CN114022655A - 基于灰度的采用光照补偿处理的边坡裂缝监测方法及系统 - Google Patents
基于灰度的采用光照补偿处理的边坡裂缝监测方法及系统 Download PDFInfo
- Publication number
- CN114022655A CN114022655A CN202111278784.0A CN202111278784A CN114022655A CN 114022655 A CN114022655 A CN 114022655A CN 202111278784 A CN202111278784 A CN 202111278784A CN 114022655 A CN114022655 A CN 114022655A
- Authority
- CN
- China
- Prior art keywords
- crack
- image
- side slope
- slope
- monitoring
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/14—Measuring arrangements characterised by the use of optical techniques for measuring distance or clearance between spaced objects or spaced apertures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Emergency Alarm Devices (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明涉及基于灰度的采用光照补偿处理的边坡裂缝监测方法,包括:采集得到边坡裂缝图像;对边坡裂缝图像进行预处理;对边坡裂缝图像进行光照补偿处理;对边坡裂缝图像进行灰度自适应拉伸增强;对边坡裂缝图像进行二值化处理;计算裂缝的方位角,判断方位角变化以及变化方向;对二值化处理后的图像中边坡裂缝宽度进行监测,判断得到边坡裂缝的分类;计算边坡裂缝发育的位移大小,监测边坡裂缝发育程度。本发明还公开了一种边坡裂缝监测系统。本发明对边坡裂缝灰度图像增强后,从中提取特征,计算得到裂缝发育方位角变化以及变化方向,计算比较边坡裂缝的位移大小,实现了边坡的实时监测,并计算得到裂缝发展的速度和加速度,实现滑坡预判、预警。
Description
技术领域
本发明属于滑坡风险控制领域,具体涉及一种基于灰度的采用光照补偿处理的边坡裂缝监测方法。
背景技术
为减少边坡施工过程中滑坡灾害对施工安全的危害,科学的监测和预报十分关键。滑坡的发展过程伴随着大量的可观测物理信息,如地表位移、深部位移、岩土体压力等,其中,能最直接的反应滑坡体状态的是地表位移和深部位移,且位移测量简单便捷,所以常采用位移监测。目前边坡的监测系统主要为有线监测和无人机监测等,需要大量人力,且无法做到实时监测。而且边坡监测系统对裂缝图像处理技术并不成熟,无法实现对数据精准的处理,对危害监测不及时。
发明内容
本发明的技术问题是现有的基于图像处理的边坡裂缝监测方法精准性差,不能对滑坡风险及时地预警,且现有的边坡监测方法、监测系统不能实现边坡的实时监测。
本发明的目的是针对上述问题,提供一种基于灰度的采用光照补偿处理的边坡裂缝监测方法,采集边坡裂缝部位的图像,对边坡裂缝灰度图像预处理消除图像外界干扰后依次进行光照补偿处理、灰度自适应拉伸增强和二值化处理,从增强的边坡裂缝图像中提取裂缝,计算分段的裂缝发育的方位角,根据裂缝宽度、长度变化情况,判断得到边坡裂缝的分类,对边坡裂缝进行比例尺转换,计算得到边坡裂缝部位的实际位移,计算得到边坡裂缝发展的速度和加速度,判断是否有滑坡风险,该方法便于计算机执行以实现边坡的实时监测并及时进行滑坡预警。
本发明的技术方案是基于灰度的采用光照补偿处理的边坡裂缝监测方法,包括以下步骤:
步骤1:采集边坡裂缝部位的图像,得到边坡裂缝图像;
步骤2:对边坡裂缝图像进行预处理;
步骤3:对边坡裂缝图像进行光照补偿处理;
步骤3.1:对边坡裂缝图像进行直方图均衡化;
步骤3.2:对边坡裂缝图像进行灰度非线性变换;
步骤3.3:对边坡裂缝图像进行灰度统计归一化;
步骤4:边坡裂缝图像进行灰度自适应拉伸增强;
步骤5:对边坡裂缝图像进行二值化处理;
步骤6:从图像中提取裂缝特征,计算裂缝发育的方位角,判断方位角变化以及变化方向;步骤7:对二值化处理后的图像中边坡裂缝宽度进行监测,判断得到边坡裂缝的分类;
步骤8:计算边坡裂缝发育的位移大小,监测边坡裂缝发育程度;
步骤9:对边坡裂缝图像中的裂缝进行比例尺转换,计算得到边坡裂缝部位的实际位移;
步骤10:监测边坡裂缝的长度,计算边坡裂缝发展的速度和加速度,即边坡裂缝长度变速的速度,并与边坡失稳的临界加速度值相比较,若计算的边坡裂缝发展的加速度大于临界加速度,则判断有滑坡风险,进行滑坡预警。
优选地,步骤3中,对有偏光情况的裂缝图像采用复合灰度处理方法进行灰度处理。
进一步地,步骤3中,所述灰度非线性变换,对亮度偏高的裂缝图像进行指数变换,指数变换的计算式如下
g(x,y)=bc[f(x,y)-a]-1
式中g(x,y)表示变换后的图像灰度值,f(x,y)表示原始图像灰度值,x表示图像像素的横坐标,y表示图像像素的纵坐标,a,b,c均为参数;
对亮度偏低的裂缝图像进行对数变换,对数变换的计算式如下
进一步地,步骤4中,灰度自适应拉伸增强的计算过程具体包括:
1)确定图像的最小灰度值fmin和最大灰度值fmax,
fmin=min(f(x,y))
fmax=max(f(x,y))
其中f(x,y)表示图像中像素的灰度,min()表示最小值函数,max()表示最大值函数;
2)将最小灰度值fmin和最大灰度值fmax分别线性映射到0和gmax,将图像中像素的灰度f(x,y)映射到g(x,y),
式中f(x,y)表示,fmax表示输入图像的最大灰度值,fmin表示输入图像的最小灰度值,gmax表示输出图像的最大灰度值。
步骤5中,所述二值化处理,将灰度级大于或等于阈值的图像中的点都定义为目标,将其灰度级设置为255;将灰度级小于阈值的图像中的点都定义为背景,将其灰度级设置为0,计算式如下
式中T表示阈值,f(i,j)表示原图像的灰度值,g(i,j)表示二值化后图像的灰度值。
步骤7中,保持边坡图像的拍摄焦距不变,若边坡裂缝图像中裂缝宽度随时间的推移而增大,则判别为张开型裂缝;对比比较边坡裂缝的其中一段随时间的推移而在拍摄采集的边坡图像中的变化,若出现边坡裂缝的其中一段的像素区块随时间增大,则判断为滑开型裂缝;若边坡裂缝图像中位于裂缝两端的像素点的相对位置随时间变化而出现上下错动变化,则判断为撕开型裂缝。
采用上述边坡裂缝监测方法的监测系统,包括图像采集子系统、数据处理子系统、坡面破损定位子系统、附属装置子系统和预警子系统,所述图像采集子系统包括摄像机、图像采集卡和速度传感器;所述数据处理子系统包括计算机系统、数据处理系统和传输系统;所述附属装置子系统包括驱动电源,驱动电源用于为所述系统的现场设备供电;所述坡面破损定位子系统包括GPS接收板。计算机系统的存储器上存储边坡裂缝监测程序,所述程序被计算机系统的处理器执行时,实现上述的边坡裂缝监测方法。
相比现有技术,本发明的有益效果包括:
1、本发明的边坡裂缝监测方法,对边坡裂缝灰度图像增强后,从中提取裂缝特征的像素,计算裂缝发育的方位角,得到裂缝发育方位角变化以及变化方向,通过计算比较边坡裂缝的位移大小,实现了边坡裂缝发育程度的实时监测,通过对图像中的裂缝进行比例尺转换,计算得到边坡裂缝部位的实际位移,便于实时掌握边坡裂缝的实况,并通过计算边坡裂缝发展的速度和加速度,实现滑坡风险的预判、预警,本发明方法极大地提高了边坡裂缝部位位移监测的精准性,实现了边坡裂缝部位的实时监测以及滑坡风险的实时预判预警;
