CN114005051A - 一种基于图像识别的井巷通风阻力系数计算方法 - Google Patents
一种基于图像识别的井巷通风阻力系数计算方法 Download PDFInfo
- Publication number
- CN114005051A CN114005051A CN202111132903.1A CN202111132903A CN114005051A CN 114005051 A CN114005051 A CN 114005051A CN 202111132903 A CN202111132903 A CN 202111132903A CN 114005051 A CN114005051 A CN 114005051A
- Authority
- CN
- China
- Prior art keywords
- roughness
- coordinate system
- roadway
- camera
- calculating
- 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.)
- Withdrawn
Links
- 238000009423 ventilation Methods 0.000 title claims abstract description 44
- 238000004364 calculation method Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 35
- 239000011435 rock Substances 0.000 claims abstract description 23
- 230000009466 transformation Effects 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000013519 translation Methods 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 2
- 238000013215 result calculation Methods 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 238000013178 mathematical model Methods 0.000 abstract description 3
- 238000012935 Averaging Methods 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 9
- 230000000903 blocking effect Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/30244—Camera pose
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像识别的井巷通风阻力系数计算方法，属于矿山智能通风领域。通过对待测风阻巷道的围岩拍照获得多张包含粗糙度信息照片，图片采用高斯差分算法识别出图片中粗糙度，并提取照片中粗糙度的键点。结合相机内外参数、坐标系变换将二维信息转换在世界坐标系并构件点云三维模型。将点云模型分割为几个区域，通过各区域内的散点拟合三维平面，计算各个点云到平面距离的均值作为该区域的粗糙度。同样的方法计算其他分割区域的粗糙度。对所有分割区域的粗糙度求平均值作为这张照片的粗糙度；同样方法识别其他照片中的围岩粗糙度，将所有照片识别的粗糙度计算均值作为待测巷道的粗糙度。最后联立Colebrook数学模型和摩‑阻数学模型预测阻力系数。本发明具有智能化程度高、工作环境适应性强、具备数据运算和反馈的优点，能够为矿井智能通风提供技术支持。
Description
技术领域
本发明专利涉及矿井通风防灾技术领域的通风阻力系数智能预测技术，尤其涉及图像 识别的井巷通风阻力系数计算方法。
背景技术
矿井通风作为矿山的“呼吸系统”对采掘生产、防治瓦斯积聚和井巷内遗煤自燃、营 造良好的作业环境具有重要意义。空气沿井巷中流动时，由于风流的黏滞性、惯性和井巷壁 面等对井巷的阻滞、扰动作用而形成通风阻力造成巷道的需风地点供风不足。通风摩擦阻力 系数作为衡量通风难以程度的重要参数之一，如何合理的预测长期以来是研究的热点问题。
目前，预测巷道内通风摩擦阻力系数的方法可归结于三类：
(1)经验取值法，即根据以往的经验数据，在某一范围内随机取值；
(2)现场测试法，通过现场的实测获得数据；
(3)数值计算法，通过建立数值计算模型，通过计算机计算而得。
