CN116012572A - 一种隧道爆破振动监测方法及系统 - Google Patents

一种隧道爆破振动监测方法及系统 Download PDF

Info

Publication number
CN116012572A
CN116012572A CN202210570432.0A CN202210570432A CN116012572A CN 116012572 A CN116012572 A CN 116012572A CN 202210570432 A CN202210570432 A CN 202210570432A CN 116012572 A CN116012572 A CN 116012572A
Authority
CN
China
Prior art keywords
position sensitive
roi
response value
score
map
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
CN202210570432.0A
Other languages
English (en)
Inventor
安贤哲
康秋静
蒋梦
孙云蓬
高飞
高玉亮
张淮
王鹤
丁海有
曹钰
苏景武
黄玉君
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.)
Beijing Dacheng Guoce Science And Technology Co ltd
Beijing Dacheng Guoce Intelligent Technology Co ltd
Original Assignee
Beijing Dacheng Guoce Science And Technology Co ltd
Beijing Dacheng Guoce Intelligent Technology Co ltd
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 Beijing Dacheng Guoce Science And Technology Co ltd, Beijing Dacheng Guoce Intelligent Technology Co ltd filed Critical Beijing Dacheng Guoce Science And Technology Co ltd
Publication of CN116012572A publication Critical patent/CN116012572A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Image Analysis (AREA)

Abstract

本发明提供一种隧道爆破振动监测方法及系统，将获取的原始图像输入到预训练好的全卷积网络模型分类，得到不同类别的特征图；检测输入到区域建议网络RPN的所述特征图以生成ROI区域的位置敏感得分图；计算所述ROI区域的位置敏感得分图，所述位置敏感得分图位置敏感池化操作得到ROI区域的响应值；基于所述响应值输出所述类别以及对应的位置信息。首先通过全卷积网络模型对图像的缺陷进行分类，筛选出有用的图像，方便后续检测；然后基于区域建议网络将筛选出的有用图像提取感兴趣的区域，对每个感兴趣的区域进行位置敏感池化操作得分计算，进一步确认每个图像缺陷的类别和位置，可以快速、准确、智能地处理隧道衬砌图像。