2、本发明的方法通过预处理减小图像外界的干扰的效果,从而提高裂缝特征提取的精准性;
3、本发明利用直方图均衡化处理下非线性变换对光照补偿有很好的效果,显著提高了不均匀光照对边坡裂缝图像引起的灰度偏差的影响;
4、本发明通过灰度归一化处理不仅增强了图像的对比度,而且使图像在统计特性.上达到统一化和标准化,从而达到增强的效果;
5、本发明利用复合灰度处理法显著降低了不均匀光照对边坡裂缝图像引起的灰度偏差的影响;
6、本发明在自适应拉伸增强处理下,根据图像像素分布的特点,不同的裂缝图像选择不同的分段点,灰度自适应拉伸会选择最优区间,起到灰度拉伸增强的效果,通过线性处理增强了图像而不丢失原始图像的信息;
7、本发明利用二值化处理增强了裂缝图像的细节信息,便于下一步的裂缝特征提取,实现了将裂缝发育长度监测误差精度控制在毫米级;
8、本发明实现边坡裂缝后缘在一段时间内的位移轨迹变化情况的实时监测,提供有力的证据便于预测滑坡灾害体的运动轨迹;
9、本发明可识别出不同种类的边坡裂缝,以及各种组合型裂缝种类,可精准预测不同边坡裂缝,为以后的边坡护理做出贡献;
10、本发明的边坡裂缝监测系统装置体积小,方便安置,可置于大部分地形中。其次方便装运,可拆解,体积小质量轻,便于携带;
11、本发明的预警子系统可及时对边破裂缝变化做出反应,能加强对风险反应速度,减少损害的发生。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1为本发明实施例的边坡裂缝灰度图像的增强过程的示意图。
图2为本发明实施例的边坡裂缝监测系统的结构框图。
图3为本发明实施例的监测系统的布置示意图。
具体实施方式
如图2和图3所示,实施例的边坡裂缝监测系统包括:图像采集子系统、数据处理子系统、坡面破损定位子系统、附属装置子系统和预警子系统,所述图像采集子系统包括摄像机、图像采集卡和速度传感器,速度传感器用来测量边坡的滑移速度信息,通过采集边坡的滑移速度信息来控制摄像机摄取边坡坡面图像的速率,进而达到协调摄像头采集坡面图像数据的频率与边坡的滑移速度。
数据处理子系统包括计算机系统、数据处理系统和传输系统。
附属装置子系统包括驱动电源,驱动电源用于为所述系统的现场设备供电,实施例的驱动电源采用光伏板发电设备。
坡面破损定位子系统包括GPS接收板,坡面破损定位子系统用于获取边坡坡面破损的位置信息。实施例中,摄像机经无线网络与计算机系统通讯连接。
预警子系统参照建筑边坡工程施工质量验收规范DBJ/T50-100-2010,观测裂缝位移、变化速度、加速度,以此为参照进行预警判断。
如图1所示,基于灰度的采用光照补偿处理的边坡裂缝监测方法,包括以下步骤:
步骤1:利用摄像机采集边坡裂缝部位的图像,得到边坡裂缝图像,通过无线传输将数据传送给计算机;
步骤2:对边坡裂缝图像进行预处理;
步骤3:对边坡裂缝图像进行光照补偿处理,对有偏光情况的裂缝图像采用复合灰度处理方法进行灰度处理,实施例的复合灰度处理方法参照2020年第11期《岩土工程学报》刊登的刘杰等的论文“基于图像数字技术的砂岩裂隙可视化渗流特性试验研究”公开的复合灰度处理方法;
步骤3.1:对边坡裂缝图像进行直方图均衡化;
步骤3.2:对边坡裂缝图像进行灰度非线性变换;
对亮度偏高的裂缝图像进行指数变换,指数变换的计算式如下
g(x,y)=bc[f(x,y)-a]-1
式中g(x,y)表示变换后的图像灰度值,f(x,y)表示原始图像灰度值,x表示图像像素的横坐标,y表示图像像素的纵坐标,a,b,c均为参数;
对亮度偏低的裂缝图像进行对数变换,对数变换的计算式如下
步骤3.3:对边坡裂缝图像进行灰度统计归一化;
步骤4:边坡裂缝图像进行灰度自适应拉伸增强,具体过程包括:
1)确定图像的最小灰度值fmin和最大灰度值fmax,
fmin=min(f(x,y))
fmax=max(f(x,y))
其中f(x,y)表示图像中像素的灰度,min()表示最小值函数,max()表示最大值函数;
