CN116883611B - 一种结合gis航道信息的航道淤泥分布主动探测识别方法 - Google Patents
一种结合gis航道信息的航道淤泥分布主动探测识别方法 Download PDFInfo
- Publication number
- CN116883611B CN116883611B CN202311148321.1A CN202311148321A CN116883611B CN 116883611 B CN116883611 B CN 116883611B CN 202311148321 A CN202311148321 A CN 202311148321A CN 116883611 B CN116883611 B CN 116883611B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- river bottom
- silt
- channel
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000012876 topography Methods 0.000 claims abstract description 84
- 230000007613 environmental effect Effects 0.000 claims abstract description 57
- 230000004927 fusion Effects 0.000 claims abstract description 33
- 238000001914 filtration Methods 0.000 claims abstract description 24
- 230000009467 reduction Effects 0.000 claims abstract description 23
- 239000010802 sludge Substances 0.000 claims abstract description 23
- 238000005070 sampling Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims description 27
- 238000007499 fusion processing Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000006870 function Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D 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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/05—Underwater scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及航道淤泥分布探测的技术领域,公开了一种结合GIS航道信息的航道淤泥分布主动探测识别方法,所述方法包括:提取河底航道地形图像特征数据;构建多特征融合的水下地形识别模型并对河底航道地形进行淤泥地形识别;对识别为存在河底淤泥的河底航道区域进行点云数据采集,并进行稀疏采样和滤波降噪处理;对点云数据进行基准面提取;对河底航道淤泥基准面提取后的河底淤泥区域点云数据进行地形特征轮廓提取,进而形成整体河底航道淤泥分布结果。本发明基于点云数据中环境淤泥的基准面距离以及颜色信息相似度进行密度权重计算以及基准面集合聚类,形成河底淤泥区域的四面体形状的地形特征轮廓,实现整体河底航道淤泥分布探测建模。
Description
技术领域
本发明涉及航道淤泥分布探测的技术领域,尤其涉及一种结合GIS航道信息的航道淤泥分布主动探测识别方法。
背景技术
淤泥质河底航道边坡失稳滑塌是人工开挖航道自身求得稳定的一种自然灾害,航道一旦发生滑坡不仅会改变航道水深影响正常航运,还可能造成航段淤浅无法达到通航标准,为港口航道清淤疏浚工作带来困难,给国家、社会发展带来难以估量的损失,因此对航道淤泥分布状况进行主动探测识别,实施潜在风险预测预警对航道发展及其安全运行具有重要意义。针对该问题,本发明提出一种结合GIS航道信息的航道淤泥分布主动探测识别方法,实现河底淤泥潜在风险预警。
发明内容
有鉴于此,本发明提供一种结合GIS航道信息的航道淤泥分布主动探测识别方法,目的在于:1)获取表征航道地形颜色明暗程度、分布的颜色特征,表征像素与邻域像素对比程度的结构特征,以及表征边缘信息的边缘特征,利用水下地形识别模型进行不同类型的特征处理以及处理后特征的融合操作,根据融合结果进行河底航道地形图像是否为淤泥地形的识别,实现河底航道区域的类型判断,并对识别为存在河底淤泥的河底航道区域进行主动探测,即进行点云数据采集,实现河底航道区域中环境淤泥的坐标位置识别以及颜色信息识别;2)基于点云数据中环境淤泥的基准面距离以及颜色信息相似度进行密度权重计算,进而进行基准面集合聚类,将基准面集合中的所有点云数据作为同一河底航道淤泥基准面下的点云数据,并根据基准面集合,利用面向点云数据的最小体积有向包围算法确定河底淤泥区域的地形特征轮廓,按照基准面集合的生成顺序,将基准面集合中的四面体顶点坐标以及顶点颜色信息进行三维建模,实现整体河底航道淤泥分布探测建模。
实现上述目的,本发明提供的一种结合GIS航道信息的航道淤泥分布主动探测识别方法,包括以下步骤:
S1:采集河底航道地形图像并进行特征提取,得到河底航道地形图像特征数据;
S2:构建多特征融合的水下地形识别模型并对河底航道地形进行淤泥地形识别,所述模型以河底航道地形图像特征数据为输入,以淤泥地形识别结果为输出;
