CN118189898A - 一种隧道检修道盖板倾斜角度检测分析系统及方法 - Google Patents
一种隧道检修道盖板倾斜角度检测分析系统及方法 Download PDFInfo
- Publication number
- CN118189898A CN118189898A CN202410622103.5A CN202410622103A CN118189898A CN 118189898 A CN118189898 A CN 118189898A CN 202410622103 A CN202410622103 A CN 202410622103A CN 118189898 A CN118189898 A CN 118189898A
- Authority
- CN
- China
- Prior art keywords
- cover plate
- tunnel
- inclination angle
- module
- vector machine
- 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 24
- 238000012706 support-vector machine Methods 0.000 claims abstract description 114
- 230000008439 repair process Effects 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 21
- 238000012795 verification Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 abstract description 14
- 230000009286 beneficial effect Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 5
- 238000012417 linear regression Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种隧道检修道盖板倾斜角度检测分析系统及方法,属于监测雷达技术领域,包括:支持向量机模块、分别与支持向量机模块连接的用户界面模块、优化模块以及数据处理模块,数据处理模块与LiDAR数据采集模块连接。本发明通过LiDAR数据采集模块对隧道检修道盖板进行高精度三维扫描,结合支持向量机模块,能够快速、准确和高效地对隧道检修道盖板地倾斜角度进行检测,有效提高了隧道检修道盖板的安全性,降低安全事故发生的风险;同时,本发明根据优化模块和用户界面模块,能够进行自适应学习和生成预测性维护建议,以适应不同环境和条件下的检测需求,为隧道检修和维护工作提供更加科学和有效的支持。
Description
技术领域
本发明属于监测雷达技术领域,具体涉及一种隧道检修道盖板倾斜角度检测分析系统及方法。
背景技术
隧道检修道盖板的倾斜角度是指隧道内检修道上方铺设的盖板相对于水平面的倾斜程度,盖板倾斜角度的大小对于隧道的安全性、舒适性和检修道的耐用性都具有重要影响。如果倾斜角度过大,可能会影响到工作人员的行走安全,导致积水积雪不易排除,增加盖板受力不均导致破损的风险;因此,在实际工程中,需要对隧道检修道盖板的倾斜角度进行定期测量和监控,确保其满足设计规范和安全标准的要求。
隧道检修道盖板的倾斜角度检测通常依赖于传统的目测法,这种方法存在准确性和效率不高的问题。随着科技的不断发展,越来越多的新技术被应用于隧道检修领域。其中,车载式激光雷达(LiDAR)技术以其高精度、非接触式的特点被广泛应用于地形测绘、障碍物检测等领域;机器学习技术也在不断进步,支持向量机(SVM)作为一种有效的分类和回归方法被广泛应用于各种领域。因此,将车载式激光雷达(LiDAR)技术和支持向量机(SVM)机器学习技术结合起来应用于隧道检修道盖板倾斜角度检测分析,能够避免传统目测法产生的问题。
发明内容
