CN116343071A - 基于深度学习算法的地表采动裂缝无人机影像识别方法 - Google Patents
基于深度学习算法的地表采动裂缝无人机影像识别方法 Download PDFInfo
- Publication number
- CN116343071A CN116343071A CN202310627379.8A CN202310627379A CN116343071A CN 116343071 A CN116343071 A CN 116343071A CN 202310627379 A CN202310627379 A CN 202310627379A CN 116343071 A CN116343071 A CN 116343071A
- Authority
- CN
- China
- Prior art keywords
- crack
- training
- mining
- image
- images
- 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
- 238000005065 mining Methods 0.000 title claims abstract description 53
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000011161 development Methods 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000018109 developmental process Effects 0.000 claims description 19
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 10
- 238000011160 research Methods 0.000 claims description 9
- 239000003245 coal Substances 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 7
- 238000005520 cutting process Methods 0.000 claims description 5
- 238000009933 burial Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 6
- 239000002699 waste material Substances 0.000 abstract description 2
- 238000002372 labelling Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开基于深度学习算法的地表采动裂缝无人机影像识别方法,属于图像处理技术领域,用于对地表采用裂缝进行识别,包括选取重复采动工作面对其进行裁剪为若干张小影像,随机选取裁剪的部分影像作为数据集,训练分类网络并通过添加高程信息分类网络;准备识别裂缝数据集并训练模型,最后将裂缝影像输入到训练完成获得的最优权值模型中,获得识别裂缝后的影像,调用图像处理标准库进行图像拼接,并使用地理配准工具给拼接图像设置投影信息,得到裂缝识别后的研究裂缝发育规律区域影像,分析矿区地表裂缝发育规律。本发明采用神经网络识别矿区地表裂缝精度较高,克服了卫星遥感定位技术数据时效性不强、费时费力等困难。
Description
技术领域
本发明公开基于深度学习算法的地表采动裂缝无人机影像识别方法,属于图像处理技术领域。
背景技术
获取地表裂缝发育规律是监测矿区地表采动损害,治理裂缝、预防灾害的重要手段之一。获取地表裂缝发育规律的传统方法以人工现场踏勘调查为主,但矿区工作面范围大,人工现场调查裂缝存在作业范围大、强度高、工作时间长、效率低、耗费成本高、受地形限制大、覆盖面不足等问题。 卫星遥感定位技术可以获取地表数据,通过对地表数据的处理分析获得地表裂缝发育情况,但是卫星遥感定位技术需要对地表数据进行处理,时效性差,无法快速准确获得某一时间裂缝情况。
当前信息化智能化技术飞速革新,智能矿山建设迅猛发展,无人机遥感技术与深度学习算法识别裂缝预期可减少矿山一线工作人员,促进实现矿山减人化、无人化,确保矿山生产本质安全,提高矿山生产效率,促进矿山智能化转型实现高质量发展。
发明内容
本发明的目的在于提供基于深度学习算法的地表采动裂缝无人机影像识别方法,以解决现有技术中,卫星遥感定位技术数据时效性不强、费时费力的问题。
基于深度学习算法的地表采动裂缝无人机影像识别方法,包括:
步骤一:无人机获取矿区地表影像数据;
