CN114942436A - 基于地质雷达及深度学习的隧道衬砌病害识别方法及系统 - Google Patents
基于地质雷达及深度学习的隧道衬砌病害识别方法及系统 Download PDFInfo
- Publication number
- CN114942436A CN114942436A CN202210612158.9A CN202210612158A CN114942436A CN 114942436 A CN114942436 A CN 114942436A CN 202210612158 A CN202210612158 A CN 202210612158A CN 114942436 A CN114942436 A CN 114942436A
- Authority
- CN
- China
- Prior art keywords
- data
- radar
- tunnel lining
- deep learning
- tunnel
- 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
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/885—Radar or analogous systems specially adapted for specific applications for ground probing
-
- 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
-
- 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
Abstract
基于地质雷达及深度学习的隧道衬砌病害识别方法及系统,包括以下步骤:对隧道衬砌探地雷达数据进行预处理;预处理后的雷达数据作为待处理数据进行转换,同时存储;对转换后的雷达数据信息进行分析处理,对特征数据进行抽取,进而对图像数据进行分类和识别,自动检测出隧道衬砌结构缺陷;本发明的基于地质雷达及深度学习的隧道衬砌检测系统能够根据不同处理目的,通过图像预处理抑制各种随机或有规律的干扰,最大限度的提高雷达图像的分辨能力,通过提取地质雷达电磁回波的有效信息,解译不同介质的回波特性。
Description
技术领域
本发明属于隧道病害识别技术领域,特别涉及基于地质雷达及深度学习的隧道衬砌病害识别方法及系统。
背景技术
随着我国隧道及地下工程建设事业的不断完善,隧道里程及数量得到迅猛发展,隧道已成为我国路网中的咽喉工程,随着隧道长期服役和后期养护等诸多原因,由各类衬砌结构缺陷导致隧道病害产生,进而引发的运营安全问题严重影响隧道的服役性能和使用寿命,同时对国家和人民群众生命财产安全构成严重威胁。因此,快速准确检测出衬砌结构质量缺陷类型、判断其所在位置,才可以更有针对性制定有效、合理的隧道质量缺陷处置方案,控制隧道病害的产生和发展,将隧道病害影响降到最低,延长隧道使用寿命,减少隧道运营事故,保障人民的生命财产安全。
地质雷达雷达(ground penetrating radar,简称GPR)作为一种新兴的地球物理测试方法以其高分辨率、无损、快速、连续、强抗干扰性强等优点逐渐成为地下隐蔽工程检测的有力工具,被广泛应用于隧道质量检测与病害诊断等领域。
然而目前对于隧道衬砌结构的地质雷达图像辨识存在许多不足:
(1)检测环境和采集设备等因素会直接影响探地雷达成像质量;
(2)雷达图像数据需要专业技术人员来完成,判别结果容易受到人为主观因素影响;
(3)对于测线长度较长的隧道,生成的大量数据通过人工识别和解译需耗费大量人力物力,识别效率偏低,影响隧道病害分析的可靠性。
发明内容
本发明的目的在于提供基于地质雷达及深度学习的隧道衬砌病害识别方法及系统,以解决现有技术成像质量差、人工判别精度低,识别效率偏低的问题。
为实现上述目的,本发明采用以下技术方案:
基于地质雷达及深度学习的隧道衬砌病害识别方法,包括以下步骤:
采集隧道衬砌探地雷达数据,对隧道衬砌探地雷达数据进行预处理;
预处理后的雷达数据作为待处理数据进行转换,同时存储各种现有隧道衬砌上所有可能存在结构缺陷的不同组合的样本,用来进行样本训练;
对转换后的雷达数据信息进行分析处理,对特征数据进行抽取,进而对图像数据进行分类和识别,自动检测出隧道衬砌结构缺陷;
根据对应的里程、位置信息,生成隧道整体质量情况报告,对其检测报告进行打包保存或删除。
进一步的,对隧道衬砌探地雷达数据进行预处理具体包括:
零点校正、背景去除、频率域滤波、空间中值滤波、增益放大和修剪时间窗口。