Description

一种隧道爆破振动监测方法及系统
技术领域
本文涉及图像检测领域，尤其涉及一种隧道爆破振动监测方法、系统、介质及设备。
背景技术
隧道爆破会产生巨大的能量，可能会对地铁运营、周围民居的安全产生重要影响。在隧道爆破时，会对隧道的地表和内部结构产生破坏。特别是城市地铁盾构隧道最突出的缺陷是裂缝和渗漏。这些缺陷降低了混凝土的强度，使隧道衬砌受潮，对结构安全产生负面影响，缩短隧道寿命；因此，这些缺陷显着增加了操作轨道交通时安全相关的风险。随着大量城市地铁建设工地和列车线路的运营，开发新的高效结构缺陷检测和评估方法非常紧迫。
传统的隧道衬砌结构检测除全站仪外，主要采用人工检测、素描和/或拍照等方式。现有的一些图像处理技术(IPT) 已被开发并用于土木工程领域的缺陷检测。例如人工神经网络ANN、支持向量机 SVM、K-最近邻算法，然而，这些方法的问题是无法处理复杂的背景图像。地铁隧道的衬砌背景图像往往很复杂。地铁隧道衬砌图像通常会受到分段接头、管道、灰尘、照明等其他因素的影响，对有缺陷的图像检测的效率和精度不高。
发明内容
为克服相关技术中存在的问题，本发明提供隧道爆破振动监测方法、系统、介质及设备，对有缺陷的图像先分类后检测，可以快速、准确、智能地处理隧道衬砌图像。
根据本文的第一方面，提供一种隧道爆破振动监测方法，包括：将获取的原始图像输入到预训练好的全卷积网络模型分类，得到不同类别的特征图；检测输入到区域建议网络RPN的所述特征图以生成ROI区域的位置敏感得分图；计算所述ROI区域的位置敏感得分图，所述位置敏感得分图位置敏感池化操作得到ROI区域的响应值；基于所述响应值输出所述类别以及对应的位置信息。
基于前述方案，所述类别包括泄漏、裂缝、分段接头、管道和衬砌。
基于前述方案，所述检测输入到区域建议网络RPN的所述特征图以生成ROI区域，包括：不同类别的特征图基于选择的锚框，通过滑动窗口后生成带边界框的特征图。
基于前述方案，所述计算所述ROI区域的位置敏感得分图，所述位置敏感得分图位置敏感池化操作得到ROI区域的响应值，包括：
Figure 472308DEST_PATH_IMAGE001
式（1）
其中，n为得分图的数量，那么C表示缺陷类别种数，每个类别都有K*K个得分图；
Figure 218084DEST_PATH_IMAGE002
式（2）
其中，
Figure 184903DEST_PATH_IMAGE003
为第
Figure 550025DEST_PATH_IMAGE004
个子区域的响应值，
Figure 766243DEST_PATH_IMAGE005
为子区域的坐标；
Figure 117589DEST_PATH_IMAGE006
为ROI区域左上角的坐标值,m为子区域的像素值，
Figure 814281DEST_PATH_IMAGE007
为得分图中的像素值。
基于前述方案，所述基于所述响应值获得所述类别对应的得分，包括：
Figure 225671DEST_PATH_IMAGE008
式（3）
Figure 257081DEST_PATH_IMAGE009
式（4）
其中，
Figure 880960DEST_PATH_IMAGE010
是每个ROI区域的C维向量，
Figure 461852DEST_PATH_IMAGE011
是不同类别上离散概率分布的C维向量。
基于前述方案，所述S4中增大爆破药量与爆破延时的比值，所述比值为1/4。
基于前述方案，还包括对边界框进行回归计算，所述回归计算包括：
Figure 372039DEST_PATH_IMAGE012
式（5）
Figure 766111DEST_PATH_IMAGE013
式（6）
其中，
Figure 334627DEST_PATH_IMAGE014
；定义边界框预测输出的元组为
Figure 130545DEST_PATH_IMAGE015
，回归的元组为
Figure 8371DEST_PATH_IMAGE016
；
Figure 624160DEST_PATH_IMAGE017
为分类损失函数，
Figure 494902DEST_PATH_IMAGE018
为回归损失函数。
根据本申请的另一方面，提供一种隧道爆破振动监测系统，包括：分类单元，用于将获取的原始图像输入到预训练好的全卷积网络模型分类，得到不同类别的特征图；生成单元，用于检测输入到区域建议网络RPN的所述特征图以生成ROI区域的位置敏感得分图；计算单元，用于计算所述ROI区域的位置敏感得分图，所述位置敏感得分图位置敏感池化操作得到ROI区域的响应值；输出单元，用于基于所述响应值输出所述类别以及对应的位置信息。
根据本申请的另一方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时一种隧道爆破振动监测方法的步骤。
根据本申请的另一方面，提供一种计算机设备，包括处理器、存储器和存储于所述存储器上的计算机程序，所述处理器执行所述计算机程序时实现一种隧道爆破振动监测方法的步骤。
本申请提供一种隧道爆破振动监测方法即系统，将获取的原始图像输入到预训练好的全卷积网络模型分类，得到不同类别的特征图；检测输入到区域建议网络RPN的所述特征图以生成ROI区域的位置敏感得分图；计算所述ROI区域的位置敏感得分图，所述位置敏感得分图位置敏感池化操作得到ROI区域的响应值；基于所述响应值输出所述类别以及对应的位置信息。首先通过全卷积网络模型对图像的缺陷进行分类，筛选出有用的图像，方便后续检测；然后基于区域建议网络将筛选出的有用图像提取感兴趣的区域，对每个感兴趣的区域进行位置敏感池化操作得分计算，进一步确认每个图像缺陷的类别和位置，可以快速、准确、智能地处理隧道衬砌图像。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本文。