2)将最小灰度值fmin和最大灰度值fmax分别线性映射到0和gmax,将图像中像素的灰度f(x,y)映射到g(x,y),
式中f(x,y)表示,fmax表示输入图像的最大灰度值,fmin表示输入图像的最小灰度值,gmax表示输出图像的最大灰度值,实施例中gmax=255。
通过边坡裂缝图像的对比拉伸过程,改善裂缝图像的对比度。根据图像像素分布的特点,不同的裂缝图像选择不同的分段点,灰度自适应拉伸会选择最优区间,起到灰度拉伸增强的效果,以线性处理来增强图像而不丢失原始图像的信息。
步骤5:对边坡裂缝图像进行二值化处理;
将灰度级大于或等于阈值的图像中的点都定义为目标,将其灰度级设置为255;将灰度级小于阈值的图像中的点都定义为背景,将其灰度级设置为0,计算式如下
式中T表示阈值,f(i,j)表示原图像的灰度值,g(i,j)表示二值化后图像的灰度值。
步骤6:对边坡裂缝图像进行特征提取,提取出裂缝,计算裂缝发育的方位角,判断方位角变化以及变化方向;
根据裂缝发育方向上的a点、b点的坐标计算裂缝发育的方位角θ:
其中(x1,y1)为裂缝发育方向上的a点的图像坐标,(x2,y2)为b点的图像坐标;
裂缝发育的方位角θ数值越大,偏转程度越厉害,数值越小,偏转程度越轻微。裂缝发育的方位角变化方向的变化范围为-90°~+90°,实施例中规定方位角变化向左偏转为负,向右偏转为正。
步骤7:对二值化处理后的图像中边坡裂缝宽度进行监测,判断得到边坡裂缝的分类;
保持边坡图像的拍摄焦距不变,若边坡裂缝图像中裂缝宽度随时间的推移而增大,则判别为张开型裂缝;对比比较边坡裂缝的其中一段随时间的推移而在拍摄采集的边坡图像中的变化,若出现边坡裂缝的其中一段的像素区块随时间增大,则判断为滑开型裂缝;若边坡裂缝图像中位于裂缝两端的像素点的相对位置随时间变化而出现上下错动变化,则判断为撕开型裂缝。根据不同种裂缝变化形式组合判断不同种裂缝的组合。
步骤8:计算边坡裂缝发育的位移大小,监测边坡裂缝发育程度。选取边坡裂缝的标定点,通过比较不同时间阶段的边坡裂缝灰度图像中标定点的图像坐标,计算得到边坡裂缝发育的位移大小。
步骤9:对边坡裂缝图像中的裂缝进行比例尺转换,计算得到边坡裂缝实际位移;尺度转换关系为图像像素距离与实物距离的映射转换关系。
实施例中,通过测绘得到边坡的高度等参数,计算边坡的实际高度与采集的边坡图像中边坡区域像素的大小关系,得到放大比例参数,最后用放大比例参数与边坡裂缝曲线像素位移相乘,即可获得裂缝曲线实际位移情况。
步骤10:监测边坡裂缝的长度,计算边坡裂缝发展的速度和加速度,即边坡裂缝长度变速的速度,并与边坡失稳的临界加速度值相比较,若计算的边坡裂缝发展的加速度大于临界加速度,则判断有滑坡风险,进行滑坡预警。
计算t1时刻时的裂缝发展长度L1,t2时刻时的裂缝发展长度L2,t3时刻时的裂缝发展长度L3,t4时刻时的裂缝发展长度L4。其中t1与t2为相差极小的两个时间点,t3与t4为相差极小的两个时间点。
位移:
ΔL1=L2-L1
ΔL2=L4-L3
t2时刻,裂缝发展速度:
t3时刻,裂缝发展速度:
加速度:
式中a表示边坡裂缝发展的加速度,v1、v2分别为边坡裂缝t2、t3时刻的发展速度。
当计算得到的位移远远大于临界位移时,斜坡会发生严重破坏,滑坡变形速率过大,会导致坡体快速失稳发生滑坡,斜坡裂缝加速度超过临界加速度值时,斜坡可能失稳,通过预警子系统进行报警提醒。
实施例基于三峡库区白水河滑坡地表位移监测项目,运用边坡裂缝监测方法及系统,实现了对现场监测数据的无线长距离数据传输,通过长期数据采集分析该测试边坡处于蠕滑阶段,且为圆弧形滑动面,与地表观测调查结果相符,能较准确的反应滑坡的变形情况及发育规律。
Claims (8)
1.基于灰度的采用光照补偿处理的边坡裂缝监测方法,其特征在于,包括以下步骤:
步骤1:采集边坡裂缝部位的图像,得到边坡裂缝图像;
步骤2:对边坡裂缝图像进行预处理;
步骤3:对边坡裂缝图像进行光照补偿处理;
步骤3.1:对边坡裂缝图像进行直方图均衡化;
步骤3.2:对边坡裂缝图像进行灰度非线性变换;
步骤3.3:对边坡裂缝图像进行灰度统计归一化;
步骤4:对边坡裂缝图像进行灰度自适应拉伸增强;
步骤5:对边坡裂缝图像进行二值化处理;
步骤6:从图像中提取裂缝特征,计算裂缝发育的方位角,判断方位角变化以及变化方向;
步骤7:对二值化处理后的图像中边坡裂缝宽度进行监测,判断得到边坡裂缝的分类;
步骤8:计算边坡裂缝发育的位移大小,监测边坡裂缝发育程度。
2.根据权利要求1所述的边坡裂缝监测方法,其特征在于,所述方法还包括:
步骤9:对边坡裂缝图像中的裂缝进行比例尺转换,计算得到边坡裂缝实际位移;
步骤10:监测边坡裂缝的长度,计算边坡裂缝发展的速度和加速度,即边坡裂缝长度变速的速度,并与边坡失稳的临界加速度值相比较,若计算的边坡裂缝发展的加速度大于临界加速度,则判断有滑坡风险,进行滑坡预警。
3.根据权利要求2所述的边坡裂缝监测方法,其特征在于,步骤3中,对有偏光情况的裂缝图像采用复合灰度处理方法进行灰度处理。
7.根据权利要求2所述的边坡裂缝监测方法,其特征在于,步骤7中,保持边坡图像的拍摄焦距不变,若边坡裂缝图像中裂缝宽度随时间的推移而增大,则判别为张开型裂缝;对比比较边坡裂缝的其中一段随时间的推移而在拍摄采集的边坡图像中的变化,若出现边坡裂缝的其中一段的像素区块随时间增大,则判断为滑开型裂缝;若边坡裂缝图像中位于裂缝两端的像素点的相对位置随时间变化而出现上下错动变化,则判断为撕开型裂缝。
8.采用权利要求1所述的边坡裂缝监测方法的监测系统,其特征在于,所述系统包括图像采集子系统、数据处理子系统、坡面破损定位子系统、附属装置子系统和预警子系统,所述图像采集子系统包括摄像机、图像采集卡和速度传感器;所述数据处理子系统包括计算机系统、数据处理系统和传输系统;所述附属装置子系统包括驱动电源,驱动电源用于为所述系统的现场设备供电;所述坡面破损定位子系统包括GPS接收板;
计算机系统的存储器上存储边坡裂缝监测程序,所述程序被计算机系统的处理器执行时,实现权利要求1所述的边坡裂缝监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111278784.0A CN114022655A (zh) | 2021-10-31 | 2021-10-31 | 基于灰度的采用光照补偿处理的边坡裂缝监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111278784.0A CN114022655A (zh) | 2021-10-31 | 2021-10-31 | 基于灰度的采用光照补偿处理的边坡裂缝监测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114022655A true CN114022655A (zh) | 2022-02-08 |
Family
ID=80059162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111278784.0A Pending CN114022655A (zh) | 2021-10-31 | 2021-10-31 | 基于灰度的采用光照补偿处理的边坡裂缝监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114022655A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115578845A (zh) * | 2022-11-24 | 2023-01-06 | 西南交通大学 | 一种边坡后缘裂缝预警方法、装置、设备及可读存储介质 |
CN115760637A (zh) * | 2022-12-01 | 2023-03-07 | 南京哈哈云信息科技有限公司 | 基于养老机器人的老年人体征健康监测方法、系统及设备 |
-
2021
