CN110689042A - 隧道渗漏等级的识别方法和装置、存储介质、电子装置 - Google Patents
隧道渗漏等级的识别方法和装置、存储介质、电子装置 Download PDFInfo
- Publication number
- CN110689042A CN110689042A CN201910770891.1A CN201910770891A CN110689042A CN 110689042 A CN110689042 A CN 110689042A CN 201910770891 A CN201910770891 A CN 201910770891A CN 110689042 A CN110689042 A CN 110689042A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- image
- leakage
- target image
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种隧道渗漏等级的识别方法和装置、存储介质、电子装置。其中,该方法包括:获取目标图像,目标图像为目标隧道内壁的图像;通过第一神经网络模型识别出与目标图像的目标图像特征对应的第一渗漏等级,第一神经网络模型为使用训练图像进行训练得到的,训练图像标记有渗漏等级;获取第一神经网络模型输出的识别结果,识别结果至少用于表示第一渗漏等级。本发明解决了相关技术中进行隧道渗漏水检测的效率较低的技术问题。
Description
技术领域
本发明涉及人工智能领域,具体而言,涉及一种隧道渗漏等级的识别方法和装置、存储介质、电子装置。
背景技术
隧道运营期间大多数存在着不同程度病害,如渗漏水、衬砌开裂、空洞等问题,其中,渗漏水是影响隧道安全性的一个重要因素,不仅会降低隧道衬砌结构的稳定性,还会使路面湿滑、结冰,造成交通事故。
目前隧道渗漏水检测主要有人工巡检法、分布式光纤测温***法、探地雷达法、红外热成像法。人工巡检法主要根据肉眼观察隧道内渗漏水的位置、面积、渗漏程度,进而对衬砌渗漏病害有一个定性的判断,受人为因素影响较大,存在着效率低、准确性差的问题;分布式光纤测温***是依据光时域反射(OTDR)原理和喇曼(Raman)散射效应对温度的敏感的原理,从而实现温度监测,如在隧道中通过布置监测点从而监测点周围温度场是否发生变化来判断监测点周围是否存在渗漏水,只能定性的判断是否存在渗漏水,无法获取渗漏程度以及渗漏面积,而且布置光纤难度较大且成本较高;探地雷达法是一种利用天线发射和接收高频电磁波来探测地下介质结构的特性和分布规律的电磁技术,在实际渗漏水检测过程中,可通过对比雷达波谱的信号反射强度来判断隧道衬砌渗漏水情况,但在实际应用中其检测效率较低不能满足电缆隧道快速渗水检测的要求;红外热成像法作为无损检测技术的一种,在渗水缺陷检测中的优势比较明显,主要通过渗水区域与非渗水区域的温度差而产生红外图像的差异来判断渗漏水。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种隧道渗漏等级的识别方法和装置、存储介质、电子装置,以至少解决相关技术中进行隧道渗漏水检测的效率较低的技术问题。
根据本发明实施例的一个方面,提供了一种隧道渗漏等级的识别方法,包括:获取目标图像,目标图像为目标隧道内壁的图像;通过第一神经网络模型识别出与目标图像的目标图像特征对应的第一渗漏等级,第一神经网络模型为使用训练图像进行训练得到的,训练图像标记有渗漏等级;获取第一神经网络模型输出的识别结果,识别结果至少用于表示第一渗漏等级。
根据本发明实施例的另一方面,还提供了一种隧道渗漏等级的识别装置,包括:第一获取单元,用于获取目标图像,其中,目标图像为目标隧道内壁的图像;识别单元,用于通过第一神经网络模型识别出与目标图像的目标图像特征对应的第一渗漏等级,其中,第一神经网络模型为使用训练图像进行训练得到的,训练图像标记有渗漏等级;第二获取单元,用于获取第一神经网络模型输出的识别结果,其中,识别结果至少用于表示第一渗漏等级。
根据本发明实施例的另一方面,还提供了一种存储介质,该存储介质包括存储的程序,程序运行时执行上述的方法。
根据本发明实施例的另一方面,还提供了一种电子装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器通过计算机程序执行上述的方法。
在本发明实施例中,利用预先训练好的神经网络模型,而不用人工现场进行识别,可以解决相关技术中进行隧道渗漏水检测的效率较低的技术问题,达到了提高检测效率的效果,且可以避免人为因素的干扰,提高识别准确率。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种硬件环境的示意图;
图2是根据本发明实施例的一种可选的隧道渗漏等级的识别方法的流程图;
图3是根据本发明实施例的一种水泥砂浆试件的示意图;
图4是根据本发明实施例的一种真空干燥箱的示意图;
图5是根据本发明实施例的一种电子恒温水箱的示意图;
图6是根据本发明实施例的一种智能测试***的示意图;
图7是根据本发明实施例的一种采集***的示意图;
图8是根据本发明实施例的一种上位机***的示意图;
图9是根据本发明实施例的一种浸渗级别的示意图;
图10是根据本发明实施例的一种测试结果的示意图;
图11是根据本发明实施例的一种测试结果的示意图;
图12是根据本发明实施例的一种测试结果的示意图;
图13是根据本发明实施例的一种可选的隧道渗漏等级的识别装置的示意图;以及
图14是根据本发明实施例的一种可选的电子装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先,在对本发明实施例进行描述的过程中出现的部分名词或者术语适用于如下解释:
深度学习:是机器学习的技术和研究领域之一,通过建立具有阶层结构的人工神经网络(Artifitial Neural Networks,ANNs),在计算***中实现人工智能。由于阶层ANN能够对输入信息进行逐层提取和筛选,因此深度学习具有表征学习(representationlearning)能力,可以实现端到端的监督学习和非监督学习,此外,深度学习也可参与构建强化学习(reinforcement learning)***,形成深度强化学习。
随着计算机性能和图像处理技术的飞速发展,计算机运算能力和训练数据量得到了大幅提高,目前以深度学习为代表的复杂模型开始受到人们的关注,随着隧道病害图像处理开始向基于深度学习的自动检测转变,但相关研究主要集中在隧道衬砌裂缝识别方面,关于隧道渗漏水病害检测的研究大多是现场直接分析现场图像,检测是否渗漏以及渗漏面积,缺少详细的分类识别以及理论,不利于之后的工程应用;另一方面只能定性的判断是否为渗漏水区域,不能定量的识别其浸渗程度。为了解决上述问题,本申请提供了一种基于深度学习算法的隧道混凝土衬砌浸渗程度识别的方法(即隧道渗漏等级的识别方法)。
可选地,在本实施例中,上述隧道渗漏等级的识别方法可以应用于如图1所示的由终端101和服务器103所构成的硬件环境中。如图1所示,该终端101上安装有红外传感器,以便于采集得到隧道的红外图像,服务器103通过网络与终端101进行连接,可用于为终端或终端上安装的客户端提供渗漏等级识别的服务,可在服务器上或独立于服务器设置数据库105,用于为服务器103提供数据存储服务,上述网络包括但不限于:广域网、城域网或局域网,终端101并不限定于计算机、手机、平板电脑等。
本发明实施例的隧道渗漏等级的识别方法可以由服务器103来执行,如图2所示,该方法包括:
步骤S202,服务器获取目标图像,目标图像为目标隧道内壁的图像。
上述目标图像可以为多种类型的图像,如红外传感器采集到的红外图像、摄像头采集到的RGB图像等,后文以红外图像为例进行说明;上述目标隧道为采用混凝土衬砌得到的隧道,该隧道可为用于铺设管道、线路的隧道,交通隧道等。
步骤S204,服务器通过第一神经网络模型识别出与目标图像的目标图像特征对应的第一渗漏等级,第一神经网络模型为使用训练图像进行训练得到的,训练图像标记有渗漏等级。
上述的渗漏等级即为隧道表面渗漏水的级别(或称程度),主要是指浸渗这一漏水状况的级别,当然本申请的技术方案也可适用于其他漏水状况(如滴漏、涌流、喷射水流等)的级别定性。
可选地,第一神经网络模型为已经训练好的深度神经网络模型,可以部署在上述服务器上,也可部署在可被上述服务器调用的其它服务器上。由于采用深度神经网络模型,而不是采用传统的图像处理方法提取特征,避免了工作量大效率低下的问题,可以实现实时检测以及大规模应用。
深度学习(DL)是机器学习中一种基于对数据进行表征学习的方法,与传统的机器学习不同,深度学习模型可以通过从低级特征构建复杂的高级特征,从而实现对当前问题的特征构建过程的自动化,有效解决海量检测数据处理的难题。
步骤S206,服务器获取第一神经网络模型输出的识别结果,识别结果至少用于表示第一渗漏等级。
上述渗漏等级(或称泄露级别)用于表示内壁的饱和度,每个饱和度区间可对应于一个渗漏等级。
红外热像图辐射强度与隧道混凝土衬砌的浸渗级别(即饱和度)存在着明显的非线性关系,不同的浸渗级别其红外辐射程度也不同,为研究该关系,可记红外热像图和浸渗级别组成数据集T=(O,F,C),其中,O={o1,o2,...,on}为采集的红外热像图集合,oi(i的取值为1至n)表示第i个浸渗级别的红外热像图;F={f1,f2,...,fm}为红外热像图的特征矩阵集合(如灰度特征、几何特征、纹理特征等),fk(k的取值为1至m)为第k个特征矩阵;C={c1,c2,…,cj}为混凝土衬砌不同的浸渗级别,将整个浸渗区间[0%,100%]细分成j个子区间,分别记作c1,c2,……,cj,其中cj=[bj,bj+1)表示第j个浸渗子区间,即浸渗级别;C={c1,c2,…,cj}={[0%,b2),[b2,b3),...,{bj,100%]},涵盖了隧道混凝土衬砌浸渗级别的全部可能值,这种将饱和度分级的表示方法,为后续识别工作提供了完备性与可行性。
可选地,本发明实施例的隧道渗漏等级的识别方法可以还可由终端101来执行,与上述实施例的区别在于,执行主体由服务器103替换为终端101,且第一神经网络模型部署在终端上。
可选地,本发明实施例的隧道渗漏等级的识别方法可以还可由终端101和服务器103来共同执行,如步骤S202和步骤S206由终端101来执行,步骤S204由服务器103来执行。
通过上述步骤,利用预先训练好的神经网络模型,而不用人工现场进行识别,可以解决相关技术中进行隧道渗漏水检测的效率较低的技术问题,达到了提高检测效率的效果,且可以避免人为因素的干扰,提高识别准确率。
为了解决之前提及的问题,在本申请的技术方案中,提出了隧道衬砌浸渗程度的分级识别理论,然后提供了一种基于室内试验建立识别隧道衬砌不同的浸渗级别的深度学习模型,如基于室内试验采集不同浸渗级别的红外热像图(也可用其它形式获取红外图像),接着利用深度学习学习算法,进行红外热像图的特征自动提取,建立红外图像辐射特征与浸渗级别的识别模型。下面结合图2所示的步骤进一步详述本申请的技术方案:
在执行步骤S204之前(如获取目标图像之前,或者获取目标图像之后进行识别之前),可以按照如下步骤12-步骤14进行模型训练:
步骤12,获取训练集,其中,训练集中包括多个渗漏等级的训练图像,每张训练图像被标记有所属的渗漏等级,多个渗漏等级中任意两个渗漏等级所指示的饱和度不同。
步骤122,在图像数据集(包括训练集和测试集)的采集与建立过程中,可以先进行图像数据采集。