进一步的,预处理后的雷达数据作为待处理数据进行转换具体包括:
输入需要转换的雷达实测数据或仿真数据,选择参数配置;
参数配置中包括图片分辨率大小、保存文件位置;
后台调用MATLAB程序,选择不同参数时PyQt5发射不同信号信息,根据信息判断需要转换的数据类型;
将转换目标数据图像作为目标识别的深度学习网络的输入。
进一步的,雷达实测数据或仿真数据为.mat文件格式。
进一步的,储各种现有隧道衬砌上所有可能存在结构缺陷的不同组合的样本,用来进行样本训练具体包括:
采用时域有限差分FDTD方法正演出与仿真模型相对应的雷达仿真数据,获得与仿真模型相对应的雷达仿真图;雷达仿真数据作为判断检测结果是否合理的理论依据;
雷达实测数据中的结构缺陷信息图像参考雷达仿真图进行专家验证;
对实测数据中的结构病害进行裁剪、旋转、拼接操作组合成不同病害信息的样本作为输入深度学习网络的预训练数据。
进一步的,雷达实测数据中的结构缺陷信息,包括类型:
在雷达图像上,初次衬砌与围岩界面常表现为明显的连续界限信号,根据两者之间的介电常数差异所形成的反射界限,推断出衬砌厚度;
初次衬砌与围岩或初衬与二次衬砌之间存在脱空,在雷达图像上常表现为双曲线特征;
不密实病害图像整体交叉紊乱,病害分布呈蜂窝状不规则分布,中间位置反射较为强烈,反射的信号经过若干次叠加,重叠次数较多的区域信号多而杂;
在钢筋与钢拱架处电磁波产生连续、强的反射信号,呈抛物线形态,且曲率基本相同。
进一步的,检测出隧道衬砌结构缺陷具体为:
检测模块中建立训练好的深度学习卷积神经网络模型;
将接收到的实测雷达数据作为测试集输入经过样本训练后的深度学习病害目标识别模型;
训练后的病害目标识别网络输出该目标识别结果,获取隧道衬砌病害类型与区域大小。
进一步的,基于地质雷达及深度学习的隧道衬砌病害识别系统,包括:
数据预处理模块,用于采集隧道衬砌探地雷达数据,对隧道衬砌探地雷达数据进行预处理;
雷达数据转换存储模块,用于预处理后的雷达数据作为待处理数据进行转换,同时存储各种现有隧道衬砌上所有可能存在结构缺陷的不同组合的样本,用来进行样本训练;
衬砌结构检测模块,用于对转换后的雷达数据信息进行分析处理,对特征数据进行抽取,进而对图像数据进行分类和识别,自动检测出隧道衬砌结构缺陷;根据对应的里程、位置信息,生成隧道整体质量情况报告,对其检测报告进行打包保存或删除。
与现有技术相比,本发明有以下技术效果:
本发明的基于地质雷达及深度学习的隧道衬砌检测系统能够根据不同处理目的,通过图像预处理抑制各种随机或有规律的干扰,最大限度的提高雷达图像的分辨能力,通过提取地质雷达电磁回波的有效信息,解译不同介质的回波特性
本发明将目标波形特征制作隧道衬砌探地雷达图像的实测数据集,对该网络模型进行训练,能够实现快速、准确检测隧道衬砌结构的检测模型,并且能够利用深度学习实现隧道衬砌质量的自动检测和实时反馈。
本发明该系统集数据处理与病害识别任务与一体,为隧道衬砌结构的全面健康体检提供一套方便可靠的软件系统,提高工作效率,易于应用于嵌入式设备,更好地进行人机交互。
附图说明
图1为本发明基于深度学习的检测系统总体架构
图2为深度学习检测网络模型示意图
图3为地质雷达实测数据图像检测结果图。
图4为系统能根据地质雷达实时采集到的隧道衬砌结构信息自动检测隧道衬砌质量情况图。
具体实施方式
以下结合附图对本发明进一步说明:
请参阅图1至图4,S1:请参阅附图1所示,一种基于地质雷达及深度学习的隧道衬砌检测系统,包括图像预处理模块、雷达数据转换及存储模块、衬砌结构检测模块,其中;
S2:图像预处理模块对隧道衬砌探地雷达数据进行预处理,包括零点校正、背景去除、频率域滤波、空间中值滤波、增益放大、修剪时间窗口等处理,压制随机的和规则的干扰,以最大可能的分辨率在图像剖面上显示反射波,提取反射波的有效参数和信息,提高图像信噪比和分辨率,以帮助解释检测成果。
S3,雷达数据转换将待处理的雷达实测数据进行转换;
S4,所述数据存储库存储各种现有隧道衬砌上所有可能存在结构缺陷的不同组合的样本,用来进行样本训练。
S5,所述检测模块对接收到的雷达数据信息进行分析处理,对特征数据进行抽取,进而对图像数据进行分类和识别,自动检测出隧道衬砌结构缺陷;
S6,根据对应的里程、位置信息,生成隧道整体质量情况报告,可以对其检测报告进行打包保存或删除。
优选地,所述S3步骤进一步包括:
S31,输入需要转换的雷达实测数据或仿真数据(.mat文件格式),选择参数配置;
S32,参数配置中包括图片分辨率大小、保存文件位置;
S33,后台调用MATLAB程序,选择不同参数时PyQt5发射不同信号信息,根据信息判断需要转换的数据类型。
S34,将转换目标数据图像作为目标识别的深度学习网络的输入。
