CN114034260A - 一种基于流媒体与bim的深基坑围护结构变形诊断系统 - Google Patents
一种基于流媒体与bim的深基坑围护结构变形诊断系统 Download PDFInfo
- Publication number
- CN114034260A CN114034260A CN202111112557.0A CN202111112557A CN114034260A CN 114034260 A CN114034260 A CN 114034260A CN 202111112557 A CN202111112557 A CN 202111112557A CN 114034260 A CN114034260 A CN 114034260A
- Authority
- CN
- China
- Prior art keywords
- diagnosis
- streaming media
- real
- module
- bim
- 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.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 80
- 238000012544 monitoring process Methods 0.000 claims abstract description 42
- 230000004927 fusion Effects 0.000 claims abstract description 15
- 230000010354 integration Effects 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 12
- 238000012795 verification Methods 0.000 claims abstract description 9
- 238000011156 evaluation Methods 0.000 claims abstract description 6
- 239000000284 extract Substances 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000004806 packaging method and process Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
- H04L65/40—Support for services or applications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供一种基于流媒体与BIM的深基坑围护结构变形诊断系统，包括流媒体实时诊断模块、Web应用模块、监测信息拓展模块和BIM融合诊断模块。流媒体实时诊断模块通过视频传感器实时传输变形图像数据。Web应用模块提供了网页端的图片、视频以及视频流的诊断服务。监测信息拓展模块将视频传感器监测信息集成到相应的BIM模型，并在集成后导出IFC文件进行验证。BIM融合诊断模块通过对已拓展监测信息的IFC文件进行目标实体的提取与解析，实现监测信息和BIM模型的融合，提供围护结构变形评价与诊断结果。本发明克服了现有技术手段对深基坑围护结构变形诊断效率及精度不高的问题，在一定程度上防止基坑坍塌及人员伤亡事故的发生。
Description
技术领域
本发明属于流媒体技术和BIM技术的深基坑变形监测领域，尤其涉及一种基于流媒体与BIM的深基坑围护结构变形诊断系统。
背景技术
在当今的时代背景下，经济发展迅速，地上空间和地下空间得到了进一步的开发，而这些开发都离不开深基坑的应用。但是，深基坑工程由于挖土破坏了土压的平衡，围护结构必然产生变形，从而导致沉降值越来越大，对周围的环境影响也越大，严重时甚至导致基坑坍塌和人员伤亡事故。
近年来，BIM技术作为一种对结构物理和功能特性进行数字化描述的信息库得到了迅猛发展，其能够极大地提高深基坑施工的信息化水平。然而，由于深基坑工程较为复杂，围护结构所承担的荷载具有不确定性，也经常受到气候环境及地址条件的影响。因此，常见的施工阶段深基坑BIM模型相比于实际工程存在一定的差异。所以，在实际施工过程中，需要对围护结构的变形情况进行实时的检测分析，并评估其变形的影响程度，如发现异常情况，及时采取相应的控制措施。
与此同时，流媒体监测技术与传统监测方式相比，作业效率和应用价值都更高，具有能反映地物的真实情况并能对地物进行量测、高性价比、高效率三大突出特点。而随着人工智能、计算机技术的发展，运用目标监测算法和深度学习以实现智能化地识别建筑空间结构特征逐渐成为研究热点。深度学习算法在近年来的快速发展使得计算机视觉领域取得了重大突破。目标识别方面以卷积神经网络(CNN)为代表的深度学习算法在准确率和监测速度上较传统的方法有了大幅提高。
发明内容
发明目的：为了解决上述现有技术存在的问题和不足，本发明克服了现有技术手段对深基坑围护结构变形诊断效率及精度不高的问题，使结构变形的诊断更加方便、及时，且能实现远程操作，在一定程度上防止基坑坍塌及人员伤亡事故的发生。