考虑到水泥砂浆材料与隧道混凝土衬砌表面材料相近而且具有相近的红外辐射发射率,因此通过制备不同饱和度的水泥砂浆材料来模拟隧道衬砌表面的浸渗程度,图像数据集的采集可以包括三个室内试验:第一个为制备水泥砂浆试件试验,第二个为制备不同饱和度的水泥砂浆试验,第三个为采集红外图像试验。
(1)水泥砂浆试件的制备试验
为尽可能真实地模拟隧道混凝土衬砌表面,试验选用水泥砂浆材料的配比为,水泥:沙:水=1:3.19:0.6(重量配比),其制备步骤如下:①将水泥砂浆按照材料配比均匀搅拌;②将搅拌后的砂浆放入模具中,在混凝土蒸养室经过28天养护后取出(共计36块);试件尺寸为50mm×50mm×100mm(见图3所示)。该实施例中的配比、数量、试件尺寸仅用于示意性说明,而不是具体限定,参数取值可以根据实际需求变化。
(2)不同饱和度的水泥砂浆试件制备试验
考虑到隧道浸渗检测实际应用价值,本申请示意性地将隧道浸渗等级分为4个级别:干渍、半干燥、半湿润、湿润(实际的等级级数可以多于或者少于示意的4个级别),其对应的饱和度分别为0-5%、5%-60%、60%-90%、90%-100%。将制作的36块试样分为9组,每组4块并编号,且每组的1、2、3、4编号分别对应饱和度为0-5%、5%-60%、60%-90%、90%-100%;不同饱和度的水泥砂浆试件制备步骤如下:①将水泥砂浆试件放入真空干燥箱(如图4所示)中干燥24小时并放置12小时降至室温时取出,在天平上称重并记录,将每组的1号试样放入密封袋中;②将2、3、4号试样放入电子恒温水箱(如图5所示)煮沸8个小时,使其达到饱和状态,待试件冷却后取出在室温下晾干,待表面自由水消失后在天平上称重,将每组的4号试样放入密封袋中;④将其余3、4号试样放到深部软岩气态水吸附智能测试***(如图6所示)中,进行蒸发实验分别制备饱和度为5%-60%、60%-90%的试样,制备后装入密封袋中。
(3)红外图像采集试验
可利用非制冷长波红外热像仪Tau 640等采集红外热像图,其内含有高灵敏度微测热辐射红外传感器,采用17μm氧化钒(VOX)焦平面阵列(FPA)像素,可以生成高清红外热像图,为提高采集的红外图像效果,采集过程中按组采集,每次分别采集4块试样的红外图像,前面、后面、左面、右面、顶面、底面共6个面,每面可采集2次,时间间隔为30s,即每组采集12张红外图像;为了提高数据的泛化能力,从36块试样中随机挑选1、2、3、4号试样重新组合成一组采集其红外图像,共计3组;整个试验共计采集144张红外图像,试验采集***包括如图7所示采集***和图8所示的上位机***。
步骤124,样本标签制作。
对试验采集的144张图像进行筛选,剔除部分不清晰的图像,剩余参与建模的红外图像121张,因采用的是监督学习法进行模型训练,需要对图片设定标签,告诉模型图像的目标内容,图像标签设定可采用LabelImg软件,将0-5%标定为Ⅰ,5%-60%标定为Ⅱ,60%-90%标定为Ⅲ,90%-100%标定为Ⅳ;分别代表浸渗级别干渍、半干燥、半湿润、湿润(如图9所示);在输入深度网络训练之前,每张图像根据不同标注矩形框又被裁剪为4张图片,形成共计484张的图像样本数据集;由于样本数据集较少,按照训练集:验证集=7:3的比例将数据集划分,形成训练集339张图像,测试集145张图像。
在上述实施例中,示意性地描述了通过实验制备数据集的过程,实际实施过程中,也可以采用其它方式获取数据集,如通过采集隧道实地渗漏的图像的方式来获取。
步骤14,基于深度学习的识别模型的建立,通过训练集对第二神经网络模型内各网络层中的参数进行训练,得到第一神经网络模型。
可选地,通过训练集对第二神经网络模型内各网络层中的参数进行训练,得到第一神经网络模型可包括:
步骤142,通过训练集对第二神经网络模型内各网络层中的参数进行初始化,得到第三神经网络模型。
可选地,将采集到的红外图像输入到深度神经网络中(即第二神经网络模型,如Faster R-CNN+ResNet-101网络模型),经过300000步迭代后,损失函数趋于稳定,其值约为0.2817,得到识别模型(即第三神经网络模型)。
步骤144,获取第三神经网络模型对测试集中的测试图像进行识别得到的渗漏等级,并将识别得到的渗漏等级与实际等级进行对比,得到识别准确度。
步骤146,在第三神经网络模型对测试集中的测试图像的渗漏等级的识别准确度达到目标阈值(如0.9)的情况下,将第三神经网络模型作为第一神经网络模型。
步骤148,在第三神经网络模型对测试集中的测试图像的渗漏等级的识别准确度未达到目标阈值的情况下,继续使用训练集对第三神经网络模型进行训练,以调整第三神经网络模型内各网络层中的参数的数值,直至第三神经网络模型对测试集中的测试图像的渗漏等级的识别准确度达到目标阈值。
在上述实施例中,为了检测训练好的第三神经网络模型,使用验证集数据(共145张红外图像)检测模型并对测试结果进行分析,具体测试结果见图10至图12(图中Ⅰ、Ⅱ、Ⅲ、Ⅳ表示浸渗级别,99%表示识别的准确度),由图可见试件的形状轮廓全部被最小外接矩形准确的框选出来,而且不同试件的浸渗级别也被准确的标定出来。使用mPA(IOU=0.5)、mPA(IOU=0.75)和mPA(IOU=0.5:0.95)三个指标评价检测准确度;本次测试结果mPA(IOU=0.5)、mPA(IOU=0.75)和mPA(IOU=0.5:0.95)的值分别为1、1、0.948,识别效果很好,说明基于深度学习的隧道混凝土浸渗程度分级识别理论具有可行性且识别精确度较高。
步骤S202,服务器获取目标图像,目标图像为目标隧道内壁的图像,如采用利用非制冷长波红外热像仪采集得到目标图像。
步骤S204,服务器通过第一神经网络模型识别出与目标图像的目标图像特征对应的第一渗漏等级,第一神经网络模型为使用训练图像进行训练得到的,训练图像标记有渗漏等级。
在上述实施例中,通过第一神经网络模型识别出与目标图像的目标图像特征对应的第一渗漏等级可包括:将目标图像的图像数据输入第一神经网络模型的卷积层,通过卷积层提取目标图像特征;通过第一神经网络模型的全连接层,在多个渗漏等级中识别出与目标图像特征匹配的第一渗漏等级。
