CN117147552A - 一种用于tbm隧洞的岩渣级配分析方法 - Google Patents
一种用于tbm隧洞的岩渣级配分析方法 Download PDFInfo
- Publication number
- CN117147552A CN117147552A CN202311418842.4A CN202311418842A CN117147552A CN 117147552 A CN117147552 A CN 117147552A CN 202311418842 A CN202311418842 A CN 202311418842A CN 117147552 A CN117147552 A CN 117147552A
- Authority
- CN
- China
- Prior art keywords
- rock slag
- rock
- slag
- image
- tbm
- 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.)
- Pending
Links
- 239000002893 slag Substances 0.000 title claims abstract description 78
- 239000011435 rock Substances 0.000 title claims abstract description 75
- 238000004458 analytical method Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 30
- 230000000694 effects Effects 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 10
- 239000003086 colorant Substances 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 230000001502 supplementing effect Effects 0.000 claims description 8
- 239000002689 soil Substances 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 4
- 230000005641 tunneling Effects 0.000 claims description 4
- 241001270131 Agaricus moelleri Species 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005498 polishing Methods 0.000 claims description 2
- 239000011800 void material Substances 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract description 7
- 238000012360 testing method Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012795 verification Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/141—Control of illumination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
-
- 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
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W30/00—Technologies for solid waste management
- Y02W30/50—Reuse, recycling or recovery technologies
- Y02W30/91—Use of waste materials as fillers for mortars or concrete
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Immunology (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及一种用于TBM隧洞的岩渣级配分析方法，属于土木工程技术领域，用于解决现有筛分析试验通常在室内进行且周期较长，无法及时为司机提供级配参数作为操作参考的问题，包括步骤S1，结合皮带特点开发了一套图像采集***，主要包括补光灯和高速摄像机，进行渣土信息采集，步骤S2，获取岩渣图像后进行图像分割，以提高识别效果，选用RGB色彩模式进行图像识别，将岩渣与皮带分离开，步骤S3，将岩渣形状等效为长方体，对岩渣形状进行合理简化，分析等效方法的应用效果；本发明与现有技术相比，通过对岩渣形状进行合理简化，验证TBM隧道岩渣级配方法合理有效，能够对TBM的施工过程提供指导。
Description
技术领域
本发明属于土木工程技术领域，具体涉及一种用于TBM隧洞的岩渣级配分析方法。
背景技术
近年来，随着隧道施工技术的蓬勃发展，TBM施工已成为我国山地隧道施工的主要施工方法，要获取岩渣的级配参数，传统方式是通过筛分析试验确定，即让岩渣通过不同孔径的标准筛，得出各粒径范围的岩渣重量，最后绘制级配特征曲线并求取相关参数；
由于筛分析试验通常在室内进行且周期较长，再加上岩渣从掌子面经皮带运送至洞外也需要很长时间，当掘进距离较长时甚至会达到半小时以上，该手段无法及时为司机提供级配参数作为操作参考，目前随着计算机领域的发展，图像识别技术包括人脸识别与商品识别已取得较大突破，并充分运用到安全检查、身份核验、移动支付、智能零售柜等领域，考虑到该技术工作效率高、空间占用 少等优点，尝试将图像识别技术运用于岩渣级配参数的获取。
针对上述的技术缺陷，现提出一种解决方案。
发明内容
本发明的目的在于提供一种用于TBM隧洞的岩渣级配分析方法，用于解决以上背景技术所提到的问题。
为实现上述目的，本发明提供如下技术方案：
一种用于TBM隧洞的岩渣级配分析方法，其特征在于，包括以下步骤：
步骤S1：结合皮带特点开发了一套图像采集***，包括补光灯和高速摄像机，进行渣土信息采集；
步骤S2：获取岩渣图像后进行图像分割，以提高识别效果，选用RGB色彩模式进行图像识别，将岩渣与皮带分离开；
步骤S3：将岩渣形状等效为长方体，对岩渣形状进行合理简化，分析等效方法的应用效果；
步骤S4：选取曲率系数、不均匀系数、最大粒径和粗糙度指数四个特征参数对岩渣进行描述，通过与实测渣土级配特征参数进行对比分析，验证岩渣级别识别效果。
进一步的，步骤S1中，图像采集***布置于后配套皮带上方50cm，距离掌子面60m处，包括补光灯与高速摄像机。
进一步的，步骤S1中，高速摄像机的拍摄范围为50×50cm，补光灯沿垂直方向进行打光，通过提升图像的整体亮度提高***的识别精度，在TBM稳定掘进阶段对皮带上的岩渣进行拍摄。
进一步的，步骤S2中，根据几何形状、彩色、灰度、空间纹理等特征把图像划分成若干个具有明显差异性的不相交区域，进而将图像主体与图像背景分开，RGB色彩模式通过对红、绿、蓝三个基色通道的变化以及它们相互之间的叠加得到所有颜色，并选用RGB色彩模式进行图像识别。
进一步的，步骤S2中，采用局部阈值分割方法，按照下式，将RGB图像二值化，
公式中，i和j为像素点的横纵坐标，和为二值化前后的灰度
值，灰度值0代表黑色，灰度值255代表白色，T为分割阈值。
进一步的，步骤S2中，通过二值化，分离了岩渣与空隙，并采用分水岭分割方法对已经分离出的岩渣区域进行二次分割。
进一步的，步骤S3中，首先获取岩渣的像素面积与岩渣区域内两像素单元最大
欧式距离，通过以下公式计算图中的像素长度，；
为了将实测长度与像素长度进行对比，按下式进行换算：
式中，l为图像的真实尺寸，为图像的像素尺寸，a和b分别为ap和bp的实际尺寸；
岩渣的二维尺寸获取后，将二维图像映射到三维图像，将渣片分别等效为长方体，对于等效长方体，长、宽分别取a和b，同时引入无量纲系数λ，定义为岩渣宽厚比。
进一步的，步骤S4中，通过对各围岩类别下的岩渣级配参数进行识别，得到的识别结果与实测结果的对比；
误差为正值时，代表识别结果低估了对应实测值，
误差为负值时，则代表识别结果高估了实测值。
与现有技术相比，本发明的有益效果是：
本发明在使用时，岩渣图像识别方法能够在一定程度上预测岩渣的级配情况，各工况下实测的级配曲线与识别结果基本一致，质量累积率绝对误差在 4%以内，该方法对不均匀系数的识别效果最优，相对误差小于 2.8%，其次是最大粒径，相对误差小于 6.8%，曲率系数和不均匀系数的最大相对误差分别为 17.1%和 14.3%。证明了TBM隧道岩渣级配方法合理有效，能够对TBM的施工过程提供一定的指导。
附图说明
为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明；
图1为本发明涉及的一种用于TBM隧洞的岩渣级配分析方法流程图。
图2为本发明涉及的图像识别***示意图；
图3为本发明涉及的图像分割后岩渣图像对比图；
图4为本发明涉及的岩渣形状二维简化图；
图5为本发明涉及的岩渣形状三维简化图；
图6为本发明涉及的识别结果与实测结果对比图；
图7为本发明涉及的识别结果与实测结果对比图；
图8为本发明涉及的识别结果与实测结果对比图；
图9为本发明涉及的识别结果与实测结果对比图；
图10为本发明涉及的识别结果与实测结果对比图。
附图标记：1、补光灯；2、高速摄像机。
具体实施方式
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，都属于本发明保护的范围。
实施例一
本发明一实施例提出的一种用于TBM隧洞的岩渣级配分析方法，包括步骤S1~S4。
步骤S1，结合皮带特点开发了一套图像采集***，主要包括补光灯1和高速摄像机2，进行渣土信息采集。
具体步骤为：
如图2所示，结合皮带特点开发的图像采集***。
图像采集***布置于后配套皮带上方 50 cm，距离掌子面约 60 m 处，包括补光灯1与高速摄像机2，摄像头拍摄范围为 50×50 cm，补光灯沿垂直方向进行打光，通过提升图像的整体亮度提高***的识别精度，在 TBM 稳定掘进阶段对皮带上的岩渣进行拍摄。
实施例二
步骤S2，获取岩渣图像后进行图像分割，以提高识别效果，选用RGB色彩模式进行图像识别，将岩渣（图像主体）与皮带（图像背景）分离开。
具体步骤为：
如图3所示，为图像经过分割后的岩渣识别图。
根据几何形状、彩色、灰度、空间纹理等特征把图像划分成若干个具有明显差异性的不相交区域，进而将图像主体与图像背景分开。RGB 色彩模式通过对三个基色（红、绿、蓝）通道的变化以及它们相互之间的叠加得到几乎人类视力所能感知的所有颜色，是运用最广的颜色***之一，鉴于其物理意义清晰，运用场景广泛，选用 RGB 色彩模式进行图像识别。
采用局部阈值分割方法，按照下式，将 RGB 图像二值化。
式中，i 和 j 为像素点的横纵坐标，和为二值化前后的灰度值，
灰度值 0 代表黑色，灰度值 255 代表白色，T为分割阈值。
通过二值化，分离了岩渣与空隙，但在应用过程中存在渣块间距离较近、甚至相互遮挡，使得在岩渣识别结果中会存在数量和尺寸偏大的渣块。因此，采用分水岭分割方法对已经分离出的岩渣区域进行二次分割。
实施例三
步骤S3，将岩渣形状等效为长方体，对岩渣形状进行合理简化，分析等效方法的应用效果。
具体步骤为：
如图4-图5所示，为进行形状简化后的岩渣等效形状图。
首先获取岩渣的像素面积与岩渣区域内两像素单元最大欧式距离，通过下式
计算图中的像素长度 ，。
为了将实测长度与像素长度进行对比，按下式进行换算：
式中，l为图像的真实尺寸，为图像的像素尺寸，a 和 b 分别为 ap和 bp 的实际
尺寸。
岩渣的二维尺寸获取后，将二维图像映射到三维图像，将渣片分别等效为长方体，对于等效长方体，长、宽分别取 a 和 b，同时引入无量纲系数λ，定义为岩渣宽厚比。
实施例四
步骤S4，选取曲率系数、不均匀系数、最大粒径和粗糙度指数四个特征参数对岩渣进行描述，通过与实测渣土级配特征参数进行对比分析，验证岩渣级别识别效果。
如图6所示，为不同围岩类别下渣土参数预测值与实测值的对比图。
具体步骤为：
通过对各围岩类别下的岩渣级配参数进行识别，得到的识别结果与实测结果的对比。误差为正值时代表识别结果低估了对应实测值，负值则代表识别结果高估了实测值。总体来看，岩渣图像识别方法可以在一定程度上预测岩渣的级配情况，各工况下实测的级配曲线与识别结果基本一致，质量累积率绝对误差在 4%以内。该方法对不均匀系数的识别效果最优，相对误差小于 2.8%，其次是最大粒径，相对误差小于 6.8%，曲率系数和不均匀系数的最大相对误差分别为 17.1%和 14.3%。证明了TBM隧道岩渣级配方法合理有效，能够对TBM的施工过程提供一定的指导。
以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (8)
1.一种用于TBM隧洞的岩渣级配分析方法，其特征在于，包括以下步骤：
步骤S1：结合皮带特点开发了一套图像采集***，包括补光灯（1）和高速摄像机（2），进行渣土信息采集；
步骤S2：获取岩渣图像后进行图像分割，以提高识别效果，选用RGB色彩模式进行图像识别，将岩渣与皮带分离开；
步骤S3：将岩渣形状等效为长方体，对岩渣形状进行合理简化，分析等效方法的应用效果；
步骤S4：选取曲率系数、不均匀系数、最大粒径和粗糙度指数四个特征参数对岩渣进行描述，通过与实测渣土级配特征参数进行对比分析，验证岩渣级别识别效果。
2.根据权利要求1所述的一种用于TBM隧洞的岩渣级配分析方法，其特征在于，步骤S1中，图像采集***布置于后配套皮带上方50cm，距离掌子面60m处，包括补光灯（1）与高速摄像机（2）。
3.根据权利要求1所述的一种用于TBM隧洞的岩渣级配分析方法，其特征在于，步骤S1中，高速摄像机（2）的拍摄范围为50×50cm，补光灯（1）沿垂直方向进行打光，通过提升图像的整体亮度提高***的识别精度，在TBM稳定掘进阶段对皮带上的岩渣进行拍摄。
4.根据权利要求1所述的一种用于TBM隧洞的岩渣级配分析方法，其特征在于，步骤S2中，根据几何形状、彩色、灰度、空间纹理等特征把图像划分成若干个具有明显差异性的不相交区域，进而将图像主体与图像背景分开，RGB色彩模式通过对红、绿、蓝三个基色通道的变化以及它们相互之间的叠加得到所有颜色，并选用RGB色彩模式进行图像识别。
5.根据权利要求1所述的一种用于TBM隧洞的岩渣级配分析方法，其特征在于，步骤S2中，采用局部阈值分割方法，按照下式，将RGB图像二值化，公式中，i和j为像素点的横纵坐标，/>和/>为二值化前后/>的灰度值，灰度值0代表黑色，灰度值255代表白色，T为分割阈值。
6.根据权利要求1所述的一种用于TBM隧洞的岩渣级配分析方法，其特征在于，步骤S2中，通过二值化，分离了岩渣与空隙，并采用分水岭分割方法对已经分离出的岩渣区域进行二次分割。
7.根据权利要求1所述的一种用于TBM隧洞的岩渣级配分析方法，其特征在于，步骤S3中，首先获取岩渣的像素面积与岩渣区域内两像素单元最大欧式距离/>，通过以下公式计算图中的像素长度/>，/>；
，/>为了将实测长度与像素长度进行对比，按下式进行换算：
，/>式中，l为图像的真实尺寸，/>为图像的像素尺寸，a和b分别为ap和bp的实际尺寸；
岩渣的二维尺寸获取后，将二维图像映射到三维图像，将渣片分别等效为长方体，对于等效长方体，长、宽分别取a和b，同时引入无量纲系数λ，定义为岩渣宽厚比。
8.根据权利要求1所述的一种用于TBM隧洞的岩渣级配分析方法，其特征在于，步骤S4中，通过对各围岩类别下的岩渣级配参数进行识别，得到的识别结果与实测结果的对比；
误差为正值时，代表识别结果低估了对应实测值，
误差为负值时，则代表识别结果高估了实测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311418842.4A CN117147552A (zh) | 2023-10-30 | 2023-10-30 | 一种用于tbm隧洞的岩渣级配分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311418842.4A CN117147552A (zh) | 2023-10-30 | 2023-10-30 | 一种用于tbm隧洞的岩渣级配分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117147552A true CN117147552A (zh) | 2023-12-01 |
Family
ID=88910473
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311418842.4A Pending CN117147552A (zh) | 2023-10-30 | 2023-10-30 | 一种用于tbm隧洞的岩渣级配分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117147552A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105160685A (zh) * | 2015-10-16 | 2015-12-16 | 南京大学（苏州）高新技术研究院 | 一种岩石孔隙和颗粒***的计算机数字图像识别方法 |
| CN105654482A (zh) * | 2015-12-29 | 2016-06-08 | 河海大学 | 基于数字图像技术的土石混合体表征单元体尺度的确定方法 |
| CN106934796A (zh) * | 2017-02-15 | 2017-07-07 | 山东大学 | 隧道掘进机搭载的高速皮带机岩渣视频分析***及方法 |
| CN108253938A (zh) * | 2017-12-29 | 2018-07-06 | 武汉大学 | Tbm破岩矿渣数字近景摄影测量识别及反演方法 |
| CN112127896A (zh) * | 2020-09-18 | 2020-12-25 | 武汉大学 | 一种tbm开挖岩渣信息自动采集与分析***及方法 |
| CN113685188A (zh) * | 2021-08-16 | 2021-11-23 | 中铁十八局集团有限公司 | 一种基于岩渣物理特征的tbm掘进优化方法 |
| US20220011204A1 (en) * | 2020-07-10 | 2022-01-13 | Wuhan University | Real-time measurement system and measurement method for mechanical parameters of rock slag during excavation |
| CN115422822A (zh) * | 2022-07-22 | 2022-12-02 | 北京交通大学 | 隧道岩体参数预测方法及装置 |
| CN116066121A (zh) * | 2023-02-20 | 2023-05-05 | 中铁工程装备集团有限公司 | 一种tbm掘进隧道围岩实时分级方法、盾构机 |
| CN116256808A (zh) * | 2023-05-10 | 2023-06-13 | 中山大学 | 一种正反演融合的区域重力场建模方法与*** |
-
2023
- 2023-10-30 CN CN202311418842.4A patent/CN117147552A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105160685A (zh) * | 2015-10-16 | 2015-12-16 | 南京大学（苏州）高新技术研究院 | 一种岩石孔隙和颗粒***的计算机数字图像识别方法 |
| CN105654482A (zh) * | 2015-12-29 | 2016-06-08 | 河海大学 | 基于数字图像技术的土石混合体表征单元体尺度的确定方法 |
| CN106934796A (zh) * | 2017-02-15 | 2017-07-07 | 山东大学 | 隧道掘进机搭载的高速皮带机岩渣视频分析***及方法 |
| CN108253938A (zh) * | 2017-12-29 | 2018-07-06 | 武汉大学 | Tbm破岩矿渣数字近景摄影测量识别及反演方法 |
| US20220011204A1 (en) * | 2020-07-10 | 2022-01-13 | Wuhan University | Real-time measurement system and measurement method for mechanical parameters of rock slag during excavation |
| CN112127896A (zh) * | 2020-09-18 | 2020-12-25 | 武汉大学 | 一种tbm开挖岩渣信息自动采集与分析***及方法 |
| CN113685188A (zh) * | 2021-08-16 | 2021-11-23 | 中铁十八局集团有限公司 | 一种基于岩渣物理特征的tbm掘进优化方法 |
| CN115422822A (zh) * | 2022-07-22 | 2022-12-02 | 北京交通大学 | 隧道岩体参数预测方法及装置 |
| CN116066121A (zh) * | 2023-02-20 | 2023-05-05 | 中铁工程装备集团有限公司 | 一种tbm掘进隧道围岩实时分级方法、盾构机 |
| CN116256808A (zh) * | 2023-05-10 | 2023-06-13 | 中山大学 | 一种正反演融合的区域重力场建模方法与*** |
Non-Patent Citations (3)
| Title |
|---|
| 倪文兵;: "基于静力学理论的地下水浮力研究", 重庆交通大学学报(自然科学版), no. 03 * |
| 王小庆;金先龙;杨志豪;: "基于ALE的大型输水隧道地震动响应并行数值分析", 工程力学, no. 03 * |
| 班力壬;戚承志;燕发源;刘源;朱淳;陶志刚;: "岩石节理粗糙度新指标及新的JRC确定方法", 煤炭学报, no. 04 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104655403B (zh) | 一种点阵光源发光均匀性测试方法 | |
| US20150228075A1 (en) | Biomarker Evaluation Through Image Analysis | |
| CN107314957B (zh) | 一种岩石块度尺寸分布的测量方法 | |
| US9652684B2 (en) | Image processing for classification and segmentation of rock samples | |
| CN110715622B (zh) | 一种电缆导体截面积测量方法 | |
| CN101770583B (zh) | 一种基于场景全局特征的模板匹配方法 | |
| CN113240735B (zh) | 一种边坡位移活动性监测方法 | |
| US20140294296A1 (en) | Spatially varying log-chromaticity normals for use in an image process | |
| Dan et al. | Application of deep learning-based image recognition technology to asphalt–aggregate mixtures: Methodology | |
| Li et al. | GIS-based detection of grain boundaries | |
| CN109141384A (zh) | 对地铁隧道完工后的检测前数据的采集和预处理方法 | |
| CN102521606A (zh) | 一种对jpeg图像的像素块分类方法及基于此的图像篡改检测和被篡改区域定位方法 | |
| CN109858310A (zh) | 车辆和交通标志检测方法 | |
| CN104754327A (zh) | 一种检测及消除高光谱图像坏点的方法 | |
| CN110852207A (zh) | 基于面向对象影像分类技术的蓝色屋顶建筑物提取方法 | |
| CN114882400A (zh) | 一种基于ai智能机器视觉技术的骨料检测分类方法 | |
| CN109063577B (zh) | 基于信息增益率的卫星影像分割最佳分割尺度确定方法 | |
| CN117147552A (zh) | 一种用于tbm隧洞的岩渣级配分析方法 | |
| CN111815625A (zh) | 基于深度学习的早期肺癌预测方法 | |
| CN111046783A (zh) | 一种改进分水岭算法的斜坡地质灾害边界提取方法 | |
| CN113129307A (zh) | 图像分割方法以及图像分割装置 | |
| JP2856298B2 (ja) | 原料鉱石の品質監視方法 | |
| CN112686105B (zh) | 一种基于视频图像多特征融合的雾浓度等级识别方法 | |
| CN114092462A (zh) | 基于语义分割和目标检测融合模型的复合缺陷检测方法 | |
| Uy et al. | Image processing for geotechnical laboratory measurements |
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 |