CN116258972A - 一种基于深度学习的岩质高陡边坡结构面提取方法 - Google Patents
一种基于深度学习的岩质高陡边坡结构面提取方法 Download PDFInfo
- Publication number
- CN116258972A CN116258972A CN202310548752.0A CN202310548752A CN116258972A CN 116258972 A CN116258972 A CN 116258972A CN 202310548752 A CN202310548752 A CN 202310548752A CN 116258972 A CN116258972 A CN 116258972A
- Authority
- CN
- China
- Prior art keywords
- structural surface
- slope structural
- steep slope
- nearest neighbor
- rock
- 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
Links
- 239000011435 rock Substances 0.000 title claims abstract description 50
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 238000000605 extraction Methods 0.000 title abstract description 11
- 239000013598 vector Substances 0.000 claims abstract description 37
- 230000006870 function Effects 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 abstract 1
- 230000008901 benefit Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- 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
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/23—Dune restoration or creation; Cliff stabilisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习的岩质高陡边坡结构面提取方法,包括对该三维点云数据进行预处理;采用Knnsearch函数对三维点云数据进行最临近点搜索,得到初始最近临近点集合;对初始最近临近点集合进行共面测试,得到最近临近点集合;对最近临近点集合进行平面拟合,并计算拟合后平面的法向量;将平面拟合图像作为训练集样本;基于Softmax函数构建VGGNet模型;采用VGGNet模型对训练集样本进行训练,得到岩质高陡边坡结构面分布和岩质高陡边坡结构面产状。本发明利用深度学习的VGGNet改进网络模型,在具有提高识别效率和准确性的基础上,同时避免了手动选取主观性强的缺点。
Description
技术领域
本发明属于提取岩质边坡结构面的技术领域,具体涉及一种基于深度学习的岩质高陡边坡结构面提取方法。
背景技术
目前,国内外提取岩质边坡结构面的方法主要分为两个类型:第一个类型是利用三维点云数据直接提取,对岩石表面原始三维激光点云数据开展核密度估计算法识别优势组,再采取RANSAC算法、DBSCAN算法、MeanShift聚类算法等算法公式对各个优势组进行分割,提取结构面;第二个类型是利用数字表面模型提取,利用原始的边坡三维点云数据基于三角不规则网络(TIN)生成岩石数字表面模型,计算相似的三角网法向量确定优势组,再基于Delaunay三角网生长算法计算各优势组中的单个结构面,进而识别边坡结构面。
利用三维点云数据直接提取的方法需要人工对结构面产状分组进行确定,导致工作效率较低,同时结构面的粗糙程度对共面测试结果产生很大影响,影响提取结果精度。利用数字表面模型提取方法主要不足是扫描数据点需要手动选取,主观性较高,同时在生成数字表面模型时,离散数据会影响其生成精度,形成误差,导致提取结果精度降低。
发明内容
本发明的目的在于针对现有技术中的上述不足,提供一种基于深度学习的岩质高陡边坡结构面提取方法,以解决现有利用三维点云数据的岩质高陡边坡结构面提取存在效率较低以及精度不足的问题。
为达到上述目的,本发明采取的技术方案是:
一种基于深度学习的岩质高陡边坡结构面提取方法,其包括以下步骤:
S1、采集岩质高陡边坡结构面的三维点云数据,并对该三维点云数据进行预处理;
S2、采用Knnsearch函数对三维点云数据进行最临近点搜索,得到初始最近临近点集合;
S3、对初始最近临近点集合进行共面测试,得到最近临近点集合;
S4、对最近临近点集合进行平面拟合,得到平面拟合图像,并计算拟合后平面的法向量;
S5、将平面拟合图像作为训练集样本;
S6、基于Softmax函数构建VGGNet模型;
S7、采用VGGNet模型对训练集样本进行训练,得到岩质高陡边坡结构面分布和岩质高陡边坡结构面产状。
进一步地,步骤S2具体包括:
采用Knnsearch函数计算原始点Pi的最近临近点,得到原始点Pi的初始最近临近点集合Qiα。
进一步地,步骤S3具体包括:
采用主成分分析法对初始最近临近点集合进行共面测试,并计算变化比例H K:
其中,λ 1,λ 2,…,λ i为特征值,k为最临近点个数;
计算初始最近临近点集中点云的偏差参数η:
剔除偏差参数η大于偏差阈值η max的初始最近临近点集合,得到最近临近点集合Qi。
进一步地,步骤S4具体包括:
采用最小二乘法对最近临近点集合Qi进行平面拟合,得到平面拟合图像:
其中,X,Y,Z为点位坐标;平面法向量为N=(-α,-β,1),相邻点个数为n;α,β,γ为平面方程参数,其计算公式如下:
其中,(X 1,Y 1,Z 1)、(X 2,Y 2,Z 2)、…、(X n,Y n,Z n)为n个相邻点的的坐标。
进一步地,步骤S5具体包括:
从平面拟合图像中裁剪出大小为44×44的图像,并将图像赋予标签序列。
进一步地,步骤S6中Softmax函数为:
其中,为损失函数;n为样本数量,i为第i个样本,x为倒数第二个全连接层的输出,x i为第i个样本的特征向量,yi为第i个样本的真实标签,yi∈{1,2,...,C},C为类别总数,W j为第j个类别全连接层输出的权重向量,W yi为第yi个类别的权重向量,是一个d维的向量,其中d为特征向量xi的维度,‖W yi‖为第yi个类别的权重向量的L2范数,表示权重向量的长度,θ j为权重向量W j和特征向量X i之间的夹角,θ yi为第yi个类别的偏置项,b j为第j个类别对应的全连接层偏置,b yi为第yi个类别的偏置项,e是自然对数的底数,∑是求和符号,log是自然对数函数。
进一步地,步骤S7中得到岩质高陡边坡结构面分布,包括:
采用VGGNet模型对训练集样本进行训练,根据VGGNet模型训练结果,将样本正确类别1的值,通过标签定位到三维点云数据,得到岩质高陡边坡结构面分布。
进一步地,步骤S7中得到岩质高陡边坡结构面产状,包括:
根据提取的岩质高陡边坡结构面分布,计算岩质高陡边坡结构面的倾角θ和倾向A:
其中,A0为倾向计算过程值;
当α<0,β<0 时,A=A0;
当α<0,β>0 或α>0,β>0 时,A=A0+π;
当α>0,β<0 时,A=A0+2π;
当α=0,β<0 时,A=90°;
当 α=0,β>0 时,A=270°。
本发明提供的基于深度学习的岩质高陡边坡结构面提取方法,具有以下有益效果:
本发明基于三维点云数据进行平面拟合,利用拟合后的数据制作训练集样本,在改进的VGGNet网络模型对高陡边坡结构面进行提取,并联合Softmax函数对模型进行优化;相对传统RANSAC算法、DBSCAN算法、MeanShift聚类算法、三角网法等算法需要手动选取,主观性较高、工作效率较低以及受结构面离散数据影响较大的缺点,本发明利用深度学习的VGGNet改进网络模型,在具有提高识别效率和准确性的基础上,同时避免了手动选取主观性强的缺点。
附图说明
图1为本发明流程图。
图2为本发明VGGNet网络模型图。
图3为本发明降采样流程图。
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。
实施例1,本实施例的基于深度学习的岩质高陡边坡结构面提取方法,用于解决现有利用三维点云数据的岩质高陡边坡结构面提取存在效率较低以及精度不足的问题,参考图1,其具体包括以下步骤:
步骤S1、采集岩质高陡边坡结构面的三维点云数据,并对该三维点云数据进行预处理;
本步骤用于对三维点云数据进行预处理;具体的,对采集的三维点云数据中,岩质边坡上树木、杂草、烟雾、空洞等数据进行去除,结构面提取下限值采用0.4cm。
步骤S2、采用Knnsearch函数对三维点云数据进行最临近点搜索,得到初始最近临近点集合;
具体的,对预处理的数据进行法向量计算,通过计算岩石表面点云的法向量,明确各组结构面优势分组;
本步骤利用MATLAB中的Knnsearch函数功能计算原始点Pi的最近临近点,进而得出Pi的初始最近临近点集合Qiα。
步骤S3、对初始最近临近点集合进行共面测试,得到最近临近点集合Qi,其具体包括以下内容:
采用主成分分析法对初始最近临近点集合进行共面测试,并计算变化比例H K:
其中,λ 1,λ 2,…,λ i为特征值,k为最临近点个数;
计算初始最近临近点集中点云的偏差参数η:
剔除偏差参数η大于偏差阈值η max的初始最近临近点集合,得到最近临近点集合Qi;
作为本实施例的优选,当偏差参数η大于0.2的初始最近临近点集合Qiα需要被剔除。
步骤S4、对最近临近点集合进行平面拟合,得到平面拟合图像,并计算拟合后平面的法向量,其具体包括以下内容:
采用最小二乘法对最近临近点集合Qi进行平面拟合,得到平面拟合图像:
其中,X,Y,Z为点位坐标;平面法向量为N=(-α,-β,1),相邻点数为n;α,β,γ分别为平面方程参数;
平面法向量计算如下:
其中,其中,(X 1,Y 1,Z 1)、(X 2,Y 2,Z 2)、…、(X n,Y n,Z n)为n个相邻点的的坐标。
步骤S5、将平面拟合图像作为训练集样本;
即利用平面拟合图像的数据制作训练集样本,从平面拟合图像中裁剪出大小为44×44的图像,并将图像赋予标签序列,用于训练分类卷积神经网络VGGNet。
步骤S6、基于Softmax函数构建VGGNet模型,其具体包括以下内容:
VGGNet模型引用Softmax函数作为激活函数,Softmax函数作为激活函数,其作用是使得样本正确类别1的值大于其他类别的值,Softmax函数为:
其中,为损失函数;n为样本数量,i为第i个样本,x为倒数第二个全连接层的输出,x i为第i个样本的特征向量,yi为第i个样本的真实标签,yi∈{1,2,...,C},C为类别总数,W j为第j个类别全连接层输出的权重向量,W yi为第yi个类别的权重向量,是一个d维的向量,其中d为特征向量xi的维度,‖W yi‖为第yi个类别的权重向量的L2范数,表示权重向量的长度,θ j为权重向量W j和特征向量X i之间的夹角,θ yi为第yi个类别的偏置项,b j为第j个类别对应的全连接层偏置,b yi为第yi个类别的偏置项,e是自然对数的底数,∑是求和符号,log是自然对数函数;
参考图2,采用的改进整体VGGNet模型对数据进行训练,其中最大降采样程序主要是通过图3的步骤后,通过连接操作对特征图在通道上进行进一步的叠加再进入到下一步神经网络。
步骤S7、采用VGGNet模型对训练集样本进行训练,得到岩质高陡边坡结构面分布和岩质高陡边坡结构面产状;
具体的,得到岩质高陡边坡结构面分布,包括:
采用VGGNet模型对训练集样本进行训练,根据VGGNet模型训练结果,将样本正确类别1的值,通过标签定位到三维点云数据,得到岩质高陡边坡结构面分布。
计算得到岩质高陡边坡结构面产状,包括:
其中,A0为倾向计算过程值;
当α<0,β<0 时,A=A0;
当α<0,β>0 或α>0,β>0 时,A=A0+π;
当α>0,β<0 时,A=A0+2π;
当α=0,β<0 时,A=90°;
当 α=0,β>0 时,A=270°。
本发明使用改进的VGGNet网络模型对岩质高陡边坡结构面进行提取,并联合Softmax函数、对模型进行优化,实现自动学习的基础上,提高了识别效率和准确性。
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 (8)
1.一种基于深度学习的岩质高陡边坡结构面提取方法,其特征在于,包括以下步骤:
S1、采集岩质高陡边坡结构面的三维点云数据,并对该三维点云数据进行预处理;
S2、采用Knnsearch函数对三维点云数据进行最临近点搜索,得到初始最近临近点集合;
S3、对初始最近临近点集合进行共面测试,得到最近临近点集合;
S4、对最近临近点集合进行平面拟合,得到平面拟合图像,并计算拟合后平面的法向量;
S5、将平面拟合图像作为训练集样本;
S6、基于Softmax函数构建VGGNet模型;
S7、采用VGGNet模型对训练集样本进行训练,得到岩质高陡边坡结构面分布和岩质高陡边坡结构面产状。
2.根据权利要求1所述的基于深度学习的岩质高陡边坡结构面提取方法,其特征在于,所述步骤S2具体包括:
采用Knnsearch函数计算原始点Pi的最近临近点,得到原始点Pi的初始最近临近点集合Qiα。
5.根据权利要求4所述的基于深度学习的岩质高陡边坡结构面提取方法,其特征在于,所述步骤S5具体包括:
从平面拟合图像中裁剪出大小为44×44的图像,并将图像赋予标签序列。
6.根据权利要求5所述的基于深度学习的岩质高陡边坡结构面提取方法,其特征在于,所述步骤S6中Softmax函数为:
7.根据权利要求6所述的基于深度学习的岩质高陡边坡结构面提取方法,其特征在于,所述步骤S7中得到岩质高陡边坡结构面分布,包括:
采用VGGNet模型对训练集样本进行训练,根据VGGNet模型训练结果,将样本正确类别1的值,通过标签定位到三维点云数据,得到岩质高陡边坡结构面分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310548752.0A CN116258972B (zh) | 2023-05-16 | 2023-05-16 | 一种基于深度学习的岩质高陡边坡结构面提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310548752.0A CN116258972B (zh) | 2023-05-16 | 2023-05-16 | 一种基于深度学习的岩质高陡边坡结构面提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116258972A true CN116258972A (zh) | 2023-06-13 |
CN116258972B CN116258972B (zh) | 2023-08-01 |
Family
ID=86682911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310548752.0A Active CN116258972B (zh) | 2023-05-16 | 2023-05-16 | 一种基于深度学习的岩质高陡边坡结构面提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116258972B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117556703A (zh) * | 2023-11-23 | 2024-02-13 | 中铁大桥局集团有限公司 | 边坡的岩体结构面识别方法、装置、设备及可读存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108489403A (zh) * | 2018-06-08 | 2018-09-04 | 绍兴文理学院 | 基于三维激光扫描的露天矿山边坡岩体节理产状快速精细取值方法 |
CN112529844A (zh) * | 2020-11-24 | 2021-03-19 | 成都理工大学 | 一种基于三维激光扫描的岩体结构面识别与信息提取方法 |
CN113658245A (zh) * | 2021-07-01 | 2021-11-16 | 西安理工大学 | 一种从钻孔图像中获取岩体结构面产状信息的方法 |
CN114266987A (zh) * | 2022-03-03 | 2022-04-01 | 水利部长江勘测技术研究所 | 一种无人机高边坡危岩体智能识别方法 |
US20220112806A1 (en) * | 2020-10-13 | 2022-04-14 | Institute Of Rock And Soil Mechanics, Chinese Academy Of Sciences | Safety early warning method and device for full-section tunneling of tunnel featuring dynamic water and weak surrounding rock |
US20220276383A1 (en) * | 2019-12-31 | 2022-09-01 | Shandong University | System and method for rock mass structure detection and dangerous rock detection |
CN115019171A (zh) * | 2022-06-09 | 2022-09-06 | 广西北投公路建设投资集团有限公司 | 非接触式围岩快速分区分级方法 |
CN115508206A (zh) * | 2022-10-11 | 2022-12-23 | 昆明理工大学 | 一种节理岩质边坡岩体强度参数概率反演方法 |
CN115797256A (zh) * | 2022-10-18 | 2023-03-14 | 中国科学院武汉岩土力学研究所 | 基于无人机的隧道岩体结构面信息的处理方法以及装置 |
CN115909099A (zh) * | 2022-11-03 | 2023-04-04 | 雅砻江流域水电开发有限公司 | 基于无人机巡检的边坡危岩识别与监测方法 |
-
2023
- 2023-05-16 CN CN202310548752.0A patent/CN116258972B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108489403A (zh) * | 2018-06-08 | 2018-09-04 | 绍兴文理学院 | 基于三维激光扫描的露天矿山边坡岩体节理产状快速精细取值方法 |
US20220276383A1 (en) * | 2019-12-31 | 2022-09-01 | Shandong University | System and method for rock mass structure detection and dangerous rock detection |
US20220112806A1 (en) * | 2020-10-13 | 2022-04-14 | Institute Of Rock And Soil Mechanics, Chinese Academy Of Sciences | Safety early warning method and device for full-section tunneling of tunnel featuring dynamic water and weak surrounding rock |
CN112529844A (zh) * | 2020-11-24 | 2021-03-19 | 成都理工大学 | 一种基于三维激光扫描的岩体结构面识别与信息提取方法 |
CN113658245A (zh) * | 2021-07-01 | 2021-11-16 | 西安理工大学 | 一种从钻孔图像中获取岩体结构面产状信息的方法 |
CN114266987A (zh) * | 2022-03-03 | 2022-04-01 | 水利部长江勘测技术研究所 | 一种无人机高边坡危岩体智能识别方法 |
CN115019171A (zh) * | 2022-06-09 | 2022-09-06 | 广西北投公路建设投资集团有限公司 | 非接触式围岩快速分区分级方法 |
CN115508206A (zh) * | 2022-10-11 | 2022-12-23 | 昆明理工大学 | 一种节理岩质边坡岩体强度参数概率反演方法 |
CN115797256A (zh) * | 2022-10-18 | 2023-03-14 | 中国科学院武汉岩土力学研究所 | 基于无人机的隧道岩体结构面信息的处理方法以及装置 |
CN115909099A (zh) * | 2022-11-03 | 2023-04-04 | 雅砻江流域水电开发有限公司 | 基于无人机巡检的边坡危岩识别与监测方法 |
Non-Patent Citations (7)
Title |
---|
AHMED K T等: "Maximum response deep learning using Markov", 《IEEE ACCESS》, vol. 9, pages 41934 - 41957, XP011844807, DOI: 10.1109/ACCESS.2021.3063545 * |
YIZHAK BEN-SHABAT等: "3DmFV: Three-Dimensional Point Cloud Classification in Real-Time Using Convolutional Neural Networks", 《IEEE ROBOTICS AND AUTOMATION LETTERS》, vol. 3, no. 4, pages 3145 - 3152, XP055770713, DOI: 10.1109/LRA.2018.2850061 * |
冯夏庭等: "中国锦屏地下实验室二期工程安全原位综合监测与分析", 《岩石力学与工程学报》, no. 4, pages 5 - 13 * |
张紫杉等: "岩坡坡面裂隙网络智能识别与参数提取", 《岩土工程学报》, vol. 43, no. 12, pages 2240 - 2248 * |
熊自明等: "基于ASIFT与RANSAC算法的岩体结构三维重建方法研究", 《隧道建设》, no. 7, pages 33 - 40 * |
赵佳斌等: "基于摄影测量三维点云的岩体结构面自动识别方法", 《科学技术与工程》, no. 28, pages 245 - 249 * |
郭甲腾等: "基于三维点云的岩体结构面自动分类与参数计算", 《东北大学学报(自然科学版)》, no. 8, pages 99 - 104 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117556703A (zh) * | 2023-11-23 | 2024-02-13 | 中铁大桥局集团有限公司 | 边坡的岩体结构面识别方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116258972B (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110543878B (zh) | 一种基于神经网络的指针仪表读数识别方法 | |
US20230206603A1 (en) | High-precision point cloud completion method based on deep learning and device thereof | |
CN111724433A (zh) | 一种基于多目视觉的作物表型参数提取方法及系统 | |
CN113592822B (zh) | 一种电力巡检图像的绝缘子缺陷定位方法 | |
CN103870845A (zh) | 点云聚类去噪过程中新的k值优化方法 | |
CN116258972B (zh) | 一种基于深度学习的岩质高陡边坡结构面提取方法 | |
CN111523511B (zh) | 一种用于枸杞采收夹持装置的视频图像枸杞枝条检测方法 | |
CN112085072A (zh) | 基于时空特征信息的草图检索三维模型的跨模态检索方法 | |
CN115187610A (zh) | 基于图神经网络的神经元形态分析方法、设备及存储介质 | |
CN115187803B (zh) | 一种用于名优茶嫩芽采摘过程的定位方法 | |
CN116699096B (zh) | 一种基于深度学习的水质检测方法和系统 | |
CN115439694A (zh) | 一种基于深度学习的高精度点云补全方法及装置 | |
CN113989291A (zh) | 一种基于PointNet与RANSAC算法的建筑物屋顶平面分割方法 | |
CN113177897A (zh) | 一种无序3d点云的快速无损滤波方法 | |
CN113641733B (zh) | 一种河道断面流量实时智能推求方法 | |
CN108629315B (zh) | 一种针对三维点云的多平面识别方法 | |
CN113409332A (zh) | 一种基于三维点云的建筑物平面分割方法 | |
CN107025439A (zh) | 基于深度数据的唇部区域特征提取和规范化方法 | |
CN115146742A (zh) | 适用于场群控制的海上风电场机组分组与旗舰机选取方法 | |
CN113205543A (zh) | 一种基于机器学习的激光雷达点云树干提取方法 | |
CN113496159B (zh) | 一种多尺度卷积与动态权重代价函数的烟尘目标分割方法 | |
CN114429537A (zh) | 石窟点云中提取佛龛的方法 | |
CN110738249B (zh) | 一种基于深度神经网络的极光图像聚类方法 | |
CN116993728B (zh) | 一种基于点云数据的大坝裂缝监测系统及方法 | |
CN112132228B (zh) | 基于决策树分类的辐照度数据插补方法及系统 |
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 |