CN116386302A - 一种边坡智能监测预警*** - Google Patents
一种边坡智能监测预警*** Download PDFInfo
- Publication number
- CN116386302A CN116386302A CN202310384638.9A CN202310384638A CN116386302A CN 116386302 A CN116386302 A CN 116386302A CN 202310384638 A CN202310384638 A CN 202310384638A CN 116386302 A CN116386302 A CN 116386302A
- Authority
- CN
- China
- Prior art keywords
- early warning
- slope
- data
- side slope
- subsystem
- 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.)
- Withdrawn
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 38
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000013500 data storage Methods 0.000 claims abstract description 8
- 238000005516 engineering process Methods 0.000 claims abstract description 6
- 238000001514 detection method Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 239000002689 soil Substances 0.000 description 3
- 238000011176 pooling Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- 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
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Emergency Management (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种边坡智能监测预警***，包括边坡数据采集子***，用于获取边坡数据与边坡图像；数据处理子***，用于对边坡数据进行解调处理；边坡灾害分析子***，用于构建边坡预警模型，根据处理后的边坡数据以及所述边坡图像进行边坡灾害分析；数据存储库，用于对每次分析过程的边坡数据与边坡图像以及对应分析结果进行存储；预警设定子***，用于根据边坡灾害分析结果设定预警阈值；预警子***用于根据预警阈值进行黄色预警、橙色预警和红色预警不同等级的预警提示。本发明采用卷积神经网络、预测网络，根据数据与图像的相关性进行数据分析，较于传统的人为判断方法更具准确性，通过大数据技术进行数据存储与整理，保证数据提取的高效性。
Description
技术领域
本发明属于边坡灾害预警领域，特别是涉及一种边坡智能监测预警***。
背景技术
边坡的破坏形式主要有滑坡、崩塌、泥石流，导致滑坡的主要原因是边坡坡体受到了来自降雨、地表水以及地下水的双重影响，导致边坡内部结构稳定性受到损害，从而导致边坡出现下滑的问题，当前滑坡主要表现为整体式、推移式以及牵引式滑坡；边坡崩塌发生的主要原因包括土质塌陷、挖土放坡系数小导致塌方、地下水或软土层以及流砂引起、护壁或支撑不足而塌方。而无论何种边坡灾害，其产生的损害都是不可预估的，遇到强降雨，甚至会造成交通阻断，给人民群众带来生命和财产损失。
现有的边坡灾害预警技术往往根据历史数据，结合经验进行人为判断，该方式存在工作量大、较容易受恶劣天气条件影响、预测准确度较差等许多问题。
发明内容
本发明的目的是提供一种边坡智能监测预警***，以解决上述现有技术存在的问题。
为实现上述目的，本发明提供了一种边坡智能监测预警***，包括边坡数据采集子***、数据处理子***、边坡灾害分析子***、数据存储库、预警设定子***、预警子***；
所述边坡数据采集子***用于获取边坡数据与边坡图像；
所述数据处理子***用于对所述边坡数据进行解调处理；
所述边坡灾害分析子***用于构建边坡预警模型，根据处理后的边坡数据以及所述边坡图像进行边坡灾害分析；
所述数据存储库用于对每次分析过程的边坡数据与边坡图像以及对应分析结果进行存储；
所述预警设定子***用于根据边坡灾害分析结果设定预警阈值；
所述预警子***用于根据所述预警阈值进行黄色预警、橙色预警和红色预警不同等级的预警提示。
