CN113674256B - 基于三维激光扫描技术的地质露头裂缝识别方法 - Google Patents
基于三维激光扫描技术的地质露头裂缝识别方法 Download PDFInfo
- Publication number
- CN113674256B CN113674256B CN202110984796.9A CN202110984796A CN113674256B CN 113674256 B CN113674256 B CN 113674256B CN 202110984796 A CN202110984796 A CN 202110984796A CN 113674256 B CN113674256 B CN 113674256B
- Authority
- CN
- China
- Prior art keywords
- crack
- dimensional
- point cloud
- cloud data
- coordinate system
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000006243 chemical reaction Methods 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 238000005259 measurement Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 7
- 238000011161 development Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/77—Determining position or orientation of objects or cameras using statistical methods
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
一种基于三维激光扫描技术的地质露头裂缝识别方法,通过三维激光扫描仪获取地质露头剖面三维点云数据,对获取的三维点云数据进行滤波去噪、二维转换后进行裂缝轮廓的识别,并对识别出的裂缝进行包括产状、长度、宽度和面密度的关键参数提取;能够准确、高效又安全地对露头剖面中裂缝进行定量识别,具有重要的理论价值和广阔的应用前景,为地下油气目的层的裂缝研究提供可靠依据。
Description
技术领域
本发明涉及油气地质勘探及工程测量技术领域,尤其涉及一种基于三维激光扫描技术的地质露头裂缝识别方法。
背景技术
随着全球性油气勘测和工程测量技术水平的提高,裂缝研究已经逐渐成为一个重要的勘测新领域。在油气勘探领域,裂缝既是油气储集的空间,也是油气运移的通道,在油气藏的勘探开发中有着非常重要的地位。但是由于裂缝的成因复杂,控制和影响的因素众多,形成和发育随机,且油气目的层常位于地下深部,裂缝的产状和规模很难直接测量,研究难度较高。通过选取与油气目的层的地质情况相似的典型地质露头剖面进行裂缝研究,可为地下目的层的裂缝研究提供可靠依据。
野外地质露头直接测量裂缝信息准确且直接,是进行裂缝研究的最佳选择之一,但是往往耗时、危险,甚至很多地方无法依靠人工完成。因此,寻找有效、安全而又准确的提取裂缝相关信息的新方法非常必要。
发明内容
为了克服上述现有技术的不足,本发明的目的在于提供一种基于三维激光扫描技术的地质露头裂缝识别方法,利用三维激光扫描技术获取地质露头剖面的点云数据,在点云数据上对裂缝位置、产状和规模进行精准识别,能够为油气储层的裂缝识别与预测提供科学指导,具有重要的理论价值和广阔的应用前景,具有快速性、高精度、智能化水平高的优点。
为了实现以上技术目的,本发明提供以下技术方案。
一种基于三维激光扫描技术的地质露头裂缝识别方法,具体步骤如下:
一、用三维激光扫描仪获取地质露头剖面三维点云数据;
二、对步骤一获取的地质露头剖面三维点云数据进行滤波去噪;
三、对步骤二去噪处理后的三维点云数据进行二维转换;
四、对步骤三得到的二维点云数据进行裂缝轮廓的识别;
五、对步骤四识别出的裂缝进行包括产状、长度、宽度和面密度的关键参数提取。
所述步骤一的具体方法为:
采用三维激光扫描仪对地质露头剖面进行扫描,获取地质露头剖面表面的三维点云数据;以三维激光扫描仪为坐标中心建立三维笛卡尔坐标系,并标定点云数据的笛卡尔坐标;地质露头剖面表面的三维点云数据的坐标标定为P(Xi,Yi,Zi),i=1,2,3......n,n为点云数据中点的数量;X、Y、Z为地质露头剖面表面点的三维坐标,i代表第i个点。
