[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN111724380B - 一种基于elo算法的岩土结构质量评测方法 - Google Patents

一种基于elo算法的岩土结构质量评测方法 Download PDF

Info

Publication number
CN111724380B
CN111724380B CN202010587640.2A CN202010587640A CN111724380B CN 111724380 B CN111724380 B CN 111724380B CN 202010587640 A CN202010587640 A CN 202010587640A CN 111724380 B CN111724380 B CN 111724380B
Authority
CN
China
Prior art keywords
rock
soil
geotechnical
value
data
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
Application number
CN202010587640.2A
Other languages
English (en)
Other versions
CN111724380A (zh
Inventor
唐福来
李意
赵雅玲
乔晓锋
余青山
胡磊
谢小辉
邱晓艳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Hanyuan Construction Engineering Quality Detection Co ltd
Guangdong No 2 Hydropower Engineering Co Ltd
Original Assignee
Guangzhou Hanyuan Construction Engineering Quality Detection Co ltd
Guangdong No 2 Hydropower Engineering Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Hanyuan Construction Engineering Quality Detection Co ltd, Guangdong No 2 Hydropower Engineering Co Ltd filed Critical Guangzhou Hanyuan Construction Engineering Quality Detection Co ltd
Priority to CN202010587640.2A priority Critical patent/CN111724380B/zh
Publication of CN111724380A publication Critical patent/CN111724380A/zh
Application granted granted Critical
Publication of CN111724380B publication Critical patent/CN111724380B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0004Industrial image inspection
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24Earth materials
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/70Denoising; Smoothing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/11Region-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/136Segmentation; Edge detection involving thresholding
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30108Industrial image inspection
    • G06T2207/30132Masonry; Concrete
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30181Earth observation
    • G06T2207/30184Infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Remote Sensing (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Geology (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Quality & Reliability (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

一种基于ELO算法的岩土结构质量评测方法,包括:提取岩土数据集X={x1,x2,K,xn}包含n个数据点,其中,每个岩土数据点xi的维数为p,即xi={xi1,xi2Kxip}T;根据岩土数据点的密度,选取数据点,当C个中心点被选中后,将C个中心点的岩土数据集,输入到ELO算法模块,获得岩土结构质量值。本发明采用ELO算法应用到岩土质量判断领域,能够实现岩土质量的准确判断,且本申请的ELO算法引入调节补充值,能够实现岩土数据的准确判断,克服了原ELO算法的不能够调整的缺陷,本申请的岩土评测方法显著的提高岩土评判效率,在准确度方面大大增强,增强用户体验。

Description

一种基于ELO算法的岩土结构质量评测方法
技术领域
本发明涉及岩土数据处理技术领域,具体地涉及一种基于ELO算法的岩土结构质量评测方法。
背景技术
岩土质量评测首先是进行岩土勘察,在快速的发展过程中,不论是在体制还是在勘察方法、计算机辅助软件、勘察报告编制等各方面工作都有了长足的进步,并且还在在不断优化中。岩土工程勘察工作研究的主要对象是地基和基础以及地下工程的关系。由于地基土是因地而异的,在接受一项岩土工程勘察任务时,必须明确该工程的主要技术矛盾是什么,需要解决哪些主要技术间题。在对设计意图和设计要求以及建筑物荷载情况了如指掌的情况下,在岩土工程勘察实施过程中,根据工程的具体情况,就基础及地下工程的设计、施工过程中可能遇到的问题,给以充分的论证和分析,最终提出经济合理、技术可行的解决方案。只有这样,岩土工程勘察才能提高勘察成果质量,才能有较大的市场。
岩土工程地质勘察的主要目的是弄清楚工程现场的地质情况并为其设计、施工提供地质勘察成果及各项岩土的工程参数,其勘察报告的质量对工程的安全和造价起到举足轻重的作用。工程勘察成果的质量好坏将直接影响工程项目的施工安全性和工程造价的高低。基础地质中岩土参数的科学提供不仅关系到基础设计的安全性、经济性,还包括工程施工的可行性论证。岩土工程勘察工作包括工程的现场钻探、原状土取样、室内试验和现场进行原位测试等方面,必须重视工程勘察的每一个环节都严格按照国家有关规范执行,同时结合当地工程的施工经验,保证勘察结果的准确可靠性。高质量的岩土工程勘察报告在满足国家相应规范的基础上,不仅能真实、客观地反映勘察场地的地形、地貌、地层、地质构造、地下水、岩土性质和不良地质作用等问题,更重要的是应该进行正确合理的岩土工程分析评价,提供合理可信的岩土工程参数和建议。
但是现有的岩土结构质量评测只是采集岩土相关数据,而没有进一步的处理,或者现有的岩土结构质量只是采用图像或传感器等方式采集单一的数据,而没有对岩土结构数据进行综合分析评价,这种方式容易导致岩土结构质量评测不准确,效率低,如何快速对岩土结构质量进行评测,提高评测准确率成为现在的迫切需求。
发明内容
为解决上述技术问题,本发明提供一种基于ELO算法的岩土结构质量评测方法,根据岩土数据集采用ELO算法进行质量评测,本发明的评测方法能够快速对岩土结构质量进行评测,提高评测准确率,在速度和准确度方面大大增强,增强用户体验。本发明具体是这样实现的:
一种基于ELO算法的岩土结构质量评测方法,包括提取岩土数据集X={x1,x2,K,xn},包含n个数据点,其中,每个岩土数据点xi的维数为p,即xi={xi1,xi2Kxip}T;其中,xi1表示该岩土数据点的密度、xi2表示该岩土数据点的图像灰度值、xi3表示该岩土数据点的湿度、xi4表示该岩土数据点的RGB图像中的R值、xi5表示该岩土数据点的RGB图像中的G值、xi6表示该岩土数据点的RGB图像中的B值、xi7表示该岩土数据点的岩土的粒径、xi8表示该岩土数据点的岩土的自由膨胀率,选择岩土密度最大的岩土数据点作为中心c1
Figure GDA0002843296580000021
其中,m为岩土数据点;然后,选择与c1相距大于L,密度第二大的点为第二个中心点c2
Figure GDA0002843296580000022
其中,gj=d(c1,mj)·ρj,其中,gj为中间变量,ρj为岩土的密度,而d(c1,mj)是中心c1与待选择的岩土数据点mj的距离,选择与已选的所有初始化中心距离大于L且密度第三大的待选数据点为第三个中心点c3
Figure GDA0002843296580000023
其中,
Figure GDA0002843296580000024
Figure GDA0002843296580000025
为待选岩土数据点与所有选中的初始化中心的最小距离其中,rj为中间变量;当已经选择了t个初始化中心点时,第t+1个中心点ct+1
Figure GDA0002843296580000026
其中,
Figure GDA0002843296580000031
其中,qj为中间变量;当C个中心点被选中后,将C个中心点的岩土数据集,输入到ELO算法模块,获得岩土结构质量值。
优选地,所述输入到ELO算法模块获得岩土结构质量值如下表示Rn=Rn-1KΦ(αRn-1+β)+δ;
Rn和Rn-1分别代表第n次计算、第n-1次计算时岩土结构质量值,Φ(x)为标准正态分布的累积分布函数,
Figure GDA0002843296580000032
K为放大系数,yt1、yt2分别岩土数据集的第t1、t2时刻的方差,δ为调节补充值,σ为方差。
优选地,所述岩土数据点的灰度值为根据最大类间方差法OSTU进行岩土图像灰度阈值选取。
优选地,所述灰度值获取步骤包括采用最大值方法对岩土图像进行灰度化,将彩色图像中的三分量亮度的最大值作为灰度图的灰度值:
f(i,j)=max(R(i,j),G(i,j),B(i,j))
其中,f(i,j)为转换后的岩土灰度图像在第i个时间点第j个特征参数的灰度值。
优选地,所述岩土灰度值获取前还包括预处理对岩土图像信息的滤波去噪,特征提取;以及对图像像素、方位信息的确定。
优选地,所述岩土数据集还包括:岩土图像中数据点HSV图像的H、S、V值。
与现有技术相比,本发明的技术方案具有以下有益效果:
解决了传统岩土评测技术中速度慢,准确度低导致岩土的判断不准确的问题;本发明的判断方法,采用ELO算法应用到岩土质量判断领域,能够实现岩土质量的准确判断,且本申请的ELO算法引入调节补充值,能够实现岩土数据的准确判断,克服了原ELO算法的不能够调整的缺陷,本申请的岩土评测方法显著的提高岩土评判效率,在准确度方面大大增强,增强用户体验。
附图说明
图1是本发明岩土评测系统图;
具体实施方式
本领域技术人员理解,如背景技术所言,传统岩土评测技术中速度慢,准确度低导致岩土的判断不准确的问题,用户体验较差,因此,需要设计一款能够显著的提高岩土评判效率,在准确度方面大大增强的岩土评测方法。为使本发明的上述目的、特征和有益效果能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
图1示出了本申请的岩土评测系统图,一种基于ELO算法的岩土结构质量评测方法,包括提取岩土数据集X={x1,x2,K,xn},包含n个数据点,其中,每个岩土数据点xi的维数为p,即xi={xi1,xi2Kxip}T;其中,xi1表示该岩土数据点的密度、xi2表示该岩土数据点的图像灰度值、xi3表示该岩土数据点的湿度、xi4表示该岩土数据点的RGB图像中的R值、xi5表示该岩土数据点的RGB图像中的G值、xi6表示该岩土数据点的RGB图像中的B值、xi7表示该岩土数据点的岩土的粒径、xi8表示该岩土数据点的岩土的自由膨胀率,选择岩土密度最大的岩土数据点作为中心c1
Figure GDA0002843296580000041
其中,m为岩土数据点;然后,选择与c1相距大于L,密度第二大的点为第二个中心点c2
Figure GDA0002843296580000042
其中,gj=d(c1,mj)·ρj,其中,gj为中间变量,ρj为岩土的密度,而d(c1,mj)是中心c1与待选择的岩土数据点mj的距离,选择与已选的所有初始化中心距离大于L且密度第三大的待选数据点为第三个中心点c3
Figure GDA0002843296580000043
其中,
Figure GDA0002843296580000044
Figure GDA0002843296580000045
为待选岩土数据点与所有选中的初始化中心的最小距离其中,rj为中间变量;当已经选择了t个初始化中心点时,第t+1个中心点ct+1
Figure GDA0002843296580000046
其中,
Figure GDA0002843296580000047
其中,qj为中间变量;当C个中心点被选中后,将C个中心点的岩土数据集,输入到ELO算法模块,获得岩土结构质量值。
在一些实施例中,所述输入到ELO算法模块获得岩土结构质量值如下表示Rn=Rn- 1KΦ(αRn-1+β)+δ;
Rn和Rn-1分别代表第n次计算、第n-1次计算时岩土结构质量值,Φ(x)为标准正态分布的累积分布函数,
Figure GDA0002843296580000051
K为放大系数,yt1、yt2分别岩土数据集的第t1、t2时刻的方差,δ为调节补充值,σ为方差。
在一些实施例中,所述岩土数据点的灰度值为根据最大类间方差法OSTU进行岩土图像灰度阈值选取。
在一些实施例中,所述灰度值获取步骤包括采用最大值方法对岩土图像进行灰度化,将彩色图像中的三分量亮度的最大值作为灰度图的灰度值:
f(i,j)=max(R(i,j),G(i,j),B(i,j))
其中f(i,j)为转换后的岩土灰度图像在第i个时间点第j个特征参数的灰度值。
在一些实施例中,所述岩土灰度值获取前还包括预处理对岩土图像信息的滤波去噪,特征提取;以及对图像像素、方位信息的确定。
在一些实施例中,所述岩土数据集还包括:岩土图像中数据点HSV图像的H、S、V值。
本发明的解决了传统岩土评测技术中速度慢,准确度低导致岩土的判断不准确的问题;本发明的判断方法,采用ELO算法应用到岩土质量判断领域,能够实现岩土质量的准确判断,且本申请的ELO算法引入调节补充值,能够实现岩土数据的准确判断,克服了原ELO算法的不能够调整的缺陷,本申请的岩土评测方法显著的提高岩土评判效率,在准确度方面大大增强,增强用户体验。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (6)

1.一种基于ELO算法的岩土结构质量评测方法,其特征在于,包括提取岩土数据集X={x1,x2,…… ,xn},包含n个数据点,其中,每个岩土数据点xi的维数为p,即xi={xi1,xi2,…… , xip}T;其中,xi1表示该岩土数据点的密度、xi2表示该岩土数据点的图像灰度值、xi3表示该岩土数据点的湿度、xi4表示该岩土数据点的RGB图像中的R值、xi5表示该岩土数据点的RGB图像中的G值、xi6表示该岩土数据点的RGB图像中的B值、xi7表示该岩土数据点的岩土的粒径、xi8表示该岩土数据点的岩土的自由膨胀率,选择岩土密度最大的岩土数据点作为中心c1
Figure FDA0002843296570000011
其中,m为岩土数据点;然后,选择与c1相距大于L,密度第二大的点为第二个中心点c2
Figure FDA0002843296570000012
其中,gj=d(c1,mj)·ρj,其中,gj为中间变量,ρj为岩土的密度,而d(c1,mj)是中心c1与待选择的岩土数据点mj的距离,选择与已选的所有初始化中心距离大于L且密度第三大的待选数据点为第三个中心点c3
Figure FDA0002843296570000013
其中,
Figure FDA0002843296570000014
Figure FDA0002843296570000015
为待选岩土数据点与所有选中的初始化中心的最小距离,其中,rj为中间变量;当已经选择了t个初始化中心点时,第t+1个中心点ct+1
Figure FDA0002843296570000016
其中,
Figure FDA0002843296570000017
其中,qj为中间变量;当C个中心点被选中后,将C个中心点的岩土数据集,输入到ELO算法模块,获得岩土结构质量值。
2.根据权利要求1所述的一种基于ELO算法的岩土结构质量评测方法,其特征在于,所述输入到ELO算法模块获得岩土结构质量值如下表示Rn=Rn-1KΦ(αRn-1+β)+δ;
Rn和Rn-1分别代表第n次计算、第n-1次计算时岩土结构质量值,Φ(x)为标准正态分布的累积分布函数,
Figure FDA0002843296570000018
K为放大系数,yt1、yt2分别岩土数据集的第t1、t2时刻的方差,δ为调节补充值,σ为方差。
3.根据权利要求1所述的一种基于ELO算法的岩土结构质量评测方法,其特征在于,所述岩土数据点的灰度值为根据最大类间方差法OSTU进行岩土图像灰度阈值选取。
4.根据权利要求1所述的一种基于ELO算法的岩土结构质量评测方法,其特征在于,所述灰度值获取步骤包括采用最大值方法对岩土图像进行灰度化,将彩色图像中的三分量亮度的最大值作为灰度图的灰度值:
f(i,j)=max(R(i,j),G(i,j),B(i,j))
其中,f(i,j)为转换后的岩土灰度图像在第i个时间点第j个特征参数的灰度值。
5.根据权利要求1所述的一种基于ELO算法的岩土结构质量评测方法,其特征在于,所述岩土灰度值获取前还包括预处理对岩土图像信息的滤波去噪,特征提取;以及对图像像素、方位信息的确定。
6.根据权利要求1所述的一种基于ELO算法的岩土结构质量评测方法,其特征在于,所述岩土数据集还包括:岩土图像中数据点HSV图像的H、S、V值。
CN202010587640.2A 2020-06-24 2020-06-24 一种基于elo算法的岩土结构质量评测方法 Active CN111724380B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010587640.2A CN111724380B (zh) 2020-06-24 2020-06-24 一种基于elo算法的岩土结构质量评测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010587640.2A CN111724380B (zh) 2020-06-24 2020-06-24 一种基于elo算法的岩土结构质量评测方法

Publications (2)

Publication Number Publication Date
CN111724380A CN111724380A (zh) 2020-09-29
CN111724380B true CN111724380B (zh) 2021-03-12

Family

ID=72568736

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010587640.2A Active CN111724380B (zh) 2020-06-24 2020-06-24 一种基于elo算法的岩土结构质量评测方法

Country Status (1)

Country Link
CN (1) CN111724380B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110543854A (zh) * 2019-09-05 2019-12-06 广东水电二局股份有限公司 一种基于图像处理的岩土结构检测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103871062B (zh) * 2014-03-18 2015-12-30 北京控制工程研究所 一种基于超像素描述的月面岩石检测方法
JP2016063312A (ja) * 2014-09-16 2016-04-25 株式会社東芝 固体撮像装置
CN110487789B (zh) * 2019-08-12 2020-03-17 中国矿业大学(北京) 基于磨片装置的岩石细观结构三维重建系统及方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110543854A (zh) * 2019-09-05 2019-12-06 广东水电二局股份有限公司 一种基于图像处理的岩土结构检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Radarsat-1 image processing for regional-scale geological mapping with mining vocation under dense vegetation and equatorial climate environment, Southwestern Cameroon;Salomon Cesar Nguemhe Fils 等;《EGYPTIAN JOURNAL OF REMOTE SENSING AND SPACE SCIENCES》;20180731;第S43-S54页 *
分析岩土工程技术中岩土勘察工作的发展趋势;胡磊;《世界有色金属》;20171130;第296,298页 *

Also Published As

Publication number Publication date
CN111724380A (zh) 2020-09-29

Similar Documents

Publication Publication Date Title
CN107621626B (zh) 基于深度卷积神经网络的雷达信号铁路路基病害检测方法
Liu et al. The effect of LiDAR data density on DEM accuracy
CN111932591B (zh) 典型地质灾害遥感智能提取的方法与系统
US20150009215A1 (en) Generating a 3d image for geological modeling
CN108363110A (zh) 成像测井计算页岩储层矿物含量及脆性指数的谱分析方法
Zhang et al. Deep learning‐based automatic detection of muck types for earth pressure balance shield tunneling in soft ground
CN113553780A (zh) 一种基于机器学习的地层孔隙压力预测方法
CN105093293A (zh) 低频补偿提高洞穴型碳酸盐岩储层地震量化预测的方法
Li et al. Logging identification for diagenetic facies of tight sandstone reservoirs: A case study in the Lower Jurassic Ahe Formation, Kuqa Depression of Tarim Basin
CN113536659B (zh) 一种震后道路受灾区域快速预测方法、系统及存储介质
CN114841927A (zh) 一种页岩储层裂缝识别方法、装置、设备及存储介质
CN116256803B (zh) 一种融合开采信息与地质信息的煤矿微震区域定位方法
TW201907367A (zh) 井下岩層特徵立體成像的系統及方法
Liu et al. Automatic identification of rock formation interface based on borehole imaging
CN111724380B (zh) 一种基于elo算法的岩土结构质量评测方法
CN110118994B (zh) 一种基于地震反演和机器学习的陆相烃源岩定量预测方法
CN111881201A (zh) 一种地质矿产勘查提取数据的方法
CN117409327A (zh) 一种露天矿山的动态量化遥感监测方法
US20240069242A1 (en) Method system for shale lithofacies identification and prediction
CN113534283B (zh) 一种砂岩型铀矿成矿要素特征的定量评价方法
CN114973067A (zh) 一种基于深度多任务学习的土压平衡盾构渣土信息提取方法
CN114972906A (zh) 一种土压平衡盾构开挖面土质类型识别方法
CN109577946B (zh) 一种利用测井数据识别鲕粒滩类型的方法
CN101008673B (zh) 二次测风雷达接收控制、数据处理方法
CN117211758B (zh) 用于浅孔取芯的智能钻进控制系统及方法

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