优选地,所述S4步骤进一步包括:
S41,数据库中一部分数据是通过不同介质的相对介电常数不同采用数值模拟随机生成不同的仿真模型数据,采用时域有限差分(FDTD)方法正演出与仿真模型相对应的雷达仿真数据,获得与仿真模型相对应的雷达仿真图。
具体的技术方案描述:
本发明克服现有技术中存在的不足,以解决雷达检测数据的解译工作复杂、数据量大、识别精度低、耗时且难以实现缺陷目标的精确识别的问题,提供一种基于深度学习的隧道衬砌结构缺陷识别系统,提高隧道衬砌病害的识别时效性。
本发明提供了一种基于地质雷达及深度学习的隧道衬砌检测系统,包括:
用于雷达主机的图像预处理模块、雷达数据转换及存储模块、衬砌结构检测模块,其中;
S1,图像预处理模块对隧道衬砌探地雷达数据进行预处理,包括零点校正、背景去除、频率域滤波、空间中值滤波、增益放大、修剪时间窗口等处理,压制随机的和规则的干扰,以最大可能的分辨率在图像剖面上显示反射波,提取反射波的有效参数和信息,提高图像信噪比和分辨率,以帮助解释检测成果。
S2,雷达数据转换将待处理的雷达实测数据和仿真原始数据进行转换;
S3,所述数据存储库存储各种现有隧道衬砌上所有可能存在结构缺陷的不同组合的样本,用来进行样本训练。
S4,请参阅附图3所示,所述检测模块中的目标检测网络对接收到的雷达数据信息进行分析处理,对特征数据进行抽取,进而对图像数据进行分类和识别,自动检测出隧道衬砌结构缺陷;
S5,根据对应的里程、位置信息,生成隧道整体质量情况报告,可以对其检测报告进行打包保存或删除。
优选地,所述S2步骤进一步包括:
S21,输入需要转换的雷达实测数据或仿真数据(.mat文件格式),选择参数配置;
S22,参数配置中包括图片分辨率大小、保存文件位置;
S23,后台调用MATLAB程序,选择不同参数时PyQt5发射不同信号信息,根据信息判断需要转换的数据类型。
S24,将转换目标数据图像作为目标识别的深度学习网络的输入。
优选地,所述S3步骤进一步包括:
S31,数据库中一部分数据是通过不同介质的相对介电常数不同采用数值模拟随机生成不同的仿真模型数据,采用时域有限差分(FDTD)方法正演出与仿真模型相对应的雷达仿真数据,获得与仿真模型相对应的雷达仿真图;
S32,S31中的仿真数据可作为判断检测结果是否合理的理论依据。
S32,请参阅附图2所示,数据库中另一部分是雷达实测数据中的结构缺陷信息,包括但不限于以下几种类型:
S33,在雷达图像上,初次衬砌与围岩界面常表现为明显的连续界限信号,根据两者之间的介电常数差异所形成的反射界限,推断出衬砌厚度;
S34,初次衬砌与围岩或初衬与二次衬砌之间存在脱空,在雷达图像上常表现为双曲线特征;
S35,不密实病害图像整体交叉紊乱,病害分布呈蜂窝状不规则分布,中间位置反射较为强烈,反射的信号经过若干次叠加,重叠次数较多的区域信号多而杂;
S36,在钢筋与钢拱架处电磁波产生连续、较强的反射信号,呈抛物线形态,且曲率基本相同,同时可以直观的统计出钢筋数量;
S37,对S32的地质雷达实测数据中的病害目标结构图像参考S41的仿真模拟波形进行专家验证;
S38,对实测数据中的结构病害进行裁剪、旋转、拼接等操作组合成不同病害信息的样本作为输入深度学习网络的预训练数据;
优选地,所述S4步骤中进一步包括:
S41,检测模块中导入训练好的深度学习卷积神经网络模型;
S42,选择基于深度学习的SSD目标检测模型作为检测网络的基础模型;
S43,在对SSD网络模型基础上采用轻量级网络MobileNetV2替换VGG-16,将其作为SSD的主干网络;
S44,对该网络进一步引入注意力机制学习,提高模型的检测实时性与准确性;
S45,对收集并预处理后的隧道衬砌结果病害图像进行标签;
S46,将S38中的病害图像样本集输入网络模型进行训练,以得到更为有效的模型参数,从而达到更好的检测效果;
S47,将接收到的实测雷达数据作为测试集输入经过样本训练后的深度学习病害目标识别模型;
S48,训练后的病害目标识别网络输出该目标识别结果,可以获取隧道衬砌病害类型与区域大小;
请参阅附图4所示,所述系统能根据地质雷达实时采集到的隧道衬砌结构信息自动检测隧道衬砌质量情况,并且显示病害位置的里程、位置信息,能够防止部分衬砌区域漏检或重复检测的情况,减少工程技术人员的工作量,并且能够得到对隧道衬砌结构的较为整体的评价,从而提高隧道质量检测的可靠性。
Claims (8)
1.基于地质雷达及深度学习的隧道衬砌病害识别方法,其特征在于,包括以下步骤:
采集隧道衬砌探地雷达数据,对隧道衬砌探地雷达数据进行预处理;
预处理后的雷达数据作为待处理数据进行转换,同时存储各种现有隧道衬砌上所有可能存在结构缺陷的不同组合的样本,用来进行样本训练;