所述步骤二的具体方法为:
利用点云处理软件对步骤一获取的三维点云数据中偏离露头主体的孤立点和离散点直接手动删除。
所述点云处理软件包括Cyclone,Realworks或Pointtools。
所述步骤三的具体方法为:
将步骤二滤波去噪后的三维点云数据经投影变化后,转为二维数据,具体方法如下:
第1步:以三维激光扫描仪为坐标中心,建立三维柱坐标系,并建立三维柱坐标系与步骤一中的三维笛卡尔坐标系的转换关系;将笛卡尔空间坐标系中的三维点云对应到柱坐标系中;
第2步:将三维柱坐标系的柱面展开,构建二维柱面坐标系,并建立三维柱坐标系与二维柱面坐标系的转换关系;将柱坐标系中的三维点云数据转换为二维数据。
所述步骤四的具体方法为:
利用Delaunay三角剖分改进的Alpha Shapes模型对步骤三得到的二维点云数据进行裂缝轮廓识别,具体实现步骤如下:
第1步:建立步骤三中点集的Delaunay三角网;
第2步:对Delaunay三角网的各边依次进行是否符合Alpha Shape模型判断,当Delaunay三角网中某条边的长度大于Da,则该边不符合Alpha Shapes要求,删除该边;
第3步:对其余边依次进行是否符合Alpha Shape模型判断,求出每条边以Da为直径的两个外接圆圆心位置;建立该边对应的检索格网,对检索格网内的任意点到两个外接圆圆心的距离进行判断,识别出符合Alpha Shapes要求的边,边长≤Da即为符合,直至所有边均判断完毕;
第4步:所有符合Alpha Shapes要求的边,构成的轮廓线即为裂缝的边缘线。
所述步骤四第3步中Da值的选取计算公式为:
其中,W是所选取点云的宽度,H是所选取点云的长度,Np是点云中点的数量,3是通过试验获取的经验值。
所述步骤五的具体方法为:
第1步:提取裂缝产状
用最小二乘法对平面进行拟合,空间平面的方程用Ax+By+Cz+1=0来表示,由平面方程可以确定裂缝面的法向量为N(A,B,C),当法向量的Z坐标小于0,则给法向量乘以-1将其Z坐标变为正值,即保证法向量是垂直于裂缝面向上;根据法向量的三个坐标判断裂缝面的方位,排除多点共线、平面水平以及平面垂直这三种特殊情况,确定裂缝面为倾斜平面,即可以计算倾向和倾角之后计算裂缝面的空间方位,倾向为法向量在水平面上的投影向量与Y轴正方向之间的夹角,倾角为法向量与法向量在水平面上的投影向量之间的夹角;
第2步:分段测量提取裂缝的长度和宽度
先根据裂缝骨架即裂缝内全部最大内切圆的圆心集合与裂缝上下边界点的距离,将整个裂缝分若干段,再针对每段裂缝,确定该段裂缝的最小外接矩形,再根据矩形边界,完成裂缝长度和宽度的计算;
第3步:裂缝面密度的计算。
面密度指单位面积内裂缝的累积长度,在计算出裂缝的长度后,可由下式阶段裂缝面密度:
其中f为面密度,单位l/m,L为每条裂缝的长度,单位m;S代表检测区域的面积,单位m2。
本发明的有益效果为:
本发明利用三维激光扫描仪获取地质露头剖面三维点云数据,对获取的三维点云数据进行滤波去噪、二维转换后进行裂缝轮廓的识别,并对识别出的裂缝进行包括产状、长度、宽度和面密度的关键参数提取;能够准确、高效又安全地对露头剖面中裂缝进行定量识别,具有重要的理论价值和广阔的应用前景,为地下油气目的层的裂缝研究提供可靠依据。
具体实施方式
下面对本发明做进一步详细说明:
一种基于三维激光扫描技术的地质露头裂缝识别方法,具体步骤如下:
一、用三维激光扫描仪获取地质露头剖面三维点云数据;
采用三维激光扫描仪对地质露头剖面进行扫描,获取地质露头剖面表面的三维点云数据;以三维激光扫描仪为坐标中心建立三维笛卡尔坐标系,并标定点云数据的笛卡尔坐标;地质露头剖面表面的三维点云数据的坐标标定为P(Xi,Yi,Zi),i=1,2,3......n,n为点云数据中点的数量;X、Y、Z为地质露头剖面表面点的三维坐标,i代表第i个点。
二、对步骤一获取的地质露头剖面三维点云数据进行滤波去噪;
利用点云处理软件对步骤一获取的三维点云数据中偏离露头主体的孤立点和离散点直接手动删除。
三、对步骤二去噪处理后的三维点云数据进行二维转换;
将步骤二滤波去噪后的三维点云数据经投影变化后转为二维数据,具体方法如下:
第1步:以三维激光扫描仪为坐标中心,建立三维柱坐标系,并建立三维柱坐标系与步骤一中的三维笛卡尔坐标系的转换关系;将笛卡尔空间坐标系中的三维点云对应到柱坐标系中;
第2步:将三维柱坐标系的柱面展开,构建二维柱面坐标系,并建立三维柱坐标系与二维柱面坐标系的转换关系;将柱坐标系中的三维点云数据转换为二维数据。
