CN112923904A - 面向多无人机协同摄影测量的地质灾害隐患探测方法 - Google Patents
面向多无人机协同摄影测量的地质灾害隐患探测方法 Download PDFInfo
- Publication number
- CN112923904A CN112923904A CN202110107237.XA CN202110107237A CN112923904A CN 112923904 A CN112923904 A CN 112923904A CN 202110107237 A CN202110107237 A CN 202110107237A CN 112923904 A CN112923904 A CN 112923904A
- Authority
- CN
- China
- Prior art keywords
- geological disaster
- image
- unmanned aerial
- hidden danger
- aerial vehicle
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4038—Scaling the whole image or part thereof for image mosaicing, i.e. plane images composed of plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明涉及地质灾害隐患探测领域,提出一种面向多无人机协同摄影测量的地质灾害隐患探测方法,该方法包括:首先,判断待探测区域的形状;其次,根据待探测区域的形状计算多无人机协同摄影测量航迹规划路线;然后,多无人机在所述规划路线上同时采集多时空尺度全景图像图并将其拼接;再然后,根据拼接后的全景图像图生成高精度数字高程模型和正射图像;再然后,自动识别地质灾害隐患点并分类,并自动识别出具有地质灾害隐患点区域中的地面微小变形;最后,利用识别出的地面微小变形进行地质灾害预警。本发明能够实现无人机数字影像的快速生成,达到一体化地质灾害的探测,促进地质灾害探测领域的技术发展。
Description
技术领域
本发明涉及地质灾害隐患探测领域,具体涉及一种面向多无人机协同摄影测量的地质灾害隐患探测方法。
背景技术
无人机覆盖航迹规划(Coverage Path Planning,CPP)定义为:在满足某种(某些)性能指标最优的前提下,避开障碍物和威胁源,规划出一条能够遍历待覆盖区域的最优飞行路线。在机器人领域,该技术称为区域覆盖路径规划(Coverage Path Planning,CPP)技术。
覆盖航迹规划和传统意义下的航迹规划有所不同。传统意义下的航迹规划指的是点对点的航迹规划,定义为:在一定的环境下,寻找无人机从起始点到目标点满足某种(某些)性能指标,避开所有威胁源和障碍物的最优飞行路线。覆盖航迹规划和点对点航迹规划的不同主要体现在“遍历”上,即覆盖航迹规划需要无人机的传感器对整个区域进行完全遍历。
现今,国内外对覆盖航迹(路径)规划技术的研究主要集中在机器人领域,对无人机领域的研究相对较少。在机器人领域,覆盖路径规划技术的应用领域主要包括:室内清洁、擦窗、割草、自动喷漆、耕犁、播撒、检测探伤、排雷等。在无人机领域,覆盖航迹规划技术的应用领域主要包括:安全监控、战场侦察、目标搜索、地形测绘、矿藏勘测等。
随着无人机在民用及军用领域应用范围的不断扩大,无人机对覆盖航迹规划技术的需求也更加的强烈。由于机器人和无人机所处的环境及特性都有所区别,很多在机器人领域得到成功运用的技术和方法,在无人机领域将不再适用。无人机覆盖航迹规划与机器人覆盖路径规划有一定的相似之处,但也有所区别。主要的区别在于:1)无人机不允许飞行过程中出现直角转弯、停止、侧移,甚至倒退等机动,而机器人则很容易实现上述机动;2)无人机转弯时有最小转弯半径的限制,而机器人一般则没有;3)无人机携带成像传感器的探测范围会随着无人机飞行高度、俯仰角、偏航角和滚转角的变化而变化,而机器人则不会出现这种情况。因此,有必要对无人机领域的覆盖航迹规划技术进行研究。
并且,由于大多数的待覆盖区域均为多边形区域,并且由于多边形具有很多优良的特性(如顶点坐标及边界函数易于表示等),主要对多边形区域的覆盖航迹规划技术进行研究。对于非多边形区域的覆盖航迹规划问题,很容易通过多边形的近似逼近转换为多边形区域的覆盖航迹规划问题进行研究。
另外,传统的地质灾害隐患研判主要依靠专业人员对海量监测影像进行人工识别,工作量大,效率相对较低。
发明内容
本发明的目的是提供一种面向多无人机协同摄影测量的地质灾害隐患探测方法,能够实现无人机数字影像的快速生成,达到一体化地质灾害的探测,促进地质灾害探测领域的技术发展。
本发明解决其技术问题,采用的技术方案是:
本发明提出一种面向多无人机协同摄影测量的地质灾害隐患探测方法,包括如下步骤:
判断待探测区域的形状;
根据待探测区域的形状计算多无人机协同摄影测量航迹规划路线;
多无人机在所述规划路线上同时采集多时空尺度全景图像图并将其拼接;
根据拼接后的全景图像图生成高精度数字高程模型和正射图像;
自动识别地质灾害隐患点并分类,并自动识别出具有地质灾害隐患点区域中的地面微小变形;
利用识别出的地面微小变形进行地质灾害预警。
进一步的是,所述根据待探测区域的形状计算多无人机协同摄影测量航迹规划路线,具体包括如下步骤:
根据无人机动力学模型,以及机动性能约束、航摄重叠度约束、航摄控制点约束、多无人机冲突约束的约束条件,以航摄时间和控制量的加权和为优化指标,建立多无人机协同航摄轨迹优化的数学模型;
采用遗传算法与Guass伪谱法混合优化方法,优化策略采用内-外两层嵌套迭代优化,其中,外层循环中,利用遗传算法的全局优化性能,优化无人机航摄的出发点位置分布;内层循环中,采用Guass伪谱法优化无人机航摄轨迹,通过Lagrange多项式拟合和全局插值近似将最优控制问题离散化,转换为非线性规划问题,采用序列二次规划方法求解,获取局部最优航迹及性能指标值。
进一步的是,所述多无人机在所述规划路线上同时采集多时空尺度全景图像图并将其拼接,具体包括如下步骤:
图像匹配效果是决定正射图像和三维地形图生成速度和精度的关键因素,利用附加参数的光束法平差模型检校相机物镜畸变差,利用低通滤波抑制图像的高频噪声,基于Wallis滤波的多幅图像匀光法对图像进行色彩一致性处理,获取高质量的航空数字图像;
利用的超像素分割算法对图像中的不同地形区域进行划分;
根据图像的具体特点,在分割结果的基础上,利用各个超像素的空间相邻关系以及颜色信息,对相邻同类地形的区域进行区域融合;
在各个超像素区域内进行特征点提取与匹配处理,建立各区域内特征点之间的立体匹配对应关系,实现图像的拼接与融合。
进一步的是,所述根据拼接后的全景图像图生成高精度数字高程模型和正射图像,具体包括如下步骤:
对获得的数据进行定向参数的计算,至少包括相对定向和绝对定向计算,用于为空三加密准备经剔除粗差后的足够数量的像点;
进行空中三角测量计算;
展开核线采集与图像匹配;
建立高精度数字高程模型,并快速生成高精度正射图像。
进一步的是,所述自动识别地质灾害隐患点并分类,具体包括如下步骤:
获得各地质灾害类型与地形地貌内在联系,并通过专家调查表方式在由高精度数字高程模型生成的高程坐标矩阵图像和高精度正射图像上识别各地质灾害隐患点类型,并选择典型特征区域作为训练样本;
利用生物视神经网络算法从训练样本的颜色特征和形状特征,获得各类型地质灾害隐患点的颜色特征和形状特征;
对待识别区域进行无人机航摄图像采集获得高程坐标矩阵和高精度正射图像,并将高程坐标矩阵和高精度正射图像分割为特定大小的多幅图像并进行颜色特征和形状特征提取;
将上述颜色特征和形状特征与各地质灾害隐患点类型的颜色和形状特征进行比较,将比较结果进行综合计算,判定待识别区域地质灾害隐患的类型,实现无人机图像地质灾害点的自动识别分类。
进一步的是,所述自动识别出具有地质灾害隐患点区域中的地面微小变形,具体包括如下步骤:
通过无人机航摄自动识别出具有地质灾害隐患点区域;
利用无人机航摄获取该区域不同时刻的数字图像,形成区域序列影像,并生成高精度的高精度正射图像序列和高程坐标矩阵序列;
以时间先后为序,最早的数据作为基准值,其他位序列值,分析个序列图像中是否有移动点并计算出位移量;
获得移动点的坐标并计算该点实际变形量,进而探测地面微小变形。
进一步的是,在探测地面微小变形时,还选取变形量大小、位置和地质灾害发生的典型区域进行样本训练,获得变形量、位置与地质灾害发生的特征联系。
进一步的是,对典型示范区域进行地面微小变形探测,当变形量和位置与上述特征联系匹配时,可判定地质灾害发生的可能性,当可能性较大时系统自动报警,并对该区域考察以确定或排除地质灾害是否即将发生,对于即将发生的地质灾害即可立即预警,并做好应急方案。
本发明的有益效果是,通过上述面向多无人机协同摄影测量的地质灾害隐患探测方法,通过对多无人机协同摄影测量航迹规划方法、多重时空尺度的无人机图像快速处理技术、地质灾害隐患点/地面微小变形自动识别技术等的研究,不仅能够弥补传统地质勘测的不足和缺陷,完成各种地形条件的地表调查、地质灾害排查工作,还能解决目前由于UAVRS系统平台容易受高空风力、气流影响以及UAVRS影像像幅较小、数量多,而出现的航拍影像航向重叠度和旁向重叠度都不够规则、匹配复杂度高,航拍影像变形、影像倾角过大且倾斜方向没有规律、影像灰度不一致,图像数据处理分析工作量大、效率低等问题。另外,本发明还能实现无人机数字影像的快速生成,达到一体化地质灾害的探测,促进地质灾害探测领域的技术发展。
附图说明
图1为本发明实施例中面向多无人机协同摄影测量的地质灾害隐患探测方法的流程图;
图2为本实施例总体技术路线图;
图3为本实施例多无人机协同航摄轨迹优化流程图;
图4为本实施例多时空尺度全景影像图快速拼接路线图;
图5为本实施例高精度DEM与DOM自动生成路线图;
图6为本实施例地质灾害隐患点自动识别分类技术路线图;
图7为本实施例地面微小变形识别技术路线图。
具体实施方式
下面结合附图及实施例,详细描述本发明的技术方案。
实施例
本实施例提出一种面向多无人机协同摄影测量的地质灾害隐患探测方法,其流程图见图1,其中,该方法包括如下步骤:
S1、判断待探测区域的形状;
S2、根据待探测区域的形状计算多无人机协同摄影测量航迹规划路线;
S3、多无人机在所述规划路线上同时采集多时空尺度全景图像图并将其拼接;
S4、根据拼接后的全景图像图生成高精度数字高程模型和正射图像;
S5、自动识别地质灾害隐患点并分类,并自动识别出具有地质灾害隐患点区域中的地面微小变形;
S6、利用识别出的地面微小变形进行地质灾害预警。
本实施例中,首先按照以下主要构思实现:
一、目标任务
(1)建立面向多无人机协同摄影测量的高精度正射影像快速生成技术体系。建立多无人机协同测量的航迹规划技术,大幅提升测量效率和测量影像质量指标。建立多重时空尺度的无人机图像畸变纠正和拼接技术,以及高精度数字高程模型(DEM)和正射影像(DOM)的自动生成技术,建立高效、高精度的无人机摄影测量技术体系。
(2)建立人工智能的地质灾害隐患/地面微小变形识别技术。建立基于无人机影像的地质灾害隐患点人工智能识别方法,以及具有高时空分辨率的地面微小变形自动识别方法,大幅降低地质灾害隐患/地面微小变形探测的人为干预工作量,提升预测效率和预测可靠度。
二、研究内容
依据无人机遥感的作业流程,分别开展多无人机协同摄影测量航迹规划方法研究、多重时空尺度的无人机图像快速处理技术研究、地质灾害隐患/地面微小变形识别技术,形成面向多无人机协同摄影测量的数字产品快速生成及地质灾害隐患/地面微小变形探测技术体系,具体研究内容如下:
(1)多无人机协同摄影测量航迹规划方法研究
目前,无人机摄影测量存在测量效率相对较低,影像重叠度不规则等问题,需要研究多无人机协同航摄轨迹规划方法,大幅提高测量效率,优化无人机航摄质量的关键指标,如航线弯曲度、航摄影像重叠度等。具体研究内容为:建立多无人机协同摄影轨迹规划问题的数学模型,选取影响摄影质量的关键航迹指标,设计约束条件和性能指标函数,研究多无人机协同摄影测量的航迹优化方法,并以实际优化算例考核优化方法的可靠性和计算效率,分析无人机数量、无人机出发点位置等因素对优化效果的影响。
(2)多重时空尺度的无人机图像快速处理技术研究
针对无人机摄影测量中使用的相机镜头畸变以及大气折光、空气密度温度不均等环境噪声,研究无人机影像预处理方法,修正影像畸变,抑制测量噪声;研究按地形类型划分的无人机图像超像素分割方法,以及鲁棒、高效的地形自适应图像特征提取与匹配算法,对多尺度、小相幅、高数量的无人机影像进行快速配准与融合,拼接全景影像图;建立数字高程模型与正射影像自动生成方法,并利用无人机图像处理实验考核方法的可靠性和快速性。
(3)地质灾害隐患/地面微小变形识别技术
传统的地质灾害隐患研判主要依靠专业人员对海量监测影像进行人工识别,工作量大,效率相对较低,需要利用人工智能技术分析图像信息,发展基于无人机影像的地质灾害隐患点特征提取与识别技术;建立地面变形特征的智能专家数据库,并利用高时间分辨率的数字地形数据实时分析,发展基于动态数字地形模型分析的地面微小变形识别技术。
本实施例依照无人机摄影测量作业流程,重点研究多无人机协同摄影测量航迹优化技术、多重时空尺度的无人机图像拼接与融合技术、高精度数字高程模型与正射影像自动生成技术、地质灾害隐患点的自动识别分类技术,以及地面微小变形区识别技术,形成面向多无人机协同摄影测量的地质灾害隐患/地面微小变形探(监)测技术体系,并选择典型示范区开展多无人机协同探(监)测实验,验证所建立的技术体系的可靠性。实施例总体技术路线如图2所示。
具体应用过程中,本实施例按以下步骤实现:
(1)多无人机协同摄影测量航迹规划方法研究
根据无人机动力学模型,以及机动性能约束、航摄重叠度约束、航摄控制点约束、多无人机冲突约束等约束条件,以航摄时间和控制量的加权和为优化指标,建立多无人机协同航摄轨迹优化的数学模型。采用遗传算法与Guass伪谱法混合优化方法,优化策略采用内-外两层嵌套迭代优化:外层循环中,利用遗传算法的全局优化性能,优化无人机航摄的出发点位置分布;内层循环中,采用Guass伪谱法优化无人机航摄轨迹,通过Lagrange多项式拟合和全局插值近似将最优控制问题离散化,转换为非线性规划问题(NLP),采用序列二次规划方法求解,获取局部最优航迹及性能指标值,优化框架如图3所示:
(2)多时空尺度全景影像图快速拼接
影像匹配效果是决定正射影像和三维地形图生成速度和精度的关键因素。首先,利用附加参数的光束法平差模型检校相机物镜畸变差,利用低通滤波抑制影像的高频噪声,基于Wallis滤波的多幅影像匀光法对影像进行色彩一致性处理,获取高质量的航空数字影像;而后,利用的超像素分割算法对影像中的不同地形区域进行划分;然后,根据影像的具体特点,在分割结果的基础上,利用各个超像素的空间相邻关系以及颜色信息,对相邻同类地形的区域进行区域融合;随后,在各个超像素区域内进行特征点提取与匹配处理,建立各区域内特征点之间的立体匹配对应关系,实现图像的拼接与融合。具体技术路线如图4所示:
(3)高精度DEM与DOM自动生成
首先,对获得的数据进行定向参数的计算,主要包括相对定向和绝对定向计算,为空三加密准备了经剔除粗差后的足够数量的像点。然后,进行空中三角测量计算,在少量地面控制点的情况下,快速地解决影像的定向及地面点加密问题。随后,展开核线采集与影像匹配算法研究。最后,建立DEM模型,实现高精度DOM的快速生成。具体技术路线如图5所示:
(4)地质灾害隐患点自动识别分类
首先,查阅资料获得各地质灾害类型与地形地貌内在联系,并通过专家调查表方式在由DEM生成的高程坐标矩阵图像和DOM图像上识别各地质灾害隐患点类型,并选择典型特征区域作为训练样本;然后,利用生物视神经网络算法从训练样本的颜色特征和形状特征两方面着手,获得各类型地质灾害隐患点的颜色特征和形状特征;随后,对待识别区域进行无人机航摄图像采集获得高程坐标矩阵和DOM图像,为加快识别效率,将高程坐标矩阵和DOM图像分割为特定大小的多幅图像并进行颜色特征和形状特征提取;最后,将上述颜色特征和形状特征与各地质灾害隐患点类型的颜色和形状特征进行比较,将比较结果进行综合计算,判定待识别区域地质灾害隐患的类型,实现无人机图像地质灾害点的自动识别分类。具体技术路线如图6所示:
(5)地面微小变形识别技术研究
通过无人机航摄自动识别出具有地质灾害隐患点区域,要对其地面微小变形重点探(监)测,预测地灾发生的可能性。首先,利用无人机航摄获取该区域不同时刻的数字图像,形成区域序列影像,利用前述技术生成高精度的DOM图像序列和高程坐标矩阵序列;然后,以时间先后为序,最早的数据作为基准值,其他位序列值,分析个序列图像中是否有移动点并计算出位移量;最后,获得移动点的坐标并计算该点实际变形量,进而探(监)测地面微小变形。
探(监)测地面微小变形的目的是为了对地质灾害进行预警。因此,还需选取变形量大小、位置和地质灾害发生的典型区域进行样本训练,获得变形量、位置与地质灾害发生的特征联系。这样,对典型示范区域进行地面微小变形探(监)测,当变形量和位置与上述特征联系匹配时,可判定地质灾害发生的可能性。当可能性较大时系统自动报警,并请相关专家对该区域考察以确定或排除地质灾害是否即将发生,对于即将发生的地质灾害即可立即预警,并做好应急方案。这样,就构建了该区域的地质灾害探测与预警体系。具体技术路线如如图7所示。
通过本实施例提供的上述方法,提出了一种快速、准确的无人机摄影测量方法体系,可以针对无人机摄影作业的图像获取和图像处理两个关键环节,提出了多无人机协同测量的高效、高质量影像获取技术,以及地形自适应的变尺度无人机图像快速配准技术。本实施例将两种方法相结合,形成了高效可靠的无人机摄影测量方法体系。
并且,还搭建了一种高度自动化的灾害地质特征智能探测系统。本实施例将人工智能技术与正射影像的特征提取与匹配技术相结合,建立了一种高精度正射影像人工智能解译技术,应用到地质灾害/地面微小变形探测领域,搭建了基于SLIC超像素分割的地质灾害隐患识别系统,以及高时空分辨率的地面变形探测系统,可应用于危岩体、滑坡、泥石流等地质灾害的探测以及特定地形区域变形监测工作。
具体而言,本实施例中,建立了多无人机协同摄影测量航迹规划技术。本实施例利用无人机摄影质量的航迹指标构造约束条件和性能函数,采用内、外两层循环优化方法迭代优化多无人机航摄出发点和航摄轨迹。其中,外层循环采用遗传算法优化无人机出发点位置分布,内层循环采用Guass伪谱法将轨迹优化问题离散,而后采用序列二次规划法求解最优轨迹,使得多无人机协同摄影测量时,按最佳轨迹运行,从而获取更加清晰、准确的得地形影像。
另外,本实施例还建立了地形自适应的无人机变尺度复杂图像快速配准技术。本实施例采用简单线性迭代聚类(SLIC)的超像素分割算法对无人机数字摄影图像按地形类型进行区域划分,并在各区域内依据地形类型开展自适应图像特征匹配,以提高配准精度和效率。同时利用一种基于尺度空间的、对图像缩放、旋转甚至仿射变换保持不变性的图像局部特征描述算子(SIFT),完成多尺度、复杂几何变化的无人机图像特征匹配。采用此技术能快速拼接出无人机所摄的全景影像图,能够快速、准确地获取同名光线点并进行加密控制点。
最后,本实施例还建立了地质灾害隐患点/地面微小变形自动识别技术。本实施例以典型地质灾害的地形特征作为训练样本,采用生物视神经网络算法获取地质灾害隐患点的颜色特征和形状特征,利用SLIC超像素分割法将正射影像划分为若干地形子区域,在各子区域分别开展隐患点特征匹配与识别,能够提高别效率和准确度。同时,对高时空分辨率的地表高程坐标矩阵序列进行比较,获取地表形状的变化特征信号,并与地质灾害的地表变形特征进行匹配与识别,从而能够提前获得可能会产生地质灾害的区域信息,在一定程度上实现地质灾害提前防范的功能。
需要指出的是,本实施例能够促进无人机数字影像快速生成技术和一体化地质灾害探测技术的发展,本实施例通过对多无人机协同摄影测量航迹规划方法、多重时空尺度的无人机图像快速处理技术、地质灾害隐患点/地面微小变形自动识别技术等的研究,不仅能够弥补传统地质勘测的不足和缺陷,完成各种地形条件的地表调查、地质灾害排查工作,还能解决目前由于UAVRS系统平台容易受高空风力、气流影响以及UAVRS影像像幅较小、数量多,而出现的航拍影像航向重叠度和旁向重叠度都不够规则、匹配复杂度高,航拍影像变形、影像倾角过大且倾斜方向没有规律、影像灰度不一致,图像数据处理分析工作量大、效率低等问题。另外,本实施例还能实现无人机数字影像的快速生成,达到一体化地质灾害的探测,促进地质灾害探测领域的技术发展。
进一步的,本实施例还能带动无人机、智能控制、计算机应用系统等厂家的发展,促进当地社会经济发展本实施例的研发将带动无人机、智能控制、计算机应用系统等领域的发展,随着实施例的开展,将会促进无人机的技术性能的提升,从而带动相关厂家的技术研发,提升产品的竞争力,促进当地经济的发展,随着整体产业链的发展,能够为当地带来更多的就业岗位,缓解当地的就业压力。
最终,本实施例还能帮助减少地质灾害造成的人民生命财产损失,促进和谐社会的发展。我国地质灾害发生频繁且严重,尤其是在西南地区,由于青藏高原快速隆起造成剧烈的构造运动,使得西南地区地形地貌形态复杂,地质灾害频发且种类繁多,汶川地震后,仅2008-2009年间,西南地区由地震触发的地质灾害就达5万多起,造成了巨大的生命财产损失,通过本实施例的开展,能够有效监测地质灾害发生区域和待发生区域的地形地貌变形,并对地质灾害隐患点/地面微小变形能够及时探测,从而实现地质灾害的预防,并且当地质灾害发生后,能探测危岩体、滑坡、泥石流等地质灾害发生过程,及时提供灾情情况,实现灾前灾后的多重保障,减少地质灾害造成的损失,促进和谐社会的发展。
Claims (8)
1.面向多无人机协同摄影测量的地质灾害隐患探测方法,其特征在于,包括如下步骤:
判断待探测区域的形状;
根据待探测区域的形状计算多无人机协同摄影测量航迹规划路线;
多无人机在所述规划路线上同时采集多时空尺度全景图像图并将其拼接;
根据拼接后的全景图像图生成高精度数字高程模型和正射图像;
自动识别地质灾害隐患点并分类,并自动识别出具有地质灾害隐患点区域中的地面微小变形;
利用识别出的地面微小变形进行地质灾害预警。
2.根据权利要求1所述的面向多无人机协同摄影测量的地质灾害隐患探测方法,其特征在于,所述根据待探测区域的形状计算多无人机协同摄影测量航迹规划路线,具体包括如下步骤:
根据无人机动力学模型,以及机动性能约束、航摄重叠度约束、航摄控制点约束、多无人机冲突约束的约束条件,以航摄时间和控制量的加权和为优化指标,建立多无人机协同航摄轨迹优化的数学模型;
采用遗传算法与Guass伪谱法混合优化方法,优化策略采用内-外两层嵌套迭代优化,其中,外层循环中,利用遗传算法的全局优化性能,优化无人机航摄的出发点位置分布;内层循环中,采用Guass伪谱法优化无人机航摄轨迹,通过Lagrange多项式拟合和全局插值近似将最优控制问题离散化,转换为非线性规划问题,采用序列二次规划方法求解,获取局部最优航迹及性能指标值。
3.根据权利要求1所述的面向多无人机协同摄影测量的地质灾害隐患探测方法,其特征在于,所述多无人机在所述规划路线上同时采集多时空尺度全景图像图并将其拼接,具体包括如下步骤:
图像匹配效果是决定正射图像和三维地形图生成速度和精度的关键因素,利用附加参数的光束法平差模型检校相机物镜畸变差,利用低通滤波抑制图像的高频噪声,基于Wallis滤波的多幅图像匀光法对图像进行色彩一致性处理,获取高质量的航空数字图像;
利用的超像素分割算法对图像中的不同地形区域进行划分;
根据图像的具体特点,在分割结果的基础上,利用各个超像素的空间相邻关系以及颜色信息,对相邻同类地形的区域进行区域融合;
在各个超像素区域内进行特征点提取与匹配处理,建立各区域内特征点之间的立体匹配对应关系,实现图像的拼接与融合。
4.根据权利要求1所述的面向多无人机协同摄影测量的地质灾害隐患探测方法,其特征在于,所述根据拼接后的全景图像图生成高精度数字高程模型和正射图像,具体包括如下步骤:
对获得的数据进行定向参数的计算,至少包括相对定向和绝对定向计算,用于为空三加密准备经剔除粗差后的足够数量的像点;
进行空中三角测量计算;
展开核线采集与图像匹配;
建立高精度数字高程模型,并快速生成高精度正射图像。
5.根据权利要求1所述的面向多无人机协同摄影测量的地质灾害隐患探测方法,其特征在于,所述自动识别地质灾害隐患点并分类,具体包括如下步骤:
获得各地质灾害类型与地形地貌内在联系,并通过专家调查表方式在由高精度数字高程模型生成的高程坐标矩阵图像和高精度正射图像上识别各地质灾害隐患点类型,并选择典型特征区域作为训练样本;
利用生物视神经网络算法从训练样本的颜色特征和形状特征,获得各类型地质灾害隐患点的颜色特征和形状特征;
对待识别区域进行无人机航摄图像采集获得高程坐标矩阵和高精度正射图像,并将高程坐标矩阵和高精度正射图像分割为特定大小的多幅图像并进行颜色特征和形状特征提取;
将上述颜色特征和形状特征与各地质灾害隐患点类型的颜色和形状特征进行比较,将比较结果进行综合计算,判定待识别区域地质灾害隐患的类型,实现无人机图像地质灾害点的自动识别分类。
6.根据权利要求1所述的面向多无人机协同摄影测量的地质灾害隐患探测方法,其特征在于,所述自动识别出具有地质灾害隐患点区域中的地面微小变形,具体包括如下步骤:
通过无人机航摄自动识别出具有地质灾害隐患点区域;
利用无人机航摄获取该区域不同时刻的数字图像,形成区域序列影像,并生成高精度的高精度正射图像序列和高程坐标矩阵序列;
以时间先后为序,最早的数据作为基准值,其他位序列值,分析个序列图像中是否有移动点并计算出位移量;
获得移动点的坐标并计算该点实际变形量,进而探测地面微小变形。
7.根据权利要求6所述的面向多无人机协同摄影测量的地质灾害隐患探测方法,其特征在于,在探测地面微小变形时,还选取变形量大小、位置和地质灾害发生的典型区域进行样本训练,获得变形量、位置与地质灾害发生的特征联系。
8.根据权利要求7所述的面向多无人机协同摄影测量的地质灾害隐患探测方法,其特征在于,对典型示范区域进行地面微小变形探测,当变形量和位置与上述特征联系匹配时,可判定地质灾害发生的可能性,当可能性较大时系统自动报警,并对该区域考察以确定或排除地质灾害是否即将发生,对于即将发生的地质灾害即可立即预警,并做好应急方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110107237.XA CN112923904B (zh) | 2021-01-26 | 2021-01-26 | 面向多无人机协同摄影测量的地质灾害隐患探测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110107237.XA CN112923904B (zh) | 2021-01-26 | 2021-01-26 | 面向多无人机协同摄影测量的地质灾害隐患探测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112923904A true CN112923904A (zh) | 2021-06-08 |
CN112923904B CN112923904B (zh) | 2022-09-23 |
Family
ID=76166563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110107237.XA Active CN112923904B (zh) | 2021-01-26 | 2021-01-26 | 面向多无人机协同摄影测量的地质灾害隐患探测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112923904B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378396A (zh) * | 2021-06-22 | 2021-09-10 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种小流域地质灾害隐患点早期识别的方法 |
CN113514037A (zh) * | 2021-07-06 | 2021-10-19 | 东华理工大学 | 基于便携无人机摄影筛查的岩体露头测量方法 |
CN113610924A (zh) * | 2021-10-09 | 2021-11-05 | 中南大学 | 顾及地形效应的线性逼近高精度坐标反算方法、设备和介质 |
CN113820255A (zh) * | 2021-09-01 | 2021-12-21 | 自然资源部第三海洋研究所 | 一种卵石三维粒径的测算方法以及装置 |
CN114485669A (zh) * | 2022-01-20 | 2022-05-13 | 南京航空航天大学 | 一种面向拍摄效用最大化的无人机航迹规划方法 |
CN114518104A (zh) * | 2022-03-14 | 2022-05-20 | 山东三津房地产评估有限公司 | 基于动态遥感监测技术的国土测绘方法、系统及存储介质 |
CN114894163A (zh) * | 2022-05-24 | 2022-08-12 | 中国地质科学院岩溶地质研究所 | 面向多无人机协同摄影测量的地质灾害隐患探测方法 |
WO2023097494A1 (zh) * | 2021-11-30 | 2023-06-08 | 深圳市大疆创新科技有限公司 | 全景图像拍摄方法、装置、无人机、系统及存储介质 |
CN116299727A (zh) * | 2023-03-03 | 2023-06-23 | 中国地质调查局地球物理调查中心 | 一种无人机频域多频电磁探测方法及探测系统 |
CN114485669B (zh) * | 2022-01-20 | 2024-04-19 | 南京航空航天大学 | 一种面向拍摄效用最大化的无人机航迹规划方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU1231092A (en) * | 1991-01-29 | 1992-08-27 | E.I. Du Pont De Nemours And Company | Preparing polyester fine filaments |
US20050260663A1 (en) * | 2004-05-18 | 2005-11-24 | Neal Solomon | Functional proteomics modeling system |
US20060171993A1 (en) * | 2002-03-29 | 2006-08-03 | Bridget Barrett-Reis | Method of improving antioxidant status of an infant |
CN203504694U (zh) * | 2013-10-28 | 2014-03-26 | 四川融鑫信息科技有限公司 | 家用简易监控装置 |
CN105427377A (zh) * | 2015-11-03 | 2016-03-23 | 武汉地大信息工程股份有限公司 | 一种基于无人机的地质灾害数据采集处理方法及装置 |
CN108717588A (zh) * | 2018-06-07 | 2018-10-30 | 哈尔滨工业大学 | 一种基于正交试验设计的轨迹优化初值选取方法 |
CN110207681A (zh) * | 2019-06-21 | 2019-09-06 | 中国电建集团成都勘测设计研究院有限公司 | 基于无人机的地面变形监测方法 |
CN111142119A (zh) * | 2020-01-10 | 2020-05-12 | 中国地质大学(北京) | 一种基于多源遥感数据的矿山地质灾害动态识别与监测方法 |
CN111223183A (zh) * | 2019-11-14 | 2020-06-02 | 中国地质环境监测院 | 一种基于深度神经网络的滑坡地形检测方法 |
WO2020111934A1 (en) * | 2018-11-29 | 2020-06-04 | Mimos Berhad | A method and system for detection of natural disaster occurrence |
CN111678502A (zh) * | 2020-06-09 | 2020-09-18 | 中国科学院东北地理与农业生态研究所 | 基于无人机航测影像提取冻土灾害信息的方法 |
CN111694375A (zh) * | 2020-06-22 | 2020-09-22 | 淮阴工学院 | 翼伞系统航迹规划方法和系统、航迹跟踪控制方法和系统 |
CN111880555A (zh) * | 2020-06-24 | 2020-11-03 | 淮阴工学院 | 翼伞系统避障航迹规划方法和系统 |
CN112148024A (zh) * | 2020-08-20 | 2020-12-29 | 中国人民解放军海军航空大学 | 基于自适应伪谱法的无人机实时在线航迹规划方法 |
CN112198511A (zh) * | 2020-09-14 | 2021-01-08 | 广东省核工业地质局测绘院 | 一种基于星空地一体化地质灾害普查方法 |
-
2021
- 2021-01-26 CN CN202110107237.XA patent/CN112923904B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU1231092A (en) * | 1991-01-29 | 1992-08-27 | E.I. Du Pont De Nemours And Company | Preparing polyester fine filaments |
US20060171993A1 (en) * | 2002-03-29 | 2006-08-03 | Bridget Barrett-Reis | Method of improving antioxidant status of an infant |
US20050260663A1 (en) * | 2004-05-18 | 2005-11-24 | Neal Solomon | Functional proteomics modeling system |
CN203504694U (zh) * | 2013-10-28 | 2014-03-26 | 四川融鑫信息科技有限公司 | 家用简易监控装置 |
CN105427377A (zh) * | 2015-11-03 | 2016-03-23 | 武汉地大信息工程股份有限公司 | 一种基于无人机的地质灾害数据采集处理方法及装置 |
CN108717588A (zh) * | 2018-06-07 | 2018-10-30 | 哈尔滨工业大学 | 一种基于正交试验设计的轨迹优化初值选取方法 |
WO2020111934A1 (en) * | 2018-11-29 | 2020-06-04 | Mimos Berhad | A method and system for detection of natural disaster occurrence |
CN110207681A (zh) * | 2019-06-21 | 2019-09-06 | 中国电建集团成都勘测设计研究院有限公司 | 基于无人机的地面变形监测方法 |
CN111223183A (zh) * | 2019-11-14 | 2020-06-02 | 中国地质环境监测院 | 一种基于深度神经网络的滑坡地形检测方法 |
CN111142119A (zh) * | 2020-01-10 | 2020-05-12 | 中国地质大学(北京) | 一种基于多源遥感数据的矿山地质灾害动态识别与监测方法 |
CN111678502A (zh) * | 2020-06-09 | 2020-09-18 | 中国科学院东北地理与农业生态研究所 | 基于无人机航测影像提取冻土灾害信息的方法 |
CN111694375A (zh) * | 2020-06-22 | 2020-09-22 | 淮阴工学院 | 翼伞系统航迹规划方法和系统、航迹跟踪控制方法和系统 |
CN111880555A (zh) * | 2020-06-24 | 2020-11-03 | 淮阴工学院 | 翼伞系统避障航迹规划方法和系统 |
CN112148024A (zh) * | 2020-08-20 | 2020-12-29 | 中国人民解放军海军航空大学 | 基于自适应伪谱法的无人机实时在线航迹规划方法 |
CN112198511A (zh) * | 2020-09-14 | 2021-01-08 | 广东省核工业地质局测绘院 | 一种基于星空地一体化地质灾害普查方法 |
Non-Patent Citations (11)
Title |
---|
MINGYING HUO,ET AL.: "Optimal planetary rendezvous with an electric sail", 《AIRCRAFT ENGINEERING & AEROSPACE TECHNOLOGY》 * |
SUBBARAO KAMESH,RT AL.: "Hybrid Genetic Algorithm Collocation Method for Trajectory Optimization", 《JOURNAL OF GUIDANCE》 * |
ZHUANG YUFEI,ET AL.: "Path Planning for Unmanned Surface Vehicle based on genetic algorithm and sequential quadratic programming", 《2020 CHINESE AUTOMATION CONGRESS (CAC)》 * |
吕鹏等: "国外基于遥感的滑坡灾害研究方法进展", 《地质学刊》 * |
周兴霞等: "多架无人机协同航摄研究与应用", 《测绘》 * |
常方媛等: "基于SLIC区域分割的三维地形重建算法", 《计算机工程与科学》 * |
廖一寰等: "基于混合规划策略的空间机械臂运动规划研究", 《宇航学报》 * |
张力等: "基于约束满足神经网络的整体影像匹配", 《武汉测绘科技大学学报》 * |
杨丁等: "升力体飞行器能量近似最优倾斜转弯飞行策略", 《北京航空航天大学学报》 * |
程建锋等: "基于Gauss伪谱法的飞机最优目标瞄准控制", 《计算机应用》 * |
陆天和等: "多无人机航迹规划算法及关键技术", 《战术导弹技术》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378396A (zh) * | 2021-06-22 | 2021-09-10 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种小流域地质灾害隐患点早期识别的方法 |
CN113378396B (zh) * | 2021-06-22 | 2023-11-24 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种小流域地质灾害隐患点早期识别的方法 |
CN113514037A (zh) * | 2021-07-06 | 2021-10-19 | 东华理工大学 | 基于便携无人机摄影筛查的岩体露头测量方法 |
CN113820255A (zh) * | 2021-09-01 | 2021-12-21 | 自然资源部第三海洋研究所 | 一种卵石三维粒径的测算方法以及装置 |
CN113610924A (zh) * | 2021-10-09 | 2021-11-05 | 中南大学 | 顾及地形效应的线性逼近高精度坐标反算方法、设备和介质 |
WO2023097494A1 (zh) * | 2021-11-30 | 2023-06-08 | 深圳市大疆创新科技有限公司 | 全景图像拍摄方法、装置、无人机、系统及存储介质 |
CN114485669A (zh) * | 2022-01-20 | 2022-05-13 | 南京航空航天大学 | 一种面向拍摄效用最大化的无人机航迹规划方法 |
CN114485669B (zh) * | 2022-01-20 | 2024-04-19 | 南京航空航天大学 | 一种面向拍摄效用最大化的无人机航迹规划方法 |
CN114518104A (zh) * | 2022-03-14 | 2022-05-20 | 山东三津房地产评估有限公司 | 基于动态遥感监测技术的国土测绘方法、系统及存储介质 |
CN114894163A (zh) * | 2022-05-24 | 2022-08-12 | 中国地质科学院岩溶地质研究所 | 面向多无人机协同摄影测量的地质灾害隐患探测方法 |
CN116299727A (zh) * | 2023-03-03 | 2023-06-23 | 中国地质调查局地球物理调查中心 | 一种无人机频域多频电磁探测方法及探测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112923904B (zh) | 2022-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112923904B (zh) | 面向多无人机协同摄影测量的地质灾害隐患探测方法 | |
Morgenthal et al. | Framework for automated UAS-based structural condition assessment of bridges | |
Loupos et al. | Autonomous robotic system for tunnel structural inspection and assessment | |
Ma et al. | Mobile laser scanned point-clouds for road object detection and extraction: A review | |
CN110866887A (zh) | 一种基于多传感器的目标态势融合感知方法和系统 | |
Li et al. | Automatic bridge crack detection using Unmanned aerial vehicle and Faster R-CNN | |
CN111169468B (zh) | 一种自动泊车的系统及方法 | |
CN109871739B (zh) | 基于yolo-sioctl的机动站自动目标检测与空间定位方法 | |
CN112346463A (zh) | 一种基于速度采样的无人车路径规划方法 | |
Li et al. | Lane marking quality assessment for autonomous driving | |
CN111098850A (zh) | 一种自动停车辅助系统及自动泊车方法 | |
Kersten et al. | Potentials of autonomous UAS and automated image analysis for structural health monitoring | |
Liu et al. | Framework for automated UAV-based inspection of external building façades | |
Huo et al. | Path planning based on map matching in UAV/UGV collaboration system | |
Mirzazade et al. | Semi-autonomous inspection for concrete structures using digital models and a hybrid approach based on deep learning and photogrammetry | |
Kaya et al. | Car Detection from Very High-Resolution UAV Images Using Deep Learning Algorithms | |
Kukolj et al. | Road edge detection based on combined deep learning and spatial statistics of LiDAR data | |
CN112800938B (zh) | 无人驾驶车辆检测侧面落石发生的方法及装置 | |
CN116901089B (zh) | 一种多角度视距的机器人控制方法及系统 | |
Biyik et al. | Deep learning-based vehicle detection from orthophoto and spatial accuracy analysis | |
Hellmuth | UPDATE APPROACHES AND METHODS FOR DIGITAL BUILDING MODELS--LITERATURE REVIEW. | |
CN103688289A (zh) | 用于估计两幅二进制图像之间相似性的方法和系统 | |
Li et al. | Segment-based traffic sign detection from mobile laser scanning data | |
CN112634447B (zh) | 一种露头岩层分层方法、装置、设备及存储介质 | |
Zhang | Photogrammetric point clouds: quality assessment, filtering, and change detection |
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 |