经验法易受到主观因素的影响，预测结果和实际结果误差较大，难以客观反映真实结 果；现场测试易受到井下复杂环境的影响，其次开采年限较长的矿井巷道分支有数千条之多， 无法对全部巷道进行实际测量；数值计算法需要求解偏微分方程，采用不同数学模型结果差 别较大，并且迭代次数对计算机的性能要求较高。除上述原因外，风流本身脉动影响导致测 量结果“测不准、总在变”，难以获得令人满意的测量结果。针对通风摩擦阻力系数，部分学 者们的研究结果具有代表性。
张庆华等提出一种基于大数据的通风巷道摩擦阻力系数快速确定方法，通过建立巷道 通风参数数据与巷道摩擦阻力系数的分类数据母几何和子几何，新城各行综合、动态更新、 精确的摩擦阻力系数系统大数据集，通过巷道顺序，在其中搜索类似巷道的数据集，然后在 相似巷道的数据集中搜索相似的影响因子，快速确定摩擦阻力系数。
杨卓明提出一种通风摩擦阻力系数测量方法和通风阻力系数测量装置。在巷道中设置 可调节的阻断程度的阻断物；分N此调节所述阻断物对所述巷道的阻断程度，测量N个风量 数值及所述N个风量数值对应的N个巷道压力差值；根据所述N个风量数值及其对应的N 个巷道压力差值确定所述巷道的通风阻力系数。
高菊茹等提出一种测试曲线隧道通风沿程摩擦阻力系数的实验装置。根据相似比选用 的与原型巷道壁面粗糙度相应的贴合在曲线模型隧道内表面的砂纸、静压测试管、带测试小 孔的整流圆管、微压计、通过变频器控制的实验风机所构成，曲线模型隧道的一段与直线模 型隧道连接、另一端与整流圆管连接，整流圆管与实验风机连接，静压测试管安装在曲线模 型隧道的待测长度的两端点位置，整流圆管用L型皮托管与微压计相连。由风机提供测试风 量，将测得的静压差值和动压差值带入公式计算即可得到曲线模型隧道内的摩擦阻力系数。
刘承东等提出一种综合管廊通风系统当量摩擦阻力系数确定方法。分别通过理论公式 和数值计算获得忽略管线和支架铺设情况时综合管廊舱室内的摩擦阻力系数，对比二者获得 第一修正系数；分别通过理论公式和数值计算获得铺设管线和支架情况时综合管廊舱室内的 摩擦阻力系数，对比二者获得第二修正系数；根据第一修正系数和第二修正系数获得管廊通 风系统的当量摩擦阻力系数。
高科等提出一种矿井通风摩擦阻力系数测定的方法。将壁面粗糙度作为通风摩擦阻力 系数的固有属性，基于激光三维扫描仪获得围岩表面点云，遍历每段小巷道点云得到待测巷 道的散点集合并提取所有点云的坐标点，根据散点坐标求得巷道壁面粗糙度；通过点云计算 小段巷道的体积和实验比例系数；对所有的小巷道求出巷道实验比例系数平均值，进而求出 整个巷道的通风摩擦阻力系数。这种算法对于粗糙度的处理较为简化，测量易受尺度效应的 影响。
发明内容
本发明要解决的技术问题是提高巷道内通风摩擦阻力系数测试的智能化程度，减少井 下测阻投入的人力和财力，为此提出一种基于图像识别的通风摩擦阻力系数测定新方法，本 方法不受环境因素的干扰，直接从图片中重构巷道围岩的三维点云预测粗糙度，进一步通过 粗糙度预测通风摩擦阻力系数。该测阻方法为矿井通风系统的优化设计提供设计参数。
为解决上述技术问题，本发明所采取的技术方案是：提供的一种基于图像识别的井巷通 风阻力系数计算方法，流程如图1所示，包括如下步骤。
步骤1：获取围岩表面图片，在巷道内架设相机，并对巷道的围岩拍照，在此过程中不 断调整拍摄角度，照片需要覆盖预测通风摩擦阻力系数巷道区段围岩的所有区域，得到的照 片集合P，遍历该区域所有的照片集合P＝{p1,p2,…,pm，…，pn}。
步骤2：识别照片中的围岩粗糙度，如图2所示采用高斯函数差分法处理照片，本步骤 以集合P中的任意一张照片为例说明粗糙度识别的计算过程，集合内的其他照片都采用相同 的计算过程处理，如果照片的长度为x m，宽度为y m，滤波参数分别为σ1和σ2，那么两次 滤波后的图片表示如下：
将两幅图像g1和g2在不同参数下的高斯滤波结果相减，g3是得到高斯差分图，表示如下。
步骤3：提取照片中识别出的边缘点作为三维重构的关键点，建立世界坐标系(world)、 相机坐标系(camera)、图像坐标系(picture)、像素坐标系(pile)间的映射关系，涉及外参矩阵和 内参矩阵，相机的外参是矩阵的旋转R和平移T，相机的内参是焦距的参数fx和fy，主点的 偏移量x0和y0；①首先需要根据外参矩阵将世界坐标系Oworld转换为以相机为中心的坐标系 Ocamera，如图3所示，转换涉及坐标系的旋转和平移，此时相机坐标系和世界坐标系方向一致； ②根据相机成像原理(如图4所示)，借助相机的内参将像素点映射在相机坐标系中，为了统 一标准和以后方便计算，归一化处理相机坐标系中的位置坐标，使其变为与成像平面平行且 距离相机原点距离相等的平面，此时也是建立三维空间点和二维空间点的关系，然而，物理 平面坐标系中的图像是以图像的左上角为原点，而我们之前的归一化相平面坐标系中是成像 中心Oimagin(u0,v0)点为原点(如图5所示)，因此需要平移变换。