针对现有技术中的上述不足,本发明提供的隧道检修道盖板倾斜角度检测分析系统,通过激光雷达LiDAR和支持向量机SVM,能够解决目前隧道检修道盖板的倾斜角度检测准确性和效率不高的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种隧道检修道盖板倾斜角度检测分析系统,包括:支持向量机模块、分别与所述支持向量机模块连接的用户界面模块、优化模块和数据处理模块,以及与所述数据处理模块连接的LiDAR数据采集模块;
所述LiDAR数据采集模块,用于对隧道检修道盖板进行扫描,并生成隧道检修道盖板的三维图像;
所述数据处理模块,用于对隧道检修道盖板的三维图像进行处理,得到三维图像的特征提取结果;
所述支持向量机模块,用于在预训练后,根据三维图像的特征提取结果,对盖板的倾斜角度进行预测;
所述优化模块,用于利用交叉验证,对支持向量机模块的预测结果进行测试,并根据测试结果,对支持向量机模块进行优化处理;
所述用户界面模块,用于显示隧道检修道盖板倾斜角度检测分析结果。
本发明的有益效果为:本发明通过LiDAR数据采集模块对隧道检修道盖板进行高精度三维扫描,结合支持向量机模块,能够快速、准确和高效地对隧道检修道盖板地倾斜角度进行检测,有效提高了隧道检修道盖板的安全性,降低安全事故发生的风险;同时,本发明根据优化模块和用户界面模块,能够进行自适应学习和生成预测性维护建议,以适应不同环境和条件下的检测需求,为隧道检修和维护工作提供更加科学和有效的支持。
进一步地:所述预训练的具体方式为:
获取已知倾斜角度的隧道检修道盖板数据集,并利用已知倾斜角度的隧道检修道盖板数据集,对支持向量机模块进行训练,得到预先训练好的支持向量机模块。
上述进一步方案的有益效果为:利用已知倾斜角度的隧道检修道盖板数据集对支持向量机机器学习模型进行训练,使支持向量机机器学习模型能够对盖板的未知倾斜角度进行更加准确的预测,便于后续使用。
进一步地:所述LiDAR数据采集模块包括:包括激光发射器、激光接收器以及数据处理单元;
所述激光发射器,用于向目标发射激光束;
所述激光接收器,用于接收目标反射的激光束;
所述数据处理单元,用于根据激光发射器和激光接收器的数据,得到目标点云数据,并对目标点云数据进行处理,生成隧道检修道盖板的三维图像。
上述进一步方案的有益效果为:LiDAR数据采集模块通过激光发射器和激光接收器对隧道检修道盖板进行高精度的三维点云扫描,并通过数据处理单元对扫描数据进行处理,生成隧道检修道盖板的三维图像,能够得到更加全面的检测和分析结果。
本发明还提供了一种隧道检修道盖板倾斜角度检测分析方法,包括以下步骤:
S1:利用LiDAR数据采集模块,对隧道检修道盖板进行扫描,得到隧道检修道盖板的三维图像;
S2:对隧道检修道盖板的三维图像进行处理,得到三维图像的特征提取结果;
S3:根据三维图像的特征提取结果,利用训练好的支持向量机SVM模型进行处理,得到盖板倾斜角度的预测结果;
S4:根据盖板倾斜角度的预测结果和盖板倾斜角度历史数据,利用交叉验证进行测试,并根据交叉验证测试结果,对训练好的支持向量机SVM模型进行优化;
S5:根据盖板倾斜角度的预测结果和盖板倾斜角度历史数据,得到隧道检修道盖板倾斜角度监测分析结果。
本发明的有益效果为:本发明利用车载激光雷达LiDAR对隧道检修道盖板进行高精度三维扫描,结合支持向量机SVM模型,能够快速、准确和高效地对隧道检修道盖板地倾斜角度进行检测,有效提高了隧道检修道盖板的安全性,降低安全事故发生的风险;同时,本发明通过交叉验证进行自适应学习,能够适应不同环境和条件下的检测需求;根据盖板倾斜角度的历史数据和盖板倾斜角度的预测结果,能够生成预测性维护建议,为隧道检修和维护工作提供更加科学和有效的支持。
进一步地:所述S2的具体步骤如下:
S201:对隧道检修道盖板的三维图像进行数据预处理,得到数据预处理后的三维图像;
S202:根据数据预处理后的三维图像,进行特征提取,得到三维图像的特征提取结果。
上述进一步方案的有益效果为:通过对隧道检修道盖板的三维图像进行预处理和特征提取,便于后续用于支持向量机机器学习模型的训练和预测。
进一步地:所述S4的具体步骤如下:
S401:将盖板倾斜角度的预测结果和历史数据作为数据集,并随机划分为个大小相等的子集;
S402:将个大小相等的子集中前/>个子集作为训练集,将最后一个子集作为验证集;
