CN114022448A - 一种隧道壁裂缝与鼓包检测方法及多功能巡检系统 - Google Patents
一种隧道壁裂缝与鼓包检测方法及多功能巡检系统 Download PDFInfo
- Publication number
- CN114022448A CN114022448A CN202111306769.2A CN202111306769A CN114022448A CN 114022448 A CN114022448 A CN 114022448A CN 202111306769 A CN202111306769 A CN 202111306769A CN 114022448 A CN114022448 A CN 114022448A
- Authority
- CN
- China
- Prior art keywords
- data
- tunnel
- scanning
- monitoring
- tunnel wall
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 47
- 238000007689 inspection Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000005516 engineering process Methods 0.000 claims abstract description 18
- 238000013135 deep learning Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000012544 monitoring process Methods 0.000 claims description 25
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000012800 visualization Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 14
- 230000006870 function Effects 0.000 abstract description 10
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000013136 deep learning model Methods 0.000 abstract description 2
- 208000037656 Respiratory Sounds Diseases 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了属于隧道维护领域的一种隧道壁裂缝与鼓包检测方法及多功能巡检系统,所述方法基于一种雷达扫描和深度学习技术,通过构建智能检测深度学习模型,对激光扫描空间特征数据进行训练学习,完成对隧道壁裂缝和鼓包的智能检测识别;一种多功能隧道移动巡检系统提供了智能化整体解决方案,采用云边计算框架,将处理性能要求低、实时性要求高的轻量级任和处理性能要求高的任务进行前后端分批处理,在城市地铁路网规模迅速增长情况下,能够有效的缓解计算资源压力、提高系统运行效率,并通过集成隧道壁裂纹和鼓包、路面遗留物、火情以及可疑人员等功能于一体,集约智能高效的解决了当前隧道巡检中的重点频发问题,克服传统检测功能单一化问题。
Description
技术领域
本发明涉及隧道维护技术领域,更具体地说,涉及一种隧道壁裂缝与鼓包检测方法及多功能巡检系统。
背景技术
近年来,我国轨道交通路网规模迅速扩大,大量轨道交通基础设施相继进入养护期。因隧道中常常会出现隧道壁裂缝和鼓包病害、路面遗留物、火情以及可疑人员停留等问题,隧道的安全监管面临的压力逐渐增大。目前,针对隧道的病害检测主要包括两种方式:一是人工作业,比如隧道壁裂缝检测,使用相机拍照记录裂缝特质形态,人工记录裂缝尺寸和位置信息,但对于拱腰以上的裂缝检测,需要脚手架或高空升降平台车,该方法安全性差、速度慢、占用线路时间长。另一种是移动智能巡检,通过移动小车搭载智能传感器进行自动检测,比如,利用视频图像分析技术检测隧道裂缝,该方法受隧道光线影响严重,漏检率高,对于一些不明显的裂缝无法及时发现,或利用3D激光雷达扫描技术获取全部隧道断面点云数据,通过投影成像或BIM建模比对进行裂缝检测,该方法过程繁琐、实时性不高,且很多隧道无法提供原始BIM模型。鉴于此,我们提出一种隧道壁裂缝与鼓包检测方法及多功能巡检系统。
发明内容
1.要解决的技术问题
本发明的目的在于提供一种隧道壁裂缝与鼓包检测方法及多功能巡检系统,利用物联感知、无线自组网、人工智能、深度学习等先进技术,发明一种新的隧道壁裂缝与鼓包检测方法及多功能移动巡检系统,对隧道壁裂纹和鼓包、路面遗留物、火情以及可疑停留人员进行集中智能检测,解决已有方法稳定性不足、检测效率低以及系统功能单一等问题,有效提高检测精度,提升工作效率,保障线路运营安全。
2.技术方案
一种隧道壁裂缝与鼓包检测方法,所述方法基于一种雷达扫描和深度学习方法,所述雷达扫描和深度学习方法包括以下步骤,
