CN110046563B - 一种基于无人机点云的输电线路断面高程修正方法 - Google Patents
一种基于无人机点云的输电线路断面高程修正方法 Download PDFInfo
- Publication number
- CN110046563B CN110046563B CN201910261963.XA CN201910261963A CN110046563B CN 110046563 B CN110046563 B CN 110046563B CN 201910261963 A CN201910261963 A CN 201910261963A CN 110046563 B CN110046563 B CN 110046563B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- unmanned aerial
- ground
- aerial vehicle
- elevation
- 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
Links
Images
Classifications
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于无人机点云的输电线路断面高程修正方法,包括:对预先采用无人机航摄系统进行空中三角测量获得的无人机影像密集匹配,生成点云数据;采样点云数据中的地面点云样本与非地面点云样本;深度学习滤波算法获取地面点云;用实测数据对地面点云进行拟合修正;利用修正后的数字地面模型采集断面高程。本发明通过对无人机航测生成的点云进行滤波及与外业数据融合修正以提高无人机高程数据的精度,从而满足输电线路断面测量的要求。
Description
技术领域
本发明涉及输电线路勘测设计领域,具体涉及一种基于无人机点云的输电线路断面高程修正方法。
背景技术
传统的输电线路方案设计方法通常是以1∶5万、1∶1万中小比例尺地形图为基础,首先进行线路设计方案的初选,然后根据输电线路的长短综合考虑采用利用初选路径进行传统的外业选线或组织航飞公司进行航空摄影测量。目前,输电线路工程相关空间数据的获取主要通过卫星遥感和常规航空摄影等手段和实地勘测相结合的方法。卫星遥感数据通过卫星平台搭载专业传感器获取,具有宏观、直观、信息丰富等特点,在输电线路工程前期可研和初步设计阶段得到应用,但由于高程精度的限制,在施工图阶段应用并不多见,同时其在时效性、分辨率等方面也有一定局限性。常规航空摄影利用大中型飞行平台搭载专业航摄仪进行作业,可以较快的获取高清晰影像数据,可以满足输电线路工程施工图设计阶段的应用,但需要专用机场、审批、空情条件以及军事和航空限制,存在成本较高、作业周期常、机动性不足等问题。
近年来,随着软件和硬件技术的不断发展,无人机航摄系统逐渐被推广,为上述问题的解决提供了较好的途径。无人机航摄系统以无人机(Unmanned Aerial Vehicle,简称UAV)为平台,搭载小型影像传感器,借助卫星导航技术、通讯技术实现低空航摄飞行,快速过去地面影像数据的系统。该系统具有机动性强、成本低、外部环境影响小、分辨率高、作业周期短等优势。因此,无人机航摄系统的应用,能够有效弥补卫星遥感和常规航测手段的不足,满足局部、应急的工程建设需要。当前,无人机航摄技术在农业、林业、水利、国土资源、交通等国民经济各领域广泛应用,在输电线路巡线、监测方面也已取得初步成效。而在电力勘测设计领域,目前无人机基本能够满足1:1000地形图测绘的要求,但由其生产的点云的高程精度较低不能完全满足《电力工程数字摄影测量规程》的要求。
发明内容
本发明针对上述现有技术中存在的问题,提供一种基于无人机点云的输电线路断面高程修正方法,其可以通过对点云滤波及外业数据融合修正以提高无人机测图的精度,满足输电线路勘测设计的要求。
为达到上述目的,本发明采用以下技术与方案:
提供一种基于无人机点云的输电线路断面高程修正方法,包括以下步骤:
步骤S01,,对预先采用无人机航摄系统进行空中三角测量获得的无人机影像密集匹配,生成点云数据;
步骤S02,采样点云数据中的地面点云样本与非地面点云样本;
步骤S03,深度学习滤波算法获取地面点云;
步骤S04,用实测数据对地面点云进行拟合修正;
步骤S05,利用修正后的数字地面模型采集断面高程。
在以上技术方案中,进一步地,所述步骤S02采样点云数据中的地面点云与非地面点云样本具体步骤包括:
(1)选取预设范围的样本点云;
(2)对每一个点标记成“地面点”或“非地面点”,以每个样本点为中心设定窗口大小;将窗口划分像素,计算窗口内所有像素的RGB值,获取样本的最终二维图像。
在以上技术方案中,进一步地,计算窗口内像素的R、G、B值的计算公式分别如下:
其中Sigmoid(x)=(1+e-x)-1,Zi为样本点Pi的高程值,Zmax为像素内所有点云的高程最大值、Zmin为像素内所有点云的高程最小值,Zmean为像素内所有点云的高程平均值。
进一步地,所述步骤S03深度学习滤波算法获取地面点云具体步骤包括:
(1)创建深度卷积神经网络模型,包括输入层、卷积层、批归一化层、激活层、池化层和全连接层;
(2)采用样本数据训练并验证深度卷积神经网络模型,获得最终的深度卷积神经网络模型;
(3)输入待滤波的点云数据,经过所述模型计算,获取地面点云。
进一步地,用实测数据对地面点云进行拟合修正具体步骤包括:
(1)将地面点云生成数字地面模型;
(2)计算实测数据与数字地面模型对应的高程残差值,生成残差模型;
(3)根据残差模型利用kriging差值算法进行预测。
(4)根据kriging差值算法的预测修正数字地面模型。
进一步地,所述步骤S05,利用修正后的数字地面模型采集断面高程具体步骤包括:
(1)设定固定的断面采集步距;
(2)根据输电线路的路径和采集步距,采集修正后数字地面模型的相应高程。
与现有技术相比,本发明有益技术效果为:
在无人机测图高程精度不能完全满足1:500测图精度要求的条件下,通过生成点云数据,对点云进行深度学习滤波分类,并用实测数据对点云数据进行拟合修正,从而提高无人机测图的精度,满足输电线路勘测设计的要求。
附图说明
图1为本发明具体实施例流程示意图;
图2为本发明具体实施例无人机密集匹配生成的点云;
图3为本发明具体实施例点云和对应的二维图像。
图4为深度卷积神经网络的层次图;
图5本发明具体实施例无人机点云与实测数据的残差正态QQ图;
图6本发明具体实施例kriging模型预测交叉验证图。
具体实施方式
以下结合附图和实施例对本发明的方法作进一步详细的说明。
一种基于无人机点云的输电线路断面高程修正方法,流程如图1所示,包括以下步骤:
步骤S01,对预先采用无人机航摄系统进行空中三角测量获得的无人机影像密集匹配,生成点云数据;
步骤S02,采样点云数据中的地面点云样本与非地面点云样本;
步骤S03,深度学习滤波算法获取地面点云;
步骤S04,用实测数据对地面点云进行拟合修正;
步骤S05,利用修正后的数字地面模型采集断面高程。
优选地,本实施例采用POS(position and orientation system,定位定姿系统)辅助无人机航摄系统进行空中三角测量获得无人机影像,如图2所示。POS辅助空中三角测量是将全球定位系统(GPS)和惯性导航系统(INS)组合而成的定位定向系统引入到航空摄影测量中,利用动态差分GPS技术和惯性导航系统测定航摄仪的位置与姿态,经过严格的数据后处理,可获得影像在摄影瞬间的外方位元素。
本实施例步骤S02采样点云数据中的地面点云与非地面点云样本具体步骤分为:
(1)选取占总点云数目的2%的点云作为样本点;
(2)对每一个样本点标记成“地面点”或“非地面点”;
(3)对每一个样本点Pi,以其为中心在96*96的窗口中,将这个窗口分成128*128个“像素”;
(4)计算像素内所有点云的高程最大值(Zmax)、高程最小值(Zmin)和高程平均值(Zmean);
(5)计算每个像素的RGB值,表达式如下:
即R=(255*Sigmoid(Zmax-Zi)-0.5往下取整;G=(255*Sigmoid(Zmin-Zi)-0.5往下取整;B=(255*Sigmoid(Zmean-Zi)-0.5往下取整,其中Sigmoid(x)=(1+e-x)-1,Zi为该样本点Pi的高程值;
(6)计算所有“像素”的RGB值,获取最终的图像。这样就将每一个样本点云转化为128*128的二维图像步骤,结果如图3所示。
步骤S03深度学习滤波算法获取地面点云包括:
(1)创建深度卷积神经网络模型,深度卷积神经网络的层次如图4所示,为包括输入层、卷积层、批归一化层、激活层、池化层和全连接层;
(2)将所有样本点对应的二维图像输入深度卷积神经网络,训练深度卷积神经网络;
(3)输入待滤波的点云数据,经过所述模型计算,过滤非地面点云,获取地面点云。
本发明的实施例中采用的深度卷积神经网络为现有技术,中间层的参数不需要人工干预,在此不做赘述。
利用基于深度学习的滤波算法达到过滤非地面点、留下地面点目的;获取地面点云后,为了验证滤波算法的效果,计算其总体误差,计算方法如下:
其中a、b、c、d是误差计算公式中的中间参数,其值通过人工判别获取,设定方法见表1。
表1误差值参数设定表
表2点云滤波的总体误差表
本实施例步骤S04,用实测数据对地面点云进行拟合修正的方法为:
(1)将地面点云生成数字地面模型;
(2)计算实测数据与数字地面模型对应的高程残差值,生成残差模型;
(3)根据残差模型利用kriging差值算法进行预测。
(4)根据kriging差值算法的预测修正数字地面模型。
克里金法(Kriging)是依据协方差函数对随机过程/随机场进行空间建模和预测(插值)的回归算法,其具体实现过程为现有技术,在此不做过多解释。
本实施例中具体地步骤为:
(1)计算无人机点云生成的数字地面模型与实测数据的残差,生成残差模型;
(2)根据正态QQ图验证残差的分布图(如图6所示),横坐标为残差值,纵坐标为分位数。
(3)图中点靠近45度参考线附近,表明该组数据整体呈正态分布,采用普通kriging算法进行预测;
(4)计算残差数据两两距离与半方差
(5)用已知残差模型来拟合样本空间内半变异函数关于距离的模型。
(6)对于未知点Z0,计算它到所有已知点Zi的半方差,求解出最优系数λi。
(7)用所有点的残差值进行加权求和,得到未知点Z0的残差估计值。
(8)用未知点Z0的残差估计值与原始数字地面模型求和,获取拟合修正后的数字地面模型。
本实施例利用kriging模型预测无人机数字地面模型的残差,方法为:
(1)设置Kriging插值间隔为0.5m,普通Kriging球面模型,可变搜索半径,半径大小为1;
(2)对地面点云生成的数字高程模型(Digital Elevation Model,DEM)进行预测;
(3)画出Kriging预测的交叉验证图,横坐标为残差,纵坐标为预测残差;
(4)点落在45度参考线附近,证明预测数据和实际数据接近,表明预测效果较好(如图6所示)。
如表3修正前后输电线路断面高程精度表所示,利用检核点校核修正前后输电线路断面高程精度,修正前断面中误差0.47米,修正后0.27米,精度提高42.6%,修正后的高程点中误差均满足《电力工程数字摄影测量规程》的要求,见表3修正前后输电线路断面高程精度表。
表3修正前后输电线路断面高程精度表
修正前 | 修正后 | 提高 | |
断面高程中误差(米) | 0.47 | 0.27 | 42.6% |
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (5)
1.一种基于无人机点云的输电线路断面高程修正方法,其特征在于,包括以下步骤:
步骤S01,对预先采用无人机航摄系统进行空中三角测量获得的无人机影像密集匹配,生成点云数据;
步骤S02,采样点云数据中的地面点云样本与非地面点云样本;
步骤S03,深度学习滤波算法获取地面点云;
步骤S04,用实测数据对地面点云进行拟合修正;
步骤S05,利用修正后的数字地面模型采集断面高程;
所述步骤S05,利用修正后的数字地面模型采集断面高程具体步骤包括:
(1)设定固定的断面采集步距;
(2)根据输电线路的路径和采集步距,采集修正后数字地面模型的相应高程。
2.根据权利要求1所述的一种基于无人机点云的输电线路断面高程修正方法,其特征在于:所述步骤S02采样点云数据中的地面点云与非地面点云样本具体步骤包括:
(1)选取预设范围的样本点云;
(2)对每一个点标记成地面点或非地面点,以每个样本点为中心设定窗口大小;将窗口划分像素,计算窗口内所有像素的RGB值,获取样本的最终二维图像。
4.根据权利要求1所述的一种基于无人机点云的输电线路断面高程修正方法,其特征在于:所述步骤S03深度学习滤波算法获取地面点云具体步骤包括:
(1)创建深度卷积神经网络模型,包括输入层、卷积层、批归一化层、激活层、池化层和全连接层;
(2)将所有样本点对应的二维图像输入深度卷积神经网络,训练深度卷积神经网络;
(3)输入待滤波的点云数据,经过所述模型计算,过滤非地面点云,获取地面点云。
5.根据权利要求1所述的一种基于无人机点云的输电线路断面高程修正方法,其特征在于:所述步骤S04用实测数据对地面点云进行拟合修正具体步骤包括:
(1)将地面点云生成数字地面模型;
(2)计算实测数据与数字地面模型对应的高程残差值,生成残差模型;
(3)根据残差模型利用kriging差值算法进行预测;
(4)根据kriging差值算法的预测修正数字地面模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910261963.XA CN110046563B (zh) | 2019-04-02 | 2019-04-02 | 一种基于无人机点云的输电线路断面高程修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910261963.XA CN110046563B (zh) | 2019-04-02 | 2019-04-02 | 一种基于无人机点云的输电线路断面高程修正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110046563A CN110046563A (zh) | 2019-07-23 |
CN110046563B true CN110046563B (zh) | 2022-06-10 |
Family
ID=67275920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910261963.XA Active CN110046563B (zh) | 2019-04-02 | 2019-04-02 | 一种基于无人机点云的输电线路断面高程修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110046563B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112446884B (zh) * | 2020-11-27 | 2024-03-26 | 广东电网有限责任公司肇庆供电局 | 一种激光点云中输电线的定位方法、装置及终端设备 |
CN112686969B (zh) * | 2020-12-11 | 2024-07-23 | 广州誉宸信息科技有限公司 | 断面图生成方法、系统、装置和存储介质 |
CN113192172B (zh) * | 2021-05-31 | 2022-06-10 | 西南交通大学 | 一种机载LiDAR地面点云简化方法 |
CN114283070B (zh) * | 2022-03-07 | 2022-05-03 | 中国铁路设计集团有限公司 | 融合无人机影像与激光点云的地形断面制作方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106887020A (zh) * | 2015-12-12 | 2017-06-23 | 星际空间(天津)科技发展有限公司 | 一种基于LiDAR点云的道路纵横断面获取方法 |
CN108241871A (zh) * | 2017-12-27 | 2018-07-03 | 华北水利水电大学 | 基于多特征的激光点云与影像融合数据分类方法 |
CN109074668A (zh) * | 2018-08-02 | 2018-12-21 | 深圳前海达闼云端智能科技有限公司 | 路径导航方法、相关装置及计算机可读存储介质 |
-
2019
- 2019-04-02 CN CN201910261963.XA patent/CN110046563B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106887020A (zh) * | 2015-12-12 | 2017-06-23 | 星际空间(天津)科技发展有限公司 | 一种基于LiDAR点云的道路纵横断面获取方法 |
CN108241871A (zh) * | 2017-12-27 | 2018-07-03 | 华北水利水电大学 | 基于多特征的激光点云与影像融合数据分类方法 |
CN109074668A (zh) * | 2018-08-02 | 2018-12-21 | 深圳前海达闼云端智能科技有限公司 | 路径导航方法、相关装置及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110046563A (zh) | 2019-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110046563B (zh) | 一种基于无人机点云的输电线路断面高程修正方法 | |
CN102506824B (zh) | 一种城市低空无人机系统生成数字正射影像图的方法 | |
CN110426029B (zh) | 用于无人机蜂群协同导航的动态互观测在线建模方法 | |
Lo Brutto et al. | UAV platforms for cultural heritage survey: first results | |
CN111105496A (zh) | 一种基于机载激光雷达点云数据的高精dem构建方法 | |
CN114283070B (zh) | 融合无人机影像与激光点云的地形断面制作方法 | |
CN117387580B (zh) | 一种基于倾斜摄影大比例尺地形图的测绘方法及系统 | |
CN103390102A (zh) | 一种卫星图像立体交会角的计算方法 | |
CN113514829A (zh) | 面向InSAR的初始DSM的区域网平差方法 | |
CN111854699A (zh) | 一种基于无人机航测河道崩岸过程的监测方法 | |
WO2022104251A1 (en) | Image analysis for aerial images | |
CN116758234A (zh) | 一种基于多点云数据融合的山地地形建模方法 | |
CN113032977A (zh) | 基于无人机逆建模技术的土石方量测算方法 | |
CN111006645A (zh) | 基于运动与结构重建的无人机测绘方法 | |
Feng et al. | A hierarchical network densification approach for reconstruction of historical ice velocity fields in East Antarctica | |
CN110580468B (zh) | 一种基于影像匹配点云的单木结构参数提取的方法 | |
CN117496103A (zh) | 一种融合无人机倾斜摄影点云与地形图高程信息的多山地形区域dem生产的技术方法 | |
CN110310370B (zh) | 一种gps与srtm点面融合的方法 | |
CN116448078A (zh) | 基于无人机倾斜摄影技术的矿山储量估算地形剖面方法 | |
WO2023223281A1 (en) | Automated monitoring of constructional sites | |
CN116576825A (zh) | 目标位地形图测量方法及装置 | |
CN116310901A (zh) | 一种基于低空遥感的泥石流物源动态运移识别方法 | |
Woo et al. | Evaluating ortho-photo production potentials based on UAV real-time geo-referencing points | |
CN115775242A (zh) | 一种基于匹配的点云地图质量评估方法 | |
Ajayi et al. | Development of a UAV-based system for the semi-automatic estimation of the volume of earthworks |
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 |