CN115761533A - 一种基于无人机技术的地震断裂检测方法 - Google Patents

一种基于无人机技术的地震断裂检测方法 Download PDF

Info

Publication number
CN115761533A
CN115761533A CN202211371758.7A CN202211371758A CN115761533A CN 115761533 A CN115761533 A CN 115761533A CN 202211371758 A CN202211371758 A CN 202211371758A CN 115761533 A CN115761533 A CN 115761533A
Authority
CN
China
Prior art keywords
mountain
image
unmanned aerial
crack
aerial vehicle
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
Application number
CN202211371758.7A
Other languages
English (en)
Other versions
CN115761533B (zh
Inventor
梁明剑
吴微微
周文英
王明明
廖程
左洪
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.)
Sichuan Earthquake Administration
Original Assignee
Sichuan Earthquake Administration
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 Sichuan Earthquake Administration filed Critical Sichuan Earthquake Administration
Priority to CN202211371758.7A priority Critical patent/CN115761533B/zh
Publication of CN115761533A publication Critical patent/CN115761533A/zh
Application granted granted Critical
Publication of CN115761533B publication Critical patent/CN115761533B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开了一种基于无人机技术的地震断裂检测方法，包括S1、根据山体结构，规划两架无人机获得山体的3D扫描信息和山体的图像信息；步骤S2、构建山体三维坐标图像；步骤S3、对获取的山体图像信息进行处理，得到若干条山体裂缝轮廓信息；步骤S4、将若干条山体裂缝轮廓标注于山体三维坐标图像中；步骤S5、对标注于山体三维坐标图像中的山体裂缝进行编号；步骤S6、将编号的山体裂缝所在的区域定义为目标区域，并将该目标区域划分为若干个正方体空间，即将山体裂缝划分为若干条子线段，并对每一条子线段进行辅助编号；步骤S7、在正方体空间的每一条子线段上选取若干个点值，获取所有三维空间散点点值，并进行线性拟合，得到地震断裂裂缝的走向趋势。