S403:利用训练集中的一个子集,对支持向量机SVM模型进行训练,并利用验证集进行验证,计算本轮支持向量机SVM模型的性能指标,并汇总为平均值和标准差;
S404:在个子集均用于对支持向量机SVM模型进行训练后,根据平均值和标准差,选择最优支持向量机SVM模型,完成对训练好的支持向量机SVM模型的优化。
上述进一步方案的有益效果为:利用交叉验证对支持向量机SVM模型进行优化,能够提高训练集的利用率,增强支持向量机SVM模型的泛化能力和预测能力。
附图说明
图1为一种隧道检修道盖板倾斜角度检测分析系统结构图;
图2为一种隧道检修道盖板倾斜角度检测分析方法流程图;
图3为利用线性回归方法对盖板倾斜角度进行预测的结果图。
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
如图1所示,本发明提供了一种隧道检修道盖板倾斜角度检测分析系统,包括:支持向量机模块、分别与支持向量机模块连接的用户界面模块、优化模块和数据处理模块,以及与数据处理模块连接的LiDAR数据采集模块;
LiDAR数据采集模块,用于对隧道检修道盖板进行扫描,并生成隧道检修道盖板的三维图像;
数据处理模块,用于对隧道检修道盖板的三维图像进行处理,得到三维图像的特征提取结果;
支持向量机模块,用于在预训练后,根据三维图像的特征提取结果,对盖板的倾斜角度进行预测;
优化模块,用于利用交叉验证,对支持向量机模块的预测结果进行测试,并根据测试结果,对支持向量机模块进行优化处理;
用户界面模块,用于显示隧道检修道盖板倾斜角度检测分析结果。
在本实施例中,LiDAR数据采集模块包括:包括激光发射器、激光接收器以及数据处理单元;激光发射器向目标发射激光束,激光接收器接收反射的激光束,数据处理单元通过时间测量技术计算目标点的距离,得到目标点云数据,并对目标点云数据进行处理,生成隧道检修道盖板的三维图像,为隧道检修道盖板倾斜角度检测分析系统提供数据来源。
在本实施例中,数据处理模块能够对LiDAR数据采集模块生成隧道检修道盖板的三维图像进行预处理,包括去除噪声、滤波、点云数据压缩等操作,并提取关键特征,包括边缘、角点等特征,并将提取的特征结果用于支持向量机SVM模型的训练和预测。
在本实施例中,使用已知倾斜角度的数据集对支持向量机模块进行训练,其中,已知倾斜角度的数据集包括盖板的形状、尺寸、反射特性等基本属性信息以及盖板对应的倾斜角度。通过已知倾斜角度的数据集进行训练,支持向量机SVM模型能够学习和预测未知盖板的未知倾斜角度。
在本实施例中,优化模块,通过交叉验证方法测试支持向量机SVM模型的准确性和可靠性,并根据测试结果对支持向量机SVM模型进行优化和调整;优化模块具有自适应学习机制,能够根据新的盖板倾斜角度数据对支持向量机SVM模型进行不断优化,以适应不同的隧道环境和检修道盖板类型。
在本实施例中,用户界面模块能够提供直观的图形界面,显示隧道检修道盖板倾斜角度检测分析结果,其不仅展示实时的预测结果,还能提供维护建议的生成和展示功能,包括:实时扫描的隧道检修道盖板的三维图像、倾斜角度测量结果以及历史数据分析;用户可以根据实际检测情况对支持向量机模块的参数进行调整并根据历史数据预测未来的盖板维护需求。
本发明的有益效果为:本发明通过LiDAR数据采集模块对隧道检修道盖板进行高精度三维扫描,结合支持向量机模块,能够快速、准确和高效地对隧道检修道盖板地倾斜角度进行检测,有效提高了隧道检修道盖板的安全性,降低安全事故发生的风险;同时,本发明根据优化模块和用户界面模块,能够进行自适应学习和生成预测性维护建议,以适应不同环境和条件下的检测需求,为隧道检修和维护工作提供更加科学和有效的支持。
实施例2
如图2所示,本发明还提供了一种隧道检修道盖板倾斜角度检测分析方法,包括以下步骤:
S1:利用LiDAR数据采集模块,对隧道检修道盖板进行扫描,得到隧道检修道盖板的三维图像;
S2:对隧道检修道盖板的三维图像进行处理,得到三维图像的特征提取结果;
S3:根据三维图像的特征提取结果,利用训练好的支持向量机SVM模型进行处理,得到盖板倾斜角度的预测结果;
S4:根据盖板倾斜角度的预测结果和盖板倾斜角度历史数据,利用交叉验证进行测试,并根据交叉验证测试结果,对训练好的支持向量机SVM模型进行优化;
S5:根据盖板倾斜角度的预测结果和盖板倾斜角度历史数据,得到隧道检修道盖板倾斜角度监测分析结果。
