CN113776451A - 一种基于无人机摄影测量的变形监测自动化方法 - Google Patents
一种基于无人机摄影测量的变形监测自动化方法 Download PDFInfo
- Publication number
- CN113776451A CN113776451A CN202111330704.1A CN202111330704A CN113776451A CN 113776451 A CN113776451 A CN 113776451A CN 202111330704 A CN202111330704 A CN 202111330704A CN 113776451 A CN113776451 A CN 113776451A
- Authority
- CN
- China
- Prior art keywords
- image
- monitoring
- points
- unmanned aerial
- 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
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
-
- 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
Abstract
本发明公开了一种基于无人机摄影测量的变形监测自动化方法。它直接以计算机可以识别出的同名像点作为监测标识点;具体包括如下步骤,步骤1:采用无人机对被摄对象进行拍摄;步骤2:生成三维模型与正射影像;步骤3:自动识别监测标识点;按影像配准方法对正射影像进行影像匹配,自动识别出正射影像中的同名像点及平面坐标,并以同名像点作为监测标识点;步骤4:获取监测标识点的高程;步骤5:变形计算。本发明克服了现有技术监测标识点在埋设安装存在一定的风险,且存在一定的埋设成本,常规的摄影测量对指定标点的三维坐标需要通过人工方法量测,量测精度不高,且工作效率低的缺点;具有消除安全隐患,降低监测成本,提高监测精度的优点。
Description
技术领域
本发明涉及一种基于无人机摄影测量的变形监测自动化方法,更具体地说它是一种基于无人机摄影测量的变形体的高精度变形监测自动化方法。
背景技术
传统的滑坡、堤坝、堆石坝的表面变形监测往往采用的是大地测量方法,观测设备一般是全站仪(经纬仪、测距仪)、GNSS、水准仪等仪器设备;全站仪、GNSS等设备虽然可以实现自动化,但其高程测量精度不高,价格昂贵,野外保护困难,其应用受到限制;而水准仪观测不能实现自动化;另外,滑坡等监测对象常常监测人员难以到达,给监测人员人身安全带来风险;随着无人机在各行各业的推广应用,基于无人机设摄影测量的变形监测开始得到应用;
在以无人机摄影测量进行变形监测时,一般步骤是:在被摄对象表面布置监测点,采用无人机对被摄对象进行飞行拍摄,然后内业建立三维模型,在三维模型上人工量测监测标识点的三维坐标,监测标识点在不同观测时间的坐标的变化,反映了被摄对象的变形;在这一过程中,需要在被摄对象上埋设监测标识点;由于监测标识点在变形体上,因此埋设安装存在一定的风险,且存在一定的埋设成本;另外,监测标识点在所建立的三维模型的坐标的量测,往往不能自动完成,也存在一定的内业工作量,且人工量测的精度难以提高,整个过程不能实现自动化;
因此,开发一种降低安全风险、节省监测成本、实现变形体的变形监测自动化、提高监测精度的变形体变形监测方法很有必要。
发明内容
本发明的目的是为了提供一种基于无人机摄影测量的变形监测自动化方法,消除安全风险、节省监测成本、实现变形体的变形监测自动化、提高监测精度。
为了实现上述目的,本发明的技术方案为:基于无人机摄影测量的变形监测自动化方法,其特征在于:
本发明直接以计算机可以识别出的同名像点作为监测标识点替代专门埋设的监测用标点,以监测标识点的坐标变化来表示变形体的变形;这些同名像点可以是人为指定的,也可以是计算机自动匹配的;被摄对象(即变形体)的变形是通过监测标识点在不同观测时间上坐标变化来反映的;而常规的方法在变形体上设立监测标识点的目的是使得作业人员在生成的三维模型上容易识别、便于量测,但存在设立标点时的安全性以及成本的问题;