可选地，所述边坡数据采集子***包括布设在边坡表面以及内部的温度传感器、振动传感器、压力传感器以及摄像装置，所述边坡数据包括边坡表面以及边坡内部的振动信号、应力数据、应变数据、水分数据、温度数据以及地震波数据。
作为本申请的一种较佳实施方式，所述数据处理子***包括一个相位反射仪，通过所述相位反射仪对所述边坡数据进行相位解调，获取测量波形，将所述测量波形传输至所述边坡灾害分析子***。
可选地，所述边坡灾害分析子***分别对处理后的测试波形以及所述边坡图像构建训练集与测试集，采用卷积神经网络、连接网络、预测网络构建滑坡监测框架，基于CIoU-loss策略对所述边坡图像中包含图像特征的框架以及将图像特征作为目标的框架进行相似性衡量，并基于权重系数进行一致性衡量，构建所述边坡预警模型。
可选地，所述边坡灾害分析子***判断所述边坡图像上是否存在图像特征，若存在，则直接将所述边坡图像输入所述卷积神经网络进行训练，若不存在图像特征，则对所述边坡图像进行反向传播改变图像信息，获取修正图像，并对自身进行对抗式攻击实现对卷积神经网络的增强；增强后的卷积神经网络对所述修正图像进行目标检测，进行卷积神经网络训练。
可选地，所述边坡灾害分析子***将解调完成后的测量波形与包含图像特征的边坡图像输入所述边坡预警模型，通过训练完成后的卷积神经网络获取所述测量波形与对应位置图像特征的相关性，通过所述预测网络获取表征不同边坡灾害发生的特征参数，结合数据相关性、特征参数以及所述边坡图像进行预测，获取包含灾害发生概率的分析结果。
可选地，所述数据存储库采用微服务集群的架构方式进行服务拆分和部署，并采用大数据技术以及大数据算法进行历史数据、实时数据的存储、加工和计算，同时分别按照数据分析时间、分析结果对存储数据进行排序整理。
可选地，所述预警设置子***根据所述边坡预警模型的风险分析结果设置预警权重，根据所述预警权重对边坡数据中的振动信号、水分数据、应力数据设定预警阈值。
可选地，所述预警子***根据所述预警阈值进行不同形式的预警提示，包括信号灯提示、音频播报，所述预警子***的预警类型包括降雨预警、滑坡预警、崩塌预警、裂缝预警。
本发明的技术效果为：
本发明采用传感器进行数据采集，采用相位反射仪进行数据处理，采用卷积神经网络、预测网络，根据数据与图像的相关性进行数据分析，较于传统的人为判断方法更具准确性，通过大数据技术进行数据存储与整理，保证数据提取的高效性，最后根据分析结果进行动态与分级预警设置，在提高***效率的同时避免误报。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例中的边坡智能监测预警***结构示意图；
图2为本发明实施例中的边坡智能监测预警***监测类型示意图；
图3为本发明实施例中的边坡智能监测预警***工作原理示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
如图1-3所示，本实施例中提供一种边坡智能监测预警***，包括边坡数据采集子***、数据处理子***、边坡灾害分析子***、数据存储库、预警设定子***、预警子***；具体地：
边坡数据采集子***包括布设在边坡表面以及内部的温度传感器、振动传感器、压力传感器以及摄像装置，通过所述摄像装置对边坡进行实时拍摄，获取边坡图像；其中，边坡数据包括边坡表面以及边坡内部的振动信号、应力数据、应变数据、水分数据、温度数据以及地震波数据，分别通过上述传感器进行对应采集。
数据处理子***包括一个相位反射仪，通过所述相位反射仪对采集的边坡数据进行相位解调，获取测量波形，将测量波形传输至边坡灾害分析子***进行数据分析，实现边坡数据的预处理；
数据采集与处理过程结束后，边坡灾害分析子***分别对处理后的测试波形以及边坡图像构建训练集与测试集，并采用卷积神经网络、连接网络、预测网络构建滑坡监测框架，基于CIoU-loss策略对所述边坡图像中包含图像特征的框架以及将图像特征作为目标的框架进行相似性衡量，并基于权重系数进行一致性衡量，构建边坡预警模型，通过边坡预警模型，根据处理后的边坡数据以及边坡图像进行边坡灾害分析；
在所述的滑坡监测框架中，通过卷积神经网络将训练集中包含不同边坡特征的图像进行聚合，获取图像特征。通过连接网络对图像特征进行拼接，并且将卷积神经网络与预测网络相连接，连接网络通过金字塔网络结构实现，在对图像特征进行拼接的过程中，通过金字塔结构对任意尺寸的特征进行固定尺寸池化，对每个池化得到的特征进行拼接，获取固定长度的特征图像，将所述特征图像输入到预测网络中进行训练。最后通过预测网络对拼接完成图像特征进行检测、获取检测边界框和边坡灾害分类。
模型构建完成后，边坡灾害分析子***将解调完成后的测量波形与包含图像特征的边坡图像输入边坡预警模型，通过训练完成后的卷积神经网络获取所述测量波形与对应位置图像特征的相关性，通过所述预测网络获取表征不同边坡灾害发生的特征参数，结合数据相关性、特征参数以及所述边坡图像进行预测，获取包含灾害发生概率的分析结果。
作为本申请的一种较佳实施方式，数据存储库用于对每次分析过程的边坡数据与边坡图像以及对应分析结果进行存储；具体地，数据存储库采用微服务集群的架构方式进行服务拆分和部署，并采用大数据技术以及大数据算法进行历史数据、实时数据的存储、加工和计算，同时分别按照数据分析时间、分析结果对存储数据进行排序整理。
获取分析结果后，预警设置子***根据边坡预警模型的风险分析结果设置预警权重，根据所述预警权重对边坡数据中的振动信号、水分数据、应力数据设定预警阈值，根据预警阈值控制预警子***的预警时刻；
当边坡数据中的值达到所述预警阈值时，预警子***根据预警阈值进行不同形式的预警提示，包括信号灯提示、音频播报，并且预警类型包括降雨预警、滑坡预警、崩塌预警、裂缝预警，信号灯提示的方式包括黄色预警、橙色预警和红色预警，且由黄色至红色分别代表由低数值到高数值的预警阈值。
本领域内的技术人员应明白，本发明的实施例可提供为***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。
Claims (9)
1.一种边坡智能监测预警***，其特征在于，包括边坡数据采集子***、数据处理子***、边坡灾害分析子***、数据存储库、预警设定子***、预警子***；
所述边坡数据采集子***用于获取边坡数据与边坡图像；
所述数据处理子***用于对所述边坡数据进行解调处理；
所述边坡灾害分析子***用于构建边坡预警模型，根据处理后的边坡数据以及所述边坡图像进行边坡灾害分析；
所述数据存储库用于对每次分析过程的边坡数据与边坡图像以及对应分析结果进行存储；
所述预警设定子***用于根据边坡灾害分析结果设定预警阈值；
所述预警子***用于根据所述预警阈值进行黄色预警、橙色预警和红色预警不同等级的预警提示。
2.根据权利要求1所述的边坡智能监测预警***，其特征在于，所述边坡数据采集子***包括布设在边坡表面以及内部的温度传感器、振动传感器、压力传感器以及摄像装置，所述边坡数据包括边坡表面以及边坡内部的振动信号、应力数据、应变数据、水分数据、温度数据以及地震波数据。
3.根据权利要求1所述的边坡智能监测预警***，其特征在于，所述数据处理子***包括一个相位反射仪，通过所述相位反射仪对所述边坡数据进行相位解调，获取测量波形，将所述测量波形传输至所述边坡灾害分析子***。
4.根据权利要求1所述的边坡智能监测预警***，其特征在于，所述边坡灾害分析子***分别对处理后的测试波形以及所述边坡图像构建训练集与测试集，采用卷积神经网络、连接网络、预测网络构建滑坡监测框架，基于CIoU-loss策略对所述边坡图像中包含图像特征的框架以及将图像特征作为目标的框架进行相似性衡量，并基于权重系数进行一致性衡量，构建所述边坡预警模型。
5.根据权利要求1所述的边坡智能监测预警***，其特征在于，所述边坡灾害分析子***判断所述边坡图像上是否存在图像特征，若存在，则直接将所述边坡图像输入所述卷积神经网络进行训练，若不存在图像特征，则对所述边坡图像进行反向传播改变图像信息，获取修正图像，并对自身进行对抗式攻击实现对卷积神经网络的增强；增强后的卷积神经网络对所述修正图像进行目标检测，进行卷积神经网络训练。
6.根据权利要求1所述的边坡智能监测预警***，其特征在于，所述边坡灾害分析子***将解调完成后的测量波形与包含图像特征的边坡图像输入所述边坡预警模型，通过训练完成后的卷积神经网络获取所述测量波形与对应位置图像特征的相关性，通过所述预测网络获取表征不同边坡灾害发生的特征参数，结合数据相关性、特征参数以及所述边坡图像进行预测，获取包含灾害发生概率的分析结果。
7.根据权利要求1所述的边坡智能监测预警***，其特征在于，所述数据存储库采用微服务集群的架构方式进行服务拆分和部署，并采用大数据技术以及大数据算法进行历史数据、实时数据的存储、加工和计算，同时分别按照数据分析时间、分析结果对存储数据进行排序整理。
8.根据权利要求1所述的边坡智能监测预警***，其特征在于，所述预警设置子***根据所述边坡预警模型的风险分析结果设置预警权重，根据所述预警权重对边坡数据中的振动信号、水分数据、应力数据设定预警阈值。
9.根据权利要求1所述的边坡智能监测预警***，其特征在于，所述预警子***根据所述预警阈值进行不同形式的预警提示，包括信号灯提示、音频播报，所述预警子***的预警类型包括降雨预警、滑坡预警、崩塌预警、裂缝预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310384638.9A CN116386302A (zh) | 2023-04-12 | 2023-04-12 | 一种边坡智能监测预警*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310384638.9A CN116386302A (zh) | 2023-04-12 | 2023-04-12 | 一种边坡智能监测预警*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116386302A true CN116386302A (zh) | 2023-07-04 |
Family
ID=86965397
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310384638.9A Withdrawn CN116386302A (zh) | 2023-04-12 | 2023-04-12 | 一种边坡智能监测预警*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116386302A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117144942A (zh) * | 2023-08-30 | 2023-12-01 | 广东交通职业技术学院 | 边坡工程加固状态感知防护监测方法及*** |
-
2023
- 2023-04-12 CN CN202310384638.9A patent/CN116386302A/zh not_active Withdrawn
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117144942A (zh) * | 2023-08-30 | 2023-12-01 | 广东交通职业技术学院 | 边坡工程加固状态感知防护监测方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11562224B2 (en) | 1D-CNN-based distributed optical fiber sensing signal feature learning and classification method | |
| CN113256562B (zh) | 基于雷达图像和人工智能的道路地下隐患检测方法和*** | |
| CN108416985B (zh) | 一种基于图像识别的地质灾害监测预警***及预警方法 | |
| CN110751073A (zh) | 基于分布式光纤传感和深度学习的管道早期损伤模式识别方法 | |
| CN114548278A (zh) | 基于深度学习的在役隧道衬砌结构缺陷识别方法及*** | |
| CN108280902A (zh) | 车载监控设备的文件处理方法及装置、车载监控设备 | |
| CN103234121A (zh) | 基于音波信号的输气管道泄漏检测装置及检测方法 | |
| CN116386302A (zh) | 一种边坡智能监测预警*** | |
| CN115390033A (zh) | 基于探地雷达路面下空洞及水损检测方法、***及装置 | |
| CN113566894A (zh) | 基于物联网的地质灾害监测方法、***、终端及介质 | |
| CN115014617B (zh) | 一种基于地基雷达的斜拉桥拉索索力同步监测方法 | |
| CN111881566B (zh) | 基于实景仿真的滑坡位移检测方法及装置 | |
| CN114067103A (zh) | 一种基于YOLOv3的管道第三方破坏智能识别方法 | |
| US11906678B2 (en) | Seismic observation device, seismic observation method, and recording medium on which seismic observation program is recorded | |
| CN116026449B (zh) | 一种基于单芯光纤传感的振动定位监测*** | |
| CN116682045A (zh) | 一种基于智能视频分析的游梁式抽油机故障检测方法 | |
| CN113610957B (zh) | 一种基于bim的排水管道三维缺陷信息自动化管理方法 | |
| CN116028660A (zh) | 一种基于权重值的图像数据筛选方法、***及介质 | |
| CN114354744A (zh) | 一种电力电缆防外破监测方法、***及装置 | |
| CN117312828B (zh) | 公共设施监控方法和*** | |
| CN116910489B (zh) | 基于人工智能的墙体防渗检测方法及相关装置 | |
| CN112908356B (zh) | 一种基于bse和gmm-hmm的埋地排水管道声纹识别方法 | |
| Peng et al. | Structural damage detection, localization, and quantification via UAV‐based 3D imaging | |
| CN116295539B (zh) | 基于城市地下空间勘探数据的地下空间监测方法 | |
| CN118171918B (zh) | 一种基于多源数据的空天地滑坡监测方法和*** |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230704 |
|
| WW01 | Invention patent application withdrawn after publication |