CN114972186A - 一种基于图像识别的块体填充地基承载力估算方法及系统 - Google Patents

一种基于图像识别的块体填充地基承载力估算方法及系统 Download PDF

Info

Publication number
CN114972186A
CN114972186A CN202210411657.1A CN202210411657A CN114972186A CN 114972186 A CN114972186 A CN 114972186A CN 202210411657 A CN202210411657 A CN 202210411657A CN 114972186 A CN114972186 A CN 114972186A
Authority
CN
China
Prior art keywords
image
bearing capacity
soil
carrying
foundation bearing
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
Application number
CN202210411657.1A
Other languages
English (en)
Inventor
罗忆
陶宇航
袁景凌
魏小清
李新平
郭运华
黄俊红
邓运辰
沙剑鸣
王娜娜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Sanya Science and Education Innovation Park of Wuhan University of Technology
Original Assignee
Wuhan University of Technology WUT
Sanya Science and Education Innovation Park of Wuhan University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT, Sanya Science and Education Innovation Park of Wuhan University of Technology filed Critical Wuhan University of Technology WUT
Priority to CN202210411657.1A priority Critical patent/CN114972186A/zh
Publication of CN114972186A publication Critical patent/CN114972186A/zh
Pending legal-status Critical Current

Links

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
    • G06T7/0004—Industrial image inspection
    • E—FIXED CONSTRUCTIONS
    • E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
    • E02D—FOUNDATIONS; EXCAVATIONS; EMBANKMENTS; UNDERGROUND OR UNDERWATER STRUCTURES
    • E02D33/00—Testing foundations or foundation structures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N3/02—Details
    • G01N3/06—Special adaptations of indicating or recording means
    • G01N3/068—Special adaptations of indicating or recording means with optical indicating or recording means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N3/08—Investigating strength properties of solid materials by application of mechanical stress by applying steady tensile or compressive forces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/0001—Type of application of the stress
    • G01N2203/0003—Steady
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/0014—Type of force applied
    • G01N2203/0016—Tensile or compressive
    • G01N2203/0019—Compressive
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/02—Details not specific for a particular testing method
    • G01N2203/06—Indicating or recording means; Sensing means
    • G01N2203/0641—Indicating or recording means; Sensing means using optical, X-ray, ultraviolet, infrared or similar detectors
    • G01N2203/0647—Image analysis
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30132—Masonry; Concrete

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Mining & Mineral Resources (AREA)
  • Paleontology (AREA)
  • Civil Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Structural Engineering (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)

Abstract

本发明公开了一种基于图像识别的块体填充地基承载力估算方法及系统，所述方法包括步骤：对测试土石料类别进行单颗粒的力学强度试验，得到颗粒抗压强度代表值σc；对测试土石料堆料区域进行图片拍摄，进行图像标注；采用基于全神经网络的U‑Net模型对标注后的图像进行分割处理；计算大颗粒面积分数
Figure DDA0003603971750000011
计算孔隙分数
Figure DDA0003603971750000012
根据图像的孔隙分数w计算对应的传力系数η；计算测试土石料堆料区域的地基承载力f＝η·σc/k。本发明提供的方法简单便捷，不需要复杂的测量工序和设备，减少了现场或室内试验成本，适用于海洋环境下的地基承载力估算，同时也适用于陆地地基承载力估算。

