CN108010091B - 一种基于颜色特征的数字式钻孔图像土层检测定位方法 - Google Patents
一种基于颜色特征的数字式钻孔图像土层检测定位方法 Download PDFInfo
- Publication number
- CN108010091B CN108010091B CN201711368685.5A CN201711368685A CN108010091B CN 108010091 B CN108010091 B CN 108010091B CN 201711368685 A CN201711368685 A CN 201711368685A CN 108010091 B CN108010091 B CN 108010091B
- Authority
- CN
- China
- Prior art keywords
- window
- image
- pixel
- soil
- windows
- 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.)
- Expired - Fee Related
Links
- 239000002689 soil Substances 0.000 title claims abstract description 83
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000000877 morphologic effect Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 230000010339 dilation Effects 0.000 claims description 5
- 230000003628 erosive effect Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 abstract description 7
- 238000005553 drilling Methods 0.000 abstract description 5
- 239000011435 rock Substances 0.000 description 11
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005755 formation reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram 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
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于数字式钻孔图像的土层检测方法，首先根据数字式钻孔图像土层的颜色特征在HSV颜色空间设置H、S、V三个参数的阈值，实现土层的检测与分割；然后通过设置像素密度阈值来计算土层的定位，具体包括两次垂直窗口阈值检测和一次水平窗口阈值检测，从而得到土层的深度，厚度及方位角信息。相比现有技术，该方法具有对钻孔图像内土层自动检测和定位的优势，人力消耗小，准确率和效率高。
Description
技术领域
本发明涉及一种图层检测定位方法，具体涉及一种基于颜色特征的数字式钻孔图像土层检测定位方法，属于岩土层介质分析技术领域。
背景技术
随着我国国民经济的快速发展，大规模的岩体工程建设正在兴起，如隧道、蓄水大坝、地下的矿山井巷、水电引水隧道、地下厂房和核废料处置库等。上述岩体工程在施工运营期间的结构稳定性问题是岩石力学工作者最为关心的问题，其中对于地下岩体中土层位置的检测和定位是结构稳定性问题中的一大核心。
数字式钻孔摄像技术因其可以直观的反映岩石的颜色及其纹理信息而被一线及科研人员喜爱，它为科研工作者对地下岩土层结构分析提供了一个全新的方法和途径，基于此，在对地下岩体中土层检测时，由于土层在颜色上与普通岩层具有较大的差异，利用颜色空间进行操作是一个很直观和有效的切入点。
如中国发明专利公开号CN 105898236 A，它公开了一个智能化数字式钻孔全景摄像装置，该装置首先以光学***和实时摄像设备采集得到360度全景图像，而后经过数字化技术形成平面的二维彩色平面图，操作便捷，方便智能，高度还原了沿孔壁岩层的颜色信息，适用于对地下岩体中土层的检测和定位，但目前对该装置采集到的图像中土层的检测和定位还需根据人眼进行主观性区分辨别，缺乏客观数据支持，还存在错分和漏分的缺陷，效率不高。
发明内容
本发明的目的在于克服现有技术的缺陷，提供一种基于颜色特征的数字式钻孔图像土层检测与定位的方法，旨在实现对于数字钻孔摄像***采集到的图像中土层的自动化检测定位，进一步提升土层检测定位的准确率和效率。
本发明是这样实现的：
一种基于颜色特征的数字式钻孔图像土层检测定位方法，包括以下步骤：
S0将数字式钻孔摄像***在向地下延伸的钻孔中拍摄的三维全景图片经数字化技术处理之后，形成计算机可识别的二维彩色平面图。
S1将S0中的二维彩色平面图从RGB颜色空间转到HSV颜色空间，并在HSV颜色空间中对该彩色图像做直方图均衡化；
S2设置基于HSV颜色空间中的三对阈值，即H(色调)分量的最高值和最低值、S(饱和度)分量的最高值和最低值、V(明度)分量的最高值和最低值，对图像中的土质部分进行检测；
S3形态学开运算，去除一些噪点；
S4形态学闭运算，连接一些连通域；
S5对上述处理过的图像按固定窗口长度进行分割，计算每个窗口内的白色像素点的像素密度；
S6经过对大量图像中土层位置的多次不同像素密度阈值判定，选取定位效果最好的设置第一道像素密度阈值ρⅠ，下面步骤S8及S10中阈值的选取方法同理；
S7对于满足第一道阈值的窗口位置进行记录，并进行第二次固定窗口长度的分割，再次计算子窗口内的白色像素点的像素密度；
S8设置第二道像素密度阈值ρⅡ；
S9对满足第二道阈值的子窗口进行记录，根据两次窗口的位置和两次窗口的固定长度计算土质在图片中的相对位置h'和厚度d'；
S10设置第三道像素密度阈值ρⅢ；
S11对子窗口在水平位置上进行固定窗口的分割，计算在水平位置上像素密度，根据阈值ρⅢ判断在水平方向上的位置(xi,1,xi,2)。
S12将图片中像素点宽度与每像素对应实际宽度做运算，得到真实的土质的具体深度h，厚度d和方位角θ1和θ2。
本发明经过对大量钻孔图像分别在HSV，RGB，HSL，LAB等颜色空间中对土层部分的分割和检测尝试之后，提出建立了一个基于HSV颜色空间的土层检测模型，HSV颜色空间包含H(色调)、S(饱和度)、V(明度)三个参数，通过设置H、S、V三个参数的上下界限可以很好的对图像中的土层成分进行分割，实现效果比较理想。而本发明中，将RGB颜色空间转换到HSV颜色空间，是针对土层颜色特征效果最为显著的一种方法，土层分割效果最为有效明显。
更进一步的方案是：
步骤S2中，对于H、S、V三对分量参数的选择是根据实际原图中的土质情况进行多次测试得到，最终得到只包含土质部分的初步二值图像，其中土质部分显示为白色像素点，其他部分显示为黑色像素点。
更进一步的方案是：
步骤S3中，形态学开运算的计算公式为：
其中X表示图像，S表示结构元素，O为开运算运算符，Θ为形态学腐蚀的运算符，
为形态学膨胀的运算符。
更进一步的方案是：
步骤S4中，形态学闭运算的计算公式为：
其中X表示图像，S表示结构元素，
为闭运算运算符，Θ为形态学腐蚀的运算符，
为形态学膨胀的运算符。
更进一步的方案是：
S5具体如下：
固定窗口大小选择为rows1*cols(pix*pix)，cols为图像的像素宽度，rows1为窗口的像素高度，逐行扫描各个窗口内每行中的白色像素点的个数，并最终相加，作为对应窗口中白色像素点个数Ni,j
式中P(x,y)表示从图像窗口左上角到窗口右下角坐标的像素值，取值为(0,255)；
然后除以整个窗口内像素点的总数，即rows1*cols，结果作为对应窗口的白色像素点的像素密度ρt,计算公式如下：
像素密度ρt反应了该区域内白色像素点在窗口内的集中程度和数量分布情况。
更进一步的方案是：
S7中，固定窗口大小选择为rows2*cols，cols为图像的像素宽度，rows2为第二次窗口的像素高度。
更进一步的方案是：
S9中，根据两次窗口的位置和窗口大小来计算最终判为土质的位置，计算公式为:
h’＝t1*rows 1+t2*rows 2+rows 2/2
式中t1表示第一次窗口的位置，t2表示第二次窗口的位置，rows为窗口的像素高度，rows2为第二次窗口的像素高度；
若相连的区域间的距离为子窗口的宽度，则判定该连续区域属于同一土质区域，连续子窗口的数目即可作为土质厚度的取值基准，即：
d’＝n*rows 2
式中n为连续子窗口的个数，无连续子区域取值为1；
从而得到土质在图像上的相对位置和相对厚度。
更进一步的方案是：
S12中，是根据S9中得到的最终土质的相对深度位置和相对厚度对应得到真实世界中的绝对深度信息h和绝对厚度信息d和绝对角度信息θ1和θ2，映射公式为：
式中h0表示图片的初始高度，hτ表示1米的距离对应的像素点数，i取值范围为0～n,n为识别到的非连续子窗口的个数。
与现有技术相比，本发明的有益效果在于：
本发明通过采用二值图像中的白色像素密度作为初步判断土层是否存在的标准，像素密度既具有统计意义，又具有物理意义。本发明通过垂直窗口与水平窗口相结合，精准快速的得出土层的深度，厚度和方位角信息，完整的将整个土层信息计算出来。本发明通过在基桩的轴向通孔内放置数字式钻孔摄像***，并通过数字化技术将原来的三维图像转化为二维平面图像，之后在该平面图像上实现了对岩层中土质成分的自动检测和定位，并最终给出岩层中土质的深度和厚度信息。本发明的技术方案具有分辨率高，抗干扰能力强，操作简便，处理过程直观可靠的特点，可以很好的且全面的显示出岩层中土质的信息，具有良好的应用前景和实用价值。
附图说明
图1为待处理原图。
图2为进行识别到的土层二值图像。
图3为带有定位结果的平面图像。
图4识别到土层所对应的方位角。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的说明。
一种基于颜色特征的数字式钻孔图像土层检测定位方法，包括以下步骤：
S0将数字式钻孔摄像***在向地下延伸的钻孔中拍摄的三维全景图片经数字化技术处理之后，形成计算机可识别的二维彩色平面图。
S1将从摄像装置回传的图像从RGB颜色空间转化到HSV颜色空间，转化公式如下：
V＝max
其中(R,G,B)分别是一个颜色的红、绿和蓝坐标，它们是归一化到0到1之间的实数。设max等价于R、G、B中的最大者，设min等价于R、G、B中的最小者，公式计算得到的(H,S,V)值即为HSV颜色空间对应的三个参数的值。
然后对其进行直方图均衡化处理，本步骤是为了方便之后的对于土层的颜色提取。
S2经过多次的试验，设置基于HSV颜色空间的H、S、V三对阈值，实现对图像中土质部分的识别和分割。
本步骤中，对于H、S、V三个参数的设置采用了多次实验与人力经验结合的方法，通过不断调整三个参数的最高值和最低值，保证在三组阈值范围内的像素点只属于土质部分，实现了对岩层图片中的土质成分的识别和分割，得到只包含土质部分的初步二值图像，其中土质部分显示为白色像素点，其他部分显示为黑色像素点。
S3,S4步骤中对S2中得到的初步而至图像进行开运算和闭运算。
形态学开运算和闭运算是形态学运算中很重要的两个小区域处理方法，计算公式分别为：
开运算：
闭运算：
其中X表示图像，S表示结构元素，O为开运算运算符，
为闭运算运算符，Θ为形态学腐蚀的运算符，
为形态学膨胀的运算符。
从S2步骤中得到的而至图像具有早多的噪点，且部分连通区域太过分散，开运算可以很好的去除初步二值图像中的噪点，而闭运算可以将相对分散程度的若干点联通起来，得到区域划分效果更为合理的二值图像。
S5步骤中将S4得到的二值图像进行固定窗口大小的分割，并计算每个窗口内的白色像素点的像素密度。
本步骤中固定窗口大小选择为rows1*cols(pix*pix)，cols为图像的像素宽度，rows1为窗口的像素高度，逐行扫描各个窗口内每行中的白色像素点的个数，并最终相加，作为对应窗口中白色像素点个数Ni,j
式中P(x,y)表示从图像窗口左上角到窗口右下角坐标的像素值，取值为(0,255)。
然后除以整个窗口内像素点的总数，即rows1*cols，结果作为对应窗口的白色像素点的像素密度ρt,计算公式如下：
它反应了该区域内白色像素点在窗口内的集中程度和数量分布情况。
S6步骤中设置第一道像素密度阈值。
可经过多次的实验和验证，设置密度阈值为ρⅠ，即S5中计算得到的每个窗口的白色像素点密度大于ρⅠ时，即初步确定该区域内存在土质，进入下一轮筛选，小于ρⅠ的则判为无土质存在，直接舍弃。
S7步骤中对经过S6步骤通过阈值筛选的若干窗口进行二次固定窗口分割，并计算各个子窗口的白色像素点像素密度。
本步骤中的固定窗口大小选择为rows2*cols，cols为图像的像素宽度，rows2为第二次窗口的像素高度。同S5中计算像素密度方法来计算每个子窗口内的白色像素点的像素密度，它更细化的显示了土质存在的位置和分布情况。
S8步骤中设置了第二道像素密度阈值ρⅡ。
本发明中，该步骤中设置阈值ρⅡ，S7中各子窗口的白色像素点的像素密度大于该值的即判为最终土质的相对位置。
S9步骤中根据两次窗口分割的位置和两次窗口的大小，计算土质存在的相对深度位置h'和厚度信息d'。
本步骤中，可以根据两次窗口的位置和窗口大小来计算最终判为土质的位置，计算公式为:
h’＝t1*rows 1+t2*rows 2+rows 2/2
式中t1表示第一次窗口的位置，t2表示第二次窗口的位置。
若相连的区域间的距离为子窗口的宽度，则判定该连续区域属于同一土质区域，连续子窗口的数目即可作为土质厚度的取值基准，即：
d’＝n*rows 2
式中n为连续子窗口的个数，无连续子区域取值为1。
从而得到土质在图像上的相对位置和相对厚度。
S10,S11步骤中设置第三道像素密度阈值ρⅢ，判断土层在水平方位上的位置。
同样的方式对子窗口进行水平方向的固定窗口大小的像素密度扫描，大于阈值ρⅢ的一个窗口或者连续窗口端点位置(xi,1,xi,2)即可作为最终的土层在水平方向上的相对坐标。
S12步骤将图像中的距离与真实距离做对应和映射。
根据S9中得到的最终土质的相对深度位置和相对厚度对应得到真实世界中的绝对深度信息h和绝对厚度信息d和绝对角度信息θ1和θ2，映射公式为：
式中h0表示图片的初始高度，hτ表示1米的距离对应的像素点数，i取值范围为0～n,n为识别到的非连续子窗口的个数。
即岩层土质的真实位置，厚度以及在3D图中的方位得到确定。
尽管这里参照本发明的解释性实施例对本发明进行了描述，上述实施例仅为本发明较佳的实施方式，本发明的实施方式并不受上述实施例的限制，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本申请公开的原则范围和精神之内。
Claims (8)
1.一种基于颜色特征的数字式钻孔图像土层检测定位方法，其特征在于包括以下步骤：
S0将数字式钻孔摄像***在向地下延伸的钻孔中拍摄的三维全景图片经数字化技术处理之后，形成计算机可识别的二维彩色平面图；
S1将S0中的二维彩色平面图从RGB颜色空间转到HSV颜色空间，并在HSV颜色空间中对彩色图像做直方图均衡化；
S2设置基于HSV颜色空间中的三对阈值，即H分量的最高值和最低值、S分量的最高值和最低值、V分量的最高值和最低值，对图像中的土质部分进行检测；
S3形态学开运算，去除一些噪点；
S4形态学闭运算，连接一些连通域；
S5对上述处理过的图像按固定窗口长度进行分割，计算每个窗口内的白色像素点的像素密度；
S6经过对大量图像中土层位置的多次不同像素密度阈值判定，选取定位效果最好的设置第一道像素密度阈值ρⅠ；
S7对于满足第一道阈值的窗口位置进行记录，并进行第二次固定窗口长度的分割，再次计算子窗口内的白色像素点的像素密度；
S8设置第二道像素密度阈值ρⅡ；
S9对满足第二道阈值的子窗口进行记录，根据两次窗口的位置和两次窗口的固定长度计算土质在图片中的相对位置h'和厚度d'；
S10设置第三道像素密度阈值ρⅢ；
S11对子窗口在水平位置上进行固定窗口的分割，计算在水平位置上像素密度，根据阈值ρⅢ判断在水平方向上的位置(xi,1,xi,2)；
S12将图片中像素点宽度与每像素对应实际宽度做运算，得到真实的土质的具体深度h，厚度d和方位角θ1和θ2。
2.根据权利要求1所述基于颜色特征的数字式钻孔图像土层检测定位方法，其特征在于：
步骤S2中，对于H、S、V三对分量参数的选择是根据实际原图中的土质情况进行多次测试得到，最终得到只包含土质部分的初步二值图像，其中土质部分显示为白色像素点，其他部分显示为黑色像素点。
3.根据权利要求1所述基于颜色特征的数字式钻孔图像土层检测定位方法，其特征在于：
步骤S3中，形态学开运算的计算公式为：
其中X表示图像，S表示结构元素，O为开运算运算符，Θ为形态学腐蚀的运算符，
为形态学膨胀的运算符。
4.根据权利要求1所述基于颜色特征的数字式钻孔图像土层检测定位方法，其特征在于：
步骤S4中，形态学闭运算的计算公式为：
其中X表示图像，S表示结构元素，o为闭运算运算符，Θ为形态学腐蚀的运算符，
为形态学膨胀的运算符。
5.根据权利要求1所述基于颜色特征的数字式钻孔图像土层检测定位方法，其特征在于：
S5具体如下：
固定窗口大小选择为rows1*cols，其中rows1和cols的大小用单位像素表示，cols为图像的像素宽度，rows1为窗口的像素高度，逐行扫描各个窗口内每行中的白色像素点的个数，并最终相加，作为对应窗口中白色像素点个数Ni,j
式中P(x,y)表示从图像窗口左上角到窗口右下角坐标的像素值，取值为(0,255)；
然后除以整个窗口内像素点的总数，即rows1*cols，结果作为对应窗口的白色像素点的像素密度ρt,计算公式如下：
像素密度ρt反应了窗口所在位置对应的图像区域内白色像素点在窗口内的集中程度和数量分布情况。
6.根据权利要求1所述基于颜色特征的数字式钻孔图像土层检测定位方法，其特征在于：
S7中，固定窗口大小选择为rows2*cols，cols为图像的像素宽度，rows2为第二次窗口的像素高度。
7.根据权利要求1所述基于颜色特征的数字式钻孔图像土层检测定位方法，其特征在于：
S9中，根据两次窗口的位置和窗口大小来计算最终判为土质的位置，计算公式为:
h'＝t1*rows1+t2*rows2+rows2/2
式中t1表示第一次窗口的位置，t2表示第二次窗口的位置，rows1为窗口的像素高度，rows2为第二次窗口的像素高度；
若相连的窗口所在位置对应的图像区域间的距离为子窗口的宽度，则判定连续窗口所在位置对应的图像区域属于同一土质区域，连续子窗口的数目即可作为土质厚度的取值基准，即：
d'＝n*rows2
式中n为连续子窗口的个数，无连续子区域取值为1；
从而得到土质在图像上的相对位置和相对厚度。
8.根据权利要求7所述基于颜色特征的数字式钻孔图像土层检测定位方法，其特征在于：
S12中，是根据S9中得到的最终土质的相对深度位置和相对厚度对应得到真实世界中的绝对深度信息h和绝对厚度信息d和绝对角度信息θ1和θ2，映射公式为：
式中h0表示图片的初始高度，hτ表示1米的距离对应的像素点数，i取值范围为0～n,n为识别到的非连续子窗口的个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711368685.5A CN108010091B (zh) | 2017-12-18 | 2017-12-18 | 一种基于颜色特征的数字式钻孔图像土层检测定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711368685.5A CN108010091B (zh) | 2017-12-18 | 2017-12-18 | 一种基于颜色特征的数字式钻孔图像土层检测定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108010091A CN108010091A (zh) | 2018-05-08 |
| CN108010091B true CN108010091B (zh) | 2021-10-08 |
Family
ID=62059807
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711368685.5A Expired - Fee Related CN108010091B (zh) | 2017-12-18 | 2017-12-18 | 一种基于颜色特征的数字式钻孔图像土层检测定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108010091B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109580609B (zh) * | 2018-12-17 | 2021-07-09 | 河南中原光电测控技术有限公司 | 一种基于比色法的冻土观测方法及装置 |
| EP3819433B1 (de) * | 2019-11-06 | 2022-12-28 | BAUER Spezialtiefbau GmbH | Bodenabtragsvorrichtung und verfahren zum erstellen eines loches im boden |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102798583A (zh) * | 2012-07-13 | 2012-11-28 | 长安大学 | 一种基于改进的ferret的矿岩块度测量方法 |
| CN104408721A (zh) * | 2014-11-25 | 2015-03-11 | 西安交通大学 | 基于背景密度估计的***图像提取方法 |
| CN105975990A (zh) * | 2016-05-17 | 2016-09-28 | 华北水利水电大学 | 一种复垦土壤剖面的精细表达方法 |
| CN106530292A (zh) * | 2016-10-28 | 2017-03-22 | 鞍钢未来钢铁研究院 | 一种基于线扫描相机的带钢表面缺陷图像快速辨识方法 |
| JP2017090444A (ja) * | 2015-11-09 | 2017-05-25 | 株式会社リコー | 検査装置、検査方法及びプログラム |
| CN107133630A (zh) * | 2016-02-29 | 2017-09-05 | 中国石油化工股份有限公司 | 一种基于扫描图像判断碳酸盐岩孔隙类型的方法 |
-
2017
- 2017-12-18 CN CN201711368685.5A patent/CN108010091B/zh not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102798583A (zh) * | 2012-07-13 | 2012-11-28 | 长安大学 | 一种基于改进的ferret的矿岩块度测量方法 |
| CN104408721A (zh) * | 2014-11-25 | 2015-03-11 | 西安交通大学 | 基于背景密度估计的***图像提取方法 |
| JP2017090444A (ja) * | 2015-11-09 | 2017-05-25 | 株式会社リコー | 検査装置、検査方法及びプログラム |
| CN107133630A (zh) * | 2016-02-29 | 2017-09-05 | 中国石油化工股份有限公司 | 一种基于扫描图像判断碳酸盐岩孔隙类型的方法 |
| CN105975990A (zh) * | 2016-05-17 | 2016-09-28 | 华北水利水电大学 | 一种复垦土壤剖面的精细表达方法 |
| CN106530292A (zh) * | 2016-10-28 | 2017-03-22 | 鞍钢未来钢铁研究院 | 一种基于线扫描相机的带钢表面缺陷图像快速辨识方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108010091A (zh) | 2018-05-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020258899A1 (zh) | 一种基于高分遥感影像的山地景观建筑提取方法和设备 | |
| CN108121991B (zh) | 一种基于边缘候选区域提取的深度学习舰船目标检测方法 | |
| CN108038883A (zh) | 一种应用于公路路面视频图像的裂缝检测及识别方法 | |
| CN112149543B (zh) | 一种基于计算机视觉的建筑扬尘识别***与方法 | |
| TW201022708A (en) | Method of change detection for building models | |
| CN112560675B (zh) | Yolo与旋转-融合策略相结合的鸟类视觉目标检测方法 | |
| CN108985363A (zh) | 一种基于rbpnn的钢筋混凝土桥梁裂缝分类识别方法 | |
| CN106096603A (zh) | 一种融合多特征的动态火焰检测方法及装置 | |
| CN109631766B (zh) | 一种基于图像的木材板尺寸测量方法 | |
| CN108010091B (zh) | 一种基于颜色特征的数字式钻孔图像土层检测定位方法 | |
| CN109785307A (zh) | 一种基于矢量引导的无人机影像道路损毁评估方法 | |
| CN109740485A (zh) | 基于光谱分析和深度卷积神经网络的水库或塘坝识别方法 | |
| CN108470338A (zh) | 一种水位监测方法 | |
| Dan et al. | Application of deep learning-based image recognition technology to asphalt–aggregate mixtures: Methodology | |
| CN115641327A (zh) | 一种基于大数据的建筑工程质量监理和预警*** | |
| Yang et al. | Vehicle color recognition using monocular camera | |
| CN108492306A (zh) | 一种基于图像轮廓的x型角点提取方法 | |
| CN104835142A (zh) | 一种基于纹理特征的车辆排队长度检测方法 | |
| CN107169412A (zh) | 基于混合模型决策的遥感图像靠港船只检测方法 | |
| CN112907734B (zh) | 基于虚拟crh380a模型和深度学习的teds故障检测方法 | |
| CN107977968B (zh) | 基于建筑物阴影信息挖掘的建筑物分层检测方法 | |
| CN108830834B (zh) | 一种爬索机器人视频缺陷信息自动提取方法 | |
| CN116758421A (zh) | 一种基于弱监督学习的遥感图像有向目标检测方法 | |
| CN115909094A (zh) | 基于2d图像和视频融合的地下桩基施工进度识别方法 | |
| CN113361532B (zh) | 一种图像识别方法、***、存储介质、设备、终端及应用 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211008 |