CN111563957A - 一种煤田火灾及矸石山火灾三维温度场数字化成像方法 - Google Patents
一种煤田火灾及矸石山火灾三维温度场数字化成像方法 Download PDFInfo
- Publication number
- CN111563957A CN111563957A CN202010370173.8A CN202010370173A CN111563957A CN 111563957 A CN111563957 A CN 111563957A CN 202010370173 A CN202010370173 A CN 202010370173A CN 111563957 A CN111563957 A CN 111563957A
- Authority
- CN
- China
- Prior art keywords
- fire
- thermal infrared
- image
- coal
- dimensional temperature
- 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.)
- Granted
Links
- 239000003245 coal Substances 0.000 title claims abstract description 44
- 238000003384 imaging method Methods 0.000 title claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 235000002245 Penicillium camembertii Nutrition 0.000 claims abstract description 8
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 230000004044 response Effects 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 18
- 230000002269 spontaneous effect Effects 0.000 claims description 15
- 238000002485 combustion reaction Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 7
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 abstract description 3
- 238000010276 construction Methods 0.000 abstract description 2
- 238000013461 design Methods 0.000 abstract description 2
- 230000007613 environmental effect Effects 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003915 air pollution Methods 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 229910052704 radon Inorganic materials 0.000 description 1
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Image Processing (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明提供了一种煤田火灾及矸石山火灾三维温度场数字化成像方法，包括以下步骤：确定测区范围并设计无人机倾斜摄影航线以采集热红外图像及对应的GPS信息，对热红外图像进行批量化预处理并确定温度数据和色标尺颜色RGB值的对应关系，选择提取算法后计算高斯DOG金字塔的响应值图像以及特征点所处的位置和对应的尺度，采用RANSAC算法匹配特征点后通过参数计算获得TIN，利用TIN构建白模并映射纹理，采用图像色彩RGB值提取算法提取RGB值并转化为温度数据，完成构建后定位火区高温点。本发明可行性高，探测精度高，在三维可视化层面下，定位火区位置、圈定火区范围，进而指导灭火工程设计，提高灭火工作的针对性和经济性。
Description
技术领域
本发明涉及一种煤田火灾及矸石山火灾三维温度场数字化成像方法，主要适用于煤田火灾和矸石山火灾等煤自燃火区地表分布范围的探测。
背景技术
煤田火灾是全球性灾害，在各主要采煤国家均有分布，其中我国是世界上煤火最为严重的国家，对我国能源战略安全造成了严重威胁。此外，在我国国有重点煤矿所属的1700多座煤矸石山中，约有1/3正在发生燃烧，矸石山自燃造成的人员伤亡事故和环境污染事件呈现出逐年上升的态势，随之带来的安全和生态问题日益凸显。煤田火灾和矸石山火灾等煤自燃灾害给矿山的安全生产和环境保护带来了较大压力，成为当前亟待破解的难题。因此，对其的高效治理是从源头上避免人员伤亡和设备损失、防止大气污染的必然途径。此外，在该领域灭火工程实施的前提是要找准自燃火区位置和分布范围，从而有针对性地实施注水注浆、剥离覆盖等灭火工程。所以煤自燃火区的精准识别是灭火工程的先决条件和基础支撑，火区识别的精准性对于提高防灭火工程的有效性、经济性具有十分重要的现实意义。
目前国内外用于煤田火灾和矸石山火灾探测的方法主要有钻孔测温测气法、磁法、电法、测氡法和卫星遥感法等。但现存的方法面临精度差、受环境条件制约等问题，无法提供一种可适应各类煤田火灾和矸石山火灾地表分布范围的探测技术。航空热红外测温技术是介于卫星遥感和地面调查之间的一种近景遥感探测手段，通过采用搭载在无人机等飞行器上的热红外传感器描绘目标体表面温度分布，具有非接触式、高灵敏度、高空间分辨率、效果显著的特点，在军事侦察、建筑结构、电力巡检、医学诊断、消防救援等领域都有广泛的应用，近年来在煤田火灾和矸石山火灾火区诊断领域也取得了一定进展。然而当前研究仅从二维层面开展，即通过机载热红外传感器获得火区在水平二维层面的温度分布，未涉及热红外数据的三维处理与温度模型的三维构建。水平二维层面的温度分布无法处理火灾区域的高程信息，无法定位大倾角斜坡发生的煤自燃灾害。此外，与常规RGB图像相比，热红外图像具有分辨率低、对比度差、信噪比低、视觉效果模糊的特点。大量像素受到图像噪声的污染，导致其超过机器视觉中常规算法所能处理的范围，影像可识别性大大降低。在进行空三运算过程中难以提取各热红外图像的特征点，导致已有的热红外数据不能生成温度的三维模型。因此，利用无人机热红外图像进行三维建模的关键在于热红外图像的批量化预处理，以提高热红外图像的对比度和可识别性，便于在空三运算中提高特征点提取的数量和质量。此外，由于各热红外图像中物体的温度高低及分布特征不同，导致各热红外图像的色标尺阈值及分布模式存在很大区别，这将造成生成的三维模型中温度数据与色标之间的对应关系不统一，进而导致无法判断煤自燃灾害的真实分布情况。因此，还必须统一全局热红外图像的色标尺阈值及分布模式，构建温度和颜色对应关系统一的三维温度场模型，并进一步通过各像素色彩的RGB数值和温度的对应关系实现三维温度场模型的数字化。
发明内容
本发明所要解决的技术问题在于克服现有技术尚未能解决煤田火灾和矸石山火灾三维热红外成像的难题，提供一种煤田火灾及矸石山火灾三维温度场数字化成像方法，实现煤田火灾和矸石山火灾等煤自燃火区温度场的三维成像，在三维可视化层面下，定位火区位置、圈定火区范围，进而指导灭火工程设计，提高灭火工作的针对性和经济性。该方法包括飞行器及搭载在飞行器上的热红外传感器，飞行器采用具有RTK功能的无人机；具体实施包括如下步骤：
步骤一，确定测区范围，根据煤自燃火区现场地形特征和探测精度要求，参照相关的技术规范标准，结合无人机热红外传感器性能参数，设计无人机倾斜摄影航线，确定飞行高度、航向重叠率、旁向重叠率、飞行速度、相机角度等参数，而后采用具有RTK功能的无人机挂载热红外传感器在测区内完成热红外倾斜摄影工作，采集热红外图像及对应的GPS信息。
步骤二，对热红外图像进行批量化预处理，采用K近邻均值滤波或者小波降噪等方法析离、压制热红外图像噪声和干扰，提高图像信噪比；将一个测区内获得的所有热红外图像的色标尺模式、上下阈值进行批量化全局统一，色标尺模式满足色彩丰富、跨度大的要求，以提高特征点的可识别度，进而提高特征点提取的数量和质量；将一个测区内获得的所有热红外图像的温度分布模式统一调整为温度线性模式，确定温度数据和色标尺颜色RGB值的对应关系。
步骤三，基于热红外图像特征尺度选择的思想，选择提取算法提取热红外图像特征点并生成多尺度影像，计算得到高斯DOG金字塔的响应值图像以及特征点所处的位置和对应的尺度。
步骤四，采用RANSAC算法进行热红外图像参考影像特征点与目标影像特征点间的正确匹配，根据特征点的坐标求解影像变换模型的参数，而后根据无人机所获取的GPS/INS数据作为初始值，进行空中三角测量平差加密处理，得到TIN。
步骤五，利用TIN构成白模，从无人机在测区范围内获得的热红外图像中计算对应的纹理，并将纹理映射到对应的白模上，生成纹理化的煤自燃火区三维温度场模型。
步骤六，采用图像色彩RGB值提取算法提取三维温度场模型中各像素点的RGB值，并通过步骤二中获得的温度数据和色标尺颜色RGB值的对应关系，将各像素点的RGB值转化为温度数据，实现三维温度场模型的数字化。
步骤七，根据煤自燃火区三维温度场模型，定位火区高温点位置和范围，制定灭火方案。
作为一种优选的方式，所述的步骤一中，热红外传感器的数量包括但不限于使用至少一个。
作为一种优选的方式，所述的步骤一中，热红外传感器分辨率至少为640×512(像素)。
作为一种优选的方式，所述的步骤一中，无人机飞行高度为120m以下。
作为一种优选的方式，所述的步骤二中，测区温度上下阈值以测区最高温为上限、测区最低温为下限，采用文件流和多线程异步更新技术进行批量化全局统一。
作为一种优选的方式，所述的步骤三中，热红外图像的提取算法选择SIFT特征提取算法。
作为一种优选的方式，所述的步骤四中，热红外图像参考影像特征点与目标影像特征点间的坐标匹配误差率不高于0.03%。
作为一种优选的方式，所述的步骤五中，去除无人机在测区范围内获得的热红外图像中由于光照条件、照相机参数、拍摄角度、拍摄距离等因素,原始图像中无法满足纹理计算的部分图像。
作为一种优选的方式，所述的步骤五中，采用图像纹理择优算法将纹理映射到对应的白模上。
作为一种优选的方式，所述的步骤六中，采用色彩RGB值提取算法为颜色量化算法中的中位切分法，即将图像颜色看作是色彩空间中的长方体（VBox），从初始整个图像作为一个长方体开始，将RGB中最长的一边从颜色统计的中位数一切为二，使得到的两个长方体所包含的像素数量相同，重复上述步骤，直到最终切分得到长方体的数量等于主题颜色数量为止。
本发明的有益效果在于：本发明方法解决了现有的二维层面煤田火灾地表分布探测的不足，创新性地根据三维层面的高程信息优势判断火灾具体位置。并且，本发明针对目前的热红外三维模型建模效果不理想、模型无法直观判断火区或火区伪异常混乱等问题提供了新的解决方案，以便技术人员精确定位煤田火灾和矸石山火灾的地表分布情况，进而为煤自燃灾害的治理工作提供依据。
具体实施方式
以下结合实施例对本发明作进一步详细说明。
（1）确定测区范围为28799m2，根据煤自燃火区现场地形特征和探测精度要求，参照相关的技术规范标准，结合无人机热红外传感器性能参数，设计无人机倾斜摄影航线，确定飞行高度为80m，航向重叠率80%、旁向重叠率70%、飞行速度2.7m/s、相机角度-60°，而后采用具有RTK（实时动态）功能的无人机挂载热红外传感器在测区内完成热红外倾斜摄影工作，采集热红外图像及对应的GPS（全球定位系统）信息。
（2）对热红外图像进行批量化预处理，采用K近邻均值滤波方法析离、压制热红外图像噪声和干扰，提高图像信噪比；采用文件流和多线程异步更新技术将一个测区内获得的所有热红外图像的色标尺模式、上下阈值进行批量化全局统一，下阈值选取环境最低温10℃，上阈值根据实际效果确定，但不高于环境最高温，在本例中选取60℃。色标尺模式满足色彩丰富、跨度大的要求，提高特征点的可识别度，进而提高特征点提取的数量和质量；将一个测区内获得的所有热红外图像的温度分布模式统一调整为温度线性模式，确定温度数据和色标尺颜色RGB值的对应关系。
（3）基于热红外图像特征尺度选择的思想，选择SIFT（尺度不变特征变换）特征提取算法提取热红外图像特征点并生成多尺度影像，计算得到高斯DOG（差分）金字塔的响应值图像以及特征点所处的位置和对应的尺度。
（4）采用RANSAC（随机抽样一致）算法进行热红外图像参考影像特征点与目标影像特征点间的正确匹配，特征点在参考系中误差不超过10cm，误差率不超过0.03%。根据特征点的坐标求解影像变换模型的参数，而后根据无人机所获取的GPS/INS（全球定位系统/惯性导航系统）数据作为初始值，进行空中三角测量平差加密处理，得到TIN（不规则三角网）。
（5）利用TIN构成白模，从无人机在测区范围内获得的热红外图像中去掉由于光照条件、照相机参数、拍摄角度、拍摄距离等因素,原始图像中无法满足纹理计算的部分图像，再计算对应的纹理，并采用图像纹理择优算法将纹理映射到对应的白模上，生成纹理化的煤自燃火区三维温度场模型。
（6）采用图像色彩RGB值提取算法中的颜色量化算法中的中位切分法，提取三维温度场模型中各像素点的RGB值，并通过步骤（2）中获得的温度数据和色标尺颜色RGB值的对应关系，将各像素点的RGB值转化为温度数据，实现三维温度场模型的数字化。
（7）根据煤自燃火区三维温度场模型，定位火区高温点位置和范围，制定灭火方案。
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，在不脱离本发明原理的前提下还可以做出若干改进，这些改进也应视为本发明的保护范围。
Claims (10)
1.一种煤田火灾及矸石山火灾三维温度场数字化成像方法，其特征在于：包括飞行器及搭载在飞行器上的热红外传感器；具体包括以下步骤：
（1）确定测区范围，设计飞行器倾斜摄影航线，确定参数，在测区内完成热红外倾斜摄影工作，采集热红外图像及对应的GPS信息；
（2）析离、压制热红外图像噪声和干扰，提高图像信噪比；将一个测区内获得的所有热红外图像的色标尺模式、上下阈值进行批量化全局统一；将一个测区内获得的所有热红外图像的温度分布模式统一调整为温度线性模式，确定温度数据和色标尺颜色RGB值的对应关系；
（3）提取热红外图像特征点并生成多尺度影像，计算得到高斯DOG金字塔的响应值图像以及特征点所处的位置和对应的尺度；
（4）进行热红外图像参考影像特征点与目标影像特征点间的正确匹配，根据特征点的坐标求解影像变换模型的参数，根据飞行器所获取的GPS/INS数据作为初始值，进行空中三角测量平差加密处理，得到TIN；
（5）利用TIN构成白模，从飞行器在测区范围内获得的热红外图像中先去除原始图像中无法满足纹理计算的部分图像再计算对应的纹理，并将纹理映射到对应的白模上，生成纹理化的煤自燃火区三维温度场模型；
（6）提取三维温度场模型中各像素点的RGB值，并通过步骤（2）中获得的温度数据和色标尺颜色RGB值的对应关系，将各像素点的RGB值转化为温度数据，实现三维温度场模型的数字化；
（7）根据煤自燃火区三维温度场模型，定位火区高温点位置和范围，制定灭火方案。
2.根据权利要求1所述的煤田火灾及矸石山火灾三维温度场数字化成像方法，其特征在于：所述热红外传感器分辨率至少为640像素×512像素。
3.根据权利要求1所述的煤田火灾及矸石山火灾三维温度场数字化成像方法，其特征在于：所述飞行器选择采用具有RTK功能的无人机。
4.根据权利要求1所述的煤田火灾及矸石山火灾三维温度场数字化成像方法，其特征在于：在步骤（1）中，所述参数包括飞行高度、航向重叠率、旁向重叠率、飞行速度及相机角度。
5.根据权利要求1所述的煤田火灾及矸石山火灾三维温度场数字化成像方法，其特征在于：在步骤（2）中，所述测区温度上下阈值以测区最高温为上限、测区最低温为下限，采用文件流和多线程异步更新技术进行批量化全局统一。
6.根据权利要求1所述的煤田火灾及矸石山火灾三维温度场数字化成像方法，其特征在于：在步骤（2）中，采用K近邻均值滤波或者小波降噪方法析离、压制热红外图像噪声和干扰。
7.根据权利要求1所述的煤田火灾及矸石山火灾三维温度场数字化成像方法，其特征在于：在步骤（3）中，选择SIFT特征提取算法提取热红外图像特征点。
8.根据权利要求1所述的煤田火灾及矸石山火灾三维温度场数字化成像方法，其特征在于：在步骤（4）中，采用RANSAC算法进行热红外图像参考影像特征点与目标影像特征点间的正确匹配。
9.根据权利要求1所述的煤田火灾及矸石山火灾三维温度场数字化成像方法，其特征在于：在步骤（5）中，采用图像纹理择优算法将纹理映射到对应的白模上。
10.根据权利要求1所述的煤田火灾及矸石山火灾三维温度场数字化成像方法，其特征在于：在步骤（6）中，采用中位切分法提取三维温度场模型中各像素点的RGB值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010370173.8A CN111563957B (zh) | 2020-05-06 | 2020-05-06 | 一种煤田火灾及矸石山火灾三维温度场数字化成像方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010370173.8A CN111563957B (zh) | 2020-05-06 | 2020-05-06 | 一种煤田火灾及矸石山火灾三维温度场数字化成像方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111563957A true CN111563957A (zh) | 2020-08-21 |
| CN111563957B CN111563957B (zh) | 2023-03-31 |
Family
ID=72071935
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010370173.8A Active CN111563957B (zh) | 2020-05-06 | 2020-05-06 | 一种煤田火灾及矸石山火灾三维温度场数字化成像方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111563957B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112180976A (zh) * | 2020-09-30 | 2021-01-05 | 重庆电子工程职业学院 | 用于智能喷火清障无人机的控制系统及方法 |
| CN112381942A (zh) * | 2020-11-03 | 2021-02-19 | 华南理工大学 | 基于无人机红外图像的建筑三维温度模型的建立方法 |
| AU2022202145B2 (en) * | 2021-08-06 | 2023-04-27 | Shenyang Research Institute of China Coal Technology & Engineering Group | Comprehensive detection method for coal mine spontaneous combustion fire zone |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104504748A (zh) * | 2014-12-03 | 2015-04-08 | 中国科学院遥感与数字地球研究所 | 一种无人机倾斜摄影红外三维成像系统及建模方法 |
| WO2016132161A1 (en) * | 2015-02-16 | 2016-08-25 | Kontoes Charalampos | Method that detects areas of active fire hotspots in real-time, calculates the most probable ignition point and assesses fire probability indicators, using satellite images and fuel data. |
| CN106767720A (zh) * | 2016-12-30 | 2017-05-31 | 广州地理研究所 | 基于无人机的单镜头倾斜摄影测量方法、装置和系统 |
| CN107843939A (zh) * | 2017-10-24 | 2018-03-27 | 防灾科技学院 | 基于无人机热红外影像的煤火识别方法 |
| CN108020322A (zh) * | 2016-11-01 | 2018-05-11 | 核工业北京地质研究院 | 煤田火区的机载热红外高光谱遥感定量探测方法 |
-
2020
- 2020-05-06 CN CN202010370173.8A patent/CN111563957B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104504748A (zh) * | 2014-12-03 | 2015-04-08 | 中国科学院遥感与数字地球研究所 | 一种无人机倾斜摄影红外三维成像系统及建模方法 |
| WO2016132161A1 (en) * | 2015-02-16 | 2016-08-25 | Kontoes Charalampos | Method that detects areas of active fire hotspots in real-time, calculates the most probable ignition point and assesses fire probability indicators, using satellite images and fuel data. |
| CN108020322A (zh) * | 2016-11-01 | 2018-05-11 | 核工业北京地质研究院 | 煤田火区的机载热红外高光谱遥感定量探测方法 |
| CN106767720A (zh) * | 2016-12-30 | 2017-05-31 | 广州地理研究所 | 基于无人机的单镜头倾斜摄影测量方法、装置和系统 |
| CN107843939A (zh) * | 2017-10-24 | 2018-03-27 | 防灾科技学院 | 基于无人机热红外影像的煤火识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李峰 等: "无人机热红外遥感煤火探测方法", 《煤矿安全》 * |
| 贾勇骁 等: "煤田火灾无人机监测关键技术研究", 《工矿自动化》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112180976A (zh) * | 2020-09-30 | 2021-01-05 | 重庆电子工程职业学院 | 用于智能喷火清障无人机的控制系统及方法 |
| CN112381942A (zh) * | 2020-11-03 | 2021-02-19 | 华南理工大学 | 基于无人机红外图像的建筑三维温度模型的建立方法 |
| CN112381942B (zh) * | 2020-11-03 | 2024-04-02 | 华南理工大学 | 基于无人机红外图像的建筑三维温度模型的建立方法 |
| AU2022202145B2 (en) * | 2021-08-06 | 2023-04-27 | Shenyang Research Institute of China Coal Technology & Engineering Group | Comprehensive detection method for coal mine spontaneous combustion fire zone |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111563957B (zh) | 2023-03-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111563957B (zh) | 一种煤田火灾及矸石山火灾三维温度场数字化成像方法 | |
| CN113034689B (zh) | 基于激光点云的地形三维模型及地形图构建方法和系统、存储介质 | |
| CN107843939B (zh) | 基于无人机热红外影像的煤火识别方法 | |
| CN106356757B (zh) | 一种基于人眼视觉特性的电力线路无人机巡检方法 | |
| CN104091369B (zh) | 一种无人机遥感影像建筑物三维损毁检测方法 | |
| CN111537515A (zh) | 基于三维实景模型的铁塔螺栓缺陷展示方法和系统 | |
| Zekkos et al. | Lessons learned from the application of UAV-enabled structure-from-motion photogrammetry in geotechnical engineering | |
| Wang et al. | Accuracy evaluation of 3d geometry from low-attitude uav collections a case at zijin mine | |
| CN104268935A (zh) | 一种基于特征的机载激光点云与影像数据融合系统及方法 | |
| CN116910876A (zh) | 一种基于无人机遥感辅助滑坡应急治理工程勘查设计方法 | |
| Yang et al. | Airborne LiDAR and photogrammetric point cloud fusion for extraction of urban tree metrics according to street network segmentation | |
| Harvey et al. | Unmanned aerial vehicles (UAV) for cost effective aerial orthophotos and digital surface models (DSMs) | |
| Xiao et al. | Monitoring excavation slope stability using drones | |
| Al-Rawabdeh et al. | A robust registration algorithm for point clouds from UAV images for change detection | |
| Rebelo et al. | Building 3D city models: Testing and comparing Laser scanning and low-cost UAV data using FOSS technologies | |
| Maruyama et al. | Detection of collapsed buildings due to earthquakes using a digital surface model constructed from aerial images | |
| CN112561981A (zh) | 一种融合影像信息的摄影测量点云滤波方法 | |
| Han et al. | Thermal data fusion for building insulation | |
| CN116957360A (zh) | 一种基于无人机的空间观测与重建方法及系统 | |
| Bouziani et al. | Comparison assessment of digital 3D models obtained by drone-based lidar and drone imagery | |
| Kim et al. | A study on generation of 3D model and mesh image of excavation work using UAV | |
| CN115601517A (zh) | 岩体结构面信息采集方法、装置、电子设备及存储介质 | |
| Tian et al. | A process-oriented method for rapid acquisition of canopy height model from RGB point cloud in semiarid region | |
| Chen et al. | Building change detection based on 3D reconstruction | |
| MICKLEThWAITE et al. | Mapping from an Armchair: Rapid, high-resolution mapping using UAV and computer vision technology |
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 |