具体包括如下步骤,
步骤1:采用无人机对被摄对象进行拍摄;
步骤2:生成三维模型与正射影像;
采用空中三角测量软件,利用步骤1中的拍摄数据,构建三维模型,并将三维模型转化生成正射影像(三维模型是指通过摄影测量方法建立的变形体的立体模型,且模型上的每个点都有大地坐标;三维模型的表示方法有DEM(数字高程模型),TIN(不规则三角网)等多种形式);
步骤3:自动识别监测标识点;
按影像配准方法对正射影像进行影像匹配,自动识别出正射影像中的同名像点及平面坐标,并以同名像点作为监测标识点;
步骤4:获取监测标识点的高程;
步骤5:变形计算。
在上述技术方案中,在步骤1中,对于存在一定倾角或立面的被摄对象的三维模型进行坐标变换,使得拟合的被摄对象的平面倾角为0;由于本发明中应用了正射影像,而正射影像是通过以水平面为投影面经过正射投影形成的,对于被摄对象是倾斜面(如滑坡),经过正射投影形成的影像相对三维模型中的原影像,会损失很多信息;特别的,对于高切坡等以立面形式存在的被摄对象,经过正射投影后,所有影像信息将消失;因此,本发明对于存在一定倾角或立面的被摄对象的三维模型进行坐标变换,使得拟合的被摄对象的平面倾角为0,从而提高本发明的变形监测精度;
当被摄对象起伏较大,则可将被摄对象分成多个相对平缓的几个区域分别进行数据处理分析,从而提高本发明的变形监测精度;
尽可能贴近被摄对象表面飞行拍摄,从而提高本发明的变形监测精度;对于同一期观测,重复多遍或者密集飞行拍摄取得的大量照片一起用于三维模型的建立也可以提高本发明的变形监测精度。
在上述技术方案中,在步骤1中,用无人机对被摄对象进行多次拍摄,选取任意两次拍摄,作为第一次飞行拍摄、第二次飞行拍摄。
在上述技术方案中,在步骤2中,采用空中三角测量软件,利用第一次飞行拍摄的数据,构建第一次飞行拍摄的被摄对象表面的不规则三角形网TIN或DEM(即构建第一期TIN或DEM),并生成第一期正射影像;
同样的,利用第二次飞行拍摄的数据,构建第二次飞行拍摄的被摄对象表面的不规则三角形网TIN或DEM(即构建第二期TIN或DEM),并生成第二期正射影像。
在上述技术方案中,在步骤3中,按影像配准方法,对生成的两期正射影像(即第一期正射影像和第二期正射影像)进行影像匹配,自动识别出两期正射影像中的系列同名像点及其在两期正射影像中的系列平面坐标(x、y)及(x’、y’),并以同名像点作为监测标识点,从而自动识别出可以表示变形体位移量的监测标识点;
传统的影像匹配是在建立三维模型之前运用,目的是为了建立三维模型;而本发明方法是在形成三维模型之后,通过先将三维模型转化为正射影像,再进行影像匹配方法;其目的是为了识别出可以表示变形体位移量的监测标识点,并求解位移量;
本发明提出一种依据两期三维模型识别监测标识点的方法;它不是直接在三维模型上识别,而是先依据两期三维模型生成两期正射影像,再用影像自动匹配的方法,在两期影像中自动识别同名像点,由于正射影像中的同名像点与三维模型中的可以作为监测标识点的同名像点存在一一对应关系,从而实现三维模型中的监测标识点的自动识别;
由于本发明中的监测标识点是自动识别,回避了人工识别和量测中存在的安全性低、成本高等问题;克服了现有常规的摄影测量对指定标点的三维坐标需要通过人工方法量测,人工量测的精度不高的缺点;摄影测量技术体系中有影像匹配方法,是在两张拍摄的照片中寻找同名像点,并确定其像平面坐标(非大地坐标),因此传统的影像匹配的对象是相机拍摄的两张照片,其目的是为了建立被摄对象的三维模型;
本方法的影像匹配的对象是正射影像,而不是相机拍摄的照片;另外,传统的影像匹配是在建立三维模型之前运用,而本方法是在形成三维模型之后,识别出同名像点的同时获得的是同名像点的平面大地坐标(非像平面坐标);其目的是计算两期监测标识点(同名像点)的位移量。
在上述技术方案中,在步骤4中,监测标识点的高程的获取方法如下:
根据第一次拍摄构建的三维模型的TIN网坐标(即第一期TIN坐标)和同名像点在第一期正射影像中的坐标(x、y),定位同名像点在第一期不规则三角网TIN(即第一期TIN)中的三角形,再根据定位出的三角形三个顶点的三维坐标,内插出同名像点在第一期TIN网中的高程(z);
