CN113593040A - 一种堤防护坡植被异常生长病害识别方法及系统 - Google Patents

一种堤防护坡植被异常生长病害识别方法及系统 Download PDF

Info

Publication number
CN113593040A
CN113593040A CN202110902926.XA CN202110902926A CN113593040A CN 113593040 A CN113593040 A CN 113593040A CN 202110902926 A CN202110902926 A CN 202110902926A CN 113593040 A CN113593040 A CN 113593040A
Authority
CN
China
Prior art keywords
point cloud
vegetation
abnormal
cloud data
bank slope
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
CN202110902926.XA
Other languages
English (en)
Other versions
CN113593040B (zh
Inventor
解全一
刘健
时勇
周立志
赵红兵
曹方晶
郭广军
刘战军
齐敏敏
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.)
Water Conservancy Management Service Center Of Xiaoqing River Basin Of Haihe Huaihe River In Shandong Province
Shandong University
Original Assignee
Water Conservancy Management Service Center Of Xiaoqing River Basin Of Haihe Huaihe River In Shandong Province
Shandong 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 Water Conservancy Management Service Center Of Xiaoqing River Basin Of Haihe Huaihe River In Shandong Province, Shandong University filed Critical Water Conservancy Management Service Center Of Xiaoqing River Basin Of Haihe Huaihe River In Shandong Province
Priority to CN202110902926.XA priority Critical patent/CN113593040B/zh
Publication of CN113593040A publication Critical patent/CN113593040A/zh
Application granted granted Critical
Publication of CN113593040B publication Critical patent/CN113593040B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • 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
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • 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
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Graphics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明提供堤防护坡植被异常生长病害识别方法及系统，属于堤坝病害检测技术领域，获取堤坝岸坡点云数据；根据堤坝岸坡点云数据，提取堤坝岸坡上的植被区域；对植被区域的点云数据进行移动分步切片，对相邻切片的点云密度差与预设的点云密度差阈值遍历对比，直至相邻切片的点云密度差不小于预设的点云密度差阈值，得到移动步数；根据移动步数，确定植被异常区域分界线；根据植被异常区域分界线进行位置标定，确定植被异常区域位置信息，作为堤坝岸坡病害区域。本发明通过对边坡植被点云密度进行对比，找出草木异常生长区，对其差异性进行分析，进而判断该部位是否存在病害；解决了不同项目堤防岸坡病害检测中范围大、耗时长、劳动力消耗大的难题。

Description

一种堤防护坡植被异常生长病害识别方法及系统
技术领域
本发明涉及堤坝病害检测技术领域，具体涉及一种堤防护坡植被异常生长病害识别方法及系统。
背景技术
为满足人们对生活用水以及工业用水的需求，我国修建了大量堤防工程作为河道的防水和拦水建筑物。堤防工程一般由土石材料填筑，一旦产生异常渗流，就有溃堤的危险。我国堤防建造年代跨度大，早期修建的堤防工程绝大多数未建立接触渗流监测体系，如何根据堤防表观特征反演接触渗流灾变状态成为评价水库运行状态需要解决的重要问题。
本项目基于接触渗流引发的堤防浸润线上升、渗流量增大等内部渗流特征，以护坡植被生长状态作为接触渗流孕灾性判识指标，建立堤防接触渗流灾变状态-植被生长形态-多维植被点云特征的关联体系。
堤防工程内部出现异常渗流时，将引发堤防浸润线上升、渗流量增大，导致渗流异常区域植被异常生长。因此，根据堤坝防护坡植被生长状态数据信息，可实现堤防渗流病害区域的初步识别。
由于沿河、湖、海等的堤坝建设面积面积大，范围广，通过人工进行病害区域的检测费时费力，检测不及时，且检测人员沿坡检测也存在较大的危险，若不能及时检测处理，病害发展对防护坡造成极大的危害。
发明内容
本发明的目的在于提供一种堤防护坡植被异常生长病害识别方法及系统，以解决上述背景技术中存在的至少一项技术问题。
为了实现上述目的，本发明采取了如下技术方案：
一方面，本发明提供一种堤防护坡植被异常生长病害识别方法，包括：
获取堤坝岸坡点云数据；
根据堤坝岸坡点云数据，提取堤坝岸坡上的植被区域；
对植被区域的点云数据进行移动分步切片，对相邻切片的点云密度差与预设的点云密度差阈值遍历对比，直至相邻切片的点云密度差不小于所述预设的点云密度差阈值，得到移动步数；
根据移动步数，确定植被异常区域分界线；
根据植被异常区域分界线进行位置标定，确定植被异常区域位置信息，作为堤坝岸坡病害区域。
优选的，提取堤坝岸坡上的植被区域包括：
通过三维激光扫描，获得水平极坐标系下的堤坝岸坡点云数据；
结合堤坝岸坡的GPS位置信息，实现堤坝岸坡点云数据从水平极坐标系到水平直角坐标系的转换；
根据坐标转换后的堤坝岸坡点云数据，提取堤坝岸坡需检测范围内的植被区域。
优选的，所述堤坝岸坡点云数据包括堤坝岸坡边界的点云数据和岸坡植被的点云数据；将GPS与点云数据相结合，导出其实际整体坐标位置以及实际局部坐标位置；其中，整体坐标位置是指其在地球坐标系中的经纬坐标局部坐标位置是指在堤坝范围内的相对坐标位置；结合堤坝岸坡的GPS位置信息进行点云配准，对不同段点云数据进行拼接，实现点云数据从水平极坐标系到水平直角坐标系的转换。
优选的，采用双边滤波算法，根据事先测量的堤坝尺度设置距离阈值，对堤坝轮廓进行去噪，得出堤坝岸坡区域的点云数据，结合点云地面点滤波算法提取植被区域的点云数据。
优选的，对点云S中的每一个点的坐标进行归一化处理，使其在三维坐标系中每个轴方向上的最小值都是0；
分别计算出S的长、宽、厚，在宽度方向进行点云切片处理，将每块点云切片的长度设为点云S的长度，厚度设为点云S的厚度，宽度设置为t′；
设置移动分步切片的步长为t′，每块点云切片沿宽度方向每次前进t′，每前进一次得到一个点云密度差，当点云密度差不小于预设的点云密度差阈值，得到前进的步数，即移动步数。
优选的，根据移动步数，确定植被异常区域分界线包括：
l＝t′×(i+1)；
其中，l表示分界线距离点云数据遍历起点的距离，i表示前进步数；
与点云长边距离为l的平行线，即为植被异常区域分界线。
优选的，前进步数i的计算方法如下公式所示：
i＝(T-2t)/s+1；
其中，T是点云的总宽度，t是点云切片的宽度，s为移动步长。
第二方面，本发明提供一种堤防护坡植被异常生长病害识别系统，包括：
获取模块，用于获取堤坝岸坡点云数据；
提取模块，用于根据堤坝岸坡点云数据，提取堤坝岸坡上的植被区域；
计算模块，用于对植被区域的点云数据进行移动分步切片，对相邻切片的点云密度差与预设的点云密度差阈值遍历对比，直至相邻切片的点云密度差不小于所述预设的点云密度差阈值，得到移动步数；
确定模块，用于根据移动步数，确定植被异常区域分界线；
标定模块，用于根据植被异常区域分界线进行位置标定，确定植被异常区域位置信息，作为堤坝岸坡病害区域。
第三方面，本发明提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如上所述的堤防护坡植被异常生长病害识别方法的指令。
第四方面，本发明提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行如上所述的堤防护坡植被异常生长病害识别方法。
本发明有益效果：能够快速准确的检查到堤坝岸坡草木生长部位，减少了大量的人力物力；可以第一时间得到现场的状况，及时获取信息，评估堤坝岸坡安全状况；结合单位面积点云密度差，能够更准确的判别草木异常生长状况。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例所述的堤防护坡植被异常生长病害识别系统工作流程示意图。
图2为本发明实施例所述的提取堤坝岸坡植被区域的工作流程示意图。
图3为本发明实施例所述的确定植被生长异常区域的方法流程图。
图4为本发明实施例所述的点云移动切片方式示意图。
图5为本发明实施例所述的植被点云数据提取结果示意图。
图6为本发明实施所述的坐标归一化前后示意图。
图7为本发明实施所述的坐标归边界划分结果示意图。
具体实施方式
下面详细叙述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
为便于理解本发明，下面结合附图以具体实施例对本发明作进一步解释说明，且具体实施例并不构成对本发明实施例的限定。
本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本发明所必须的。
实施例1
本实施例1中，提供一种堤防护坡植被异常生长病害识别系统，该系统包括：
获取模块，用于获取堤坝岸坡点云数据；
提取模块，用于根据堤坝岸坡点云数据，提取堤坝岸坡上的植被区域；
计算模块，用于对植被区域的点云数据进行移动分步切片，对相邻切片的点云密度差与预设的点云密度差阈值遍历对比，直至相邻切片的点云密度差不小于所述预设的点云密度差阈值，得到移动步数；
确定模块，用于根据移动步数，确定植被异常区域分界线；
标定模块，用于根据植被异常区域分界线进行位置标定，确定植被异常区域位置信息，作为堤坝岸坡病害区域。
在本实施例1中，利用上述的堤防护坡植被异常生长病害识别系统，实现了堤防护坡植被异常生长病害识别方法，包括：
利用获取模块，获取堤坝岸坡点云数据；
利用提取模块，根据堤坝岸坡点云数据，提取堤坝岸坡上的植被区域；
利用计算模块，对植被区域的点云数据进行移动分步切片，对相邻切片的点云密度差与预设的点云密度差阈值遍历对比，直至相邻切片的点云密度差不小于所述预设的点云密度差阈值，得到移动步数；
利用确定模块，根据移动步数，确定植被异常区域分界线；
利用标定模块，根据植被异常区域分界线进行位置标定，确定植被异常区域位置信息，作为堤坝岸坡病害区域。
其中，提取堤坝岸坡上的植被区域包括：
通过三维激光扫描，获得水平极坐标系下的堤坝岸坡点云数据；
结合堤坝岸坡的GPS位置信息，实现堤坝岸坡点云数据从水平极坐标系到水平直角坐标系的转换；
根据坐标转换后的堤坝岸坡点云数据，提取堤坝岸坡需检测范围内的植被区域。
所述堤坝岸坡点云数据包括堤坝岸坡边界的点云数据和岸坡植被的点云数据；在进行岸坡点云数据的坐标转换时，结合堤坝岸坡的GPS位置信息进行点云配准，对不同段点云数据进行拼接，实现点云数据从水皮极坐标系到水平直角坐标系的转换。
采用双边滤波算法，根据事先测量的堤坝尺度设置距离阈值，对堤坝轮廓进行去噪，得出堤坝岸坡区域的点云数据，结合点云地面点滤波算法提取植被区域的点云数据。
本实施例1中，采用的双边滤波算法：
采用加权平均的方法，用周边像素亮度值的加权平均代表某个像素的强度，所用的加权平均基于高斯分布。最重要的是，双边滤波的权重不仅考虑了像素的欧氏距离(如普通的高斯低通滤波，只考虑了位置对中心像素的影响)，还考虑了像素范围域中的辐射差异(例如卷积核中像素与中心像素之间相似程度、颜色强度，深度距离等)，在计算中心像素的时候同时考虑这两个权重。
本实施例1中，采用的点云地面点滤波(Cloth Simulation Filter,CSF)---“布料”滤波算法：
传统的滤波算法大多是考虑在坡度、高程变化之间的不同来进行区分地物点与地面点，而“布料”滤波算法从一个完全新的思路来进行滤波，首先把点云进行翻转，然后假设有一块布料受到重力从上方落下，则最终落下的布料就可以代表当前地形。
其中，布料模拟的具体步骤如：
上所述，布料模拟的简要步骤可以总结如下：
1)通过第三方软件去除原始LiDAR点云数据中的“孤立点”。
2)反转LiDAR点云。
3)初始布料格网，这时用户需要设置格网的大小(grid resolution,GR)。初始“布料”的位置通常在最高点的上方。
4)把所有LiDAR点与格网粒子投影到同一个水平面，并找到每一个粒子的最近邻点(corresponding point,cp)，记录其投影前的高程(intersection height value,IHV)
5)对于每一个可移动的格网“粒子”，计算其受到重力影响产生的位移，并与当前粒子对应cp点的IHV进行比较，如果粒子的高度低于或者等于IHV，则把粒子的高度设置为IHV并设置为不可移动点。
6)对于每个格网“粒子”，计算其受到内部驱动因素影响所产生的的位移。
7)重复上述5)、6)步骤，直到所有粒子的最大高承诺变化足够小或者迭代次数到达用户的预先设置值，则停止模拟过程。
8)计算LiDAR点云与格网粒子之间的高度差异。
9)区分地面点与非地面点，如果LiDAR点与模拟粒子之间的距离小于预先设置的阈值hcc，则认为其是地面点，反之则认为其为非地面点。
进行移动分步切片时：
对点云S中的每一个点的坐标进行归一化处理，使其在三维坐标系中每个轴方向上的最小值都是0；
分别计算出S的长、宽、厚，在宽度方向进行点云切片处理，将每块点云切片的长度设为点云S的长度，厚度设为点云S的厚度，宽度设置为t′；
设置移动分步切片的步长为t′，每块点云切片沿宽度方向每次前进t′，每前进一次得到一个点云密度差，当点云密度差不小于预设的点云密度差阈值，得到前进的步数，即移动步数。
本实施例1中，根据移动步数，确定植被异常区域分界线包括：
l＝t′×(i+1)；
其中，l表示分界线距离点云数据遍历起点的距离，i表示前进步数；
与点云长边距离为l的平行线，即为植被异常区域分界线。
本实施例1中，根据本算法的理论，前进步数计算方法如下公式所示：
i＝(T-2t)/s+1；
其中，T是点云的总宽度，t是点云切片的宽度，s为移动步长。
算法的运算步数受到点云切片宽度和移动步长的影响，其中切片宽度t越大，切片面积越大，遍历所有点的速度越快，算法停止也越快。同时，s值越大，移动的步数越小，计算过程也越快。
但算法运行速度并不是越快越好，两者数值设置过大将影响算法的准确率，因此需设置合理切片宽度和移动步长。
实施例2
三维激光扫描技术是继GPS空间定位系统之后的又一项测绘技术。通过高速激光扫描测量的方法，大面积高分辨率地快速获取被测对象表面的三维坐标数据，可以快速、大量的采集空间点位信息，为快速建立物体的三维影像模型提供了一种全新的技术手段。由于其具有快速性，不接触性，实时、动态、主动性，高密度、高精度，数字化、自动化等特性，其开始应用推广于建筑物病害识别领域。
因此，本发明实施例2提供一种基于三维激光扫描技术的堤坝防护坡(岸坡)病害识别系统，利用三维激光扫描技术对堤坝场景进行扫描，获取堤坝点云数据，通过对堤坝点云数据的计算处理，找出可能存在病害的区域。
本实施例2中，以堤坝岸坡生长的植被为研究对象，通过堤坝岸坡点云数据采集、传输、点云数据前处理、移动分片法点云切片、异常区域识别及定位等步骤来确定草木异常生长区域，视为堤坝岸坡的病害区域。
具体的，本实施例2的堤坝岸坡病害识别系统，具体包括：
获取模块，用于获取堤坝岸坡点云数据；
提取模块，用于根据堤坝岸坡点云数据，提取堤坝岸坡上的植被区域；
计算模块，用于对植被区域的点云数据进行移动分步切片，对相邻切片的点云密度差与预设的点云密度差阈值遍历对比，直至相邻切片的点云密度差不小于所述预设的点云密度差阈值，得到移动步数；
确定模块，用于根据移动步数，确定植被异常区域分界线；
标定模块，用于根据植被异常区域分界线进行位置标定，确定植被异常区域位置信息，作为堤坝岸坡病害区域。
本实施例2中，获取模块采用三维激光扫描仪对堤坝岸坡进行三维扫描，获取堤坝岸坡的三维点云数据。如，采用无人机携带三维激光扫描仪进行堤坝点云数据的获取。
本实施例2中，还包括无线传输模块，三维激光扫描仪获取的数据通过无线传输模块发送给后台中央处理器。
在中央处理器中：提取模块根据堤坝岸坡点云数据，提取堤坝岸坡上的植被区域；计算模块对植被区域的点云数据进行移动分步切片，对相邻切片的点云密度差与预设的点云密度差阈值遍历对比，直至相邻切片的点云密度差不小于所述预设的点云密度差阈值，得到移动步数；确定模块根据移动步数，确定植被异常区域分界线；标定模块根据植被异常区域分界线进行位置标定，确定植被异常区域位置信息，作为堤坝岸坡病害区域。
本实施例2中，利用上述的堤坝岸坡病害识别系统，实现了堤坝岸坡病害识别方法，包括以下步骤：
步骤一：通过获取模块的三维激光扫描仪扫描堤坝岸坡点云数据，并通过无线传输模块传输至处理主机(后台中央处理器)。
利用后台中央处理器中的提取模块，首先将点云数据进行实时坐标转换，根据GPS信号传输过来的位置信息进行点云配准，实现不同段点云数据的自动拼接。实现点云数据从极坐标系到水平直角坐标系的快速转换。
步骤二，然后，再利用提取模块根据堤坝点云数据特征自动划分堤坝岸坡边界，并根据所述堤坝边界定义堤坝岸坡区域；
步骤三，提取模块根据堤坝岸坡区域的点云数据识别提取堤坝岸坡区域的植被区域；
步骤四，利用后台中央处理器中的计算模块进行数据分析，对植被区域的点云数据进行移动分步切片，对相邻切片的点云密度差与预设的点云密度差阈值遍历对比，直至相邻切片的点云密度差不小于所述预设的点云密度差阈值，得到移动步数；利用后台中央处理器的确定模块根据移动步数，确定植被异常区域分界线。
步骤五，标定模块借助计算模块的计算结果进行位置标定，导出异常部位位置信息。
本实施例2中，将实时点云数据通过无线传输至病害识别系统，同步处理并得到数据分析结果，可以第一时间发现异常区域。提出点云密度修正参数这一概念，以解决三维激光扫描仪因无人机位置、堤坝宽度以及坡度不同导致不同岸坡部位点云密度不同问题。利用GPS，并将其与点云数据相结合，导出其整体坐标位置以及局部坐标位置，便于人工复检。
本实施例2中，所述算法包括：
步骤1：将提取堤坝岸坡区域的植被区域的点云数据导入算法。
步骤2：利用区域分块思想对植被点云数据沿宽度方向进行移动分片，并根据实验室测得的不同情况下异常植被密度组合的最小单位面积点云密度差c′作为两切片点云的阈值；
步骤3：将得到的相邻两片点云的单位面积点云密度差与事先设定的阈值进行遍历对比，得出异常部位的点云的i值(即移动步数值)，从而筛选出草木异常生长的堤坝岸坡区域。
步骤4：根据步骤三输出的i值，判断分界线的位置。
综上，本实施例2中，通过对不同密度组合的植被点云数据进行统计分析，确定出合适的参数作为识别阈值，利用扫描数据点云不同部位处的单位面积点云密度差这一概念对分片点云进行算法识别，遍历点云数据后，根据得到的异常部位位置信息，将其在整体数据中凸显，起到预警效果。然后将点云位置信息与GPS信息结合，导出具体位置信息，供检测人员参考，便于堤坝岸坡的人工复检，提高检测效率。
实施例3
本实施例3中，提供了一种基于三维激光扫描仪的草木异常生长病害识别预警处理系统(堤坝岸坡病害识别系统)，包括：激光雷达、显示屏、电脑主机、无人机以及无线传输装置。激光雷达通过无人机沿堤坝扫测数据，然后通过无线传输装置将数据包发送至控制主机并在显示屏上实时显示扫测结果，然后借助预先开发好的病害识别预警算法识别出草木异常生长部位，并通过程序将其坐标部位进行标定预警，最后将异常部位的坐标信息提取。
如图1所示，利用上述的系统，实现了堤坝岸坡病害识别方法，该方法包括：
步骤一，通过无人机搭载激光扫描仪扫描获得点云数据，并将所述实时点云数据无线传输至病害识别系统；
步骤二，所述病害识别系统根据堤坝点云数据特征自动划分堤坝岸坡边界，并根据所述堤坝边界定义堤坝岸坡区域；
步骤三，所述病害识别系统根据点云数据自动识别提取堤坝岸坡区域的植被；
步骤四，所述病害识别预警处理系统借助病害识别预警处理算法进行数据分析。
步骤五，所述病害识别预警处理系统借助病害识别预警处理算法计算结果进行位置标定，导出异常部位位置信息。
本实施例3中，所述步骤一包括：
通过激光雷达扫描堤坝岸坡，获得水平极坐标系下的点云数据；所述水平极坐标系以激光雷达为第一原点，并以逆时针方向为正方向；所述点云数据包括堤坝岸坡边界的点云数据和岸坡植被的点云数据；
所述激光雷达以数据包的形式通过无线传输技术将点云数据发送至病害识别系统。
所述步骤二包括：
病害识别系统首先将传输过来的实时点云数据解码成las格式，然后根据GPS信号传输过来的位置信息进行点云配准，实现不同段点云数据的自动拼接。然后实现点云数据从极坐标系到水平直角坐标系的转换。
通过采用双边滤波算法，根据事先测量的堤坝尺度在系统中设置距离阈值，对堤坝轮廓进行粗略去噪，然后通过空间结构的特性进行精确去噪，得出所需区域的点云数据。
所述步骤三包括：
在病害识别系统中运行Cloth Simulation Filter过滤算法提取在一定范围内的植被点。
如图2所示，本实施例3中，病害识别预警处理算法，包括：
步骤1：将经过识别预警系统预处理后的点云数据导入算法。
步骤2：根据利用区域分块思想对植被点云沿宽度方向进行移动分片，并根据实验室测得的不同情况下异常植被密度组合的最小单位点云密度差c’作为两切片点云的阈值；
步骤3：将得到的相邻两片点云的单位面积点云密度差与事先设定的阈值进行遍历对比，得出异常部位的点云的i值，从而筛选出草木异常生长的堤坝岸坡区域。
步骤4：根据步骤三输出的i值，判断分界线的位置。
如图3所示，所述步骤2包括：
(1)坐标归一化。对N个点构成的点云S，将其坐标进行归一化处理，使其X、Y、Z三个方向上点的最小值都是0；
(2)设置点云切片尺寸。分别计算出S的长L、宽T、厚H。在宽度方向进行点云切片处理，将每块点云切片的长度定为点云长度L，厚度设置为点云厚度H，宽设置为t厘米(cm)。
(3)设置移动步长。为了遍历求出一组点云中两个不同密度的分界线，首先设置移动检测的步长，由于在点云分片步骤中设置了点云切片的宽度t，在这一步中尝试设置步长为t′(t′<t)，即在计算过程中长度为L，厚度为H，宽度为t的点云切片沿宽度方向每次前进t′；
(4)设置检测阈值。该算法的检测参数为相邻两个切片的单位点云密度差c，根据实验室中对不同密度组合草木异常生长特征的分析，得出了每种密度组合中单位面积点云密度差的最小值，根据切片面积计算出分块后点云切片的单位面积点云密度差(区域点云数量差值/区域点云面积)最小值c′作为报警阈值；
所述步骤3包括：
如图4所示，遍历检测的实质是两个长为L，宽为t cm，厚度H的长方体沿宽度方向每次前进t′cm，并且每前进一次得到一个点云数量差。假设一共前进了i(i＝1,2,...,n)步，则运行过程中共产生了2i个点云切片，得到了i个点云数量差值ci，若ci≥c′，则输出i值，否则进行下一组ci与c′的比较，直至遍历到点云宽度边界，计算终止输出i值。
所述步骤4包括：
根据输出的i值，由下列公式判断分界线的位置：
l＝t′×(i+1),(i＝1,2,...,n)；
式中l表示分界线距离点云数据遍历起点的距离，t′代表前进步长(可根据实际情况更改)，i表示前进步数。
得到距离l值后，作与点云长边距离为l的平行线，并在图上显示，这个线段即为点云密度的分界线。
至此，点云密度的分界线被提取出来，在算法运行过程中，适当调整检测步长和检测阈值，可以使输出的结果更加准确。
如图5所示，为本实施例所述的植被点云数据提取结果示意图。是将部分堤坝区域通过双边滤波算法将除植被外点云去噪得到的植被点云图像。
如图6所示，为本实施所述的植被点云坐标归一化前后示意图，以图像表明其点云坐标归一化前后的区别。其中，图6(a)表示植被异常生长原始点云数据图，图6(b)为归一化后的点云。
如图7所示，为本实施所述的坐标归边界划分结果示意图，最终结果会在点云植被生长异常分界处标注分界线。
实施例4
本发明实施例4提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如上所述的堤防护坡植被异常生长病害识别方法的指令，该方法包括：
获取堤坝岸坡点云数据；
根据堤坝岸坡点云数据，提取堤坝岸坡上的植被区域；
对植被区域的点云数据进行移动分步切片，对相邻切片的点云密度差与预设的点云密度差阈值遍历对比，直至相邻切片的点云密度差不小于所述预设的点云密度差阈值，得到移动步数；
根据移动步数，确定植被异常区域分界线；
根据植被异常区域分界线进行位置标定，确定植被异常区域位置信息，作为堤坝岸坡病害区域。
实施例5
本发明实施例5提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行如上所述的堤防护坡植被异常生长病害识别方法，该方法包括：
该方法包括：
获取堤坝岸坡点云数据；
根据堤坝岸坡点云数据，提取堤坝岸坡上的植被区域；
对植被区域的点云数据进行移动分步切片，对相邻切片的点云密度差与预设的点云密度差阈值遍历对比，直至相邻切片的点云密度差不小于所述预设的点云密度差阈值，得到移动步数；
根据移动步数，确定植被异常区域分界线；
根据植被异常区域分界线进行位置标定，确定植被异常区域位置信息，作为堤坝岸坡病害区域。
综上所述，本发明实施例所述的堤防护坡植被异常生长病害识别方法及系统，结构简单，操作方便，适用于大范围边坡检测；能够快速准确的检查到堤坝岸坡草木生长部位，减少了大量的人力物力；可以第一时间得到现场的状况，及时获取信息，评估堤坝岸坡安全状况；提出了单位面积点云密度差这一概念，能够更好地判别草木异常生长状况；提出点云密度修正参数这一概念，以解决三维激光扫描仪因无人机位置、堤坝宽度以及坡度不同导致不同岸坡部位点云密度不同问题。
总之，该方法通过对边坡植被点云密度进行对比，找出草木异常生长区，对其差异性进行分析，进而判断该部位是否存在病害；解决了不同项目堤防岸坡病害检测中范围大、耗时长、劳动力消耗大的难题。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本发明公开的技术方案的基础上，本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种堤防护坡植被异常生长病害识别方法，其特征在于，包括：
获取堤坝岸坡点云数据；
根据堤坝岸坡点云数据，提取堤坝岸坡上的植被区域；
对植被区域的点云数据进行移动分步切片，对相邻切片的点云密度差与预设的点云密度差阈值遍历对比，直至相邻切片的点云密度差不小于所述预设的点云密度差阈值，得到移动步数；
根据移动步数，确定植被异常区域分界线；
根据植被异常区域分界线进行位置标定，确定植被异常区域位置信息，作为堤坝岸坡病害区域。
2.根据权利要求1所述的堤防护坡植被异常生长病害识别方法，其特征在于，提取堤坝岸坡上的植被区域包括：
通过三维激光扫描，获得水平极坐标系下的堤坝岸坡点云数据；
结合堤坝岸坡的GPS位置信息，实现堤坝岸坡点云数据从水平极坐标系到水平直角坐标系的转换；
根据坐标转换后的堤坝岸坡点云数据，提取堤坝岸坡需检测范围内的植被区域。
3.根据权利要求2所述的堤防护坡植被异常生长病害识别方法，其特征在于：所述堤坝岸坡点云数据包括堤坝岸坡边界的点云数据和岸坡植被的点云数据；将GPS与点云数据相结合，导出其实际整体坐标位置以及实际局部坐标位置；其中，整体坐标位置是指其在地球坐标系中的经纬坐标局部坐标位置是指在堤坝范围内的相对坐标位置；结合堤坝岸坡的GPS位置信息进行点云配准，对不同段点云数据进行拼接，实现点云数据从水平极坐标系到水平直角坐标系的转换。
4.根据权利要求3所述的堤防护坡植被异常生长病害识别方法，其特征在于：采用双边滤波算法，根据事先测量的堤坝尺度设置距离阈值，对堤坝轮廓进行去噪，得出堤坝岸坡区域的点云数据，结合点云地面点滤波算法提取植被区域的点云数据。
5.根据权利要求1所述的堤防护坡植被异常生长病害识别方法，其特征在于：
对点云S中的每一个点的坐标进行归一化处理，使其在三维坐标系中每个轴方向上的最小值都是0；
分别计算出S的长、宽、厚，在宽度方向进行点云切片处理，将每块点云切片的长度设为点云S的长度，厚度设为点云S的厚度，宽度设置为t′；
设置移动分步切片的步长为t′，每块点云切片沿宽度方向每次前进t′，每前进一次得到一个点云密度差，当点云密度差不小于预设的点云密度差阈值，得到前进的步数，即移动步数。
6.根据权利要求5所述的堤防护坡植被异常生长病害识别方法，其特征在于：根据移动步数，确定植被异常区域分界线包括：
l＝t′×(i+1)；
其中，l表示分界线距离点云数据遍历起点的距离，i表示前进步数；
与点云长边距离为l的平行线，即为植被异常区域分界线。
7.根据权利要求6所述的堤防护坡植被异常生长病害识别方法，其特征在于：前进步数i的计算方法如下公式所示：
i＝(T-2t)/s+1；
其中，T是点云的总宽度，t是点云切片的宽度，s为移动步长。
8.一种堤防护坡植被异常生长病害识别系统，其特征在于，包括：
获取模块，用于获取堤坝岸坡点云数据；
提取模块，用于根据堤坝岸坡点云数据，提取堤坝岸坡上的植被区域；
计算模块，用于对植被区域的点云数据进行移动分步切片，对相邻切片的点云密度差与预设的点云密度差阈值遍历对比，直至相邻切片的点云密度差不小于所述预设的点云密度差阈值，得到移动步数；
确定模块，用于根据移动步数，确定植被异常区域分界线；
标定模块，用于根据植被异常区域分界线进行位置标定，确定植被异常区域位置信息，作为堤坝岸坡病害区域。
9.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如权利要求1-7任一项所述的堤防护坡植被异常生长病害识别方法的指令。
10.一种电子设备，其特征在于，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行如权利要求1-7任一项所述的堤防护坡植被异常生长病害识别方法。
CN202110902926.XA 2021-08-06 2021-08-06 一种堤防护坡植被异常生长病害识别方法及系统 Active CN113593040B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110902926.XA CN113593040B (zh) 2021-08-06 2021-08-06 一种堤防护坡植被异常生长病害识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110902926.XA CN113593040B (zh) 2021-08-06 2021-08-06 一种堤防护坡植被异常生长病害识别方法及系统

Publications (2)

Publication Number Publication Date
CN113593040A true CN113593040A (zh) 2021-11-02
CN113593040B CN113593040B (zh) 2023-09-22

Family

ID=78255902

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110902926.XA Active CN113593040B (zh) 2021-08-06 2021-08-06 一种堤防护坡植被异常生长病害识别方法及系统

Country Status (1)

Country Link
CN (1) CN113593040B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115223337A (zh) * 2022-06-30 2022-10-21 山东大学 一种堤防渗流自动监测预警系统及监测预警方法
WO2023154617A1 (en) * 2022-02-11 2023-08-17 Cp Packaging, Llc System for automatic calibration of an initial position of a moveable machine component

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111784651A (zh) * 2020-06-24 2020-10-16 深圳市城市公共安全技术研究院有限公司 基于雷达激光扫描的边坡风险评估方法及系统
CN112381026A (zh) * 2020-11-23 2021-02-19 武汉理工大学 航道岸线检测方法、系统、装置和存储介质
CN112926465A (zh) * 2021-03-02 2021-06-08 中国人民解放军战略支援部队信息工程大学 基于点云类型的海岸线性质识别方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111784651A (zh) * 2020-06-24 2020-10-16 深圳市城市公共安全技术研究院有限公司 基于雷达激光扫描的边坡风险评估方法及系统
CN112381026A (zh) * 2020-11-23 2021-02-19 武汉理工大学 航道岸线检测方法、系统、装置和存储介质
CN112926465A (zh) * 2021-03-02 2021-06-08 中国人民解放军战略支援部队信息工程大学 基于点云类型的海岸线性质识别方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李有鹏;李永强;刘洋洋;黄腾达;: "基于移动LiDAR技术的山区丘陵公路边坡稳定性分析", 湖南交通科技, no. 01 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023154617A1 (en) * 2022-02-11 2023-08-17 Cp Packaging, Llc System for automatic calibration of an initial position of a moveable machine component
CN115223337A (zh) * 2022-06-30 2022-10-21 山东大学 一种堤防渗流自动监测预警系统及监测预警方法

Also Published As

Publication number Publication date
CN113593040B (zh) 2023-09-22

Similar Documents

Publication Publication Date Title
Chen et al. A multiresolution hierarchical classification algorithm for filtering airborne LiDAR data
Lohani et al. Application of airborne scanning laser altimetry to the study of tidal channel geomorphology
Li et al. A gradient-constrained morphological filtering algorithm for airborne LiDAR
CN113593040A (zh) 一种堤防护坡植被异常生长病害识别方法及系统
CN106225770A (zh) 隧道掌子面地质多维数字化记录识别方法及系统
CN111027446B (zh) 一种高分辨率影像的海岸线自动提取方法
CN110988909B (zh) 基于tls进行高寒脆弱区沙地植被的植被盖度测定方法
KR101092250B1 (ko) 레인지 영상으로부터의 객체 분할 장치 및 방법
CN114565313A (zh) 一种地质灾害隐患判识以及分析评估方法及系统
CN115861409B (zh) 大豆叶面积测算方法、系统、计算机设备及存储介质
Puente et al. Novel image analysis approach to the terrestrial LiDAR monitoring of damage in rubble mound breakwaters
Zhang et al. Filtering photogrammetric point clouds using standard lidar filters towards dtm generation
CN114821355A (zh) 海岸线自动化识别方法和装置
Rashidi et al. Ground filtering LiDAR data based on multi-scale analysis of height difference threshold
CN112509134A (zh) 一种潮滩数字高程模型构建方法及系统
Sánchez-Lopera et al. Classification of lidar bare-earth points, buildings, vegetation, and small objects based on region growing and angular classifier
Lee et al. Optimal parameter determination for mean-shift segmentation-based shoreline extraction using lidar data, aerial orthophotos, and satellite imagery
CN112085725B (zh) 基于启发式迭代算法的残膜残留量检测方法及预警系统
Rashidi et al. Extraction of ground points from LiDAR data based on slope and progressive window thresholding (SPWT)
CN111260714B (zh) 一种洪涝受灾评估方法、装置、设备及计算机存储介质
CN113432549B (zh) 一种基于无人机摄影测量的潮沟三维参量提取方法及系统
Wang et al. Deriving natural coastlines using multiple satellite remote sensing images
CN115661398A (zh) 一种用于实景三维模型的建筑物提取方法、装置及设备
Yu et al. Mid-and Short-Term Monitoring of Sea Cliff Erosion based on Structure-from-Motion (SfM) Photogrammetry: Application of Two Differing Camera Systems for 3D Point Cloud Construction
Duró et al. A low-cost technique to measure bank erosion processes along middle-size river reaches

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