据；具体为：
依据工程勘察成果库中城市区域标准层序为不低于30km2范围特征层序统计划分结果，给项目参考；
通过与基础地质图件库中各种基础地质图件叠加，以及统计项目范围外扩区域内特殊地质条件，局部土层分布供项目借鉴；
分段拍照模块：在目标区域内布设孔位，依次钻取每个钻孔点位的土样，将上述土样分段为单位土样，并按照埋深顺序摆放拍照；
标准化子模块：对单位土样照片依次进行边缘线识别、形状标准化纠正和土样参数关联；
土样分层子模块：对单位土样边界内的土样颜色、纹理特征进行计算，获取土样的RGB、纹理特征变化值，对土样不同特性，按照埋深方向形成分界线，依据分界线对土层进行划分；
图像拼接模块：对单一钻孔中每段单位土样依次进行土样分界线位置确定，将相邻土样的末首端进行分界线比对，计算每一段单位土样的颜色、纹理特征信息；依据RGB和纹理特征相似度判断是否为同一土层，如是同一土层，则进行土层合并，如不是同一土层，则保留获得单一钻孔整合后的分界线位置和分层土样；基于孔径和单位土样规格处理后土样标准图像依次得到各土层起止埋深；依次将同一钻孔标准化分层土样照片，按照自上向下顺序拼接，形成原始的钻孔土样照片；
特性识别模块：按照土样埋深方向、分界线形成的分层土样图像，分别基于特征匹配判别、基于深度学习综合判断，依次识别分层土样特性；
判断模块：对基于特征匹配判别和基于深度学习综合判断获得的结果进行比对校核，当比对结果相同时，则推荐为土样特性结果；当比对结果不同时，则通过人机交互形式进行判别，将结果存储到标准地层土样信息库的数据集中；
校核模块：项目范围后续钻孔土样特性提取及校核处理。
9.一种实现权利要求1至7任一项所述土样特性提取方法的信息数据处理终端。
10.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1至7任一项所述土样特性提取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111168092.0A CN113610062B (zh) | 2021-10-08 | 2021-10-08 | 一种土样特性提取方法、系统及信息数据处理终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111168092.0A CN113610062B (zh) | 2021-10-08 | 2021-10-08 | 一种土样特性提取方法、系统及信息数据处理终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113610062A CN113610062A (zh) | 2021-11-05 |
| CN113610062B true CN113610062B (zh) | 2021-12-10 |
Family
ID=78343349
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111168092.0A Active CN113610062B (zh) | 2021-10-08 | 2021-10-08 | 一种土样特性提取方法、系统及信息数据处理终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113610062B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112686779A (zh) * | 2020-12-16 | 2021-04-20 | 天津泰勘工程技术咨询有限公司 | 一种地基土标准土层层序划分方法 |
| CN113221445A (zh) * | 2021-04-21 | 2021-08-06 | 山东师范大学 | 利用遥感影像的联合特征对土壤盐分估测的方法及系统 |
| CN113391283A (zh) * | 2021-05-24 | 2021-09-14 | 中国农业大学 | 基于探地雷达的土壤分层信息识别方法和装置 |
-
2021
- 2021-10-08 CN CN202111168092.0A patent/CN113610062B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112686779A (zh) * | 2020-12-16 | 2021-04-20 | 天津泰勘工程技术咨询有限公司 | 一种地基土标准土层层序划分方法 |
| CN113221445A (zh) * | 2021-04-21 | 2021-08-06 | 山东师范大学 | 利用遥感影像的联合特征对土壤盐分估测的方法及系统 |
| CN113391283A (zh) * | 2021-05-24 | 2021-09-14 | 中国农业大学 | 基于探地雷达的土壤分层信息识别方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| "基于数字图像基于数字图像处理的紫色土结构特征提取与识别";尤颖;《万方数据知识服务平台》;20190327;第2-4章 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113610062A (zh) | 2021-11-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11530998B2 (en) | Method and system to analyze geologic formation properties | |
| CN112241711B (zh) | 一种从钻孔岩芯照片中识别rqd的智能方法 | |
| WO2017114443A1 (zh) | 一种确定储层岩溶发育程度的方法及装置 | |
| CN110096565B (zh) | 一种集成工程地质成果的多源数据标准化处理方法 | |
| CN110457501B (zh) | 一种基于图像识别的岩土芯样信息编录系统 | |
| CN116152461B (zh) | 地质建模方法、装置、计算机设备及计算机可读存储介质 | |
| CN105684047A (zh) | 动态更新表示一个或多个地质构造的区划 | |
| CN106842193A (zh) | 道路检测信息的处理方法、装置和系统 | |
| CN110363299B (zh) | 面向露头岩层分层的空间案例推理方法 | |
| CN111241611A (zh) | 一种辅助基坑实施的方法 | |
| JPH063145A (ja) | トンネル切羽画像収録処理システム | |
| CN114898057B (zh) | 地质剖面图三维空间信息提取方法和装置、存储介质 | |
| CN115035297A (zh) | 一种钻探岩芯rqd自动编录方法、系统、装置及介质 | |
| CN106055636B (zh) | 一种岩石便携智能识别方法 | |
| CN113610062B (zh) | 一种土样特性提取方法、系统及信息数据处理终端 | |
| CN118279512A (zh) | 一种基于深度学习的地质分布图绘制方法及系统 | |
| CN111462037B (zh) | 一种地质勘探钻孔质量检测方法 | |
| Kermit et al. | Towards a national infrastructure for semi-automatic mapping of cultural heritage in Norway | |
| CN105181721B (zh) | 基于岩心扫描的富泥披储层泥质含量计算方法 | |
| CN116201535B (zh) | 油气藏目标井标志地层自动划分方法、装置及设备 | |
| CN107990882B (zh) | 一种矿山巷道地质编录绘图系统 | |
| CN113946691B (zh) | 一种地基土分层系统及方法 | |
| Zawieska et al. | Development of true orthophotomaps of the fortified settlement at Biskupin, Site 4, based on archival data | |
| Qiu et al. | Three‐Dimensional Reconstruction of Tunnel Face Based on Multiple Images | |
| CN106504319A (zh) | 井间储层三维对比图的生成方法及装置 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240613 Address after: 300191 No. 428 Hongqi South Road, Tianjin, Nankai District Patentee after: Tianjin survey and Design Institute Group Co.,Ltd. Country or region after: China Address before: 300191 No. 428 Hongqi South Road, Tianjin, Nankai District Patentee before: Tianjin survey and Design Institute Group Co.,Ltd. Country or region before: China Patentee before: STARGIS (TIANJIN) TECHNOLOGY DEVELOPMENT Co.,Ltd. |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20211105 Assignee: STARGIS (TIANJIN) TECHNOLOGY DEVELOPMENT Co.,Ltd. Assignor: Tianjin survey and Design Institute Group Co.,Ltd. Contract record no.: X2024980014467 Denomination of invention: A method, system, and information data processing terminal for extracting soil sample characteristics Granted publication date: 20211210 License type: Common license|Cross license Record date: 20240909 |