同样地,根据第二次拍摄构建的三维模型的TIN网坐标(即第二期TIN坐标)和同名像点在第二期正射影像中的坐标(x’、y’),定位同名像点在第二期不规则三角网TIN(即第二期TIN)中的三角形,再根据定位出的三角形三个顶点的三维坐标,内插出同名像点在第二期TIN网中的高程(z’);
本发明运用影像匹配方法,除可以找出同名像点,也能求出同名像点在两期影像中的平面坐标(x、y);因为正射影像是平面影像,不能求解同名像点的高程(z坐标);为了求解监测标识点(同名像点)的高程,本发明提出了一种基于TIN或DEM的同名像点高程内插方法;由于TIN(或DEM)是三维模型的一种表达方法,而正射影像是由三维模型经过正射投影变换生成的,因此可以根据正射影像中某点的平面坐标在TIN中找到对应的点;具体方法是,首先,根据同名像点的平面坐标,在TIN中找到包含该同名像点所在的三角形及其三个角点(或在DEM中找平面位置与同名像点最接近的三个格网点),然后,根据此三个角点(或格网点)的三维坐标建立平面方程AX+BY+CZ+D=0,最后,将该同名像点的平面坐标代入平面方程,即可计算得到该同名像点的高程(z坐标)。
在上述技术方案中,在步骤5中,变形计算的方法如下:
根据系列监测标识点(即同名像点)在两期三维模型中的三维坐标(x、y、z)及(x’、y’、z’)计算同名像点的位移量(△x、△y、△z);其中,△x=x-x’, △y=y-y’,△z=z-z’。
与现有技术相比,本发明具有如下优点:
(1)不需要在野外布设监测标识点,其结果是消除了外业布点可能存在的人的安全风险,也消除了监测标识点因变形加剧或人为因素被破坏后无法实施观测的风险,确保了监测工作的正常进行;同时也降低了监测成本;
(2)本发明不需布设监测标识点,也不需要内业在三维模型上进行坐标量测,降低监测成本,提高监测精度;
(3)本发明采用影像匹配的方法可以找到大量的同名像点,从而实现面状监测,更能从整体上反映被摄对象的变形分布规律,提高监测精度;克服了现有技术采用点状监测,在被摄对象上专门设置监测标识点的数量总有限,存在布置了监测点的地方没有变形,而没有布置监测点的地方发生了变形,即变形存在监测不到的情形,导致监测精度低的问题;
(4)本发明实现了监测工作的全自动化;本发明只需要放飞无人机,其它所有工作均由计算机完成,实现了基于无人机摄影测量的变形监测全过程的自动化,大大提高了变形信息智能感知水平,使得变形监测工作变成了一件极为简单的工作,操作简便,降低监测成本;克服了传统的监测方法需要大量的专业人员参与,进行人工埋设监测标识点、人工量测等操作,操作步骤复杂、且监测成本高、安全性低、监测精度低等缺点。
附图说明
图1为本发明无人机摄影测量变形自动化监测的作业流程图;
图2为本发明实施例根据2021年3月拍摄照片建立的滑坡体的三维模型图;
图3为本发明实施例根据2021年5月拍摄照片建立的滑坡体的三维模型图;
图4为本发明实施例利用2021年3月飞行拍摄的数据生成的三维模型的TIN(局部)图;
图5为本发明实施例利用2021年3月的三维模型生成的正射影像(即第一期正射影像)图;
图6为本发明实施例利用2021年5月飞行拍摄的数据生成的三维模型的TIN(局部)图;
图7为本发明实施例利用2021年5月的三维模型生成的正射影像(即第二期正射影像)图;
图8为本发明实施例在2021年3月正射影像上识别的同名像点(局部,十字标识)图;
图9为本发明实施例在2021年5月正射影像上识别的同名像点(局部,十字标识)图;
图10为本发明实施例在2021年3月三维模型上的监测标识点;
图11为本发明实施例在2021年5月三维模型上的监测标识点;
图12为本发明实施例中的TIN 示意图;
图13为本发明实施例中的内插示意图。
具体实施方式
下面结合附图详细说明本发明的实施情况,但它们并不构成对本发明的限定,仅作举例而已。同时通过说明使本发明的优点更加清楚和容易理解。
本发明具有如下特点:
①首次提出了无需现场埋设的监测标识点设定方法;以计算机在两期三维模型中通过影像匹配方式识别的监测标识点替代在物理变形体设置的监测标识点,不需要专门在滑坡体等被摄对象上设置监测标识点,监测标识点的坐标方便被自动计算得到;其特点在于:不需要在变形体上埋设标点,降低风险与成本;由于可以识别大量的监测标识点,采用本发明监测标识点所进行的监测是一种面状监测、监测精度高;克服了传统的监测采用点状监测,监测精度低的缺点;
②首次提出了三维模型中监测标识点的自动识别技术;现有的技术可以对变形体建立三维模型,并没有在两个三维模型中自动找监测标识点的技术,更没有自动量测同名像点坐标的技术;本发明的基本思路是:先将三维模型进行正射投影变换生成正射影像(由于正射影像是由三维模型经过正射投影变换生成的,三维模型的点与正射影像上的点存在对应关系,同名像点的平面坐标变化也代表了三维模型上对应点的水平方向的变形,因此可以直接把正射影像中的同名像点当作三维模型中的监测标识点),然后识别两期正射影像中的同名像点,最后把正射影像中识别的同名像点认定为三维模型中监测标识点即可,从而完成三维模型中的监测标识点的识别;
本发明首次用影像匹配来识别正射影像中的同名像点;本发明的影像匹配的对象是正射影像,配准后所得到的同名像点的坐标是大地坐标(非像平面坐标),从而识别正射影像中的同名像点;本发明在三维模型中监测标识点的识别技术的特点在于:对三维模型进行正射投影生成正射影像,采用常规的影像识别技术,对两张正射影像进行影像匹配,按一定的匹配精度识别出同名像点,并获取同名像点在两期影像中的大地坐标,将正射正射影像中的同名像点认定为三维模型中的监测标识点,从而实现三维模型中的监测标识点的识别,并赋予了监测标识点的平面坐标;
③首次提出了监测标识点位移量的自动计算方法;监测标识点位移量的计算分为水平位移量的计算与垂直位移量的计算;要计算位移量,首先要计算监测标识点在两期三维模型中的三维坐标;由于正射影像是水平的,正射影像上像点的坐标为平面坐标;在进行影像匹配识别出同名像点的同时,会给出同名像点在两期正射影像中的平面坐标,也就给定了监测标识点在两期三维模型中的平面坐标;根据监测标识点在两期三维模型中的平面坐标可以自动计算得到监测标识点的高程;因此,本发明所述方法的特点在于:A、将在监测标识点的平面坐标分别代入两期三维模型TIN中,找出监测标识点所在的TIN中的三角形的3个顶点;B、根据3个顶点的三维坐标构造一个平面,求解平面方程式为AX+BY+CD+D=0;C、将同名像点的平面坐标代入该方程,即可计算同名像点的高程;有了监测标识点在两期三维模型中的三维坐标后,由后一期的三维坐标减去前一期的三维坐标,即可得出监测标识点在三个方向的位移量;
④首次提出了基于无人机摄影测量的变形监测自动化方法,监测成本低,监测精度高,操作简便、监测效率高,安全性高;
⑤提出了提高监测精度的策略;本发明提高监测精度的策略包括5个方面:A、尽可能贴近被摄对象表面飞行拍摄;B、对于同一期观测,重复多遍或者密集飞行拍摄取得的大量照片一起用于三维模型的建立;C、对于存在一定倾角或立面的被摄对象的三维模型进行坐标变换,使得拟合的被摄对象的平面倾角为0;D、当被摄对象起伏较大,则可将被摄对象分成多个相对平缓的几个区域分别进行数据处理分析,E、采用自动化的量测方法。
实施例
现以本发明应用于某滑坡的表面变形监测为实施例对本发明进行详细说明,对本发明应用于其它变形体表面变形监测同样具有指导作用。
本实施例中,在应用本发明之前,为了监测滑坡体的变形,由监测单位在滑坡体上埋设了5个监测点,采用测量机器人进行了监测;监测结果表明滑坡体的变形较大。
在应用本发明之前,没有在滑坡体上设立更多的监测点;原来埋设的5个监测点在发明应用中也没有用到,但利用其监测成果与本发明应用成果进行了比较验证,说明了本发明的应用成果的可靠性。
本实施例中,某滑坡的基于无人机摄影测量的变形监测自动化方法,包括如下步骤:
步骤1:2021年3月,用无人机对该滑坡体进行了飞行拍摄,共拍摄照片1549张;2021年5月,再次对该滑坡体进行了飞行拍摄,共拍摄照片1723张;由于本实施例滑坡体上的植被很高,无人机无法贴近地面飞行,飞行高度较高,在25m~30米之间,客观上降低了监测精度;在本实施例其它试验中证明,在步骤1中无人机的飞行高度为5米时,按现在的无人机配备的照相机,拍摄的照片的分辨率为1.3mm左右,计算得到的变形量精度为亚毫米级,实现了高精度变形监测;