S1、利用2D激光雷达对隧道断面进行实时扫描,每次扫描形成一个断面数据,随着移动巡检车匀速行驶以一定分辨率完成连续扫描,获得一组断面数据;
S2、将一组断面数据沿横向分割成若干份,对每一份数据进行预处理,包括:数据转换、噪声过滤、数据平滑、平面标准化等,并完成标定工作,形成若干有效训练样本;
S3、利用深度学习技术构建智能检测模型,通过样本训练完成对扫描数据的空间特征信息学习,实现对隧道壁裂缝和鼓包的智能检测识别。
一种多功能隧道移动巡检系统,包括前端移动巡检模块和后端监控分析模块两部分;
所述前端移动巡检模块包含:采集设备、微型工控机设备及巡检车设备,所述采集设备、微型工控机设备及巡检车设备将视图信息、设备状态信息、车辆行驶状态信息、隧道空间扫描数据以及预处理信息传输至后端监控分析模块;
所述后端监控分析模块包含:监控中心及云平台;所述监控中心及云平台用于接收前端传输数据进行在线数据分析和实时数据展示;
优选地,所述监控中心的监控内容包括:运行状态可视化、分析结果可视化、远程视频监控、移动巡检轨迹监控等。
3.有益效果
相比于现有技术,本发明的优点在于:
一种基于雷达扫描和深度学习技术的隧道壁裂缝与鼓包检测方法,将激光扫描技术与深度学习技术相结合,通过构建智能检测深度学习模型,对激光扫描空间特征数据进行训练学习,完成对隧道壁裂缝和鼓包的智能检测识别,与传统视频图像分析方法相比,该方法不受光线影响;与现有3D激光扫描成像方法相比,该方法实时性高,能够同时完成裂缝与鼓包检测,功能更全面。其次,一种多功能隧道移动巡检系统提供了智能化整体解决方案,采用云边计算框架,将处理性能要求低、实时性要求高的轻量级任和处理性能要求高的任务进行前后端分批处理,在城市地铁路网规模迅速增长情况下,与传统集中式处理方法相比,能够有效的缓解计算资源压力、提高系统运行效率,并通过集成隧道壁裂纹和鼓包、路面遗留物、火情以及可疑人员等功能于一体,集约智能高效的解决了当前隧道巡检中的重点频发问题,克服传统检测功能单一化问题。
附图说明
图1为本发明中基于雷达扫描和深度学习的隧道壁裂缝和鼓包智能检测识别技术的流程示意图;
图2为本发明中多功能隧道移动巡检系统的物理结构示意图;
图3为本发明中多功能隧道移动巡检系统的功能结构示意图;
图4为本发明中基于激光扫描的隧道断面数据采集的流程示意图;
图5为本发明中隧道壁裂缝和鼓包检测方法的数据预处理示意图;
图6为图5中数据预处理的平面标准化示意图;
图7为本发明中智能检测算法示意图;
具体实施方式
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
请参阅图1-7,本发明提供一种技术方案:
一种基于雷达扫描和深度学习技术的隧道壁裂缝与鼓包检测方法是本发明重要关键技术,利用深度学习技术对2D激光扫描空间数据进行训练学习,完成对隧道壁裂缝和鼓包智能检测。
一种隧道壁裂缝与鼓包检测方法,方法基于一种雷达扫描和深度学习方法,雷达扫描和深度学习方法包括以下步骤,
S1、利用2D激光雷达对隧道断面进行实时扫描,每次扫描形成一个断面数据,随着移动巡检车匀速行驶以一定分辨率完成连续扫描,获得一组断面数据;
S2、将一组断面数据沿横向分割成若干份,对每一份数据进行预处理,包括:数据转换、噪声过滤、数据平滑、平面标准化等,并完成标定工作,形成若干有效训练样本;
S3、利用深度学习技术构建智能检测模型,通过样本训练完成对扫描数据的空间特征信息学习,实现对隧道壁裂缝和鼓包的智能检测识别。随着样本数据的逐渐积累,检测精度将通过自我学习不断优化提升。
如图4所示,本实施例中的一种隧道壁裂缝和鼓包检测方法的数据采集,利用2D激光雷达对隧道断面进行实时扫描,每次扫描形成一个断面数据,随着巡检车匀速行驶以一定分辨率完成多次扫描,形成连续断面扫描数据,即为一组,并将这组数据沿巡检方向分割若干份。
如图5所示,本实施例中的一种隧道壁裂缝和鼓包检测方法的数据预处理:包括数据转换、噪声过滤、数据平滑、平面标准化等。
如图6所示,本实施例中数据预处理的数据转换是将断面扫描空间距离转换成水平空间距离L=r*sinθ。
如图7所示,本实施例中数据预处理的平面标准化是将不同高度的各断面水平空间距离映射在同一基准平面上,形成一个有效训练样本,并对训练样本进行标记:包括裂缝、鼓包以及正常。
本实施例中的智能检测算法是利用卷积深度神经网络,通过训练分析提取样本数据的空间特征信息,完成对隧道壁裂缝和鼓包的智能分类识别。
一种多功能隧道移动巡检系统采用云边计算,集对隧道壁裂纹和鼓包、路面遗留物、火情以及可疑人员等检测识别功能于一体,包括前端移动巡检模块和后端监控分析模块两部分;
前端移动巡检模块包含:采集设备1、微型工控机设备2及巡检车设备3,采集设备1、微型工控机设备2及巡检车设备3将视图信息、设备状态信息、车辆行驶状态信息、隧道空间扫描数据以及预处理信息传输至后端监控分析模块;
后端监控分析模块包含:监控中心及云平台;监控中心及云平台用于接收前端传输数据进行在线数据分析和实时数据展示。
具体的,监控中心的监控内容包括:运行状态可视化、分析结果可视化、远程视频监控、移动巡检轨迹监控等。