可选地,将目标图像的图像数据输入第一神经网络模型的卷积层,通过卷积层提取目标图像特征包括按照如下方式利用第一神经网络模型的卷积层进行特征提取和利用第一神经网络模型的池化层进行特征降维:
步骤S2042,通过第一神经网络模型的第一卷积层提取目标图像的第一图像特征,其中,第一图像特征包括目标图像的灰度特征、几何特征以及纹理特征中的至少之一,在第一卷积层为第一神经网络模型的第一层网络(此处的第一层网络是指第一层具备数据卷积处理功能的网络)的情况下,第一卷积层的输入为目标图像的图像数据,在第一卷积层不为第一神经网络模型的第一层网络的情况下,换言之,第一卷积层不是第一神经网络模型的第一个卷积层,那么第一卷积层的输入为第一池化层的输出,第一池化层为第一卷积层的前一层网络。
步骤S2044,通过第一神经网络模型的第二池化层对第一图像特征进行降维处理,得到第二图像特征,在第二池化层不为第一神经网络模型的最后一层池化层的情况下,第二图像特征用于作为第二卷积层的输入,即下一个卷积层的输入,第二卷积层为第二池化层的下一层网络。
步骤S2046,获取第一神经网络模型的最后一层网络(即所有卷积层和池化层中的最后一层)输出的目标图像特征。
池化层一般是在卷积层之后的,换言之,对于卷积层而言,后面可跟着设置有一个池化层,也可不设置一个池化层。也即,第一神经网络模型的最后一层网络可以直接是卷积层,也可以是池化层。
步骤S206,服务器获取第一神经网络模型输出的识别结果,识别结果至少用于表示第一渗漏等级。
可选地,获取第一神经网络模型的识别结果包括:获取第一神经网络模型输出的识别结果,其中,识别结果用于指示目标图像中存在渗漏的目标区域、目标区域的第一渗漏等级以及目标区域的渗漏等级为第一渗漏等级的置信度。
在本申请的技术方案中,提供了一种基于红外辐射特征的隧道衬砌浸渗程度的分级识别理论和一种基于室内试验建立识别隧道衬砌不同的浸渗级别的深度学习模型,可以实现对隧道混凝土衬砌浸渗程度的分级,并实现基于室内试验隧道混凝土浸渗程度的无损检测。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
根据本发明实施例的另一个方面,还提供了一种用于实施上述隧道渗漏等级的识别方法的隧道渗漏等级的识别装置,如图13所示,该装置包括:
第一获取单元1301,用于获取目标图像,其中,目标图像为目标隧道内壁的图像;
识别单元1303,用于通过第一神经网络模型识别出与目标图像的目标图像特征对应的第一渗漏等级,其中,第一神经网络模型为使用训练图像进行训练得到的,训练图像标记有渗漏等级;
第二获取单元1305,用于获取第一神经网络模型输出的识别结果,其中,识别结果至少用于表示第一渗漏等级。
可选地,在本实施例中,上述隧道渗漏等级的识别装置可以应用于如图1所示的硬件环境,如将该装置作为终端101或服务器103的一部分。
可选地,本申请的装置还可包括:第三获取单元,用于在通过第一神经网络模型识别出与目标图像的目标图像特征对应的第一渗漏等级之前,获取训练集,其中,训练集中包括多个渗漏等级的训练图像,每张训练图像被标记有所属的渗漏等级,多个渗漏等级中任意两个渗漏等级所指示的饱和度不同;训练单元,用于通过训练集对第二神经网络模型内各网络层中的参数进行训练,得到第一神经网络模型。
可选地,训练单元通过训练集对第二神经网络模型内各网络层中的参数进行训练,得到第一神经网络模型时,可以通过如下方式实现:通过训练集对第二神经网络模型内各网络层中的参数进行初始化,得到第三神经网络模型;在第三神经网络模型对测试集中的测试图像的渗漏等级的识别准确度达到目标阈值的情况下,将第三神经网络模型作为第一神经网络模型;在第三神经网络模型对测试集中的测试图像的渗漏等级的识别准确度未达到目标阈值的情况下,继续使用训练集对第三神经网络模型进行训练,以调整第三神经网络模型内各网络层中的参数的数值,直至第三神经网络模型对测试集中的测试图像的渗漏等级的识别准确度达到目标阈值。
可选地,第一获取单元还可用于获取利用红外传感器对目标隧道内壁进行采集得到的目标图像。
可选地,识别单元还可用于将目标图像的图像数据输入第一神经网络模型的卷积层,通过卷积层提取目标图像特征;通过第一神经网络模型的全连接层,在多个渗漏等级中识别出与目标图像特征匹配的第一渗漏等级。
可选地,识别单元在将目标图像的图像数据输入第一神经网络模型的卷积层,通过卷积层提取目标图像特征时,可以通过如下方式实现:按照如下方式利用第一神经网络模型的卷积层进行特征提取和利用第一神经网络模型的池化层进行特征降维:通过第一神经网络模型的第一卷积层提取目标图像的第一图像特征,其中,第一图像特征包括目标图像的灰度特征、几何特征以及纹理特征中的至少之一,在第一卷积层为第一神经网络模型的第一层网络的情况下,第一卷积层的输入为目标图像的图像数据,在第一卷积层不为第一神经网络模型的第一层网络的情况下,第一卷积层的输入为第一池化层的输出,第一池化层为第一卷积层的前一层网络;通过第一神经网络模型的第二池化层对第一图像特征进行降维处理,得到第二图像特征,其中,第二图像特征用于在第二池化层不为第一神经网络模型的最后一层池化层的情况下作为第二卷积层的输入,第二卷积层为第二池化层的下一层网络;获取第一神经网络模型的最后一层网络输出的目标图像特征。
可选地,第二获取单元还可用于获取第一神经网络模型输出的识别结果,其中,识别结果用于指示目标图像中存在渗漏的目标区域、目标区域的第一渗漏等级以及目标区域的渗漏等级为第一渗漏等级的置信度。
根据本发明实施例的又一个方面,还提供了一种用于实施上述隧道渗漏等级的识别方法的电子装置,图14是根据本发明实施例的一种电子装置(如终端)的结构框图,如图14所示,该终端可以包括:一个或多个(图中仅示出一个)处理器1401、存储器1403、以及传输装置1405,如图14所示,该终端还可以包括输入输出设备1407。