本实施例根据2021年3月拍摄照片建立的滑坡体的三维模型如图2所示;
本实施例根据2021年5月拍摄照片建立的滑坡体的三维模型如图3所示;
步骤2:采用常规的空中三角测量软件,利用2021年3月飞行拍摄的数据,构建第一次飞行拍摄的滑坡表面的不规则三角形网TIN,并生成第一期正射影像;
本实施例利用2021年3月飞行拍摄的数据生成的三维模型的TIN(局部)如图4所示;
本实施例利用2021年3月的三维模型生成的正射影像如图5所示;
步骤3:同样的,采用空中三角测量软件,利用2021年5月飞行拍摄的数据,构建第二次飞行滑坡表面的不规则三角形网TIN,并生成第二期正射影像;
本实施例利用2021年5月飞行拍摄的数据生成的三维模型的TIN(局部)如图6所示;
本实施例利用2021年5月的三维模型生成的正射影像如图7所示;
步骤4:按常规影像配准方法,对生成的两期正射影像进行影像匹配(本发明把同名像点作为监测标识点,以正射影像为对象进行影像配准,在两期正射影像上识别同名像点,为以后的位移量计算创造条件,从而实现变形监测自动化),识别出两期正射影像中的系列同名像点及其在两期正射影像中的系列平面坐标(x、y)及(x’、y’),平面坐标见表1所示;
本实施例在2021年3月正射影像上识别的同名像点(局部,十字标识),如图8所示;图8中的同名像点通过白色十字标识表示;
本实施例在2021年5月正射影像上识别的同名像点(局部,十字标识),如图9所示;图9中的同名像点通过白色十字标识表示;
本实施例在2021年3月三维模型上的监测标识点,如图10所示;图10中,监测标识点为白色漏斗型点;监测标识点处的数字为监测标识点编号;
本实施例在2021年5月三维模型上的监测标识点,如图11所示;图11中,监测标识点为白色水滴形点;监测标识点处的数字为监测标识点编号;
如图8、图9所示,在第一期正射影像中有28号点,在第二期正射影像中也有28号点,它们是由计算机根据一种规则识别出的一对同名像点;这对同名像点在第一期正射影像和对应三维模型中有它的平面坐标和高程,在第二期正射影像和对应三维模型中,也有它的平面坐标和高程;如果此点没有发生位移,其三维坐标是一样的,如果发生了位移,则两组三维坐标是不一样的,两者的差值即为位移量;而所有同名像点的位移量则反映了滑坡体的整体变形情况;因此,要揭示滑坡体的变形,首先是要找到监测标识点;传统的方法是人工埋设标点(便于人眼分辨),形成三维模型后,人工在三维模型上量测标点的坐标,计算出位移量;本发明实施例未埋设监测标识点,通过计算机自动识别监测标识点,以计算机自动识别的同名像点作为监测标识点,准确、效率高、省时省力;克服了传统方法依靠人在三维模型上找监测标识点,效率低,耗时耗力,监测精度低的缺点;
明显地物点是同名像点中的特例,很多同名像点并不是明显地物点;图8、图9是在某滑坡体的两期正射影像上由计算机自动识别的同名像点,从图8、图9中可以看出:同名像点基本上没有监测标识点的具象,称不上是监测标识点,但同名像点在两期影像中的坐标可以通过本发明方法获取,其位移量也就可以得到,大量的同名像点的位移量,反映的是整个滑坡体的变形状况;因此同名像点起到了监测标识点的作用;因此,采用本发明方法进行变形监测不必另外专门埋设监测标识点;
步骤5:根据2021年3月拍摄构建的三维模型的TIN网坐标和同名像点在2021年3月正射影像中的坐标(x、y),定位同名像点在第一期不规则三角网TIN中的三角形,再根据定位出的三角形三个顶点的三维坐标,内插出同名像点在第一期TIN网中的垂直方向的坐标(z),内插结果见表1;
本实施例根据同名像点所在的三角形顶点的三维坐标以及同名像点的平面坐标内插同名像点(监测标识点)的高程(如图12、图13所示);
图12中是一个表达三维模型的TIN(不规则三角形网),P为识别出来的同名像点,假定根据影像匹配方法获取的平面坐标为(XP,YP);P点的高程的内插方法如下:①根据TIN网各节点的平面坐标以及P点的平面坐标,定位P点所在的三角形∆ABC(如图12);②根据∆ABC三个顶点的三维坐标A(XA,YA,ZA)、B(XB,YB,ZB)、C(XC,YC,ZC)构建平面方程AX+BY+CZ+D=0; ③将P点的平面坐标代入平面方程式,即可计算出P点的高程(ZP)(如图13);
步骤6:同样地,根据第二次拍摄构建的三维模型的TIN网坐标和同名像点在第二期正射影像中的坐标(x’、y’),定位同名像点在第二期不规则三角网TIN中的三角形,再根据定位出的三角形三个顶点的三维坐标,内插出同名像点(监测标识点)在第二期TIN网中垂直方向的坐标(z’),内插结果见表1;
综上所述,本实施例中监测点的识别与三维坐标的自动获取方法包括如下几个步骤:
A、对三维模型进行正射投影,生成正射影像;
B、在两期正射影像之间进行同名像点的识别,得到同名像点在两期影像中的平面坐标,并把同名像点设定为三维模型中的监测标识点;
C、定位成对的监测标识点分别在各自三维模型TIN中所在的三角形,确定三角形3个顶点的三维坐标,或在三维模型DEM中,定位出距离监测标识点最近的三个格网点,确定格网点的三维坐标;
D、根据三角形3个顶点(或格网点)的三维坐标,构建平面方程;
E、将监测标识点的平面坐标代入平面方程,计算监测标识点的高程;
步骤7:根据系列监测标识点在两期三维模型中的三维坐标(x、y、z)及(x’、y’、z’)计算同名像点的位移量(△x、△y、△z);△x=x-x’, △y=y-y’,△z=z-z’,位移量结果见表1。
表1 监测标识点(部分)坐标及位移量表(cm)
说明:表1中的点对序号分别对应图8、图9上的监测标识点编号。
为了验证基于本发明的监测成果的可靠性,将部位相近的两对常规监测点与本发明实施例的监测标识点的位移量进行了比较,结果见表2;本发明实施例中的无人机监测标识点22号与常规监测点TP03DPD位置比较接近,无人机监测标识点31号与常规监测点TPO2DPD位置比较接近;需要说明的是,由于常规测量的坐标系与无人机监测坐标不一致,在比较之前,将无人机监测坐标转换到了常规测量的坐标系;另外,常规测量中未进行高程测量,因此仅能比较平面位移量;从表2中可以看出,两种方法的监测结果基本一致,说明了本发明实施例采用无人机自动监测成果的可靠性;产生两者的细微差别的原因在于以下两点:第一,用于比较的两点并不是同一个点,只是位置相近的两点;第二,两者观测的时间及间隔的时间长度不一致。
表2 无人机监测与常规监测成果比较
结论:本实施例实现了基于无人机摄影测量变形监测的自动化,且不需要在野外布设监测标识点,消除了外业布点可能存在的人安全风险,也消除了标点因变形加剧或人为因素被破坏后无法实施观测的风险,确保了监测工作的正常进行,同时也降低了监测成本,操作简便,监测成果可靠。
为了能够更加清楚的说明本发明所述的基于无人机摄影测量的变形监测自动化方法与现有技术相比所具有的优点,工作人员将这两种技术方案进行了对比,其对比结果如下表3。
表3 对比结果
由上表可知,本发明所述的基于无人机摄影测量的变形监测自动化方法与现有技术相比,无需外业布点及测量,通过无人机自带的RTK定位,位移量计算方法能精确地反映变形体变形,能够实现位移量监测的全自动化。
其它未说明的部分均属于现有技术。
Claims (7)
1.一种基于无人机摄影测量的变形监测自动化方法,其特征在于:直接以计算机可以识别出的同名像点作为监测标识点;
具体包括如下步骤,
步骤1:采用无人机对被摄对象进行拍摄;
步骤2:生成三维模型与正射影像;
采用空中三角测量软件,利用步骤1中的拍摄数据,构建三维模型,并将三维模型转化生成正射影像;
步骤3:自动识别监测标识点;
按影像配准方法对正射影像进行影像匹配,自动识别出正射影像中的同名像点及平面坐标,并以同名像点作为监测标识点;
步骤4:获取监测标识点的高程;
步骤5:变形计算。
2.根据权利要求1所述的基于无人机摄影测量的变形监测自动化方法,其特征在于:在步骤1中,对于存在一定倾角或立面的被摄对象的三维模型进行坐标变换,使得拟合的被摄对象的平面倾角为0;
当被摄对象起伏较大,则将被摄对象分成多个区域分别进行数据处理分析。
3.根据权利要求1或2所述的基于无人机摄影测量的变形监测自动化方法,其特征在于:在步骤1中,用无人机对被摄对象进行多次拍摄,选取任意两次拍摄,作为第一次飞行拍摄、第二次飞行拍摄。
4.根据权利要求3所述的基于无人机摄影测量的变形监测自动化方法,其特征在于:在步骤2中,采用空中三角测量软件,利用第一次飞行拍摄的数据,构建第一期TIN或DEM,并生成第一期正射影像;
同样的,利用第二次飞行拍摄的数据,构建第二期TIN或DEM,并生成第二期正射影像。
5.根据权利要求4所述的基于无人机摄影测量的变形监测自动化方法,其特征在于:在步骤3中,按影像配准方法,对生成的第一期正射影像、第二期正射影像进行影像匹配,自动识别出两期正射影像中的系列同名像点及其在两期正射影像中的系列平面坐标(x、y)及(x’、y’),并以同名像点作为监测标识点,从而自动识别出可以表示变形体位移量的监测标识点。
6.根据权利要求5所述的基于无人机摄影测量的变形监测自动化方法,其特征在于:在步骤4中,监测标识点的高程的获取方法如下:
根据第一期TIN坐标和同名像点在第一期正射影像中的坐标(x、y),定位同名像点在第一期TIN中的三角形,再根据定位出的三角形三个顶点的三维坐标,内插出同名像点在第一期TIN中的高程(z);
同样地,根据第二期TIN坐标和同名像点在第二期正射影像中的坐标(x’、y’),定位同名像点在第二期TIN中的三角形,再根据定位出的三角形三个顶点的三维坐标,内插出同名像点在第二期TIN中的高程(z’)。
7.根据权利要求6所述的基于无人机摄影测量的变形监测自动化方法,其特征在于:在步骤5中,变形计算的方法如下:
根据系列监测标识点在两期三维模型中的三维坐标(x、y、z)及(x’、y’、z’)计算监测标识点的位移量(△x、△y、△z);其中,△x=x-x’, △y=y-y’,△z=z-z’。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111330704.1A CN113776451B (zh) | 2021-11-11 | 2021-11-11 | 一种基于无人机摄影测量的变形监测自动化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111330704.1A CN113776451B (zh) | 2021-11-11 | 2021-11-11 | 一种基于无人机摄影测量的变形监测自动化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113776451A true CN113776451A (zh) | 2021-12-10 |
CN113776451B CN113776451B (zh) | 2022-02-11 |
Family
ID=78873777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111330704.1A Active CN113776451B (zh) | 2021-11-11 | 2021-11-11 | 一种基于无人机摄影测量的变形监测自动化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113776451B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114266830A (zh) * | 2021-12-28 | 2022-04-01 | 北京建筑大学 | 地下大空间高精度定位方法 |
CN114279424A (zh) * | 2021-12-29 | 2022-04-05 | 广西壮族自治区地震局 | 一种用于观测断层活动的地面摄影测量标志及其使用方法 |
CN114782847A (zh) * | 2022-06-20 | 2022-07-22 | 南京航天宏图信息技术有限公司 | 一种基于无人机的矿山产能监测方法及装置 |
CN115457022A (zh) * | 2022-09-30 | 2022-12-09 | 长江空间信息技术工程有限公司(武汉) | 基于实景三维模型正视影像的三维形变检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101159066A (zh) * | 2007-11-20 | 2008-04-09 | 中交第二公路勘察设计研究院有限公司 | 基于三维机载lidar的公路测设方法 |