如图2~3所示的系统具体检测流程是:首先,利用巡检车搭载感知设备完成基础信息采集。其一,利用激光和断面摄像头设备,分别完成对隧道断面的扫描信息和视图信息采集;其二,利用前向摄像头和路面摄像头设备,分别采集隧道前方区域与路面区域的视图信息。其次,采用云边计算对基础采集信息进行在线处理分析,其中,对处理性能要求低、实时性要求高的轻量级任务采用边缘计算方式,利用微型工控机的内嵌小型化程序实现初步处理;对处理性能要求高的任务采用云计算方式,将前端的基础采集信息和预处理数据传输到后端云平台,利用卷积神经网络特征提取、Poly-Yolo目标检测、分类统计等技术对隧道壁病害以及潜在危险实现精准分析,并提供及时预警。最后,与监控中心保存数据同步,在监控大屏完成对巡检轨迹、设备状态、行驶状态、视频监控以及分析结果的综合展示。当有预警发生时,系统会高亮闪烁提示,并立刻切换现场画面,若无现场监控则调取巡检记录的视频图像信息,以便查看确认。
如图2所示,本实施例中的前端采集设备包括:激光雷达、断面摄像头、前向摄像头、路面摄像头以及附属设备。其中,激光雷达负责扫描隧道断面信息,用于隧道壁裂纹与鼓包检测;断面摄像头负责抓拍断面视频流信息,用于取证查看;前向摄像头负责抓拍隧道前方的视频流信息,用于火情以及可疑停留人员检测;路面摄像头负责抓拍隧道前方路面的视频流信息,用于遗留物检测。
本实施例中的前端微型工控机设备内嵌驱动模块、定位模块、通信模块、接口模块以及处理模块。其中,驱动模块负责接收中心控制命令,对巡检车及其采集设备实施远程控制;处理模块负责前端轻量级的数据处理任务;定位模块负责巡检车的空间定位;通信模块与接口模块负责前后端的网络通信,并将定位数据、设备状态、行驶状态以及采集数据、预处理数据传至后端。
本实施例中的前端巡检车设备负责搭载采集与控制等设备,并接收按驱动模块发送的控制命令行驶。
本实施例中的后端分析模块包括智能检测分析与数据统计分析,负责接收前端传输数据,在云平台调用智能检测算法模型,包括遗留物检测模型、火情检测模型、人员检测模型、裂缝与鼓包检测模型,对前端采集数据进行精准识别,并对实时与历史数据进行统计分析,形成分析报表。
本实施例中的后端监控模块利用数据孪生技术完成可视化监控,包括:设备状态可视化、分析结果可视化、巡检轨迹可视化以及远程视频监控等。当有预警发生时,系统会高亮闪烁提示,并立刻切换现场画面,若无现场监控则调取巡检记录的视频图像信息,以便查看确认。
本发明的技术点在于:一是,一种基于雷达扫描和深度学习技术的隧道壁裂缝与鼓包检测方法,将激光扫描技术与深度学习技术相结合,利用卷积深度神经网络对激光扫描空间特征数据进行训练学习,完成对隧道壁裂缝和鼓包的智能检测识别,与传统视频图像分析方法相比,该方法不受光线影响;与现有3D激光扫描成像方法相比,该方法实时性高,能够同时完成裂缝与鼓包检测,功能更全面。
二是,一种多功能隧道移动巡检系统提供了智能化整体解决方案,采用了云边计算框架,将处理性能要求低、实时性要求高的轻量级任和处理性能要求高的任务进行前后端分批处理,在城市地铁路网规模迅速增长情况下,与传统集中式处理方法相比,能够有效的缓解计算资源压力、提高系统运行效率,并通过集成隧道壁裂纹和鼓包、路面遗留物、火情以及可疑人员等功能于一体,集约智能高效的解决了当前隧道巡检中的重点频发问题,克服传统检测功能单一化问题。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (3)
1.一种隧道壁裂缝与鼓包检测方法,所述方法基于一种雷达扫描和深度学习方法,其特征在于:所述雷达扫描和深度学习方法包括以下步骤,
S1、利用2D激光雷达对隧道断面进行实时扫描,每次扫描形成一个断面数据,随着移动巡检车匀速行驶以一定分辨率完成连续扫描,获得一组断面数据;
S2、将一组断面数据沿横向分割成若干份,对每一份数据进行预处理,包括:数据转换、噪声过滤、数据平滑、平面标准化等,并完成标定工作,形成若干有效训练样本;
S3、利用深度学习技术构建智能检测模型,通过样本训练完成对扫描数据的空间特征信息学习,实现对隧道壁裂缝和鼓包的智能检测识别。
2.根据权利要求1所述的一种多功能隧道移动巡检系统,包括前端移动巡检模块和后端监控分析模块两部分;
所述前端移动巡检模块包含:采集设备、微型工控机设备及巡检车设备,所述采集设备、微型工控机设备及巡检车设备将视图信息、设备状态信息、车辆行驶状态信息、隧道空间扫描数据以及预处理信息传输至后端监控分析模块;
所述后端监控分析模块包含:监控中心及云平台;所述监控中心及云平台用于接收前端传输数据进行在线数据分析和实时数据展示。
3.根据权利要求2所述的一种多功能隧道移动巡检系统,其特征在于:所述监控中心的监控内容包括:运行状态可视化、分析结果可视化、远程视频监控、移动巡检轨迹监控等。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111306769.2A CN114022448A (zh) | 2021-11-05 | 2021-11-05 | 一种隧道壁裂缝与鼓包检测方法及多功能巡检系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111306769.2A CN114022448A (zh) | 2021-11-05 | 2021-11-05 | 一种隧道壁裂缝与鼓包检测方法及多功能巡检系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114022448A true CN114022448A (zh) | 2022-02-08 |