步骤二:获得数字高程模型DEM与数字正射影像DOM;
步骤三:选取重复采动工作面作为研究裂缝发育规律区域,使用ArcGIS软件对其进行裁剪为若干张小影像;
步骤四:选取Resnet-50神经网络与 Deeplabv3+,其中Resnet-50为残差神经网络,Deeplabv3+是语义分割模型;
步骤五:准备裂缝分类数据集,随机选取步骤三裁剪的部分影像作为数据集,数据集包含训练、测试两个文件夹,将影像按比例9:1划分为训练集和验证集,分别放在训练、测试文件夹;
步骤六:训练分类网络;
步骤七:DEM用函数的形式描述为:Vi=(Xi,Yi,Zi),i=1,2,3,……,n,式中Vi为函数形式的DEM,Xi,Yi是平面坐标,Zi是(Xi,Yi)对应的高程,数据像素值记录点位高程;
通过添加高程信息分类网络,在进行有无裂缝分类之后,通过DEM给出的高程、坡度信息判断地表形态,对裂缝进行二次分类,消除山丘、建筑物产生的阴影带来的干扰,提高裂缝识别率,分析矿山地表裂缝发育规律;
步骤八:准备识别裂缝数据集,随机选取步骤九分类完成的部分裂缝影像作为数据集,将数据集格式改为VOC数据集,VOC数据集是目标检测领域的标准数据集;
步骤九:训练模型,模型主干网络选取mobilenet,mobilenet是轻量级的深层神经网络,基于pytorch深度学习框架,训练次数Epoch设置为358,每一次训练抓取的样本Batch-size设置为4;
步骤十:将步骤七分类完成后的裂缝影像输入到训练完成获得的最优权值模型中,获得识别裂缝后的影像,使用Python语言在PyCharm软件中,调用图像处理标准库PIL库进行图像拼接,并在ArcGIS软件中使用地理配准工具给拼接图像设置投影信息,得到裂缝识别后的研究裂缝发育规律区域影像,分析矿区地表裂缝发育规律。
步骤一包括:根据煤层厚度、倾角、埋深三种煤层地质条件,岩性、表土层厚度两种地质特征,重复开采、开采范围两种开采技术条件,确定地表沉陷影响角、地表沉陷影响区域,划定无人机遥感勘测区域;
无人机搭载可见光相机,设置航线划定、飞行高度、飞行速度、航旁向重叠率四种飞行参数,无人机执行航拍任务,获取矿区地表影像数据。
步骤二包括:将无人机获取的矿区地表影像数据输入到后处理软件,获得数字高程模型DEM与数字正射影像DOM。
步骤六包括:分类网络分为特征提取和特征分类两大部分,特征提取部分选取Resnet-50残差网络,基于pytorch深度学习框架,训练次数Epoch设置为400,每一次训练抓取的样本Batch-size设置为32,训练完成后,将得到的最优权值输入到模型中进行研究区域影像的有无裂缝分类,分类完成后将裂缝影像进行识别处理,其中pytorch是开源的Python机器学习库,Batch-size表示单次传递给程序用以训练的数据个数。
相对比现有技术,本发明具有以下有益效果:本发明利用神经网络识别地表裂缝,分析裂缝发育规律,自动化程度高,操作简捷方便,降低巡检人员的安全风险和劳动强度,保障了人民生产生活的安全,保护了矿区土地资源与生态环境,为矿山企业实现减人化提供助力。
附图说明
图1是本发明的技术流程图;
图2是图像剪裁与识别步骤图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明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发明的一部分实施例,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作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。
本发明通过无人机遥感获得矿区数字正射影像(DOM)以及数字表面模型(DSM),利用神经网络与语义分割模型对矿区地表裂缝进行分类与识别,技术流程如图1所示,首先,无人机搭载可见光相机,确定研究区域,获取地表影像;进行数据处理,获得数字高程模型DEM与数字正射影像DOM;DEM进行裂缝分类与识别,DOM进行研究区域影响裁剪,然后导入分类网络模型数据集,结合语义分割模型数据集,进行模型训练,也进行裂缝分类与识别。裂缝分类与识别完成后,进行图像拼接,分析裂缝发育规律。图1中的DOM为数字正射影像,DEM为数字表面模型。
图1过程的具体步骤如下:
S1:根据煤层地质条件(煤层厚度、倾角、埋深等),地质特征(岩性、表土层厚度等),以及开采技术条件(重复开采、开采范围等),确定地表沉陷影响角、地表沉陷影响区域,划定无人机遥感勘测区域。
S2:无人机搭载可见光相机,设置飞行参数(包括航线划定、飞行高度、飞行速度,航旁向重叠率),保证无人机拍摄影像质量。
S3:无人机执行航拍任务,获取矿区地表影像数据。
S4:将无人机获取的矿区地表影像数据输入到后处理软件,获得数字高程模型(DEM)与数字正射影像(DOM)。
S5:选取重复采动工作面作为研究裂缝发育规律区域。区域长为864m,宽为828m,使用ArcGIS软件对其进行裁剪,按一定顺序裁剪为一万九千余张小影像,按n由小到大的顺序裁剪。每张小影像像素为400×400,实际范围6m×6m。图2中,Resnet-50为残差神经网络,Deeplabv3+是语义分割模型。
S6:选取适宜深度学习算法,保证影像分类与识别精确率,本发明选取Resnet-50神经网络与 Deeplabv3+语义分割模型。Resnet-50又称残差神经网络,是非常优秀的特征提取网络结构,主要应用于图像分类方面。Deeplabv3+是语义分割模型之一,语义分割是对图像中各个像素点分类,继而对图像进行分类,既能保持图像语义分割后的分辨率,又减少了算法运行量。
S7:裂缝分类数据集准备。随机选取上述步骤五裁剪的部分影像作为数据集,数据集包含train、test两个文件夹。将影像按比例9:1划分为训练集和验证集,分别放在train、test文件夹。
S8:训练分类网络。分类网络分为特征提取和分类两大部分。特征提取部分的功能是对输入进来的图片进行特征提取,分类部分会利用特征提取部分获取的特征进行分类。特征提取部分选取Resnet-50残差网络,基于pytorch深度学习框架,训练次数Epoch设置为400,每一次训练抓取的样本Batch-size设置为32。训练完成后,将得到的最优权值输入到模型中进行研究区域影像的有无裂缝分类,分类完成后将裂缝影像进行识别处理。
S9:DEM(数字高程模型)是以数字形式存储的表示物体位置高程值的集合,用函数
的形式描述为:。式中,Xi,Yi是平面坐标,Zi是(Xi,Yi)对应的高
程,数据像素值记录了点位高程。通过添加高程信息分类网络,在进行有无裂缝分类之后,
通过DEM给出的高程、坡度等信息判断地表形态,对裂缝进行二次分类,消除山丘、建筑物等
产生的阴影带来的干扰,提高裂缝识别率,分析矿山地表裂缝发育规律。
S10:识别裂缝数据集准备。随机选取上述步骤九分类完成的部分裂缝影像作为数据集,将数据集格式改为VOC数据集,VOC数据集主要有三个文件夹,第一文件夹包含训练集、验证集图像文件名称的txt文件,并按比例为9:1划分训练集和验证集,将训练集数据进行对数函数(logarithmic)拉伸,其原理可以扩展图像中的暗像素值,同时压缩亮像素值,突出裂缝颜色特征,更有助于裂缝的识别,减少干扰项。第二文件夹包含原始图像文件,第三文件夹包含标注图像文件。使用labelme对原始图像文件标注并生成json文件,利用json_to_dataset.py将json文件转为VOC数据集所需的标注图像文件格式,并放到SegmentationClass文件夹中。其中,Labelme是一款深度学习的图像标签标注工具,有交互界面,需要命令行启动。本发明中标注分类地表裂缝,是生成VOC数据集的重要工具之一。Json文件是labelme标注工具标注完成后自动生成的数据文件。Json-to-dataset.py是将上述json文件转换成数据集所需的文件格式的一个代码文件,由python代码编写,pycharm运行。本申请中将json文件转换成了png格式文件。
S11:训练模型。模型主干网络选取mobilenet,基于pytorch深度学习框架,训练次数Epoch设置为358,每一次训练抓取的样本Batch-size设置为4,既提高了模型训练速度,减少训练时长,也保证了网络训练精度,大大提高了裂缝影像识别精确度。
S12:将上述步骤九分类完成后的两千余张裂缝影像输入到训练完成获得的最优权值模型中,获得识别裂缝后的影像。使用Python语言在PyCharm软件中,调用图像处理标准库PIL库进行图像拼接,并在ArcGIS软件中使用地理配准工具给拼接图像设置投影信息,得到裂缝识别后的研究裂缝发育规律区域影像,分析矿区地表裂缝发育规律。
图像剪裁与识别步骤如图2,包括研究区域影像裁剪,将裁剪后的影像作为分类网络数据集和语义分割模型数据集,其中分类网络数据集采用Resnet-50神经网络处理,语义分割模型数据集采用 Deeplabv3+语义分割模型处理。分类网络数据集进行训练,训练完成后获得最优权值,进行影像输入分类和网络分类,分类完成后获得裂缝影像,并结合高程进行二次分类,然后将分类影像输入模型进行识别。语义分割模型数据集训练完成后获得最优权值,然后将分类影像输入模型进行识别,得到识别后影像。
重复采动区域的矿区位于西北地区,其煤炭资源赋存具有埋深浅、大采高、基岩薄等特点。地形大多因地表植被稀疏、水土流失严重呈现支离破碎、沟壑纵横等特点。基于煤炭资源赋存特点及地形特点,在煤层开采过程中,上覆岩层大都有采动裂缝。所研究的40102工作面走向长3286m,倾向长291m,平均埋深约234m,属于近水平煤层,于2021年4月~2022年2月完成回采; 40101工作面位于40102工作面推进方向东侧,工作面走向长2543m,倾向长301m;20117工作面位于40102工作面上部,层间距约为87m,工作面走向长894m,倾向长301m,选取上述三个开采工作面相互影响区域作为研究裂缝发育规律区域,该区域裂缝数量多、特征明显。
根据划定的无人机遥感勘测区域规划航线、航行高度、飞行速度。使用四旋翼无人机搭载全画幅可见光相机,航线布设为“井”字型,航向重叠度为80%,旁向重叠度为70%,飞行高度为120m,GSD为1.5cm/pixel,无人机勘测区域面积约为95万m2,于2022年1月1日在40102工作面地表开展无人机遥感测量,共采集照片6579张。
利用ENVI软件对裂缝分类数据集和识别裂缝数据集进行对数(logarithmic)拉伸。影像经过拉伸后裂缝颜色、形状特征更加突出,可以减少树木阴影、山丘阴影、地表植物的干扰,更容易进行分类与识别,提高模型对裂缝识别率。 经过影像的有无裂缝分类与结合高程信息分类,对得到的裂缝影像进行Deeplabv3+语义分割模型的裂缝识别。裂缝影响识别完成,利用Python的PIL库进行影像拼接并导入ArcGIS设置投影信息,得到研究区域效果图。
以上实施例仅用于说明本发明的技术方案,而非对其限制,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换,而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (4)
1.基于深度学习算法的地表采动裂缝无人机影像识别方法,其特征在于,包括:
步骤一:无人机获取矿区地表影像数据;
步骤二:获得数字高程模型DEM与数字正射影像DOM;
步骤三:选取重复采动工作面作为研究裂缝发育规律区域,使用ArcGIS软件对其进行裁剪为若干张小影像;
步骤四:选取Resnet-50神经网络与 Deeplabv3+,其中Resnet-50为残差神经网络,Deeplabv3+是语义分割模型;
步骤五:准备裂缝分类数据集,随机选取步骤三裁剪的部分影像作为数据集,数据集包含训练、测试两个文件夹,将影像按比例9:1划分为训练集和验证集,分别放在训练、测试文件夹;
步骤六:训练分类网络;
步骤七:DEM用函数的形式描述为:Vi=(Xi,Yi,Zi),i=1,2,3,……,n,式中Vi为函数形式的DEM,Xi,Yi是平面坐标,Zi是(Xi,Yi)对应的高程,数据像素值记录点位高程;
通过添加高程信息分类网络,在进行有无裂缝分类之后,通过DEM给出的高程、坡度信息判断地表形态,对裂缝进行二次分类,消除山丘、建筑物产生的阴影带来的干扰,提高裂缝识别率,分析矿山地表裂缝发育规律;
步骤八:准备识别裂缝数据集,随机选取步骤九分类完成的部分裂缝影像作为数据集,将数据集格式改为VOC数据集,VOC数据集是目标检测领域的标准数据集;
步骤九:训练模型,模型主干网络选取mobilenet,mobilenet是轻量级的深层神经网络,基于pytorch深度学习框架,训练次数Epoch设置为358,每一次训练抓取的样本Batch-size设置为4;
步骤十:将步骤七分类完成后的裂缝影像输入到训练完成获得的最优权值模型中,获得识别裂缝后的影像,使用Python语言在PyCharm软件中,调用图像处理标准库PIL库进行图像拼接,并在ArcGIS软件中使用地理配准工具给拼接图像设置投影信息,得到裂缝识别后的研究裂缝发育规律区域影像,分析矿区地表裂缝发育规律。
2.根据权利要求1所述的基于深度学习算法的地表采动裂缝无人机影像识别方法,其特征在于,步骤一包括:根据煤层厚度、倾角、埋深三种煤层地质条件,岩性、表土层厚度两种地质特征,重复开采、开采范围两种开采技术条件,确定地表沉陷影响角、地表沉陷影响区域,划定无人机遥感勘测区域;
无人机搭载可见光相机,设置航线划定、飞行高度、飞行速度、航旁向重叠率四种飞行参数,无人机执行航拍任务,获取矿区地表影像数据。
3.根据权利要求1所述的基于深度学习算法的地表采动裂缝无人机影像识别方法,其特征在于,步骤二包括:将无人机获取的矿区地表影像数据输入到后处理软件,获得数字高程模型DEM与数字正射影像DOM。
4.根据权利要求1所述的基于深度学习算法的地表采动裂缝无人机影像识别方法,其特征在于,步骤六包括:分类网络分为特征提取和特征分类两大部分,特征提取部分选取Resnet-50残差网络,基于pytorch深度学习框架,训练次数Epoch设置为400,每一次训练抓取的样本Batch-size设置为32,训练完成后,将得到的最优权值输入到模型中进行研究区域影像的有无裂缝分类,分类完成后将裂缝影像进行识别处理,其中pytorch是开源的Python机器学习库,Batch-size表示单次传递给程序用以训练的数据个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310627379.8A CN116343071B (zh) | 2023-05-31 | 2023-05-31 | 基于深度学习算法的地表采动裂缝无人机影像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310627379.8A CN116343071B (zh) | 2023-05-31 | 2023-05-31 | 基于深度学习算法的地表采动裂缝无人机影像识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116343071A true CN116343071A (zh) | 2023-06-27 |
CN116343071B CN116343071B (zh) | 2023-07-21 |
Family
ID=86880874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310627379.8A Active CN116343071B (zh) | 2023-05-31 | 2023-05-31 | 基于深度学习算法的地表采动裂缝无人机影像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116343071B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117576622A (zh) * | 2023-11-07 | 2024-02-20 | 广东省科学院广州地理研究所 | 一种融合热红外的稀土矿开采区识别方法、系统和介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816626A (zh) * | 2018-12-13 | 2019-05-28 | 深圳高速工程检测有限公司 | 路面裂缝检测方法、装置、计算机设备和存储介质 |
CN111626092A (zh) * | 2020-03-26 | 2020-09-04 | 陕西陕北矿业韩家湾煤炭有限公司 | 一种基于机器学习的无人机影像地裂缝识别及提取方法 |
US20210319547A1 (en) * | 2020-04-08 | 2021-10-14 | Zhejiang University | Method and apparatus for identifying concrete crack based on video semantic segmentation technology |
WO2022074643A1 (en) * | 2020-10-08 | 2022-04-14 | Edgy Bees Ltd. | Improving geo-registration using machine-learning based object identification |
CN115564717A (zh) * | 2022-09-15 | 2023-01-03 | 中铁十九局集团矿业投资有限公司 | 一种基于无人机影像的矿区地表裂缝参数提取方法 |
-
2023
- 2023-05-31 CN CN202310627379.8A patent/CN116343071B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816626A (zh) * | 2018-12-13 | 2019-05-28 | 深圳高速工程检测有限公司 | 路面裂缝检测方法、装置、计算机设备和存储介质 |
CN111626092A (zh) * | 2020-03-26 | 2020-09-04 | 陕西陕北矿业韩家湾煤炭有限公司 | 一种基于机器学习的无人机影像地裂缝识别及提取方法 |
US20210319547A1 (en) * | 2020-04-08 | 2021-10-14 | Zhejiang University | Method and apparatus for identifying concrete crack based on video semantic segmentation technology |
WO2022074643A1 (en) * | 2020-10-08 | 2022-04-14 | Edgy Bees Ltd. | Improving geo-registration using machine-learning based object identification |
CN115564717A (zh) * | 2022-09-15 | 2023-01-03 | 中铁十九局集团矿业投资有限公司 | 一种基于无人机影像的矿区地表裂缝参数提取方法 |
Non-Patent Citations (2)
Title |
---|
张东晓 等: "岩石Ⅰ型裂纹定向扩展规律试验研究", 岩土力学, vol. 43, no. 2 * |
李勋;杨环;殷宗敏;马金辉;: "基于DEM和遥感影像的区域黄土滑坡体识别方法研究", 地理与地理信息科学, no. 04 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117576622A (zh) * | 2023-11-07 | 2024-02-20 | 广东省科学院广州地理研究所 | 一种融合热红外的稀土矿开采区识别方法、系统和介质 |
CN117576622B (zh) * | 2023-11-07 | 2024-06-11 | 广东省科学院广州地理研究所 | 一种融合热红外的稀土矿开采区识别方法、系统和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116343071B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111742329B (zh) | 一种基于多源遥感数据融合和深度神经网络的矿山开采典型地物动态监测方法及平台 | |
Amit et al. | Disaster detection from aerial imagery with convolutional neural network | |
CN111986099A (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
CN110544293B (zh) | 一种多无人机视觉协同的建筑场景识别方法 | |
CN105761271A (zh) | 核安全壳表面缺陷自动检测方法及系统 | |
CN110598784A (zh) | 基于机器学习的建筑垃圾分类方法及装置 | |
CN116343071B (zh) | 基于深度学习算法的地表采动裂缝无人机影像识别方法 | |
CN103646246A (zh) | 一种基于决策树模型的多光谱遥感影像河流信息提取方法 | |
CN113780174A (zh) | 结合随机森林算法的高植被台风暴雨型滑坡识别方法 | |
CN112241711A (zh) | 一种从钻孔岩芯照片中识别rqd的智能方法 | |
CN111507296A (zh) | 基于无人机遥感与深度学习的违章建筑智能化提取方法 | |
CN113033390B (zh) | 一种基于深度学习的大坝遥感智能检测方法 | |
CN116844068B (zh) | 建筑测绘方法、系统、计算机设备及存储介质 | |
CN114663787A (zh) | 一种融合无人机chm和rgb影像的单木分割方法 | |
CN113780175B (zh) | 高植被覆盖区台风暴雨型滑坡的遥感识别方法 | |
CN114463623A (zh) | 一种基于多尺度遥感影像的耕地变化检测方法及装置 | |
CN114359722A (zh) | 特殊地貌分布范围识别方法、装置及设备 | |
CN105243387A (zh) | 一种基于无人机影像的露天矿典型地物分类方法 | |
CN115115954A (zh) | 基于无人机遥感的松材线虫病疫区变色立木智能识别方法 | |
CN116503391A (zh) | 一种隧道掌子面岩体节理裂隙识别方法及识别装置 | |
CN115439753A (zh) | 一种基于dem的陡峭河岸识别方法及系统 | |
CN116863217A (zh) | 一种野外露头岩石图像岩性识别方法 | |
CN113033386B (zh) | 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统 | |
Kermit et al. | Towards a national infrastructure for semi-automatic mapping of cultural heritage in Norway | |
Richards-Rissetto et al. | A 3D point cloud Deep Learning approach using Lidar to identify ancient Maya archaeological sites |
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 |