Description

一种基于无人机技术的地震断裂检测方法
技术领域
本发明属于地震断裂的技术领域，具体涉及一种基于无人机技术的地震断裂检测方法。
背景技术
断裂作为地壳演化和构造变形的重要产物之一，其形成往往经历了极其复杂的过程，是一种重要的构造作用方式，也是自然界非常普遍的地质现象，它对热液迁移和矿床的形成、油气运移和油气藏的形成、地震和地壳运动等起着重要作用。由于现阶段勘探手段的制约，获得的断裂信息非常局限，与此同时这些信息中还存在部分推测的信息，地质学家长期用不定量语言来描述断裂，而分形几何作为定量描述自然界中不规则及复杂现象极其有效的工具，在地学研究中应用广泛。断裂形成过程具有自相似性，其几何形态和分布具有分形特征，应用分形理论研究断裂系统，有助于进一步了解断裂本身的性质，也能一定程度上预测受断裂控制的矿产资源的分布，但是在断裂分形计算中多采用人工方式统计进入每个网格的断裂数量，由于网格边长的不断变化，导致人工统计工作量巨大，且效率低下，一旦某个网格断裂数量统计错误，就会导致最终计算结果不准确，这种方式已不能适应信息化时代快速发展的需要。
发明内容
本发明的目的在于针对现有技术中的上述不足，提供一种基于无人机技术的地震断裂检测方法，以解决现有地震断裂检测工作量巨大和效率底下的问题。
为达到上述目的，本发明采取的技术方案是：
一种基于无人机技术的地震断裂检测方法，其包括以下步骤：
S1、根据山体结构，规划两架无人机以相同的路径相同的视角分别对山体进行3D扫描和图像拍摄，以获得山体的3D扫描信息和山体的图像信息；
S2、基于获得的山体的3D扫描信息，构建山体三维坐标图像；
S3、对获取的山体图像信息进行处理，得到若干条山体裂缝轮廓信息；
S4、将若干条山体裂缝轮廓标注于山体三维坐标图像中；
S5、对标注于山体三维坐标图像中的山体裂缝进行编号；
S6、将编号的山体裂缝所在的区域定义为目标区域，并将该目标区域划分为若干个正方体空间，即将山体裂缝划分为若干条子线段，并对每一条子线段进行辅助编号；
S7、在每一个正方体空间的每一条子线段上选取若干个点值，获取属于一条山体裂缝的所有三维空间散点点值，并将其进行线性拟合，得到地震断裂裂缝的走向趋势。
进一步地，步骤S1具体包括以下步骤：
S1.1、根据北斗卫星导航和电子地图，控制第一架无人机以预定速度和预定路径飞行，并扫描获取山体的3D结构；
S1.2、在第一架无人机完成信息扫描获取后，根据北斗卫星导航和电子地图，控制第二架无人机按照与第一架无人机相同的速度和相同的路径以相同的视角进行山体图像信息拍摄，以获得山体的图像信息。
进一步地，步骤S3具体包括以下步骤：
S3.1、对山体的图像信息进行灰度处理；
S3.2、采用高斯滤波器对山体图像进行平滑滤波；
S3.3、构建高斯概率函数，区分得到图像的前景部分和背景部分图像信息，前景部分图像即为地震裂缝区域；
S3.4、采用形态学连接临近的地震裂缝区域，得到所有的连通域，对连通域中的所有像素点计算处理，得到满足阈值要求的像素点组成的目标连通域，该目标连通域即为山体地震裂缝轮廓。
进一步地，步骤S3.2采用高斯滤波器对山体图像进行平滑滤波，包括：
Figure BDA0003925169620000031
其中，Hij表示尺寸为i*j的卷积核，2k+1为图像中窗口的宽度。
进一步地，步骤S3.3构建高斯概率函数，区分得到图像的前景部分和背景部分图像信息，包括：
构建的高斯概率模型为P(x)：
Figure BDA0003925169620000032
其中，x为像素点，M(x|ui，∑i)为高斯概率模型中的第N个分量；ui为权重值；
其中：
Figure BDA0003925169620000033
0≤πn≤1
即将高斯概率模型使用N个高斯模型来表征图像中各个像素点的特征,在新一帧图像获得后更新高斯概率模型，用当前图像中的每个像素点与高斯概率模型中的概率像素进行匹配，若成功则判定该点为背景部分像素点，否则为前景部分像素点，进而区分得到前景部分图像即为地震裂缝区域图像部分。