Family
ID=80061631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111306769.2A Pending CN114022448A (zh) | 2021-11-05 | 2021-11-05 | 一种隧道壁裂缝与鼓包检测方法及多功能巡检系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114022448A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114663840A (zh) * | 2022-05-13 | 2022-06-24 | 浙江有色地球物理技术应用研究院有限公司 | 隧道环境的巡检设备监控方法及系统 |
CN115359447A (zh) * | 2022-08-01 | 2022-11-18 | 浙江有色地球物理技术应用研究院有限公司 | 公路隧道远程监控系统 |
-
2021
- 2021-11-05 CN CN202111306769.2A patent/CN114022448A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114663840A (zh) * | 2022-05-13 | 2022-06-24 | 浙江有色地球物理技术应用研究院有限公司 | 隧道环境的巡检设备监控方法及系统 |
CN115359447A (zh) * | 2022-08-01 | 2022-11-18 | 浙江有色地球物理技术应用研究院有限公司 | 公路隧道远程监控系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104751634B (zh) | 高速公路隧道行车图像采集信息的综合应用方法 | |
CN109285376B (zh) | 一种基于深度学习的公交车客流统计分析系统 | |
CN110660222B (zh) | 一种智能环保道路黑烟车辆电子抓拍系统 | |
CN114022448A (zh) | 一种隧道壁裂缝与鼓包检测方法及多功能巡检系统 | |
CN103985182B (zh) | 一种公交客流自动计数方法及自动计数系统 | |
CN106541968B (zh) | 基于视觉分析的地铁车厢实时提示系统的识别方法 | |
CN101042802A (zh) | 交通信息传感器、交通信息检测方法和系统 | |
CN104796612A (zh) | 高清雷达联动跟踪控制摄像系统及联动跟踪方法 | |
CN103646544B (zh) | 基于云台和相机设备的车辆行为分析识别方法 | |
CN115797873B (zh) | 一种人群密度检测方法、系统、设备、存储介质及机器人 | |
CN112149513A (zh) | 基于深度学习的工业制造现场安全帽佩戴识别系统和方法 | |
CN112282787B (zh) | 一种隧道自动化维护多臂机器人及其控制方法 | |
CN113450573A (zh) | 基于无人机图像识别的交通监测方法和交通监测系统 | |
CN114689600A (zh) | 一种桥梁混凝土结构表面裂缝检测方法及系统 | |
CN112508911A (zh) | 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测系统及其检测方法 | |
CN115588121A (zh) | 基于传感数据和图像序列的塔吊吊物类别检测方法及系统 | |
CN109271904A (zh) | 一种基于像素自适应分割和贝叶斯模型的黑烟车检测方法 | |
CN116624225A (zh) | 一种隧道病害图片与文字巡检信息实时传输预警系统 | |
CN115166717A (zh) | 一种融合毫米波雷达与单目相机的轻量级目标跟踪方法 | |
CN113963373A (zh) | 一种基于视频图像动态检测与跟踪算法系统及方法 | |
CN115655119A (zh) | 一种道路线激光车辙沉陷拥包范围和尺寸检测方法 | |
CN115393900A (zh) | 一种基于物联网的智慧工地安全监管方法及系统 | |
CN113963293A (zh) | 一种充电场站智能运维算法及运维系统 | |
CN111985418A (zh) | 一种车载式公路交通安全设施风险源智能识别装置及方法 | |
CN111595859A (zh) | 桥涵损伤检测方法及损伤检测、管理系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220208 |
|
WD01 | Invention patent application deemed withdrawn after publication |