技术方案：为实现上述目的，本发明提出一种基于流媒体与BIM的深基坑围护结构变形诊断系统，该系统包括流媒体实时诊断模块、Web应用模块、监测信息拓展模块、BIM融合诊断模块；
所述流媒体实时诊断模块通过视频传感器实时传输变形图像数据，实现流媒体对基础设施变形的实时识别；
所述Web应用模块是基于流媒体实时诊断模块开发的Web应用程序，部署于Web服务器中，完成对实时监测算法的封装并提供程序服务，同时将运行中的测试数据反馈给流媒体实时诊断模块；
所述监测信息拓展模块是根据流媒体实时诊断模块将视频传感器监测信息集成到相应的BIM模型，并在集成后导出IFC文件进行验证，进一步实现质量数据与IFC文件的集成；
所述BIM融合诊断模块是通过对已拓展监测信息的IFC文件进行目标实体的提取与解析，实现监测信息和BIM模型的融合，提供围护结构变形评价与诊断结果。
进一步的，所述流媒体实时诊断模块通过视频传感器实时传输变形图像数据，实现流媒体对基础设施变形的实时识别，识别方法如下：
步骤(1)，视频传感器采集围护结构变形数据，通过推流传输至数据处理服务器；
步骤(2)，数据处理服务器读取图像数据，进行切片操作、卷积、池化的数据处理；
步骤(3)，将处理后的数据推送到流媒体服务器、数据库服务器与Web服务器中；
步骤(4)，在流媒体服务器中使用机器学习训练获取的模型对视频流进行逐帧识别，以实现对深基坑围护结构变形诊断。
进一步的，所述Web应用模块是基于流媒体实时诊断流程开发的Web应用程序，部署于Web服务器中，完成对实时监测算法的封装并提供程序服务，同时将运行中的测试数据反馈给流媒体实时诊断模块；模块分为三类功能：图片诊断模式、视频诊断模式、流媒体诊断模式，其中，图片诊断模式和视频诊断模式用于选择本地图片或视频文件进行上传，后台进行诊断识别并返回诊断后的图片或视频及详细的诊断信息，流媒体诊断模式用于使用rtmp协议向服务器地址进行推流，服务器接收影像并经实时诊断识别后在页面中进行播放。
进一步的，所述监测信息拓展模块是将数据库服务器中的视频传感器监测信息集成到相应的BIM模型，并在集成后导出IFC文件进行验证，实现质量数据与IFC文件的集成，所述传感器的信息集成流程包括以下步骤：
步骤(1)，使用Revit软件创建视频传感器的可载入族，通过用子类别来关联到具体型号的传感器，并在族参数中对传感器构件属性进行定义；
步骤(2)，在子类别的族参数中，定义视频传感器相关的属性值，新建相关参数并关联到族；
步骤(3)，将视频传感器族导入到相关的BIM模型中，并在各项属性信息中输入实际参数信息，并设定各类传感器与实例之间的关联；
步骤(4)，将Revit软件中创建的包含传感器信息的项目导出为IFC文件，并在文件中查找相关的属性信息进行验证。
进一步的，所述BIM融合诊断模块是通过对已拓展监测信息的IFC文件进行目标实体的提取与解析，实现监测信息和BIM模型的融合，提供围护结构变形评价与诊断结果，所述IFC文件提取目标实体包括以下步骤：
步骤(1)，对IFC文件进行预处理，建立起传感器和项目之间的联系；
步骤(2)，将目标实体输入并识别IFC文件中的实例，进行实例提取；
步骤(3)，提取步骤(2)中目标实例的关联实例，并判断是否需要提取新实例，若是，执行步骤(4)和步骤(5)，否则执行步骤(6)和步骤(7)；
步骤(4)，剔除步骤(3)中已提取实例中的冗余关联实例；
步骤(5)，提取包含已提取实例属性的新实例，并返回步骤(3)；
步骤(6)，提取出IFC文件后处理；
步骤(7)，提取出IFC物理文件并进行有效性检查。
有益效果：与现有技术相比，本发明的技术方案的有益效果如下：
通过提高深基坑围护结构监测管理效率，提升深基坑围护结构变形诊断的信息化、实时性、可视化水平，并利用IFC标准的关联和拓展机制，提高了监测信息在模型中的使用效率，以期建立适用于基于流媒体和BIM的深基坑围护结构的监测与诊断系统，加快智能建造与建筑工业化协同发展。
附图说明
图1是本发明的主要功能模块图；
图2是本发明的流媒体实时诊断流程示意图；
图3是本发明的监测信息拓展流程示意图；
图4是本发明的IFC标准下提取目标实体的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如附图1主要功能模块图所示，本发明提供一种基于流媒体与BIM的深基坑围护结构变形诊断系统，该系统包括流媒体实时诊断模块、Web应用模块、监测信息拓展模块和BIM融合诊断模块。
流媒体实时诊断模块：通过视频传感器采用rtmp协议实时传输变形图像数据，实现流媒体对基础设施变形的实时识别。
如附图2流程图所示，流媒体实时诊断模块首先通过视频传感器采集围护结构变形数据，通过推流传输至数据处理服务器。其次，在数据处理服务器读取图像数据，进行数据处理，并从Nginx流媒体服务器中获取推流码，将视频流通过rtmp协议推送到Nginx流媒体服务器、数据库服务器与Web服务器中。再次，把从流媒体服务器中获取的拉流码输入到Nginx播放器中，将视频流实时推送到PC端或手机端。最后，在流媒体服务器中使用机器学习训练获取的模型对视频流进行逐帧识别，以实现对深基坑围护结构变形诊断。
其中，机器学习训练需要预先采集深基坑围护结构变形数据集，即搜集充足的深基坑围护结构变形的图像文件，以保证模型的识别效果。通过采集的数据集进行机器学习训练，得到所需的、可用于机器学习识别的模型文件。将模型在没有标注的数据集上进行推理，以满足本系统实时诊断深基坑围护结构变形状况的需要。
