CN112801983A - 基于摄影测量的边坡全域沉降检测方法及系统 - Google Patents
基于摄影测量的边坡全域沉降检测方法及系统 Download PDFInfo
- Publication number
- CN112801983A CN112801983A CN202110121029.5A CN202110121029A CN112801983A CN 112801983 A CN112801983 A CN 112801983A CN 202110121029 A CN202110121029 A CN 202110121029A CN 112801983 A CN112801983 A CN 112801983A
- Authority
- CN
- China
- Prior art keywords
- slope
- point cloud
- image
- settlement
- sparse
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000008859 change Effects 0.000 claims abstract description 25
- 238000000691 measurement method Methods 0.000 claims description 14
- 238000006073 displacement reaction Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000011038 discontinuous diafiltration by volume reduction Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 11
- 238000005516 engineering process Methods 0.000 description 7
- 238000004062 sedimentation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明涉及边坡监测技术领域，公开一种基于摄影测量的边坡全域沉降检测方法及系统，以提高便捷性和精准度。方法包括：根据边坡特征现场布设并测量像控点；利用摄影设备对边坡进行拍摄，根据图像构建边坡的稀疏点云信息，并利用像控点信息对稀疏点云坐标系进行校正；基于稀疏点云信息生成密集点云，并利用像控点信息配准前后两期边坡密集点云信息；基于高精度配准的边坡密集三维点云，生成前后两期边坡数字高程模型DEM及数字正射影像DOM，以前后两期DEM对比确定地形变化区域，并以前后两期DOM确定影像变化区域；根据地形变化区域和影像变化区域得到真实沉降区域。
Description
技术领域
本发明涉及边坡监测技术领域，尤其涉及一种基于摄影测量的边坡全域沉降检测方法及系统。
背景技术
我国是滑坡等自然灾害的高发区，由于地质结构的不稳定性，常因地质变化引发滑坡，对社会经济建设和发展造成巨大危害。目前，常通过应力应变及位移变形监测，来判断其稳定状况。其中位移变形监测通过定期检测边坡变形情况，可以判断其稳定状态，并预估是否可能会发生危险。对于位移变形监测，目前最常用的方法有GPS、三维激光扫描法，此外还有无人机靶向检测技术。然而GPS法的精度受到气候影响，误差可达十米量级，精度很难达到工程实践应用的需求；三维激光扫描法则需要用激光逐个扫描目标，所需时间较长，对于大规模边坡，测站点的选取也将受到影响；无人机靶向检测技术虽然检测的精度较高，但仅能获取个别点位的信息，无法获取全域信息。
针对上述问题中存在的不足之处，本发明提供一种基于摄影测量的边坡全域沉降检测方法及系统，使其作业方式更加灵活，外业工作强度小，非接触的获取较为精确的边坡全域的沉降变形情况。
发明内容
本发明目的在于公开一种基于摄影测量的边坡全域沉降检测方法及系统，以提高便捷性和精准度。
为达上述目的，本发明公开基于摄影测量的边坡全域沉降检测方法，包括：
步骤S1、根据边坡特征现场布设并测量像控点；
步骤S2、利用摄影设备对边坡进行拍摄，根据图像构建边坡的稀疏点云信息，并利用像控点信息对稀疏点云坐标系进行校正；
步骤S3、基于稀疏点云信息生成密集点云，并利用像控点信息配准前后两期边坡密集点云信息；
步骤S4、基于高精度配准的边坡密集三维点云，生成前后两期边坡数字高程模型DEM(Digital Elevation Model)及数字正射影像DOM(Digital Orthophoto Map)，以前后两期DEM对比确定地形变化区域，并以前后两期DOM确定影像变化区域；根据地形变化区域和影像变化区域得到真实沉降区域。
优选地，所述步骤S1中，从GPS-RTK测量技术、全站仪测量技术中筛选出匹配的像控点测量方法，或以GPS-RTK测量技术结合全站仪测量技术确定组合的像控点测量方法。
优选地，所述步骤S2中，在利用摄影设备对边坡进行拍摄时，图像的旁向及航线重叠率都大于60％；并采用从运动结构法，将图像生成为稀疏三维点云，或通过自动空三测量、区域网平差处理生成边坡的稀疏三维点云；且利用步骤S1中布设和测量的像控点，优化并校正边坡稀疏三维点云到真实的平面坐标系统。
优选地，所述步骤S3中，在基于稀疏点云信息生成密集点云的过程中，包括：
步骤S31、对校正的边坡稀疏三维点云进行去噪处理，包括去除孤立点云、去除真实地形表面覆盖物点云，优化生成反映真实地形的边坡稀疏三维点云；以及
步骤S32、利用多视角立体视觉系统对稀疏三维点云进行插值计算生成边坡密集三维点云，再利用无变形且易识别区的像控点信息消除边坡外稳定无变化区的点云位置差异，对前后两期边坡三维点云进行最终的精确配准。
优选地，所述步骤S4中，包括：
在前后两期DEM图像上建立起对应关系并寻找各栅格像元的对应点；
对前后两期栅格像元点的颜色、纹理、散斑、灰度特征进行对比，其中，对比结果为零值的区域为沉降无变化区，负值区域则为沉降区。
优选地，所述步骤S4中，采用图像差值法中的单波段比较、特征指数比较、或图像变换法中的主成分分析对比前后两期DOM文件获取边坡范围内的影像变化区域。
优选地，所述步骤S4中还包括：
将地形变化区域与影像变化区域进行叠加，通过综合分析以建立边坡沉降判译标志，然后根据该标志筛选、圈定和提取出边坡内的所有真实沉降区域，获得包含位移量和方向的位移矢量，将位移矢量表示为二维平面场得到边坡的平面沉降场。
优选地，本发明方法还包括：
步骤S5、在确定真实沉降区域后，通过前后两期边坡对比，计算各沉降区域的沉降量。例如：加载边坡的平面沉降场，计算所有负值栅格值之和的绝对值，再分别乘以每个栅格单元面积，获得边坡在前后两期之间由于沉降引起的坡体物质减少体积。
为达上述目的，本发明还公开一种基于摄影测量的边坡全域沉降检测系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法所对应的步骤。
本发明具有以下有益效果：
通过摄影方式采集图像，便捷高效。基于像控点信息配准前后两期边坡密集点云信息，确保了对比的精度并解决了传统边坡沉降监测范围小的问题。基于高精度配准的边坡密集三维点云，生成前后两期边坡数字高程模型DEM及数字正射影像DOM，以前后两期DEM对比确定地形变化区域，并以前后两期DOM确定影像变化区域；根据地形变化区域和影像变化区域得到真实沉降区域；可以实现对边坡的大范围沉降的监测，且整体监测效果科学可靠。
下面将参照附图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明的基于摄影测量的边坡全域沉降检测方法的流程图。
图2为本发明的实例中稀疏点云的重建图。
图3为本发明的实例中密集点云的重建图。
图4为本发明的实例中前后两期边坡点云模型的配准图。
图5为本发明的实例中边坡沉降检查及量测示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
实施例1
如图1所示，本发明所述的一种基于摄影测量的边坡全域沉降检测方法，步骤包含：
步骤S1、根据边坡特征现场布设并测量像控点。
步骤S2、利用摄影设备对边坡进行拍摄，根据图像构建边坡的稀疏点云信息，并利用像控点信息对稀疏点云坐标系进行校正。
步骤S3、基于稀疏点云信息生成密集点云并利用像控点信息，配准前后两期边坡密集点云信息。
步骤S4、前后两期边坡的沉降检测。
步骤S5、前后两期边坡的沉降量计算。
其中各步骤更细分的实现方式分述如下：
在步骤S1中，根据边坡特征现场布设并测量像控点。
本实施例可基于边坡特征确定控制测量方法，依据控制测量要求，在覆盖边坡并适当向外延伸的范围内，现场选择或布设在高清相片上清晰、易识别的像控点，通过控制测量获得所有像控点的高精度三维坐标。具体包括：
S1-1、基于边坡特征的控制测量方法选择。
通常情况下，优先选择GPS RTK测量技术；在GPS定位条件受限区域，如信号无或弱的高陡峡谷边坡，则应选择全站仪测量技术；而对于环境条件复杂边坡，可以综合考虑多种技术相结合。
S1-2、像控点的现场选择或布设。
在覆盖边坡并适当向外延伸的范围内，直接选择和标识在高清相片上清晰、易识别的特征点，如房屋、公路、出露基岩等作为像控点。像控点的布设应在边坡相片采集前完成，以保证相片上可以清楚分辨所有像控点位置。
在步骤S2中，利用摄影设备对边坡进行拍摄，根据图像构建边坡的稀疏点云信息，并利用像控点信息对稀疏点云坐标系进行校正。其可进一步细分为下述过程：
S2-1、边坡高清相片采集。
根据边坡特征，本案例中采用为无人机设备进行相片采集，检查航线规划、无人机与相机参数及状态正常后，选择相对平坦开阔的位置作为起降点，进行正式飞行及影像采集。飞行过程以无人机按照规划航线自主飞行及相机自主拍摄相片为主，特殊情况下进行人工干预。飞行结束后检查相片质量及无人机各模块状态是否正常，重点是保证照片清晰，旁向及航线重叠率都应大于60％，并且覆盖范围完整。
S2-2、基于数字摄影测量技术的边坡稀疏三维点云生成。
可采用从运动结构法(SfM，Structure from Motion)，将图像生成如图2所示的稀疏三维点云；或通过自动空三测量、区域网平差等初步处理生成边坡的稀疏三维点云。
S2-3、基于像控点的边坡三维点云坐标校正。
设置边坡稀疏三维点云为平面坐标系统，利用S1中布设和测量的像控点，在三维点云中识别并输入像控点的精确三维坐标，优化并校正边坡稀疏三维点云到真实的平面坐标系统，提升边坡平面及高程精度。
在步骤S3中，其基于稀疏点云信息生成密集点云并利用像控点信息，配准前后两期边坡密集点云信息。具体的细分过程可进一步细分为：
S3-1、如图3所示的密集三维点云生成。
对校正的边坡稀疏三维点云进行去噪处理，包括去除孤立点云、去除真实地形表面覆盖物(如植被、建筑物等)点云等，进一步优化生成反映真实地形的边坡稀疏三维点云。利用多视角立体视觉系统(MVS，Multiple View Stereo)对稀疏点云进行插值计算生成边坡密集三维点云。
S3-2、如图4所示密集点云配准。
利用无变形且易识别区(如大片基岩出露、平坦公路路面等)的像控点信息，严格消除边坡外稳定无变化区的点云位置差异，对前后两期边坡三维点云进行最终的精确配准。
在步骤S4中，前后两期边坡的沉降检测主要是利用前后两期配准的点云信息，完成边坡沉降检测。细分过程可划分为：
S4-1、如图5所示边坡平面沉降场获取。
基于高精度配准的边坡密集三维点云，生成前后两期边坡数字高程模型DEM及数字正射影像DOM。采用数字图像相关分析方法(DIC，Digital Image Correlation)，即以前期DOM及DEM为参考图像，以后期相应的DOM及DEM为目标图像，利用各栅格像元点的颜色、纹理、散斑、灰度等特征，在前后图像上建立起对应关系并寻找各栅格像元的对应点。其中DEM对比结果为零值的区域为沉降无变化区，负值区域则为沉降区，可获取边坡前后两期的沉降变化区域；利用遥感图像处理软件常用的直接比较法，例如图像差值法中的单波段比较、特征指数比较，或图像变换法中的主成分分析等，对比DOM文件可获取边坡范围内的影像变化区域。将地形变化区域与影像变化区域进行叠加，通过人工识别等综合分析以建立边坡沉降判译标志，最后根据该标志筛选、圈定和提取出边坡内的所有真实沉降区域，可获得包含位移量和方向的位移矢量，将位移矢量表示为二维平面场即得到了边坡的平面沉降场。
在本实施例步骤S5中，前后两期边坡的沉降量算可包括边坡整体沉降量获取。一种可选的具体过程如：加载边坡的平面沉降场，计算所有负值栅格值之和的绝对值(即所有沉降值之和)，再分别乘以每个栅格单元面积，可获取边坡在前后两期之间由于沉降引起的坡体物质减少体积。其中，如果边坡内存在较大面积的零值区域，而负值区域呈分散分布，表明该边坡主要以局部沉降为主；反之，如果边坡内零值区域较小甚至不存在，而负值区域基本覆盖整个边坡范围，则表明该边坡以整体沉降为主。
实施例2
与上述实施例相对应的，本实施例公开一种基于摄影测量的边坡全域沉降检测系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法所对应的步骤。
综上，本发明上述各实施例所分别公开的基于摄影测量的边坡全域沉降检测方法及系统，具有以下有益效果：
通过摄影方式采集图像，便捷高效。基于像控点信息配准前后两期边坡密集点云信息，确保了对比的精度并解决了传统边坡沉降监测范围小的问题。基于高精度配准的边坡密集三维点云，生成前后两期边坡数字高程模型DEM及数字正射影像DOM，以前后两期DEM对比确定地形变化区域，并以前后两期DOM确定影像变化区域；根据地形变化区域和影像变化区域得到真实沉降区域；可以实现对边坡的大范围沉降的监测，且整体监测效果科学可靠。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于摄影测量的边坡全域沉降检测方法，其特征在于，包括：
步骤S1、根据边坡特征现场布设并测量像控点；
步骤S2、利用摄影设备对边坡进行拍摄，根据图像构建边坡的稀疏点云信息，并利用像控点信息对稀疏点云坐标系进行校正；
步骤S3、基于稀疏点云信息生成密集点云，并利用像控点信息配准前后两期边坡密集点云信息；
步骤S4、基于高精度配准的边坡密集三维点云，生成前后两期边坡数字高程模型DEM及数字正射影像DOM，以前后两期DEM对比确定地形变化区域，其中，在前后两期DEM图像的对比过程中，包括：建立前后两期DEM图像对应关系并寻找各栅格像元的对应点，对前后两期栅格像元点的颜色、纹理、散斑、灰度特征进行对比，其中，对比结果为零值的区域为沉降无变化区，负值区域则为沉降区；与此同时，以前后两期DOM确定影像变化区域；然后将地形变化区域与影像变化区域进行叠加，通过综合分析以建立边坡沉降判译标志，然后根据该标志筛选、圈定和提取出边坡内的所有真实沉降区域，获得包含位移量和方向的位移矢量，将位移矢量表示为二维平面场得到边坡的平面沉降场。
2.根据权利要求1所述的方法，其特征在于，还包括：
步骤S5、在确定真实沉降区域后，通过前后两期边坡对比，计算各沉降区域的沉降量。
3.根据权利要求1或2所述的方法，其特征在于，所述步骤S1中，从GPS-RTK测量技术、全站仪测量技术中筛选出匹配的像控点测量方法，或以GPS-RTK测量技术结合全站仪测量技术确定组合的像控点测量方法。
4.根据权利要求1或2所述的方法，其特征在于，所述步骤S2中，在利用摄影设备对边坡进行拍摄时，图像的旁向及航线重叠率都大于60％；并采用从运动结构法，将图像生成为稀疏三维点云，或通过自动空三测量、区域网平差处理生成边坡的稀疏三维点云；且利用步骤S1中布设和测量的像控点，优化并校正边坡稀疏三维点云到真实的平面坐标系统。
5.根据权利要求1或2所述的方法，其特征在于，所述步骤S3中，在基于稀疏点云信息生成密集点云的过程中，包括：
步骤S31、对校正的边坡稀疏三维点云进行去噪处理，包括去除孤立点云、去除真实地形表面覆盖物点云，优化生成反映真实地形的边坡稀疏三维点云；以及
步骤S32、利用多视角立体视觉系统对稀疏三维点云进行插值计算生成边坡密集三维点云，再利用无变形且易识别区的像控点信息消除边坡外稳定无变化区的点云位置差异，对前后两期边坡三维点云进行最终的精确配准。
6.根据权利要求1或2所述的方法，其特征在于，所述步骤S4中，采用图像差值法中的单波段比较、特征指数比较、或图像变换法中的主成分分析对比前后两期DOM文件获取边坡范围内的影像变化区域。
7.根据权利要求2所述的方法，其特征在于，在所述S5步骤中，包括：
加载边坡的平面沉降场，计算所有负值栅格值之和的绝对值，再分别乘以每个栅格单元面积，获得边坡在前后两期之间由于沉降引起的坡体物质减少体积。
8.一种基于摄影测量的边坡全域沉降检测系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至7任一方法所对应的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110121029.5A CN112801983A (zh) | 2021-01-28 | 2021-01-28 | 基于摄影测量的边坡全域沉降检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110121029.5A CN112801983A (zh) | 2021-01-28 | 2021-01-28 | 基于摄影测量的边坡全域沉降检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112801983A true CN112801983A (zh) | 2021-05-14 |
Family
ID=75812623
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110121029.5A Pending CN112801983A (zh) | 2021-01-28 | 2021-01-28 | 基于摄影测量的边坡全域沉降检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112801983A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113587834A (zh) * | 2021-07-15 | 2021-11-02 | 长江三峡勘测研究院有限公司（武汉） | 一种基于无控摄影测量的边坡变形监测方法 |
| CN113611082A (zh) * | 2021-07-12 | 2021-11-05 | 北京铁科特种工程技术有限公司 | 一种无人机铁路边坡监控与预警系统及方法 |
| CN115797784A (zh) * | 2023-02-06 | 2023-03-14 | 中铁二十五局集团第二工程有限公司 | 公路边坡地质监测方法及监测系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105184863A (zh) * | 2015-07-23 | 2015-12-23 | 同济大学 | 一种基于无人机航拍序列影像的边坡三维重建方法 |
| CN105783878A (zh) * | 2016-03-11 | 2016-07-20 | 三峡大学 | 一种基于小型无人机遥感的边坡变形检测及量算方法 |
-
2021
- 2021-01-28 CN CN202110121029.5A patent/CN112801983A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105184863A (zh) * | 2015-07-23 | 2015-12-23 | 同济大学 | 一种基于无人机航拍序列影像的边坡三维重建方法 |
| CN105783878A (zh) * | 2016-03-11 | 2016-07-20 | 三峡大学 | 一种基于小型无人机遥感的边坡变形检测及量算方法 |
Non-Patent Citations (1)
| Title |
|---|
| 于欢欢等: "基于三维激光扫描技术的边坡变形监测应用研究", 《中州煤炭》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113611082A (zh) * | 2021-07-12 | 2021-11-05 | 北京铁科特种工程技术有限公司 | 一种无人机铁路边坡监控与预警系统及方法 |
| CN113587834A (zh) * | 2021-07-15 | 2021-11-02 | 长江三峡勘测研究院有限公司（武汉） | 一种基于无控摄影测量的边坡变形监测方法 |
| CN113587834B (zh) * | 2021-07-15 | 2023-05-30 | 长江三峡勘测研究院有限公司（武汉） | 一种基于无控摄影测量的边坡变形监测方法 |
| CN115797784A (zh) * | 2023-02-06 | 2023-03-14 | 中铁二十五局集团第二工程有限公司 | 公路边坡地质监测方法及监测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113607135B (zh) | 一种用于路桥施工领域的无人机倾斜摄影测量方法 | |
| CN112801983A (zh) | 基于摄影测量的边坡全域沉降检测方法及系统 | |
| 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 | |
| CN105783878A (zh) | 一种基于小型无人机遥感的边坡变形检测及量算方法 | |
| KR100795396B1 (ko) | 항공레이저 데이터와 수치정사영상을 이용한 도시 변화모니터링 방법 | |
| Huang et al. | Unmanned aerial vehicle based remote sensing method for monitoring a steep mountainous slope in the Three Gorges Reservoir, China | |
| CN103411587B (zh) | 定位定姿方法及系统 | |
| CN111667569B (zh) | 一种基于Rhino及Grasshopper的三维实景土方可视化精准测算方法 | |
| CN110715646B (zh) | 一种地图修测测量方法及装置 | |
| CN115439469B (zh) | 基于无人机的建筑缺陷检测方法、装置及电子设备 | |
| CN116625354A (zh) | 一种基于多源测绘数据的高精度地形图生成方法及系统 | |
| CN110986888A (zh) | 一种航空摄影一体化方法 | |
| CN111256730A (zh) | 一种用于低空倾斜摄影测量技术的土方平衡修正计算方法 | |
| CN111964599A (zh) | 基于倾斜摄影测量技术的公路高边坡表面变形监测及分析方法 | |
| Jiang et al. | Determination of construction site elevations using drone technology | |
| Rebelo et al. | Building 3D city models: Testing and comparing Laser scanning and low-cost UAV data using FOSS technologies | |
| Jakopec et al. | A novel approach to landslide monitoring based on unmanned aerial system photogrammetry | |
| Chen et al. | A non-contact measurement method for rock mass discontinuity orientations by smartphone | |
| CN109357635A (zh) | 一种基于图像的特色建筑立面图测绘方法 | |
| Saponaro et al. | Influence of co-alignment procedures on the co-registration accuracy of multi-epoch SFM points clouds | |
| Chunsen et al. | Research on volumetric calculation of multi-vision geometry UAV image volume | |
| Zomrawi et al. | Accuracy evaluation of digital aerial triangulation | |
| CN118408521B (zh) | 基于倾斜摄影和三维激光扫描的不动产数据处理系统及其方法 | |
| CN113450348B (zh) | 基于高分辨率立体像对影像的土壤侵蚀定量估算方法 | |
| La Rocca | A photogrammetry application to rockfall monitoring: The Belca, Slovenia case study |
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 |