CN114170402B - 隧洞结构面提取方法、装置 - Google Patents
隧洞结构面提取方法、装置 Download PDFInfo
- Publication number
- CN114170402B CN114170402B CN202210136180.0A CN202210136180A CN114170402B CN 114170402 B CN114170402 B CN 114170402B CN 202210136180 A CN202210136180 A CN 202210136180A CN 114170402 B CN114170402 B CN 114170402B
- Authority
- CN
- China
- Prior art keywords
- geological
- image
- color
- tunnel
- calculating
- 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
Images
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
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Graphics (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种隧洞结构面提取方法、装置,所述方法包括:建立对应于隧洞内表面的虚拟平面,模拟虚拟平面的摄像位置,获取相应的外方位元素;将颜色和地质语义投影至虚拟平面上相应的像素点,得到颜色图像和地质语义图像;计算像素点与邻域之间的颜色相似概率和地质语义相似概率,加权融合得到融合相似概率,进而在虚拟平面上得到面片,聚类提取岩体结构面,将虚拟平面投影至点云得到隧洞结构面。采用上述技术方案,通过模拟摄像位置,同时将点云的颜色和地质语义投影至虚拟平面,克服了摄像位置和影像畸变等原因带来的误差,基于二维图像的计算可以降低计算数据量,根据颜色和地质语义提取隧洞中的复杂结构面,显著提高结构面提取的精度。
Description
技术领域
本发明涉及测绘技术领域,尤其涉及一种隧洞结构面提取方法、装置。
背景技术
隧洞中常有塌方、岩爆、涌水和涌泥等危险情况,因此需要根据隧洞岩体的结构面性质对岩体变形和稳定性进行分析,据此判断隧洞中是否存在发生危险情况的风险。
但岩体结构面自然特征形态复杂多样,进而导致难以准确识别,现有技术中,通常基于隧洞影像获得点云,通过点云确定隧洞岩体结构面,但其中存在的问题是,点云是三维数据,计算量巨大,难以有效的、实时的和准确的提取得到岩体结构面结构,同时在获取影像的过程中,由于摄像位置和影像畸变等原因,在影像上难以表现隧洞内表面岩体实际的远近关系和相互之间的位置关系,加大了基于影像而获得的点云与实际岩体结构面之间的误差,也导致提取结果的准确度不理想。
发明内容
发明目的:本发明提供一种隧洞结构面提取方法、装置,建立对应于隧洞的拱顶、左壁和右壁的虚拟平面,模拟摄像位置,同时将点云的颜色和地质语义投影至虚拟平面,克服了摄像位置和影像畸变等原因带来的误差,基于二维图像的计算可以显著降低计算数据量,根据颜色和地质语义提取隧洞中的复杂结构面,显著提高结构面提取的精度。
技术方案:本发明提供一种隧洞结构面提取方法,包括:获取隧洞内表面的影像;基于影像获取点云,计算点云中的点的地质语义; 建立对应于隧洞内表面的虚拟平面,模拟虚拟平面的摄像位置,获取相应的外方位元素;根据外方位元素,确定虚拟平面上的像素点和点云中的点之间的映射关系,将颜色和地质语义投影至虚拟平面上相应的像素点,得到颜色图像和地质语义图像;计算颜色图像上每个像素点与邻域之间的颜色相似概率,计算地质语义图像上每个像素点与邻域之间的地质语义相似概率;对颜色相似概率和地质语义相似概率进行加权融合,计算得到融合相似概率,根据融合相似概率在虚拟平面上得到面片,聚类提取岩体结构面,将虚拟平面投影至点云得到隧洞结构面。
具体的,所述地质语义包括地质粗糙度和地质产状。
具体的,所述获取隧洞内表面的影像,包括:沿隧洞轴线方向,面向隧洞工作面,采集多线平行序列影像。
具体的,所述基于影像获取点云,包括:基于多线平行递进序列影像,利用运动恢复结构获取稀疏点云,利用三维多视角立体视觉算法获取密集点云。
具体的,所述模拟虚拟平面的摄像位置,包括:模拟的摄像位置正对于虚拟平面。
具体的,采用第一全卷积网络计算像素点与相邻格网单元之间的颜色相似概率,利用颜色图像上的像素点RGB颜色与地质语义图像上的像素点的对应关系,采用第二全卷积网络计算像素点与相邻格网单元之间的地质产状相似概率。
具体的,所述第二全卷积网络的损失函数如下:
Loss(Z2)=∑a1‖YLab (a1)-Y’Lab (a1)‖2+(k/S)‖a1-a1’‖2,
其中,Z2为地质产状相似概率,a1为像素点的平面位置,YLab (a1)表示像素点地质产状特征在LAB颜色空间的颜色表示,a1’表示像素点的实际平面位置,Y’Lab (a1)表示像素点地质产状特征在LAB颜色空间的实际颜色表示,k为控制超像素紧凑性的参数,S为超像素宽度。
具体的,所述根据融合相似概率的数值在虚拟平面上得到面片,包括:根据融合相似概率的数值计算得到产状与颜色相似的过分割面片;计算过分割面片的地质粗糙度均值,将均值小于标准值的作为结构面面片。
具体的,所述聚类提取岩体结构面,包括:将结构面面片作为点进行边连接,建立区域邻接图和最近邻域图,利用地质产状和颜色进行聚类提取岩体结构面。
本发明还提供一种隧洞结构面提取装置,包括:影像获取单元、点云获取单元、虚拟单元、投影单元、概率计算单元和结构面提取单元,其中:
所述影像获取单元,用于获取隧洞内表面的影像;
所述点云获取单元,用于基于影像获取点云,计算点云中的点的地质语义;
所述虚拟单元,用于建立对应于隧洞的拱顶、左壁和右壁的虚拟平面,模拟虚拟平面的摄像位置,获取相应的外方位元素;
所述投影单元,用于根据外方位元素,确定虚拟平面上的像素点和点云中的点之间的映射关系,将颜色和地质语义投影至虚拟平面上相应的像素点,得到颜色图像和地质语义图像;
所述概率计算单元,用于计算颜色图像上每个像素点与邻域之间的颜色相似概率,计算地质语义图像上每个像素点与邻域之间的地质语义相似概率;
所述结构面提取单元,用于对颜色相似概率和地质语义相似概率进行加权融合,计算得到融合相似概率,根据融合相似概率在虚拟平面上得到面片,聚类提取岩体结构面,将虚拟平面投影至点云得到隧洞结构面。
有益效果:与现有技术相比,本发明具有如下显著优点:克服了摄像位置和影像畸变等原因带来的误差,显著降低计算数据量,提高结构面提取的准确度。
附图说明
图1为本发明提供的隧洞结构面提取方法的流程示意图;
图2为本发明提供的多线平行序列影像的示意图;
图3为本发明提供的基于模拟摄像位置的投影隧洞虚拟平面几何位置关系示意图;
图4为本发明提供的坐标系转换关系示意图;
图5为本发明提供的投影至虚拟平面的颜色图像;
图6为本发明提供的投影至虚拟平面的地质语义图像;
图7为本发明提供的虚拟平面上分割面片的示意图;
图8为本发明提供的隧洞结构面提取结果示意图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
参阅图1,其为本发明提供的隧洞结构面提取方法的流程示意图。
步骤1,获取隧洞内表面的影像。
本发明实施例中,沿隧洞轴线方向,面向隧洞工作面,采集多线平行序列影像。
参阅图2,在具体实施中,由于隧洞内存在发生危险的风险,可以利用无人车搭载高分辨率数码相机,利用两个或多个数码相机,沿着隧洞轴线方向行驶拍摄,面向隧洞工作面,采集多线平行递进序列影像。
步骤2,基于影像获取点云,计算点云中的点的地质语义。
本发明实施例中,所述地质语义包括地质粗糙度和地质产状,地质产状包括地质点的走向、倾向及倾角。
本发明实施例中,基于多线平行递进序列影像,利用运动恢复结构(SfM,Structure from Motion)获取稀疏点云,利用三维多视角立体视觉算法(PMVS,the patch-based MVS algorithm)获取密集点云。
步骤3,建立对应于隧洞的内表面(拱顶、左壁和右壁)的虚拟平面,模拟虚拟平面的摄像位置,获取相应的外方位元素。
步骤4,根据外方位元素,确定虚拟平面上的像素点和点云中的点之间的映射关系,将颜色和地质语义投影至虚拟平面上相应的像素点,得到颜色图像和地质语义图像。
参阅图3,在具体实施中,由于摄像位置和影像畸变等原因,在影像上难以表现隧洞内表面岩体实际的远近关系和相互之间的位置关系,加大了基于影像而获得的点云与实际岩体结构面之间的误差。同时,点云是三维数据,计算量巨大,难以有效的、实时的和准确的提取得到岩体结构面结构。
因此,建立对应于隧洞内表面的虚拟平面,将颜色和地质语义投影至虚拟平面上进行后续的计算和处理,基于二维图像的计算可以显著降低计算数据量。