S3:对识别为存在河底淤泥的河底航道区域进行点云数据采集,并对采集数据进行稀疏采样和滤波降噪处理,得到处理后的河底淤泥区域点云数据;
S4:对处理后的河底淤泥区域点云数据进行基准面提取得到河底航道淤泥基准面;
S5:对河底航道淤泥基准面提取后的河底淤泥区域点云数据进行地形特征信息感知并提取地形特征轮廓,其中面向点云数据的最小体积有向包围算法为所述地形特征轮廓识别的主要实施方法;
S6:结合河底航道淤泥基准面和地形特征轮廓形成整体河底航道淤泥分布结果。
作为本发明的进一步改进方法:
可选地,所述S1步骤中采集河底航道地形图像并进行特征提取,包括:
利用遥感平台承载的遥感器获取若干条河底航道的河底航道地形图像,并对河底航道地形图像进行特征提取处理,得到对应的河底航道地形图像特征数据,其中特征提取处理流程为:
S11:提取河底航道地形图像在R,G,B颜色通道的颜色特征;其中颜色特征的提取公式为:
;
;
;
;
其中:表示河底航道地形图像中像素/>在u颜色通道的颜色值,表示像素坐标,对应河底航道地形图像中第/>行第/>列的像素;
N表示河底航道地形图像的行像素数目,M表示河底航道地形图像的列像素数目;
表示河底航道地形图像在u颜色通道的平均颜色值;
分别表示河底航道地形图像在u颜色通道的一阶颜色特征、二阶颜色特征以及三阶颜色特征;
S12:提取河底航道地形图像的结构特征;其中结构特征的提取流程为:
计算得到河底航道地形图像中每个像素的灰度值,其中像素的灰度值计算公式为:
;
以任意像素为中心像素,比较中心像素与邻近8个像素的灰度值大小,若邻近像素的灰度值大于中心像素,则将邻近像素标记为1,否则将邻近像素标记为0;
以中心像素的左上角作为起始位置,按照顺时针方向提取邻近像素的标记结果,得到表示中心像素结构状态的8位二进制编码,并将8位二进制编码进行十进制转换,得到中心像素的结构编码;
将个像素的结构编码构成N行M列的结构特征/>,其中结构特征中第/>行第/>列的元素值即为像素/>的结构编码;
S13:设置灰度值阈值,将灰度值高于灰度值阈值的像素标记为1,其他像素标记为0,得到河底航道地形图像的N行M列的边缘特征;在本发明实施例中,利用Otsu算法确定每张河底航道地形图像的灰度值阈值;
S14:将颜色特征,结构特征/>以及边缘特征/>作为河底航道地形图像特征数据/>。
可选地,所述S2步骤中构建多特征融合的水下地形识别模型并对河底航道地形进行淤泥地形识别,包括:
构建多特征融合的水下地形识别模型并对河底航道地形进行淤泥地形识别,所述水下地形识别模型以河底航道地形图像特征数据为输入,以淤泥地形识别结果为输出;在本发明实施例中,水下地形识别模型包括输入层、多通道特征处理层、特征融合层以及输出层,其中输入层用于接收河底航道地形图像特征数据,多通道特征处理层用于分别对不同类型的特征进行特征处理,特征融合层用于对不同类型特征的特征处理结果进行融合,输出层用于基于融合特征计算得到河底航道地形图像特征数据所对应图像为淤泥地形图像的概率;
基于水下地形识别模型的淤泥地形识别流程为:
S21:输入层接收河底航道地形图像特征数据,并将所接收河底航道地形图像特征数据发送至多通道特征处理层;
S22:多通道特征处理层分别提取河底航道地形图像特征数据中的颜色特征、结构特征以及边缘特征,并分别进行多层特征处理,将最后一层特征处理结果输入到特征融合层,其中特征处理公式为:
;
;
;
其中:表示激活函数;在本发明实施例中,激活函数为ReLU函数;
分别为第L层特征处理权重参数,/>;/>为第L层颜色特征处理权重参数,/>为第L层结构特征处理权重参数,/>为第L层边缘特征处理权重参数;
为第L层特征处理得到的颜色特征,/>为第L层特征处理得到的结构特征,/>为第L层特征处理得到的边缘特征;/>,/>,/>;
在本发明实施例中,在结构特征的特征处理过程中,添加提取到的有效边缘特征信息,以对结构特征进行增强处理;
S23:特征融合层对多通道的特征处理结果进行融合处理,将融合特征发送到输出层,其中融合处理公式为:
;
其中:为特征融合层的参数矩阵;在本发明实施例中,多通道特征处理层的输出结果为尺度相同的三种特征向量;
为融合特征,/>表示识别到河底淤泥的特征值,/>表示未识别到河底淤泥的特征值;
S24:输出层将融合特征转换为河底航道地形为淤泥地形的概率值:
;
其中:e表示自然常数;
若大于预设的阈值,则表示河底航道地形图像所对应的河底航道地形为淤泥地形。
可选地,所述S3步骤中对识别为存在河底淤泥的河底航道区域进行点云数据采集,包括:
对识别为存在河底淤泥的河底航道区域进行点云数据采集,其中点云数据采集流程为:
利用激光雷达向河底航道区域发射激光束,激光束探测到河底航道区域中环境物体的颜色以及三维位置坐标,将激光束探测到的返回结果集合作为点云数据采集结果,其中点云数据集合的表示形式为:
;
其中:表示所采集的第h个点云数据,H表示所采集点云数据的总数;
表示第h个点云数据中所探测到的环境物体三维位置坐标;
表示第h个点云数据中所探测到的环境物体颜色信息,包括在RGB颜色通道的颜色值/>。
可选地,所述S3步骤中对所采集的点云数据进行稀疏采样和滤波降噪处理,包括:
对所采集到的点云数据进行稀疏采样以及滤波降噪处理,其中点云数据的稀疏采样和滤波降噪处理流程为:
S31:计算任意点云数据中所探测到环境物体三维位置坐标与其他点云数据中所探测到环境物体三维位置坐标的距离,其中距离的计算公式为欧式距离计算公式;
S32:从当前点云数据集合中选取K个同环境物体三维位置坐标最近的点云数据;
S33:计算所选取的K个点云数据中所探测到环境物体三维位置坐标到的距离之和/>以及距离均值/>;
S34:计算当前点云数据集合中任意两个点云数据所探测到环境物体三维位置坐标的平均距离mean以及距离标准差std;
S35:若,则保留点云数据/>,否则从点云数据集合中删除点云数据/>;返回步骤S31,直到当前点云数据集合中的点云数据数目达到预设的/>个,得到稀疏采样后的点云数据集合:
;
其中:表示稀疏采样后的点云数据集合中第/>个点云数据;
S36:对稀疏采样后点云数据集合中的点云数据进行滤波降噪处理,其中点云数的滤波降噪处理公式为:
;
其中:,/>表示/>中的最大值;
表示在以点云数据/>中所探测到环境物体三维位置坐标为中心的邻域圆形范围内的点云数据集合中,点云数据在m颜色通道的最大值;在本发明实施例中,邻域圆形范围的半径为mean;
表示点云数据/>中环境物体颜色信息在m颜色通道的滤波处理结果;
S37:构成稀疏采样和滤波降噪处理后的河底淤泥区域点云数据集合:
;
其中:表示点云数据/>中滤波降噪处理后的颜色信息。
可选地,所述S4步骤中对处理后的河底淤泥区域点云数据进行基准面提取,包括:
对处理后的河底淤泥区域点云数据进行基准面提取,其中基准面的提取流程为:
S41:计算河底淤泥区域点云数据集合中任意两个点云数据的基准面距离,其中点云数据与点云数据/>之间的基准面距离/>为:
;
S42:计算河底淤泥区域点云数据集合中任意点云数据的密度权重,其中点云数据的密度权重为:
;
其中:表示点云数据/>的密度权重;
表示颜色信息/>之间的余弦相似度;
表示点云数据/>与河底淤泥区域点云数据集合中其他点云数据的基准面距离的标准差;
S43:按照密度权重降序对当前河底淤泥区域点云数据集合中的点云数据进行排序,根据排序结果,选取排名第一的点云数据作为基准面集合的中心点云数据,并以中心点云数据所探测到环境物体三维位置坐标为中心,mean为半径划分得到区域范围;
S44:将区域范围内的所有点云数据加入到所选取中心点云数据对应的基准面集合中,并在当前河底淤泥区域点云数据集合中删去基准面集合中的所有点云数据,返回步骤S43,直到当前河底淤泥区域点云数据集合中不存在点云数据;
S45:根据划分得到的若干基准面集合,将基准面集合中的所有点云数据作为同一河底航道淤泥基准面下的点云数据。
可选地,所述S5步骤中对河底航道淤泥基准面提取后的河底淤泥区域点云数据进行地形特征轮廓提取,包括:
对河底航道淤泥基准面提取后的河底淤泥区域点云数据进行地形特征轮廓提取,其中地形特征轮廓提取流程为:
对于任意基准面集合,从基准面集合中随机选取四个点云数据,将点云数据中所探测到环境物体三维位置坐标构成一个初始四面体,对基准面集合中的其他点云数据所对应的环境物体三维位置坐标进行位置判断,若环境物体三维位置坐标在初始四面体内,则删去基准距离该环境物体三维位置坐标最近的四面体顶点,将该环境物体三维位置坐标作为四面体顶点,否则跳过该点云数据;
重复上述步骤,将基准面集合中的点云数据中所探测到的环境物体三维位置坐标构成若干四面体,则四面体的边缘即为河底淤泥区域的地形特征轮廓。
可选地,所述S6步骤中形成整体河底航道淤泥分布结果,包括:
按照基准面集合的生成顺序,将基准面集合中的四面体顶点坐标以及顶点颜色信息进行三维建模,得到整体河底航道淤泥分布结果。在本发明实施例中,采用ArcGis软件进行三维建模处理。
为了解决上述问题,本发明提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;
通信接口,实现电子设备通信;及处理器,执行所述存储器中存储的指令以实现上述所述的结合GIS航道信息的航道淤泥分布主动探测识别方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的结合GIS航道信息的航道淤泥分布主动探测识别方法。
相对于现有技术,本发明提出一种结合GIS航道信息的航道淤泥分布主动探测识别方法,该技术具有以下优势:
首先,本方案提出一种淤泥地形识别方法,基于水下地形识别模型的淤泥地形识别流程为:输入层接收河底航道地形图像特征数据,并将所接收河底航道地形图像特征数据发送至多通道特征处理层;多通道特征处理层分别提取河底航道地形图像特征数据中的颜色特征、结构特征以及边缘特征,并分别进行多层特征处理,将最后一层特征处理结果输入到特征融合层,其中特征处理公式为:
;
;
;
其中:表示激活函数;/>分别为第L层特征处理权重参数,/>;/>为第L层颜色特征处理权重参数,/>为第L层结构特征处理权重参数,/>为第L层边缘特征处理权重参数;/>为第L层特征处理得到的颜色特征,为第L层特征处理得到的结构特征,/>为第L层特征处理得到的边缘特征;,/>,/>;特征融合层对多通道的特征处理结果进行融合处理,将融合特征发送到输出层,其中融合处理公式为:
;
其中:为特征融合层的参数矩阵;/>为融合特征,表示识别到河底淤泥的特征值,/>表示未识别到河底淤泥的特征值;输出层将融合特征转换为河底航道地形为淤泥地形的概率值/>:
;
其中:e表示自然常数;若大于预设的阈值,则表示河底航道地形图像所对应的河底航道地形为淤泥地形。利用激光雷达向河底航道区域发射激光束,激光束探测到河底航道区域中环境物体的颜色以及三维位置坐标,将激光束探测到的返回结果集合作为点云数据采集结果。本方案通过获取表征航道地形颜色明暗程度、分布的颜色特征,表征像素与邻域像素对比程度的结构特征,以及表征边缘信息的边缘特征,利用水下地形识别模型进行不同类型的特征处理以及处理后特征的融合操作,根据融合结果进行河底航道地形图像是否为淤泥地形的识别,实现河底航道区域的类型判断,并对识别为存在河底淤泥的河底航道区域进行主动探测,即进行点云数据采集,实现河底航道区域中环境淤泥的坐标位置识别以及颜色信息识别。
同时,本方案提出一种河底航道淤泥分布探测建模方法,计算河底淤泥区域点云数据集合中任意两个点云数据的基准面距离,其中点云数据与点云数据/>之间的基准面距离/>为:
;
计算河底淤泥区域点云数据集合中任意点云数据的密度权重,其中点云数据的密度权重为:
;
其中:表示点云数据/>的密度权重;/>表示颜色信息之间的余弦相似度;/>表示点云数据/>与河底淤泥区域点云数据集合中其他点云数据的基准面距离的标准差;按照密度权重降序对当前河底淤泥区域点云数据集合中的点云数据进行排序,根据排序结果,选取排名第一的点云数据作为基准面集合的中心点云数据,并以中心点云数据所探测到环境物体三维位置坐标为中心,mean为半径划分得到区域范围;将区域范围内的所有点云数据加入到所选取中心点云数据对应的基准面集合中,并在当前河底淤泥区域点云数据集合中删去基准面集合中的所有点云数据,返回点云数据排序步骤,直到当前河底淤泥区域点云数据集合中不存在点云数据;根据划分得到的若干基准面集合,将基准面集合中的所有点云数据作为同一河底航道淤泥基准面下的点云数据。对于任意基准面集合,从基准面集合中随机选取四个点云数据,将点云数据中所探测到环境物体三维位置坐标构成一个初始四面体,对基准面集合中的其他点云数据所对应的环境物体三维位置坐标进行位置判断,若环境物体三维位置坐标在初始四面体内,则删去基准距离距离该环境物体三维位置坐标最近的四面体顶点,将该环境物体三维位置坐标作为四面体顶点,否则跳过该点云数据;将基准面集合中的点云数据中所探测到的环境物体三维位置坐标构成若干四面体,则四面体的边缘即为河底淤泥区域的地形特征轮廓。本方案基于点云数据中环境淤泥的基准面距离以及颜色信息相似度进行密度权重计算,进而进行基准面集合聚类,将基准面集合中的所有点云数据作为同一河底航道淤泥基准面下的点云数据,并根据基准面集合,利用面向点云数据的最小体积有向包围算法确定河底淤泥区域的地形特征轮廓,按照基准面集合的生成顺序,将基准面集合中的四面体顶点坐标以及顶点颜色信息进行三维建模,实现整体河底航道淤泥分布探测建模。
附图说明
图1为本发明一实施例提供的一种结合GIS航道信息的航道淤泥分布主动探测识别方法的流程示意图;
图2为本发明一实施例提供的实现结合GIS航道信息的航道淤泥分布主动探测识别方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种结合GIS航道信息的航道淤泥分布主动探测识别方法。所述结合GIS航道信息的航道淤泥分布主动探测识别方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述结合GIS航道信息的航道淤泥分布主动探测识别方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1
S1:采集河底航道地形图像并进行特征提取,得到河底航道地形图像特征数据。
所述S1步骤中采集河底航道地形图像并进行特征提取,包括:
利用遥感平台承载的遥感器获取若干条河底航道的河底航道地形图像,并对河底航道地形图像进行特征提取处理,得到对应的河底航道地形图像特征数据,其中特征提取处理流程为:
S11:提取河底航道地形图像在R,G,B颜色通道的颜色特征;其中颜色特征的提取公式为:
;
;
;
;
其中:
表示河底航道地形图像中像素/>在u颜色通道的颜色值,/>表示像素坐标,对应河底航道地形图像中第/>行第/>列的像素;
N表示河底航道地形图像的行像素数目,M表示河底航道地形图像的列像素数目;
表示河底航道地形图像在u颜色通道的平均颜色值;
分别表示河底航道地形图像在u颜色通道的一阶颜色特征、二阶颜色特征以及三阶颜色特征;
S12:提取河底航道地形图像的结构特征;其中结构特征的提取流程为:
计算得到河底航道地形图像中每个像素的灰度值,其中像素的灰度值计算公式为:
;
以任意像素为中心像素,比较中心像素与邻近8个像素的灰度值大小,若邻近像素的灰度值大于中心像素,则将邻近像素标记为1,否则将邻近像素标记为0;
以中心像素的左上角作为起始位置,按照顺时针方向提取邻近像素的标记结果,得到表示中心像素结构状态的8位二进制编码,并将8位二进制编码进行十进制转换,得到中心像素的结构编码;
将个像素的结构编码构成N行M列的结构特征/>,其中结构特征中第/>行第/>列的元素值即为像素/>的结构编码;
S13:设置灰度值阈值,将灰度值高于灰度值阈值的像素标记为1,其他像素标记为0,得到河底航道地形图像的N行M列的边缘特征;在本发明实施例中,利用Otsu算法确定每张河底航道地形图像的灰度值阈值;
S14:将颜色特征,结构特征/>以及边缘特征/>作为河底航道地形图像特征数据/>。
S2:构建多特征融合的水下地形识别模型并对河底航道地形进行淤泥地形识别,所述模型以河底航道地形图像特征数据为输入,以淤泥地形识别结果为输出。
所述S2步骤中构建多特征融合的水下地形识别模型并对河底航道地形进行淤泥地形识别,包括:
构建多特征融合的水下地形识别模型并对河底航道地形进行淤泥地形识别,所述水下地形识别模型以河底航道地形图像特征数据为输入,以淤泥地形识别结果为输出;
基于水下地形识别模型的淤泥地形识别流程为:
S21:输入层接收河底航道地形图像特征数据,并将所接收河底航道地形图像特征数据发送至多通道特征处理层;
S22:多通道特征处理层分别提取河底航道地形图像特征数据中的颜色特征、结构特征以及边缘特征,并分别进行多层特征处理,将最后一层特征处理结果输入到特征融合层,其中特征处理公式为:
;
;
;
其中:
表示激活函数;在本发明实施例中,激活函数为ReLU函数;
分别为第L层特征处理权重参数,/>;/>为第L层颜色特征处理权重参数,/>为第L层结构特征处理权重参数,/>为第L层边缘特征处理权重参数;
为第L层特征处理得到的颜色特征,/>为第L层特征处理得到的结构特征,/>为第L层特征处理得到的边缘特征;/>,/>,/>;
S23:特征融合层对多通道的特征处理结果进行融合处理,将融合特征发送到输出层,其中融合处理公式为:
;
其中:
为特征融合层的参数矩阵;在本发明实施例中,多通道特征处理层的输出结果为尺度相同的三种特征向量;
为融合特征,/>表示识别到河底淤泥的特征值,/>表示未识别到河底淤泥的特征值;
S24:输出层将融合特征转换为河底航道地形为淤泥地形的概率值:
;
其中:e表示自然常数;
若大于预设的阈值,则表示河底航道地形图像所对应的河底航道地形为淤泥地形。
S3:对识别为存在河底淤泥的河底航道区域进行点云数据采集,并对采集数据进行稀疏采样和滤波降噪处理,得到处理后的河底淤泥区域点云数据。
所述S3步骤中对识别为存在河底淤泥的河底航道区域进行点云数据采集,包括:
对识别为存在河底淤泥的河底航道区域进行点云数据采集,其中点云数据采集流程为:
利用激光雷达向河底航道区域发射激光束,激光束探测到河底航道区域中环境物体的颜色以及三维位置坐标,将激光束探测到的返回结果集合作为点云数据采集结果,其中点云数据集合的表示形式为:
;
其中:
表示所采集的第h个点云数据,H表示所采集点云数据的总数;
表示第h个点云数据中所探测到的环境物体三维位置坐标;
表示第h个点云数据中所探测到的环境物体颜色信息,包括在RGB颜色通道的颜色值/>。
所述S3步骤中对所采集的点云数据进行稀疏采样和滤波降噪处理,包括:
对所采集到的点云数据进行稀疏采样以及滤波降噪处理,其中点云数据的稀疏采样和滤波降噪处理流程为:
S31:计算任意点云数据中所探测到环境物体三维位置坐标与其他点云数据中所探测到环境物体三维位置坐标的距离,其中距离的计算公式为欧式距离计算公式;
S32:从当前点云数据集合中选取K个同环境物体三维位置坐标最近的点云数据;
S33:计算所选取的K个点云数据中所探测到环境物体三维位置坐标到的距离之和/>以及距离均值/>;
S34:计算当前点云数据集合中任意两个点云数据所探测到环境物体三维位置坐标的平均距离mean以及距离标准差std;
S35:若,则保留点云数据/>,否则从点云数据集合中删除点云数据/>;返回步骤S31,直到当前点云数据集合中的点云数据数目达到预设的/>个,得到稀疏采样后的点云数据集合:
;
其中:表示稀疏采样后的点云数据集合中第/>个点云数据;
S36:对稀疏采样后点云数据集合中的点云数据进行滤波降噪处理,其中点云数的滤波降噪处理公式为:
;/>
其中:
,/>表示/>中的最大值;
表示在以点云数据/>中所探测到环境物体三维位置坐标为中心的邻域圆形范围内的点云数据集合中,点云数据在m颜色通道的最大值;在本发明实施例中,邻域圆形范围的半径为mean;
表示点云数据/>中环境物体颜色信息在m颜色通道的滤波处理结果;
S37:构成稀疏采样和滤波降噪处理后的河底淤泥区域点云数据集合:
;
其中:表示点云数据/>中滤波降噪处理后的颜色信息。
S4:对处理后的河底淤泥区域点云数据进行基准面提取得到河底航道淤泥基准面。
所述S4步骤中对处理后的河底淤泥区域点云数据进行基准面提取,包括:
对处理后的河底淤泥区域点云数据进行基准面提取,其中基准面的提取流程为:
S41:计算河底淤泥区域点云数据集合中任意两个点云数据的基准面距离,其中点云数据与点云数据/>之间的基准面距离/>为:
;
S42:计算河底淤泥区域点云数据集合中任意点云数据的密度权重,其中点云数据的密度权重为:
;
其中:
表示点云数据/>的密度权重;
表示颜色信息/>之间的余弦相似度;
表示点云数据/>与河底淤泥区域点云数据集合中其他点云数据的基准面距离的标准差;
S43:按照密度权重降序对当前河底淤泥区域点云数据集合中的点云数据进行排序,根据排序结果,选取排名第一的点云数据作为基准面集合的中心点云数据,并以中心点云数据所探测到环境物体三维位置坐标为中心,mean为半径划分得到区域范围;
S44:将区域范围内的所有点云数据加入到所选取中心点云数据对应的基准面集合中,并在当前河底淤泥区域点云数据集合中删去基准面集合中的所有点云数据,返回步骤S43,直到当前河底淤泥区域点云数据集合中不存在点云数据;
S45:根据划分得到的若干基准面集合,将基准面集合中的所有点云数据作为同一河底航道淤泥基准面下的点云数据。
S5:对河底航道淤泥基准面提取后的河底淤泥区域点云数据进行地形特征信息感知并提取地形特征轮廓。
所述S5步骤中对河底航道淤泥基准面提取后的河底淤泥区域点云数据进行地形特征轮廓提取,包括:
对河底航道淤泥基准面提取后的河底淤泥区域点云数据进行地形特征轮廓提取,其中地形特征轮廓提取流程为:
对于任意基准面集合,从基准面集合中随机选取四个点云数据,将点云数据中所探测到环境物体三维位置坐标构成一个初始四面体,对基准面集合中的其他点云数据所对应的环境物体三维位置坐标进行位置判断,若环境物体三维位置坐标在初始四面体内,则删去基准距离该环境物体三维位置坐标最近的四面体顶点,将该环境物体三维位置坐标作为四面体顶点,否则跳过该点云数据;
重复上述步骤,将基准面集合中的点云数据中所探测到的环境物体三维位置坐标构成若干四面体,则四面体的边缘即为河底淤泥区域的地形特征轮廓。
S6:结合河底航道淤泥基准面和地形特征轮廓形成整体河底航道淤泥分布结果。
所述S6步骤中形成整体河底航道淤泥分布结果,包括:
按照基准面集合的生成顺序,将基准面集合中的四面体顶点坐标以及顶点颜色信息进行三维建模,得到整体河底航道淤泥分布结果。在本发明实施例中,采用ArcGis软件进行三维建模处理。
实施例2
如图2所示,是本发明一实施例提供的实现结合GIS航道信息的航道淤泥分布主动探测识别方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信接口13和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card, SMC)、安全数字(SecureDigital, SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如程序12的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(用于实现结合GIS航道信息的航道淤泥分布主动探测识别的程序12等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接,并实现电子设备内部组件之间的连接通信。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图2仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图2示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
采集河底航道地形图像并进行特征提取,得到河底航道地形图像特征数据;
构建多特征融合的水下地形识别模型并对河底航道地形进行淤泥地形识别;
对识别为存在河底淤泥的河底航道区域进行点云数据采集,并对采集数据进行稀疏采样和滤波降噪处理,得到处理后的河底淤泥区域点云数据;
对处理后的河底淤泥区域点云数据进行基准面提取得到河底航道淤泥基准面;
对河底航道淤泥基准面提取后的河底淤泥区域点云数据进行地形特征信息感知并提取地形特征轮廓;
结合河底航道淤泥基准面和地形特征轮廓形成整体河底航道淤泥分布结果。
具体地,所述处理器10对上述指令的具体实现方法可参考图1至图2对应实施例中相关步骤的描述,在此不赘述。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种结合GIS航道信息的航道淤泥分布主动探测识别方法,其特征在于,所述方法包括:
S1:采集河底航道地形图像并进行特征提取,得到河底航道地形图像特征数据;
采集河底航道地形图像并进行特征提取,包括:
利用遥感平台承载的遥感器获取若干条河底航道的河底航道地形图像,并对河底航道地形图像进行特征提取处理,得到对应的河底航道地形图像特征数据,其中特征提取处理流程为:
S11:提取河底航道地形图像在R,G,B颜色通道的颜色特征;
S12:提取河底航道地形图像的结构特征;
S13:设置灰度值阈值,将灰度值高于灰度值阈值的像素标记为1,其他像素标记为0,得到河底航道地形图像的N行M列的边缘特征;
S14:将颜色特征,结构特征/>以及边缘特征/>作为河底航道地形图像特征数据/>;
S2:构建多特征融合的水下地形识别模型并对河底航道地形进行淤泥地形识别,所述模型以河底航道地形图像特征数据为输入,以淤泥地形识别结果为输出;
基于水下地形识别模型的淤泥地形识别流程为:
S21:输入层接收河底航道地形图像特征数据,并将所接收河底航道地形图像特征数据发送至多通道特征处理层;
S22:多通道特征处理层分别提取河底航道地形图像特征数据中的颜色特征、结构特征以及边缘特征,并分别进行多层特征处理,将最后一层特征处理结果输入到特征融合层,其中特征处理公式为:
;
;
;
其中:
表示激活函数;
分别为第L层特征处理权重参数,/>为第L层颜色特征处理权重参数,/>为第L层结构特征处理权重参数,/>为第L层边缘特征处理权重参数;
为第L层特征处理得到的颜色特征,/>为第L层特征处理得到的结构特征,/>为第L层特征处理得到的边缘特征;/>,/>,/>;
S23:特征融合层对多通道的特征处理结果进行融合处理,将融合特征发送到输出层,其中融合处理公式为:
;
其中:
为特征融合层的参数矩阵;
为融合特征,/>表示识别到河底淤泥的特征值,/>表示未识别到河底淤泥的特征值;
S24:输出层将融合特征转换为河底航道地形为淤泥地形的概率值:
;
其中:
e表示自然常数;
若大于预设的阈值,则表示河底航道地形图像所对应的河底航道地形为淤泥地形;
S3:对识别为存在河底淤泥的河底航道区域进行点云数据采集,并对采集数据进行稀疏采样和滤波降噪处理,得到处理后的河底淤泥区域点云数据;
S4:对处理后的河底淤泥区域点云数据进行基准面提取得到河底航道淤泥基准面;
S5:对河底航道淤泥基准面提取后的河底淤泥区域点云数据进行地形特征信息感知并提取地形特征轮廓;
S6:结合河底航道淤泥基准面和地形特征轮廓形成整体河底航道淤泥分布结果。
2.如权利要求1所述的一种结合GIS航道信息的航道淤泥分布主动探测识别方法,其特征在于,所述S3步骤中对识别为存在河底淤泥的河底航道区域进行点云数据采集,包括:
对识别为存在河底淤泥的河底航道区域进行点云数据采集,其中点云数据采集流程为:
利用激光雷达向河底航道区域发射激光束,激光束探测到河底航道区域中环境物体的颜色以及三维位置坐标,将激光束探测到的返回结果集合作为点云数据采集结果,其中点云数据集合的表示形式为:
;
其中:
表示所采集的第h个点云数据,H表示所采集点云数据的总数;
表示第h个点云数据中所探测到的环境物体三维位置坐标;
表示第h个点云数据中所探测到的环境物体颜色信息,包括在RGB颜色通道的颜色值/>。
3.如权利要求2所述的一种结合GIS航道信息的航道淤泥分布主动探测识别方法,其特征在于,所述S3步骤中对所采集的点云数据进行稀疏采样和滤波降噪处理,包括:
对所采集到的点云数据进行稀疏采样以及滤波降噪处理,其中点云数据的稀疏采样和滤波降噪处理流程为:
S31:计算任意点云数据中所探测到环境物体三维位置坐标与其他点云数据中所探测到环境物体三维位置坐标的距离,其中距离的计算公式为欧式距离计算公式;
S32:从当前点云数据集合中选取K个同环境物体三维位置坐标最近的点云数据;
S33:计算所选取的K个点云数据中所探测到环境物体三维位置坐标到的距离之和/>以及距离均值/>;
S34:计算当前点云数据集合中任意两个点云数据所探测到环境物体三维位置坐标的平均距离mean以及距离标准差std;
S35:若,则保留点云数据/>,否则从点云数据集合中删除点云数据/>;返回步骤S31,直到当前点云数据集合中的点云数据数目达到预设的/>个,得到稀疏采样后的点云数据集合:
;
其中:
表示稀疏采样后的点云数据集合中第/>个点云数据;
S36:对稀疏采样后点云数据集合中的点云数据进行滤波降噪处理;
S37:构成稀疏采样和滤波降噪处理后的河底淤泥区域点云数据集合:
;
其中:
表示点云数据/>中滤波降噪处理后的颜色信息。
4.如权利要求3所述的一种结合GIS航道信息的航道淤泥分布主动探测识别方法,其特征在于,所述S4步骤中对处理后的河底淤泥区域点云数据进行基准面提取,包括:
对处理后的河底淤泥区域点云数据进行基准面提取,其中基准面的提取流程为:
S41:计算河底淤泥区域点云数据集合中任意两个点云数据的基准面距离,其中点云数据与点云数据/>之间的基准面距离/>为:
;
S42:计算河底淤泥区域点云数据集合中任意点云数据的密度权重,其中点云数据的密度权重为:
;
其中:
表示点云数据/>的密度权重;
表示颜色信息/>之间的余弦相似度;
表示点云数据/>与河底淤泥区域点云数据集合中其他点云数据的基准面距离的标准差;
S43:按照密度权重降序对当前河底淤泥区域点云数据集合中的点云数据进行排序,根据排序结果,选取排名第一的点云数据作为基准面集合的中心点云数据,并以中心点云数据所探测到环境物体三维位置坐标为中心,mean为半径划分得到区域范围;
S44:将区域范围内的所有点云数据加入到所选取中心点云数据对应的基准面集合中,并在当前河底淤泥区域点云数据集合中删去基准面集合中的所有点云数据,返回步骤S43,直到当前河底淤泥区域点云数据集合中不存在点云数据;
S45:根据划分得到的若干基准面集合,将基准面集合中的所有点云数据作为同一河底航道淤泥基准面下的点云数据。
5.如权利要求4所述的一种结合GIS航道信息的航道淤泥分布主动探测识别方法,其特征在于,所述S5步骤中对河底航道淤泥基准面提取后的河底淤泥区域点云数据进行地形特征轮廓提取,包括:
对河底航道淤泥基准面提取后的河底淤泥区域点云数据进行地形特征轮廓提取,其中地形特征轮廓提取流程为:
对于任意基准面集合,从基准面集合中随机选取四个点云数据,将点云数据中所探测到环境物体三维位置坐标构成一个初始四面体,对基准面集合中的其他点云数据所对应的环境物体三维位置坐标进行位置判断,若环境物体三维位置坐标在初始四面体内,则删去距离该环境物体三维位置坐标最近的四面体顶点,将该环境物体三维位置坐标作为四面体顶点,否则跳过该点云数据;
重复上述步骤,将基准面集合中的点云数据中所探测到的环境物体三维位置坐标构成若干四面体,则四面体的边缘即为河底淤泥区域的地形特征轮廓。
6.如权利要求1所述的一种结合GIS航道信息的航道淤泥分布主动探测识别方法,其特征在于,所述S6步骤中形成整体河底航道淤泥分布结果,包括:
按照基准面集合的生成顺序,将基准面集合中的四面体顶点坐标以及顶点颜色信息进行三维建模,得到整体河底航道淤泥分布结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311148321.1A CN116883611B (zh) | 2023-09-07 | 2023-09-07 | 一种结合gis航道信息的航道淤泥分布主动探测识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311148321.1A CN116883611B (zh) | 2023-09-07 | 2023-09-07 | 一种结合gis航道信息的航道淤泥分布主动探测识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116883611A CN116883611A (zh) | 2023-10-13 |
CN116883611B true CN116883611B (zh) | 2023-12-15 |
Family
ID=88266685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311148321.1A Active CN116883611B (zh) | 2023-09-07 | 2023-09-07 | 一种结合gis航道信息的航道淤泥分布主动探测识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116883611B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117079118B (zh) * | 2023-10-16 | 2024-01-16 | 广州华夏汇海科技有限公司 | 基于视觉检测的水下行走检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111580113A (zh) * | 2020-06-21 | 2020-08-25 | 黄河勘测规划设计研究院有限公司 | 一种河道库岸水下地形及淤泥厚度勘测系统 |
TWI719711B (zh) * | 2019-11-13 | 2021-02-21 | 國立中山大學 | 水下地形淤泥量探測方法 |
WO2021179548A1 (zh) * | 2020-03-12 | 2021-09-16 | 五邑大学 | 河道地形模型构建方法、装置、机器人和存储介质 |
CN116188671A (zh) * | 2022-09-05 | 2023-05-30 | 浙江水利水电学院 | 河道水陆一体三维实景建模方法 |
CN116519056A (zh) * | 2023-05-04 | 2023-08-01 | 浙江沄洲智能科技有限公司 | 一种基于无人船的河底淤积动态监测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6935512B2 (ja) * | 2017-12-08 | 2021-09-15 | アジア航測株式会社 | 地物地盤高別色付画像生成装置及び地物高別色付画像生成プログラム |
-
2023
- 2023-09-07 CN CN202311148321.1A patent/CN116883611B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI719711B (zh) * | 2019-11-13 | 2021-02-21 | 國立中山大學 | 水下地形淤泥量探測方法 |
WO2021179548A1 (zh) * | 2020-03-12 | 2021-09-16 | 五邑大学 | 河道地形模型构建方法、装置、机器人和存储介质 |
CN111580113A (zh) * | 2020-06-21 | 2020-08-25 | 黄河勘测规划设计研究院有限公司 | 一种河道库岸水下地形及淤泥厚度勘测系统 |
CN116188671A (zh) * | 2022-09-05 | 2023-05-30 | 浙江水利水电学院 | 河道水陆一体三维实景建模方法 |
CN116519056A (zh) * | 2023-05-04 | 2023-08-01 | 浙江沄洲智能科技有限公司 | 一种基于无人船的河底淤积动态监测方法 |
Non-Patent Citations (2)
Title |
---|
"A framework for aerial inspection of siltation in waterways";Hamza Anwar 等;《2015 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)》;第6273-6278页 * |
"水利工程中河道清淤治理技术研究";孙云飞;《珠江水运》;第110-112页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116883611A (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Road boundaries detection based on local normal saliency from mobile laser scanning data | |
CN113159147B (zh) | 基于神经网络的图像识别方法、装置、电子设备 | |
CN110378297B (zh) | 基于深度学习的遥感图像目标检测方法、装置、及存储介质 | |
CN112507934B (zh) | 活体检测方法、装置、电子设备及存储介质 | |
CN116883611B (zh) | 一种结合gis航道信息的航道淤泥分布主动探测识别方法 | |
CN114049568B (zh) | 基于图像比对的标的物形变检测方法、装置、设备及介质 | |
CN111323788B (zh) | 建筑物变化的监测方法、装置及计算机设备 | |
CN112215179B (zh) | 车内人脸识别方法、设备、装置及存储介质 | |
CN116071520B (zh) | 一种数字孪生水务仿真模拟测试方法 | |
CN116168351B (zh) | 电力设备巡检方法及装置 | |
CN115526924B (zh) | 一种蒙特卡洛模拟的水文环境建模方法及系统 | |
CN112749653A (zh) | 行人检测方法、装置、电子设备及存储介质 | |
CN115620321B (zh) | 表格识别方法及装置、电子设备和存储介质 | |
CN115861400B (zh) | 目标对象检测方法、训练方法、装置以及电子设备 | |
CN114283435A (zh) | 表格提取方法、装置、计算机设备、存储介质 | |
CN114550051A (zh) | 一种车损检测方法、装置、计算机设备及存储介质 | |
CN115773723A (zh) | 基于bim的路基段落采空区变形监测方法及系统 | |
US11836960B2 (en) | Object detection device, object detection method, and program | |
CN115327553B (zh) | 一种诱导变异的快速激光雷达样本生成方法 | |
CN115972198B (zh) | 一种非完全信息条件下的机械臂视觉抓取方法与装置 | |
CN112329666A (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
CN114926753B (zh) | 一种海量图像条件下的快速目标场景信息提取方法 | |
CN109657556A (zh) | 道路及其周边地物的分类方法及系统 | |
CN113792671A (zh) | 人脸合成图像的检测方法、装置、电子设备及介质 | |
CN114708230A (zh) | 基于图像分析的车架质量检测方法、装置、设备及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |