CN115063525B - 一种城市道路路基及管道的三维成图方法及装置 - Google Patents
一种城市道路路基及管道的三维成图方法及装置 Download PDFInfo
- Publication number
- CN115063525B CN115063525B CN202210357049.7A CN202210357049A CN115063525B CN 115063525 B CN115063525 B CN 115063525B CN 202210357049 A CN202210357049 A CN 202210357049A CN 115063525 B CN115063525 B CN 115063525B
- Authority
- CN
- China
- Prior art keywords
- model
- roadbed
- disease
- earth surface
- image
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/10—Geometric effects
- G06T15/20—Perspective computation
- G06T15/205—Image-based rendering
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本发明实施例涉及道路施工建设技术领域,公开了一种城市道路路基及管道的三维成图方法,包括:接收以预设频率通过雷达探测模块检测到的雷达探测图像;将雷达探测图像输入至路基病害模型中进行图像识别以确定雷达探测图像中的路基病害状况;对路基病害状况进行区域识别以确定相应路基病害的覆盖范围;获取路基三维模型的实体模型;根据路基病害状况以及覆盖范围对路基三维模型的相应区段的显示进行更新展示。本发明实施例的城市道路路基及管道的三维成图方法通过对雷达探测图像进行病害识别以确定病害种类以及病害区域,并采用图形渲染的方式对其进行三维渲染以使得用户能够直接对其进行观测,大大提升了路基病害展示的直观性。
Description
技术领域
本发明涉及道路施工建设技术领域,具体涉及一种城市道路路基及管道的三维成图方法及装置。
背景技术
目前,处于运营期的公路工程由于受到设计理念或施工技术等方面的限制,再遭遇降雨温度的变化等自然环境的影响可能存在滑坡坍塌等风险。目前对道路进行检测一般都是外业采用雷达探测的方式,然后将探测得到的图像进行保存,然后最后在内业进行人工筛查选取,以确定最终的路基情况。但是这种方式一般都需要专业的技术人员来进行内业识别,并且当工作量大的时候无法有效的对其进行检验验证;进而影响具体的路基病害确认速度。因此,设计一种能够快速检验并且能够使得更多人员可以直观进行检验的方式成为本领域技术人员亟待的解决的技术问题。
发明内容
针对所述缺陷,本发明实施例公开了一种城市道路路基及管道的三维成图方法,其能够直观的对路基病害进行渲染展示。
本发明实施例第一方面公开了城市道路路基及管道的三维成图方法,包括:
接收以预设频率通过雷达探测模块检测到的雷达探测图像;
将所述雷达探测图像输入至预先构建完成的路基病害模型中进行图像识别以确定所述雷达探测图像中的路基病害状况;
对所述路基病害状况进行区域识别以确定相应路基病害的覆盖范围;
获取路基三维模型的实体模型、各实体模型的空间特征和属性特征;所述实体模型包括路基显示模型;
根据所述路基病害状况以及覆盖范围对所述路基三维模型的相应区段的显示进行更新;
对更新后的路基三维模型进行展示。
作为一种可选的实施方式,在本发明实施例第一方面中,所述实体模型包括路基显示模型和地表显示模型,所述三维成图方法还包括:
接收摄像头模块以预设频率采集到的地表图像信息以及接收探测小车以预设频率采集到的管道图像信息;
对所述地表图像信息进行图像识别以确定所述地表图像信息中是否存在相应的标记信息,当检测到的有标记信息时,对存在标记信息的地表图像信息进行图像识别以确定相应的地表缺陷状态,所述地表缺陷状态包括地表缺陷类型以及地表缺陷面积;
对所述管道图像信息进行图像识别以确定管道状态;
根据所述管道状况、地表缺陷类型以及地表缺陷面积对地表显示模型的空间特征进行更新。
作为一种可选的实施方式,在本发明实施例第一方面中,在所述接收摄像头模块以预设频率采集到的地表图像信息之后,还包括:
当检测到地表图像信息中不存在标记信息时,不对地表显示模型进行数据更新。
作为一种可选的实施方式,在本发明实施例第一方面中,所述属性特征包括位置路段信息;
所述三维成图方法包括:
当检测到雷达探测图像中存在路基病害状态时,则获取通过位置模块采集到的位置信息;
根据所述位置信息与相应的属性特征进行匹配以确定相应的实体模型;所述路基三维模型为预先构建渲染的路基三维模型;且所述路基三维模型通过属性特征将所有的实体模型进行关联。
作为一种可选的实施方式,在本发明实施例第一方面中,所述根据所述路基病害状况以及覆盖范围对所述路基三维模型的相应区段的显示进行更新,包括:
根据所述路基病害状况调用相应的病害对应的空间模型特征;每种病害与相应的空间模型特征一一对应;
根据所述覆盖范围对空间模型特征进行区域分割;
对分割后的病害区域依照相应病害的纹理切片进行渲染处理。
作为一种可选的实施方式,在本发明实施例第一方面中,所述路基病害模型通过如下步骤构建完成:
获取标记完成的雷达训练图像并构建训练集,所述标记完成的雷达训练图像包括病害区域位置以及病害分类;
基于卷积神经网络和所述训练集,以雷达训练图像为输入、病害分类结果为输出进行识别训练以建立路基病害模型。
作为一种可选的实施方式,在本发明实施例第一方面中,以雷达训练图像为输入、病害分类结果为输出进行识别训练以建立路基病害模型,包括:
通过卷积层对所述雷达训练图像转换为相应的输入特征图;所述输入特征图为全零填充特征图;
采用三种预选框来分别进行32倍卷积下采样、16倍卷积下采样和8倍卷积下采样以将所述输入特征图划分为三种预测尺度的特征图,将各个预测尺度的相应特征图均划分为相同大小网格的输出特征图;
根据标签结果以及输出特征图进行输入至构建路基病害模型进行不断训练直至达到训练要求,在训练构建过程中采用多标签分类的方式来进行不断模型训练。
本发明实施例第二方面公开一种城市道路路基及管道的三维成图模块,包括:
接收模块:用于接收以预设频率通过雷达探测模块检测到的雷达探测图像;
图像识别模块:用于将所述雷达探测图像输入至预先构建完成的路基病害模型中进行图像识别以确定所述雷达探测图像中的路基病害状况;
范围确定模块:用于对所述路基病害状况进行区域识别以确定相应路基病害的覆盖范围;
模型获取模块:用于获取路基三维模型的实体模型、各实体模型的空间特征和属性特征;所述实体模型包括路基显示模型;
模型更新模块:用于根据所述路基病害状况以及覆盖范围对所述路基三维模型的相应区段的显示进行更新;
展示模块:用于对更新后的路基三维模型进行展示。
本发明实施例第三方面公开一种电子设备,包括:存储有可执行程序代码的存储器;与所述存储器耦合的处理器;所述处理器调用所述存储器中存储的
所述可执行程序代码,用于执行本发明实施例第一方面公开的城市道路路基及管道的三维成图方法。
本发明实施例第四方面公开一种计算机可读存储介质,其存储计算机程序,其中,所述计算机程序使得计算机执行本发明实施例第一方面公开的城市道路路基及管道的三维成图方法。
与现有技术相比,本发明实施例具有以下有益效果:本发明实施例的城市道路路基及管道的三维成图方法通过对雷达探测图像进行病害识别以确定病害种类以及病害区域,并采用图形渲染的方式对其进行三维渲染以使得用户能够直接对其进行观测,大大提升了路基病害展示的直观性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的城市道路路基及管道的三维成图方法的流程示意图;
图2是本发明实施例公开的地表显示模型更新的流程示意图;
图3是本发明实施例公开的路基显示模型更新的具体流程示意图;
图4是本发明实施例公开的路基病害模型构建的流程示意图;
图5是本发明实施例公开的路基病害模型的具体构建流程示意图;
图6是本发明实施例公开的预选框选取的流程示意图;
图7是本发明实施例公开的不密实的雷达探测图像的示意图;
图8是本发明实施例公开的具有孔洞的雷达探测图像的示意图;
图9是本发明实施例公开的具有脱空的雷达探测图像的示意图;
图10是本发明实施例公开的高含水的雷达探测图像的示意图;
图11是本发明实施例公开的具有裂缝的雷达探测图像的示意图;
图12是本发明实施例公开的具有空洞的雷达探测图像的示意图;
图13是本发明实施例公开的具有井盖屏蔽的雷达探测图像的示意图;
图14是本发明实施例公开的具有管线的雷达探测图像的示意图;
图15是本发明实施例提供的一种城市道路路基及管道的三维成图装置的结构示意图;
图16是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书中的术语“第一”、“第二”、“第三”、“第四”等是用于区别不同的对象,而不是用于描述特定顺序。本发明实施例的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,示例性地,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
目前对道路进行检测一般都是外业采用雷达探测的方式,然后将探测得到的图像进行保存,然后最后在内业进行人工筛查选取,以确定最终的路基情况。但是这种方式一般都需要专业的技术人员来进行内业识别,并且当工作量大的时候无法有效的对其进行检验验证;进而影响具体的路基病害确认速度。基于此,本发明实施例公开了城市道路路基及管道的三维成图方法、装置、电子设备及存储介质,其通过对雷达探测图像进行病害识别以确定病害种类以及病害区域,并采用图形渲染的方式对其进行三维渲染以使得用户能够直接对其进行观测,大大提升了路基病害展示的直观性。
实施例一
请参阅图1,图1是本发明实施例公开的城市道路路基及管道的三维成图方法的流程示意图。其中,本发明实施例所描述的方法的执行主体为由软件或/和硬件组成的执行主体,该执行主体可以通过有线或/和无线方式接收相关信息,并可以发送一定的指令。当然,其还可以具有一定的处理功能和存储功能。该执行主体可以控制多个设备,例如远程的物理服务器或云服务器以及相关软件,也可以是对某处安置的设备进行相关操作的本地主机或服务器以及相关软件等。在一些场景中,还可以控制多个存储设备,存储设备可以与设备放置于同一地方或不同地方。如图1所示,该基于城市道路路基及管道的三维成图方法包括以下步骤:
S101:接收以预设频率通过雷达探测模块检测到的雷达探测图像;
本步骤主要是为了获取到雷达探测模块检测到的雷达探测图像,然后通过雷达探测图像来分析其情况。更为优选的,所述雷达探测模块被配置为采用 160Mhz的天线进行地陷探测、探测深度被配置为5m、时间增益被配置为自动、电磁波在土壤中的传播速度被配置为120m/us。通过设置上述参数来实现对相应探测深度的雷达探测。
更为优选的,在所述获取通过雷达探测模块检测到的雷达探测图像之后,还包括:
采用双边滤波法来对所述雷达探测图像进行滤波处理。
由于在实际的检测过程中,会有周围车辆或者雷达运输车辆对其产生一定的震动影响;故而在进行图像识别前,需要将上述噪声滤除来达到更好的识别效果;一般的进行雷达噪声滤除可以有多种方式,比如直接对回波信号进行处理或者采用中值滤波或者均值滤波的方式,但是在本发明实施例中,均不采用上述方式,而采用双边滤波的方式,因为双边滤波是一种非线性的滤波方法,是结合图像的空间邻近度和像素值相似度的一种折中处理,同时考虑空域信息和灰度相似性,达到保边去噪的目的。具有简单、非迭代、局部的特点。双边滤波器的好处是可以做边缘保存,一般过去用的维纳滤波或者高斯滤波去降噪,都会较明显地模糊边缘,对于高频细节的保护效果并不明显。故而采用双边滤波能够达到更好的图像保护以及去除噪声的综合目的。
S102:将所述雷达探测图像输入至预先构建完成的路基病害模型中进行图像识别以确定所述雷达探测图像中的路基病害状况;
路基病害一般都有如下几种情况:
第一、图7是本发明实施例公开的不密实的雷达探测图像的示意图,如图7 所示,其展示的是地质不密实、破碎的情况,反映到电磁波反射信号幅值较强,同相轴不连续,错断,杂乱,一般呈区域化分布;
第二、图8是本发明实施例公开的具有孔洞的雷达探测图像的示意图,如图8所示,其展示的是孔洞的情况,其电磁波反射信号幅值较强,呈典型的孤立体相位特征,通常为规整或非规整的双曲线波形特征,三振相明显,在其下部仍有强反射界面信号;
第三、图9是本发明实施例公开的具有脱空的雷达探测图像的示意图,如图9所示,其展示的是脱空的情况,其电磁波反射信号幅值较强,多呈近似水平的带状分布,通常有多次反射信号;
第四、图10是本发明实施例公开的高含水的雷达探测图像的示意图,如图 10所示,其展示的是高含水的情况,其电磁波反射信号幅值较强,一般以低频成为主,多数伴随有较明显的震荡现象;
第五、图11是本发明实施例公开的具有裂缝的雷达探测图像的示意图,如图11所示,其展示的是裂缝:电磁波信号同相轴断开呈尖波状或斜向带状发育,信号幅值较强;
第六、图14是本发明实施例公开的具有管线的雷达探测图像的示意图,如图14所示,其展示是管线的情况,其典型的管线反射信号为抛物线形(或称为单支双曲线),如果管径较小或者埋藏较深,可能看不到抛物线形状;但一般仍有较明显的异常存在;
第七、图12是本发明实施例公开的具有空洞的雷达探测图像的示意图,如图12所示,其展示的是空洞,其界面反射信号强,呈典型的孤立体相位特征,通常为规整或不规整的双曲线波形特征,三振相明显,在其下部仍有强反射界面信号,两组信号时程差较大。
更为优选的,图4是本发明实施例公开的路基病害模型构建的流程示意图,如图4所示,所述路基病害模型通过如下步骤构建完成:
S1021:获取标记完成的雷达训练图像并构建训练集,所述标记完成的雷达训练图像包括病害区域位置以及病害分类;
S1022:基于卷积神经网络和所述训练集,以雷达训练图像为输入、病害分类结果为输出进行识别训练以建立路基病害模型。
通过对上述图形进行标记并构建训练集来进行不断的训练,具体采用 labeling等软件来对其进行逐张标注,具体的,击Create RectBox选项对打开的路面病害图片进行标注,根据图片所对应的in文件找到病害所在位置,对道路路面病害进行框选,备注相对应的病害名称。最后,点击Save选项对标记好的图片进行保存,即xml文件制作完成。重复以上流程直至所有病害图片标记完成。其中,由于需要标注的病害图片过多,为加快工作效率,可以选择view 菜单中的自动保存功能,这样可以省去重复步骤,提高标注效率。为提高病害识别准确度,选定病害时矩形框不宜过大。
更为优选的,图5是本发明实施例公开的路基病害模型的具体构建流程示意图,如图5所示,以雷达训练图像为输入、病害分类结果为输出进行识别训练以建立路基病害模型,包括:
S1022a:通过卷积层对所述雷达训练图像转换为相应的输入特征图;所述输入特征图为全零填充特征图;
S1022b:采用三种预选框来分别进行32倍卷积下采样、16倍卷积下采样和 8倍卷积下采样以将所述输入特征图划分为三种预测尺度的特征图,将各个预测尺度的相应特征图均划分为相同大小网格的输出特征图;
S1022c:根据标签结果以及输出特征图进行输入至构建路基病害模型进行不断训练直至达到训练要求,在训练构建过程中采用多标签分类的方式来进行不断模型训练。
本发明实施例的病害模型通过融合低层特征和高层特征实现多尺度检测达到预测的效果,且本发明实施例的模型可以直接预测不同目标位置并分类;为了避免发生过拟合的现象发生,不能将图片直接放入到网络中,故而需要选采用卷积层来对其进行图片特征提取。具体的,可以采用3*3卷积核对图片进行卷积得到3*3特征图;在进行前向传播的过程中,步长为2的卷积层实现32倍、 16倍以及8倍下采样来代替池化层的作用,其能够实现更快速的多类型的分类。本发明实施例的路基病害模型其采用的残差神经网络模型,其具体有53个卷积层以及5个残差块来进行模型构建;通过不断的输入训练图像来实现模型的迭代训练。
更为优选的,图6是本发明实施例公开的预选框选取的流程示意图。如图6 所示,所述预选框通过如下步骤进行重新选取:
S1022b1:提取训练集中所有无区别的边界框;
S1022b2:将边界框的坐标转换为框的宽高值;
S1022b3:将全部的边界框中随机生成K个聚类中心作为锚框的初始值;
S1022b4:根据距离参数来确定锚框与真实框之间的交集面积,并将与锚框相近类的边界框的高宽作为锚框的新的尺寸,并不断重复上述步骤直至聚类完成。
由于默认的预选框对测试病害区类型会存在偏差的情况,也即是包含有过多的不必要识别的图像的内容,这样的话,则会使得最终结果的预测准确率下降。因此,在本发明实施例中采用K-means算法重新对默认框进行更新,有利于提高训练精度,降低误差值;K-means算法能够展现良好的伸缩性,并且算法复杂度较低,能够保证运行速度。
通过步骤S102能够实现对病害区域进行识别,当识别到相应的病害区域类型的时候,则基本可以确定其显示形态;在进行病害区域的显示形态构建的时候,采用现有的形态构建方式,也即是获取现有的空洞、高含水、脱空等实际图像进行构建,然后将其显示切分为最小的显示单元,这样后续进行区域覆盖面积扩充的时候,直接对其进行复制扩展即可;能够达到较好的适应性的要求。
S103:对所述路基病害状况进行区域识别以确定相应路基病害的覆盖范围;
当识别到相应的形态的时候,则可以对其覆盖面积进行识别,通过识别覆盖面积是为了确定相应的病害纹理需要填充的具体情况;只有在确定了覆盖面积之后才能够实现准确地填充。
S104:获取路基三维模型的实体模型、各实体模型的空间特征和属性特征;所述实体模型包括路基显示模型;
这里的路基三维模型是实现已经构建完成的三维显示模型,针对于道路设置好了相应的显示框架,这里的显示框架最开始的时候采用的是无病害的路基显示情况,然后再具体使用的时候将其切分成一段一段的,这里的切分路段与采集频率相对应,这样能够实现更好的匹配。每次更新一次显示模型,则可以直接对其进行相应的显示修改;这里的三维模型不单单可以通过自动识别修改的方式,还可以开始相应的权限来进行人工修改;当完成相应的修复的时候,则可以对相应的模型进行调整以使得其符合实际情况。
S105:根据所述路基病害状况以及覆盖范围对所述路基三维模型的相应区段的显示进行更新;
更为优选的,图3是本发明实施例公开的路基显示模型更新的具体流程示意图,如图3所示,所述根据所述路基病害状况以及覆盖范围对所述路基三维模型的相应区段的显示进行更新,包括:
S1051:根据所述路基病害状况调用相应的病害对应的空间模型特征;每种病害与相应的空间模型特征一一对应;
S1052:根据所述覆盖范围对空间模型特征进行区域分割;
S1053:对分割后的病害区域依照相应病害的纹理切片进行渲染处理。
上述为具体的渲染过程,通过将病害状态与预先存储的病害纹理切片进行匹配,当匹配到相应的病害纹理切片的时候,则根据该病害纹理切片对相应的空间模型进行填充以实现模型的改进。
S106:对更新后的路基三维模型进行展示。
当更新完成之后,用户则可以再电脑端或者手机端进行查看,进行渲染之后的模型不单单专业人士可以看懂,没有相应基础的人员也可以看懂;更为具体的,还可以再相应画面处标注相应的路基病害类型。
更为优选的,图2是本发明实施例公开的地表显示模型更新的流程示意图,如图2所示,所述实体模型包括路基显示模型和地表显示模型,所述三维成图方法还包括:
S107:接收摄像头模块以预设频率采集到的地表图像信息以及接收探测小车以预设频率采集到的管道图像信息;
在进行地表图像获取的时候,不单单可以直接获取地表图像,还可以结合 GPS模块来对其进行定位;这里需要获取到的是地表图像以及位置信息,并且需要将两者进行信息关联,如果不将两者进行关联的话,则后续在进行位置确定的时候无法直接对应到相应的位置。采用位置信息采集一方面可以确定标号位置的信息,另一方面还可以根据位置信息来确定相应的道路信息,也即是判断当前所属具体道路以及所属省市区县的具体位置。比如,当用户对G324道路进行检测的时候,后台服务器也不断的接收地表图像信息以及位置信息;然后可以通过对位置信息进行具体解析来确定其属于广东省广州市内所属道路,并且通过位置信息还可以确定其具体所属区,从而提供更多维度的信息给用户来进行使用。这里的位置获取模块可以采用北斗定位模块或者采用GPS模块来进行位置获取;在进行频率设置的时候可以将位置获取模块的信息获取频率与摄像头模块的频率设置为相同的频率。在本发明实施例中地表图像指的是道路的表面图像,地表图像能够显示出道路表面的状态,其能够显示出地面断裂情况以及坑洞情况等;除了上述情况之外,其还可以显示出干扰源的位置,这里的干扰源可以是由于井盖等产生的干扰源,当地表有井盖设置的时候,由于井盖的存在会使得雷达探测的图像产生较多的干扰;具体的,如图13所示,通过对该段干扰位置的标记,然后将其送入不同的检测模型中来进行匹配检测,能够提高检测的效率与速度。除了上述井盖之外,还记录检测区域内主要下沉区、网裂、龟裂的情况;确定并详细记录干扰源的位置,为数据分析时,排出干扰源做准备。
S108:对所述地表图像信息进行图像识别以确定所述地表图像信息中是否存在相应的标记信息,当检测到的有标记信息时,对存在标记信息的地表图像信息进行图像识别以确定相应的地表缺陷状态,所述地表缺陷状态包括地表缺陷类型以及地表缺陷面积;
一般的,在开始进行道路探测前,可以先进行人工勘察的方式,然后采用人工对屏蔽区域进行标记;在进行具体标记的时候,可以采用特定的标记的方式,可以采用特定形状加数字结合的方式来进行标记,比如采用圆形与数字组合的方式,并且在进行特定道路标记的时候,采用特定顺序的数字来进行位置标记,这样能够使得整体道路标注更加的准确,并且通过上述标注能够对不同区段来进行更为具体的道路划分,使得用户在进行具体道路分析时,可以划分到更小的维度来进行数据处理。在本发明实施例中,可以将标记设置为图形加数字的组合方式来进行识别,在进行具体的标记识别的时候,可以采用先识别图形在识别文字的方式,由于图形为简单的图形,在进行图像识别的时候相对容易定位识别得到;然后识别到对应的圆形图形之后,字符的相对位置也确定,然后直接对特定区域内的字符进行直接识别即可。在进行具体的字符识别的时候,采用如下方式来进行识别:
获取圆形区域内的字符信息,后台服务器对手写字符信息进行特征提取;进行特征提取之后,对其进行预处理,所述预处理包括二值化、去除噪声和干扰、字符分割、归一化等步骤其中去除干扰和字符分割尤其重要,除了上述步骤之外,还可以增加平滑处理等步骤;这样能够使得最终得到的字符特征更加的清晰;
对得到的字符特征进行二值化处理,具体的为:将图片的灰度值,以某一阈值为限,转换为0或255,即是黑和白,以便于进行处理,二值化阈值根据具体图片分析所得,选择合理的阈值可消除很多背景、噪声,同时不损伤字符笔画;去除干扰点,二值化后大部分噪声都已经去除,但是还有很多干扰点,通过去除干扰点和噪声可以去除高度为1和2像素的干扰点,除去这些干扰点便于后续的处理更好的进行;
通过种子连通算法对手写验证信息进行字符分割,得到字符信息;然后对字符信息进行图像分割,将其分割为预设数量的方格区域;计算每个方格中的区域密度,该区域密度=每个方格内的点数与字符信息总点数之比;从经过预处理的字符图片中,提取处一定维数的特征向量,从而提高字符匹配和识别的存储量和运算速度,字符有很多特征,选用合适的特征才能达到正确识别的目的,本发明采用字符的区域密度的特征,即将字符分成n*n个方格区域,计算每个方格中的点数与字符总点数之比,以得到多维特征向量,该特征反映了字符笔画的空间分布情况,并且对字符笔画的粗细不敏感;由于反应的是空间字符笔画的分布,故而再进行训练以及识别的时候并不是对字与字之间的识别判断,而是通过不断的分析该字的笔画特征与标准模板进行匹配即可确定字符具体是什么字符。上述方式也能够较好的实现字符识别;这里的标准模板主要存储的数字的模板字符,采用阿拉伯数字的方式,一方面是因为字符简单便于识别,而是便于进行信息标注。
在进行标注的时候,还可以除了上述标注方式之外,还可以采用如下标注方式,也即是一种缺陷方式对应一个数字,比如井盖与数字一相对应,下沉区域数字二相对应,网裂、龟裂与数字三相对应等等。
S109:对所述管道图像信息进行图像识别以确定管道状态;
在本发明实施例中这里的管道状态即包括处于健康状况的状态,也包括处于不健康状态的情况;当存在有不健康状态的情况的时候,其包括有如下几种形式的缺陷:管道结构性缺陷包括破裂、变形、腐蚀、错口、起伏、脱节、接口材料脱落、支管暗接、异物穿入、渗漏共10种,管道功能性缺陷包含沉积、结垢、障碍物、残墙、树根、浮渣共6种。修复等级分为三个等级:部分修复或不修复;缺陷管段整体修复;整段抢修或翻建。通过对上述多种不同状态的缺陷进行事先的图像构建,然后当识别到存在上述管道缺陷的时候则可以对其进行相应的地表显示模型中的管道模型进行更新更新。比如当识别到存在破裂的时候,通过获取是实现存储的管道破裂纹理切片对其进行填充来对其进行三维显示。
步骤S107中获取到的图像是管道图像是通过探测小车获取得到的,这里的探测小车指的是可以进入到管道内行动的探测小车;通过获取管道内的图像来对其进行识别以及显示模型的更新。通过位置坐标来将对应的管道嵌入到相应的路基内来进行位置匹配显示。
S1010:根据所述管道状态、地表缺陷类型以及地表缺陷面积对地表显示模型的空间特征进行更新。所述地表显示模型包括有地表显示状态以及处于路基中的管道的显示状态。
当确定了相应的地表缺陷的时候,则可以调用相应的缺陷显示模型对其地表显示模型进行匹配更新。
更为优选的,在所述接收摄像头模块以预设频率采集到的地表图像信息之后,还包括:
当检测到地表图像信息中不存在标记信息时,不对地表显示模型进行数据更新。
更为优选的,所述属性特征包括位置路段信息;
所述三维成图方法包括:
当检测到雷达探测图像中存在路基病害状态时,则获取通过位置模块采集到的位置信息;
根据所述位置信息与相应的属性特征进行匹配以确定相应的实体模型;所述路基三维模型为预先构建渲染的路基三维模型;且所述路基三维模型通过属性特征将所有的实体模型进行关联。
也即是可以针对于国道、省道、县道以及乡道等构建不同的路基病害模型,因为上述道路承载的车流量等差异也存在明显差异,故而其对于道路病害的演变情况也会存在差异,因此,基于上述不同道路来对其进行深入的信息挖掘,甚至于可以实现一段时间后的路基演变情况;使得用户能够提高预知道路即将面临的风险。这里可以直接采用用户上述具体路段信息,还可以根据位置模型来进行相应的模型的调用。针对于不同等级的道路设置不同的检测方式,比如国道、省道、乡道等,行车宽度、行驶速度设计;对于不同道路进行不同的标记;对区域道路病害演变来进行数据获取。通过细化位置特征,能够使得显示更贴近实际显示情况。
本发明实施例的城市道路路基及管道的三维成图方法通过对雷达探测图像进行病害识别以确定病害种类以及病害区域,并采用图形渲染的方式对其进行三维渲染以使得用户能够直接对其进行观测,大大提升了路基病害展示的直观性。
实施例二
请参阅图15,图15是本发明实施例公开的城市道路路基及管道的三维成图装置的结构示意图。如图15所示,该城市道路路基及管道的三维成图装置可以包括:
接收模块21:用于接收以预设频率通过雷达探测模块检测到的雷达探测图像;
图像识别模块22:用于将所述雷达探测图像输入至预先构建完成的路基病害模型中进行图像识别以确定所述雷达探测图像中的路基病害状况;
范围确定模块23:用于对所述路基病害状况进行区域识别以确定相应路基病害的覆盖范围;
模型获取模块24:用于获取路基三维模型的实体模型、各实体模型的空间特征和属性特征;所述实体模型包括路基显示模型;
模型更新模块25:用于根据所述路基病害状况以及覆盖范围对所述路基三维模型的相应区段的显示进行更新;
展示模块26:用于对更新后的路基三维模型进行展示。
更为优选的,所述实体模型包括路基显示模型和地表显示模型,所述三维成图方法还包括:
地表接收模块:用于接收摄像头模块以预设频率采集到的地表图像信息;
标记确定模块:用于对所述地表图像信息进行图像识别以确定所述地表图像信息中是否存在相应的标记信息,当检测到的有标记信息时,对存在标记信息的地表图像信息进行图像识别以确定相应的地表缺陷状态,所述地表缺陷状态包括地表缺陷类型以及地表缺陷面积;
地表更新模块:用于根据所述地表缺陷类型以及地表缺陷面积对地表显示模型的空间特征进行更新。
更为优选的,所述根据所述路基病害状况以及覆盖范围对所述路基三维模型的相应区段的显示进行更新,包括:
模型匹配模块:用于根据所述路基病害状况调用相应的病害对应的空间模型特征;每种病害与相应的空间模型特征一一对应;
区域分割模块:用于根据所述覆盖范围对空间模型特征进行区域分割;
渲染模块:用于对分割后的病害区域依照相应病害的纹理切片进行渲染处理。
更为优选的,所述路基病害模型通过如下步骤构建完成:
训练集构建模块:用于获取标记完成的雷达训练图像并构建训练集,所述标记完成的雷达训练图像包括病害区域位置以及病害分类;
模型构建模块:用于基于卷积神经网络和所述训练集,以雷达训练图像为输入、病害分类结果为输出进行识别训练以建立路基病害模型。
更为优选的,以雷达训练图像为输入、病害分类结果为输出进行识别训练以建立路基病害模型,包括:
特征转换模块:用于通过卷积层对所述雷达训练图像转换为相应的输入特征图;所述输入特征图为全零填充特征图;
采样模块:用于采用三种预选框来分别进行32倍卷积下采样、16倍卷积下采样和8倍卷积下采样以将所述输入特征图划分为三种预测尺度的特征图,将各个预测尺度的相应特征图均划分为相同大小网格的输出特征图;
训练模块:用于根据标签结果以及输出特征图进行输入至构建路基病害模型进行不断训练直至达到训练要求,在训练构建过程中采用多标签分类的方式来进行不断模型训练。
更为优选的,所述预选框通过如下步骤进行重新选取:
提取模块:用于提取训练集中所有无区别的边界框;
坐标转换模块:用于将边界框的坐标转换为框的宽高值;
随机生成模块:用于将全部的边界框中随机生成K个聚类中心作为锚框的初始值;
聚类模块:用于根据距离参数来确定锚框与真实框之间的交集面积,并将与锚框相近类的边界框的高宽作为锚框的新的尺寸,并不断重复上述步骤直至聚类完成。
本发明实施例的城市道路路基及管道的三维成图方法通过对雷达探测图像进行病害识别以确定病害种类以及病害区域,并采用图形渲染的方式对其进行三维渲染以使得用户能够直接对其进行观测,大大提升了路基病害展示的直观性。
实施例三
请参阅图16,图16是本发明实施例公开的一种电子设备的结构示意图。电子设备可以是计算机以及服务器等,当然,在一定情况下,还可以是手机、平板电脑以及监控终端等智能设备,以及具有处理功能的图像采集装置。如图16 所示,该电子设备可以包括:
存储有可执行程序代码的存储器510;
与存储器510耦合的处理器520;
其中,处理器520调用存储器510中存储的可执行程序代码,执行实施例一中的城市道路路基及管道的三维成图方法中的部分或全部步骤。
本发明实施例公开一种计算机可读存储介质,其存储计算机程序,其中,
该计算机程序使得计算机执行实施例一中的城市道路路基及管道的三维成图方法中的部分或全部步骤。
本发明实施例还公开一种计算机程序产品,其中,当计算机程序产品在计算机上运行时,使得计算机执行实施例一中的城市道路路基及管道的三维成图方法中的部分或全部步骤。
本发明实施例还公开一种应用发布平台,其中,应用发布平台用于发布计算机程序产品,其中,当计算机程序产品在计算机上运行时,使得计算机执行实施例一中的城市道路路基及管道的三维成图方法中的部分或全部步骤。
在本发明的各种实施例中,应理解,所述各过程的序号的大小并不意味着执行顺序的必然先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物单元,即可位于一个地方,或者也可以分布到多个网络单元上。可根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元若以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可获取的存储器中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或者
部分,可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干请求用以使得一台计算机设备(可以为个人计算机、服务器或者
网络设备等,具体可以是计算机设备中的处理器)执行本发明的各个实施例所述方法的部分或全部步骤。
在本发明所提供的实施例中,应理解,“与A对应的B”表示B与A相关联,根据A可以确定B。但还应理解,根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。
本领域普通技术人员可以理解所述实施例的各种方法中的部分或全部步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
以上对本发明实施例公开的城市道路路基及管道的三维成图方法、装置、电子设备及存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种城市道路路基及管道的三维成图方法,其特征在于,包括:
接收以预设频率通过雷达探测模块检测到的雷达探测图像;
将所述雷达探测图像输入至预先构建完成的路基病害模型中进行图像识别以确定所述雷达探测图像中的路基病害状况;
对所述路基病害状况进行区域识别以确定相应路基病害的覆盖范围;
获取路基三维模型的实体模型、各实体模型的空间特征和属性特征;所述实体模型包括路基显示模型、地表显示模型和管道显示模型,所述三维成图方法还包括:
接收摄像头模块以预设频率采集到的地表图像信息以及接收探测小车以预设频率采集到的管道图像信息;
对所述地表图像信息进行图像识别以确定所述地表图像信息中是否存在相应的标记信息,当检测到的有标记信息时,对存在标记信息的地表图像信息进行图像识别以确定相应的地表缺陷状态,所述地表缺陷状态包括地表缺陷类型以及地表缺陷面积;
对所述管道图像信息进行图像识别以确定管道状态;
根据所述管道状态、地表缺陷类型以及地表缺陷面积对地表显示模型的空间特征进行更新;
根据所述路基病害状况以及覆盖范围对所述路基三维模型的相应区段的显示进行更新;
对更新后的路基三维模型进行展示。
2.如权利要求1所述的城市道路路基及管道的三维成图方法,其特征在于,在所述接收摄像头模块以预设频率采集到的地表图像信息之后,还包括:
当检测到地表图像信息中不存在标记信息时,不对地表显示模型进行数据更新。
3.如权利要求1所述的城市道路路基及管道的三维成图方法,其特征在于,所述属性特征包括位置路段信息;
所述三维成图方法包括:
当检测到雷达探测图像中存在路基病害状态时,则获取通过位置模块采集到的位置信息;
根据所述位置信息与相应的属性特征进行匹配以确定相应的实体模型;所述路基三维模型为预先构建渲染的路基三维模型;且所述路基三维模型通过属性特征将所有的实体模型进行关联。
4.如权利要求1所述的城市道路路基及管道的三维成图方法,其特征在于,所述根据所述路基病害状况以及覆盖范围对所述路基三维模型的相应区段的显示进行更新,包括:
根据所述路基病害状况调用相应的病害对应的空间模型特征;每种病害与相应的空间模型特征一一对应;
根据所述覆盖范围对空间模型特征进行区域分割;
对分割后的病害区域依照相应病害的纹理切片进行渲染处理。
5.如权利要求1所述的城市道路路基及管道的三维成图方法,其特征在于,所述路基病害模型通过如下步骤构建完成:
获取标记完成的雷达训练图像并构建训练集,所述标记完成的雷达训练图像包括病害区域位置以及病害分类;
基于卷积神经网络和所述训练集,以雷达训练图像为输入、病害分类结果为输出进行识别训练以建立路基病害模型。
6.如权利要求1所述的城市道路路基及管道的三维成图方法,其特征在于,以雷达训练图像为输入、病害分类结果为输出进行识别训练以建立路基病害模型,包括:
通过卷积层对所述雷达训练图像转换为相应的输入特征图;所述输入特征图为全零填充特征图;
采用三种预选框来分别进行32倍卷积下采样、16倍卷积下采样和8倍卷积下采样以将所述输入特征图划分为三种预测尺度的特征图,将各个预测尺度的相应特征图均划分为相同大小网格的输出特征图;
根据标签结果以及输出特征图进行输入至构建路基病害模型进行不断训练直至达到训练要求,在训练构建过程中采用多标签分类的方式来进行不断模型训练。
7.一种城市道路路基及管道的三维成图装置,其特征在于,包括:
接收模块:用于接收以预设频率通过雷达探测模块检测到的雷达探测图像;
图像识别模块:用于将所述雷达探测图像输入至预先构建完成的路基病害模型中进行图像识别以确定所述雷达探测图像中的路基病害状况;
范围确定模块:用于对所述路基病害状况进行区域识别以确定相应路基病害的覆盖范围;
模型获取模块:用于获取路基三维模型的实体模型、各实体模型的空间特征和属性特征;所述实体模型包括路基显示模型;所述实体模型包括路基显示模型、地表显示模型和管道显示模型,所述三维成图装置还包括:
接收摄像头模块以预设频率采集到的地表图像信息以及接收探测小车以预设频率采集到的管道图像信息;
对所述地表图像信息进行图像识别以确定所述地表图像信息中是否存在相应的标记信息,当检测到的有标记信息时,对存在标记信息的地表图像信息进行图像识别以确定相应的地表缺陷状态,所述地表缺陷状态包括地表缺陷类型以及地表缺陷面积;
对所述管道图像信息进行图像识别以确定管道状态;
根据所述管道状态、地表缺陷类型以及地表缺陷面积对地表显示模型的空间特征进行更新;
模型更新模块:用于根据所述路基病害状况以及覆盖范围对所述路基三维模型的相应区段的显示进行更新;
展示模块:用于对更新后的路基三维模型进行展示。
8.一种电子设备,其特征在于,包括:存储有可执行程序代码的存储器;与所述存储器耦合的处理器;所述处理器调用所述存储器中存储的所述可执行程序代码,用于执行权利要求1至6任一项所述的城市道路路基及管道的三维成图方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储计算机程序,其中,所述计算机程序使得计算机执行权利要求1至6任一项所述的城市道路路基及管道的三维成图方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210357049.7A CN115063525B (zh) | 2022-04-06 | 2022-04-06 | 一种城市道路路基及管道的三维成图方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210357049.7A CN115063525B (zh) | 2022-04-06 | 2022-04-06 | 一种城市道路路基及管道的三维成图方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115063525A CN115063525A (zh) | 2022-09-16 |
CN115063525B true CN115063525B (zh) | 2023-04-07 |
Family
ID=83196897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210357049.7A Active CN115063525B (zh) | 2022-04-06 | 2022-04-06 | 一种城市道路路基及管道的三维成图方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115063525B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115984221B (zh) * | 2023-01-03 | 2023-08-04 | 广州新粤交通技术有限公司 | 一种道路标线修复识别方法、装置、设备及其存储介质 |
CN115830032B (zh) * | 2023-02-13 | 2023-05-26 | 杭州闪马智擎科技有限公司 | 基于旧有设施的道路伸缩缝病变识别方法及装置 |
CN116543114B (zh) * | 2023-07-05 | 2023-09-26 | 江苏狄诺尼信息技术有限责任公司 | 一种升降式三维可视化地下工程沙盘演示系统 |
CN117709578A (zh) * | 2023-11-27 | 2024-03-15 | 北京智城联合科技发展有限公司 | 一种城市地下管线数据建设方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105606150B (zh) * | 2015-12-22 | 2017-10-20 | 中国矿业大学(北京) | 一种基于线结构光和地质雷达的道路综合检测方法及系统 |
CN105975676A (zh) * | 2016-04-29 | 2016-09-28 | 南通筑升土木工程科技有限责任公司 | 高速铁路线下结构病害位置分布检测方法及装置 |
CN112462346B (zh) * | 2020-11-26 | 2023-04-28 | 西安交通大学 | 一种基于卷积神经网络的探地雷达路基病害目标检测方法 |
CN113096126B (zh) * | 2021-06-03 | 2021-09-24 | 四川九通智路科技有限公司 | 基于图像识别深度学习的道路病害检测系统及方法 |
-
2022
- 2022-04-06 CN CN202210357049.7A patent/CN115063525B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115063525A (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115063525B (zh) | 一种城市道路路基及管道的三维成图方法及装置 | |
Cerrillo-Cuenca | An approach to the automatic surveying of prehistoric barrows through LiDAR | |
Zumpano et al. | An integrated framework to identify and analyze karst sinkholes | |
CN114895302A (zh) | 城市道路路基病害快速探测的方法及装置 | |
Hermosilla et al. | Assessing contextual descriptive features for plot-based classification of urban areas | |
Sollazzo et al. | Hybrid procedure for automated detection of cracking with 3D pavement data | |
Rüther et al. | Application of snakes and dynamic programming optimisation technique in modeling of buildings in informal settlement areas | |
Neubert et al. | Evaluation of remote sensing image segmentation quality–further results and concepts | |
CN112990086B (zh) | 遥感影像建筑物检测方法、装置及计算机可读存储介质 | |
Truong-Hong et al. | Octree-based, automatic building facade generation from LiDAR data | |
Champion et al. | 2D building change detection from high resolution satelliteimagery: A two-step hierarchical method based on 3D invariant primitives | |
Gobeawan et al. | Modeling trees for virtual Singapore: From data acquisition to CityGML models | |
CN107832849B (zh) | 一种基于知识库的电力线廊道三维信息提取方法及装置 | |
CN115170983A (zh) | 一种基于遥感技术地质地貌分析与勘探方法及系统 | |
Arachchige et al. | Automatic processing of mobile laser scanner point clouds for building facade detection | |
Mekuriaw et al. | An automated method for mapping physical soil and water conservation structures on cultivated land using GIS and remote sensing techniques | |
Chen et al. | A novel image-based approach for interactive characterization of rock fracture spacing in a tunnel face | |
Ding et al. | Stability analysis unit and spatial distribution pattern of the terrain texture in the northern Shaanxi Loess Plateau | |
Ikeno et al. | An enhanced 3D model and generative adversarial network for automated generation of horizontal building mask images and cloudless aerial photographs | |
CN116203559A (zh) | 一种地下岩土病害体智能化识别预警系统及方法 | |
JP2019190998A (ja) | 空洞識別システム及び空洞識別方法 | |
CN117475314B (zh) | 一种地质灾害隐患立体识别方法、系统及介质 | |
KR102156085B1 (ko) | 고해상도 드론 영상을 활용한 산림지역 변화 탐지 및 변화지역 투수/불투수도 갱신 방법 | |
Marques et al. | Adaptive segmentation for discontinuity detection on karstified carbonate outcrop images from UAV-SfM acquisition and detection bias analysis | |
JP2004093632A (ja) | 地形形状抽出方法、地形形状抽出システム及びプログラム |
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 |