四、对步骤三得到的二维点云数据进行裂缝轮廓的识别;
利用Delaunay三角剖分改进的Alpha Shapes模型对步骤三得到的二维点云数据进行裂缝轮廓识别,具体实现步骤如下:
第1步:建立步骤三中点集的Delaunay三角网;
第2步:对Delaunay三角网的各边依次进行是否符合Alpha Shape模型判断,当Delaunay三角网中某条边的长度大于Da,则该边不符合Alpha Shapes要求,删除该边;
第3步:对其余边依次进行是否符合Alpha Shape模型判断,求出每条边以Da为直径的两个外接圆圆心位置;建立该边对应的检索格网,对检索格网内的任意点到两个外接圆圆心的距离进行判断,识别出符合Alpha Shapes要求的边,边长≤Da即为符合,直至所有边均判断完毕;
第4步:所有符合Alpha Shapes要求的边,构成的轮廓线即为裂缝的边缘线。
所述步骤四第3步中Da值的选取计算公式为:
其中,W是所选取点云的宽度,H是所选取点云的长度,Np是点云中点的数量,3是通过试验获取的经验值。
五、对步骤四识别出的裂缝进行包括产状、长度、宽度和面密度的关键参数提取;
第1步:提取裂缝产状
用最小二乘法对平面进行拟合,空间平面的方程用Ax+By+Cz+1=0来表示,由平面方程可以确定裂缝面的法向量为N(A,B,C),当法向量的Z坐标小于0,则给法向量乘以-1将其Z坐标变为正值,即保证法向量是垂直于裂缝面向上;根据法向量的三个坐标判断裂缝面的方位,排除多点共线、平面水平以及平面垂直这三种特殊情况,确定裂缝面为倾斜平面,即可以计算倾向和倾角之后计算裂缝面的空间方位,倾向为法向量在水平面上的投影向量与Y轴正方向之间的夹角,倾角为法向量与法向量在水平面上的投影向量之间的夹角;
第2步:分段测量提取裂缝的长度和宽度
先根据裂缝骨架即裂缝内全部最大内切圆的圆心集合与裂缝上下边界点的距离,将整个裂缝分若干段,再针对每段裂缝,确定该段裂缝的最小外接矩形,再根据矩形边界,完成裂缝长度和宽度的计算;
第3步:裂缝面密度的计算。
面密度指单位面积内裂缝的累积长度,在计算出裂缝的长度后,可由下式阶段裂缝面密度:
其中f为面密度,单位l/m,L为每条裂缝的长度,单位m;S代表检测区域的面积,单位m2。
所述步骤二中点云处理软件包括Cyclone,Realworks,Pointtools。
Claims (7)
1.一种基于三维激光扫描技术的地质露头裂缝识别方法,其特征在于:具体步骤如下:
一、用三维激光扫描仪获取地质露头剖面三维点云数据;
二、对步骤一获取的地质露头剖面三维点云数据进行滤波去噪;
三、对步骤二去噪处理后的三维点云数据进行二维转换;
四、对步骤三得到的二维点云数据进行裂缝轮廓的识别;
五、对步骤四识别出的裂缝进行包括产状、长度、宽度和面密度的关键参数提取,具体方法为:
第1步:提取裂缝产状
用最小二乘法对平面进行拟合,空间平面的方程用Ax+By+Cz+1=0来表示,由平面方程确定裂缝面的法向量为N(A,B,C),当法向量的Z坐标小于0,则给法向量乘以-1将其Z坐标变为正值,即保证法向量是垂直于裂缝面向上;根据法向量的三个坐标判断裂缝面的方位,排除多点共线、平面水平以及平面垂直这三种情况,确定裂缝面为倾斜平面,即计算倾向和倾角之后计算裂缝面的空间方位,倾向为法向量在水平面上的投影向量与Y轴正方向之间的夹角,倾角为法向量与法向量在水平面上的投影向量之间的夹角;
第2步:分段测量提取裂缝的长度和宽度
先根据裂缝骨架即裂缝内全部最大内切圆的圆心集合与裂缝上下边界点的距离,将整个裂缝分段,再针对每段裂缝,确定该段裂缝的最小外接矩形,再根据矩形边界,完成裂缝长度和宽度的计算;
第3步:裂缝面密度的计算
面密度指单位面积内裂缝的累积长度,在计算出裂缝的长度后,由下式阶段裂缝面密度:
其中f为面密度,单位l/m,L为每条裂缝的长度,单位m;S代表检测区域的面积,单位m2。
2.根据权利要求1所述的一种基于三维激光扫描技术的地质露头裂缝识别方法,其特征在于:所述步骤一具体方法为:
采用三维激光扫描仪对地质露头剖面进行扫描,获取地质露头剖面表面的三维点云数据;以三维激光扫描仪为坐标中心建立三维笛卡尔坐标系,并标定点云数据的笛卡尔坐标;地质露头剖面表面的三维点云数据的坐标标定为P(Xi,Yi,Zi),i=1,2,3......n,n为点云数据中点的数量;X、Y、Z为地质露头剖面表面点的三维坐标,i代表第i个点。
3.根据权利要求1所述的一种基于三维激光扫描技术的地质露头裂缝识别方法,其特征在于:所述步骤二具体方法为:
利用点云处理软件对步骤一获取的三维点云数据中偏离露头主体的孤立点和离散点直接手动删除。
4.根据权利要求3所述的一种基于三维激光扫描技术的地质露头裂缝识别方法,其特征在于:所述点云处理软件包括Cyclone,Realworks,Pointtools。
5.根据权利要求1所述的一种基于三维激光扫描技术的地质露头裂缝识别方法,其特征在于:所述步骤三具体方法为:
将步骤二滤波去噪后的三维点云数据经投影变化后转为二维数据,具体方法如下:
第1步:以三维激光扫描仪为坐标中心,建立三维柱坐标系,并建立三维柱坐标系与步骤一中的三维笛卡尔坐标系的转换关系;将笛卡尔空间坐标系中的三维点云对应到柱坐标系中;
第2步:将三维柱坐标系的柱面展开,构建二维柱面坐标系,并建立三维柱坐标系与二维柱面坐标系的转换关系;将柱坐标系中的三维点云数据转换为二维数据。
6.根据权利要求1所述的一种基于三维激光扫描技术的地质露头裂缝识别方法,其特征在于:所述步骤四的具体方法为:
利用Delaunay三角剖分改进的Alpha Shapes模型对步骤三得到的二维点云数据进行裂缝轮廓识别,具体实现步骤如下:
第1步:建立步骤三中点集的Delaunay三角网;
第2步:对Delaunay三角网的各边依次进行是否符合Alpha Shape模型判断,当Delaunay三角网中某条边的长度大于Da,则该边不符合Alpha Shapes要求,删除该边;
第3步:对其余边依次进行是否符合Alpha Shape模型判断,求出每条边以Da为直径的两个外接圆圆心位置;建立该边对应的检索格网,对检索格网内的任意点到两个外接圆圆心的距离进行判断,识别出符合Alpha Shapes要求的边,边长≤Da即为符合,直至所有边均判断完毕;
第4步:所有符合Alpha Shapes要求的边,构成的轮廓线即为裂缝的边缘线。
7.根据权利要求6所述的一种基于三维激光扫描技术的地质露头裂缝识别方法,其特征在于:所述步骤四第3步中Da值的选取计算公式为:
其中,W是所选取点云的宽度,H是所选取点云的长度,Np是点云中点的数量,3是通过试验获取的经验值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110984796.9A CN113674256B (zh) | 2021-08-24 | 2021-08-24 | 基于三维激光扫描技术的地质露头裂缝识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110984796.9A CN113674256B (zh) | 2021-08-24 | 2021-08-24 | 基于三维激光扫描技术的地质露头裂缝识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113674256A CN113674256A (zh) | 2021-11-19 |
CN113674256B true CN113674256B (zh) | 2023-09-26 |
Family
ID=78546431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110984796.9A Active CN113674256B (zh) | 2021-08-24 | 2021-08-24 | 基于三维激光扫描技术的地质露头裂缝识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113674256B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114549740B (zh) * | 2022-01-14 | 2024-08-27 | 武汉科技大学 | 岩体裂隙三维模型构建及特征参数智能提取方法及应用 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102096944A (zh) * | 2010-11-25 | 2011-06-15 | 中国水电顾问集团西北勘测设计研究院 | 地质体结构面三维激光扫描点云识别方法 |
CN107402176A (zh) * | 2017-08-17 | 2017-11-28 | 中国石油天然气股份有限公司 | 裂缝孔隙度的确定方法和装置 |