Description

一种基于图像识别的块体填充地基承载力估算方法及系统
技术领域
本发明涉及工程技术和计算机技术领域，具体地指一种基于图像识别的块体填充地基承载力估算方法及系统，用于地基承载力估算。
背景技术
随着海洋战略的实施，越来越多的人工岛礁应运而生，许多建筑物都需要建立在岛礁之上，而天然的地基无法满足承载力要求，因此需要对天然地基进行处理。传统的地基处理方法是从远离工程所在地的其它地方运送土石来进行地基改善，这种方法运输成本较大，周期较长，对于海上建筑物更存在运输条件的限制，因而就此取材，利用海底或者周边礁石等块状物来进行地基处理较为方便。对于处理后的人工地基，需要对其承载力有个初步预测，目前，岩石地基承载力的计算方法仍然是利用传统的现场测定或者实验室利用单轴压缩机测定岩石饱和单轴抗压强度fγk，再根据岩体完整程度以及结构面的间距、宽度、产状、和组合，由地区经验确定折减系数ψr，再根据岩石地基承载力特征值fa＝ψr×fγk计算得出岩石地基承载力。现场测定的方法需携带大型的地基承载力测定仪器，对于人工吹填岛礁，现场测定仪器不方便使用，不能较为方便地得出地基承载力。
发明内容
本发明针对上述存在的问题，提出一种基于图像识别的块体填充地基承载力估算方法及系统，通过计算机进行图像识别、面积计算再结合力学曲线得到地基承载力。
为实现上述目的，本发明所设计的一种基于图像识别的块体填充地基承载力估算方法及系统，其特殊之处在于，所述方法包括：
步骤1：对测试土石料类别进行单颗粒的力学强度试验，绘制该测试土石料类别抗压强度σ的概率分布曲线，并得到颗粒抗压强度代表值σc；
步骤2：对测试土石料堆料区域进行图片拍摄，将得到的图片中的土石料颗粒进行图像标注，勾勒出土石料颗粒的轮廓；
步骤3：采用基于全神经网络的U-Net模型对标注后的图像进行分割处理；
步骤4：对分割后的图像进行面积处理，计算大颗粒面积分数
Figure BDA0003603971730000021
步骤5：根据大颗粒面积分数
Figure BDA0003603971730000022
计算孔隙分数
Figure BDA0003603971730000023
根据图像的孔隙分数w计算对应的传力系数η；
步骤6：根据传力系数η和安全系数k、以及抗压强度σc计算得到测试土石料堆料区域的地基承载力f＝η·σc/k。
优选地，所述步骤1的具体步骤为：制作测试土石料标准试样若干个，分别测试其单轴抗压强度；对单轴抗压强度数据进行处理，计算算术平均值标准偏差，设置置信度，得到置信区间，筛选出置信区间内的数据，绘制该测试土石料类别抗压强度σ的概率分布曲线，计算置信区间内数据的算术平均值，得到颗粒抗压强度代表值σc。
优选地，所述步骤3的具体步骤为：对标注后的图像进行五次降采样处理，每次降采样过程均保留特征图像，经四次降采样后，生成了特征图像；然后对特征图像进行反卷积，每次反卷积结果与相对应层的卷积特征图像进行结合连接，再对结合后的图像进行卷积提取结合特征，即完成了一次跨越联接；最后对经五次跨越联接后的输出的特征图像进行特征分类，即完成了块体填充地基土石料颗粒图像的分割过程。
优选地，所述大颗粒面积分数
Figure BDA0003603971730000024
的计算公式为
Figure BDA0003603971730000025
其中n为大颗粒总数量；S为图像总面积；a、b分别为颗粒最大投影面轮廓对应外接椭圆的长短轴。
优选地，所述步骤5中通过室内试验和数值模拟建立孔隙分数w与传力系数η的对应关系：进行若干组测试土石料的传力系数试验法，通过线性回归的方法得到测试土石料的孔隙分数w与传力系数η的关系函数g(w)，根据图像的孔隙分数w代入g(w)函数得到传力系数η。
优选地，所述安全系数k的取值范围为1.2～1.5。
本发明还提出一种基于图像识别的块体填充地基承载力估算系统，其特殊之处在于，所述系统包括抗压强度计算模块、图像分割模块、面积处理模块、地基承载力计算模块；
所述抗压强度计算模块：用于对测试土石料的单轴抗压强度试验数据进行处理，计算测试土石料的颗粒抗压强度代表值σc；
所述图像分割模块：用于对块体填充地基土石料颗粒图像进行分割，首先对图像进行五次降采样处理，每一次图像的降采样过程中，进行2次3×3卷积和1次2×2最大池化，每次降采样过程均保留特征图像；经四次降采样后，生成了特征图像；然后对特征图像进行反卷积，每次反卷积结果与相对应层的卷积特征图像进行结合连接，再对结合后的图像进行卷积提取结合特征，即完成了一次跨越联接；最后对经五次跨越联接后的输出的特征图像进行特征分类，即完成了块体填充地基土石料颗粒图像的分割过程；
