CN113820317B - 一种基于水动力学的裂缝检测方法 - Google Patents
一种基于水动力学的裂缝检测方法 Download PDFInfo
- Publication number
- CN113820317B CN113820317B CN202110978554.9A CN202110978554A CN113820317B CN 113820317 B CN113820317 B CN 113820317B CN 202110978554 A CN202110978554 A CN 202110978554A CN 113820317 B CN113820317 B CN 113820317B
- Authority
- CN
- China
- Prior art keywords
- spring
- stream
- image
- crack
- spring eyes
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 230000009467 reduction Effects 0.000 claims abstract description 6
- 230000002708 enhancing effect Effects 0.000 claims abstract description 3
- 238000000034 method Methods 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 6
- 238000003706 image smoothing Methods 0.000 claims description 6
- 238000005381 potential energy Methods 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000001965 increasing effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 208000035126 Facies Diseases 0.000 claims 1
- 238000012545 processing Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013135 deep learning 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
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000036571 hydration Effects 0.000 description 1
- 238000006703 hydration reaction Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于水动力学的裂缝检测方法，包括如下步骤，输入灰度图像并进行多尺度分析，作图像的缩小，增强所有溪流的清晰度，找出溪流中所有深水中的泉眼，标记属同一条溪流中的泉眼，对同一条溪流中泉眼进行连接，本发明提供了一种检测快速精确的基于水动力学的裂缝检测方法。
Description
技术领域
本发明涉及岩土研究技术领域，具体为一种基于水动力学的裂缝检测方法。
背景技术
路面裂缝类型有多种，其识别由20世纪70年代之前的人工图片获取识别发展到现在的电子图像获取及检测识别的自动化处理，取得了前所未有的进步。20世纪90年代加拿大的Roadware公司开发的自动路面分析仪ARAN测试车，通过高强度同步的闪光灯，可以突出裂缝信息。我国在这方面的技术起步较晚，在2002年，南京理工大学研制出首辆路面智能检测车JG-1型。近年来，路面裂缝识别愈加智能化、自动化和精确化，相关算法的研究也在不断地进步。申请人2019年总结了传统图像处理、神经网络、小波变换、逻辑回归、机器学习(包括深度学习和神经网络等)等路面裂缝提取和分析算法的可喜进展，但至今对复杂路面裂缝的识别及裂缝深度的测量和分析还存在一些问题，所以还没有完全进入广泛的应用。
由于恶劣天气或复杂景物中的航空图像对比度低，无论是在目在过去的三十年中，数字图像相关方法作为一种新的非接触式位移测量方法，在力学工程中有着广泛的应用前景，这种高效的测量方法在水动力学领域得到了推广应用。但这些只是将图像处理技术作为一种水动力学实验中的测量和分析手段，没有将水动力学的思想方法应用到图像处理之中，基于上述问题，本案由此而生。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种检测快速精确的基于水动力学的裂缝检测方法，解决了上述背景技术中提出的问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种基于水动力学的裂缝检测方法，包括如下步骤：
(1)输入灰度图像并进行多尺度分析，作图像的缩小；
(2)增强所有溪流的清晰度；
(3)找出溪流中所有深水中的泉眼；
(4)标记属同一条溪流中的泉眼；
(5)对同一条溪流中泉眼进行连接。
进一步的，步骤(1)中灰度图像的预处理步骤如下：
(1)图像缩小：在原始图像中，以每个检测点为中心，取3x3模板的三个最小灰度值的平均灰度值作为缩小图像对应点的值；
(2)图像平滑：进行Geodesic Sadow Removal平滑；
(3)裂缝增强：裂缝增强：Hessian矩阵I在点p(x,y)定义为：
其中
相应的裂缝定义如下：
Td(p,θ；σ)＝td(p,θ；σ)*I(p) (2)
这里,td(p,θ；σ)＝gxxcos2θ+gyysin2θ+gxysin2θ，
将一套方向滤波器–前向过滤器tf(p；σ,ψ1)和后向过滤器tb(p；σ,ψ2)定义如下：
tf(p；σ,ψ1)＝td(x+dcos(θ+ψ1),y+dsin(θ+ψ1)) (3)
tb(p；σ,ψ2)＝td(x-dcos(θ+ψ2),y-dsin(θ+ψ2)) (4)
这里采用角度ψ1,ψ2检测相邻像素的裂缝迹象，d是偏移量参数，需要将其设置为适当的值，当d值较低时，它的贡献就不够了，否则，d会引起错误的图像分割而将判断伪裂缝像素归为真裂缝；
图像通过定向滤波器的响应分别为Tf(p；σ,ψ1)＝tf(p；σ,ψ1)*I(p)和Tb(p；σ,ψ2)＝tb(p；σ,ψ2)*I(p)，增强裂缝的整体响应如式(5)所示：
在这儿，
然后在多个方向上搜索最大响应作为LOF的输出。
进一步的，所述图像平滑包括数学形态学“close”、高斯平滑、分水岭、光照均衡化、对比度增强。
进一步的，步骤(3)中泉眼的确定方式可根据河流的Th.von.Karman-L.prandtl公式求出流速较大的点就是泉眼点。
进一步的，步骤(4)中标记属同一条溪流中的泉眼方式为：若在同一条溪流中，它们应在一个正方形内，该正方形可以包含任何间隙填充路径，根据水是不可压缩的原理，可以假设溪流水流在正方形内同时不断从两泉眼涌向对方，增加水面的势能，裂缝边缘可视为槽壁，当水流到槽壁时，它就停止向那个方向流动，势能和压能转换成动能向相邻泉眼方向流动，直到两个水流汇合为止，即两图像区域合并，这样才能知道两个泉眼在同一条溪流中。
进一步的，步骤(5)中泉眼连接方法为：直线连接短距离泉眼，对于长距离相邻泉眼，先进行泉眼数目的扩展，路径的寻求方式是：基于局部溪流梯度图自动计算泉眼模板尺寸，利用溪流显著图和泉眼的几何信息搜索溪流中线上的新泉眼。
进一步的，对于长距离相邻泉眼的具体连接方法为：首先将一条溪流中线上的泉眼顺序排列，连接每对相邻的泉眼，在连接线的中垂线上搜寻最优的溪流段中心点，然后把该点视为新的泉眼，重新搜索每对泉眼之间的最优溪流段中心点，周而复始，直到所有相邻泉眼的欧氏距离小于指定阀值为止，最后用直线段连接所有的泉眼。
(三)有益效果
综上所述，本发明将水动力学理论方法应用到图像处理和机器视觉中，可简化路面裂缝检测技术运算流程，速度块，提取精确。
附图说明
图1为本发明一种基于水动力学的裂缝检测方法的流程图；
图2为裂缝图像平滑及增强的算法比较图。
图3为三个典型的长裂缝间隙(A,B,C)的水合并结果图；
图4为溪流中心线上泉眼搜索示意图；
图5为具体的检测例子图。
具体实施方式
参照图1至图5对本发明一种基于水动力学的裂缝检测方法的实施例作进一步说明。
一种基于水动力学的路面裂缝的检测方法，包括以下步骤：。
步骤一：灰度图像预处理
(1)图像缩小：为了减少图像存储量及后续算法运行时间，我们需要设计一种算法，既能缩小图像尺寸又能不丢失裂缝信息，这种算法与多尺度空间理论有关。我们将在原始图像中，以每个检测点为中心，取3x3模板的三个最小灰度值的平均灰度值作为缩小图像对应点的值，具体如图2所示。
(2)图像平滑：进行Geodesic Sadow Removal平滑，该算法主要包括五个部分：(a)数学形态学“close”；(b)高斯平滑；(c)分水岭；(d)光照均衡化；(e)对比度增强。
(3)裂缝增强：Hessian矩阵I在点p(x,y)定义为:
相应的裂缝定义如下:
Td(p,θ；σ)＝td(p,θ；σ)*I(p) (2)
这里,td(p,θ；σ)＝gxxcos2θ+gyysin2θ+gxysin2θ.
将一套方向滤波器–前向过滤器tf(p；σ,ψ1)和后向过滤器tb(p；σ,ψ2)定义如下:
tf(p；σ,ψ1)＝td(x+dcos(θ+ψ1),y+dsin(θ+ψ1)) (3)
tb(p；σ,ψ2)＝td(x-dcos(θ+ψ2),y-dsin(θ+ψ2)) (4)
这里采用角度ψ1,ψ2检测相邻像素的裂缝迹象。d是偏移量参数，需要将其设置为适当的值。当d值较低时，它的贡献就不够了。否则，d会引起错误的图像分割而将判断伪裂缝像素归为真裂缝。
图像通过定向滤波器的响应分别为Tf(p；σ,ψ1)＝tf(p；σ,ψ1)*I(p)和Tb(p；σ,ψ2)＝tb(p；σ,ψ2)*I(p)。增强裂缝的整体响应如式(5)所示:
在这儿，
然后在多个方向上搜索最大响应作为LOF的输出，如图2的例子所示，第一排分别是原图、平滑和增强的结果；第二排分别是锐化、高通滤波及Canny扫描的结果。
步骤二：寻找河流深水点-泉眼的理论基础
在水动力学中，河流的Th.von.Karman-L.prandtl公式：
umax、u、u*分别为水面处最大流速，点流速及摩阻流速；h为测试断面的最大的水深，y为水深的变量(0>y>h)，k为常数，通常取0.4.
摩阻流速u*反映了水流的紊动情况，广泛应用在泥沙研究中。u*与脉动强度的数值大小相当。τ0是起动拖曳力，即泥沙处于起动状态的床面剪切力。
将公式(7)写成如下的形式：
公式(8)表明：越深的水，表面流速就越接近最大流速。求出流速较大的点就是泉眼点。
我们可以把裂缝看成是不同面相的溪流，不同的溪流平均深度不同，而每条溪流有深有浅，但大部分溪流的横断面基本上呈V型。
步骤三：标记同一条溪流中的泉眼
为了避免不同溪流中的泉眼相连(错连)，有必要先确定每一个泉眼的所属溪流。为此，我们根据流体能量的守恒定律：Bernulli公式、定理及物理意义
z+(P/ρ)+(V2/2g)＝C (9)
在上述公式中：P是水压，ρ是水的密度，g是重力加速度，V是水流速度，C是常数；z：称为位置高或位置水头；(V2/2g)：称为速度高，(P/ρ)：称为压力高或压力水头。
故此，Bernulli定理就可表述如下：一根流线上：所有各点的三高之和为常数。另一方面可理解为：当在理想流体压力下，势能和动能可以互相转换。
判断两个相邻泉眼是否在同一条溪流的方式：若在同一条溪流中，它们应在一个正方形内，该正方形可以包含任何间隙填充路径。根据水是不可压缩的原理，可以假设溪流水流在正方形内同时不断从两泉眼涌向对方，增加水面的势能，裂缝边缘可视为槽壁，当水流到槽壁时，它就停止向那个方向流动，势能和压能转换成动能向相邻泉眼方向流动，直到两个水流汇合为止(两图像区域合并)，这样才能知道两个泉眼在同一条溪流中，如图3所示，A区的两泉眼属于同一条溪流，B区的两泉眼不属于同一条溪流，C区的两泉眼属于同一条溪流
步骤四：泉眼的扩展和连接
泉眼连接分两种情况：a)直线连接短距离泉眼；b)对于长距离相邻泉眼，先进行泉眼数目的扩展，路径的寻求方式是：基于局部溪流梯度图自动计算泉眼模板尺寸，利用溪流显著图和泉眼的几何信息搜索溪流中线上的新泉眼。首先将一条溪流中线上的泉眼顺序排列，连接每对相邻的泉眼，在连接线的中垂线上搜寻最优的溪流段中心点，然后把该点视为新的泉眼，重新搜索每对泉眼之间的最优溪流段中心点，周而复始，直到所有相邻泉眼的欧氏距离小于指定阀值为止，如图4所示，最后用直线段连接所有的泉眼。具体的检测例子如图5所示，其中第一行：原始图、Split&Merge、动态阈值、边界跟踪；第二行：MST、Clustering、FCM结果及新算法的分割结果。
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)
1.一种基于水动力学的裂缝检测方法，其特征在于，包括如下步骤：
(1)输入灰度图像并进行多尺度分析，作图像的缩小；
图像预处理具体步骤如下：
一图像缩小：在原始图像中，以每个检测点为中心，取3x3模板的三个最小灰度值的平均灰度值作为缩小图像对应点的值；
二图像平滑：进行Geodesic Sadow Removal平滑；
三裂缝增强：裂缝增强：Hessian矩阵I在点p(x,y)定义为：
其中I为灰度图像，g为二次导数
相应的裂缝定义如下：
Td(p,θ；σ)＝td(p,θ；σ)*I(p) (2)
这里,td(p,θ；σ)＝gxxcos2θ+gyysin2θ+gxysin2θ，p点在θ方向的裂隙，其裂隙灰度均方差为σ
将一套方向滤波器–前向过滤器tf(p；σ,ψ1)和后向过滤器tb(p；σ,ψ2)定义如下：
tf(p；σ,ψ1)＝td(x+d cos(θ+ψ1),y+d sin(θ+ψ1)) (3)
其中，x,y为两垂直方向坐标值，Ψ1为方向，d为滤波范围大小
tb(p；σ,ψ2)＝td(x-d cos(θ+ψ2),y-d sin(θ+ψ2)) (4)
Ψ2为Ψ1的反方向这里采用角度ψ1,ψ2检测相邻像素的裂缝迹象，d是偏移量参数，需要将其设置为适当的值，当d值较低时，它的贡献就不够了，否则，d会引起错误的图像分割而将判断伪裂缝像素归为真裂缝；
图像通过定向滤波器的响应分别为Tf(p；σ,ψ1)＝tf(p；σ,ψ1)*I(p)和Tb(p；σ,ψ2)＝tb(p；σ,ψ2)*I(p)，增强裂缝的整体响应如式(5)所示：
在这儿，(见公式5，是三个参数的取值公式)
然后在多个方向上搜索最大响应作为LOF的输出；
(2)将裂缝看成是不同面相的溪流，并增强所有溪流的清晰度；
(3)找出溪流中所有深水中的泉眼；
(4)标记属同一条溪流中的泉眼；
(5)对同一条溪流中泉眼进行连接。
2.根据权利要求1所述的一种基于水动力学的裂缝检测方法，其特征在于：所述图像平滑包括数学形态学“close”，高斯平滑，分水岭，光照均衡化，对比度增强。
3.根据权利要求1所述的一种基于水动力学的裂缝检测方法，其特征在于：步骤(3)中泉眼的确定方式可根据河流的Th.von.Karman-L.prandtl公式求出流速较大的点就是泉眼点。
4.根据权利要求1所述的一种基于水动力学的裂缝检测方法，其特征在于，步骤(4)中标记属同一条溪流中的泉眼方式为：若在同一条溪流中，它们应在一个正方形内，该正方形可以包含任何间隙填充路径，根据水是不可压缩的原理，可以假设溪流水流在正方形内同时不断从两泉眼涌向对方，增加水面的势能，裂缝边缘可视为槽壁，当水流到槽壁时，它就停止向那个方向流动，势能和压能转换成动能向相邻泉眼方向流动，直到两个水流汇合为止，即两图像区域合并，这样才能知道两个泉眼在同一条溪流中。
5.根据权利要求1所述的一种基于水动力学的裂缝检测方法，其特征在于，步骤(5)中泉眼连接方法为：直线连接短距离泉眼，对于长距离相邻泉眼，先进行泉眼数目的扩展，路径的寻求方式是：基于局部溪流梯度图自动计算泉眼模板尺寸，利用溪流显著图和泉眼的几何信息搜索溪流中线上的新泉眼。
6.根据权利要求5所述的一种基于水动力学的裂缝检测方法，其特征在于，对于长距离相邻泉眼的具体连接方法为：首先将一条溪流中线上的泉眼顺序排列，连接每对相邻的泉眼，在连接线的中垂线上搜寻最优的溪流段中心点，然后把该点视为新的泉眼，重新搜索每对泉眼之间的最优溪流段中心点，周而复始，直到所有相邻泉眼的欧氏距离小于指定阀值为止，最后用直线段连接所有的泉眼。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110978554.9A CN113820317B (zh) | 2021-08-25 | 2021-08-25 | 一种基于水动力学的裂缝检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110978554.9A CN113820317B (zh) | 2021-08-25 | 2021-08-25 | 一种基于水动力学的裂缝检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113820317A CN113820317A (zh) | 2021-12-21 |
| CN113820317B true CN113820317B (zh) | 2024-05-03 |
Family
ID=78913548
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110978554.9A Active CN113820317B (zh) | 2021-08-25 | 2021-08-25 | 一种基于水动力学的裂缝检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113820317B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116629086B (zh) * | 2023-07-19 | 2023-09-19 | 水利部交通运输部国家能源局南京水利科学研究院 | 复式河道植被区泥沙起动计算方法及*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103376469A (zh) * | 2012-04-26 | 2013-10-30 | 中国石油集团长城钻探工程有限公司 | 一种基于超声成像测井的裂缝定量评价方法 |
| RU2661489C1 (ru) * | 2017-09-06 | 2018-07-17 | Общество с ограниченной ответственностью "ЛУКОЙЛ-Инжиниринг" (ООО "ЛУКОЙЛ-Инжиниринг") | Способ комплексирования исходных данных для уточнения фильтрационного строения неоднородных карбонатных коллекторов |
| JP2018128316A (ja) * | 2017-02-07 | 2018-08-16 | 大成建設株式会社 | ひび割れ検出方法 |
| CN111598845A (zh) * | 2020-04-26 | 2020-08-28 | 北京科技大学 | 基于深度学习与neo-6m定位模块的路面裂缝检测与定位的方法 |
| CN111611673A (zh) * | 2019-02-25 | 2020-09-01 | 中国石油化工股份有限公司 | 一种碳酸盐岩油藏古暗河型储层建模方法 |
-
2021
- 2021-08-25 CN CN202110978554.9A patent/CN113820317B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103376469A (zh) * | 2012-04-26 | 2013-10-30 | 中国石油集团长城钻探工程有限公司 | 一种基于超声成像测井的裂缝定量评价方法 |
| JP2018128316A (ja) * | 2017-02-07 | 2018-08-16 | 大成建設株式会社 | ひび割れ検出方法 |
| RU2661489C1 (ru) * | 2017-09-06 | 2018-07-17 | Общество с ограниченной ответственностью "ЛУКОЙЛ-Инжиниринг" (ООО "ЛУКОЙЛ-Инжиниринг") | Способ комплексирования исходных данных для уточнения фильтрационного строения неоднородных карбонатных коллекторов |
| CN111611673A (zh) * | 2019-02-25 | 2020-09-01 | 中国石油化工股份有限公司 | 一种碳酸盐岩油藏古暗河型储层建模方法 |
| CN111598845A (zh) * | 2020-04-26 | 2020-08-28 | 北京科技大学 | 基于深度学习与neo-6m定位模块的路面裂缝检测与定位的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于水动力学、分数阶微分及Steger算法的线状目标提取;陈卫卫;王卫星;李润青;蔡晓琰;郑思凡;;中国图象图形学报(第07期);全文 * |
| 陈卫卫 ; 王卫星 ; 李润青 ; 蔡晓琰 ; 郑思凡 ; .基于水动力学、分数阶微分及Steger算法的线状目标提取.中国图象图形学报.2020,(第07期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113820317A (zh) | 2021-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108596165B (zh) | 基于无人机低空航拍图像的道路交通标线检测方法及*** | |
| CN107315095B (zh) | 基于视频处理的具有光照适应性的多车辆自动测速方法 | |
| CN106815583B (zh) | 一种基于mser和swt相结合的夜间车辆车牌定位方法 | |
| CN111027443B (zh) | 一种基于多任务深度学习的票据文本检测方法 | |
| CN108921076B (zh) | 基于图像的道面裂缝病害自适应恒虚警检测方法 | |
| CN110619368B (zh) | 行星表面导航特征成像匹配检测方法 | |
| CN112734761B (zh) | 工业品图像边界轮廓提取方法 | |
| CN112070774A (zh) | 一种用于页岩数字岩心图像分割的神经网络优化方法 | |
| CN113820317B (zh) | 一种基于水动力学的裂缝检测方法 | |
| CN113379737A (zh) | 基于图像处理及深度学习的管道缺陷智能检测方法及应用 | |
| Wang et al. | Rock fracture centerline extraction based on Hessian matrix and Steger algorithm | |
| CN101976347A (zh) | 基于Mean Shift分割的遥感图像中水上桥梁识别方法 | |
| CN103914829B (zh) | 一种含噪图像边缘检测方法 | |
| CN111583178B (zh) | 一种在藻类细胞显微图像中分割黏连藻类细胞的方法 | |
| CN111091071B (zh) | 基于探地雷达双曲波拟合的地下目标检测方法及*** | |
| CN104391966A (zh) | 基于深度学习的典型车标搜索方法 | |
| CN112085699A (zh) | 一种基于二维图像的路面裂缝提取方法 | |
| Wang et al. | Application of an Improved U-Net Neural Network on Fracture Segmentation from Outcrop Images | |
| CN113848209A (zh) | 一种基于无人机与激光测距的堤坝裂缝检测方法 | |
| Hashmani et al. | A survey on edge detection based recent marine horizon line detection methods and their applications | |
| CN110728691B (zh) | 一种基于多时相水边线的海岸线自动判别方法 | |
| Zhang et al. | A pyramid attention network with edge information injection for remote sensing object detection | |
| Lin et al. | Lane departure identification on Highway with searching the region of interest on Hough space | |
| Ma et al. | Road extraction from ETM panchromatic image based on dual-edge following | |
| Wang et al. | Lane line extraction in raining weather images by ridge edge detection with improved MSR and Hessian matrix |
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 |