CN112347956A - 基于多无人机和机器视觉的云观测系统及方法 - Google Patents

基于多无人机和机器视觉的云观测系统及方法 Download PDF

Info

Publication number
CN112347956A
CN112347956A CN202011261879.7A CN202011261879A CN112347956A CN 112347956 A CN112347956 A CN 112347956A CN 202011261879 A CN202011261879 A CN 202011261879A CN 112347956 A CN112347956 A CN 112347956A
Authority
CN
China
Prior art keywords
cloud
unmanned aerial
aerial vehicles
observation
dimensional
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
Application number
CN202011261879.7A
Other languages
English (en)
Other versions
CN112347956B (zh
Inventor
马建
曾铮
魏照宇
周磊
张寅丁
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202011261879.7A priority Critical patent/CN112347956B/zh
Publication of CN112347956A publication Critical patent/CN112347956A/zh
Application granted granted Critical
Publication of CN112347956B publication Critical patent/CN112347956B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30192—Weather; Meteorology

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Astronomy & Astrophysics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Remote Sensing (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种基于多无人机和机器视觉的云观测系统，包括观测单元、定位航姿单元、视觉图像匹配单元和云体三维风速场重建单元，观测单元至少两台无人机协同注视云团拍摄视频，定位航姿单元精确获知和控制无人机搭载摄像头的间距与姿态角度；视觉图像匹配单元利用定位航姿单元获得的无人机拍摄的云团形态与其他无人机拍摄的红光图像作多区域空间相关系数，寻找像素级别的最高相关点来匹配；云体三维风速场重建单元利用同一时刻同一云团在多无人机的像素位置，以及无人机在此时刻的定位航姿参数，运用三维多视图射影几何算法重建云微团的三维位置。本发明通过对云体进行立体观测并重建其三维风速场系统及方法，解决了现有的各种云体观测存在的问题。

Description

基于多无人机和机器视觉的云观测系统及方法
技术领域
本发明涉及基于无人机和机器视觉观测技术领域多，具体地，涉及一种基于多无人机和机器视觉的云观测系统及方法。
背景技术
全球气候变化已经成为当今最受科学界和公众瞩目的研究领域之一。目前对未来气候的预估，尤其是云辐射反馈的贡献仍然有巨大的不确定性。要充分理解云辐射反馈背后的基本物理机制，需要精细的三维云体时空数据以研究对流热动力过程。
目前传统云观测有卫星光学观察、卫星CT技术、飞机穿云、多普雷雷达和地面光学观察等多种方法，但均无力解决目前的观测瓶颈：
对于卫星光学观察的观测瓶颈在于，通过可见光和红外线观测可反演云量、云顶高度、温度、气压和可降水量等，但无法获得云体的三维风速场。
对于卫星CT技术的观测瓶颈在于，虽然可以获取气溶胶或云在一定时空范围内的三维切片结构，但卫星距离太远分辨率很低(分辨率至多一公里)且CT技术无法实时重建云结构得到三维风速。
对于飞机穿云方法的观测瓶颈在于，虽然可以观测对流云热动力性质，但即使采用多架飞机探测，得到的只是某一时刻，在某几个空间点变量，无法得到高分辨率持续追踪的三维风速场。
对于多普勒雷达的观测瓶颈是在于，虽然可以观测大尺度云风速，但其分辨率低，且只能探测云团的法向速度和测量雷达波发送的特定角度信号，也不能得到三维的风速场。
对于地面光学观测有两种方法：光流法和机器视觉，这两种方法由于观测设备都位于地面或建筑物顶，观测瓶颈在于角度只能从下向上观测，只能得到云底二维风速，无法监测三维对流风速；而且光流法只考虑平流作用，假定云微团没有随体变化，而忽略了重要物理过程如云滴生消、挟卷混合等，这会在求解风速时引入较大系统误差。
综上，现有的各种观测方法均无法获得研究对流热动力过程所需要的高精度三维风速场数据。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于多无人机的云观测系统，本发明对云体进行观测并重建其三维风速场的方法及系统。解决了现有的各种云体观测技术分辨率低、无法获得三维结构、无法持续追踪等问题。
根据本发明提供的一种基于多无人机的云观测系统，包括：
观测单元：至少两台无人机协同注视云团拍摄视频，得到至少两组从不同视角同时观测的图像，可以使用对比度最强的红光通道进行图像匹配；
定位航姿单元：观测单元匹配图像精准定位云微团的同时，定姿单元精确获知和控制无人机搭载摄像头的间距与姿态角度；
视觉图像匹配单元：之后利用观测单元获得的无人机拍摄的云团形态与其他无人机拍摄的红光图像作多区域空间相关系数，寻找像素级别的最高相关点来匹配；
云体三维风速场重建单元：利用同一时刻同一云团在多无人机的像素位置，以及定位航姿单元获得的无人机在此时刻的定位航姿参数，运用三维多视图射影几何算法重建云微团的三维位置。
优选地，观测单元在观测地点附近，多无人机在相近位置升空至指定高度和指定基线距离,对云团进行持续跟踪观测。
优选地，观测单元在上升到指定高度后，长机寻找最佳云量的俯仰角和航向角，僚机根据长机判断的方向，自动转到相同姿态角。
优选地，定姿单元结合无人机采用ADS辅助的SINS/GPS松组合导航算法为后台进行的图像匹配和三维重建算法的精确输出奠定参数基础。
优选地，视觉图像匹配单元在任意时刻Ti，选取一无人机拍摄的红光图像，通过计算分区标准差大于设定阈值识别有云区域，把有云区域中云的形态与其他无人机拍摄的红光图像作多区域空间相关系数，寻找像素级别的最高相关点来匹配观测区域。将所有无人机中已经找到的匹配点，分别再度向对应的下一个时刻Ti+1匹配，至少匹配一次。
优选地，匹配到像素级别的最高相关点之后得到相邻至少两个时间点同一云微团的所在像素位置。然后再步入Ti+1重复开始上述操作。
优选地，云体三维风速场重建单元运用三维多视图射影几何算法重建云微团的三维位置，得到了至少两条平行错开的云空间坐标的时间序列。
优选地，得到至少两条平行错开的云空间坐标的时间序列后用时间步滞后的序列减去前一个，再除以取样间隔，就得到了拉格朗日差分云团边界三维风速的时间序列。
根据本发明提供的一种基于多无人机的云观测方法，包括如下步骤：
观测步骤：使用至少两台无人机协同主视云团拍摄视频，使用对比度最强的红光通道进行图像匹配，匹配图像精准定位云微团，实现三维信息重建以及云动力过程的反演；
拍摄持续定姿步骤：将定姿单元结合无人机平台采用ADS辅助的SINS/GPS松组合的导航算法，精确和稳定地控制无人机搭载摄像头的间距和姿态，为后台进行的图像匹配和三维重建算法的精确输出奠定参数基础；
视觉图像匹配步骤：利用观测单元获得的无人机拍摄的云团形态与其他无人机拍摄的红光图像作多区域空间相关系数，寻找像素级别的最高相关点来匹配；
云体三维风速场重建步骤：利用同一时刻同一云团在多无人机的像素位置，以及无人机在此时刻的定位航姿参数，运用三维多视图射影几何算法重建云微团的三维位置，再利用至少两条平行错开的空间坐标的时间序列得到三维风速场。
与现有技术相比，本发明具有如下的有益效果：
1、本发明采用多个多旋翼无人机平台进行观测，多旋翼无人机操作容易，价格低廉，其定点悬停的能力很适合用于小范围定点航拍和对大气低云的定点观测。无人机平台相比卫星平台和地面平台有观测距离近，观测角度多的优势；相比于飞机平台有成本低，可持续跟踪观测的优势。
2、本发明通过采用多无人机平台，可以实现多角度立体观测，结合机器视觉的技术可以重建出三维的云体风速场；多无人机平台可拓展性强，通过增加无人机的数量增加观测精度和观测范围。
3、本发明对云体的观测与云体风速场的数据重建采用普通光学视频观测结合机器视觉重建，这套系统结合多无人机平台可以提供两个或更多观测视角的特点，可以重建出三维的风速场，这套系统结合多无人机平台可以抵近观测的特点，机器视觉所重建的三维风速场可以达到很高的精度。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明中的整体流程结构和科学应用示例图；
图2为本发明的直观示意图；
图3为2019年11月8日上午8:42晴天测试的无人机水平视角径向垂面对流风速(矢量：ms-1)结果图。
图4为第一俯视云水平结构；
图5为第一右侧平视行云；
图6为第一水平正视来云；
图7为第一无人机仰视云；
图8为2019年11月8日上午7:15上海宝山超级气象站(31.40°N,121.45°E)释放的探空气球资料与图3同次实验的无人机观测结果的叠加图，圆圈为无人机观测的云高和结构，左右两根实线分别为露点温度和温度(℃),最右侧的带箭头线段为水平风速(矢量：ms-1)；
图9为2019年11月28日中午14:23阴天测试的无人机水平视角径向垂面对流风速(矢量：ms-1)示意图；
图10为第二俯视云水平结构；
图11为第二右侧平视行云；
图12为第二水平正视来云；
图13为第二无人机仰视云；
图14为2019年11月28日晚上19:15上海宝山超级气象站(31.40°N,121.45°E)释放的探空气球资料与图9同次实验的无人机观测结果的叠加图，圆圈为无人机观测的云高和结构，左右两根实线分别为露点温度和温度(℃),最右侧的带箭头线段为水平风速(矢量：ms-1)。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
如图2所示，本发明提供的一种基于多无人机的云观测系统，包括：
观测单元：使用至少两台多旋翼无人机协同注视云团拍摄视频，使用对比度最强的红光通道进行图像匹配，匹配图像精准定位云微团，实现三维信息重建以及云动力过程的反演。
定位航姿单元：观测单元匹配图像精准定位云微团的同时，定姿单元精确获知和控制无人机搭载摄像头的间距与姿态角度。为使用机器视觉重建云团的三维动力场，需要精确获知和控制无人机搭载摄像头的间距与姿态角度。为此本系统设计了高精度轻量化自容式自定模块。本单元包含高精度(差分)GPS模块、微机电系统惯性测量单元和气压高度空速测量仪。结合此定姿单元，无人机平台采用ADS辅助的SINS/GPS松组合导航算法，可足够精确和稳定地控制无人机搭载摄像头的间距和姿态，为后台进行的图像匹配和三维重建算法的精确输出奠定参数基础。
视觉图像匹配单元：之后利用观测单元获得的无人机拍摄的云团形态与其他无人机拍摄的红光图像作多区域空间相关系数，寻找像素级别的最高相关点来匹配。视觉图像匹配单元在任意时刻Ti，选取一无人机拍摄的红光图像，通过计算分区标准差大于设定阈值识别有云区域，把有云区域中云的形态与其他无人机拍摄的红光图像作多区域空间相关系数，寻找像素级别的最高相关点来匹配；将所有无人机中已经找到的匹配点，分别再度向对应的下一个时刻Ti+1匹配，至少匹配一次。匹配到像素级别的最高相关点之后得到相邻至少两个时间点同一云微团的所在像素位置，然后在这个时刻Ti+1重新开始，进行到再下一个时刻Ti+2。按照视觉图像匹配单元的处理能够得到每台无人机的至少两条平行的时间序列。以此类推批次处理，就得到了每台无人机的至少两条平行的时间序列，只是错开了一个时间步T1…Tn-1和T2…Tn。
云体三维风速场重建单元：利用同一时刻同一云团在多无人机的像素位置，以及无人机定位航姿单元在此时刻获得的定位航姿参数，运用三维多视图射影几何算法重建云微团的三维位置。则得到了至少两条平行错开的云空间坐标的时间序列，最后用时间步滞后的序列减去前一个，再除以取样间隔，就得到了拉格朗日差分云团边界三维风速的时间序列。由于云滴小在此处下落末速度可忽略。
根据本发明提供的一种基于多无人机和机器视觉的云观测方法，包括如下步骤：
观测步骤：使用至少两台无人机协同主视云团拍摄视频，使用对比度最强的红光通道进行图像匹配，匹配图像精准定位云微团，实现三维信息重建以及云动力过程的反演；
拍摄持续定姿步骤：将定姿单元结合无人机平台采用ADS辅助的SINS/GPS松组合的导航算法，精确和稳定地控制无人机搭载摄像头的间距和姿态，为后台进行的图像匹配和三维重建算法的精确输出奠定参数基础；
视觉图像匹配步骤：利用观测单元获得的无人机拍摄的云团形态与其他无人机拍摄的红光图像作多区域空间相关系数，寻找像素级别的最高相关点来匹配；
云体三维风速场重建步骤：利用同一时刻同一云团在多无人机的像素位置，以及无人机在此时刻的定位航姿参数，运用三维多视图射影几何算法重建云微团的三维位置，再利用至少两条平行错开的空间坐标的时间序列得到三维风速场。
进一步来说，观测单元的具体工作流程为具体工作流程为：
1、在观测地点附近，多无人机开机；
2、在相近的位置自动升空到指定高度；
3、长机环顾四周，寻找最佳云量的俯仰角和航向角，可分块计算标准差并统计有云面积，亦可加入人工干预来确定。经实验，最佳云量约为50％-60％；
4、僚机根据长机判断的方向，自动转到相同姿态角，各机之间间距通常为200m左右；
5、多无人机对云团进行持续跟踪观测。
如图1所示为本发明的直观示意图，可以直观的看出利用多无人机进行云观测的示意图。
图3中展示的是2019年11月8日上午8:42晴天测试的无人机水平视角径向垂面对流风速(矢量：ms-1)结果图，无人机位置为31.20°N,121.43°E，高度为120m，基线为200m，采样间隔5s。
图4至图7为图3的同次实验经动力过程重建后得到的各种视角的云三维结构和风速(矢量；ms-1)以及红光强度(灰度)。
图9为2019年11月28日中午14:23阴天测试的无人机水平视角径向垂面对流风速(矢量：ms-1)示意图，无人机位置为31.20°N,121.43°E，高度为120m，基线为1000m，采样间隔3s；
图10至图13为图9的同次实验经动力过程重建后得到的各种视角的云三维结构和风速(矢量：ms-1)以及红光强度(灰度)。
图14为2019年11月28日晚上19:15上海宝山超级气象站(31.40°N,121.45°E)释放的探空气球资料与图9同次实验的无人机观测结果的叠加图，圆圈为无人机观测的云高和结构，左右两根实线分别为露点温度和温度(℃),最右侧的带箭头线段为水平风速(矢量：ms-1)。
本发明采用多个多旋翼无人机平台进行观测。多旋翼无人机操作容易，价格低廉，其定点悬停的能力很适合用于小范围定点航拍和对大气低云的定点观测。无人机平台相比卫星平台和地面平台有观测距离近，观测角度多的优势；相比于飞机平台有成本低，可持续跟踪观测的优势。进一步地，多无人机平台可以实现多角度立体观测，结合机器视觉的技术可以重建出三维的云体风速场。多无人机平台可拓展性强，通过增加无人机的数量增加观测精度和观测范围。
本发明对云体的观测与云体风速场的数据重建采用普通光学视频观测结合机器视觉重建，这套系统结合多无人机平台可以提供两个或更多观测视角的特点，可以重建出三维的风速场。这套系统结合多无人机平台可以抵近观测的特点，机器视觉所重建的三维风速场可以达到很高的精度。
在本申请的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (9)

1.一种基于多无人机和机器视觉的云观测系统，其特征在于，包括：
观测单元：至少两台无人机协同注视云团拍摄视频，得到至少两组从不同视角同时观测的图像，能够使用对比度最强的红光通道进行图像匹配；
定位航姿单元：观测单元匹配图像精准定位云微团的同时，定姿单元精确获知和控制无人机搭载摄像头的间距与姿态角度；
视觉图像匹配单元：之后利用观测单元获得的无人机拍摄的云团形态与其他无人机拍摄的红光图像作多区域空间相关系数，寻找像素级别的最高相关点来匹配；
云体三维风速场重建单元：利用同一时刻同一云团在多无人机的像素位置，以及定位航姿单元获得的无人机在此时刻的参数，运用三维多视图射影几何算法重建云微团的三维位置。
2.根据权利要求1所述的基于多无人机和机器视觉的云观测系统，其特征在于，所述观测单元在观测地点附近，多无人机在相近位置升空至指定高度和指定基线距离，对云团进行持续跟踪观测。
3.根据权利要求1所述的基于多无人机和机器视觉的云观测系统，其特征在于，所述观测单元在上升到指定高度后，长机寻找最佳云量的俯仰角和航向角，僚机根据长机判断的方向，自动转到相同姿态角。
4.根据权利要求1所述的基于多无人机和机器视觉的云观测系统，其特征在于，所述定姿单元结合无人机采用ADS辅助的SINS/GPS松组合导航算法为后台进行的图像匹配和三维重建算法的精确输出奠定参数基础。
5.根据权利要求1所述的基于多无人机和机器视觉的云观测系统，其特征在于，所述视觉图像匹配单元在任意时刻Ti，选取一无人机拍摄的红光图像，通过计算分区标准差大于设定阈值识别有云区域，把有云区域中云的形态与其他无人机拍摄的红光图像作多区域空间相关系数，寻找像素级别的最高相关点来匹配观测区域。
6.根据权利要求5所述的基于多无人机和机器视觉的云观测系统，其特征在于，将所有无人机中已经找到的匹配点，分别再度向对应的下一个时刻Ti+1匹配，至少匹配一次，匹配到像素级别的最高相关点之后得到相邻至少两个时间点同一云微团的所在像素位置，然后在这个时刻Ti+1重新开始，进行到再下一个时刻Ti+2。
7.根据权利要求1所述的基于多无人机和机器视觉的云观测系统，其特征在于，所述云体三维风速场重建单元运用三维多视图射影几何算法重建云微团的三维位置，得到了至少两条平行错开的云空间坐标的时间序列。
8.根据权利要求7所述的基于多无人机和机器视觉的云观测系统，其特征在于，得到至少两条平行错开的云空间坐标的时间序列后用时间步滞后的序列减去前一个，再除以取样间隔，就得到了拉格朗日差分云团边界三维风速的时间序列。
9.一种基于多无人机和机器视觉的云观测方法，其特征在于，包括如下步骤：
观测步骤：使用至少两台无人机协同主视云团拍摄视频，使用对比度最强的红光通道进行图像匹配，匹配图像精准定位云微团，实现三维信息重建以及云动力过程的反演；
拍摄持续定姿步骤：将定姿单元结合无人机平台采用ADS辅助的SINS/GPS松组合的导航算法，精确和稳定地控制无人机搭载摄像头的间距和姿态，为后台进行的图像匹配和三维重建算法的精确输出奠定参数基础；
视觉图像匹配步骤：利用观测单元获得的无人机拍摄的云团形态与其他无人机拍摄的红光图像作多区域空间相关系数，寻找像素级别的最高相关点来匹配；
云体三维风速场重建步骤：利用同一时刻同一云团在多无人机的像素位置，以及无人机在此时刻的定位航姿参数，运用三维多视图射影几何算法重建云微团的三维位置，再利用至少两条平行错开的空间坐标的时间序列得到三维风速场。
CN202011261879.7A 2020-11-12 2020-11-12 基于多无人机和机器视觉的云观测系统及方法 Active CN112347956B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011261879.7A CN112347956B (zh) 2020-11-12 2020-11-12 基于多无人机和机器视觉的云观测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011261879.7A CN112347956B (zh) 2020-11-12 2020-11-12 基于多无人机和机器视觉的云观测系统及方法

Publications (2)

Publication Number Publication Date
CN112347956A true CN112347956A (zh) 2021-02-09
CN112347956B CN112347956B (zh) 2022-05-06

Family

ID=74362573

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011261879.7A Active CN112347956B (zh) 2020-11-12 2020-11-12 基于多无人机和机器视觉的云观测系统及方法

Country Status (1)

Country Link
CN (1) CN112347956B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113504786A (zh) * 2021-07-08 2021-10-15 中国南方电网有限责任公司超高压输电公司大理局 一种基于风向的无人机飞行调整方法及装置
CN116309531A (zh) * 2023-04-12 2023-06-23 江苏省特种设备安全监督检验研究院 一种风场测量方法、系统及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105928493A (zh) * 2016-04-05 2016-09-07 王建立 基于无人机的双目视觉三维测绘系统和方法
CN106340004A (zh) * 2016-08-08 2017-01-18 吉林大学 一种基于模糊聚类预处理云系的并行云迹风反演方法
CN106526558A (zh) * 2016-09-27 2017-03-22 天津大学 基于多普勒天气雷达资料的阵风锋自动识别方法
CN107356926A (zh) * 2017-06-08 2017-11-17 湖南师范大学 基于Hu矩的差值云团外推降雨预测算法
CN207008056U (zh) * 2017-06-08 2018-02-13 湖南师范大学 基于Hu矩的差值云团外推降雨预测装置
CN107862216A (zh) * 2017-10-13 2018-03-30 布比（北京）网络技术有限公司 用于匿名跨链交易的隐私保护方法、装置和存储介质
CN110287898A (zh) * 2019-06-27 2019-09-27 苏州中科天启遥感科技有限公司 一种光学卫星遥感影像云检测方法
KR20190138121A (ko) * 2018-06-04 2019-12-12 에스케이플래닛 주식회사 부분 마스킹 기반의 효율적 캐시를 이용한 클라우드 스트리밍 서비스 방법 및 이를 위한 장치

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105928493A (zh) * 2016-04-05 2016-09-07 王建立 基于无人机的双目视觉三维测绘系统和方法
CN106340004A (zh) * 2016-08-08 2017-01-18 吉林大学 一种基于模糊聚类预处理云系的并行云迹风反演方法
CN106526558A (zh) * 2016-09-27 2017-03-22 天津大学 基于多普勒天气雷达资料的阵风锋自动识别方法
CN107356926A (zh) * 2017-06-08 2017-11-17 湖南师范大学 基于Hu矩的差值云团外推降雨预测算法
CN207008056U (zh) * 2017-06-08 2018-02-13 湖南师范大学 基于Hu矩的差值云团外推降雨预测装置
CN107862216A (zh) * 2017-10-13 2018-03-30 布比（北京）网络技术有限公司 用于匿名跨链交易的隐私保护方法、装置和存储介质
KR20190138121A (ko) * 2018-06-04 2019-12-12 에스케이플래닛 주식회사 부분 마스킹 기반의 효율적 캐시를 이용한 클라우드 스트리밍 서비스 방법 및 이를 위한 장치
CN110287898A (zh) * 2019-06-27 2019-09-27 苏州中科天启遥感科技有限公司 一种光学卫星遥感影像云检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ALESSANDRO RENZAGLIA 等: ""Monitoring the evolution of clouds with UAVs"", 《2016 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION (ICRA)》 *
PHILIPP OETTERSHAGEN 等: ""Real-time 3D wind field prediction onboard UAVs for safe flight in complex terrain"", 《2019 IEEE AEROSPACE CONFERENCE》 *
黄小兵: ""无人机航测技术在风电场测图中的应用"", 《北京测绘》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113504786A (zh) * 2021-07-08 2021-10-15 中国南方电网有限责任公司超高压输电公司大理局 一种基于风向的无人机飞行调整方法及装置
CN116309531A (zh) * 2023-04-12 2023-06-23 江苏省特种设备安全监督检验研究院 一种风场测量方法、系统及存储介质
CN116309531B (zh) * 2023-04-12 2023-10-03 江苏省特种设备安全监督检验研究院 一种风场测量方法、系统及存储介质

Also Published As

Publication number Publication date
CN112347956B (zh) 2022-05-06

Similar Documents

Publication Publication Date Title
Udin et al. Assessment of photogrammetric mapping accuracy based on variation flying altitude using unmanned aerial vehicle
US10191486B2 (en) Unmanned surveyor
CN107514993B (zh) 基于无人机的面向单体建筑建模的数据采集方法及系统
CN104482934B (zh) 一种多传感器融合的超近距离自主导航装置与方法
CN107390704B (zh) 一种基于imu姿态补偿的多旋翼无人机光流悬停方法
Thurrowgood et al. A biologically inspired, vision‐based guidance system for automatic landing of a fixed‐wing aircraft
CN112347956B (zh) 基于多无人机和机器视觉的云观测系统及方法
Johnson et al. Real-time terrain relative navigation test results from a relevant environment for Mars landing
Chiabrando et al. Direct photogrammetry using UAV: tests and first results
CN110472477A (zh) 一种利用rtk版无人机搭载红外相机监测覆冰方法
US8649917B1 (en) Apparatus for measurement of vertical obstructions
US20100097460A1 (en) Apparatus for measurement of vertical obstructions
Tulldahl et al. Lidar on small UAV for 3D mapping
Hill et al. Ground-to-air flow visualization using Solar Calcium-K line Background-Oriented Schlieren
CN115588144A (zh) 基于高斯动态阈值筛选的实时姿态捕捉方法及装置、设备
Elbahnasawy et al. Multi-sensor integration onboard a UAV-based mobile mapping system for agricultural management
RU2513900C1 (ru) Способ и устройство определения координат объектов
Whitehead et al. Low-cost, on-demand aerial photogrammetry for glaciological measurement.
CN113074715A (zh) 无人机高精度目标定位方法
CN205594455U (zh) 一种输电线路杆塔的三维建模系统
CN111950524A (zh) 一种基于双目视觉和rtk的果园局部稀疏建图方法和系统
Li et al. Prediction of wheat gains with imagery from four-rotor UAV
RU2466355C1 (ru) Способ получения навигационной информации для автоматической посадки беспилотных летательных аппаратов (бла)
CN205354138U (zh) 无人飞行器
CN115144879A (zh) 一种多机多目标动态定位系统及方法

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