进一步地，S3.4采用形态学连接临近的地震裂缝区域，得到所有的连通域，对连通域中的所有像素点计算处理，得到满足阈值要求的像素点组成的目标连通域，该目标连通域即为山体地震裂缝轮廓包括：
将步骤S3.3中识别得到的前景部分图像中的像素点进行二值化计算，给定一个阈值，大于阈值的像素点为1，小于阈值的像素点为0；
为1的像素点组成若干个连通域，将连通域中元素的个数称为该连通域的面积，删除面积小于给定阈值的连通域，统计每个连通域的面积、长度、宽度和长宽比，再给定一组阈值，如果有一个参数小于阈值，则删除该连通域，最后剩余的连通域则为地震断裂的裂缝轮廓。
本发明提供的基于无人机技术的地震断裂检测方法，具有以下有益效果：
本发明通过两架无人机先后进行3D扫描和图像拍摄，并利用3D扫描构建山体的三维模型，利用图像拍摄进行地震裂缝轮廓的识别，由于前后两次拍摄的角度和路径完全相同，故将图像中识别的裂缝的轮廓标注在山体的三维模型中，并获取每一条裂缝的多个三维散点图，并将获取的多个三维散点图进行线性拟合，以快速得到地震裂缝在山体中的发展趋势，以为后期的地震余震以及地震预测提供快速的估计资料。
附图说明
图1为基于无人机技术的地震断裂检测方法的流程图。
图2为本发明构建的山体模型图。
图3为本发明一条裂缝的散点分布图。
图4为本发明图3中散点图的拟合曲线图。
图5为本发明另一条裂缝的散点分布图。
图6为本发明图5中散点图的拟合曲线图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
根据本申请的一个实施例，参考图1，本方案的基于无人机技术的地震断裂检测方法，具体包括以下步骤：
步骤S1、根据山体结构，规划两架无人机以相同的路径相同的视角分别对山体进行3D扫描和图像拍摄，以获得山体的3D扫描信息和山体的图像信息；
步骤S2、基于获得的山体的3D扫描信息，构建山体三维坐标图像；
步骤S3、对获取的山体图像信息进行处理，得到若干条山体裂缝轮廓信息；
步骤S4、将若干条山体裂缝轮廓标注于山体三维坐标图像中；
步骤S5、对标注于山体三维坐标图像中的山体裂缝进行编号；
步骤S6、将编号的山体裂缝所在的区域定义为目标区域，并将该目标区域划分为若干个正方体空间，即将山体裂缝划分为若干条子线段，并对每一条子线段进行辅助编号；
步骤S7、在每一个正方体空间的每一条子线段上选取若干个点值，获取属于一条山体裂缝的所有三维空间散点点值，并将其进行线性拟合，得到地震断裂裂缝的走向趋势。
具体的，本实施例将对上述步骤进行详细的描述：
步骤S1、获取山体的3D扫描信息和山体的图像信息，其具体包括；
步骤S1.1、根据北斗卫星导航和电子地图，控制第一架无人机以预定速度和预定路径飞行，并扫描获取山体的3D结构信息；
步骤S1.2、在第一架无人机完成信息扫描获取后，根据北斗卫星导航和电子地图，控制第二架无人机按照与第一架无人机相同的速度和相同的路径以相同的视角进行山体图像信息拍摄，以获得山体的图像信息；
本步骤的第二架无人机的飞行速度、路径以及拍摄角度均与第一架无人机相同，以便于后期将裂缝轮廓标注在山体的三维模型中，该标注可以借助三维软件仿真标注，也可以人为干预标注，只要能达到快速识别山体裂缝的发展趋势即可；相对于现有技术，本实施例具有一定的识别误差，但是其识别速度以及识别的估算方法的效率，是远远大于传统的网格识别方法。
同时，本实施例可基于无人机快速进行山体信息的获取，且在具体应用时，可以将第一次构建的山体三维模型作为基准，后期每一次的裂缝识别，均可以认为是山体裂缝的发展，更能直观的表现山体断裂裂缝的发展，对于地震断裂带的研究具有深刻的意义。
步骤S2、基于获得的山体的3D扫描信息，构建山体三维坐标图像；