对上述过程做个总结，即从像素坐标系→图像坐标系→相机坐标系→世界坐标系；计 算过程如公式(3)，等式最右端矩阵包含世界坐标系中的点的信息，将点的集合命名为S， 遍历集合内的所有点S＝(s1，s2，...，sm，...，sn)，其中任意元素为
步骤4：通过方差减小规则(SDR)将点的集合S分割为多个子集合(如图6所示)，遍历 所有的子集合S＝{S1,S2,...,Sm,...,Sn}，分割准则如公式(4)，其中，sd是集合的方差，E是 E集合里数目。
步骤5：通过偏最小二乘法分别拟合S子集合中的点，平面的集合A，遍历集合 A＝{A0,A1,A2,…,Am，…，An}，则拟合平面表示为公式(5)。
其中，
步骤6：计算点云到对应拟合平面的距离，将拟合面表达式(5)整理变换得到公式(7)，
x+y+(-k1-k2)z+(-b1-b2)＝0 (7)
分别计算子集合内各个点坐标到拟合平面的距离，再将求平均值作为这一个子集合的粗糙度， 计算过程如下述公式(8)所述。
步骤7：遍历所有的子集合S＝{S1,S2,...,Sm,...,Sn}，上述计算仅针对点集合S中的一个 子集合计算出粗糙度，其它子集合重复步骤5至步骤6分别计算粗糙度，通过均值计算所有 点云集合S的粗糙度，均值粗糙度ε均 d也是集合P中的第d张照片的粗糙度识别结果计算过 程如公式(9)所示。
步骤8：遍历围岩所有的照片集合P＝{p1,p2,…,pm，…，pn}，上述计算仅针对照片集合P 中的一张照片计算出粗糙度，其它照片的粗糙度计算需要重复步骤2至步骤7，各张照片的 粗糙度识别结果组成集合Ω＝{ε均 1,ε均 2,...,ε均 m，...，ε均 n}，计算集合Ω中所有元素的均值，如公 式(10)所示，ε也是整条待测通风摩擦阻力系数巷道的围岩粗糙度识别结果。
步骤9：计算摩阻系数λ，通过照片反演到世界坐标系中的所有点云能够确定巷道的当 量直径D，借用Colebrook公式(11)并结合上述求解出的巷道粗糙度ε能够计算出摩阻系数 λ。
步骤10：根据通风阻力系数α和摩擦阻力系数λ的关系公式(12)求得最终结果：
α＝λρ/8N·s2/m4 (12)
其中，ρ为空气密度，一般情况下取1.29kg/m3。
本发明提出了一种基于成本较低的图像识别、将图片中关键点三维重构的井下巷道摩 擦系数估算新技术；图像识别技术与三维重构技术的应用为巷道形态的有效构建、巷道围岩 表面粗糙度的精确复现、通风摩擦阻力系数的计算提供了新的可能，算法通过多张照片识别 粗糙度，将点云在世界坐标系、相机坐标系、图像坐标系、像素坐标系之间的相互转换，最 终构造出具有离散点云的粗糙表面；进一步的，通过Colebrook关系式和摩-阻关系式获取摩 擦阻力系数，模型预测结果为矿井“呼吸”系统的优化改造提供参数，其次，优化改造后的系 统可以用来降低通风的成本，带来可观的经济效益。
附图说明
图1计算流程图
图2高斯差分图像处理
图3相机外参
图4相机成像
图5像素和照片间的关系
图6围岩照片分布及点云拟合示意图
图7围岩粗糙度照片
图8高斯差分检测围岩粗糙度
具体实施方式
通过相机对围岩拍照，照片覆盖待测巷道的全部壁面。本实例仅选取其中一张照片具 体说明，其他照片的计算过程与详例一致，图7是本实例选取详细说明的原始照片，尺寸为 长10cm、宽度8.75cm，通过高斯差分处理图像，滤波参数σ1和σ2分别1和10，图8为处理后的照片；进一步分析图8发现，照片在图中通过黑-灰颜色的差异观察粗糙度的存在，为了提取照片中粗糙度的关键点，对图8建立平面直角坐标系，为了更加清晰的展现计算过程和计算数据，本实例仅选取图8中矩形框内信息识别粗糙度，照片中矩形框外的区域算法和矩形框内完全一致，计算区域的坐标如表1所述。
表1关键点位置
将图1中的关键点结合相机的内参和外参，在世界坐标系、相机坐标系间的转化关系 投影到三维空间，得到建立三维粗糙面的空间点，反演出的空间坐标点如表2所示。
表2空间点位置
通过SDR规则将表2中的点云分为两个区域，分区结果如表3所示。
表3点云分区
将表3中的点通过偏最小二乘法拟合空间平面，公式(13)和公式(14)为空间平面。
2.609x+1.112y-z＝5.869 (13)
0.859x+0.143y-z＝0.078 (14)
这些点到拟合平面的距离如表4所示。
表4点到拟合面距离
表4为两个分区内的点重构到三维空间中的点云，通过公式(8)求出的粗糙度分别是 0.029m、0.117m，通过同样的方法求解出其他分割区块的粗糙度并取平均值作为本张照片识 别出的粗糙度，本张照片有10个分区，各个分区的粗糙度识别结果如表5所示，最终求解的 整个照片的粗糙度为0.0528m。
表5各个分割块粗糙度
对待测巷道围岩拍摄100张照片以获取全部的粗糙度信息，上述计算仅对一张照片详 细说明，其他99张照片的计算过程完全一致，在后文将不再逐一赘述，100张照片识别的粗 糙度结果如下表所示。
表6 100张照片的围岩粗糙度识别结果
