CN116630809A - 基于智能图像分析的地质雷达数据自动识别方法及系统 - Google Patents
基于智能图像分析的地质雷达数据自动识别方法及系统 Download PDFInfo
- Publication number
- CN116630809A CN116630809A CN202310643202.7A CN202310643202A CN116630809A CN 116630809 A CN116630809 A CN 116630809A CN 202310643202 A CN202310643202 A CN 202310643202A CN 116630809 A CN116630809 A CN 116630809A
- Authority
- CN
- China
- Prior art keywords
- database
- data
- radar
- image
- geological
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000010191 image analysis Methods 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 238000001228 spectrum Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 19
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 230000002787 reinforcement Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 239000013589 supplement Substances 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract description 2
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000149 penetrating effect Effects 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/885—Radar or analogous systems specially adapted for specific applications for ground probing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- 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
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Electromagnetism (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Immunology (AREA)
- Medical Informatics (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及道路检测领域，具体公开了基于智能图像分析的地质雷达数据自动识别方法及系统；本发明能够将地质雷达得出的雷达图像数据投影至AI数据库中，然后雷达图形数据会与AI数据库中存储的数据影像进行对比，当影响重合度高时即可判定雷达数据影像与AI数据库中某个数据影像对应，进而判定雷达数据影像代表的地质信息与AI数据库中某个数据影像代表的地质信息对应，能够有效节省雷达图像检视、判定时间，同时对AI数据库进行不断循环丰富以及人工修正AI数据库，有效提升AI数据库的容量以及准确性，进一步有效提升了AI数据库与雷达数据影像对比结果的准确性。
Description
技术领域
本发明属于道路检测技术领域，具体涉及基于智能图像分析的地质雷达数据自动识别方法及系统。
背景技术
在地质勘探工作中常使用地质雷达探测地下，工作人员再根据雷达影像波谱分析得出地下地质状况。
在公开号为CN115343685A的中国专利中，提到了应用于病害识别的多维度探地雷达检测方法、装置、设备和计算机可读设备。所述方法包括获取道路的雷达探测图像；对所述雷达探测图像进行预处理，得到优化的雷达探测图像；将所述优化的雷达探测图像输入至目标检测模型，得到道路的目标类型以及对应的相关参数；基于所述道路的目标类型以及对应的相关参数，生成三维的可视化道路病害图像，完成道路病害的检测。以此方式，提高了道路病害的识别速度和准确率，实现了道路监测自动化、智能化。
本申请人在申请过程中发现，上述申请是通过雷达探测得出地下地质探测图像，然后将探测图像输入目标检测模型得出探测图像反映的相关地质信息，但是该目标检测模型仅有训练样本集合生成无法完成自我补充修正，进而导致探测图像与目标检测模型之间的误差值较大，无法根据分析数据得出准确的相关地质信息。
发明内容
本发明的目的在于提供基于智能图像分析的地质雷达数据自动识别方法及系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
基于智能图像分析的地质雷达数据自动识别方法，具体包括以下步骤：
S1、使用地质雷达探测仪器获取地质雷达图像数据及相关数据信息；
S2、预处理图像数据及数据信息；
S3、将图像数据信息导入AI数据库，根据AI数据库信息得出图像数据信息对应的地质类型以及相关数据。
优选的，在S2步骤中，所述图像数据预处理包括零点校正、背景消除以及滤波处理，同时采取去噪、变换及平滑等操作使图像的重要特点提高。
优选的，在S3中，所述AI数据库建立过程具体包括以下步骤：
S4、建立样本数据库，输入现有地质图像及相关数据，并将图像数据与地质类型对应；
S5、依照样本数据库，采用智能图像分析技术建立AI数据库；
S6、对AI数据库进行强化训练，同时人工修正AI数据库；
S7、收集错误数据并建立错误数据集合库，根据集合库数据优化算法，使用算法再完善AI数据库模型。
优选的，在所述S5中，智能图像分析技术是采用人脸识别相关算法，所述算法是通过提取样本数据库中现有地质图像的主成分构成AI数据库，然后将输入的地质雷达图像投影到AI数据库中进行特征对比，对雷达图像数据主要特征进行数据变化分析，进而得出地质雷达图像数据表示的数据信息。
优选的，在所述S6中，AI数据库强化训练为将现有雷达影像数据样本输入AI数据库进行对照验证，然后根据对比结果输出样本对应地质信息，对于AI数据库中不存在的雷达影像数据则报错由人工进行增添，同时将未收集雷达数据影像增添至AI数据库，在AI数据库使用过程中循环此过程。
基于智能图像分析的地质雷达数据自动识别系统，包括上述权利要求1-5中任一项所述的基于智能图像分析的地质雷达数据自动识别方法，且所述系统分为：
学习模块，所述学习模块能够以样本数据库为依据进行学习建立AI数据库，同时循环滚动学习过程补充新样本丰富AI数据库；
数据批处理模块，所述数据批处理模块能够对一张雷达波谱影像内部多个点位的影像特征进行同时分析处理；
数据识别模块，所述数据识别模块能够将分析处理后的雷达波谱影像点位与AI数据库进行对比识别，进而得到雷达波谱影像代表的数据信息；
成果输出模块，所述成果输出模块能够总结识别出的数据信息，然后根据数据信息分析得出相应地质数据报告；
数据兼容模块，所述数据兼容模块能够将本系统兼容于IDSStreamX、FastWave、MALA和lTD等雷达系统。
与现有技术相比，本发明的有益效果是：
(1)本发明能够将地质雷达得出的雷达图像数据投影至AI数据库中，然后雷达图形数据会与AI数据库中存储的数据影像进行对比，当影响重合度高时即可判定雷达数据影像与AI数据库中某个数据影像对应，进而判定雷达数据影像代表的地质信息与AI数据库中某个数据影像代表的地质信息对应，能够有效节省雷达图像检视、判定时间，同时对AI数据库进行不断循环丰富以及人工修正AI数据库，有效提升AI数据库的容量以及准确性，进一步有效提升了AI数据库与雷达数据影像对比结果的准确性。
(2)本发明通过设置错误数据集合库，错误数据集合库能够作为AI数据库算法优化基础，通过分析错误数据集合库校正AI数据库图像对比算法，以此建立AI数据库修正程序，通过对AI数据库的不断修正扩容能够有效提升系统的准确性，同时本系统设置有数据兼容模块，能够将本系统安装在各种不同的雷达设备上，当雷达工作时即可实时对雷达波谱进行分析，有效缩短了雷达地质检测时间同时也能提升波谱识别检测准确性。
附图说明
图1为本发明的自动识别方法结构框图；
图2为本发明的AI数据库建立步骤结构框图；
图3为本发明的自动识别系统结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，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，都属于本发明保护的范围。
检测道路的诸多方法中，探地雷达以便捷、直观等多种方式而得到广泛应用，但是一般探地雷达探测结果一般以雷达波谱形式呈现，探测人员需要根据雷达波谱影像判断波谱反映出的相关地质信息，但是人工判断波谱信息存在时间长、误差性大的缺陷，而且人工成本在长时间工作中还存在成本高的问题。
针对上述问题，本发明公开了基于智能图像分析的地质雷达数据自动识别方法及系统，将人脸识别相关AI技术引进雷达波谱影像识别过程中，由AI代替人工识别雷达波谱，有效提升波谱识别速度和准确度。
请参阅图1－图3所示，基于智能图像分析的地质雷达数据自动识别方法，具体包括以下步骤：
S1、使用地质雷达探测仪器获取地质雷达图像数据及相关数据信息；
S2、预处理图像数据及数据信息；
S3、将图像数据信息导入AI数据库，根据AI数据库信息得出图像数据信息对应的地质类型以及相关数据。
由上可知，使用人员可以使用带有本系统的地质雷达探测仪器探测相关地面并得到地质雷达图像数据以及相关数据信息，然后系统对相关图像数据信息进行预处理，再将预处理之后的图像数据头投影至AI数据库，AI数据库内部储存的图像数据与输入的雷达图像数据进行对比，当对比符合度达到相应条件后，即可反推判定雷达图像数据与AI数据库内部相关图像数据对应，进而判定雷达图像数据含义与AI数据库内部相关图像代表的地质信息一致。
在S3步骤中，可以根据实际需要设置一定的阈值，当雷达图像与AI数据库内部相关图像的重合度在阈值之内时即可判定两者相符，当雷达图像与AI数据库内部相关图像的重合度在阈值之外时即可判定两者不相符。
在S2步骤中，所述图像数据预处理包括零点校正、背景消除以及滤波处理，同时采取去噪、变换及平滑等操作使图像的重要特点提高。
在S3中，所述AI数据库建立过程具体包括以下步骤：
S4、建立样本数据库，输入现有地质图像及相关数据，并将图像数据与地质类型对应；
S5、依照样本数据库，采用智能图像分析技术建立AI数据库；
S6、对AI数据库进行强化训练，同时人工修正AI数据库；
S7、收集错误数据并建立错误数据集合库，根据集合库数据优化算法，使用算法再完善AI数据库模型。
由上可知，设计人员可以将现有的雷达波谱影像集合在一起建立样本数据库，同时样本数据库中不同的雷达波谱影像与相关地质类型对应在一起，采用智能图像分析技术以样本数据库为基础进行学习，建立雷达波谱数据与对应地质情况之间的联系，进而形成AI数据库，然后针对初步成型的AI数据库进行强化训练，同时辅以人工修正，有效提升AI数据库的容量和准确性，同时建立以AI数据库错误数据为基础的错误数据集合库，根据集合库错误数据反推优化AI数据库的算法，进一步提升AI数据库的准确性。
在所述S5中，智能图像分析技术是采用人脸识别相关算法，人脸识别的图像识别过程与人脑识别图像过程大体一致，主要分为获取信息、信息预处理、抽取及选择特征和设计分类器及分类决策四步。
所述算法是通过提取样本数据库中现有地质图像的主成分构成AI数据库，然后将输入的地质雷达图像投影到AI数据库中进行特征对比，对雷达图像数据主要特征进行数据变化分析，进而得出地质雷达图像数据表示的数据信息。
在所述S6中，AI数据库强化训练为将现有雷达影像数据样本输入AI数据库进行对照验证，然后根据对比结果输出样本对应地质信息，对于AI数据库中不存在的雷达影像数据则由人工进行增添，同时将未收集雷达数据影像增添至AI数据库，在AI数据库使用过程中循环此过程。
本发明还公开了基于智能图像分析的地质雷达数据自动识别系统，包括上述权利要求1-5中任一项所述的基于智能图像分析的地质雷达数据自动识别方法，且所述系统分为：
学习模块，所述学习模块能够以样本数据库为依据进行学习建立AI数据库，同时循环滚动学习过程补充新样本丰富AI数据库；
数据批处理模块，所述数据批处理模块能够对一张雷达波谱影像内部多个点位的影像特征进行同时分析处理；
数据识别模块，所述数据识别模块能够将分析处理后的雷达波谱影像点位与AI数据库进行对比识别，进而得到雷达波谱影像代表的数据信息；
成果输出模块，所述成果输出模块能够总结识别出的数据信息，然后根据数据信息分析得出相应地质数据报告；
数据兼容模块，所述数据兼容模块能够将本系统兼容于IDSStreamX、FastWave、MALA和lTD等雷达系统。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.基于智能图像分析的地质雷达数据自动识别方法，其特征在于，具体包括以下步骤：
S1、使用地质雷达探测仪器获取地质雷达图像数据及相关数据信息；
S2、预处理图像数据及数据信息；
S3、将图像数据信息导入AI数据库，根据AI数据库信息得出图像数据信息对应的地质类型以及相关数据。
2.根据权利要求1所述的基于智能图像分析的地质雷达数据自动识别方法，其特征在于：在S2步骤中，所述图像数据预处理包括零点校正、背景消除以及滤波处理，同时采取去噪、变换及平滑等操作使图像的重要特点提高。
3.根据权利要求1所述的基于智能图像分析的地质雷达数据自动识别方法，其特征在于：在S3中，所述AI数据库建立过程具体包括以下步骤：
S4、建立样本数据库，输入现有地质图像及相关数据，并将图像数据与地质类型对应；
S5、依照样本数据库，采用智能图像分析技术建立AI数据库；
S6、对AI数据库进行强化训练，同时人工修正AI数据库；
S7、收集错误数据并建立错误数据集合库，根据集合库数据优化算法，使用算法再完善AI数据库模型。
4.根据权利要求1所述的基于智能图像分析的地质雷达数据自动识别方法，其特征在于：在所述S5中，智能图像分析技术是采用人脸识别相关算法，所述算法是通过提取样本数据库中现有地质图像的主成分构成AI数据库，然后将输入的地质雷达图像投影到AI数据库中进行特征对比，对雷达图像数据主要特征进行数据变化分析，进而得出地质雷达图像数据表示的数据信息。
5.根据权利要求1所述的基于智能图像分析的地质雷达数据自动识别方法，其特征在于：在所述S6中，AI数据库强化训练为将现有雷达影像数据样本输入AI数据库进行对照验证，然后根据对比结果输出样本对应地质信息，对于AI数据库中不存在的雷达影像数据则报错由人工进行增添，同时将未收集雷达数据影像增添至AI数据库，在AI数据库使用过程中循环此过程。
6.根据权利要求1所述的基于智能图像分析的地质雷达数据自动识别系统，其特征在于：包括上述权利要求1-5中任一项所述的基于智能图像分析的地质雷达数据自动识别方法，且所述系统分为：
学习模块，所述学习模块能够以样本数据库为依据进行学习建立AI数据库，同时循环滚动学习过程补充新样本丰富AI数据库；
数据批处理模块，所述数据批处理模块能够对一张雷达波谱影像内部多个点位的影像特征进行同时分析处理；
数据识别模块，所述数据识别模块能够将分析处理后的雷达波谱影像点位与AI数据库进行对比识别，进而得到雷达波谱影像代表的数据信息；
成果输出模块，所述成果输出模块能够总结识别出的数据信息，然后根据数据信息分析得出相应地质数据报告；
数据兼容模块，所述数据兼容模块能够将本系统兼容于IDSStreamX、FastWave、MALA和lTD等雷达系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310643202.7A CN116630809A (zh) | 2023-06-01 | 2023-06-01 | 基于智能图像分析的地质雷达数据自动识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310643202.7A CN116630809A (zh) | 2023-06-01 | 2023-06-01 | 基于智能图像分析的地质雷达数据自动识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116630809A true CN116630809A (zh) | 2023-08-22 |
Family
ID=87616870
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310643202.7A Pending CN116630809A (zh) | 2023-06-01 | 2023-06-01 | 基于智能图像分析的地质雷达数据自动识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116630809A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117233751A (zh) * | 2023-11-08 | 2023-12-15 | 江苏筑升土木工程科技有限公司 | 一种基于探地雷达的道路地下病害体全生命周期管理方法 |
-
2023
- 2023-06-01 CN CN202310643202.7A patent/CN116630809A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117233751A (zh) * | 2023-11-08 | 2023-12-15 | 江苏筑升土木工程科技有限公司 | 一种基于探地雷达的道路地下病害体全生命周期管理方法 |
| CN117233751B (zh) * | 2023-11-08 | 2024-02-02 | 江苏筑升土木工程科技有限公司 | 一种基于探地雷达的道路地下病害体全生命周期管理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101576956B (zh) | 基于机器视觉的在线字符检测方法和系统 | |
| CN112419299B (zh) | 一种螺栓缺失检测方法、装置、设备及存储介质 | |
| CN108711148A (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
| CN116630809A (zh) | 基于智能图像分析的地质雷达数据自动识别方法及系统 | |
| CN115115841B (zh) | 一种阴影斑点图像处理分析方法及系统 | |
| CN111124896B (zh) | 一种主次峰值比计算算法的蜕变测试系统 | |
| CN116740426A (zh) | 一种功能磁共振影像的分类预测系统 | |
| Lindenbaum | An integrated model for evaluating the amount of data required for reliable recognition | |
| CN102201060B (zh) | 一种基于形状语义的非参数轮廓跟踪评价方法 | |
| CN117114420B (zh) | 一种基于图像识别的工贸安全事故风险管控系统和方法 | |
| CN111563886B (zh) | 基于非监督特征学习的隧道钢轨表面病害检测方法及装置 | |
| CN111507231B (zh) | 工序步骤正确性自动化检测方法和系统 | |
| CN105404682A (zh) | 一种基于数字图像内容的图书检索方法 | |
| CN111767546B (zh) | 一种基于深度学习的输入结构推断方法和装置 | |
| CN116823748A (zh) | 一种基于深度学习和Halcon的螺栓拧紧工业检测方法和装置 | |
| CN111612907A (zh) | 一种受损古建筑柱体的多方位修复系统及方法 | |
| CN112801013B (zh) | 一种基于关键点识别校验的人脸识别方法、系统及装置 | |
| CN114155914A (zh) | 基于宏基因组拼接错误的检测校正系统 | |
| CN112508946B (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 | |
| CN115205747A (zh) | 一种基于图像识别的道路自动化检测系统 | |
| CN113870328A (zh) | 一种液体异物视觉检测方法及系统 | |
| CN106778679B (zh) | 一种基于大数据机器学习的特定人群视频识别方法 | |
| CN115082722B (zh) | 基于正向样本的设备缺陷检测方法、系统、终端及介质 | |
| Chen et al. | Robust Loop-Closure Detection with a Learned Illumination Invariant Representation for Robot vSLAM | |
| CN117593720A (zh) | 车位数据挖掘方法、装置、设备及存储介质 |
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 |