附图说明
构成本文的一部分的附图用来提供对本文的进一步理解，本文的示意性实施例及其说明用于解释本文，并不构成对本文的不当限定。在附图中：
图1是根据一示例性实施例示出的一种隧道爆破振动监测方法的流程图。
图2是根据一示例性实施例示出的隧道检测图像的示意图。
图3是根据一示例性实施例示出的一种隧道爆破振动监测系统的框图。
图4是根据一示例性实施例示出的一种隧道爆破振动监测设备的框图。
具体实施方式
为使本文实施例的目的、技术方案和优点更加清楚，下面将结合本文实施例中的附图，对本文实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本文一部分实施例，而不是全部的实施例。基于本文中的实施例，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，都属于本文保护的范围。需要说明的是，在不冲突的情况下，本文中的实施例及实施例中的特征可以相互任意组合。
除非上下文明确要求，否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。
图1是根据一示例性实施例示出的一种隧道爆破振动监测方法的流程图。参照图1，所述监测方法至少包括：
S100：将获取的原始图像输入到预训练好的全卷积网络模型分类，得到不同类别的特征图；
具体地说，获取的原始图像是基于移动隧道检测(MTI)系统获取隧道衬砌表面图像，该MTI系统配备6个高分辨率线性CCD相机和12个发光二极管 LED作为光源。CCD相机需要均匀的照明，获得的图像会受到亮度不均匀的影响。MTI扫描方向的宽度可以根据需要设置。通过MTI获取的图像像素一般会大。图2是隧道检测图像的示意图。
需要说明的是，全卷积网络模型是将传统CNN中的全连接层转化成一个个的卷积层。在传统的CNN结构中，前5层是卷积层，第6层和第7层分别是一个长度为4096的一维向量，第8层是长度为1000的一维向量，分别对应1000个类别的概率。全卷积网络模型将这3层表示为卷积层，卷积核的大小即(通道数，宽，高)分别为（4096,1,1）、（4096,1,1）、（1000,1,1）。
需要说明的是，在当前的深度学习模型中，没有关于隧道缺陷的数据集，好的数据集会使模型训练的更好。训练数据集包含泄漏、裂缝、管片分段接头、管道和衬砌五个对象类别。根据预先采集的图像，手动标记该数据集，每个数据集的图像都包含上述一个类别标签。检测数据集包含裂缝、泄漏和划痕类别，划痕是一种常见的噪声模式，划痕不是衬砌的缺陷，但它们非常类似于裂缝的外观，增加划痕类别，检测训练集有利于提高全卷积网络模型的检测能力。
值得一提的是，由于隧道的背景图像复杂，并且图像像素很大，为了提高图像处理的效率和准确性，本申请的全卷积网络模型用于图像分类，可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的特征图进行上采样，使它恢复到输入的原始图像相同的尺寸，从而可以对每一个像素都产生一个预测，同时保留了输入的原始图像中的空间信息，最后在上采样的特征图进行像素的分类。便于后续对该图像中缺陷的检测。
值得一提的是，全卷积网络模型输出的是已经分类好的不同类别的特征图。
S200：检测输入到区域建议网络RPN的所述特征图以生成ROI区域的位置敏感得分图；
具体地说，区域建议网络 (RPN)可以检测图像中的缺陷类别，输出一组建议的矩形对象框；进一步地，选择一个锚框作为特征图的模板，不同类别的特征图基于选择的锚框，通过滑动窗口后生成带边界框的特征图。锚框由两个参数定义：纵横比和尺寸类别；纵横比包括1：2、1：3、2：1、3：1、1：1；尺寸类别包括大尺寸、中尺寸、小尺寸；在训练阶段，预测的边界框由一个二分类层和一个边界框回归计算；在测试阶段，预测的边界框是用一个图像类别的得分来计算的。
通过RPN提取出来的RoI区域，其是包含了“坐标、长宽”属性的，也就是说不同的RoI区域能够对应到得分图的不同位置上，而一个RoI区域会分成 K*K个子区域。每个子区域都对应到得分图上的某一个区域。
S300：计算所述ROI区域的位置敏感得分图，所述位置敏感得分图位置敏感池化操作得到ROI区域的响应值；
具体地说，位置敏感得分图position-sensitive score map的设计思路如下：如果一个RoI区域含有一个类别C的缺陷，将该RoI区域划分为K*K个子区域，分别表示该物缺陷的各个部位，比如假设该RoI区域中含有裂缝这个缺陷，设k=3，将裂缝划分为9个子区域，将RoI区域划分为K*K 个区域是期望RoI区域在每一个区域都应该含有该类别C，而当这所有子区域都含有各自对应的缺陷的相应部位后，那么分类器才会将该RoI区域判断为该类别。
那么如何判断RoI子区域是否含有缺陷的部位，是位置敏感得分图接下来要做的。用于计算位置敏感的得分图如下，
Figure 145326DEST_PATH_IMAGE019
式（1）
n为得分图的数量，那么C表示缺陷类别种数，可选的，C=5；缺陷类别种数再加上1个背景类别，每个类别都有K*K个得分图。
池化操作就是在该子区域对应的得分图上执行，且执行的是平均池化。第i个子区域对在第i个得分图上找响应值，且池化是取子区域这个范围内的所有值的平均值。所述位置敏感得分图位置敏感池化操作得到ROI区域的响应值；即RoI区域的K*K个子区域在各个类别的得分图上找到其每个子区域的响应值。
Figure 928474DEST_PATH_IMAGE020
式（2）
其中，
Figure 93876DEST_PATH_IMAGE021
为第
Figure 128829DEST_PATH_IMAGE022
个子区域的响应值，
Figure 774705DEST_PATH_IMAGE023
为子区域的坐标；