Web应用模块：基于流媒体实时诊断流程开发的Web应用程序，部署于Web服务器中，完成对实时监测算法的封装并提供程序服务，同时将运行中的测试数据反馈给流媒体实时诊断模块；模块主要分为三类功能：图片诊断模式、视频诊断模式、流媒体诊断模式。图片诊断模式和视频诊断模式可选择本地图片或视频文件进行上传，后台会进行诊断识别并返回诊断后的图片或视频及详细的诊断信息。流媒体诊断模式可以用无人机使用rtmp协议向服务器地址进行推流，服务器接收影像并经实时诊断识别后在页面中进行播放。
监测信息拓展模块：将数据库服务器中的视频传感器监测信息集成到相应的BIM模型，并在集成后导出IFC文件进行验证，进一步实现质量数据与IFC文件的集成。
如附图3流程图所示，所述传感器的信息集成流程首先使用Revit软件创建视频传感器的可载入族，通过用子类别来关联到具体型号的传感器，并在族参数中对属性进行定义。接着新建参数关联到族，在子类别的族参数中，定义视频传感器相关的属性值。将视频传感器族导入到相关的BIM模型中，并在各项属性信息中输入实际参数信息，并设定各类传感器与实例之间的关联。最后将Revit软件中创建的包含传感器信息的项目导出为IFC文件，并在文件中查找相关的属性信息进行验证。
BIM融合诊断模块：通过对已拓展监测信息的IFC文件进行目标实体的提取与解析，实现监测信息和BIM模型的融合，提供围护结构变形评价与诊断结果。
如附图4流程图所示，所述IFC文件提取目标实体首先要对IFC文件进行预处理，建立起传感器和项目之间的联系，再将目标实体输入并识别IFC文件中的实例，进行实例提取。接着提取目标实例的关联实例，并循环判断是否需要提取新实例，若需要则剔除已提取实例中的冗余关联实例，并提取包含已提取实例属性的新实例，直至不再需要提取新实例后，提取出IFC文件后处理，最后提取出IFC物理文件并进行有效性检查。
需要说明的是,上述实施例不以任何形式限制本发明,凡采用等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
以上实施例仅用以说明本发明的技术方案,而非对其限制尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (5)
1.一种基于流媒体与BIM的深基坑围护结构变形诊断系统，其特征在于，该系统包括流媒体实时诊断模块、Web应用模块、监测信息拓展模块、BIM融合诊断模块；
所述流媒体实时诊断模块通过视频传感器实时传输变形图像数据，实现流媒体对基础设施变形的实时识别；
所述Web应用模块是基于流媒体实时诊断模块开发的Web应用程序，部署于Web服务器中，完成对实时监测算法的封装并提供程序服务，同时将运行中的测试数据反馈给流媒体实时诊断模块；
所述监测信息拓展模块是根据流媒体实时诊断模块将视频传感器监测信息集成到相应的BIM模型，并在集成后导出IFC文件进行验证，进一步实现质量数据与IFC文件的集成；
所述BIM融合诊断模块是通过对已拓展监测信息的IFC文件进行目标实体的提取与解析，实现监测信息和BIM模型的融合，提供围护结构变形评价与诊断结果。
2.根据权利要求1所述的一种基于流媒体与BIM的深基坑围护结构变形诊断系统，其特征在于，所述流媒体实时诊断模块通过视频传感器实时传输变形图像数据，实现流媒体对基础设施变形的实时识别，识别方法如下：
步骤(1)，视频传感器采集围护结构变形数据，通过推流传输至数据处理服务器；
步骤(2)，数据处理服务器读取图像数据，进行切片操作、卷积、池化的数据处理；
步骤(3)，将处理后的数据推送到流媒体服务器、数据库服务器与Web服务器中；
步骤(4)，在流媒体服务器中使用机器学习训练获取的模型对视频流进行逐帧识别，以实现对深基坑围护结构变形诊断。
3.根据权利要求2所述的基于流媒体与BIM的深基坑围护结构变形诊断系统，其特征在于：所述Web应用模块是基于流媒体实时诊断流程开发的Web应用程序，部署于Web服务器中，完成对实时监测算法的封装并提供程序服务，同时将运行中的测试数据反馈给流媒体实时诊断模块；模块分为三类功能：图片诊断模式、视频诊断模式、流媒体诊断模式，其中，图片诊断模式和视频诊断模式用于选择本地图片或视频文件进行上传，后台进行诊断识别并返回诊断后的图片或视频及详细的诊断信息，流媒体诊断模式用于使用rtmp协议向服务器地址进行推流，服务器接收影像并经实时诊断识别后在页面中进行播放。
4.根据权利要求3所述的基于流媒体与BIM的深基坑围护结构变形诊断系统，其特征在于：所述监测信息拓展模块是将数据库服务器中的视频传感器监测信息集成到相应的BIM模型，并在集成后导出IFC文件进行验证，实现质量数据与IFC文件的集成，所述传感器的信息集成流程包括以下步骤：
步骤(1)，使用Revit软件创建视频传感器的可载入族，通过用子类别来关联到具体型号的传感器，并在族参数中对传感器构件属性进行定义；
步骤(2)，在子类别的族参数中，定义视频传感器相关的属性值，新建相关参数并关联到族；
步骤(3)，将视频传感器族导入到相关的BIM模型中，并在各项属性信息中输入实际参数信息，并设定各类传感器与实例之间的关联；
步骤(4)，将Revit软件中创建的包含传感器信息的项目导出为IFC文件，并在文件中查找相关的属性信息进行验证。
5.根据权利要求1所述的基于流媒体与BIM的深基坑围护结构变形诊断系统，其特征在于：所述BIM融合诊断模块是通过对已拓展监测信息的IFC文件进行目标实体的提取与解析，实现监测信息和BIM模型的融合，提供围护结构变形评价与诊断结果，所述IFC文件提取目标实体包括以下步骤：
步骤(1)，对IFC文件进行预处理，建立起传感器和项目之间的联系；
步骤(2)，将目标实体输入并识别IFC文件中的实例，进行实例提取；
步骤(3)，提取步骤(2)中目标实例的关联实例，并判断是否需要提取新实例，若是，执行步骤(4)和步骤(5)，否则执行步骤(6)和步骤(7)；
步骤(4)，剔除步骤(3)中已提取实例中的冗余关联实例；
步骤(5)，提取包含已提取实例属性的新实例，并返回步骤(3)；
步骤(6)，提取出IFC文件后处理；
步骤(7)，提取出IFC物理文件并进行有效性检查。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111112557.0A CN114034260B (zh) | 2021-09-18 | 2021-09-18 | 一种基于流媒体与bim的深基坑围护结构变形诊断系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111112557.0A CN114034260B (zh) | 2021-09-18 | 2021-09-18 | 一种基于流媒体与bim的深基坑围护结构变形诊断系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114034260A true CN114034260A (zh) | 2022-02-11 |
| CN114034260B CN114034260B (zh) | 2024-07-02 |
Family
ID=80134657
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111112557.0A Active CN114034260B (zh) | 2021-09-18 | 2021-09-18 | 一种基于流媒体与bim的深基坑围护结构变形诊断系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114034260B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114592525A (zh) * | 2022-03-16 | 2022-06-07 | 深圳宏业基岩土科技股份有限公司 | 深大基坑内支撑智能化监测防控系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104866590A (zh) * | 2015-05-29 | 2015-08-26 | 卢伟 | 基于ifc标准的监测数据集成系统、表达方法及集成方法 |
| CN104899384A (zh) * | 2015-06-12 | 2015-09-09 | 卢伟 | 一种基于Revit的结构健康监测可视化系统 |
| CN107040602A (zh) * | 2017-04-28 | 2017-08-11 | 广州市建筑科学研究院有限公司 | 一种基于Revit平台的基坑及地下工程智能监测系统及方法 |
| CN110197483A (zh) * | 2019-05-31 | 2019-09-03 | 南京深地智能建造技术研究院有限公司 | 基于视频信号的深基坑裂缝检测方法 |
| CN111441330A (zh) * | 2020-04-24 | 2020-07-24 | 福州大学 | 基于bim+gis的基坑监测系统及其监测方法 |
| CN111945796A (zh) * | 2020-08-04 | 2020-11-17 | 陕西省建筑科学研究院有限公司 | 基于bim技术的基坑变形监测同步模拟分析及实时预警系统 |
| EP3748583A1 (en) * | 2019-06-04 | 2020-12-09 | My Virtual Reality Software AS | Subsurface utility visualization |
| CN112199758A (zh) * | 2020-10-30 | 2021-01-08 | 华中科技大学 | 基于bim技术的基坑工程设计与动态风险分析方法及系统 |
| CN113360583A (zh) * | 2021-06-15 | 2021-09-07 | 东南大学 | 一种基于bim模型与监控影像对比的施工进度可视化方法 |
-
2021
- 2021-09-18 CN CN202111112557.0A patent/CN114034260B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104866590A (zh) * | 2015-05-29 | 2015-08-26 | 卢伟 | 基于ifc标准的监测数据集成系统、表达方法及集成方法 |
| CN104899384A (zh) * | 2015-06-12 | 2015-09-09 | 卢伟 | 一种基于Revit的结构健康监测可视化系统 |
| CN107040602A (zh) * | 2017-04-28 | 2017-08-11 | 广州市建筑科学研究院有限公司 | 一种基于Revit平台的基坑及地下工程智能监测系统及方法 |
| CN110197483A (zh) * | 2019-05-31 | 2019-09-03 | 南京深地智能建造技术研究院有限公司 | 基于视频信号的深基坑裂缝检测方法 |
| EP3748583A1 (en) * | 2019-06-04 | 2020-12-09 | My Virtual Reality Software AS | Subsurface utility visualization |
| CN111441330A (zh) * | 2020-04-24 | 2020-07-24 | 福州大学 | 基于bim+gis的基坑监测系统及其监测方法 |
| CN111945796A (zh) * | 2020-08-04 | 2020-11-17 | 陕西省建筑科学研究院有限公司 | 基于bim技术的基坑变形监测同步模拟分析及实时预警系统 |
| CN112199758A (zh) * | 2020-10-30 | 2021-01-08 | 华中科技大学 | 基于bim技术的基坑工程设计与动态风险分析方法及系统 |
| CN113360583A (zh) * | 2021-06-15 | 2021-09-07 | 东南大学 | 一种基于bim模型与监控影像对比的施工进度可视化方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114592525A (zh) * | 2022-03-16 | 2022-06-07 | 深圳宏业基岩土科技股份有限公司 | 深大基坑内支撑智能化监测防控系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114034260B (zh) | 2024-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111489339B (zh) | 高速铁路定位器螺栓备母缺陷的检测方法 | |
| CN108711148B (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
| CN113435424B (zh) | 一种保密介质销毁颗粒度的识别方法和系统 | |
| CN110781381B (zh) | 基于神经网络的数据验证方法、装置、设备及存储介质 | |
| CN111428558A (zh) | 一种基于改进YOLOv3方法的车辆检测方法 | |
| CN110751076B (zh) | 车辆检测方法 | |
| Geng et al. | An improved helmet detection method for YOLOv3 on an unbalanced dataset | |
| KR20230057646A (ko) | 멀티-레벨 전이 영역 기반의 도메인 적응형 객체 검출 장치 및 방법 | |
| CN112308148A (zh) | 缺陷类别识别、孪生神经网络训练方法、装置及存储介质 | |
| CN117036843A (zh) | 目标检测模型训练方法、目标检测方法和装置 | |
| CN116823793A (zh) | 设备缺陷检测方法、装置、电子设备和可读存储介质 | |
| CN114034260B (zh) | 一种基于流媒体与bim的深基坑围护结构变形诊断系统 | |
| CN117726958B (zh) | 配电线路无人机巡检图像目标检测及隐患智能识别方法 | |
| CN111368824A (zh) | 一种仪表识别方法、移动设备及存储介质 | |
| CN111310611B (zh) | 细胞视野图的检测方法及存储介质 | |
| CN115546824B (zh) | 禁忌图片识别方法、设备及存储介质 | |
| CN114049598B (zh) | 电力图元的状态识别方法及装置、存储介质及电子设备 | |
| Vilgertshofer et al. | Recognising railway infrastructure elements in videos and drawings using neural networks | |
| CN116977249A (zh) | 缺陷检测的方法、模型训练的方法和装置 | |
| CN114722960A (zh) | 一种业务过程事件日志不完整轨迹检测方法与系统 | |
| CN114299295A (zh) | 一种数据处理方法及相关装置 | |
| CN112270357A (zh) | Vio视觉系统及方法 | |
| CN116911852B (zh) | 一种rpa的用户动态信息监控方法及系统 | |
| CN117058432B (zh) | 图像查重方法、装置、电子设备及可读存储介质 | |
| CN115565201B (zh) | 禁忌图片识别方法、设备及存储介质 |
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 |