CN110390683A (zh) * | 2018-04-17 | 2019-10-29 | 河海大学 | 一种基于密集点云的古城墙三维裂缝检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108364280B (zh) * | 2018-01-03 | 2022-04-15 | 东南大学 | 结构裂缝自动化描绘及宽度精准测量方法与设备 |
-
2021
- 2021-08-24 CN CN202110984796.9A patent/CN113674256B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102096944A (zh) * | 2010-11-25 | 2011-06-15 | 中国水电顾问集团西北勘测设计研究院 | 地质体结构面三维激光扫描点云识别方法 |
CN107402176A (zh) * | 2017-08-17 | 2017-11-28 | 中国石油天然气股份有限公司 | 裂缝孔隙度的确定方法和装置 |
CN110390683A (zh) * | 2018-04-17 | 2019-10-29 | 河海大学 | 一种基于密集点云的古城墙三维裂缝检测方法 |
Non-Patent Citations (1)
Title |
---|
Recognition of Oil and Gas Reservoir Space Based on Deep Learning;Shasha Yang 等;《ICESCE 2021》;第1-4页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113674256A (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110030951B (zh) | 一种基于三维激光扫描技术的引水竖井缺陷检测方法 | |
CN108846888B (zh) | 一种古木建筑构件精细尺寸信息自动化提取方法 | |
CN106091972B (zh) | 一种基于移动窗口投影点密度的建筑物变化检测方法 | |
CN113124782B (zh) | 一种基于点云抗差自适应的建构筑物垂直度检测方法 | |
CN112529844A (zh) | 一种基于三维激光扫描的岩体结构面识别与信息提取方法 | |
CN115560690B (zh) | 一种基于三维激光扫描技术的结构物整体变形分析方法 | |
CN111553292A (zh) | 一种基于点云数据的岩体结构面识别与产状分类方法 | |
CN109141266B (zh) | 一种钢结构测量方法及系统 | |
CN112785596B (zh) | 基于dbscan聚类的点云图螺栓分割和高度测量方法 | |
CN113012206B (zh) | 一种顾及房檐特征的机载与车载LiDAR点云配准方法 | |
CN113674256B (zh) | 基于三维激光扫描技术的地质露头裂缝识别方法 | |
CN113487722A (zh) | 一种基于三维激光扫描方法的混凝土构件自动化检测方法 | |
CN112033385A (zh) | 一种基于海量点云数据的桥墩位姿测量方法 | |
CN108168429B (zh) | 一种基于三维激光扫描仪的大型洞库容量测量方法 | |
CN106338277A (zh) | 一种基于基线的建筑物变化检测方法 | |
CN112857315B (zh) | 基于三维激光扫描的钢管柱垂直度测量方法 | |
CN117854060B (zh) | 基于深度学习的隧道岩体面状裂隙识别方法及系统 | |
CN114067073B (zh) | 一种基于tls点云的矿区建筑物变形自动提取方法 | |
CN109782355B (zh) | Obs检波点漂移的检测方法及装置 | |
CN104898106B (zh) | 面向复杂地形机载激光雷达数据的地面点提取方法 | |
CN112561989A (zh) | 一种建造场景下吊装对象的识别方法 | |
KR20230144247A (ko) | 터널 구조물의 건전성 평가 장치 및 방법 | |
CN105043962B (zh) | 一种定量测量砂岩质文物表面风化速度的方法 | |
CN112147619B (zh) | 基于声呐点云数据的桩体间距离迭代确定方法 | |
CN113344866A (zh) | 一种点云综合精度评价方法 |
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 |