将公式(10)计算的粗糙度的带入公式(11)获得巷道的阻力系数，并将阻力系数带入 公式(12)获得通风摩擦阻力系数，考虑实际情况，巷道内的空气密度约为在1.29kg/m3，雷 诺数约为1×107～1×108，将计算涉及的参数选定如表7所示，最终得出的无量纲通风摩擦阻 力系数为0.00664、0.00801，结果在经验值以内，并符合现场实际需求，说明本算法可行性 较高。
表7通风摩擦阻力系数关键参数
Claims (3)
1.一种基于图像识别粗糙度的通风摩擦阻力系数预测方法，其特征在于包括如下步骤：
步骤1：获取围岩表面图片；在巷道内架设相机，并对巷道的围岩拍照，在此过程中不断调整拍摄角度，照片需要覆盖预测通风摩擦阻力系数巷道区段围岩的所有区域，得到的照片集合P，遍历该区域所有的照片集合P＝{p1,p2,…,pm，…，pn}；
步骤2：识别照片中的围岩粗糙度，如图2所示采用高斯函数差分法处理照片，本步骤以集合P中的任意一张照片为例说明粗糙度识别的计算过程，集合内的其他照片都采用相同的计算过程处理，如果照片的长度为x m，宽度为y m，滤波参数分别为σ1和σ2，那么两次滤波后的图片表示如下：
将两幅图像g1和g2在不同参数下的高斯滤波结果相减，g3是得到高斯差分图表示如下：
步骤3：提取照片中识别出的边缘点作为三维重构的关键点，建立世界坐标系(world)、相机坐标系(camera)、图像坐标系(picture)、像素坐标系(pile)间的映射关系，涉及外参矩阵和内参矩阵，相机的外参是矩阵的旋转R和平移T，相机的内参是焦距的参数fx和fy，主点的偏移量x0和y0；
①首先需要根据外参矩阵将世界坐标系Oworld转换为以相机为中心的坐标系Ocamera如图3所示，转换涉及坐标系的旋转和平移，此时相机坐标系和世界坐标系方向一致；
②根据相机成像原理(如图4所示)，借助相机的内参将像素点映射在相机坐标系中，为了统一标准和以后方便计算，归一化处理相机坐标系中的位置坐标，使其变为与成像平面平行且距离相机原点距离相等的平面，此时也是建立三维空间点和二维空间点的关系，然而物理平面坐标系中的图像是以图像的左上角为原点，而我们之前的归一化相平面坐标系中是成像中心Oimagin(u0,v0)点为原点(如图5所示)，因此需要平移变换；
步骤4：通过方差减小规则(SDR)将点的集合S分割为多个子集合(如图6所示)，遍历所有的子集合S＝{S1,S2,...,Sm,...,Sn}，分割准则如公式(4)，其中，sd是集合的方差，|E|是E集合里数目；
步骤5：通过偏最小二乘法分别拟合S子集合中的点，平面的集合A，遍历集合A＝{A0,A1,A2,…,Am，…，An}，则拟合平面表示为公式(5)：
其中，
步骤6：计算点云到对应拟合平面的距离，将拟合面表达式(5)整理变换得到公式(7)：
x+y+(-k1-k2)z+(-b1-b2)＝0 (7)
分别计算子集合内各个点坐标到拟合平面的距离，再将求平均值作为这一个子集合的粗糙度，计算过程如下述公式(8)所述：
步骤7：遍历所有的子集合S＝{S1,S2,...,Sm,...,Sn}，上述计算仅针对点集合S中的一个子集合计算出粗糙度，其它子集合重复步骤5至步骤6分别计算粗糙度，通过均值计算所有点云集合S的粗糙度，均值粗糙度ε均 d也是集合P中的第d张照片的粗糙度识别结果计算过程如公式(9)所示：
步骤8：遍历围岩所有的照片集合P＝{p1,p2,…,pm，…，pn}，上述计算仅针对照片集合P中的一张照片计算出粗糙度，其它照片的粗糙度计算需要重复步骤2至步骤7，各张照片的粗糙度识别结果组成集合Ω＝{ε均 1,ε均 2,...,ε均 m，...，ε均 n}，计算集合Ω中所有元素的均值，如公式(10)所示，ε也是整条待测通风摩擦阻力系数巷道的围岩粗糙度识别结果：
步骤9：计算摩阻系数λ，通过照片反演到世界坐标系中的所有点云能够确定巷道的当量直径D，借用Colebrook公式(11)并结合上述求解出的巷道粗糙度ε能够计算出摩阻系数λ：
步骤10：根据通风阻力系数α和摩擦阻力系数λ的关系公式(12)求得最终结果：
α＝λρ/8N·s2/m4 (12)
其中，ρ为空气密度，一般情况下取1.29kg/m3。
2.根据权利要求1所述的一种基于图像识别的井巷通风阻力系数计算方法，其特征在于：所述步骤1中对围岩拍摄的全部照片要尽可能多并且图像中包含待测巷道围岩的所有区域。
3.根据权利要求1所述的一种基于图像识别的井巷通风阻力系数计算方法，其特征在于：所述步骤3中在二维图片的粗糙度关键点获取的要尽可能多和密集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111132903.1A CN114005051A (zh) | 2021-09-27 | 2021-09-27 | 一种基于图像识别的井巷通风阻力系数计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111132903.1A CN114005051A (zh) | 2021-09-27 | 2021-09-27 | 一种基于图像识别的井巷通风阻力系数计算方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114005051A true CN114005051A (zh) | 2022-02-01 |