其中,存储器1403可用于存储软件程序以及模块,如本发明实施例中的媒体内容的共享方法和装置对应的程序指令/模块,处理器1401通过运行存储在存储器1403内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的媒体内容的共享方法。存储器1403可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器1403可进一步包括相对于处理器1401远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
上述的传输装置1405用于经由一个网络接收或者发送数据,还可以用于处理器与存储器之间的数据传输。上述的网络具体实例可包括有线网络及无线网络。在一个实例中,传输装置1405包括一个网络适配器(Network Interface Controller,NIC),其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中,传输装置1105为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
可选地,在本实施例中,上述电子装置可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
获取目标图像,其中,目标图像为目标隧道内壁的图像;
通过第一神经网络模型识别出与目标图像的目标图像特征对应的第一渗漏等级,其中,第一神经网络模型为使用训练图像进行训练得到的,训练图像标记有渗漏等级;
获取第一神经网络模型输出的识别结果,其中,识别结果至少用于表示第一渗漏等级。
可选地,本领域普通技术人员可以理解,图14所示的结构仅为示意,电子装置也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices,MID)、PAD等终端设备。图14其并不对上述电子装置的结构造成限定。例如,电子装置还可包括比图14中所示更多或者更少的组件(如网络接口、显示装置等),或者具有与图14所示不同的配置。
本发明的实施例还提供了一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
获取目标图像,其中,目标图像为目标隧道内壁的图像;
通过第一神经网络模型识别出与目标图像的目标图像特征对应的第一渗漏等级,其中,第一神经网络模型为使用训练图像进行训练得到的,训练图像标记有渗漏等级;
获取第一神经网络模型输出的识别结果,其中,识别结果至少用于表示第一渗漏等级。
可选地,存储介质还被设置为存储用于执行上述实施例中的方法中所包括的步骤的计算机程序,本实施例中对此不再赘述。
可选地,在本实施例中,本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random Access Memory,RAM)、磁盘或光盘等。
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。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。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或者该技术方案的全部或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存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种隧道渗漏等级的识别方法,其特征在于,包括:
获取目标图像,其中,所述目标图像为目标隧道内壁的图像;
通过第一神经网络模型识别出与所述目标图像的目标图像特征对应的第一渗漏等级,其中,所述第一神经网络模型为使用训练图像进行训练得到的,所述训练图像标记有渗漏等级;
获取所述第一神经网络模型输出的识别结果,其中,所述识别结果至少用于表示所述第一渗漏等级。
2.根据权利要求1所述的方法,其特征在于,通过第一神经网络模型识别出与所述目标图像的目标图像特征对应的第一渗漏等级包括:
将所述目标图像的图像数据输入所述第一神经网络模型的卷积层,通过所述卷积层提取所述目标图像特征;
通过所述第一神经网络模型的全连接层,在多个渗漏等级中识别出与所述目标图像特征匹配的第一渗漏等级。
3.根据权利要求2所述的方法,其特征在于,将所述目标图像的图像数据输入所述第一神经网络模型的卷积层,通过所述卷积层提取所述目标图像特征包括:
按照如下方式利用所述第一神经网络模型的卷积层进行特征提取和利用所述第一神经网络模型的池化层进行特征降维:通过所述第一神经网络模型的第一卷积层提取所述目标图像的第一图像特征,其中,所述第一图像特征包括所述目标图像的灰度特征、几何特征以及纹理特征中的至少之一,在所述第一卷积层为所述第一神经网络模型的第一层网络的情况下,所述第一卷积层的输入为所述目标图像的图像数据,在所述第一卷积层不为所述第一神经网络模型的第一层网络的情况下,所述第一卷积层的输入为第一池化层的输出,所述第一池化层为所述第一卷积层的前一层网络;通过所述第一神经网络模型的第二池化层对所述第一图像特征进行降维处理,得到第二图像特征,其中,所述第二图像特征用于在所述第二池化层不为所述第一神经网络模型的最后一层池化层的情况下作为第二卷积层的输入,所述第二卷积层为所述第二池化层的下一层网络;
获取所述第一神经网络模型的最后一层网络输出的所述目标图像特征。
4.根据权利要求1所述的方法,其特征在于,获取所述第一神经网络模型的识别结果包括:
获取所述第一神经网络模型输出的识别结果,其中,所述识别结果用于指示所述目标图像中存在渗漏的目标区域、所述目标区域的所述第一渗漏等级以及所述目标区域的渗漏等级为所述第一渗漏等级的置信度。
5.根据权利要求1所述的方法,其特征在于,获取目标图像包括:
获取利用红外传感器对所述目标隧道内壁进行采集得到的所述目标图像。
6.根据权利要求1至5中任意一项所述的方法,其特征在于,在通过第一神经网络模型识别出与所述目标图像的目标图像特征对应的第一渗漏等级之前,所述方法还包括:
获取训练集,其中,所述训练集中包括多个渗漏等级的训练图像,每张所述训练图像被标记有所属的渗漏等级,所述多个渗漏等级中任意两个渗漏等级所指示的饱和度不同;
通过所述训练集对第二神经网络模型内各网络层中的参数进行训练,得到所述第一神经网络模型。
7.根据权利要求6所述的方法,其特征在于,通过所述训练集对第二神经网络模型内各网络层中的参数进行训练,得到所述第一神经网络模型包括:
通过所述训练集对第二神经网络模型内各网络层中的参数进行初始化,得到第三神经网络模型;
在所述第三神经网络模型对测试集中的测试图像的渗漏等级的识别准确度达到目标阈值的情况下,将所述第三神经网络模型作为所述第一神经网络模型;
在所述第三神经网络模型对测试集中的测试图像的渗漏等级的识别准确度未达到所述目标阈值的情况下,继续使用所述训练集对第三神经网络模型进行训练,以调整所述第三神经网络模型内各网络层中的参数的数值,直至所述第三神经网络模型对所述测试集中的测试图像的渗漏等级的识别准确度达到所述目标阈值。
8.一种隧道渗漏等级的识别装置,其特征在于,包括:
第一获取单元,用于获取目标图像,其中,所述目标图像为目标隧道内壁的图像;
识别单元,用于通过第一神经网络模型识别出与所述目标图像的目标图像特征对应的第一渗漏等级,其中,所述第一神经网络模型为使用训练图像进行训练得到的,所述训练图像标记有渗漏等级;
第二获取单元,用于获取所述第一神经网络模型输出的识别结果,其中,所述识别结果至少用于表示所述第一渗漏等级。
9.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至7任一项中所述的方法。
10.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为通过所述计算机程序执行所述权利要求1至7任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910770891.1A CN110689042B (zh) | 2019-08-20 | 2019-08-20 | 隧道渗漏等级的识别方法和装置、存储介质、电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910770891.1A CN110689042B (zh) | 2019-08-20 | 2019-08-20 | 隧道渗漏等级的识别方法和装置、存储介质、电子装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110689042A true CN110689042A (zh) | 2020-01-14 |
CN110689042B CN110689042B (zh) | 2022-05-13 |
Family
ID=69108433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910770891.1A Active CN110689042B (zh) | 2019-08-20 | 2019-08-20 | 隧道渗漏等级的识别方法和装置、存储介质、电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110689042B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111767815A (zh) * | 2020-06-22 | 2020-10-13 | 浙江省机电设计研究院有限公司 | 一种隧道渗漏水识别方法 |
CN111783784A (zh) * | 2020-06-30 | 2020-10-16 | 创新奇智(合肥)科技有限公司 | 建筑的空洞检测方法及装置、电子设备、存储介质 |
CN112084553A (zh) * | 2020-08-06 | 2020-12-15 | 重庆市市政设计研究院有限公司 | 一种用于隧道规划的勘测方法 |
CN113033383A (zh) * | 2021-03-23 | 2021-06-25 | 山东大学 | 基于深度学习的透水路面堵塞无损检测方法及*** |
CN113129269A (zh) * | 2021-03-23 | 2021-07-16 | 东北林业大学 | 一种从图像纹理特征中选择变量实现混凝土表面空洞的自动分类方法 |
CN113516179A (zh) * | 2021-06-24 | 2021-10-19 | 北京航空航天大学 | 一种地下基础设施渗漏水性态辨识方法及*** |
CN113591606A (zh) * | 2021-07-08 | 2021-11-02 | 武汉理工大学 | 沥青路面隐藏病害识别方法、装置、电子设备及存储介质 |
CN113780381A (zh) * | 2021-08-28 | 2021-12-10 | 特斯联科技集团有限公司 | 一种人工智能漏水检测方法及装置 |
CN113822227A (zh) * | 2021-10-19 | 2021-12-21 | 杭州交通工程监理咨询有限公司 | 一种隧道工程施工风险监控方法、装置以及介质 |
CN114898289A (zh) * | 2022-05-11 | 2022-08-12 | 北京花兰德科技咨询服务有限公司 | 基于神经网络的园区可燃物识别方法及*** |
