评估基于无人机的线圈堆划分的细分方法
Sureka Thiruchittampalam1,2, Bikram Pratap Banerjee3, Nancy F Glenn4
1School of Minerals and Energy Resources Engineering, University of New South Wales, Sydney, NSW, 2052, Australia.
本研究比较了用于描述矿山废弃物填埋场的图像细分方法. 使用深度学习和形态学的Segment Anything Model (SAM) 显示了识别个别破坏堆的最佳结果.
科学领域:
- 地质技术工程 地质技术工程
- 遥感 遥感 遥感 遥感
- 计算机视觉 计算机视觉
背景情况:
- 矿山废弃物填埋场由具有不同地质和地质技术性质的单个废弃物堆组成.
- 由于可访问性,安全性和时间限制,对这些破坏堆的手动表征具有挑战性.
- 基于对象的图像分类提供了一个潜在的解决方案,用于识别和描述使用遥感数据的破坏堆.
研究的目的:
- 识别和比较不同的图像细分方法,用于破坏堆的特征.
- 评估传统与基于深度学习的细分方法的有效性.
- 为基于图像的破坏堆分析建立最佳的细分策略.
主要方法:
- 传统细分技术的比较分析.
- 基于深度学习的细分方法的评估.
- 对包含形态数据的任何部分模型 (SAM) 的评估.
主要成果:
- 细分任何模型 (SAM),一种利用形态数据的深度学习方法,在细分破坏堆方面表现出卓越的性能.
- 与深度学习方法相比,传统的细分方法效率较低.
- 精确的细分对于在垃圾堆分析中基于对象的分类的成功至关重要.
结论:
- 深度学习技术,特别是带有形态数据的SAM,为破坏堆分段提供了有效和高效的解决方案.
- 优化的细分策略增强了对矿山垃圾的基于图像的监控的应用.
- 这项研究有助于矿山倾倒环境的可持续和无危险管理.
更多相关视频
08:09Measuring and Mapping Patterns of Soil Erosion and Deposition Related to Soil Carbonate Concentrations Under Agricultural Management
Published on: September 12, 2017
11:41Evaluation of an Exclusive Spur Dike U-Turn Design with Radar-Collected Data and Simulation
Published on: February 1, 2020
相关概念视频
Design Example: Identifying the Locations of Monuments in the Field Using Global Positioning System Device
Methods of Obtaining Topography
Design Example: Maintaining Level of an Embankment