Family
ID=79921715
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111132903.1A Withdrawn CN114005051A (zh) | 2021-09-27 | 2021-09-27 | 一种基于图像识别的井巷通风阻力系数计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114005051A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114663627A (zh) * | 2022-03-28 | 2022-06-24 | 中国矿业大学 | 一种基于三维点云数据库的矿山数字模型建立方法 |
| CN117351152A (zh) * | 2023-10-23 | 2024-01-05 | 南京科技职业学院 | 一种基于坐标转换的巷道粗糙表面三维点云展开方法 |
| CN117893706A (zh) * | 2024-01-04 | 2024-04-16 | 南京科技职业学院 | 一种基于点云扫描的巷道风阻计算方法 |
-
2021
- 2021-09-27 CN CN202111132903.1A patent/CN114005051A/zh not_active Withdrawn
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114663627A (zh) * | 2022-03-28 | 2022-06-24 | 中国矿业大学 | 一种基于三维点云数据库的矿山数字模型建立方法 |
| WO2023185734A1 (zh) * | 2022-03-28 | 2023-10-05 | 中国矿业大学 | 一种基于三维点云数据库的矿山数字模型建立方法 |
| GB2623664A (en) * | 2022-03-28 | 2024-04-24 | Univ China Mining | Mine digital model construction method based on three-dimensional point cloud database |
| CN117351152A (zh) * | 2023-10-23 | 2024-01-05 | 南京科技职业学院 | 一种基于坐标转换的巷道粗糙表面三维点云展开方法 |
| CN117351152B (zh) * | 2023-10-23 | 2024-06-25 | 南京科技职业学院 | 一种基于坐标转换的巷道粗糙表面三维点云展开方法 |
| CN117893706A (zh) * | 2024-01-04 | 2024-04-16 | 南京科技职业学院 | 一种基于点云扫描的巷道风阻计算方法 |
| CN117893706B (zh) * | 2024-01-04 | 2024-06-14 | 南京科技职业学院 | 一种基于点云扫描的巷道风阻计算方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114005051A (zh) | 一种基于图像识别的井巷通风阻力系数计算方法 | |
| AU2018226437B2 (en) | System for automatic structure footprint detection from oblique imagery | |
| CA2455359C (en) | System, computer program and method for 3d object measurement, modeling and mapping from single imagery | |
| Lagüela et al. | Automatic thermographic and RGB texture of as-built BIM for energy rehabilitation purposes | |
| CN105045950B (zh) | 一种基于三维激光扫描的桥梁安全评估系统 | |
| Ham et al. | An automated vision-based method for rapid 3D energy performance modeling of existing buildings using thermal and digital imagery | |