参考图2，本步骤可以直接将扫描的信息输入现有软件中，如ContextCapture中，进行山体的实景三维模型的构建。
步骤S3、对获取的山体图像信息进行处理，得到若干条山体裂缝轮廓信息，其具体包括：
步骤S3.1、对山体的图像信息进行灰度处理，灰度处理可直接采用现有技术进行，本实施例不再赘述；
步骤S3.2、采用高斯滤波器对山体图像进行平滑滤波，以滤除噪声；
Figure BDA0003925169620000061
其中，Hij表示尺寸为i*j的卷积核，2k+1为图像中窗口的宽度。
步骤S3.3、构建高斯概率函数，区分得到图像的前景部分和背景部分图像信息，前景部分图像即为地震裂缝区域：
构建的高斯概率模型为P(x)：
Figure BDA0003925169620000071
其中，x为像素点，M(x|ui，∑i)为高斯概率模型中的第N个分量；ui为权重值；
其中：
Figure BDA0003925169620000072
0≤πn≤1
即将高斯概率模型使用N个高斯模型来表征图像中各个像素点的特征,在新一帧图像获得后更新高斯概率模型，用当前图像中的每个像素点与高斯概率模型中的概率像素进行匹配，若成功则判定该点为背景部分像素点，否则为前景部分像素点，进而区分得到前景部分图像即为地震裂缝区域图像部分。
步骤S3.4、采用形态学连接临近的地震裂缝区域，得到所有的连通域，对连通域中的所有像素点计算处理，得到满足阈值要求的像素点组成的目标连通域，该目标连通域即为山体地震裂缝轮廓，其具体包括：
将步骤S3.3中识别得到的前景部分图像中的像素点进行二值化计算，给定一个阈值，大于阈值的像素点为1，小于阈值的像素点为0；
为1的像素点组成若干个连通域，将连通域中元素的个数称为该连通域的面积，删除面积小于给定阈值的连通域，统计每个连通域的面积、长度、宽度和长宽比，再给定一组阈值，如果有一个参数小于阈值，则删除该连通域，最后剩余的连通域则为地震断裂的裂缝轮廓。
步骤S4、将若干条山体裂缝轮廓标注于山体三维坐标图像中，本步骤可以基于前后两次获取信息的坐标进行标注，并配合人工手动标注，以尽可能较少轮廓标注时的误差值。
步骤S5、对标注于山体三维坐标图像中的山体裂缝进行编号，由于山体地震带的裂缝数量可能会很多，为便于后期研究以及后期对裂缝走向的判断，对每一条裂缝进行编号，包括W1、W2、W3……WL；若每一条裂缝存在分支，则进一步对分支进行编号，如WLm。
步骤S6、将编号的山体裂缝所在的区域定义为目标区域，并将该目标区域划分为若干个正方体空间，随着正方体空间的划分(切割)，同时也会将山体裂缝分割为若干条子线段，并对每一条子线段进行辅助编号，如WLq；若为裂缝分支的子线段，则辅助编号为：WLmq；其中，L为裂缝主干序号，q为裂缝支路序号，m为子线段序号；
步骤S7、在每一个正方体空间的每一条子线段上选取若干个点值，获取属于一条山体裂缝的所有三维空间散点点值，并将其进行线性拟合，得到地震断裂裂缝的走向趋势。
参考图3和图4，在每一个正方体子空间中选取至少一个点，最多时可以为3至4个散点，并将属于同一条裂缝的点进行拟合，拟合的结果如图4所示，由图4可知，该拟合地震断裂的裂缝具有一定的形态规律。
同理，参考图5和图6，拟合后的曲线具有多出折度和弯曲，很难发现与之匹配的形态规律。
本发明通过两架无人机先后进行3D扫描和图像拍摄，并利用3D扫描构建山体的三维模型，利用图像拍摄进行地震裂缝轮廓的识别，由于前后两次拍摄的角度和路径完全相同，故将图像中识别的裂缝的轮廓标注在山体的三维模型中，并获取每一条裂缝的多个三维散点图，并将获取的多个三维散点图进行线性拟合，以快速得到地震裂缝在山体中的发展趋势，以为后期的地震余震以及地震预测提供快速的估计资料。
虽然结合附图对发明的具体实施方式进行了详细地描述，但不应理解为对本专利的保护范围的限定。在权利要求书所描述的范围内，本领域技术人员不经创造性劳动即可做出的各种修改和变形仍属本专利的保护范围。

Claims (6)

1.一种基于无人机技术的地震断裂检测方法，其特征在于，包括以下步骤：
S1、根据山体结构，规划两架无人机以相同的路径相同的视角分别对山体进行3D扫描和图像拍摄，以获得山体的3D扫描信息和山体的图像信息；
S2、基于获得的山体的3D扫描信息，构建山体三维坐标图像；
S3、对获取的山体图像信息进行处理，得到若干条山体裂缝轮廓信息；
S4、将若干条山体裂缝轮廓标注于山体三维坐标图像中；
S5、对标注于山体三维坐标图像中的山体裂缝进行编号；
S6、将编号的山体裂缝所在的区域定义为目标区域，并将该目标区域划分为若干个正方体空间，即将山体裂缝划分为若干条子线段，并对每一条子线段进行辅助编号；
S7、在每一个正方体空间的每一条子线段上选取若干个点值，获取属于一条山体裂缝的所有三维空间散点点值，并将其进行线性拟合，得到地震断裂裂缝的走向趋势。
2.根据权利要求1所述的基于无人机技术的地震断裂检测方法，其特征在于，所述步骤S1具体包括以下步骤：
S1.1、根据北斗卫星导航和电子地图，控制第一架无人机以预定速度和预定路径飞行，并扫描获取山体的3D结构；
S1.2、在第一架无人机完成信息扫描获取后，根据北斗卫星导航和电子地图，控制第二架无人机按照与第一架无人机相同的速度和相同的路径以相同的视角进行山体图像信息拍摄，以获得山体的图像信息。
3.根据权利要求1所述的基于无人机技术的地震断裂检测方法，其特征在于，所述步骤S3具体包括以下步骤：
S3.1、对山体的图像信息进行灰度处理；
S3.2、采用高斯滤波器对山体图像进行平滑滤波；
S3.3、构建高斯概率函数，区分得到图像的前景部分和背景部分图像信息，前景部分图像即为地震裂缝区域；
S3.4、采用形态学连接临近的地震裂缝区域，得到所有的连通域，对连通域中的所有像素点计算处理，得到满足阈值要求的像素点组成的目标连通域，该目标连通域即为山体地震裂缝轮廓。
4.根据权利要求3所述的基于无人机技术的地震断裂检测方法，其特征在于，所述步骤S3.2采用高斯滤波器对山体图像进行平滑滤波，包括：
Figure FDA0003925169610000021
其中，Hij表示尺寸为i*j的卷积核，2k+1为图像中窗口的宽度。
5.根据权利要求4所述的基于无人机技术的地震断裂检测方法，其特征在于，所述步骤S3.3构建高斯概率函数，区分得到图像的前景部分和背景部分图像信息，包括：
构建的高斯概率模型为P(x)：
Figure FDA0003925169610000022
其中，x为像素点，M(x|ui，∑i)为高斯概率模型中的第N个分量；ui为权重值；
其中：
Figure FDA0003925169610000023
0≤πn≤1
即将高斯概率模型使用N个高斯模型来表征图像中各个像素点的特征,在新一帧图像获得后更新高斯概率模型，用当前图像中的每个像素点与高斯概率模型中的概率像素进行匹配，若成功则判定该点为背景部分像素点，否则为前景部分像素点，进而区分得到前景部分图像即为地震裂缝区域图像部分。
6.根据权利要求5所述的基于无人机技术的地震断裂检测方法，其特征在于，所述S3.4采用形态学连接临近的地震裂缝区域，得到所有的连通域，对连通域中的所有像素点计算处理，得到满足阈值要求的像素点组成的目标连通域，该目标连通域即为山体地震裂缝轮廓包括：
将步骤S3.3中识别得到的前景部分图像中的像素点进行二值化计算，给定一个阈值，大于阈值的像素点为1，小于阈值的像素点为0；
为1的像素点组成若干个连通域，将连通域中元素的个数称为该连通域的面积，删除面积小于给定阈值的连通域，统计每个连通域的面积、长度、宽度和长宽比，再给定一组阈值，如果有一个参数小于阈值，则删除该连通域，最后剩余的连通域则为地震断裂的裂缝轮廓。
CN202211371758.7A 2022-11-03 2022-11-03 一种基于无人机技术的地震断裂检测方法 Active CN115761533B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211371758.7A CN115761533B (zh) 2022-11-03 2022-11-03 一种基于无人机技术的地震断裂检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211371758.7A CN115761533B (zh) 2022-11-03 2022-11-03 一种基于无人机技术的地震断裂检测方法