CN116758386A (zh) * | 2023-05-29 | 2023-09-15 | 国网江苏省电力有限公司南京供电分公司 | 一种电缆隧道渗水检测方法、装置、设备和存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102261982A (zh) * | 2011-04-26 | 2011-11-30 | 同济大学 | 一种隧道渗水的预警方法 |
CN106841216A (zh) * | 2017-02-28 | 2017-06-13 | 浙江工业大学 | 基于全景图像cnn的隧道病害自动识别装置 |
CN108229461A (zh) * | 2018-01-16 | 2018-06-29 | 上海同岩土木工程科技股份有限公司 | 一种基于深度学习的隧道裂缝快速识别方法 |
US20190007143A1 (en) * | 2015-12-30 | 2019-01-03 | Universidad De Santiago De Chile | System and Method for Communication by Means of Visible Light for Underground Tunnels |
CN109255345A (zh) * | 2018-08-21 | 2019-01-22 | 国网浙江省电力有限公司电力科学研究院 | 一种基于卷积神经网络的电缆隧道铁锈识别方法 |
CN109508817A (zh) * | 2018-10-23 | 2019-03-22 | 上海同岩土木工程科技股份有限公司 | 一种基于隧道环境信息的病害预测方法 |
CN109615653A (zh) * | 2018-12-19 | 2019-04-12 | 上海大学 | 基于深度学习与视场投影模型的渗漏水面积检测与识别方法 |
CN110097140A (zh) * | 2019-05-13 | 2019-08-06 | 招商局重庆交通科研设计院有限公司 | 一种用于隧道巡检机器人的数据处理*** |
-
2019
- 2019-08-20 CN CN201910770891.1A patent/CN110689042B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102261982A (zh) * | 2011-04-26 | 2011-11-30 | 同济大学 | 一种隧道渗水的预警方法 |
US20190007143A1 (en) * | 2015-12-30 | 2019-01-03 | Universidad De Santiago De Chile | System and Method for Communication by Means of Visible Light for Underground Tunnels |
CN106841216A (zh) * | 2017-02-28 | 2017-06-13 | 浙江工业大学 | 基于全景图像cnn的隧道病害自动识别装置 |
CN108229461A (zh) * | 2018-01-16 | 2018-06-29 | 上海同岩土木工程科技股份有限公司 | 一种基于深度学习的隧道裂缝快速识别方法 |
CN109255345A (zh) * | 2018-08-21 | 2019-01-22 | 国网浙江省电力有限公司电力科学研究院 | 一种基于卷积神经网络的电缆隧道铁锈识别方法 |
CN109508817A (zh) * | 2018-10-23 | 2019-03-22 | 上海同岩土木工程科技股份有限公司 | 一种基于隧道环境信息的病害预测方法 |
CN109615653A (zh) * | 2018-12-19 | 2019-04-12 | 上海大学 | 基于深度学习与视场投影模型的渗漏水面积检测与识别方法 |
CN110097140A (zh) * | 2019-05-13 | 2019-08-06 | 招商局重庆交通科研设计院有限公司 | 一种用于隧道巡检机器人的数据处理*** |
Non-Patent Citations (3)
Title |
---|
潘海泽 等: "隧道渗漏水病害等级评价体系研究", 《铁道工程学报》 * |
薛亚东 等: "基于深度学习的盾构隧道衬砌病害识别方法", 《湖南大学学报(自然科学版)》 * |
黄宏伟 等: "基于深度学习的盾构隧道渗漏水病害图像识别", 《岩石力学与工程学报》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111767815A (zh) * | 2020-06-22 | 2020-10-13 | 浙江省机电设计研究院有限公司 | 一种隧道渗漏水识别方法 |
CN111783784A (zh) * | 2020-06-30 | 2020-10-16 | 创新奇智(合肥)科技有限公司 | 建筑的空洞检测方法及装置、电子设备、存储介质 |
CN112084553A (zh) * | 2020-08-06 | 2020-12-15 | 重庆市市政设计研究院有限公司 | 一种用于隧道规划的勘测方法 |
CN112084553B (zh) * | 2020-08-06 | 2024-06-04 | 重庆设计集团有限公司 | 一种用于隧道规划的勘测方法 |
CN113033383A (zh) * | 2021-03-23 | 2021-06-25 | 山东大学 | 基于深度学习的透水路面堵塞无损检测方法及*** |
CN113129269A (zh) * | 2021-03-23 | 2021-07-16 | 东北林业大学 | 一种从图像纹理特征中选择变量实现混凝土表面空洞的自动分类方法 |