所述面积处理模块：用于对分割后的图像进行面积处理，计算大颗粒面积分数
Figure BDA0003603971730000031
所述地基承载力计算模块：用于根据传力系数η和安全系数k、以及抗压强度σc计算测试土石料堆料区域的地基承载力f。
本发明另外提出一种计算机可读存储介质，存储有计算机程序，其特殊之处在于，所述计算机程序被处理器执行时实现上述的方法。
采用了以上技术方案，本发明的积极效果和优点在于：
(1)利用图像识别技术，建立多颗粒抗压强度数据库，相较于传统的地基承载力估算方法，通过计算机进行图像识别、面积计算再结合力学曲线得到地基承载力。
(2)本发明提供的方法简单便捷，不需要复杂的测量工序和设备，减少了现场或室内试验成本，适用于海洋环境下的地基承载力估算，同时也适用于陆地地基承载力估算。
(3)本发明提出的方法通过拍照得到图像即可估算拍照区域地基承载力大小，无需进行原位试验或者取样进行室内模拟试验，省去了试验的繁琐程序，大大简化了工作流程，效率较传统试验方法有较大的提升。
附图说明
图1为本发明一种基于图像识别的块体填充地基承载力估算方法的流程图。
图2为多颗粒抗压强度概率密度分布图。
图3为块体地基原始示意图。
图4为块状物颗粒标注示意图。
图5为U-Net模型块体填充地基图像分割流程示意图。
图6为块状物颗粒分割示意图。
图7为传力系数与孔隙分数关系图。
图8为花岗岩实例中孔隙分数与传力系数图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步的详细描述。
如图1所示，本发明提出的一种基于图像识别的块体填充地基承载力估算方法的实施步骤如下：
步骤1：对测试土石料类别进行单颗粒的力学强度试验，绘制该测试土石料类别抗压强度σ的概率分布曲线，并得到颗粒抗压强度代表值σc；
制作测试土石料标准试样若干个，分别测试其单轴抗压强度；对单轴抗压强度数据进行处理，计算算术平均值标准偏差，设置置信度，得到置信区间，筛选出置信区间内的数据，绘制该测试土石料类别抗压强度σ的概率分布曲线，如图2所示，计算置信区间内数据的算术平均值，得到颗粒抗压强度代表值σc。
步骤2：对测试土石料堆料区域进行图片拍摄，将得到的图片中的土石料颗粒采用LabelMe进行图像标注，勾勒出土石料颗粒的轮廓，如图3、图4所示；
步骤3：采用基于全神经网络的U-Net模型对标注后的图像进行分割处理。首先对图像进行五次降采样处理，每一次图像的降采样过程中，进行2次3×3卷积和1次2×2最大池化。每次降采样过程均保留特征图像。经四次降采样后，生成了特征图像；然后对特征图像进行反卷积，每次反卷积结果与相对应层的卷积特征图像进行结合连接，再对结合后的图像进行卷积提取结合特征，即完成了一次跨越联接；最后对经五次跨越联接后的输出的特征图像进行特征分类，即完成了块体填充地基土石料颗粒图像的分割过程，如图5、图6所示。图5中，步骤①表示进行3×3卷积；步骤②表示进行2×2池化；步骤③表示进行反卷积；步骤④表示进行图像结合；步骤⑤表示跨越联接。图6为U-Net模型输出的块状物颗粒分割图。
步骤4：对分割后的图像进行面积处理，计算大颗粒面积分数
Figure BDA0003603971730000051
假定每个分割单元近似为椭圆形，计算大颗粒(粒径大于等于4.75mm)面积分数
Figure BDA0003603971730000052
其中n表示大颗粒总数量；S表示图像总面积；a、b表示颗粒最大投影面轮廓对应外接椭圆的长短轴。
步骤5：根据大颗粒面积分数
Figure BDA0003603971730000053
计算孔隙分数
Figure BDA0003603971730000054
根据图像的孔隙分数w计算对应的传力系数η；
通过室内试验和数值模拟建立孔隙分数w与传力系数η的对应关系：进行若干组测试土石料的传力系数试验法，通过线性回归的方法得到测试土石料的孔隙分数w与传力系数η的关系函数g(w)，如图7所示，根据图像的孔隙分数w代入g(w)函数得到传力系数η。
步骤6：根据传力系数η和安全系数k、以及抗压强度σc计算得到测试土石料堆料区域的地基承载力f＝η·σc/k。
本实施例以花岗岩块体地基作为测试土石料类别，具体实施过程如下：
a.制作花岗岩标准试样100个，分别测试其单轴抗压强度，得到数据如下(单位MPa)：