Publications (2)

Publication Number Publication Date
CN115761533A true CN115761533A (zh) 2023-03-07
CN115761533B CN115761533B (zh) 2023-11-21

Family

ID=85357829

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211371758.7A Active CN115761533B (zh) 2022-11-03 2022-11-03 一种基于无人机技术的地震断裂检测方法

Country Status (1)

Country Link
CN (1) CN115761533B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104769457A (zh) * 2014-07-25 2015-07-08 杨顺伟 一种基于旅行时法确定地层裂隙裂缝走向的方法及装置
CN104792792A (zh) * 2015-04-27 2015-07-22 武汉武大卓越科技有限责任公司 一种逐步求精的路面裂缝检测方法
CN107154040A (zh) * 2017-05-08 2017-09-12 重庆邮电大学 一种隧道衬砌表面图像裂缝检测方法
EP3273266A1 (en) * 2016-07-21 2018-01-24 Grupo Empresarial Copisa, S.L. A system and a method for surface aerial inspection
WO2018089268A1 (en) * 2016-11-04 2018-05-17 Loveland Innovations, LLC Systems and methods for autonomous imaging and structural analysis
CN113252700A (zh) * 2021-07-01 2021-08-13 湖南大学 一种结构裂缝检测方法、设备及系统
CN113592861A (zh) * 2021-09-27 2021-11-02 江苏中云筑智慧运维研究院有限公司 一种基于动态阈值的桥梁裂缝检测方法
CN114140402A (zh) * 2021-11-17 2022-03-04 安徽省交通控股集团有限公司 桥梁裂缝检测及可视化方法、装置、设备及可读存储介质
CN114219773A (zh) * 2021-11-30 2022-03-22 西北工业大学 一种桥梁裂缝检测数据集预筛选与标定方法
CN114677601A (zh) * 2022-04-12 2022-06-28 雅砻江流域水电开发有限公司 一种基于无人机巡检的结合深度学习的大坝裂缝检测方法
CN115063698A (zh) * 2022-05-19 2022-09-16 成都理工大学 斜坡地表变形裂缝自动识别与信息提取方法及系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104769457A (zh) * 2014-07-25 2015-07-08 杨顺伟 一种基于旅行时法确定地层裂隙裂缝走向的方法及装置
CN104792792A (zh) * 2015-04-27 2015-07-22 武汉武大卓越科技有限责任公司 一种逐步求精的路面裂缝检测方法
EP3273266A1 (en) * 2016-07-21 2018-01-24 Grupo Empresarial Copisa, S.L. A system and a method for surface aerial inspection
WO2018089268A1 (en) * 2016-11-04 2018-05-17 Loveland Innovations, LLC Systems and methods for autonomous imaging and structural analysis
CN107154040A (zh) * 2017-05-08 2017-09-12 重庆邮电大学 一种隧道衬砌表面图像裂缝检测方法
CN113252700A (zh) * 2021-07-01 2021-08-13 湖南大学 一种结构裂缝检测方法、设备及系统
CN113592861A (zh) * 2021-09-27 2021-11-02 江苏中云筑智慧运维研究院有限公司 一种基于动态阈值的桥梁裂缝检测方法
CN114140402A (zh) * 2021-11-17 2022-03-04 安徽省交通控股集团有限公司 桥梁裂缝检测及可视化方法、装置、设备及可读存储介质
CN114219773A (zh) * 2021-11-30 2022-03-22 西北工业大学 一种桥梁裂缝检测数据集预筛选与标定方法
CN114677601A (zh) * 2022-04-12 2022-06-28 雅砻江流域水电开发有限公司 一种基于无人机巡检的结合深度学习的大坝裂缝检测方法
CN115063698A (zh) * 2022-05-19 2022-09-16 成都理工大学 斜坡地表变形裂缝自动识别与信息提取方法及系统

Also Published As

Publication number Publication date
CN115761533B (zh) 2023-11-21

Similar Documents

Publication Publication Date Title
WO2024077812A1 (zh) 基于点云语义分割与结构拟合的单体建筑三维重建方法
CN108415077B (zh) 边缘检测低序级断层识别方法
CN110163213B (zh) 基于视差图和多尺度深度网络模型的遥感图像分割方法
CN105550691B (zh) 基于尺度空间的自适应山谷山脊线提取方法及系统
CN111652892A (zh) 一种基于深度学习的遥感影像建筑物矢量提取及优化方法
CN114972384A (zh) 一种基于深度学习的隧道岩体智能快速区域分级方法
CN113689445B (zh) 结合语义分割与边缘检测的高分辨率遥感建筑物提取方法
CN108399424B (zh) 一种点云分类方法、智能终端及存储介质
CN109410248B (zh) 一种基于r-K算法的浮选泡沫运动特征提取方法
CN109859187B (zh) 一种爆堆矿岩颗粒图像分割方法
AU2020103470A4 (en) Shadow Detection for High-resolution Orthorectificed Imagery through Multi-level Integral Relaxation Matching Driven by Artificial Shadows
CN112560719B (zh) 基于多尺度卷积-多核池化的高分辨率影像水体提取方法
CN115546113A (zh) 掌子面裂隙图像与前方三维结构参数预测方法及系统
CN106056577B (zh) 基于mds-srm混合级联的sar图像变化检测方法
CN115620263B (zh) 基于摄像机和激光雷达图像融合的智能车障碍物检测方法
CN110673138A (zh) 一种基于奇异值分解和模糊c均值法的探地雷达图像处理方法
CN115343685A (zh) 应用于病害识别的多维度探地雷达检测方法、装置、设备
CN115184998A (zh) 一种基于改进U-net神经网络的瑞利波频散曲线自动提取方法
Yang et al. Superpixel image segmentation-based particle size distribution analysis of fragmented rock
CN113836617B (zh) 基于时间序列模型的掘进面前方裂隙类比预测方法及系统
CN115761533B (zh) 一种基于无人机技术的地震断裂检测方法
CN116079713A (zh) 一种钻锚机器人多钻臂协同控制方法、系统、设备及介质
CN116401734A (zh) 一种基于点云的砖混建筑结构长度计算方法
CN113192204B (zh) 单幅倾斜遥感图像中建筑物的三维重建方法
CN114612677A (zh) 一种基于图形图像处理的低序级断层自动识别方法

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
GR01 Patent grant
GR01 Patent grant