| Pakoksung et al. | Digital elevation models on accuracy validation and bias correction in vertical | |
| Guo et al. | A geometry-and texture-based automatic discontinuity trace extraction method for rock mass point cloud | |
| US20160133007A1 (en) | Crack data collection apparatus and server apparatus to collect crack data | |
| EP3304500B1 (en) | Smoothing 3d models of objects to mitigate artifacts | |
| KR101884724B1 (ko) | 암거시설물 진단지원 시스템 | |
| Báčová et al. | A GIS method for volumetric assessments of erosion rills from digital surface models | |
| Kang et al. | The change detection of building models using epochs of terrestrial point clouds | |
| Tavani et al. | Terrestrial SfM-MVS photogrammetry from smartphone sensors | |
| US8395760B2 (en) | Unified spectral and geospatial information model and the method and system generating it | |
| US10432915B2 (en) | Systems, methods, and devices for generating three-dimensional models | |
| CN104729529B (zh) | 地形图测量系统误差判断的方法和系统 | |
| ESTOQUE et al. | < Original Papers> Validating ALOS PRISM DSM-derived surface feature height: Implications for urban volume estimation | |
| Ariff et al. | Exploratory study of 3D point cloud triangulation for smart city modelling and visualization | |
| Ioannidis et al. | 5D Multi-Purpose Land Information System. | |
| CN116448078A (zh) | 基于无人机倾斜摄影技术的矿山储量估算地形剖面方法 | |
| Ni et al. | Integrating WorldView-2 imagery and terrestrial LiDAR point clouds to extract dyke swarm geometry: implications for magma emplacement mechanisms | |
| Ma et al. | Low‐Altitude Photogrammetry and Remote Sensing in UAV for Improving Mapping Accuracy | |
| Hussein et al. | Evaluation of the accuracy of direct georeferencing of smartphones for use in some urban planning applications within smart cities | |
| Virtanen et al. | Visualization of building models and sensor data using open 3D platforms |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220201 |
|
| WW01 | Invention patent application withdrawn after publication |