Figure 338541DEST_PATH_IMAGE024
为ROI区域左上角的坐标值,m为子区域的像素值，
Figure 991239DEST_PATH_IMAGE025
为得分图中的像素值。
S400：基于所述响应值输出所述类别以及对应的位置信息。
具体地说，对于每个类别，该类别的K*K个值都表示该RoI区域属于该
类别的响应值，那么将这K*K个数相加就得到该类别的得分，一共有C+1 个得分，那么将C+1 个数使用简单的softmax函数就可以得到属于各个类别的概率。
Figure 954516DEST_PATH_IMAGE026
式（3）
Figure 313953DEST_PATH_IMAGE027
式（4）
其中，
Figure 953751DEST_PATH_IMAGE028
是每个ROI区域的C维向量，
Figure 31428DEST_PATH_IMAGE029
是不同类别上离散概率分布的C维向量。
进一步地，对于每一个缺陷图像的边界框进行边界框回归计算，来确定缺陷图像的位置。
首先定义边界框预测输出的元组为
Figure 798396DEST_PATH_IMAGE030
，回归的元组为
Figure 277919DEST_PATH_IMAGE031
；那么计算边界框回归的损失函数如下式：
Figure 324504DEST_PATH_IMAGE032
式（5）
其中，
Figure 889477DEST_PATH_IMAGE033
。
进一步地，每个RoI区域上用于分类和边界框回归计算，
Figure 194556DEST_PATH_IMAGE034
式（6）
Figure 528586DEST_PATH_IMAGE035
是两阶段目标检测框架常用的形式，包括一个分类
Figure 510186DEST_PATH_IMAGE036
和一个回归
Figure 359193DEST_PATH_IMAGE037
。
Figure 77751DEST_PATH_IMAGE038
用来平衡两者的重要性。
本申请首先通过全卷积网络模型对图像的缺陷进行分类，筛选出有用的图像，方便后续检测；然后基于区域建议网络将筛选出的有用图像提取感兴趣的区域，对每个感兴趣的区域进行位置敏感池化操作得分计算，进一步确认每个图像缺陷的类别和位置，可以快速、准确、智能地处理隧道衬砌图像。
图3是根据一示例性实施例，示出的一种隧道爆破振动监测系统30。所述系统30包括:
分类单元301，用于将获取的原始图像输入到预训练好的全卷积网络模型分类，得到不同类别的特征图；
生成单元302，用于检测输入到区域建议网络RPN的所述特征图以生成ROI区域的位置敏感得分图；
计算单元303，用于计算所述ROI区域的位置敏感得分图，所述位置敏感得分图位置敏感池化操作得到ROI区域的响应值；
输出单元304，用于基于所述响应值输出所述类别以及对应的位置信息。
不难发现，本实施方式为与第一实施方式相对应的系统实施例，本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一实施方式中。
在另外的一个方面，本文提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现以上任意方法实施例所描述的减小爆破振动的爆破方法。
图4是根据一示例性实施例示出的一种用于计算机设备40的框图。参照图4，设备40包括处理器401，处理器的个数可以根据需要设置为一个或者多个。设备40还包括存储器402，用于存储可由处理器401的执行的指令，例如应用程序。存储器的个数可以根据需要设置一个或者多个。其存储的应用程序可以为一个或者多个。处理器401被配置为执行指令，以执行上述方法。
存储器402可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储选项列表等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施方式中，存储器402可选包括相对于处理器401远程设置的存储器，这些远程存储器可以通过网络连接至外接设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本领域技术人员应明白，本文的实施例可提供为方法、装置（设备）、或计算机程序产品。因此，本文可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本文可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。计算机存储介质包括在用于存储信息（诸如计算机可读指令、数据结构、程序模块或其他数据）的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质,包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘（DVD）或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质等。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
本文是参照根据本文实施例的方法、装置（设备）和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本文的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本文范围的所有变更和修改。
显然，本领域的技术人员可以对本文进行各种改动和变型而不脱离本文的精神和范围。这样，倘若本文的这些修改和变型属于本文权利要求及其等同技术的范围之内，则本文的意图也包含这些改动和变型在内。

Claims (10)

1.一种隧道爆破振动监测方法，其特征在于，包括：
将获取的原始图像输入到预训练好的全卷积网络模型分类，得到不同类别的特征图；
检测输入到区域建议网络RPN的所述特征图以生成ROI区域的位置敏感得分图；
计算所述ROI区域的位置敏感得分图，所述位置敏感得分图位置敏感池化操作得到ROI区域的响应值；
基于所述响应值输出所述类别以及对应的位置信息。
2.如权利要求1所述的一种隧道爆破振动监测方法，其特征在于，所述类别包括泄漏、裂缝、分段接头、管道和衬砌。
3.如权利要求2所述的一种隧道爆破振动监测方法，其特征在于，所述检测输入到区域建议网络RPN的所述特征图以生成ROI区域，包括：不同类别的特征图基于选择的锚框，通过滑动窗口后生成带边界框的特征图。
4.如权利要求3所述的一种隧道爆破振动监测方法，其特征在于，所述计算所述ROI区域的位置敏感得分图，所述位置敏感得分图位置敏感池化操作得到ROI区域的响应值，包括：
Figure 297192DEST_PATH_IMAGE001
式（1）
其中，n为得分图的数量，那么C表示缺陷类别种数，每个类别都有K*K个得分图；
Figure 948753DEST_PATH_IMAGE002
式（2）
其中，
Figure 72698DEST_PATH_IMAGE003
为第
Figure 936749DEST_PATH_IMAGE004
个子区域的响应值，
Figure 79017DEST_PATH_IMAGE005
为子区域的坐标；
Figure 370321DEST_PATH_IMAGE006
为ROI区域左上角的坐标值,m为子区域的像素值，
Figure 480097DEST_PATH_IMAGE007
为得分图中的像素值。
5.如权利要求4所述的一种隧道爆破振动监测方法，其特征在于，所述基于所述响应值获得所述类别对应的得分，包括：
Figure 147839DEST_PATH_IMAGE008
式（3）
Figure 82297DEST_PATH_IMAGE009
式（4）
其中，
Figure 669136DEST_PATH_IMAGE010
是每个ROI区域的C维向量，
Figure 626728DEST_PATH_IMAGE011
是不同类别上离散概率分布的C维向量。
6.如权利要求5所述的一种隧道爆破振动监测方法，还包括对边界框进行回归计算。
7.如权利要求6所述的一种隧道爆破振动监测方法，其特征在于，所述回归计算包括：
Figure 707947DEST_PATH_IMAGE012
式（5）
Figure 700174DEST_PATH_IMAGE013
式（6）
其中，
Figure 723494DEST_PATH_IMAGE014
；定义边界框预测输出的元组为
Figure 230699DEST_PATH_IMAGE015
，回归的元组为
Figure 974664DEST_PATH_IMAGE016
；
Figure 195298DEST_PATH_IMAGE017
为分类损失函数，
Figure 999306DEST_PATH_IMAGE018
为回归损失函数。
8.一种隧道爆破振动监测系统，其特征在于，包括:
分类单元，用于将获取的原始图像输入到预训练好的全卷积网络模型分类，得到不同类别的特征图；
生成单元，用于检测输入到区域建议网络RPN的所述特征图以生成ROI区域的位置敏感得分图；
计算单元，用于计算所述ROI区域的位置敏感得分图，所述位置敏感得分图位置敏感池化操作得到ROI区域的响应值；
输出单元，用于基于所述响应值输出所述类别以及对应的位置信息。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时实现如权利要求1-7中任意一项所述方法的步骤。
10.一种计算机设备，包括处理器、存储器和存储于所述存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7中任意一项所述方法的步骤。
CN202210570432.0A 2022-05-11 2022-05-24 一种隧道爆破振动监测方法及系统 Pending CN116012572A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2022105103189 2022-05-11
CN202210510318 2022-05-11

Publications (1)

Publication Number Publication Date
CN116012572A true CN116012572A (zh) 2023-04-25

Family

ID=86034164

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210570432.0A Pending CN116012572A (zh) 2022-05-11 2022-05-24 一种隧道爆破振动监测方法及系统

Country Status (1)

Country Link
CN (1) CN116012572A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117540178A (zh) * 2024-01-09 2024-02-09 武汉大学 一种隧道衬砌内部空洞病害评估方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107621626A (zh) * 2017-10-09 2018-01-23 中国矿业大学(北京) 基于深度卷积神经网络的雷达信号铁路路基病害检测方法
CN108918539A (zh) * 2018-07-27 2018-11-30 同济大学 一种隧道结构表观病害检测装置及方法
CN109299644A (zh) * 2018-07-18 2019-02-01 广东工业大学 一种基于区域全卷积网络的车辆目标检测方法
US20200175352A1 (en) * 2017-03-14 2020-06-04 University Of Manitoba Structure defect detection using machine learning algorithms

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200175352A1 (en) * 2017-03-14 2020-06-04 University Of Manitoba Structure defect detection using machine learning algorithms
CN107621626A (zh) * 2017-10-09 2018-01-23 中国矿业大学(北京) 基于深度卷积神经网络的雷达信号铁路路基病害检测方法
CN109299644A (zh) * 2018-07-18 2019-02-01 广东工业大学 一种基于区域全卷积网络的车辆目标检测方法
CN108918539A (zh) * 2018-07-27 2018-11-30 同济大学 一种隧道结构表观病害检测装置及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ZHOUZHIGANG等: ""Vehicle Target Detection Based on R-FCN"", 《ARXIV:1605.06409V2[CS.CV] 21 JUN 2016》, pages 1 - 5 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117540178A (zh) * 2024-01-09 2024-02-09 武汉大学 一种隧道衬砌内部空洞病害评估方法及系统
CN117540178B (zh) * 2024-01-09 2024-03-29 武汉大学 一种隧道衬砌内部空洞病害评估方法及系统

Similar Documents

Publication Publication Date Title
CN110084299B (zh) 基于多头融合注意力的目标检测方法和装置
EP3745339A1 (en) Method for implanting advertisements in video, and computer device
CN111461212B (zh) 一种用于点云目标检测模型的压缩方法
Ye et al. Autonomous surface crack identification of concrete structures based on the YOLOv7 algorithm
TW201814591A (zh) 偵測物體的裝置與方法、製造處理器的方法以及建構積體電路的方法
EP2916291A1 (en) Method, apparatus and computer program product for disparity map estimation of stereo images
CN109522963A (zh) 一种单机运行的特征建筑目标检测方法和系统
US11348349B2 (en) Training data increment method, electronic apparatus and computer-readable medium
Ji et al. An encoder-decoder deep learning method for multi-class object segmentation from 3D tunnel point clouds
Dong et al. Intelligent segmentation and measurement model for asphalt road cracks based on modified mask R-CNN algorithm
CN112785557A (zh) 皮带料流检测方法及装置、皮带料流检测系统
CN113496480A (zh) 一种焊缝图像缺陷的检测方法
CN116012572A (zh) 一种隧道爆破振动监测方法及系统
CN113673478B (zh) 基于深度学习全景拼接的港口大型设备检测与识别方法
CN112070037A (zh) 基于遥感影像的道路提取方法、装置、介质及设备
CN113763412B (zh) 图像处理方法、装置及电子设备、计算机可读存储介质
Ning et al. YOLOv7-RDD: A Lightweight Efficient Pavement Distress Detection Model
CN116596895B (zh) 一种变电设备图像缺陷识别方法及系统
CN117765485A (zh) 基于改进的深度残差网络的车型识别方法、装置和设备
IZUMI et al. Low-cost training data creation for crack detection using an attention mechanism in deep learning models
CN112215301A (zh) 基于卷积神经网络的影像直线探测方法
CN117496426A (zh) 基于互学习的预制梁工序识别方法及装置
CN111523543A (zh) 一种基于学习的隧道表面缺陷定位方法
CN115908952A (zh) 一种基于改进YOLOv5算法的高铁隧道卡具检测方法
CN111401286B (zh) 一种基于部件权重生成网络的行人检索方法

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Room 509-49, Building 5, No. 97, Changping Road, Shahe Town, Changping District, Beijing 102206

Applicant after: Beijing Dacheng Guoce Intelligent Technology Co.,Ltd.

Applicant after: Beijing Dacheng Guoce Technology Co.,Ltd.

Address before: Room 509-49, Building 5, No. 97, Changping Road, Shahe Town, Changping District, Beijing 102206

Applicant before: Beijing Dacheng Guoce Intelligent Technology Co.,Ltd.

Applicant before: BEIJING DACHENG GUOCE SCIENCE AND TECHNOLOGY CO.,LTD.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20230425