- 2021-10-31 CN CN202111278784.0A patent/CN114022655A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115578845A (zh) * | 2022-11-24 | 2023-01-06 | 西南交通大学 | 一种边坡后缘裂缝预警方法、装置、设备及可读存储介质 |
CN115578845B (zh) * | 2022-11-24 | 2023-04-07 | 西南交通大学 | 一种边坡后缘裂缝预警方法、装置、设备及可读存储介质 |
CN115760637A (zh) * | 2022-12-01 | 2023-03-07 | 南京哈哈云信息科技有限公司 | 基于养老机器人的老年人体征健康监测方法、系统及设备 |
CN115760637B (zh) * | 2022-12-01 | 2023-08-25 | 南京哈哈云信息科技有限公司 | 基于养老机器人的老年人体征健康监测方法、系统及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114022655A (zh) | 基于灰度的采用光照补偿处理的边坡裂缝监测方法及系统 | |
CN109461141A (zh) | 一种工件缺胶检测方法 | |
CN105279772B (zh) | 一种红外序列图像的可跟踪性判别方法 | |
CN110726725A (zh) | 一种输电线路金具锈蚀检测方法及装置 | |
CN116624065B (zh) | 一种智能门窗自动折叠调控方法 | |
CN109829858B (zh) | 一种基于局部自适应阈值的船载雷达图像溢油监测方法 | |
CN116664586B (zh) | 一种基于多模态特征融合的玻璃缺陷检测方法及系统 | |
CN116777898B (zh) | 基于AFFormer实现3D打印挡墙施工过程裂缝测量的方法 | |
CN115082849B (zh) | 基于深度学习的模板支架安全智能监测方法 | |
CN114419039B (zh) | 一种基于模板匹配的装饰墙纸缺陷检测方法 | |
CN107133937B (zh) | 一种红外图像的自适应增强方法 | |
CN112070783A (zh) | 一种输电线路绝缘子串的风偏检测方法及装置 | |
CN109934151B (zh) | 一种基于movidius计算芯片和Yolo face的人脸检测方法 | |
CN115393700A (zh) | 水位高度识别方法、装置、电子设备以及存储介质 | |
CN103106663B (zh) | 计算机系统中基于图像处理实现sim卡缺陷检测的方法 | |
CN117434568A (zh) | 一种基于遥感卫星的智能定位系统 | |
CN101894368A (zh) | 基于测地距离的半监督sar图像水域分割方法 | |
CN117704970A (zh) | 一种建筑体视觉位移监控系统及其监测方法 | |
CN111275744B (zh) | 基于深度学习及图像处理的非接触振动频率测量方法 | |
CN111307267A (zh) | 一种基于同心圆检测的导线舞动监测方法 | |
CN113870220B (zh) | 基于矩形图像检测的导线舞动在线监测方法及装置 | |
CN115239997B (zh) | 基于5g物联网的高寒地区输电线路杆塔状态监测系统 | |
CN115841557A (zh) | 基于数字孪生技术的智能起重机操作环境构建方法 | |
CN113643352B (zh) | 一种自然覆冰在线监测运行导线图像覆冰程度评估方法 | |
CN111539329B (zh) | 一种自适应的变电站指针仪表识别方法 |
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 |