在本实施例中,LiDAR数据采集模块为车载式激光雷达LiDAR,车载式激光雷达LiDAR通过向目标发射激光束,测量激光束反射回来的时间,从而计算车载式激光雷达LiDAR到目标点的距离,其计算表达式如下:
其中,为目标点到车载式激光雷达的距离,/>为光速,/>为激光束从发射到返回的时间差;将车载式激光雷达LiDAR到扫描环境中所有目标点的距离进行组合,生成三维点云数据集,并进行数据处理和滤波,得到隧道检修道盖板的三维图像。
在本实施例中,对隧道检修道盖板的三维图像先进行数据预处理,去除噪声、滤波等干扰信息,再进行特征提取,得到三维图像的特征提取结果,可表示为以下公式:
其中,为三维图像的特征提取结果,/>为隧道检修道盖板的三维图像,/>为特征提取函数;
在本发明的一个实施例中,能够采用Sobel算子边缘检测算法进行特征提取,提取隧道检修道盖板的三维图像中每个像素点的边缘强度,其具体表达式如下:
其中,为像素点的边缘强度,/>为像素点的水平方向梯度,/>为像素点的垂直方向梯度,/>为当前位置/>的像素点值,/>为当前位置/>左上方的像素点值,/>为当前位置/>正上方的像素点值,/>为当前位置/>右上方的像素点值,/>为当前位置/>左方的像素点值,/>为当前位置/>右方的像素点值,/>为像素点的水平位置,/>为像素点的垂直位置;如果计算一个像素点的边缘强度/>大于预先设定的阈值/>,则认为该像素点为边缘位置。
在本发明的一个实施例中,能够采用角点检测算法进行特征提取,确定隧道检修道盖板的三维图像中每个像素点的角点,其具体表达式如下:
其中,为响应函数,/>为三维图像的协方差矩阵,/>为经验常数,/>为对邻域像素的求和,/>为协方差矩阵的行列式,/>为协方差矩阵的迹,/>为像素点在/>方向的图像梯度强度,/>为像素点在/>方向的图像梯度强度,/>为三维图像中像素点的像素点值;其中,经验常数/>,通常位于0.04到0.06之间。如果/>大于预先设定的阈值,则认为该像素点是一个角点。
通过边缘检测和角点检测,可以从隧道检修道盖板的三维图像中提取出有助于倾斜角度检测的特征,这些特征可以作为支持向量机SVM模型的输入特征向量,用于预测盖板的倾斜角度。
在本实施例中,利用训练好的支持向量机SVM模型对三维图像的特征提取结果进行处理,得到盖板倾斜角度的预测结果,其表达式如下:
其中,为支持向量机SVM模型的输出,/>为支持向量的权重,/>为标签,为核函数,/>为支持向量,/>为输入的特征向量,/>为模型的偏置;其中,支持向量机SVM模型的输出/>即为盖板倾斜角度的预测结果。
在本实施例中,根据盖板倾斜角度的预测结果,利用交叉验证对支持向量机SVM模型进行测试,其实现方法如下:
S401:将盖板倾斜角度的预测结果和历史数据作为数据集,并随机划分为个大小相等的子集;
S402:将个大小相等的子集中前/>个子集作为训练集,将最后一个子集作为验证集;
S403:利用训练集中的一个子集,对支持向量机SVM模型进行训练,并利用验证集进行验证,计算本轮支持向量机SVM模型的性能指标,并汇总为平均值和标准差;
S404:在个子集均用于对支持向量机SVM模型进行训练后,根据平均值和标准差,选择最优支持向量机SVM模型,完成对训练好的支持向量机SVM模型的优化,其中,平均值最大且标准差最小的支持向量机SVM模型为最优支持向量机SVM模型。
在具体一个实施例中,根据交叉验证对支持向量机SVM模型参数进行测试,得到最优支持向量机SVM模型,将最优支持向量机SVM模型的参数作为实际应用的支持向量机SVM模型的参数,以提高隧道检修道盖板倾斜角度检测分析系统中支持向量机SVM模型的性能。
在本实施例中,S5中根据盖板倾斜角度的预测结果和盖板倾斜角度历史数据,得到隧道检修道盖板倾斜角度监测分析结果;其中,隧道检修道盖板倾斜角度监测分析结果的生成可以采用多种方法,包括:时间序列分析、机器学习模型、深度学习方法等;如图3所示,为利用线性回归方法对盖板倾斜角度进行预测的结果图,其中,横坐标为特征数据,纵坐标为倾斜角度,实线为预测线性模型,·为训练数据,×为测试数据,训练数据的决定系数为0.97,由图3可知,训练集数据集中在线性回归预测结果线的两侧,符合线性回归,预测结果具有高准确性。
本发明的有益效果为:本发明利用车载激光雷达LiDAR对隧道检修道盖板进行高精度三维扫描,结合支持向量机SVM模型,能够快速、准确和高效地对隧道检修道盖板地倾斜角度进行检测,有效提高了隧道检修道盖板的安全性,降低安全事故发生的风险;同时,本发明通过交叉验证进行自适应学习,能够适应不同环境和条件下的检测需求;根据盖板倾斜角度的历史数据和盖板倾斜角度的预测结果,能够生成预测性维护建议,为隧道检修和维护工作提供更加科学和有效的支持。
Claims (6)
1.一种隧道检修道盖板倾斜角度检测分析系统,其特征在于,包括:支持向量机模块、分别与所述支持向量机模块连接的用户界面模块、优化模块和数据处理模块,以及与所述数据处理模块连接的LiDAR数据采集模块;
所述LiDAR数据采集模块,用于对隧道检修道盖板进行扫描,并生成隧道检修道盖板的三维图像;
所述数据处理模块,用于对隧道检修道盖板的三维图像进行处理,得到三维图像的特征提取结果;
所述支持向量机模块,用于在预训练后,根据三维图像的特征提取结果,对盖板的倾斜角度进行预测;
所述优化模块,用于利用交叉验证,对支持向量机模块的预测结果进行测试,并根据测试结果,对支持向量机模块进行优化处理;
所述用户界面模块,用于显示隧道检修道盖板倾斜角度检测分析结果。
2.根据权利要求1所述的隧道检修道盖板倾斜角度检测分析系统,其特征在于,所述预训练的具体方式为:
获取已知倾斜角度的隧道检修道盖板数据集,并利用已知倾斜角度的隧道检修道盖板数据集,对支持向量机模块进行训练,得到预先训练好的支持向量机模块。
3.根据权利要求1所述的隧道检修道盖板倾斜角度检测分析系统,其特征在于,所述LiDAR数据采集模块包括:包括激光发射器、激光接收器以及数据处理单元;
所述激光发射器,用于向目标发射激光束;
所述激光接收器,用于接收目标反射的激光束;
所述数据处理单元,用于根据激光发射器和激光接收器的数据,得到目标点云数据,并对目标点云数据进行处理,生成隧道检修道盖板的三维图像。
4.一种隧道检修道盖板倾斜角度检测分析方法,其特征在于,包括以下步骤:
S1:利用LiDAR数据采集模块,对隧道检修道盖板进行扫描,得到隧道检修道盖板的三维图像;
S2:对隧道检修道盖板的三维图像进行处理,得到三维图像的特征提取结果;
S3:根据三维图像的特征提取结果,利用训练好的支持向量机SVM模型进行处理,得到盖板倾斜角度的预测结果;
S4:根据盖板倾斜角度的预测结果和盖板倾斜角度历史数据,利用交叉验证进行测试,并根据交叉验证测试结果,对训练好的支持向量机SVM模型进行优化;
S5:根据盖板倾斜角度的预测结果和盖板倾斜角度历史数据,分析得到隧道检修道盖板倾斜角度监测分析结果。
5.根据权利要求4所述的隧道检修道盖板倾斜角度检测分析方法,其特征在于,所述S2的具体步骤如下:
S201:对隧道检修道盖板的三维图像进行数据预处理,得到数据预处理后的三维图像;
S202:根据数据预处理后的三维图像,进行特征提取,得到三维图像的特征提取结果。
6.根据权利要求4所述的隧道检修道盖板倾斜角度检测分析方法,其特征在于,所述S4的具体步骤如下:
S401:将盖板倾斜角度的预测结果和历史数据作为数据集,并随机划分为个大小相等的子集;
S402:将个大小相等的子集中前/>个子集作为训练集,将最后一个子集作为验证集;
S403:利用训练集中的一个子集,对支持向量机SVM模型进行训练,并利用验证集进行验证,计算本轮支持向量机SVM模型的性能指标,并汇总为平均值和标准差;
S404:在个子集均用于对支持向量机SVM模型进行训练后,根据平均值和标准差,选择最优支持向量机SVM模型,完成对训练好的支持向量机SVM模型的优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410622103.5A CN118189898A (zh) | 2024-05-20 | 2024-05-20 | 一种隧道检修道盖板倾斜角度检测分析系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410622103.5A CN118189898A (zh) | 2024-05-20 | 2024-05-20 | 一种隧道检修道盖板倾斜角度检测分析系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118189898A true CN118189898A (zh) | 2024-06-14 |
Family
ID=91393348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410622103.5A Pending CN118189898A (zh) | 2024-05-20 | 2024-05-20 | 一种隧道检修道盖板倾斜角度检测分析系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118189898A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160368149A1 (en) * | 2015-06-22 | 2016-12-22 | Daiki INABA | Robot, information processing system, and storage medium |
CN108090896A (zh) * | 2017-12-14 | 2018-05-29 | 北京木业邦科技有限公司 | 木板平整度检测及其机器学习方法、装置及电子设备 |
CN111144383A (zh) * | 2020-01-15 | 2020-05-12 | 河南理工大学 | 一种检测车辆偏转角度的方法 |
CN111291937A (zh) * | 2020-02-25 | 2020-06-16 | 合肥学院 | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 |
CN112634364A (zh) * | 2020-12-22 | 2021-04-09 | 上海有个机器人有限公司 | 一种基于激光数据的门姿态检测方法 |
CN115620045A (zh) * | 2022-09-20 | 2023-01-17 | 唐山钢铁集团有限责任公司 | 一种无人天车钢卷倾斜检测方法 |
CN116563361A (zh) * | 2022-01-25 | 2023-08-08 | 中电建建筑集团有限公司 | 一种基于深度学习的门窗垂直度判别方法 |
CN117217353A (zh) * | 2023-07-27 | 2023-12-12 | 华能核能技术研究院有限公司 | 基于支持向量机的高温气冷堆石墨粉尘量预测方法及系统 |
CN117308881A (zh) * | 2023-10-09 | 2023-12-29 | 四川省公路规划勘察设计研究院有限公司 | 一种隧道检修道盖板倾斜角度的检测装置和检测方法 |
-
2024
- 2024-05-20 CN CN202410622103.5A patent/CN118189898A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160368149A1 (en) * | 2015-06-22 | 2016-12-22 | Daiki INABA | Robot, information processing system, and storage medium |
CN108090896A (zh) * | 2017-12-14 | 2018-05-29 | 北京木业邦科技有限公司 | 木板平整度检测及其机器学习方法、装置及电子设备 |
CN111144383A (zh) * | 2020-01-15 | 2020-05-12 | 河南理工大学 | 一种检测车辆偏转角度的方法 |
CN111291937A (zh) * | 2020-02-25 | 2020-06-16 | 合肥学院 | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 |
CN112634364A (zh) * | 2020-12-22 | 2021-04-09 | 上海有个机器人有限公司 | 一种基于激光数据的门姿态检测方法 |
