CN114595497B - 一种隐伏溶洞智能探测方法及系统 - Google Patents
一种隐伏溶洞智能探测方法及系统 Download PDFInfo
- Publication number
- CN114595497B CN114595497B CN202210109919.9A CN202210109919A CN114595497B CN 114595497 B CN114595497 B CN 114595497B CN 202210109919 A CN202210109919 A CN 202210109919A CN 114595497 B CN114595497 B CN 114595497B
- Authority
- CN
- China
- Prior art keywords
- detection
- acquiring
- data item
- risk
- item
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 412
- 238000000034 method Methods 0.000 claims abstract description 219
- 230000008569 process Effects 0.000 claims description 202
- 238000012549 training Methods 0.000 claims description 127
- 239000000523 sample Substances 0.000 claims description 42
- 238000005553 drilling Methods 0.000 claims description 17
- 238000012790 confirmation Methods 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000000153 supplemental effect Effects 0.000 claims 7
- 238000012360 testing method Methods 0.000 description 64
- 238000011156 evaluation Methods 0.000 description 22
- 230000009286 beneficial effect Effects 0.000 description 12
- 238000010801 machine learning Methods 0.000 description 12
- 238000009472 formulation Methods 0.000 description 11
- 239000000203 mixture Substances 0.000 description 11
- 238000013210 evaluation model Methods 0.000 description 8
- 230000000903 blocking effect Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 239000011435 rock Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 230000009193 crawling Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C7/00—Tracing profiles
- G01C7/06—Tracing profiles of cavities, e.g. tunnels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Radar, Positioning & Navigation (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
Abstract
本发明提供一种隐伏溶洞智能探测方法及系统,其中,方法包括:步骤S1:获取需要进行隐伏溶洞探测的目标区域,同时,获取目标区域的属性信息;步骤S2:基于属性信息,对目标区域进行隐伏溶洞预探测,获得预探测结果;步骤S3:基于预探测结果,对目标区域进行隐伏溶洞探测,获得探测结果。本发明的隐伏溶洞智能探测方法及系统,可基于目标区域的属性信息调度人工对目标区域进行隐伏溶洞预探测,基于预探测结果调度人工对目标区域进行隐伏溶洞探测,人工只需基于调度信息执行相应的操作即可,极大程度上降低了人力成本,同时,提高了隐伏溶洞的探测效率。
Description
技术领域
本发明涉及工程检测技术领域,特别涉及一种隐伏溶洞智能探测方法及系统。
背景技术
目前,在大型建造工程中(例如:建造机场),需要对地表下方的隐伏溶洞进行处理,但是,对隐伏溶洞进行处理之前,需要探测隐伏溶洞的位置和大小等,然后确定处理对策(例如:分层填筑碎石),传统的隐伏溶洞探测方法均是由人工基于工程现场布置探测任务,人工汇总探测数据并进行分析,人力成本巨大且效率较低;
因此,亟需一种解决办法。
发明内容
本发明目的之一在于提供了一种隐伏溶洞智能探测方法及系统,可基于目标区域的属性信息调度人工对目标区域进行隐伏溶洞预探测,基于预探测结果调度人工对目标区域进行隐伏溶洞探测,人工只需基于调度信息执行相应的操作即可,极大程度上降低了人力成本,同时,提高了隐伏溶洞的探测效率。
本发明实施例提供的一种隐伏溶洞智能探测方法,包括:
步骤S1:获取需要进行隐伏溶洞探测的目标区域,同时,获取目标区域的属性信息;
步骤S2:基于属性信息,对目标区域进行隐伏溶洞预探测,获得预探测结果;
步骤S3:基于预探测结果,对目标区域进行隐伏溶洞探测,获得探测结果。
优选的,步骤S2:基于属性信息,对目标区域进行隐伏溶洞预探测,获得预探测结果,包括:
获取预设的预探测仪器布局策略制定模型,将属性信息输入至预探测仪器布局策略制定模型,获得预探测仪器布局策略;
基于预探测仪器布局策略,在目标区域上布局相应的预探测仪器;
布局完成后,获取预探测仪器产生的第一探测数据;
获取预设的预探测结果确定模型,将第一探测数据输入至预探测结果确定模型,获得预探测结果。
优选的,步骤S3:基于预探测结果,对目标区域进行隐伏溶洞探测,获得探测结果,包括:
对预探测结果进行解析,获得目标区域内需要进行探测验证的多个第一点位,同时,在第一点位布置第一探测仪器;
布置完成后,获取第一探测仪器产生的第二探测数据;
获取预设的探测结果确定模型,将第二探测数据输入至探测结果确定模型,获得探测结果;
其中,在第一点位布置第一探测仪器,包括:
在第一点位的地面垂直向下进行钻孔,钻孔至隐伏溶洞;
将第一探测仪器通过钻孔进入隐伏溶洞。
优选的,将第二探测数据输入至探测结果确定模型之前,还包括:
获取探测仪器的中心位置,以中心位置为原点位置,建立空间坐标系;
获取第一探测仪器对隐伏溶洞进行探测的多个第一环向;
从第一探测数据中确定对应于同一第一环向的多个第一数据项;
获取第一数据项的产生先后顺序,按照产生先后顺序,将第一数据项进行排序,获得第一数据项序列;
从第一数据项序列中随机选取一个第一数据项,并作为第二数据项;
从第一数据项序列中选取第二数据项相邻的两个第一数据项,并作为第三数据项;
计算第二数据项与第三数据项之间的第一差值,若第一差值大于等于预设的差值阈值,将对应第三数据项作为第四数据项,确定第二数据项相对于第四数据项的第一相对方向,同时,将对应第一环向作为第二环向;
确定第二环向上对应于第四数据项的第一方向;
基于第一方向和第四数据项,在空间坐标系中标记第一坐标点,并与对应第二环向进行关联;
将相邻第二环向关联的第一坐标点作为第二坐标点;
获取第二坐标点在空间坐标系中的第一分布情况;
获取预设的遮挡情况确定模型,将第一分布情况输入至遮挡情况确定模型,获得遮挡情况,遮挡情况包括:遮挡和未遮挡;
当遮挡情况为遮挡时,将对应第一分布情况作为第二分布情况;
设定目标环向,目标环向包括:水平环向和竖直环向;
从第二环向中选取为目标环向的第二环向,并作为第三环向;
确定第二分布情况对应的第二坐标点中与第三环向关联的第三坐标点;
确定第三坐标点对应的第四数据项,并作为第五数据项;
确定第五数据项所在的第一数据项序列,并作为第二数据项序列;
确定第二数据项序列中对应第二数据项相对于第五数据项的第一相对方向,并作为第二相对方向;
在第二数据项序列中选取第五数据项第二相对方向上预设的范围内的第一数据项,并作为第六数据项;
确定第三环向上对应于第六数据项的第二方向;
基于第二方向和第六数据项,在空间坐标系中标记第四坐标点;