对转换后的雷达数据信息进行分析处理,对特征数据进行抽取,进而对图像数据进行分类和识别,自动检测出隧道衬砌结构缺陷;
根据对应的里程、位置信息,生成隧道整体质量情况报告,对其检测报告进行打包保存或删除。
2.根据权利要求1所述的基于地质雷达及深度学习的隧道衬砌病害识别方法,其特征在于,对隧道衬砌探地雷达数据进行预处理具体包括:
零点校正、背景去除、频率域滤波、空间中值滤波、增益放大和修剪时间窗口。
3.根据权利要求1所述的基于地质雷达及深度学习的隧道衬砌病害识别方法,其特征在于,预处理后的雷达数据作为待处理数据进行转换具体包括:
输入需要转换的雷达实测数据或仿真数据,选择参数配置;
参数配置中包括图片分辨率大小、保存文件位置;
后台调用MATLAB程序,选择不同参数时PyQt5发射不同信号信息,根据信息判断需要转换的数据类型;
将转换目标数据图像作为目标识别的深度学习网络的输入。
4.根据权利要求3所述的基于地质雷达及深度学习的隧道衬砌病害识别方法,其特征在于,雷达实测数据或仿真数据为.mat文件格式。
5.根据权利要求1所述的基于地质雷达及深度学习的隧道衬砌病害识别方法,其特征在于,储各种现有隧道衬砌上所有可能存在结构缺陷的不同组合的样本,用来进行样本训练具体包括:
采用时域有限差分FDTD方法正演出与仿真模型相对应的雷达仿真数据,获得与仿真模型相对应的雷达仿真图;雷达仿真数据作为判断检测结果是否合理的理论依据;
雷达实测数据中的结构缺陷信息图像参考雷达仿真图进行专家验证;
对实测数据中的结构病害进行裁剪、旋转、拼接操作组合成不同病害信息的样本作为输入深度学习网络的预训练数据。
6.根据权利要求5所述的基于地质雷达及深度学习的隧道衬砌病害识别方法,其特征在于,雷达实测数据中的结构缺陷信息,包括类型:
在雷达图像上,初次衬砌与围岩界面常表现为明显的连续界限信号,根据两者之间的介电常数差异所形成的反射界限,推断出衬砌厚度;
初次衬砌与围岩或初衬与二次衬砌之间存在脱空,在雷达图像上常表现为双曲线特征;
不密实病害图像整体交叉紊乱,病害分布呈蜂窝状不规则分布,中间位置反射较为强烈,反射的信号经过若干次叠加,重叠次数较多的区域信号多而杂;
在钢筋与钢拱架处电磁波产生连续、强的反射信号,呈抛物线形态,且曲率基本相同。
7.根据权利要求1所述的基于地质雷达及深度学习的隧道衬砌病害识别方法,其特征在于,检测出隧道衬砌结构缺陷具体为:
检测模块中建立训练好的深度学习卷积神经网络模型;
将接收到的实测雷达数据作为测试集输入经过样本训练后的深度学习病害目标识别模型;
训练后的病害目标识别网络输出该目标识别结果,获取隧道衬砌病害类型与区域大小。
8.基于地质雷达及深度学习的隧道衬砌病害识别系统,其特征在于,包括:
数据预处理模块,用于采集隧道衬砌探地雷达数据,对隧道衬砌探地雷达数据进行预处理;
雷达数据转换存储模块,用于预处理后的雷达数据作为待处理数据进行转换,同时存储各种现有隧道衬砌上所有可能存在结构缺陷的不同组合的样本,用来进行样本训练;
衬砌结构检测模块,用于对转换后的雷达数据信息进行分析处理,对特征数据进行抽取,进而对图像数据进行分类和识别,自动检测出隧道衬砌结构缺陷;根据对应的里程、位置信息,生成隧道整体质量情况报告,对其检测报告进行打包保存或删除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210612158.9A CN114942436A (zh) | 2022-05-31 | 2022-05-31 | 基于地质雷达及深度学习的隧道衬砌病害识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210612158.9A CN114942436A (zh) | 2022-05-31 | 2022-05-31 | 基于地质雷达及深度学习的隧道衬砌病害识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114942436A true CN114942436A (zh) | 2022-08-26 |
Family
ID=82908938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210612158.9A Pending CN114942436A (zh) | 2022-05-31 | 2022-05-31 | 基于地质雷达及深度学习的隧道衬砌病害识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114942436A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115630492A (zh) * | 2022-10-12 | 2023-01-20 | 中交第二公路勘察设计研究院有限公司 | 隧道衬砌病害变化特征智能反演方法、系统及存储介质 |