CN113033383B (zh) * | 2021-03-23 | 2022-04-12 | 山东大学 | 基于深度学习的透水路面堵塞无损检测方法及*** |
CN113516179A (zh) * | 2021-06-24 | 2021-10-19 | 北京航空航天大学 | 一种地下基础设施渗漏水性态辨识方法及*** |
CN113591606B (zh) * | 2021-07-08 | 2024-06-04 | 武汉理工大学 | 沥青路面隐藏病害识别方法、装置、电子设备及存储介质 |
CN113591606A (zh) * | 2021-07-08 | 2021-11-02 | 武汉理工大学 | 沥青路面隐藏病害识别方法、装置、电子设备及存储介质 |
CN113780381A (zh) * | 2021-08-28 | 2021-12-10 | 特斯联科技集团有限公司 | 一种人工智能漏水检测方法及装置 |
CN113780381B (zh) * | 2021-08-28 | 2022-07-01 | 特斯联科技集团有限公司 | 一种人工智能漏水检测方法及装置 |
CN113822227A (zh) * | 2021-10-19 | 2021-12-21 | 杭州交通工程监理咨询有限公司 | 一种隧道工程施工风险监控方法、装置以及介质 |
CN114898289B (zh) * | 2022-05-11 | 2023-05-02 | 董燊 | 基于神经网络的园区可燃物识别方法及*** |
CN114898289A (zh) * | 2022-05-11 | 2022-08-12 | 北京花兰德科技咨询服务有限公司 | 基于神经网络的园区可燃物识别方法及*** |
CN116758386A (zh) * | 2023-05-29 | 2023-09-15 | 国网江苏省电力有限公司南京供电分公司 | 一种电缆隧道渗水检测方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110689042B (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110689042B (zh) | 隧道渗漏等级的识别方法和装置、存储介质、电子装置 | |
CN102261982A (zh) | 一种隧道渗水的预警方法 | |
CN115481368B (zh) | 一种基于全遥感机器学习的植被覆盖度估算方法 | |
CN106442525B (zh) | 用于核桃内部干瘪缺陷的在线检测方法 | |
CN104048939A (zh) | 生猪血液中血糖含量近红外快速检测方法 | |
Wang et al. | Landscape-level vegetation classification and fractional woody and herbaceous vegetation cover estimation over the dryland ecosystems by unmanned aerial vehicle platform | |
CN106645288A (zh) | 桥梁混凝土结构缺陷无损检测***及其检测方法 | |
CN102628794A (zh) | 一种基于高光谱成像技术的畜肉细菌总数快速测定方法 | |
CN111141653B (zh) | 一种基于神经网络的隧道渗漏速率预测方法 | |
CN106951863B (zh) | 一种基于随机森林的变电站设备红外图像变化检测方法 | |
CN108154271A (zh) | 一种基于空间相关性和曲面拟合的地面气温质量控制方法 | |
CN109374631A (zh) | 一种隧道状态评测方法 | |
Yu et al. | Quantifying grazing patterns using a new growth function based on MODIS Leaf Area Index | |
CN104463168A (zh) | 一种基于遥感影像的空废宅基地信息自动提取方法 | |
CN114964006B (zh) | 一种基于红外热成像与数字图像的石质文物裂隙监测方法 | |
CN206096010U (zh) | 用于无损检测桥梁混凝土结构缺陷的*** | |
CN109752487A (zh) | 冬小麦叶片氮素含量预估方法及装置 | |
CN206161577U (zh) | 无损检测桥梁混凝土结构缺陷的*** | |
CN106290471A (zh) | 用于无损检测桥梁混凝土结构缺陷的***及方法 | |
Su et al. | Detect and identify earth rock embankment leakage based on UAV visible and infrared images | |
CN206096011U (zh) | 桥梁混凝土结构缺陷无损检测*** | |
US20110071769A1 (en) | Method and apparatus for determining structural damage depth, and method and apparatus for determining structural damage treatment | |
CN113989181A (zh) | 塑料大棚内作物生长期遥感监测方法和电子设备 | |
CN114778476B (zh) | 一种基于无人机遥感的苜蓿棉田土壤含水量监测模型的建立方法 | |
CN107918786A (zh) | 一种基于二维码技术的实验室试样盲样检测方法 |
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 |