CN116563361A (zh) * | 2022-01-25 | 2023-08-08 | 中电建建筑集团有限公司 | 一种基于深度学习的门窗垂直度判别方法 |
CN115620045A (zh) * | 2022-09-20 | 2023-01-17 | 唐山钢铁集团有限责任公司 | 一种无人天车钢卷倾斜检测方法 |
CN117217353A (zh) * | 2023-07-27 | 2023-12-12 | 华能核能技术研究院有限公司 | 基于支持向量机的高温气冷堆石墨粉尘量预测方法及系统 |
CN117308881A (zh) * | 2023-10-09 | 2023-12-29 | 四川省公路规划勘察设计研究院有限公司 | 一种隧道检修道盖板倾斜角度的检测装置和检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3744974B1 (en) | Method and device for determining tower clearance for wind turbine | |
US20230014874A1 (en) | Obstacle detection method and apparatus, computer device, and storage medium | |
CN109670411B (zh) | 基于生成对抗网络的船舶点云深度图像处理方法和系统 | |
CN108596221B (zh) | 标尺读数的图像识别方法及设备 | |
CN105373135A (zh) | 一种基于机器视觉的飞机入坞引导和机型识别的方法及系统 | |
CN103353988B (zh) | 异源sar景象特征匹配算法性能评估方法 | |
CN114998852A (zh) | 一种基于深度学习的公路路面病害智能检测方法 | |
CN105302151A (zh) | 一种飞机入坞引导和机型识别的系统及方法 | |
CN103440657B (zh) | 一种在线道路裂缝筛查方法 | |
CN105447512A (zh) | 一种精粗结合的光学表面缺陷的检测方法及装置 | |
CN102253049B (zh) | 带钢生产过程表面质量在线精准检测方法 | |
CN102565072A (zh) | 拉伸铝合金板表面裂纹立体视觉在线检测方法 | |
CN108154498A (zh) | 一种裂缝缺陷检测系统及其实现方法 | |
CN103500453B (zh) | 基于伽玛分布和邻域信息的sar图像显著性区域检测方法 | |
CN115131330A (zh) | 多源传感器融合的钢轨表面缺陷检测与测量方法及系统 | |
CN105976398A (zh) | 一种白天火灾视频检测方法 | |
CN113902792A (zh) | 基于改进RetinaNet网络的建筑物高度检测方法、系统和电子设备 | |
CN111881748B (zh) | 一种基于vbai平台建模的车道线视觉识别方法和系统 | |
CN118189898A (zh) | 一种隧道检修道盖板倾斜角度检测分析系统及方法 | |
CN116935356A (zh) | 基于弱监督的自动驾驶多模态图片和点云实例分割方法 | |
CN116403093A (zh) | 一种面向铁路沿线潜在滑坡的多源遥感解译方法及装置 | |
CN116626040A (zh) | 一种轨道与隧道的病变检测方法 | |
Ying et al. | Technique of measuring leading vehicle distance based on digital image processing theory | |
Chung et al. | Road Pothole Detection Algorithm and Guide Belt Designed for Visually Impaired | |
Wang et al. | Circular saw core localization in the quenching process using machine vision |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |