CN116245838A - 一种岩土勘探行为的监测方法、监测装置、设备及介质 - Google Patents

一种岩土勘探行为的监测方法、监测装置、设备及介质 Download PDF

Info

Publication number
CN116245838A
CN116245838A CN202310176016.7A CN202310176016A CN116245838A CN 116245838 A CN116245838 A CN 116245838A CN 202310176016 A CN202310176016 A CN 202310176016A CN 116245838 A CN116245838 A CN 116245838A
Authority
CN
China
Prior art keywords
drill rod
behavior
video image
detection model
video
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
CN202310176016.7A
Other languages
English (en)
Inventor
郑文
林文
林恒
张翔
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.)
Fujian Huichuan Internet Of Things Technology Science And Technology Co ltd
Original Assignee
Fujian Huichuan Internet Of Things Technology Science And 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 Fujian Huichuan Internet Of Things Technology Science And Technology Co ltd filed Critical Fujian Huichuan Internet Of Things Technology Science And Technology Co ltd
Priority to CN202310176016.7A priority Critical patent/CN116245838A/zh
Publication of CN116245838A publication Critical patent/CN116245838A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • 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
    • G06T2207/30232—Surveillance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本申请提供了一种岩土勘探行为的监测方法、监测装置、设备及介质，所述监测方法包括：通过视频采集单元实时采集预设范围内的视频影像；将视频影像输入到关键行为检测模型中，当关键行为检测模型检测到视频影像中存在安装钻杆行为时，基于视频影像确定出每次安装钻杆行为对应的已安装钻杆的钻杆长度；当关键行为检测模型检测到视频影像中存在提钻取样行为时，将多个钻杆长度中的最大值确定为样本取样深度；将样本取样深度与预设取样深度进行对比，当样本取样深度与预设取样深度之间的差值大于或等于预设差值时，则认为当前岩土勘探行为异常。通过所述监测方法和监测装置，避免人为因素导致的取样误差，提高了钻探取样的有效性。

Description

一种岩土勘探行为的监测方法、监测装置、设备及介质
技术领域
本申请涉及视频监测技术领域，具体而言，涉及一种岩土勘探行为的监测方法、监测装置、设备及介质。
背景技术
通过岩土工程勘察，对地质特征、环境特征以及岩土工程条件进行科学合理的评估，有利于为工程设计和施工提供参考依据。通过应用适宜的地基处理技术，能够有效改善地基基础变形性质以及渗透性水平，提高地基基础承载力，保障上部建筑结构的稳定性和可靠性，因此岩土工程勘察关系到整个工程项目的成败，其重要性不言而喻。
钻探取样是岩土工程勘察的重要环节，通过钻取地下岩土的样本，可以直观的了解地下不同深度岩土的分布情况，并建立岩土分布模型，并用于指导工程建设的设计工作。
钻探取样过程中，因施工人员的水平良莠不齐，人工监管成本高，容易发生施工人员未按要求钻探到目标深度的情况，严重影响钻探取样的有效性，对工程建设造成不利影响。
发明内容
有鉴于此，本申请的目的在于提供一种岩土勘探行为的监测方法、监测装置、设备及介质，利用关键行为检测模型对钻探取样的视频影像进行分析，估算出样本取样深度，当样本取样深度与预设样本深度之间的差距较大时，识别出岩土勘探行为异常，避免人为因素导致的取样误差，提高了钻探取样的有效性。
第一方面，本申请实施例提供了一种岩土勘探行为的监测方法，所述监测方法包括：
通过视频采集单元实时采集预设范围内的视频影像；其中，所述预设范围中包括钻探设备所处的位置；
将所述视频影像输入到关键行为检测模型中，当所述关键行为检测模型检测到所述视频影像中存在安装钻杆行为时，基于所述视频影像确定出每次所述安装钻杆行为对应的已安装钻杆的钻杆长度；
当所述关键行为检测模型检测到所述视频影像中存在提钻取样行为时，将多个所述钻杆长度中的最大值确定为样本取样深度；
将所述样本取样深度与预设取样深度进行对比，当所述样本取样深度与所述预设取样深度之间的差值大于或等于预设差值时，则认为当前岩土勘探行为异常。
进一步的，在所述将所述视频影像中输入到关键行为检测模型中之前，所述监测方法还包括：
确定所述视频采集单元与所述钻探设备之间的距离。
进一步的，所述将所述视频影像输入到关键行为检测模型中，当所述关键行为检测模型检测到所述视频影像中存在安装钻杆行为时，基于所述视频影像确定出每次所述安装钻杆行为对应的已安装钻杆的钻杆长度，包括：
当所述关键行为检测模型检测到所述视频影像中存在所述安装钻杆行为时，基于所述安装钻杆行为的开始时间点和结束时间点从所述视频影像中截取安装钻杆视频片段，并将所述安装钻杆视频片段中的最后一帧画面确定为第一目标画面；其中，所述第一目标画面中携带有所述安装钻杆行为所安装的目标钻杆；
利用深度学习目标检测模型，在所述第一目标画面中识别出钻杆安装的顶部位置，并基于所述顶部位置在所述第一目标画面中确定出钻杆安装区域；
使用直线检测方法，在所述第一目标画面中的所述钻杆安装区域内识别所述目标钻杆的两条边缘线段；
利用所述视频采集单元与所述钻探设备之间的距离、所述视频采集单元的焦距参数及每条所述边缘线段在所述第一目标画面中的端点坐标计算得到所述目标钻杆的物理长度，并将所述目标钻杆的物理长度确定为所述已安装钻杆的钻杆长度。
进一步的，所述监测方法还包括：
当所述关键行为检测模型检测到所述视频影像中存在下一安装钻杆行为时，确定出所述下一安装钻杆行为所安装的下一目标钻杆的物理长度；
将所述已安装钻杆的钻杆长度与所述下一目标钻杆的物理长度之和确定为所述已安装钻杆的钻杆长度；
返回执行所述当所述关键行为检测模型检测到所述视频影像中存在下一安装钻杆行为时，确定出所述下一安装钻杆行为所安装的下一目标钻杆的物理长度的步骤，直至所述视频影像中不存在所述下一安装钻杆行为。
进一步的，在确定出所述已安装钻杆的钻杆长度后，所述监测方法还包括：
当所述关键行为检测模型检测到所述视频影像中存在拆卸钻杆行为时，确定所述拆卸钻杆行为所拆卸的拆卸钻杆的拆卸长度；
将所述已安装钻杆的钻杆长度与所述拆卸钻杆的拆卸长度之差确定为所述已安装钻杆的钻杆长度；
返回执行所述当所述关键行为检测模型检测到所述视频影像中存在拆卸钻杆行为时，确定所述拆卸钻杆行为所拆卸的拆卸钻杆的拆卸长度的步骤，直至所述视频影像中不存在所述拆卸钻杆行为。
进一步的，所述将所述视频影像中输入到关键行为检测模型中之后，所述监测方法还包括：
当所述关键行为检测模型检测到所述视频影像中存在摆放样本行为时，基于所述摆放样本行为的开始时间点和结束时间点从所述视频影像中截取摆放样本视频片段，并将所述摆放样本视频片段中的最后一帧画面确定为第二目标画面；
将所述第二目标画面输入到样本区域识别模型中，确定并在所述第二目标画面中标记出样本摆放区域，得到标记后的第二目标画面；
将所述标记后的第二目标画面输入到钻探规范检测模型中，判断所述标记后的第二目标画面中的样本摆放区域是否符合钻探规范。
进一步的，所述监测方法还包括：
将所述视频影像中输入到异常行为检测模型中，当所述异常行为检测模型检测到所述视频影像中存在异常行为时，基于所述异常行为的开始时间点和结束时间点从所述视频影像中截取异常行为视频片段。
第二方面，本申请实施例还提供一种岩土勘探行为的监测装置，所述监测装置包括：
视频影像采集模块，用于通过视频采集单元实时采集预设范围内的视频影像；其中，所述预设范围中包括钻探设备所处的位置；
钻杆长度确定模块，用于将所述视频影像输入到关键行为检测模型中，当所述关键行为检测模型检测到所述视频影像中存在安装钻杆行为时，基于所述视频影像确定出每次所述安装钻杆行为对应的已安装钻杆的钻杆长度；
样本取样深度确定模块，用于当所述关键行为检测模型检测到所述视频影像中存在提钻取样行为时，将多个所述钻杆长度中的最大值确定为样本取样深度；
第一异常行为监测模块，用于将所述样本取样深度与预设取样深度进行对比，当所述样本取样深度与所述预设取样深度之间的差值大于或等于预设差值时，则认为当前岩土勘探行为异常。
第三方面，本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的岩土勘探行为的监测方法的步骤。
第四方面，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的岩土勘探行为的监测方法的步骤。
本申请实施例提供的岩土勘探行为的监测方法和监测装置，首先，通过视频采集单元实时采集预设范围内的视频影像；其中，所述预设范围中包括钻探设备所处的位置；然后，将所述视频影像输入到关键行为检测模型中，当所述关键行为检测模型检测到所述视频影像中存在安装钻杆行为时，基于所述视频影像确定出每次所述安装钻杆行为对应的已安装钻杆的钻杆长度；当所述关键行为检测模型检测到所述视频影像中存在提钻取样行为时，将多个所述钻杆长度中的最大值确定为样本取样深度；最后，将所述样本取样深度与预设取样深度进行对比，当所述样本取样深度与所述预设取样深度之间的差值大于或等于预设差值时，则认为当前岩土勘探行为异常。
通过本申请实施例提供的岩土勘探行为的监测方法，利用关键行为检测模型对钻探取样的视频影像进行分析，估算出样本取样深度，当样本取样深度与预设样本深度之间的差距较大时，识别出岩土勘探行为异常，避免人为因素导致的取样误差，提高了钻探取样的有效性。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例所提供的一种岩土勘探行为的监测方法的流程图；
图2为本申请实施例所提供的一种岩土勘探行为的监测装置的结构示意图之一；
图3为本申请实施例所提供的一种岩土勘探行为的监测装置的结构示意图之二；
图4为本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本申请保护的范围。
首先，对本申请可适用的应用场景进行介绍。本申请可应用于视频监测技术领域。
通过岩土工程勘察，对地质特征、环境特征以及岩土工程条件进行科学合理的评估，有利于为工程设计和施工提供参考依据。通过应用适宜的地基处理技术，能够有效改善地基基础变形性质以及渗透性水平，提高地基基础承载力，保障上部建筑结构的稳定性和可靠性，因此岩土工程勘察关系到整个工程项目的成败，其重要性不言而喻。
钻探取样是岩土工程勘察的重要环节，通过钻取地下岩土的样本，可以直观的了解地下不同深度岩土的分布情况，并建立岩土分布模型，并用于指导工程建设的设计工作。
经研究发现，钻探取样过程中，因施工人员的水平良莠不齐，人工监管成本高，容易发生施工人员未按要求钻探到目标深度的情况，严重影响钻探取样的有效性，对工程建设造成不利影响。
基于此，本申请实施例提供了一种岩土勘探行为的监测方法，避免人为因素导致的取样误差，提高了钻探取样的有效性。
请参阅图1，图1为本申请实施例所提供的一种岩土勘探行为的监测方法的流程图。如图1中所示，本申请实施例提供的监测方法，包括：
S101，通过视频采集单元实时采集预设范围内的视频影像。
需要说明的是，视频采集模块指的是用于采集视频影像的装置。这里，视频采集模块可以是摄像头，对此本申请不做具体限定。预设范围指的是预先划分好的，视频采集单元需要进行采集的实际范围。其中，预设范围中包括钻探设备所处的位置。这里，钻探设备是指用于钻探施工这种特定工况的机械装置和设备，根据本申请提供的实施例，钻探设备则是用来进行岩土勘探的设备。
针对上述步骤S101，在具体实施时，首先将视频采集单元安装在钻探设备附近，使其所采集的视频画面中包含预设范围内的影像，采集到的影像中也包含钻探设备。由此可以通过视频采集单元实时采集预设范围内的视频影像。
S102，将所述视频影像输入到关键行为检测模型中，当所述关键行为检测模型检测到所述视频影像中存在安装钻杆行为时，基于所述视频影像确定出每次所述安装钻杆行为对应的已安装钻杆的钻杆长度。
需要说明的是，关键行为检测模型指的是预先训练好的，用于检测视频影像中是否拍摄到用户进行关键行为的模型。这里，关键行为检测模型可以是经过训练的深度学习神经网络模型，如MoViNets。MoViNets用轻量化的行为识别模型更加高效地对流媒体视频进行在线推理，并能对现代智能手机上捕获的视频流进行实时分类。它是一个卷积神经网络系列，提供了基于2D帧的分类器和3D视频分类器的关键优势，同时减轻了它们的缺点。MoViNets系列模型通过NAS、Stream Buffer、Ensemble三个途径，有效平衡了计算量、内存开销、精度。通过大量对比实验，MoViNets系列模型在Kinetics、Moments in Tme和charades视频动作识别数据集上实现最先进的准确性和效率，证明了该网络的高效性和广泛适用性。
针对上述步骤S102，在具体实施时，在步骤S101实时采集到视频影像之后，将视频影像的每帧画面逐一输入到预先训练好的关键行为检测模型中，以使关键行为检测模型来检测视频影像中是否存在用户的关键行为。当关键行为检测模型检测到视频影像中存在安装钻杆行为时，基于视频影像确定已安装钻杆的钻杆长度。这里，具体如何训练关键行为检测模型以使关键行为检测模型可以从视频影像识别出预设行为的方法在现有技术中有详细说明，在此不再赘述。
具体的，根据本申请提供的岩土勘探行为的监测方法，在所述将所述视频影像中输入到关键行为检测模型中之前，所述监测方法还包括：
确定所述视频采集单元与所述钻探设备之间的距离。
这里，在具体实施时，在将视频采集单元采集到的视频影像中输入到关键行为检测模型中之前，需要确定视频采集单元与钻探设备之间的距离。这里，视频采集单元与钻探设备之间的距离可以通过手持激光测距仪测量，也可以通过拉尺测量，还可以通过识别固定大小的靶标在视频影像中的像素尺寸测量，具体的测量方法本申请不做具体限定。
具体的，针对上述步骤S102，所述将所述视频影像中输入到关键行为检测模型中，当所述关键行为检测模型检测到所述视频影像中存在安装钻杆行为时，基于所述视频影像确定出每次所述安装钻杆行为对应的已安装钻杆的钻杆长度，包括：
步骤1021，当所述关键行为检测模型检测到所述视频影像中存在所述安装钻杆行为时，基于所述安装钻杆行为的开始时间点和结束时间点从所述视频影像中截取安装钻杆视频片段，并将所述安装钻杆视频片段中的最后一帧画面确定为第一目标画面。
其中，所述第一目标画面中携带有所述安装钻杆行为所安装的目标钻杆。
针对上述步骤1021，在具体实施时，视频影像输入到关键行为检测模型中后，当关键行为检测模型检测到视频影像中存在安装钻杆行为时，则确定该安装钻杆行为的开始时间点和结束时间点。然后，基于安装钻杆行为的开始时间点和结束时间点从视频影像中截取安装钻杆视频片段，并将安装钻杆视频片段中的最后一帧画面确定为第一目标画面。这里，所确定出的第一目标画面中携带有此次安装钻杆行为所安装的目标钻杆。
步骤1022，利用深度学习目标检测模型，在所述第一目标画面中识别出钻杆安装的顶部位置，并基于所述顶部位置在所述第一目标画面中确定出钻杆安装区域。
步骤1023，使用直线检测方法，在所述第一目标画面中的所述钻杆安装区域内识别所述目标钻杆的两条边缘线段。
步骤1024，利用所述视频采集单元与所述钻探设备之间的距离、所述视频采集单元的焦距参数及每条所述边缘线段在所述第一目标画面中的端点坐标计算得到所述目标钻杆的物理长度，并将所述目标钻杆的物理长度确定为所述已安装钻杆的钻杆长度。
针对上述步骤1022-步骤1024，在具体实施时，得到第一目标画面后，将第一目标画面输入到深度学习目标检测模型中，利用深度学习目标检测模型，在第一目标画面中识别出钻杆安装的顶部位置。这里的顶部位置可以是固定用三脚架的顶部等。然后再基于顶部位置在第一目标画面中确定出钻杆安装区域。这里，可以将从顶部位置向下直到第一目标画面的底部之间的区域确定为钻杆安装区域。然后再使用Hough直线检测方法，在第一目标画面中的钻杆安装区域内识别目标钻杆的两条边缘线段。这里，使用Hough直线检测方法在画面中识别线段的方法在现有技术中有详细说明，在此不再赘述。最后，基于相机成像原理，利用上述步骤确定出的视频采集单元与钻探设备之间的距离、视频采集单元的焦距参数及每条边缘线段在第一目标画面中的端点坐标计算得到目标钻杆的物理长度，并将计算出的目标钻杆的物理长度确定为已安装钻杆的钻杆长度。
具体的，根据本申请提供的岩土勘探行为的监测方法，所述监测方法还包括：
A：当所述关键行为检测模型检测到所述视频影像中存在下一安装钻杆行为时，确定出所述下一安装钻杆行为所安装的下一目标钻杆的物理长度。
B：将所述已安装钻杆的钻杆长度与所述下一目标钻杆的物理长度之和确定为所述已安装钻杆的钻杆长度。
C：返回执行所述当所述关键行为检测模型检测到所述视频影像中存在下一安装钻杆行为时，确定出所述下一安装钻杆行为所安装的下一目标钻杆的物理长度的步骤，直至所述视频影像中不存在所述下一安装钻杆行为。
在实际中，钻探设备可能会安装多个钻杆。当检测到多次安装钻杆行为时，通过上述步骤A-步骤C来确定所安装的多个钻杆的总长度。针对上述步骤A-步骤C，在具体实施时，当关键行为检测模型检测到视频影像中存在下一安装钻杆行为时，确定出下一安装钻杆行为所安装的下一目标钻杆的物理长度。这里，确定下一目标钻杆的物理长度的方法与上述步骤1021-1024所提供的确定目标钻杆的物理长度的方法相同，并且可以达到相同的技术效果，在此不再赘述。然后将已安装钻杆的钻杆长度与下一目标钻杆的物理长度之和确定为已安装钻杆的钻杆长度。然后返回执行上述步骤A中当所述关键行为检测模型检测到所述视频影像中存在下一安装钻杆行为时，确定出所述下一安装钻杆行为所安装的下一目标钻杆的物理长度的步骤，若有直至所述视频影像中不存在所述下一安装钻杆行为。这样，所安装的全部钻杆的总长度即为确定出的已安装钻杆的钻杆长度。
作为另一种可行的实施方式，确定已安装钻杆的钻杆长度的方法还可以通过维持一个队列，比如[a1,a2,...,an]，其中a1,a2,...,an分别为每根已安装的钻杆的钻杆长度，其中a1为第一根钻杆的钻杆长度，an为第n根钻杆的钻杆长度。当安装钻杆行为发生时，将所安装的钻杆的物理长度添加到队列尾部，从而队列的长度增加1，此时已安装钻杆的钻杆长度等于队列中所有钻杆长度之和。
具体的，根据本申请提供的岩土勘探行为的监测方法，在确定出所述已安装钻杆的钻杆长度后，所述监测方法还包括：
a：当所述关键行为检测模型检测到所述视频影像中存在拆卸钻杆行为时，确定所述拆卸钻杆行为所拆卸的拆卸钻杆的拆卸长度。
b：将所述已安装钻杆的钻杆长度与所述拆卸钻杆的拆卸长度之差确定为所述已安装钻杆的钻杆长度。
c：返回执行所述当所述关键行为检测模型检测到所述视频影像中存在拆卸钻杆行为时，确定所述拆卸钻杆行为所拆卸的拆卸钻杆的拆卸长度的步骤，直至所述视频影像中不存在所述拆卸钻杆行为。
针对上述步骤a-c，在具体实施时，当关键行为检测模型检测到视频影像中存在拆卸钻杆行为时，确定拆卸钻杆行为所拆卸的拆卸钻杆的拆卸长度。这里，确定拆卸钻杆行为所拆卸的拆卸钻杆的拆卸长度的方法与上述步骤1021-1024所提供的确定目标钻杆的物理长度的方法相同，并且可以达到相同的技术效果，在此不再赘述。然后，将已安装钻杆的钻杆长度与拆卸钻杆的拆卸长度之差确定为已安装钻杆的钻杆长度。返回执行上述步骤a中当所述关键行为检测模型检测到所述视频影像中存在拆卸钻杆行为时，确定所述拆卸钻杆行为所拆卸的拆卸钻杆的拆卸长度的步骤，直至所述视频影像中不存在所述拆卸钻杆行为。
作为另一种可行的实施方式，确定拆卸钻杆行为所拆卸的拆卸钻杆的拆卸长度的方法还可以通过维持一个队列，比如[a1,a2,...,an]，其中a1,a2,...,an分别为每根已安装的钻杆的钻杆长度，其中a1为第一根钻杆的钻杆长度，an为第n根钻杆的钻杆长度。当安装钻杆行为发生时，将所安装的钻杆的物理长度添加到队列尾部，从而队列的长度增加1；当拆卸钻杆行为发生时，所拆卸的拆卸钻杆的拆卸长度等于队列中最后一根钻杆的长度，并将队列的长度减1。
S103，当所述关键行为检测模型检测到所述视频影像中存在提钻取样行为时，将多个所述钻杆长度中的最大值确定为样本取样深度。
S104，将所述样本取样深度与预设取样深度进行对比，当所述样本取样深度与所述预设取样深度之间的差值大于或等于预设差值时，则认为当前岩土勘探行为异常。
需要说明的是，预设取样深度指的是预先设定好的，岩土取样的标准深度。预设差值指的是预先设定好的，用于判断当前岩土勘探行为异常是否异常的数据。
针对上述步骤S103-步骤S104，在具体实施时，视频影像输入到关键行为检测模型中后，当关键行为检测模型检测到视频影像中存在提钻取样行为时，将步骤S102中确定出的多个已安装钻杆的钻杆长度中的最大值确定为样本取样深度。在钻芯取样过程中，受地质条件影响，一次钻探可能需要经过多次安装、拆卸、再安装、再拆卸的过程，因此已安装钻杆的钻杆长度会随之增大和减少。这里将该过程中已安装钻杆的钻杆长度的历史最大值确定为样本取样深度。然后，将样本取样深度与预设取样深度进行对比，当样本取样深度与预设取样深度之间的差值大于或等于预设差值时，则认为当前岩土勘探行为异常。这样，利用关键行为检测模型对钻探取样的视频影像进行分析，估算出样本取样深度，当样本取样深度与预设样本深度之间的差距较大时，识别出岩土勘探行为异常，避免人为因素导致的取样误差，提高了钻探取样的有效性。
这里，作为一种可选的实施方式，当判断当前岩土勘探行为异常时，可进行声光报警，以及时提醒用户当前的岩土勘探行为异常。
作为一种可选的实施方式，所述将所述视频影像中输入到关键行为检测模型中之后，所述监测方法还包括：
I：当所述关键行为检测模型检测到所述视频影像中存在摆放样本行为时，基于所述摆放样本行为的开始时间点和结束时间点从所述视频影像中截取摆放样本视频片段，并将所述摆放样本视频片段中的最后一帧画面确定为第二目标画面。
针对上述步骤I，在具体实施时，视频影像输入到关键行为检测模型中后，当关键行为检测模型检测到视频影像中存在摆放样本行为时，则确定该摆放样本行为的开始时间点和结束时间点。然后，基于摆放样本行为的开始时间点和结束时间点从视频影像中截取摆放样本视频片段，并将摆放样本视频片段中的最后一帧画面确定为第二目标画面。
II：将所述第二目标画面输入到样本区域识别模型中，确定并在所述第二目标画面中标记出样本摆放区域，得到标记后的第二目标画面。
III：将所述标记后的第二目标画面输入到钻探规范检测模型中，判断所述标记后的第二目标画面中的样本摆放区域是否符合钻探规范。
需要说明的是，样本区域识别模型指的是预先训练好的，用来识别画面中特定区域的模型。这里，样本区域识别模型可以是经过训练的深度学习神经网络模型，如YOLOv4。钻探规范检测模型指的是预先训练好的，用来判断画面中特定区域是否合规的分类模型。这里，钻探规范检测模型可以是经过训练的深度学习神经网络模型，如resnet50。
针对上述步骤II-步骤III，在具体实施时，在步骤I确定出第二目标画面后，将第二目标画面输入到预先训练好的样本区域识别模型中，确定并在第二目标画面中标记出样本摆放区域，得到标记后的第二目标画面。这里，具体如何训练样本区域识别模型以使样本区域识别模型可以从图像中识别出预设区域的方法在现有技术中有详细说明，在此不再赘述。然后将标记后的第二目标画面输入到钻探规范检测模型中，判断标记后的第二目标画面中的样本摆放区域是否符合钻探规范。这里，具体如何训练钻探规范检测模型以使钻探规范检测模型可以识别出图像中所标注的区域是否合规的方法在现有技术中有详细说明，在此不再赘述。这样，利用数学模型对钻探取样的视频影像进行分析，可以检测到样本摆放区域是否按钻探取样深度摆放整齐，避免操作人员胡乱堆放样本，导致样本深度数据错乱。
作为一种可选的实施方式，本申请实施例所提供的监测方法还包括：
将所述视频影像中输入到异常行为检测模型中，当所述异常行为检测模型检测到所述视频影像中存在异常行为时，基于所述异常行为的开始时间点和结束时间点从所述视频影像中截取异常行为视频片段。
需要说明的是，异常行为检测模型指的是预先训练好的，用于检测视频影像中是否存在异常行为的模型。这里，异常行为检测模型可以是经过训练的深度学习神经网络模型，如MPN(Meta Prototype Network)。MPN提出了一个场景模式自适应的动态原型(prototype)学习框架，实时的学习视频中的正常模式，来辅助视频帧的预测，然后通过视频帧的预测误差和原型与输入特征的距离来检测异常。异常行为包括且不限于：敲击钻杆取芯行为。
针对上述步骤，在具体实施时，将采集到的视频影像中输入到异常行为检测模型中，当异常行为检测模型检测到视频影像中存在异常行为时，确定该异常行为的开始时间点和结束时间点，然后基于异常行为的开始时间点和结束时间点从视频影像中截取异常行为视频片段。这里，作为一种可选的实施方式，当异常行为检测模型识别到异常行为发生时，可进行声光报警，以及时提醒用户当前的岩土勘探行为异常。并且将截取到的异常行为视频片段通过网络发送到服务器端并发出告警信息。利用数学模型对钻探取样的视频影像进行实时分析，可以在操作人员进行违规操作时进行告警和提醒，有效减少违规操作。
本申请实施例提供的岩土勘探行为的监测方法，首先，通过视频采集单元实时采集预设范围内的视频影像；其中，所述预设范围中包括钻探设备所处的位置；然后，将所述视频影像输入到关键行为检测模型中，当所述关键行为检测模型检测到所述视频影像中存在安装钻杆行为时，基于所述视频影像确定出每次所述安装钻杆行为对应的已安装钻杆的钻杆长度；当所述关键行为检测模型检测到所述视频影像中存在提钻取样行为时，将多个所述钻杆长度中的最大值确定为样本取样深度；最后，将所述样本取样深度与预设取样深度进行对比，当所述样本取样深度与所述预设取样深度之间的差值大于或等于预设差值时，则认为当前岩土勘探行为异常。这样，利用关键行为检测模型对钻探取样的视频影像进行分析，估算出样本取样深度，当样本取样深度与预设样本深度之间的差距较大时，识别出岩土勘探行为异常，避免人为因素导致的取样误差，提高了钻探取样的有效性。
请参阅图2、图3，图2为本申请实施例所提供的一种岩土勘探行为的监测装置的结构示意图之一，图3为本申请实施例所提供的一种岩土勘探行为的监测装置的结构示意图之二。如图2所示，所述监测装置200包括：
视频影像采集模块201，用于通过视频采集单元实时采集预设范围内的视频影像；其中，所述预设范围中包括钻探设备所处的位置；
钻杆长度确定模块202，用于将所述视频影像输入到关键行为检测模型中，当所述关键行为检测模型检测到所述视频影像中存在安装钻杆行为时，基于所述视频影像确定出每次所述安装钻杆行为对应的已安装钻杆的钻杆长度；
样本取样深度确定模块203，用于当所述关键行为检测模型检测到所述视频影像中存在提钻取样行为时，将多个所述钻杆长度中的最大值确定为样本取样深度；
第一异常行为监测模块204，用于将所述样本取样深度与预设取样深度进行对比，当所述样本取样深度与所述预设取样深度之间的差值大于或等于预设差值时，则认为当前岩土勘探行为异常。
进一步的，如图3所示，所述监测装置200还包括距离确定模块205；所述距离确定模块205用于：
确定所述视频采集单元与所述钻探设备之间的距离。
进一步的，所述钻杆长度确定模块202在用于将所述视频影像输入到关键行为检测模型中，当所述关键行为检测模型检测到所述视频影像中存在安装钻杆行为时，基于所述视频影像确定出每次所述安装钻杆行为对应的已安装钻杆的钻杆长度时，所述钻杆长度确定模块202用于：
当所述关键行为检测模型检测到所述视频影像中存在所述安装钻杆行为时，基于所述安装钻杆行为的开始时间点和结束时间点从所述视频影像中截取安装钻杆视频片段，并将所述安装钻杆视频片段中的最后一帧画面确定为第一目标画面；其中，所述第一目标画面中携带有所述安装钻杆行为所安装的目标钻杆；
利用深度学习目标检测模型，在所述第一目标画面中识别出钻杆安装的顶部位置，并基于所述顶部位置在所述第一目标画面中确定出钻杆安装区域；
使用直线检测方法，在所述第一目标画面中的所述钻杆安装区域内识别所述目标钻杆的两条边缘线段；
利用所述视频采集单元与所述钻探设备之间的距离、所述视频采集单元的焦距参数及每条所述边缘线段在所述第一目标画面中的端点坐标计算得到所述目标钻杆的物理长度，并将所述目标钻杆的物理长度确定为所述已安装钻杆的钻杆长度。
进一步的，所述钻杆长度确定模块202还用于：
当所述关键行为检测模型检测到所述视频影像中存在拆卸钻杆行为时，确定所述拆卸钻杆行为所拆卸的拆卸钻杆的拆卸长度；
将所述已安装钻杆的钻杆长度与所述拆卸钻杆的拆卸长度之差确定为所述已安装钻杆的钻杆长度；
返回执行所述当所述关键行为检测模型检测到所述视频影像中存在拆卸钻杆行为时，确定所述拆卸钻杆行为所拆卸的拆卸钻杆的拆卸长度的步骤，直至所述视频影像中不存在所述拆卸钻杆行为。
进一步的，所述钻杆长度确定模块202还用于：
当所述关键行为检测模型检测到所述视频影像中存在拆卸钻杆行为时，确定所述拆卸钻杆行为所拆卸的拆卸钻杆的拆卸长度；
将所述已安装钻杆的钻杆长度与所述拆卸钻杆的拆卸长度之差确定为所述已安装钻杆的钻杆长度；
返回执行所述当所述关键行为检测模型检测到所述视频影像中存在拆卸钻杆行为时，确定所述拆卸钻杆行为所拆卸的拆卸钻杆的拆卸长度的步骤，直至所述视频影像中不存在所述拆卸钻杆行为。
进一步的，如图3所示，所述监测装置200还包括判断模块206；所述判断模块206用于：
当所述关键行为检测模型检测到所述视频影像中存在摆放样本行为时，基于所述摆放样本行为的开始时间点和结束时间点从所述视频影像中截取摆放样本视频片段，并将所述摆放样本视频片段中的最后一帧画面确定为第二目标画面；
将所述第二目标画面输入到样本区域识别模型中，确定并在所述第二目标画面中标记出样本摆放区域，得到标记后的第二目标画面；
将所述标记后的第二目标画面输入到钻探规范检测模型中，判断所述标记后的第二目标画面中的样本摆放区域是否符合钻探规范。
进一步的，如图3所示，所述监测装置200还包括第二异常行为监测模块207；所述第二异常行为监测模块207用于：
将所述视频影像中输入到异常行为检测模型中，当所述异常行为检测模型检测到所述视频影像中存在异常行为时，基于所述异常行为的开始时间点和结束时间点从所述视频影像中截取异常行为视频片段。
请参阅图4，图4为本申请实施例所提供的一种电子设备的结构示意图。如图4中所示，所述电子设备400包括处理器410、存储器420和总线430。
所述存储器420存储有所述处理器410可执行的机器可读指令，当电子设备400运行时，所述处理器410与所述存储器420之间通过总线430通信，所述机器可读指令被所述处理器410执行时，可以执行如上述图1所示方法实施例中的一种岩土勘探行为的监测方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图1所示方法实施例中的一种岩土勘探行为的监测方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个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。
所述功能如果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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请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介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种岩土勘探行为的监测方法，其特征在于，所述监测方法包括：
通过视频采集单元实时采集预设范围内的视频影像；其中，所述预设范围中包括钻探设备所处的位置；
将所述视频影像输入到关键行为检测模型中，当所述关键行为检测模型检测到所述视频影像中存在安装钻杆行为时，基于所述视频影像确定出每次所述安装钻杆行为对应的已安装钻杆的钻杆长度；
当所述关键行为检测模型检测到所述视频影像中存在提钻取样行为时，将多个所述钻杆长度中的最大值确定为样本取样深度；
将所述样本取样深度与预设取样深度进行对比，当所述样本取样深度与所述预设取样深度之间的差值大于或等于预设差值时，则认为当前岩土勘探行为异常。
2.根据权利要求1所述的监测方法，其特征在于，在所述将所述视频影像中输入到关键行为检测模型中之前，所述监测方法还包括：
确定所述视频采集单元与所述钻探设备之间的距离。
3.根据权利要求2所述的监测方法，其特征在于，所述将所述视频影像输入到关键行为检测模型中，当所述关键行为检测模型检测到所述视频影像中存在安装钻杆行为时，基于所述视频影像确定出每次所述安装钻杆行为对应的已安装钻杆的钻杆长度，包括：
当所述关键行为检测模型检测到所述视频影像中存在所述安装钻杆行为时，基于所述安装钻杆行为的开始时间点和结束时间点从所述视频影像中截取安装钻杆视频片段，并将所述安装钻杆视频片段中的最后一帧画面确定为第一目标画面；其中，所述第一目标画面中携带有所述安装钻杆行为所安装的目标钻杆；
利用深度学习目标检测模型，在所述第一目标画面中识别出钻杆安装的顶部位置，并基于所述顶部位置在所述第一目标画面中确定出钻杆安装区域；
使用直线检测方法，在所述第一目标画面中的所述钻杆安装区域内识别所述目标钻杆的两条边缘线段；
利用所述视频采集单元与所述钻探设备之间的距离、所述视频采集单元的焦距参数及每条所述边缘线段在所述第一目标画面中的端点坐标计算得到所述目标钻杆的物理长度，并将所述目标钻杆的物理长度确定为所述已安装钻杆的钻杆长度。
4.根据权利要求3所述的监测方法，其特征在于，所述监测方法还包括：
当所述关键行为检测模型检测到所述视频影像中存在下一安装钻杆行为时，确定出所述下一安装钻杆行为所安装的下一目标钻杆的物理长度；
将所述已安装钻杆的钻杆长度与所述下一目标钻杆的物理长度之和确定为所述已安装钻杆的钻杆长度；
返回执行所述当所述关键行为检测模型检测到所述视频影像中存在下一安装钻杆行为时，确定出所述下一安装钻杆行为所安装的下一目标钻杆的物理长度的步骤，直至所述视频影像中不存在所述下一安装钻杆行为。
5.根据权利要求1所述的监测方法，其特征在于，在确定出所述已安装钻杆的钻杆长度后，所述监测方法还包括：
当所述关键行为检测模型检测到所述视频影像中存在拆卸钻杆行为时，确定所述拆卸钻杆行为所拆卸的拆卸钻杆的拆卸长度；
将所述已安装钻杆的钻杆长度与所述拆卸钻杆的拆卸长度之差确定为所述已安装钻杆的钻杆长度；
返回执行所述当所述关键行为检测模型检测到所述视频影像中存在拆卸钻杆行为时，确定所述拆卸钻杆行为所拆卸的拆卸钻杆的拆卸长度的步骤，直至所述视频影像中不存在所述拆卸钻杆行为。
6.根据权利要求1所述的监测方法，其特征在于，所述将所述视频影像中输入到关键行为检测模型中之后，所述监测方法还包括：
当所述关键行为检测模型检测到所述视频影像中存在摆放样本行为时，基于所述摆放样本行为的开始时间点和结束时间点从所述视频影像中截取摆放样本视频片段，并将所述摆放样本视频片段中的最后一帧画面确定为第二目标画面；
将所述第二目标画面输入到样本区域识别模型中，确定并在所述第二目标画面中标记出样本摆放区域，得到标记后的第二目标画面；
将所述标记后的第二目标画面输入到钻探规范检测模型中，判断所述标记后的第二目标画面中的样本摆放区域是否符合钻探规范。
7.根据权利要求1所述的监测方法，其特征在于，所述监测方法还包括：
将所述视频影像中输入到异常行为检测模型中，当所述异常行为检测模型检测到所述视频影像中存在异常行为时，基于所述异常行为的开始时间点和结束时间点从所述视频影像中截取异常行为视频片段。
8.一种岩土勘探行为的监测装置，其特征在于，所述监测装置包括：
视频影像采集模块，用于通过视频采集单元实时采集预设范围内的视频影像；其中，所述预设范围中包括钻探设备所处的位置；
钻杆长度确定模块，用于将所述视频影像输入到关键行为检测模型中，当所述关键行为检测模型检测到所述视频影像中存在安装钻杆行为时，基于所述视频影像确定出每次所述安装钻杆行为对应的已安装钻杆的钻杆长度；
样本取样深度确定模块，用于当所述关键行为检测模型检测到所述视频影像中存在提钻取样行为时，将多个所述钻杆长度中的最大值确定为样本取样深度；
第一异常行为监测模块，用于将所述样本取样深度与预设取样深度进行对比，当所述样本取样深度与所述预设取样深度之间的差值大于或等于预设差值时，则认为当前岩土勘探行为异常。
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线进行通信，所述机器可读指令被所述处理器运行时执行如权利要求1至7任一所述的岩土勘探行为的监测方法的步骤。
10.一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上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7任一所述的岩土勘探行为的监测方法的步骤。
CN202310176016.7A 2023-02-28 2023-02-28 一种岩土勘探行为的监测方法、监测装置、设备及介质 Pending CN116245838A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310176016.7A CN116245838A (zh) 2023-02-28 2023-02-28 一种岩土勘探行为的监测方法、监测装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310176016.7A CN116245838A (zh) 2023-02-28 2023-02-28 一种岩土勘探行为的监测方法、监测装置、设备及介质

Publications (1)

Publication Number Publication Date
CN116245838A true CN116245838A (zh) 2023-06-09

Family

ID=86634676

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310176016.7A Pending CN116245838A (zh) 2023-02-28 2023-02-28 一种岩土勘探行为的监测方法、监测装置、设备及介质

Country Status (1)

Country Link
CN (1) CN116245838A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116824513A (zh) * 2023-08-29 2023-09-29 北京建工环境修复股份有限公司 基于深度学习的钻探过程自动识别监管方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116824513A (zh) * 2023-08-29 2023-09-29 北京建工环境修复股份有限公司 基于深度学习的钻探过程自动识别监管方法及系统
CN116824513B (zh) * 2023-08-29 2024-03-08 北京建工环境修复股份有限公司 基于深度学习的钻探过程自动识别监管方法及系统

Similar Documents

Publication Publication Date Title
EP3552067B1 (en) Methods and systems for discovery of prognostic subsequences in time series
US9811755B2 (en) Object monitoring system, object monitoring method, and monitoring target extraction program
US9146800B2 (en) Method for detecting anomalies in a time series data with trajectory and stochastic components
CN109446936A (zh) 一种用于监控场景的身份识别方法及装置
CN109766891B (zh) 获取设备设施信息的方法及计算机可读存储介质
US10417083B2 (en) Label rectification and classification/prediction for multivariate time series data
CN113343779B (zh) 环境异常检测方法、装置、计算机设备和存储介质
US20130163869A1 (en) Apparatus and method for extracting edge in image
CN116245838A (zh) 一种岩土勘探行为的监测方法、监测装置、设备及介质
CN103606221A (zh) 清分机故障自动诊断方法以及装置
EP3493157A1 (en) Method and system for visual change detection using multi-scale analysis
CN112966665A (zh) 路面病害检测模型训练方法、装置和计算机设备
CN110869942A (zh) 自馈深度学习方法和系统
JPWO2018025336A1 (ja) 劣化検出装置、劣化検出方法、及びプログラム
EP3376438A1 (en) A system and method for detecting change using ontology based saliency
CN108629310B (zh) 一种工程管理监督方法及装置
CN117314921B (zh) 一种基于rfid的轨道巡检设备的起点检测及处置方法
CN112434600A (zh) 一种无人机巡检方法及系统
CN110992299B (zh) 一种检测浏览器兼容性的方法及装置
KR102519715B1 (ko) 도로 정보 제공 시스템 및 도로 정보 제공 방법
JP2019201275A (ja) 監視システム
CN112967335A (zh) 气泡尺寸监测方法及装置
CN104318226B (zh) 车牌识别设备参数设定方法及车牌识别器
CN113095313A (zh) 文本字符串的识别方法、装置和服务器
CN116630752B (zh) 基于ai算法的施工现场目标对象识别方法及装置

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