基于模拟法矿区贯通误差预计的可视化研究

矿山测量中的贯通误差预计工作,是利用最小二乘准则与误差传播律进行误差最大限度估算,常绘制二维平面图对贯通误差的累积过程进行表达。为探讨矿区贯通误差预计工作的新方式,尝试在模拟法贯通误差预计的基础上,通过Web三维引擎进行贯通误差预计图的三维可视化表达。利用3D绘图协议WebGL、JavaScript以及HTML设计建模,综合实现设计坐标的随机值模拟、点位与相对误差椭圆生成、三维巷道及设计导线生成等工作,同时利用three.js库将设计信息融合进而实现人机交互。在三交一号矿井贯通工程中,针对此模型进行了可行性分析并结合Spring框架开发应用系统,结果表明:目标贯通处的误差预计大小为99.8 mm,满足贯通允许偏差,且符合并能反映出误差累积的规律和大小,通过进一步的场景渲染与系统的前后端设计,可为矿区贯通误差预计工作的开展提供Web三维服务。

YOLOv7在探地雷达B-Scan图像解译中的应用

探地雷达技术已被广泛应用于隧道衬砌病害检测方面,针对探地雷达B-Scan图像解译,近年来涌现出了许多深度学习算法,但YOLOv7算法在该领域尚未被应用。本文首先通过FDTD正演模拟了隧道衬砌的空洞和渗漏水病害,并实地采集隧道内12条测线数据分析其病害分布情况,以此构成隧道衬砌病害数据集;然后基于YOLOv7算法,利用两类病害的不同图像特征,实现对隧道衬砌病害的自动解译。研究结果表明,利用YOLOv7目标检测算法,对整体病害的识别准确率、召回率分别达到97.87%、90.61%。当IoU取0.5时,对空洞病害和渗漏水病害的识别准确率分别为97.2%和96.4%;最后随机选取100张图像进行测试,测试结果的准确率达94%。最终的试验识别结果能很好地应用在生产项目中。

改进U-Net模型的无人机影像在建道路分类

针对无人机影像背景复杂,城市在建道路分类易被相似目标、建设设施等信息干扰的问题,提出了基于改进U-Net模型的无人机影像在建道路提取模型。为获取更深层次的边界细节信息,采用Res2net结构分阶替换原有U-Net网络的卷积层,提高网络下采样深度;增加CBAM双注意力机制模块引于各分块特征信息之后,对空间和通道进行重新校准,强调道路特征,校正模型参数;引入改进的Dense ASPP模块,与前层次的细节信息拼接,增强道路区域上下文信息的获取能力。结果表明,所提出的改进U-Net网络训练的提取模型在精确率、召回率、F1分值、平均交并比等评价指标上,均优于传统的U-Net、DeeplabV3+、HRnet等网络模型,可有效提取建设道路各阶段信息,针对在建道路项目的施工进度监测提供方法支持。