确定摄影光束在摄影瞬间的空间位置和姿态的参数,称为外方位元素,确定外方位元素,可以恢复影像与被摄物之间的相互关系,因此可以通过模拟虚拟平面的摄像位置,尽可能的排除摄像位置和影像畸变等原因带来的误差,确定隧洞岩体结构和虚拟平面之间的关系,像素点一一对应的将颜色和地质语义投影至虚拟平面上,得到颜色图像和地质语义图像。
本发明实施例中,模拟的摄像位置正对于虚拟平面。
在具体实施中,正对于虚拟平面,可以是模拟的摄像位置位于垂直于虚拟平面且过虚拟平面中心点的直线上,由此可以最大程度的排除摄像位置和影像畸变等原因带来的误差。
参阅图4至6,在具体实施中,对于隧洞点云,任一点P的物方三维坐标为(X,Y,Z);令隧洞密集点云中沿隧洞轴线方向为X轴,垂向上为Y轴,定义隧洞辅助坐标系O-XtunnelYtunnelZtunnel(右手系),可将点P的物方坐标按以下公式变换为隧洞辅助坐标(Xtunnel,Ytunnel,Ztunnel):
[Xtunnel,Ytunnel,Z_tunnel ]=R[X,Y,Z]+T,
其中,R和T分别为两坐标系坐标轴旋转矩阵和平移参数。
拱顶点云按下式投影至虚拟平面(ot-xtyt,顶拱虚拟平面坐标系);
[xt,zt]=[(Xmax-Xtunnel)/δ,(Ztunnel-Zmin)/δ)],Wt=D⁄δ;Ht=L⁄δ,
其中,隧洞内径D,隧洞高H,隧洞长度L,点云空间分辨率δ,Wt为隧洞拱顶虚拟平面的宽,Ht为隧洞拱顶虚拟平面的高,Xmax和 Zmin分别为点云坐标在相应坐标轴上的最大值和最小值。
在具体实施中,对于隧洞两侧壁,考虑其开挖形态不规则,为尽量避免投影时遮挡问题,在尽量避免遮挡视角的原则下构造虚拟平面,通过坐标旋转将隧洞侧壁(左壁、右壁)变换至与XOY平面平行,对应点云坐标为(X',Y',Z'),将隧洞侧壁点云拟合平面作为虚拟平面,并按下式投影至虚拟平面(ol-xlyl,左壁虚拟平面坐标系;or-xryr,右壁虚拟平面坐标系):
[xl,yl]=[(X’max-X’)/δ,(Y’-Y’min)/δ)],Wl=L⁄δ; Hl=H⁄δ,
其中,X’max和Y’min分别为点云坐标在相应坐标轴上的最大值和最小值,Wl为隧洞左壁虚拟平面的宽,Hl为隧洞左壁虚拟平面的高。
步骤5,计算颜色图像上每个像素点与邻域之间的颜色相似概率,计算地质语义图像上每个像素点与邻域之间的地质语义相似概率。
在具体实施中,相似概率指基于颜色或地质语义(地质产状),计算得到的像素点归属于邻域的概率。
本发明实施例中,采用第一全卷积网络计算像素点与相邻格网单元之间的颜色相似概率,利用颜色图像上的像素点RGB颜色与地质语义图像上的像素点的对应关系,采用第二全卷积网络计算像素点与相邻格网单元之间的地质产状相似概率。
在具体实施中,计算RGB颜色相似概率可以通过超像素计算。对于地质语义图像而言,地质产状特征需要通过颜色形式呈现,因此其中包含RGB颜色,地质语义图像属于一种广义的RGB颜色图像。
本发明实施例中,所述第二全卷积网络的损失函数如下:
Loss(Z2)=∑a1‖YLab (a1)-Y’Lab (a1)‖2+(k/S)‖a1-a1’‖2,
其中,Z2为地质产状相似概率,a1为像素点的平面位置,YLab (a1)表示像素点地质产状特征在LAB颜色空间的颜色表示,a1’表示像素点的实际平面位置,Y’Lab (a1)表示像素点地质产状特征在LAB颜色空间的实际颜色表示,k为控制超像素紧凑性的参数,S为超像素宽度,在计算相似概率时,通常考虑的是地质产状。
其中,Y’Lab (a1)=∑G1∈m0(oriG1×qG1(a1)),a1’=∑G1∈m0(posG1×qG1(a1))。
在具体实施中,∑a1:G1∈m0表示分配至格网单元G1的像素点,m0是虚拟平面像素点a1相邻格网单元的集合,a1相邻格网单元的概率和∑G1∈m0qG1(a1)=1,oriG1为地质结构面产状向量,posG1为产状位置向量,格网单元中心CenterG1 =(oriG1, posG1)T。
oriG1=(∑a:G1∈m0 YLab (a1)×qG1(a1))/∑a:G1∈m0 qG1(a1)=1;
posG1=(∑a:G1∈m0 a1×qG1(a1))/∑a:G1∈m0 qG1(a1)=1。
步骤6,参阅图7,对颜色相似概率和地质语义相似概率进行加权融合,计算得到融合相似概率,根据融合相似概率在虚拟平面上得到面片,聚类提取岩体结构面,将虚拟平面投影至点云得到隧洞结构面。
在具体实施中,根据计算得到的颜色相似概率Z1和地质产状相似概率Z2计算得到多模态特征融合的融合相似概率Zf,Zf=Z×W,Z=[Z1,Z2],W=[1,k]为权重系数,产状语义明显时,K>1,反之,增大颜色语义权重0≤K<1。
本发明实施例中,根据融合相似概率的数值计算得到产状与颜色相似的过分割面片;计算过分割面片的地质粗糙度均值,将均值小于粗糙度标准值的作为结构面面片。其中粗糙度标准值可以根据实际应用场景进行相应的设定。
本发明实施例中,将结构面面片作为点进行边连接,建立相似语义面片集合的区域邻接图(RAG,Region Adjacent Graph)和最近邻域图(NNG ,Nearest Neighbor Graph),利用地质产状和颜色进行聚类提取岩体结构面。
参阅图8,在具体实施中,将虚拟平面影像的结果投影至点云,得到分割区域结果,根据拟合的平面计算获得完整结构面的产状信息。
本发明还提供一种隧洞结构面提取装置,包括:影像获取单元、点云获取单元、虚拟单元、投影单元、概率计算单元和结构面提取单元,其中:
所述影像获取单元,用于获取隧洞内表面的影像;
所述点云获取单元,用于基于影像获取点云,计算点云中的点的地质语义;
所述虚拟单元,用于建立对应于隧洞的拱顶、左壁和右壁的虚拟平面,模拟虚拟平面的摄像位置,获取相应的外方位元素;
所述投影单元,用于根据外方位元素,确定虚拟平面上的像素点和点云中的点之间的映射关系,将颜色和地质语义投影至虚拟平面上相应的像素点,得到颜色图像和地质语义图像;
所述概率计算单元,用于计算颜色图像上每个像素点与邻域之间的颜色相似概率,计算地质语义图像上每个像素点与邻域之间的地质语义相似概率;
所述结构面提取单元,用于对颜色相似概率和地质语义相似概率进行加权融合,计算得到融合相似概率,根据融合相似概率在虚拟平面上得到面片,聚类提取岩体结构面,将虚拟平面投影至点云得到隧洞结构面。
本发明实施例中,所述地质语义包括地质粗糙度和地质产状。
本发明实施例中,所述影像获取单元,用于沿隧洞轴线方向,面向隧洞工作面,采集多线平行序列影像。
本发明实施例中,所述点云获取单元,用于基于多线平行递进序列影像,利用运动恢复结构获取稀疏点云,利用三维多视角立体视觉算法获取密集点云。
本发明实施例中,所述虚拟单元,用于模拟的摄像位置正对于虚拟平面。
本发明实施例中,所述概率计算单元,用于采用第一全卷积网络计算像素点与相邻格网单元之间的颜色相似概率,利用颜色图像上的像素点RGB颜色与地质语义图像上的像素点的对应关系,采用第二全卷积网络计算像素点与相邻格网单元之间的地质产状相似概率。
本发明实施例中,所述第二全卷积网络的损失函数如下:
Loss(Z2)=∑a1‖YLab (a1)-Y’Lab (a1)‖2+(k/S)‖a1-a1’‖2,
其中,Z2为地质产状相似概率,a1为像素点的平面位置,YLab (a1)表示像素点地质产状特征在LAB颜色空间的颜色表示,a1’表示像素点的实际平面位置,Y’Lab (a1)表示像素点地质产状特征在LAB颜色空间的实际颜色表示,k为控制超像素紧凑性的参数,S为超像素宽度。
本发明实施例中,所述结构面提取单元,用于根据融合相似概率的数值计算得到产状与颜色相似的过分割面片;计算过分割面片的地质粗糙度均值,将均值小于标准值的作为结构面面片。
本发明实施例中,所述结构面提取单元,用于将结构面面片作为点进行边连接,建立区域邻接图和最近邻域图,利用地质产状和颜色进行聚类提取岩体结构面。
Claims (6)
1.一种隧洞结构面提取方法,其特征在于,包括:
获取隧洞内表面的影像;
基于影像获取点云,计算点云中的点的地质语义;所述地质语义包括地质粗糙度和地质产状;
建立对应于隧洞内表面的拱顶、左壁和右壁的虚拟平面,模拟虚拟平面的摄像位置,获取相应的外方位元素;
根据外方位元素,确定虚拟平面上的像素点和点云中的点之间的映射关系,将颜色和地质语义投影至虚拟平面上相应的像素点,得到颜色图像和地质语义图像;
计算颜色图像上每个像素点与邻域之间的颜色相似概率,计算地质语义图像上每个像素点与邻域之间的地质语义相似概率;
对颜色相似概率和地质语义相似概率进行加权融合,计算得到融合相似概率,根据融合相似概率的数值计算得到产状与颜色相似的过分割面片,计算过分割面片的地质粗糙度均值,将均值小于标准值的作为结构面面片,将结构面面片作为点进行边连接,建立区域邻接图和最近邻域图,利用地质产状和颜色进行聚类提取岩体结构面,将虚拟平面投影至点云得到隧洞结构面。
2.根据权利要求1所述的隧洞结构面提取方法,其特征在于,所述获取隧洞内表面的影像,包括:
沿隧洞轴线方向,面向隧洞工作面,采集多线平行序列影像。
3.根据权利要求2所述的隧洞结构面提取方法,其特征在于,所述基于影像获取点云,包括:
基于多线平行序列影像,利用运动恢复结构获取稀疏点云,利用三维多视角立体视觉算法获取密集点云。
4.根据权利要求3所述的隧洞结构面提取方法,其特征在于,所述模拟虚拟平面的摄像位置,包括:
模拟的摄像位置正对于虚拟平面。
5.根据权利要求4所述的隧洞结构面提取方法,其特征在于,所述计算颜色图像上每个像素点与邻域之间的颜色相似概率,计算地质语义图像上每个像素点与邻域之间的地质语义相似概率,包括:
采用第一全卷积网络计算像素点与相邻格网单元之间的颜色相似概率,利用颜色图像上的像素点RGB颜色与地质语义图像上的像素点的对应关系,采用第二全卷积网络计算像素点与相邻格网单元之间的地质产状相似概率。
6.一种隧洞结构面提取装置,其特征在于,包括:影像获取单元、点云获取单元、虚拟单元、投影单元、概率计算单元和结构面提取单元,其中:
所述影像获取单元,用于获取隧洞内表面的影像;
所述点云获取单元,用于基于影像获取点云,计算点云中的点的地质语义;所述地质语义包括地质粗糙度和地质产状;
所述虚拟单元,用于建立对应于隧洞的拱顶、左壁和右壁的虚拟平面,模拟虚拟平面的摄像位置,获取相应的外方位元素;
所述投影单元,用于根据外方位元素,确定虚拟平面上的像素点和点云中的点之间的映射关系,将颜色和地质语义投影至虚拟平面上相应的像素点,得到颜色图像和地质语义图像;
所述概率计算单元,用于计算颜色图像上每个像素点与邻域之间的颜色相似概率,计算地质语义图像上每个像素点与邻域之间的地质语义相似概率;
所述结构面提取单元,用于对颜色相似概率和地质语义相似概率进行加权融合,计算得到融合相似概率,根据融合相似概率的数值计算得到产状与颜色相似的过分割面片,计算过分割面片的地质粗糙度均值,将均值小于标准值的作为结构面面片,将结构面面片作为点进行边连接,建立区域邻接图和最近邻域图,利用地质产状和颜色进行聚类提取岩体结构面,将虚拟平面投影至点云得到隧洞结构面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210136180.0A CN114170402B (zh) | 2022-02-15 | 2022-02-15 | 隧洞结构面提取方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210136180.0A CN114170402B (zh) | 2022-02-15 | 2022-02-15 | 隧洞结构面提取方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114170402A CN114170402A (zh) | 2022-03-11 |
CN114170402B true CN114170402B (zh) | 2022-05-10 |
Family
ID=80490013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210136180.0A Active CN114170402B (zh) | 2022-02-15 | 2022-02-15 | 隧洞结构面提取方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114170402B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114937123B (zh) * | 2022-07-19 | 2022-11-04 | 南京邮电大学 | 基于多源影像融合的建筑建模方法、装置 |
CN115017831B (zh) * | 2022-08-08 | 2022-11-04 | 南京邮电大学 | 基于绝对方位控制的隧洞影像建模方法、装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027016A (zh) * | 2019-11-08 | 2020-04-17 | 宁波大学 | 一种基于编网算法的岩体结构面优势产状聚类分析方法 |
CN112365543A (zh) * | 2021-01-11 | 2021-02-12 | 南京邮电大学 | 基于光学影像的地质结构面提取方法、装置 |
CN112529844A (zh) * | 2020-11-24 | 2021-03-19 | 成都理工大学 | 一种基于三维激光扫描的岩体结构面识别与信息提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113063397B (zh) * | 2021-03-25 | 2022-12-06 | 北京市勘察设计研究院有限公司 | 一种隧道洞壁节理结构面产状测量方法 |
-
2022
- 2022-02-15 CN CN202210136180.0A patent/CN114170402B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027016A (zh) * | 2019-11-08 | 2020-04-17 | 宁波大学 | 一种基于编网算法的岩体结构面优势产状聚类分析方法 |
CN112529844A (zh) * | 2020-11-24 | 2021-03-19 | 成都理工大学 | 一种基于三维激光扫描的岩体结构面识别与信息提取方法 |
CN112365543A (zh) * | 2021-01-11 | 2021-02-12 | 南京邮电大学 | 基于光学影像的地质结构面提取方法、装置 |
Non-Patent Citations (2)
Title |
---|
An MFF-SLIC Hybrid Superpixel Segmentation Method with Multi-Source RS Data for Rock Surface xtraction;Xuefeng Yi等;《applied science》;20190304;第1-25页 * |
多源数据多语义岩体结构面提取方法;张荣春等;《测绘通报》;20211130;第76-80,105页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114170402A (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112102458B (zh) | 基于激光雷达点云数据辅助的单镜头三维图像重构方法 | |
CN110264567B (zh) | 一种基于标记点的实时三维建模方法 | |
CN105374019B (zh) | 一种多深度图融合方法及装置 | |
CN114170402B (zh) | 隧洞结构面提取方法、装置 | |
CN107843251B (zh) | 移动机器人的位姿估计方法 | |
CN107833270A (zh) | 基于深度相机的实时物体三维重建方法 | |
CN112270698B (zh) | 基于最邻近曲面的非刚性几何配准方法 | |
CN111524195B (zh) | 一种掘进机截割头定位中的相机标定方法 | |
CN113192179A (zh) | 一种基于双目立体视觉的三维重建方法 | |
JP2023505891A (ja) | 環境のトポグラフィを測定するための方法 | |
CN114782628A (zh) | 基于深度相机的室内实时三维重建方法 | |
CN113947638A (zh) | 鱼眼相机影像正射纠正方法 | |
CN117197333A (zh) | 基于多目视觉的空间目标重构与位姿估计方法及*** | |
CN111047636B (zh) | 基于主动红外双目视觉的避障***和避障方法 | |
CN115222884A (zh) | 一种基于人工智能的空间对象分析及建模优化方法 | |
CN115222905A (zh) | 基于视觉特征的空地多机器人地图融合方法 | |
CN111402315A (zh) | 一种自适应调整双目摄像机基线的三维距离测量方法 | |
CN112767481B (zh) | 一种基于视觉边缘特征的高精度定位及建图方法 | |
CN111105467A (zh) | 一种图像标定方法、装置及电子设备 | |
WO2022110514A1 (zh) | 基于rgb-d图像和多相机***的图像插值方法及装置 | |
CN111260736B (zh) | 一种空间相机内参在轨实时标定方法 | |
CN112767459A (zh) | 基于2d-3d转换的无人机激光点云与序列影像配准方法 | |
CN114485574B (zh) | 基于卡尔曼滤波模型的三线阵影像pos辅助对地定位方法 | |
CN113850293B (zh) | 基于多源数据和方向先验联合优化的定位方法 | |
CN114935316A (zh) | 基于光学跟踪与单目视觉的标准深度图像生成方法 |
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 |