CN116299273A (zh) * | 2023-02-22 | 2023-06-23 | 青海省环境地质勘查局 | 一种地质雷达数据处理智能识别装置及其方法 |
-
2022
- 2022-05-31 CN CN202210612158.9A patent/CN114942436A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115630492A (zh) * | 2022-10-12 | 2023-01-20 | 中交第二公路勘察设计研究院有限公司 | 隧道衬砌病害变化特征智能反演方法、系统及存储介质 |
CN115630492B (zh) * | 2022-10-12 | 2023-12-19 | 中交第二公路勘察设计研究院有限公司 | 隧道衬砌病害变化特征智能反演方法、系统及存储介质 |
CN116299273A (zh) * | 2023-02-22 | 2023-06-23 | 青海省环境地质勘查局 | 一种地质雷达数据处理智能识别装置及其方法 |
CN116299273B (zh) * | 2023-02-22 | 2024-01-16 | 青海省环境地质勘查局 | 一种地质雷达数据处理智能识别装置及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114942436A (zh) | 基于地质雷达及深度学习的隧道衬砌病害识别方法及系统 | |
CN111896625B (zh) | 钢轨伤损实时监测方法及其监测系统 | |
CN109782274B (zh) | 一种基于探地雷达信号时频统计特征的水损害识别方法 | |
CN102680575B (zh) | 一种复杂岩土介质的冲击映像方法及系统 | |
CN108519596A (zh) | 一种基于匹配追踪和小波变换的管片隐伏裂缝识别方法 | |
CN114548278A (zh) | 基于深度学习的在役隧道衬砌结构缺陷识别方法及系统 | |
CN102539532B (zh) | 一种基于二维邻域合成孔径聚焦的超声c扫描成像方法 | |
CN109374631A (zh) | 一种隧道状态评测方法 | |
US11789173B1 (en) | Real-time microseismic magnitude calculation method and device based on deep learning | |
CN114266892A (zh) | 一种多源数据深度学习的路面病害识别方法及系统 | |
CN106524940A (zh) | 一种盾构法隧道智能ct检测诊断系统及方法 | |
CN112989481B (zh) | 复杂地质隧道施工围岩稳定可视化图像数据处理方法 | |
CN113484910B (zh) | 基于地震干涉法的隧道超前地质预报方法及系统 | |
CN114878582B (zh) | 一种特钢的缺陷检测分析方法及系统 | |
CN114926462A (zh) | 一种金属材料表面缺陷的智能检测方法及系统 | |
CN115616674A (zh) | 探地雷达训练数据集模拟扩增与道路无损检测方法及系统 | |
CN108918679A (zh) | 基于弹性波和机器学习的预制柱套筒灌浆无损检测方法 | |
CN102944609A (zh) | 一种整套多通道白车身焊点检测系统 | |
CN106645399B (zh) | 一种复合材料损伤检测评估方法和系统 | |
CN116399948B (zh) | 一种水闸混凝土底板局部脱空监测方法及系统 | |
CN116778329A (zh) | 城市道路地下浅层病害检测方法、装置、设备及介质 | |
CN109766794B (zh) | 一种自动化实时道路检测方法及其系统 | |
CN116593581A (zh) | 一种基于超声波技术的隧道衬砌网格化精检方法及系统 | |
CN110823926B (zh) | 基于探地雷达扫描的复杂钢板剪力墙节点质量检测方法 | |
CN113820321A (zh) | 路桥路面裂缝检测系统及其检测方法 |
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 |