若第三坐标点的数目为1,从第四坐标点中选取与原点位置的距离最大的第四坐标点,并作为第五坐标点;
若第三坐标点的数目为2,计算第三坐标点的中间坐标;
以原点位置为端点,向中间坐标无限延伸,绘制射线;
确定落在射线上和/或落在射线附近的第四坐标点,并作为第五坐标点;
获取第三坐标点和第五坐标点在空间坐标系中的第三分布情况;
获取预设的探测点位确定模型,将第三分布情况输入至探测点位确定模型,获得探测点位;
确定探测点位对应于地面的第二点位;
在第二点位布置第二探测仪器;
布置完成后,获取第二探测仪器产生的第三探测数据;
将第二探测数据和第三探测数据一并输入至探测结果确定模型。
优选的,隐伏溶洞智能探测方法,还包括:
步骤S4:设定补充训练目标,对补充训练目标进行补充训练,补充训练目标包括:预探测仪器布局策略制定模型、预探测结果确定模型和探测结果确定模型;
其中,对补充训练目标进行补充训练,包括:
获取补充训练目标对应的新产生的多个第一补充训练样本,同时,记录第一补充训练样本的获取过程;
对获取过程进行过程分析,获得过程项序列;
对过程项序列中的第一过程项依次进行特征分析,获得多个第一特征;
获取预设的风险特征库,将第一特征与风险特征库中的第二特征进行匹配,若匹配符合,将匹配符合的第二特征作为第三特征,同时,将对应第一过程项作为第二过程项;
获取第二过程项对应的过程标识;
基于预设的认证过程标识库,对过程标识进行认证确认;
若认证确认失败,获取对应第二过程项对应的发生场景;
获取发生场景的可信度和担保值;
若可信度小于等于预设的可信度阈值和/或担保值小于等于预设的担保值阈值,将对应第二过程项作为第三过程项;
获取第三特征对应的风险信息,风险信息包括:第一风险值、至少一个风险方向和对应风险范围;
确定过程项序列中第三过程项的风险方向上对应风险范围的第一过程项,并作为第四过程项;
对第四过程项进行特征分析,获得多个第四特征;
基于预设的联合风险特征库,确定第三特征对应的至少一个第一联合风险特征;
将第四特征与联合风险特征进行匹配,若匹配符合,将匹配符合的第一联合风险特征作为第二联合风险特征,获取第二联合风险特征对应的第二风险值,并以第二风险值进行一次计数,否则,以第一风险值进行一次计数;
对过程项序列中的第一过程项依次进行特征分析完毕后,汇总计数结果,获得风险值和;
若风险值和大于等于预设的风险值和阈值,剔除对应第一补充训练样本;
当需要剔除的第一补充训练样本均被剔除后,将剔除剩余的第一补充训练样本作为第二补充训练样本;
基于第二补充训练样本,对补充训练目标进行补充训练。
本发明实施例提供的一种隐伏溶洞智能探测系统,包括:
获取模块,用于获取需要进行隐伏溶洞探测的目标区域,同时,获取目标区域的属性信息;
预探测模块,用于基于属性信息,对目标区域进行隐伏溶洞预探测,获得预探测结果;
探测模块,用于基于预探测结果,对目标区域进行隐伏溶洞探测,获得探测结果。
优选的,预探测模块执行如下操作:
获取预设的预探测仪器布局策略制定模型,将属性信息输入至预探测仪器布局策略制定模型,获得预探测仪器布局策略;
基于预探测仪器布局策略,在目标区域上布局相应的预探测仪器;
布局完成后,获取预探测仪器产生的第一探测数据;
获取预设的预探测结果确定模型,将第一探测数据输入至预探测结果确定模型,获得预探测结果。
优选的,探测模块执行如下操作:
对预探测结果进行解析,获得目标区域内需要进行探测验证的多个第一点位,同时,在第一点位布置第一探测仪器;
布置完成后,获取第一探测仪器产生的第二探测数据;
获取预设的探测结果确定模型,将第二探测数据输入至探测结果确定模型,获得探测结果;
其中,在第一点位布置第一探测仪器,包括:
在第一点位的地面垂直向下进行钻孔,钻孔至隐伏溶洞;
将第一探测仪器通过钻孔进入隐伏溶洞。
优选的,探测模块执行如下操作:
将第二探测数据输入至探测结果确定模型之前,获取探测仪器的中心位置,以中心位置为原点位置,建立空间坐标系;
获取第一探测仪器对隐伏溶洞进行探测的多个第一环向;
从第一探测数据中确定对应于同一第一环向的多个第一数据项;
获取第一数据项的产生先后顺序,按照产生先后顺序,将第一数据项进行排序,获得第一数据项序列;
从第一数据项序列中随机选取一个第一数据项,并作为第二数据项;
从第一数据项序列中选取第二数据项相邻的两个第一数据项,并作为第三数据项;
计算第二数据项与第三数据项之间的第一差值,若第一差值大于等于预设的差值阈值,将对应第三数据项作为第四数据项,确定第二数据项相对于第四数据项的第一相对方向,同时,将对应第一环向作为第二环向;
确定第二环向上对应于第四数据项的第一方向;
基于第一方向和第四数据项,在空间坐标系中标记第一坐标点,并与对应第二环向进行关联;
将相邻第二环向关联的第一坐标点作为第二坐标点;
获取第二坐标点在空间坐标系中的第一分布情况;
获取预设的遮挡情况确定模型,将第一分布情况输入至遮挡情况确定模型,获得遮挡情况,遮挡情况包括:遮挡和未遮挡;
当遮挡情况为遮挡时,将对应第一分布情况作为第二分布情况;
设定目标环向,目标环向包括:水平环向和竖直环向;
从第二环向中选取为目标环向的第二环向,并作为第三环向;
确定第二分布情况对应的第二坐标点中与第三环向关联的第三坐标点;
确定第三坐标点对应的第四数据项,并作为第五数据项;
确定第五数据项所在的第一数据项序列,并作为第二数据项序列;
确定第二数据项序列中对应第二数据项相对于第五数据项的第一相对方向,并作为第二相对方向;
在第二数据项序列中选取第五数据项第二相对方向上预设的范围内的第一数据项,并作为第六数据项;
确定第三环向上对应于第六数据项的第二方向;
基于第二方向和第六数据项,在空间坐标系中标记第四坐标点;
若第三坐标点的数目为1,从第四坐标点中选取与原点位置的距离最大的第四坐标点,并作为第五坐标点;
若第三坐标点的数目为2,计算第三坐标点的中间坐标;
以原点位置为端点,向中间坐标无限延伸,绘制射线;
确定落在射线上和/或落在射线附近的第四坐标点,并作为第五坐标点;
获取第三坐标点和第五坐标点在空间坐标系中的第三分布情况;
获取预设的探测点位确定模型,将第三分布情况输入至探测点位确定模型,获得探测点位;
确定探测点位对应于地面的第二点位;
在第二点位布置第二探测仪器;
布置完成后,获取第二探测仪器产生的第三探测数据;
将第二探测数据和第三探测数据一并输入至探测结果确定模型。
优选的,隐伏溶洞智能探测系统,还包括:
补充训练模块,用于对补充训练目标进行补充训练,补充训练目标包括:预探测仪器布局策略制定模型、预探测结果确定模型和探测结果确定模型;
补充训练模块执行如下操作:
获取补充训练目标对应的新产生的多个第一补充训练样本,同时,记录第一补充训练样本的获取过程;
对获取过程进行过程分析,获得过程项序列;
对过程项序列中的第一过程项依次进行特征分析,获得多个第一特征;
获取预设的风险特征库,将第一特征与风险特征库中的第二特征进行匹配,若匹配符合,将匹配符合的第二特征作为第三特征,同时,将对应第一过程项作为第二过程项;
获取第二过程项对应的过程标识;
基于预设的认证过程标识库,对过程标识进行认证确认;
若认证确认失败,获取对应第二过程项对应的发生场景;
获取发生场景的可信度和担保值;
若可信度小于等于预设的可信度阈值和/或担保值小于等于预设的担保值阈值,将对应第二过程项作为第三过程项;
获取第三特征对应的风险信息,风险信息包括:第一风险值、至少一个风险方向和对应风险范围;
确定过程项序列中第三过程项的风险方向上对应风险范围的第一过程项,并作为第四过程项;
对第四过程项进行特征分析,获得多个第四特征;
基于预设的联合风险特征库,确定第三特征对应的至少一个第一联合风险特征;
将第四特征与联合风险特征进行匹配,若匹配符合,将匹配符合的第一联合风险特征作为第二联合风险特征,获取第二联合风险特征对应的第二风险值,并以第二风险值进行一次计数,否则,以第一风险值进行一次计数;
对过程项序列中的第一过程项依次进行特征分析完毕后,汇总计数结果,获得风险值和;
若风险值和大于等于预设的风险值和阈值,剔除对应第一补充训练样本;
当需要剔除的第一补充训练样本均被剔除后,将剔除剩余的第一补充训练样本作为第二补充训练样本;
基于第二补充训练样本,对补充训练目标进行补充训练。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种隐伏溶洞智能探测方法的流程图;
图2为本发明实施例又一隐伏溶洞智能探测方法的流程图;
图3为本发明实施例又一隐伏溶洞智能探测系统的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明实施例提供了一种隐伏溶洞智能探测方法,如图1所示,包括:
步骤S1:获取需要进行隐伏溶洞探测的目标区域,同时,获取目标区域的属性信息;
步骤S2:基于属性信息,对目标区域进行隐伏溶洞预探测,获得预探测结果;
步骤S3:基于预探测结果,对目标区域进行隐伏溶洞探测,获得探测结果。
上述技术方案的工作原理及有益效果为:
获取目标区域(例如:机场建造工程现场)的属性信息(例如:面积、地形等);基于属性信息,对目标区域进行隐伏溶洞预探测,获得预探测结果(例如:调度人工布局适宜的地质雷达,初步确认地下隐伏溶洞的位置);基于预探测结果,对目标区域进行隐伏溶洞探测,获得探测结果(例如:调度人工对初步确认地下隐伏溶洞的位置进行钻孔验证,同时,探测地下隐伏溶洞的大小等);
本发明实施例可基于目标区域的属性信息调度人工对目标区域进行隐伏溶洞预探测,基于预探测结果调度人工对目标区域进行隐伏溶洞探测,人工只需基于调度信息执行相应的操作即可,极大程度上降低了人力成本,同时,提高了隐伏溶洞的探测效率。
本发明实施例提供了一种隐伏溶洞智能探测方法,步骤S2:基于属性信息,对目标区域进行隐伏溶洞预探测,获得预探测结果,包括:
获取预设的预探测仪器布局策略制定模型,将属性信息输入至预探测仪器布局策略制定模型,获得预探测仪器布局策略;
基于预探测仪器布局策略,在目标区域上布局相应的预探测仪器;
布局完成后,获取预探测仪器产生的第一探测数据;
获取预设的预探测结果确定模型,将第一探测数据输入至预探测结果确定模型,获得预探测结果。
上述技术方案的工作原理及有益效果为:
将属性信息输入至预设的预探测仪器布局策略制定模型(利用机器学习算法对大量人工对区域的大小、地形等进行分析制定地质雷达的布局策略的记录进行学习后生成的模型),即可获得预探测仪器布局策略;基于预探测仪器布局策略,在目标区域上布局预探测仪器(地质雷达);布局完成后,获取预探测仪器产生的第一探测数据(雷达图像);将第一探测数据输入至预设的预探测结果确定模型(利用机器学习算法对大量人工对雷达图像进行分析获得隐伏融合的初步位置的分析记录进行学习后生成的模型),即可获得预探测结果;
本发明实施例设置预探测仪器布局策略制定模型和预探测结果确定模型,极大程度上提升了系统的工作效率。
本发明实施例提供了一种隐伏溶洞智能探测方法,将所述属性信息输入至所述预探测仪器布局策略制定模型之前,对所述属性信息进行预处理;
其中,对所述属性信息进行预处理,包括:
对所述属性信息进行属性分析,获得多个第一属性项;
获取所述第一属性项对应的第一属性类型;
构建属性类型-价值度库,基于所述属性类型-价值度库,确定所述第一属性类型对应的第一价值度;
若所述第一价值度小于等于预设的价值度阈值,剔除对应所述第一属性项;
当需要剔除的第一属性项均被剔除后,将属性信息输入至所述预探测仪器布局策略制定模型;
其中,构建属性类型-价值度库,包括:
获取预设的属性类型集,所述属性类型集包括:多个第二属性类型;
获取所述第二属性类型对应的多个价值度测试记录项,所述价值度测试记录项包括:测试策略、测试过程和测试价值度;
获取所述测试策略对应的可靠值;
获取预设的测试过程评价模型,将所述测试过程输入至所述测试过程评价模型,获得评价值;
基于所述可靠值、评价值和所述测试价值度,计算所述第二属性类型的第二价值度,计算公式如下:
其中,val为所述第二属性类型的第二价值度,γi为所述第二属性类型对应的第i个价值度测试记录项中的所述测试价值度,n为所述第二属性类型对应的价值度测试记录项的总数目,εi为中间变量,αi为所述第二属性类型对应的第i个价值度测试记录项中的所述测试策略对应的可靠值,βi为所述第二属性类型对应的第i个价值度测试记录项中的所述测试过程输入至所述测试过程评价模型后获得的评价值,α0为预设的可靠值阈值,β0为预设的评价值阈值,and为且,else为其它情况,D为预设的常数,σ1和σ2为预设的权重值;
将所述第二属性类型和对应第二价值度进行配对,获得配对组;
获取预设的空白数据库,将所述配对组输入至所述空白数据库中,当需要输入至所述空白数据库的所述配对组均输入后,将所述空白数据库作为属性类型-价值度库,完成构建。
上述技术方案的工作原理及有益效果为:
对属性信息进行预处理,剔除掉第一价值度较低的第一属性项;确定第一属性类型对应的第一价值度时,构建属性类型-价值度库,基于属性类型-价值度库进行确定;构建属性类型-价值度库时,获取第二属性类型对应的多个价值度测试记录项,价值度测试记录项包含测试人员使用的测试策略、测试过程和测试价值度;获取测试策略对应的可靠值,可靠值越大,使用对应测试策略获得的测试价值度越可靠;将测试过程输入至预设的测试过程评价模型(利用机器学习算法对大量人工对测试过程进行评价的记录进行学习后生成的模型),获得评价值,评价值越大,测试过程越佳;基于可靠值、评价值和测试结果值计算第二评价值,将第二评价值与预设的相互类型集(包含不同属性类型的集合)中的对应第二属性类型进行配对,输入至空白数据库中;
本发明实施例通过构建属性类型-价值度库,便于快速对属性信息进行预处理,提升了系统的工作效率,同时,无需人工确定属性价值决定是否剔除,更加智能化;
公式中,可靠值αi、评价值βi和测试结果值γi均应与第二价值度εi呈正相关,设置合理。
本发明实施例提供了一种隐伏溶洞智能探测方法,步骤S3:基于预探测结果,对目标区域进行隐伏溶洞探测,获得探测结果,包括:
对预探测结果进行解析,获得目标区域内需要进行探测验证的多个第一点位,同时,在第一点位布置第一探测仪器;
布置完成后,获取第一探测仪器产生的第二探测数据;
获取预设的探测结果确定模型,将第二探测数据输入至探测结果确定模型,获得探测结果;
其中,在第一点位布置第一探测仪器,包括:
在第一点位的地面垂直向下进行钻孔,钻孔至隐伏溶洞;
将第一探测仪器通过钻孔进入隐伏溶洞。
上述技术方案的工作原理及有益效果为:
预探测结果包含目标区域内需要进行探测验证(钻孔验证是否确实存在隐伏溶洞)的多个第一点位,在第一点位进行钻孔,将第一探测仪器(设置一连接杆,连接杆的一侧设置有激光测距仪,另一端设置有定向调平仪)伸入钻孔,获取第一探测仪器产生的第二探测数据(隐伏溶洞内各个方向上边界点的位置等),将第二探测数据输入至预设的探测结果确定模型(利用机器学习算法对大量人工基于隐伏溶洞内各个方向上边界点的位置制作隐伏溶洞三维模型的记录进行学习后生成的模型),获得探测结果(隐伏溶洞三维模型);
本发明实施例基于预探测结果,对地下隐伏溶洞进行更深入的探测,自动分析探测获得的第二探测数据,提升了系统的工作效率。
本发明实施例提供了一种隐伏溶洞智能探测方法,将第二探测数据输入至探测结果确定模型之前,还包括:
获取探测仪器的中心位置,以中心位置为原点位置,建立空间坐标系;
获取第一探测仪器对隐伏溶洞进行探测的多个第一环向;
从第一探测数据中确定对应于同一第一环向的多个第一数据项;
获取第一数据项的产生先后顺序,按照产生先后顺序,将第一数据项进行排序,获得第一数据项序列;
从第一数据项序列中随机选取一个第一数据项,并作为第二数据项;
从第一数据项序列中选取第二数据项相邻的两个第一数据项,并作为第三数据项;
计算第二数据项与第三数据项之间的第一差值,若第一差值大于等于预设的差值阈值,将对应第三数据项作为第四数据项,确定第二数据项相对于第四数据项的第一相对方向,同时,将对应第一环向作为第二环向;
确定第二环向上对应于第四数据项的第一方向;
基于第一方向和第四数据项,在空间坐标系中标记第一坐标点,并与对应第二环向进行关联;
将相邻第二环向关联的第一坐标点作为第二坐标点;
获取第二坐标点在空间坐标系中的第一分布情况;
获取预设的遮挡情况确定模型,将第一分布情况输入至遮挡情况确定模型,获得遮挡情况,遮挡情况包括:遮挡和未遮挡;
当遮挡情况为遮挡时,将对应第一分布情况作为第二分布情况;
设定目标环向,目标环向包括:水平环向和竖直环向;
从第二环向中选取为目标环向的第二环向,并作为第三环向;
确定第二分布情况对应的第二坐标点中与第三环向关联的第三坐标点;
确定第三坐标点对应的第四数据项,并作为第五数据项;
确定第五数据项所在的第一数据项序列,并作为第二数据项序列;
确定第二数据项序列中对应第二数据项相对于第五数据项的第一相对方向,并作为第二相对方向;
在第二数据项序列中选取第五数据项第二相对方向上预设的范围内的第一数据项,并作为第六数据项;
确定第三环向上对应于第六数据项的第二方向;
基于第二方向和第六数据项,在空间坐标系中标记第四坐标点;
若第三坐标点的数目为1,从第四坐标点中选取与原点位置的距离最大的第四坐标点,并作为第五坐标点;
若第三坐标点的数目为2,计算第三坐标点的中间坐标;
以原点位置为端点,向中间坐标无限延伸,绘制射线;
确定落在射线上和/或落在射线附近的第四坐标点,并作为第五坐标点;
获取第三坐标点和第五坐标点在空间坐标系中的第三分布情况;
获取预设的探测点位确定模型,将第三分布情况输入至探测点位确定模型,获得探测点位;
确定探测点位对应于地面的第二点位;
在第二点位布置第二探测仪器;
布置完成后,获取第二探测仪器产生的第三探测数据;
将第二探测数据和第三探测数据一并输入至探测结果确定模型。
上述技术方案的工作原理及有益效果为:
由于第一探测仪器上的激光测距仪的测距原理限制,不能受到遮挡物的遮挡,若受到遮挡物的遮挡,遮挡物背后的空间无法测距,但是,地下隐伏溶洞的构造一定是不规则的,第一探测仪器下入到隐伏溶洞时,激光测距仪测距时可能会受到遮挡(例如:在激光测距仪的测距方向上存在凸出的岩石,岩石背后的空间无法进行探测);因此,本发明实施例获取第一探测仪器对隐伏溶洞进行探测的多个第一环向(激光测距仪工作时转动的一圈,类似于地球的经纬线,激光测距仪工作转动若干圈后,保证能够获取360度方向上的隐伏溶洞边界点位置信息),确定第一环向对应的多个第一数据项(测得的距离数据),并制成第一数据项序列;若第一差值大于等于预设的差值阈值(常数正值),说明激光测距仪的近处出现遮挡物,激光测距仪测得与遮挡物的距离远小于相邻的测得的远处的距离;确定第一方向和第四数据项,并标记第一坐标点(基于相对于原点的方向和距离进行标记);将相邻(每一个环向的倾斜角度均是连续微调的,连续的环向即为相邻环向)第二环向关联的第一坐标点作为第二坐标点;获取第二坐标点的第一分布情况(由于环向的连续性,第二坐标点即为遮挡物的边缘点,第一分布情况即为遮挡物的边缘分布);将第一分布情况输入至预设的遮挡情况确定模型(利用机器学习算法对大量人工对遮挡物的边缘分布的情况确定是否构成遮挡的记录进行学习后生成的模型)获得遮挡情况,遮挡情况包括:遮挡和未遮挡;若遮挡,确定第二环向中的水平环向或竖直环向,作为第三环向;确定第六数据项,第六数据项即为与遮挡物边缘外的远处的某位置距离原点的距离,基于第二方向和第六数据项,在空间坐标系中标记第四坐标点;若第三坐标点的数目为1,说明仅一侧(例如:左侧)存在遮挡物,此时,为了了解遮挡物背后的空间概况,确定最远距离的第五坐标点即可;若第三坐标点的数目为2,说明两侧(例如:左侧和右侧)均存在遮挡物,此时,为了了解遮挡物背后的空间概况,确定中间坐标即可,绘制射线,确定落在射线上或落在射线附近(坐标点与射线的垂直距离在一定距离范围内)的第五坐标点即可;基于第三坐标点和第五坐标点的分布情况,即可确定遮挡物背后的空间的概况;将第三分布情况输入至预设的探测点位确定模型(利用机器学习算法对大量人工对遮挡物背后的空间的概况进行分析确定适宜的探测点位的记录进行学习后生成的模型),获得探测点位(第二探测仪器应下入到的位置);确定探测点位对应于地面的第二点位(垂直向上),在第二点位钻孔布置第二探测仪器即可;
本发明实施例确定是否需要在第二点位增设第二探测仪器以采集第二探测数据,十分智能化,同时,也提升了探测结果确定的精准性和全面性;另外,考虑到了激光测距仪在地下隐伏溶洞内工作时会遇到的特殊情况,即遇到遮挡物,细致确定遮挡物的边缘分布以及遮挡物背后的溶洞空间的概况,极大程度上提升了系统的应对能力。
本发明实施例提供了一种隐伏溶洞智能探测方法,如图2所示,还包括:
步骤S4:设定补充训练目标,对补充训练目标进行补充训练,补充训练目标包括:预探测仪器布局策略制定模型、预探测结果确定模型和探测结果确定模型;
其中,对补充训练目标进行补充训练,包括:
获取补充训练目标对应的新产生的多个第一补充训练样本,同时,记录第一补充训练样本的获取过程;
对获取过程进行过程分析,获得过程项序列;
对过程项序列中的第一过程项依次进行特征分析,获得多个第一特征;
获取预设的风险特征库,将第一特征与风险特征库中的第二特征进行匹配,若匹配符合,将匹配符合的第二特征作为第三特征,同时,将对应第一过程项作为第二过程项;
获取第二过程项对应的过程标识;
基于预设的认证过程标识库,对过程标识进行认证确认;
若认证确认失败,获取对应第二过程项对应的发生场景;
获取发生场景的可信度和担保值;
若可信度小于等于预设的可信度阈值和/或担保值小于等于预设的担保值阈值,将对应第二过程项作为第三过程项;
获取第三特征对应的风险信息,风险信息包括:第一风险值、至少一个风险方向和对应风险范围;
确定过程项序列中第三过程项的风险方向上对应风险范围的第一过程项,并作为第四过程项;
对第四过程项进行特征分析,获得多个第四特征;
基于预设的联合风险特征库,确定第三特征对应的至少一个第一联合风险特征;
将第四特征与联合风险特征进行匹配,若匹配符合,将匹配符合的第一联合风险特征作为第二联合风险特征,获取第二联合风险特征对应的第二风险值,并以第二风险值进行一次计数,否则,以第一风险值进行一次计数;
对过程项序列中的第一过程项依次进行特征分析完毕后,汇总计数结果,获得风险值和;
若风险值和大于等于预设的风险值和阈值,剔除对应第一补充训练样本;
当需要剔除的第一补充训练样本均被剔除后,将剔除剩余的第一补充训练样本作为第二补充训练样本;
基于第二补充训练样本,对补充训练目标进行补充训练。
上述技术方案的工作原理及有益效果为:
为了保证系统中人工智能模型的工作能力,需要对各人工智能模型定时进行补充训练;设定补充训练目标,获取补充训练目标对应的新产生的多个第一补充训练样本(人工分析记录),同时,记录第一补充训练样本的获取过程;对获取过程进行过程分析,获得过程项序列;将对过程项序列中的第一过程项进行特征分析获得的第一特征与预设的风险特征库(包含补充训练样本获取风险过程的特征,例如:接入互联网)中的第二特征进行匹配,若匹配符合,说明对应第二过程项可能存在风险;获取第二过程项对应的过程标识,基于预设的认证过程标识库(包含大量已进行认证的过程标识的数据库)对过程标识进行认证确认,若认证确认失败,说明对应第二过程项发生在未认证场景下,获取对应发生场景(例如:某补充训练样本共享网页),获取发生场景的可信度(例如:网页可信度)和担保值(例如:担保机构对其进行担保,担保力度越大,担保值越大),若可信度较小和/或担保值较小,说明第三过程确实存在风险;获取第三特征对应的风险信息,风险信息包含第一风险值(第一风险值越大,说明第三特征的风险程度越高)、风险方向(例如:前、后,获取过程中的第一过程项存在先后关联性,可基于风险特征确定风险特征的过程前还是后会出现风险)和风险方向对应的风险范围(100秒);确定第四过程项并进行特征分析,获得第四特征;获取预设的联合风险特征库(包含不同风险特征对应的联合风险特征,联合风险特征为与风险特征共同存在时存在新风险的特征,例如:风险特征为接入互联网,联合风险特征为爬取互联网中的数据),将第四特征与联合风险特征进行匹配,若匹配符合,说明存在更大的新风险,以联合风险特征对应的第二风险值进行计数,否则,以第一风险值进行计数,汇总(计数)计数结果,获得风险值和;若风险值和过大,说明对应第一补充训练样本的获取不可信,应予剔除,将剔除剩余的第二补充训练样本输入至补充训练目标进行补充训练;
本发明实施例对补充训练目标进行补充训练,保证系统中人工智能模型的工作能力,提升了系统的应对性;另外,在获取补充训练样本时,记录获取过程,基于获取过程,细致化地对补充训练样本的可靠性进行验证,保证补充训练的质量。
本发明实施例提供了一种隐伏溶洞智能探测系统,如图3所示,包括:
获取模块1,用于获取需要进行隐伏溶洞探测的目标区域,同时,获取目标区域的属性信息;
预探测模块2,用于基于属性信息,对目标区域进行隐伏溶洞预探测,获得预探测结果;
探测模块3,用于基于预探测结果,对目标区域进行隐伏溶洞探测,获得探测结果。
上述技术方案的工作原理及有益效果为:
获取目标区域(例如:机场建造工程现场)的属性信息(例如:面积、地形等);基于属性信息,对目标区域进行隐伏溶洞预探测,获得预探测结果(例如:调度人工布局适宜的地质雷达,初步确认地下隐伏溶洞的位置);基于预探测结果,对目标区域进行隐伏溶洞探测,获得探测结果(例如:调度人工对初步确认地下隐伏溶洞的位置进行钻孔验证,同时,探测地下隐伏溶洞的大小等);
本发明实施例可基于目标区域的属性信息调度人工对目标区域进行隐伏溶洞预探测,基于预探测结果调度人工对目标区域进行隐伏溶洞探测,人工只需基于调度信息执行相应的操作即可,极大程度上降低了人力成本,同时,提高了隐伏溶洞的探测效率。
本发明实施例提供了一种隐伏溶洞智能探测系统,预探测模块2执行如下操作:
获取预设的预探测仪器布局策略制定模型,将属性信息输入至预探测仪器布局策略制定模型,获得预探测仪器布局策略;
基于预探测仪器布局策略,在目标区域上布局相应的预探测仪器;
布局完成后,获取预探测仪器产生的第一探测数据;
获取预设的预探测结果确定模型,将第一探测数据输入至预探测结果确定模型,获得预探测结果。
上述技术方案的工作原理及有益效果为:
将属性信息输入至预设的预探测仪器布局策略制定模型(利用机器学习算法对大量人工对区域的大小、地形等进行分析制定地质雷达的布局策略的记录进行学习后生成的模型),即可获得预探测仪器布局策略;基于预探测仪器布局策略,在目标区域上布局预探测仪器(地质雷达);布局完成后,获取预探测仪器产生的第一探测数据(雷达图像);将第一探测数据输入至预设的预探测结果确定模型(利用机器学习算法对大量人工对雷达图像进行分析获得隐伏融合的初步位置的分析记录进行学习后生成的模型),即可获得预探测结果;
本发明实施例设置预探测仪器布局策略制定模型和预探测结果确定模型,极大程度上提升了系统的工作效率。
本发明实施例提供了一种隐伏溶洞智能探测系统,所述预探测模块2执行如下操作:
将所述属性信息输入至所述预探测仪器布局策略制定模型之前,对所述属性信息进行预处理;
其中,对所述属性信息进行预处理,包括:
对所述属性信息进行属性分析,获得多个第一属性项;
获取所述第一属性项对应的第一属性类型;
构建属性类型-价值度库,基于所述属性类型-价值度库,确定所述第一属性类型对应的第一价值度;
若所述第一价值度小于等于预设的价值度阈值,剔除对应所述第一属性项;
当需要剔除的第一属性项均被剔除后,将属性信息输入至所述预探测仪器布局策略制定模型;
其中,构建属性类型-价值度库,包括:
获取预设的属性类型集,所述属性类型集包括:多个第二属性类型;
获取所述第二属性类型对应的多个价值度测试记录项,所述价值度测试记录项包括:测试策略、测试过程和测试价值度;
获取所述测试策略对应的可靠值;
获取预设的测试过程评价模型,将所述测试过程输入至所述测试过程评价模型,获得评价值;
基于所述可靠值、评价值和所述测试价值度,计算所述第二属性类型的第二价值度,计算公式如下:
其中,val为所述第二属性类型的第二价值度,γi为所述第二属性类型对应的第i个价值度测试记录项中的所述测试价值度,n为所述第二属性类型对应的价值度测试记录项的总数目,εi为中间变量,αi为所述第二属性类型对应的第i个价值度测试记录项中的所述测试策略对应的可靠值,βi为所述第二属性类型对应的第i个价值度测试记录项中的所述测试过程输入至所述测试过程评价模型后获得的评价值,α0为预设的可靠值阈值,β0为预设的评价值阈值,and为且,else为其它情况,D为预设的常数,σ1和σ2为预设的权重值;
将所述第二属性类型和对应第二价值度进行配对,获得配对组;
获取预设的空白数据库,将所述配对组输入至所述空白数据库中,当需要输入至所述空白数据库的所述配对组均输入后,将所述空白数据库作为属性类型-价值度库,完成构建。
上述技术方案的工作原理及有益效果为:
对属性信息进行预处理,剔除掉第一价值度较低的第一属性项;确定第一属性类型对应的第一价值度时,构建属性类型-价值度库,基于属性类型-价值度库进行确定;构建属性类型-价值度库时,获取第二属性类型对应的多个价值度测试记录项,价值度测试记录项包含测试人员使用的测试策略、测试过程和测试价值度;获取测试策略对应的可靠值,可靠值越大,使用对应测试策略获得的测试价值度越可靠;将测试过程输入至预设的测试过程评价模型(利用机器学习算法对大量人工对测试过程进行评价的记录进行学习后生成的模型),获得评价值,评价值越大,测试过程越佳;基于可靠值、评价值和测试结果值计算第二评价值,将第二评价值与预设的相互类型集(包含不同属性类型的集合)中的对应第二属性类型进行配对,输入至空白数据库中;
本发明实施例通过构建属性类型-价值度库,便于快速对属性信息进行预处理,提升了系统的工作效率,同时,无需人工确定属性价值决定是否剔除,更加智能化;
公式中,可靠值αi、评价值βi和测试结果值γi均应与第二价值度εi呈正相关,设置合理。
本发明实施例提供了一种隐伏溶洞智能探测系统,探测模块3执行如下操作:
对预探测结果进行解析,获得目标区域内需要进行探测验证的多个第一点位,同时,在第一点位布置第一探测仪器;
布置完成后,获取第一探测仪器产生的第二探测数据;
获取预设的探测结果确定模型,将第二探测数据输入至探测结果确定模型,获得探测结果;
其中,在第一点位布置第一探测仪器,包括:
在第一点位的地面垂直向下进行钻孔,钻孔至隐伏溶洞;
将第一探测仪器通过钻孔进入隐伏溶洞。
上述技术方案的工作原理及有益效果为:
预探测结果包含目标区域内需要进行探测验证(钻孔验证是否确实存在隐伏溶洞)的多个第一点位,在第一点位进行钻孔,将第一探测仪器(设置一连接杆,连接杆的一侧设置有激光测距仪,另一端设置有定向调平仪)伸入钻孔,获取第一探测仪器产生的第二探测数据(隐伏溶洞内各个方向上边界点的位置等),将第二探测数据输入至预设的探测结果确定模型(利用机器学习算法对大量人工基于隐伏溶洞内各个方向上边界点的位置制作隐伏溶洞三维模型的记录进行学习后生成的模型),获得探测结果(隐伏溶洞三维模型);
本发明实施例基于预探测结果,对地下隐伏溶洞进行更深入的探测,自动分析探测获得的第二探测数据,提升了系统的工作效率。
本发明实施例提供了一种隐伏溶洞智能探测系统,探测模块3执行如下操作:
将第二探测数据输入至探测结果确定模型之前,获取探测仪器的中心位置,以中心位置为原点位置,建立空间坐标系;
获取第一探测仪器对隐伏溶洞进行探测的多个第一环向;
从第一探测数据中确定对应于同一第一环向的多个第一数据项;
获取第一数据项的产生先后顺序,按照产生先后顺序,将第一数据项进行排序,获得第一数据项序列;
从第一数据项序列中随机选取一个第一数据项,并作为第二数据项;
从第一数据项序列中选取第二数据项相邻的两个第一数据项,并作为第三数据项;
计算第二数据项与第三数据项之间的第一差值,若第一差值大于等于预设的差值阈值,将对应第三数据项作为第四数据项,确定第二数据项相对于第四数据项的第一相对方向,同时,将对应第一环向作为第二环向;
确定第二环向上对应于第四数据项的第一方向;
基于第一方向和第四数据项,在空间坐标系中标记第一坐标点,并与对应第二环向进行关联;
将相邻第二环向关联的第一坐标点作为第二坐标点;
获取第二坐标点在空间坐标系中的第一分布情况;
获取预设的遮挡情况确定模型,将第一分布情况输入至遮挡情况确定模型,获得遮挡情况,遮挡情况包括:遮挡和未遮挡;
当遮挡情况为遮挡时,将对应第一分布情况作为第二分布情况;
设定目标环向,目标环向包括:水平环向和竖直环向;
从第二环向中选取为目标环向的第二环向,并作为第三环向;
确定第二分布情况对应的第二坐标点中与第三环向关联的第三坐标点;
确定第三坐标点对应的第四数据项,并作为第五数据项;
确定第五数据项所在的第一数据项序列,并作为第二数据项序列;
确定第二数据项序列中对应第二数据项相对于第五数据项的第一相对方向,并作为第二相对方向;
在第二数据项序列中选取第五数据项第二相对方向上预设的范围内的第一数据项,并作为第六数据项;
确定第三环向上对应于第六数据项的第二方向;
基于第二方向和第六数据项,在空间坐标系中标记第四坐标点;
若第三坐标点的数目为1,从第四坐标点中选取与原点位置的距离最大的第四坐标点,并作为第五坐标点;
若第三坐标点的数目为2,计算第三坐标点的中间坐标;
以原点位置为端点,向中间坐标无限延伸,绘制射线;
确定落在射线上和/或落在射线附近的第四坐标点,并作为第五坐标点;
获取第三坐标点和第五坐标点在空间坐标系中的第三分布情况;
获取预设的探测点位确定模型,将第三分布情况输入至探测点位确定模型,获得探测点位;
确定探测点位对应于地面的第二点位;
在第二点位布置第二探测仪器;
布置完成后,获取第二探测仪器产生的第三探测数据;
将第二探测数据和第三探测数据一并输入至探测结果确定模型。
上述技术方案的工作原理及有益效果为:
由于第一探测仪器上的激光测距仪的测距原理限制,不能受到遮挡物的遮挡,若受到遮挡物的遮挡,遮挡物背后的空间无法测距,但是,地下隐伏溶洞的构造一定是不规则的,第一探测仪器下入到隐伏溶洞时,激光测距仪测距时可能会受到遮挡(例如:在激光测距仪的测距方向上存在凸出的岩石,岩石背后的空间无法进行探测);因此,本发明实施例获取第一探测仪器对隐伏溶洞进行探测的多个第一环向(激光测距仪工作时转动的一圈,类似于地球的经纬线,激光测距仪工作转动若干圈后,保证能够获取360度方向上的隐伏溶洞边界点位置信息),确定第一环向对应的多个第一数据项(测得的距离数据),并制成第一数据项序列;若第一差值大于等于预设的差值阈值(常数正值),说明激光测距仪的近处出现遮挡物,激光测距仪测得与遮挡物的距离远小于相邻的测得的远处的距离;确定第一方向和第四数据项,并标记第一坐标点(基于相对于原点的方向和距离进行标记);将相邻(每一个环向的倾斜角度均是连续微调的,连续的环向即为相邻环向)第二环向关联的第一坐标点作为第二坐标点;获取第二坐标点的第一分布情况(由于环向的连续性,第二坐标点即为遮挡物的边缘点,第一分布情况即为遮挡物的边缘分布);将第一分布情况输入至预设的遮挡情况确定模型(利用机器学习算法对大量人工对遮挡物的边缘分布的情况确定是否构成遮挡的记录进行学习后生成的模型)获得遮挡情况,遮挡情况包括:遮挡和未遮挡;若遮挡,确定第二环向中的水平环向或竖直环向,作为第三环向;确定第六数据项,第六数据项即为与遮挡物边缘外的远处的某位置距离原点的距离,基于第二方向和第六数据项,在空间坐标系中标记第四坐标点;若第三坐标点的数目为1,说明仅一侧(例如:左侧)存在遮挡物,此时,为了了解遮挡物背后的空间概况,确定最远距离的第五坐标点即可;若第三坐标点的数目为2,说明两侧(例如:左侧和右侧)均存在遮挡物,此时,为了了解遮挡物背后的空间概况,确定中间坐标即可,绘制射线,确定落在射线上或落在射线附近(坐标点与射线的垂直距离在一定距离范围内)的第五坐标点即可;基于第三坐标点和第五坐标点的分布情况,即可确定遮挡物背后的空间的概况;将第三分布情况输入至预设的探测点位确定模型(利用机器学习算法对大量人工对遮挡物背后的空间的概况进行分析确定适宜的探测点位的记录进行学习后生成的模型),获得探测点位(第二探测仪器应下入到的位置);确定探测点位对应于地面的第二点位(垂直向上),在第二点位钻孔布置第二探测仪器即可;
本发明实施例确定是否需要在第二点位增设第二探测仪器以采集第二探测数据,十分智能化,同时,也提升了探测结果确定的精准性和全面性;另外,考虑到了激光测距仪在地下隐伏溶洞内工作时会遇到的特殊情况,即遇到遮挡物,细致确定遮挡物的边缘分布以及遮挡物背后的溶洞空间的概况,极大程度上提升了系统的应对能力。
本发明实施例提供了一种隐伏溶洞智能探测系统,还包括:
补充训练模块,用于对补充训练目标进行补充训练,补充训练目标包括:预探测仪器布局策略制定模型、预探测结果确定模型和探测结果确定模型;
补充训练模块执行如下操作:
获取补充训练目标对应的新产生的多个第一补充训练样本,同时,记录第一补充训练样本的获取过程;
对获取过程进行过程分析,获得过程项序列;
对过程项序列中的第一过程项依次进行特征分析,获得多个第一特征;
获取预设的风险特征库,将第一特征与风险特征库中的第二特征进行匹配,若匹配符合,将匹配符合的第二特征作为第三特征,同时,将对应第一过程项作为第二过程项;
获取第二过程项对应的过程标识;
基于预设的认证过程标识库,对过程标识进行认证确认;
若认证确认失败,获取对应第二过程项对应的发生场景;
获取发生场景的可信度和担保值;
若可信度小于等于预设的可信度阈值和/或担保值小于等于预设的担保值阈值,将对应第二过程项作为第三过程项;
获取第三特征对应的风险信息,风险信息包括:第一风险值、至少一个风险方向和对应风险范围;
确定过程项序列中第三过程项的风险方向上对应风险范围的第一过程项,并作为第四过程项;
对第四过程项进行特征分析,获得多个第四特征;
基于预设的联合风险特征库,确定第三特征对应的至少一个第一联合风险特征;
将第四特征与联合风险特征进行匹配,若匹配符合,将匹配符合的第一联合风险特征作为第二联合风险特征,获取第二联合风险特征对应的第二风险值,并以第二风险值进行一次计数,否则,以第一风险值进行一次计数;
对过程项序列中的第一过程项依次进行特征分析完毕后,汇总计数结果,获得风险值和;
若风险值和大于等于预设的风险值和阈值,剔除对应第一补充训练样本;
当需要剔除的第一补充训练样本均被剔除后,将剔除剩余的第一补充训练样本作为第二补充训练样本;
基于第二补充训练样本,对补充训练目标进行补充训练。
上述技术方案的工作原理及有益效果为:
为了保证系统中人工智能模型的工作能力,需要对各人工智能模型定时进行补充训练;设定补充训练目标,获取补充训练目标对应的新产生的多个第一补充训练样本(人工分析记录),同时,记录第一补充训练样本的获取过程;对获取过程进行过程分析,获得过程项序列;将对过程项序列中的第一过程项进行特征分析获得的第一特征与预设的风险特征库(包含补充训练样本获取风险过程的特征,例如:接入互联网)中的第二特征进行匹配,若匹配符合,说明对应第二过程项可能存在风险;获取第二过程项对应的过程标识,基于预设的认证过程标识库(包含大量已进行认证的过程标识的数据库)对过程标识进行认证确认,若认证确认失败,说明对应第二过程项发生在未认证场景下,获取对应发生场景(例如:某补充训练样本共享网页),获取发生场景的可信度(例如:网页可信度)和担保值(例如:担保机构对其进行担保,担保力度越大,担保值越大),若可信度较小和/或担保值较小,说明第三过程确实存在风险;获取第三特征对应的风险信息,风险信息包含第一风险值(第一风险值越大,说明第三特征的风险程度越高)、风险方向(例如:前、后,获取过程中的第一过程项存在先后关联性,可基于风险特征确定风险特征的过程前还是后会出现风险)和风险方向对应的风险范围(100秒);确定第四过程项并进行特征分析,获得第四特征;获取预设的联合风险特征库(包含不同风险特征对应的联合风险特征,联合风险特征为与风险特征共同存在时存在新风险的特征,例如:风险特征为接入互联网,联合风险特征为爬取互联网中的数据),将第四特征与联合风险特征进行匹配,若匹配符合,说明存在更大的新风险,以联合风险特征对应的第二风险值进行计数,否则,以第一风险值进行计数,汇总(计数)计数结果,获得风险值和;若风险值和过大,说明对应第一补充训练样本的获取不可信,应予剔除,将剔除剩余的第二补充训练样本输入至补充训练目标进行补充训练;
本发明实施例对补充训练目标进行补充训练,保证系统中人工智能模型的工作能力,提升了系统的应对性;另外,在获取补充训练样本时,记录获取过程,基于获取过程,细致化地对补充训练样本的可靠性进行验证,保证补充训练的质量。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种隐伏溶洞智能探测方法,其特征在于,包括:
步骤S1:获取需要进行隐伏溶洞探测的目标区域,同时,获取所述目标区域的属性信息;
步骤S2:基于所述属性信息,对所述目标区域进行隐伏溶洞预探测,获得预探测结果;
步骤S3:基于所述预探测结果,对所述目标区域进行隐伏溶洞探测,获得探测结果;
步骤S4:设定补充训练目标,对所述补充训练目标进行补充训练,所述补充训练目标包括:预探测仪器布局策略制定模型、预探测结果确定模型和探测结果确定模型;
其中,对所述补充训练目标进行补充训练,包括:
获取所述补充训练目标对应的新产生的多个第一补充训练样本,同时,记录所述第一补充训练样本的获取过程;
对所述获取过程进行过程分析,获得过程项序列;
对所述过程项序列中的第一过程项依次进行特征分析,获得多个第一特征;
获取预设的风险特征库,将所述第一特征与所述风险特征库中的第二特征进行匹配,若匹配符合,将匹配符合的第二特征作为第三特征,同时,将对应所述第一过程项作为第二过程项;
获取所述第二过程项对应的过程标识;
基于预设的认证过程标识库,对所述过程标识进行认证确认;
若认证确认失败,获取所述对应所述第二过程项对应的发生场景;
获取所述发生场景的可信度和担保值;
若所述可信度小于等于预设的可信度阈值和/或所述担保值小于等于预设的担保值阈值,将对应所述第二过程项作为第三过程项;
获取所述第三特征对应的风险信息,所述风险信息包括:第一风险值、至少一个风险方向和对应风险范围;
确定所述过程项序列中所述第三过程项的所述风险方向上对应所述风险范围的所述第一过程项,并作为第四过程项;
对所述第四过程项进行特征分析,获得多个第四特征;
基于预设的联合风险特征库,确定所述第三特征对应的至少一个第一联合风险特征;
将所述第四特征与所述联合风险特征进行匹配,若匹配符合,将匹配符合的所述第一联合风险特征作为第二联合风险特征,获取所述第二联合风险特征对应的第二风险值,并以所述第二风险值进行一次计数,否则,以所述第一风险值进行一次计数;
对所述过程项序列中的第一过程项依次进行特征分析完毕后,汇总计数结果,获得风险值和;
若所述风险值和大于等于预设的风险值和阈值,剔除对应所述第一补充训练样本;
当需要剔除的所述第一补充训练样本均被剔除后,将剔除剩余的所述第一补充训练样本作为第二补充训练样本;
基于所述第二补充训练样本,对所述补充训练目标进行补充训练。
2.如权利要求1所述的一种隐伏溶洞智能探测方法,其特征在于,所述步骤S2:基于所述属性信息,对所述目标区域进行隐伏溶洞预探测,获得预探测结果,包括:
获取预设的预探测仪器布局策略制定模型,将所述属性信息输入至所述预探测仪器布局策略制定模型,获得预探测仪器布局策略;
基于所述预探测仪器布局策略,在所述目标区域上布局相应的预探测仪器;
布局完成后,获取所述预探测仪器产生的第一探测数据;
获取预设的预探测结果确定模型,将所述第一探测数据输入至所述预探测结果确定模型,获得预探测结果。
3.如权利要求2所述的一种隐伏溶洞智能探测方法,其特征在于,所述步骤S3:基于所述预探测结果,对所述目标区域进行隐伏溶洞探测,获得探测结果,包括:
对所述预探测结果进行解析,获得所述目标区域内需要进行探测验证的多个第一点位,同时,在所述第一点位布置第一探测仪器;
布置完成后,获取所述第一探测仪器产生的第二探测数据;
获取预设的探测结果确定模型,将所述第二探测数据输入至所述探测结果确定模型,获得探测结果;
其中,在所述第一点位布置第一探测仪器,包括:
在所述第一点位的地面垂直向下进行钻孔,钻孔至隐伏溶洞;
将第一探测仪器通过钻孔进入所述隐伏溶洞。
4.如权利要求3所述的一种隐伏溶洞智能探测方法,其特征在于,将所述第二探测数据输入至所述探测结果确定模型之前,还包括:
获取所述探测仪器的中心位置,以所述中心位置为原点位置,建立空间坐标系;
获取所述第一探测仪器对所述隐伏溶洞进行探测的多个第一环向;
从所述第一探测数据中确定对应于同一所述第一环向的多个第一数据项;
获取所述第一数据项的产生先后顺序,按照所述产生先后顺序,将所述第一数据项进行排序,获得第一数据项序列;
从所述第一数据项序列中随机选取一个所述第一数据项,并作为第二数据项;
从所述第一数据项序列中选取所述第二数据项相邻的两个所述第一数据项,并作为第三数据项;
计算所述第二数据项与所述第三数据项之间的第一差值,若所述第一差值大于等于预设的差值阈值,将对应所述第三数据项作为第四数据项,确定所述第二数据项相对于所述第四数据项的第一相对方向,同时,将对应所述第一环向作为第二环向;
确定所述第二环向上对应于所述第四数据项的第一方向;
基于所述第一方向和所述第四数据项,在所述空间坐标系中标记第一坐标点,并与对应所述第二环向进行关联;
将相邻所述第二环向关联的所述第一坐标点作为第二坐标点;
获取所述第二坐标点在所述空间坐标系中的第一分布情况;
获取预设的遮挡情况确定模型,将所述第一分布情况输入至所述遮挡情况确定模型,获得遮挡情况,所述遮挡情况包括:遮挡和未遮挡;
当所述遮挡情况为遮挡时,将对应所述第一分布情况作为第二分布情况;
设定目标环向,所述目标环向包括:水平环向和竖直环向;
从所述第二环向中选取为所述目标环向的第二环向,并作为第三环向;
确定所述第二分布情况对应的所述第二坐标点中与所述第三环向关联的第三坐标点;
确定所述第三坐标点对应的所述第四数据项,并作为第五数据项;
确定所述第五数据项所在的第一数据项序列,并作为第二数据项序列;
确定所述第二数据项序列中对应所述第二数据项相对于所述第五数据项的所述第一相对方向,并作为第二相对方向;
在所述第二数据项序列中选取所述第五数据项所述第二相对方向上预设的范围内的所述第一数据项,并作为第六数据项;
确定所述第三环向上对应于所述第六数据项的第二方向;
基于所述第二方向和所述第六数据项,在所述空间坐标系中标记第四坐标点;
若所述第三坐标点的数目为1,从所述第四坐标点中选取与所述原点位置的距离最大的所述第四坐标点,并作为第五坐标点;
若所述第三坐标点的数目为2,计算所述第三坐标点的中间坐标;
以所述原点位置为端点,向所述中间坐标无限延伸,绘制射线;
确定落在所述射线上和/或落在所述射线附近的所述第四坐标点,并作为第五坐标点;
获取所述第三坐标点和所述第五坐标点在所述空间坐标系中的第三分布情况;
获取预设的探测点位确定模型,将所述第三分布情况输入至所述探测点位确定模型,获得探测点位;
确定所述探测点位对应于所述地面的第二点位;
在所述第二点位布置第二探测仪器;
布置完成后,获取所述第二探测仪器产生的第三探测数据;
将所述第二探测数据和所述第三探测数据一并输入至所述探测结果确定模型。
5.一种隐伏溶洞智能探测系统,其特征在于,包括:
获取模块,用于获取需要进行隐伏溶洞探测的目标区域,同时,获取所述目标区域的属性信息;
预探测模块,用于基于所述属性信息,对所述目标区域进行隐伏溶洞预探测,获得预探测结果;
探测模块,用于基于所述预探测结果,对所述目标区域进行隐伏溶洞探测,获得探测结果;
补充训练模块,用于设定补充训练目标,对所述补充训练目标进行补充训练,所述补充训练目标包括:预探测仪器布局策略制定模型、预探测结果确定模型和探测结果确定模型;
所述补充训练模块执行如下操作:
获取所述补充训练目标对应的新产生的多个第一补充训练样本,同时,记录所述第一补充训练样本的获取过程;
对所述获取过程进行过程分析,获得过程项序列;
对所述过程项序列中的第一过程项依次进行特征分析,获得多个第一特征;
获取预设的风险特征库,将所述第一特征与所述风险特征库中的第二特征进行匹配,若匹配符合,将匹配符合的第二特征作为第三特征,同时,将对应所述第一过程项作为第二过程项;
获取所述第二过程项对应的过程标识;
基于预设的认证过程标识库,对所述过程标识进行认证确认;
若认证确认失败,获取所述对应所述第二过程项对应的发生场景;
获取所述发生场景的可信度和担保值;
若所述可信度小于等于预设的可信度阈值和/或所述担保值小于等于预设的担保值阈值,将对应所述第二过程项作为第三过程项;
获取所述第三特征对应的风险信息,所述风险信息包括:第一风险值、至少一个风险方向和对应风险范围;
确定所述过程项序列中所述第三过程项的所述风险方向上对应所述风险范围的所述第一过程项,并作为第四过程项;
对所述第四过程项进行特征分析,获得多个第四特征;
基于预设的联合风险特征库,确定所述第三特征对应的至少一个第一联合风险特征;
将所述第四特征与所述联合风险特征进行匹配,若匹配符合,将匹配符合的所述第一联合风险特征作为第二联合风险特征,获取所述第二联合风险特征对应的第二风险值,并以所述第二风险值进行一次计数,否则,以所述第一风险值进行一次计数;
对所述过程项序列中的第一过程项依次进行特征分析完毕后,汇总计数结果,获得风险值和;
若所述风险值和大于等于预设的风险值和阈值,剔除对应所述第一补充训练样本;
当需要剔除的所述第一补充训练样本均被剔除后,将剔除剩余的所述第一补充训练样本作为第二补充训练样本;
基于所述第二补充训练样本,对所述补充训练目标进行补充训练。
6.如权利要求5所述的一种隐伏溶洞智能探测系统,其特征在于,所述预探测模块执行如下操作:
获取预设的预探测仪器布局策略制定模型,将所述属性信息输入至所述预探测仪器布局策略制定模型,获得预探测仪器布局策略;
基于所述预探测仪器布局策略,在所述目标区域上布局相应的预探测仪器;
布局完成后,获取所述预探测仪器产生的第一探测数据;
获取预设的预探测结果确定模型,将所述第一探测数据输入至所述预探测结果确定模型,获得预探测结果。
7.如权利要求6所述的一种隐伏溶洞智能探测系统,其特征在于,所述探测模块执行如下操作:
对所述预探测结果进行解析,获得所述目标区域内需要进行探测验证的多个第一点位,同时,在所述第一点位布置第一探测仪器;
布置完成后,获取所述第一探测仪器产生的第二探测数据;
获取预设的探测结果确定模型,将所述第二探测数据输入至所述探测结果确定模型,获得探测结果;
其中,在所述第一点位布置第一探测仪器,包括:
在所述第一点位的地面垂直向下进行钻孔,钻孔至隐伏溶洞;
将第一探测仪器通过钻孔进入所述隐伏溶洞。
8.如权利要求7所述的一种隐伏溶洞智能探测系统,其特征在于,所述探测模块执行如下操作:
将所述第二探测数据输入至所述探测结果确定模型之前,获取所述探测仪器的中心位置,以所述中心位置为原点位置,建立空间坐标系;
获取所述第一探测仪器对所述隐伏溶洞进行探测的多个第一环向;
从所述第一探测数据中确定对应于同一所述第一环向的多个第一数据项;
获取所述第一数据项的产生先后顺序,按照所述产生先后顺序,将所述第一数据项进行排序,获得第一数据项序列;
从所述第一数据项序列中随机选取一个所述第一数据项,并作为第二数据项;
从所述第一数据项序列中选取所述第二数据项相邻的两个所述第一数据项,并作为第三数据项;
计算所述第二数据项与所述第三数据项之间的第一差值,若所述第一差值大于等于预设的差值阈值,将对应所述第三数据项作为第四数据项,确定所述第二数据项相对于所述第四数据项的第一相对方向,同时,将对应所述第一环向作为第二环向;
确定所述第二环向上对应于所述第四数据项的第一方向;
基于所述第一方向和所述第四数据项,在所述空间坐标系中标记第一坐标点,并与对应所述第二环向进行关联;
将相邻所述第二环向关联的所述第一坐标点作为第二坐标点;
获取所述第二坐标点在所述空间坐标系中的第一分布情况;
获取预设的遮挡情况确定模型,将所述第一分布情况输入至所述遮挡情况确定模型,获得遮挡情况,所述遮挡情况包括:遮挡和未遮挡;
当所述遮挡情况为遮挡时,将对应所述第一分布情况作为第二分布情况;
设定目标环向,所述目标环向包括:水平环向和竖直环向;
从所述第二环向中选取为所述目标环向的第二环向,并作为第三环向;
确定所述第二分布情况对应的所述第二坐标点中与所述第三环向关联的第三坐标点;
确定所述第三坐标点对应的所述第四数据项,并作为第五数据项;
确定所述第五数据项所在的第一数据项序列,并作为第二数据项序列;
确定所述第二数据项序列中对应所述第二数据项相对于所述第五数据项的所述第一相对方向,并作为第二相对方向;
在所述第二数据项序列中选取所述第五数据项所述第二相对方向上预设的范围内的所述第一数据项,并作为第六数据项;
确定所述第三环向上对应于所述第六数据项的第二方向;
基于所述第二方向和所述第六数据项,在所述空间坐标系中标记第四坐标点;
若所述第三坐标点的数目为1,从所述第四坐标点中选取与所述原点位置的距离最大的所述第四坐标点,并作为第五坐标点;
若所述第三坐标点的数目为2,计算所述第三坐标点的中间坐标;
以所述原点位置为端点,向所述中间坐标无限延伸,绘制射线;
确定落在所述射线上和/或落在所述射线附近的所述第四坐标点,并作为第五坐标点;
获取所述第三坐标点和所述第五坐标点在所述空间坐标系中的第三分布情况;
获取预设的探测点位确定模型,将所述第三分布情况输入至所述探测点位确定模型,获得探测点位;
确定所述探测点位对应于所述地面的第二点位;
在所述第二点位布置第二探测仪器;
布置完成后,获取所述第二探测仪器产生的第三探测数据;
将所述第二探测数据和所述第三探测数据一并输入至所述探测结果确定模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210109919.9A CN114595497B (zh) | 2022-01-29 | 2022-01-29 | 一种隐伏溶洞智能探测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210109919.9A CN114595497B (zh) | 2022-01-29 | 2022-01-29 | 一种隐伏溶洞智能探测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114595497A CN114595497A (zh) | 2022-06-07 |
CN114595497B true CN114595497B (zh) | 2022-11-01 |
Family
ID=81804874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210109919.9A Active CN114595497B (zh) | 2022-01-29 | 2022-01-29 | 一种隐伏溶洞智能探测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114595497B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110608721A (zh) * | 2019-09-16 | 2019-12-24 | 湖南大学 | 一种基于无人机的溶洞内部结构探测方法和装置 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011180081A (ja) * | 2010-03-03 | 2011-09-15 | Tosetsu Doboku Consultant:Kk | 孔壁の形状および孔壁に形成された空洞を検出する孔壁・空洞形状検出方法ならびに孔壁の形状および孔壁に形成された空洞を検出する孔壁・空洞形状検出システム |
CN205825951U (zh) * | 2016-05-26 | 2016-12-21 | 武汉固德超前高新科技研发有限公司 | 用于勘探溶洞内部结构的探测装置 |
CN106019398B (zh) * | 2016-05-26 | 2018-02-06 | 武汉固德超前高新科技研发有限公司 | 用于勘探溶洞内部结构的探测方法 |
CN106124539B (zh) * | 2016-08-31 | 2023-05-12 | 同方威视技术股份有限公司 | 探测器及用于智能划分能区的探测系统和方法 |
CN107246864B (zh) * | 2017-06-29 | 2020-02-11 | 山东大学 | 隧道隐伏溶洞空间探测设备及探测方法 |
CN107389030A (zh) * | 2017-08-28 | 2017-11-24 | 中国电建集团贵阳勘测设计研究院有限公司 | 一种地下空洞三维结构的探测方法及装置 |
CN110502610A (zh) * | 2019-07-24 | 2019-11-26 | 深圳壹账通智能科技有限公司 | 基于文本语义相似度的智能语音签名方法、装置及介质 |
CN113988613A (zh) * | 2021-10-27 | 2022-01-28 | 上海倍通企业信用征信有限公司 | 一种基于企业信用的决策系统及方法 |
CN113988616A (zh) * | 2021-10-27 | 2022-01-28 | 上海倍通企业信用征信有限公司 | 一种基于行业数据的企业风险评估系统及方法 |
-
2022
- 2022-01-29 CN CN202210109919.9A patent/CN114595497B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110608721A (zh) * | 2019-09-16 | 2019-12-24 | 湖南大学 | 一种基于无人机的溶洞内部结构探测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114595497A (zh) | 2022-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105180890B (zh) | 融合激光点云和数字影像的岩体结构面产状测量方法 | |
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 | |
CN113256082A (zh) | 一种隧道掌子面智能地质素描及地质评价方法 | |
CN106842193A (zh) | 道路检测信息的处理方法、装置和系统 | |
CN117852416B (zh) | 基于数字化地质模型的多模态注浆预控分析方法及系统 | |
Xu et al. | Comprehensive identification of statistical homogeneity of fractured rock masses for a candidate HLW repository site, China | |
CN104992455A (zh) | 塌陷坑检测方法及装置 | |
CN114595497B (zh) | 一种隐伏溶洞智能探测方法及系统 | |
CN118196618A (zh) | 一种隧道内岩体裂隙关联分析方法及系统 | |
Mehrishal et al. | A semi-automatic approach for joint orientation recognition using 3D trace network analysis | |
Liu et al. | Automatic fracture segmentation and detection from image logging using mask R-CNN | |
CN111462037B (zh) | 一种地质勘探钻孔质量检测方法 | |
CN113761699A (zh) | 裂缝模型构建方法、装置、电子设备及介质 | |
CN114036829B (zh) | 地质剖面图生成方法、系统、设备及存储介质 | |
CN116402339A (zh) | 一种盾构隧道施工风险等级评估方法、系统、设备及介质 | |
CN115601517A (zh) | 岩体结构面信息采集方法、装置、电子设备及存储介质 | |
CN109489658A (zh) | 一种运动目标定位方法、装置及终端设备 | |
CN108921187A (zh) | 鲕粒滩类型划分方法和装置 | |
CN88101924A (zh) | 计算岩层倾角和方位的方法 | |
CN114299231A (zh) | 一种河道水污染3d模型的构建方法 | |
CN106338770A (zh) | 一种炮检点数据互查方法和系统 | |
US10114135B2 (en) | System and method for optimizing seismic data analysis | |
Jin et al. | Developing rock mass classification method using precise description of joints | |
CN113313131B (zh) | 基于图像处理的数字化岩芯辨识方法及系统 | |
CN117474340B (zh) | 用于地铁盾构施工沉降的风险评价方法及系统 |
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 |