106.9 103.0 94.7 97.9 99.0 118.7 107.8 80.2 88.2 117.1
108.0 102.2 88.6 86.6 100.4 107.8 101.8 106.8 86.2 84.4
102.4 89.5 117.1 107.7 100.0 107.8 83.0 95.0 104.5 111.0
91.2 90.3 80.0 107.0 99.3 114.1 116.5 113.6 83.5 86.1
98.6 116.0 120.1 116.2 96.7 114.0 117.4 103.8 100.2 90.5
88.9 109.9 111.5 110.6 89.4 97.6 116.6 120.6 118.3 95.4
86.2 82.4 97.0 90.7 116.3 114.6 117.4 89.8 90.0 95.5
117.1 92.7 87.1 104.6 104.3 87.6 80.7 99.4 98.1 120.4
107.6 119.9 87.1 108.4 91.0 108.8 98.3 84.9 91.5 102.8
86.2 111.9 110.6 102.9 84.0 92.1 108.8 84.4 86.0 100.7
对这组数据进行处理，得到算术平均值为100.6，标准偏差为11.69153，显著性水平设为10％即置信度为90％，得到置信区间为(98.7，102.5)，筛选出上述表中大于等于98.7，小于等于102.5的数据如下表(单位MPa)：
102.4 102.2 99.0 100.4 100.0
99.3 101.8 99.4 100.2 100.7
计算上述数据算术平均值，得到抗压强度代表值σc为100.5；
b.通过前述步骤2)、3)、4)对拍摄的进行图像处理，得到面积分数
Figure BDA0003603971730000061
为91％，孔隙分数为
Figure BDA0003603971730000062
c.孔隙分数与传力系数试验数据(如下表)
孔隙分数 传力系数
0 1
5％ 0.93
8％ 0.89
12％ 0.84
17％ 0.80
20％ 0.77
23％ 0.74
26％ 0.72
28％ 0.70
31％ 0.68
如图8所示，可用线性回归的方法得到花岗岩块体地基孔隙分数w与传力系数η的公式：
η＝0.0108×(10w)2-1.378w+1.002
由于孔隙分数w＝9％不在试验数据中，因此将其代入上式，可得传力系数η＝0.89；
d.根据地基承载力f＝η·σc/k，将η＝0.89,σc为100.5代入前式，取k＝1.2，可得照片拍摄处花岗岩块体地基承载力为74.5MPa。
本发明还提出一种基于图像识别的块体填充地基承载力估算系统，该系统部署于计算机内，用于实现一种基于图像识别的块体填充地基承载力估算方法。该系统包括抗压强度计算模块、图像分割模块、面积处理模块、地基承载力计算模块；
抗压强度计算模块：用于对测试土石料的单轴抗压强度试验数据进行处理，计算测试土石料的颗粒抗压强度代表值σc；
图像分割模块：用于对块体填充地基土石料颗粒图像(图像已经过标注处理)进行分割，首先对图像进行五次降采样处理，每一次图像的降采样过程中，进行2次3×3卷积和1次2×2最大池化，每次降采样过程均保留特征图像；经四次降采样后，生成了特征图像；然后对特征图像进行反卷积，每次反卷积结果与相对应层的卷积特征图像进行结合连接，再对结合后的图像进行卷积提取结合特征，即完成了一次跨越联接；最后对经五次跨越联接后的输出的特征图像进行特征分类，即完成了块体填充地基土石料颗粒图像的分割过程；
面积处理模块：用于对分割后的图像进行面积处理，计算大颗粒面积分数
Figure BDA0003603971730000081
地基承载力计算模块：用于根据传力系数η和安全系数k、以及抗压强度σc计算测试土石料堆料区域的地基承载力f。
本发明另外提出一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述一种基于图像识别的块体填充地基承载力估算方法。
尽管上面结合附图对本发明的优选实施例进行了描述，但是本发明并不局限于上述的具体实方式，上述的具体实施方式仅仅是示意性的，并不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可以作出很多形式的具体变换，这些均属于本发明的保护范围内。

Claims (8)

1.一种基于图像识别的块体填充地基承载力估算方法，其特征在于：所述方法包括：
步骤1：对测试土石料类别进行单颗粒的力学强度试验，绘制该测试土石料类别抗压强度σ的概率分布曲线，并得到颗粒抗压强度代表值σc；
步骤2：对测试土石料堆料区域进行图片拍摄，将得到的图片中的土石料颗粒进行图像标注，勾勒出土石料颗粒的轮廓；
步骤3：采用基于全神经网络的U-Net模型对标注后的图像进行分割处理；
步骤4：对分割后的图像进行面积处理，计算大颗粒面积分数
Figure FDA0003603971720000011
步骤5：根据大颗粒面积分数
Figure FDA0003603971720000012
计算孔隙分数
Figure FDA0003603971720000013
根据图像的孔隙分数w计算对应的传力系数η；
步骤6：根据传力系数η和安全系数k、以及抗压强度σc计算得到测试土石料堆料区域的地基承载力f＝η·σc/k。
2.根据权利要求1所述的一种基于图像识别的块体填充地基承载力估算方法，其特征在于：所述步骤1的具体步骤为：制作测试土石料标准试样若干个，分别测试其单轴抗压强度；对单轴抗压强度数据进行处理，计算算术平均值标准偏差，设置置信度，得到置信区间，筛选出置信区间内的数据，绘制该测试土石料类别抗压强度σ的概率分布曲线，计算置信区间内数据的算术平均值，得到颗粒抗压强度代表值σc。
3.根据权利要求1所述的一种基于图像识别的块体填充地基承载力估算方法，其特征在于：所述步骤3的具体步骤为：对标注后的图像进行五次降采样处理，每次降采样过程均保留特征图像，经四次降采样后，生成了特征图像；然后对特征图像进行反卷积，每次反卷积结果与相对应层的卷积特征图像进行结合连接，再对结合后的图像进行卷积提取结合特征，即完成了一次跨越联接；最后对经五次跨越联接后的输出的特征图像进行特征分类，即完成了块体填充地基土石料颗粒图像的分割过程。
4.根据权利要求1所述的一种基于图像识别的块体填充地基承载力估算方法，其特征在于：所述大颗粒面积分数
Figure FDA0003603971720000021
的计算公式为
Figure FDA0003603971720000022
其中n为大颗粒总数量；S为图像总面积；a、b分别为颗粒最大投影面轮廓对应外接椭圆的长短轴。
5.根据权利要求1所述的一种基于图像识别的块体填充地基承载力估算方法，其特征在于：所述步骤5中通过室内试验和数值模拟建立孔隙分数w与传力系数η的对应关系：进行若干组测试土石料的传力系数试验法，通过线性回归的方法得到测试土石料的孔隙分数w与传力系数η的关系函数g(w)，根据图像的孔隙分数w代入g(w)函数得到传力系数η。
6.根据权利要求1所述的一种基于图像识别的块体填充地基承载力估算方法，其特征在于：所述安全系数k的取值范围为1.2～1.5。
7.一种基于图像识别的块体填充地基承载力估算系统，其特征在于：所述系统包括抗压强度计算模块、图像分割模块、面积处理模块、地基承载力计算模块；
所述抗压强度计算模块：用于对测试土石料的单轴抗压强度试验数据进行处理，计算测试土石料的颗粒抗压强度代表值σc；
所述图像分割模块：用于对块体填充地基土石料颗粒图像进行分割，首先对图像进行五次降采样处理，每一次图像的降采样过程中，进行2次3×3卷积和1次2×2最大池化，每次降采样过程均保留特征图像；经四次降采样后，生成了特征图像；然后对特征图像进行反卷积，每次反卷积结果与相对应层的卷积特征图像进行结合连接，再对结合后的图像进行卷积提取结合特征，即完成了一次跨越联接；最后对经五次跨越联接后的输出的特征图像进行特征分类，即完成了块体填充地基土石料颗粒图像的分割过程；
所述面积处理模块：用于对分割后的图像进行面积处理，计算大颗粒面积分数
Figure FDA0003603971720000031
所述地基承载力计算模块：用于根据传力系数η和安全系数k、以及抗压强度σc计算测试土石料堆料区域的地基承载力f。
8.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法。
CN202210411657.1A 2022-04-19 2022-04-19 一种基于图像识别的块体填充地基承载力估算方法及系统 Pending CN114972186A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210411657.1A CN114972186A (zh) 2022-04-19 2022-04-19 一种基于图像识别的块体填充地基承载力估算方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210411657.1A CN114972186A (zh) 2022-04-19 2022-04-19 一种基于图像识别的块体填充地基承载力估算方法及系统

Publications (1)

Publication Number Publication Date
CN114972186A true CN114972186A (zh) 2022-08-30

Family

ID=82977555

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210411657.1A Pending CN114972186A (zh) 2022-04-19 2022-04-19 一种基于图像识别的块体填充地基承载力估算方法及系统

Country Status (1)

Country Link
CN (1) CN114972186A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116335116A (zh) * 2023-03-29 2023-06-27 山东高速青岛建设管理有限公司 一种软土固化智能流程控制系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116335116A (zh) * 2023-03-29 2023-06-27 山东高速青岛建设管理有限公司 一种软土固化智能流程控制系统
CN116335116B (zh) * 2023-03-29 2023-11-14 山东高速青岛建设管理有限公司 一种软土固化智能流程控制系统

Similar Documents

Publication Publication Date Title
US10540760B2 (en) Method of separating, identifying and characterizing cracks in 3D space
Rabbani et al. Estimation of 3-D pore network coordination number of rocks from watershed segmentation of a single 2-D image
CN113610778B (zh) 一种基于语义分割的桥梁表面裂纹检测方法与系统
CN110441209B (zh) 一种基于致密储层数字岩心计算岩石渗透率的方法
CN105830122A (zh) 用于根据计算机断层扫描仪(cts)图像进行3d岩心数字化建模的自动化锯痕校正
CN114529817A (zh) 基于注意力神经网络的无人机光伏故障诊断及定位方法
CN112132371A (zh) 一种耦合熵权-模糊聚类算法的城市洪涝风险评估方法
Wang et al. Morphological approach to quantifying soil cracks: Application to dynamic crack patterns during wetting‐drying cycles
CN111710023B (zh) 一种三维点云数据特征点提取方法及应用
CN114972186A (zh) 一种基于图像识别的块体填充地基承载力估算方法及系统
CN112069704A (zh) 真实混凝土试件的多自由度格构模型的构建方法
CN111079773A (zh) 一种基于Mask R-CNN网络的砾石参数获取方法、装置、设备及存储介质
CN110222368B (zh) 一种利用二维切片计算岩心三维孔隙度和渗透率的方法
Munawar et al. Upscaling reservoir rock porosity by fractal dimension using three-dimensional micro-computed tomography and two-dimensional scanning electron microscope images
CN116309155A (zh) 基于卷积和转换器混合网络的图像修复方法、模型和装置
JP2021117625A (ja) 土の粒度分布の推定方法
Jiang et al. Upscaling Permeability Using Multiscale X‐Ray‐CT Images With Digital Rock Modeling and Deep Learning Techniques
CN107292100B (zh) 一种岩石结构面分形维数的计算方法
CN111275680B (zh) 基于Gabor卷积网络的SAR图像变化检测方法
CN112634428A (zh) 一种基于双向循环生成网络的多孔介质三维图像重建方法
CN113487728B (zh) 一种鱼体模型确定方法及系统
CN112884739B (zh) 一种基于深度学习网络的堆石体填筑密实度快速检测方法
CN116051966A (zh) 基于深度学习网络的笔石图像识别方法及其模型训练方法
CN117496162B (zh) 一种红外卫星遥感影像薄云去除方法、装置及介质
Leonard Multilevel mesh workflows towards CONUS scale watersheds: How small should triangles be to capture stream curvature for hydrological modeling?

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