CN103822616A (zh) * | 2014-03-18 | 2014-05-28 | 武汉大学 | 一种图分割与地形起伏约束相结合的遥感影像匹配方法 |
CN104700399A (zh) * | 2015-01-08 | 2015-06-10 | 东北大学 | 一种基于高分遥感影像的大变形滑坡位移场标定方法 |
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 |
CN106289184A (zh) * | 2016-11-01 | 2017-01-04 | 华中师范大学 | 一种无gnss信号和无控制点下无人机协同视觉形变监测方法 |
CN111242050A (zh) * | 2020-01-15 | 2020-06-05 | 同济大学 | 一种面向大尺度复杂场景下遥感影像的自动变化检测方法 |
CN112434709A (zh) * | 2020-11-20 | 2021-03-02 | 西安视野慧图智能科技有限公司 | 基于无人机实时稠密三维点云和dsm的航测方法及系统 |
CN113486728A (zh) * | 2021-06-15 | 2021-10-08 | 北京道达天际科技有限公司 | 基于特征融合的地表三维变化检测方法和装置 |
-
2021
- 2021-11-11 CN CN202111330704.1A patent/CN113776451B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101159066A (zh) * | 2007-11-20 | 2008-04-09 | 中交第二公路勘察设计研究院有限公司 | 基于三维机载lidar的公路测设方法 |
CN103822616A (zh) * | 2014-03-18 | 2014-05-28 | 武汉大学 | 一种图分割与地形起伏约束相结合的遥感影像匹配方法 |
CN104700399A (zh) * | 2015-01-08 | 2015-06-10 | 东北大学 | 一种基于高分遥感影像的大变形滑坡位移场标定方法 |
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 |
CN106289184A (zh) * | 2016-11-01 | 2017-01-04 | 华中师范大学 | 一种无gnss信号和无控制点下无人机协同视觉形变监测方法 |
CN111242050A (zh) * | 2020-01-15 | 2020-06-05 | 同济大学 | 一种面向大尺度复杂场景下遥感影像的自动变化检测方法 |
CN112434709A (zh) * | 2020-11-20 | 2021-03-02 | 西安视野慧图智能科技有限公司 | 基于无人机实时稠密三维点云和dsm的航测方法及系统 |
CN113486728A (zh) * | 2021-06-15 | 2021-10-08 | 北京道达天际科技有限公司 | 基于特征融合的地表三维变化检测方法和装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114266830A (zh) * | 2021-12-28 | 2022-04-01 | 北京建筑大学 | 地下大空间高精度定位方法 |
CN114266830B (zh) * | 2021-12-28 | 2022-07-15 | 北京建筑大学 | 地下大空间高精度定位方法 |
CN114279424A (zh) * | 2021-12-29 | 2022-04-05 | 广西壮族自治区地震局 | 一种用于观测断层活动的地面摄影测量标志及其使用方法 |
CN114782847A (zh) * | 2022-06-20 | 2022-07-22 | 南京航天宏图信息技术有限公司 | 一种基于无人机的矿山产能监测方法及装置 |
CN115457022A (zh) * | 2022-09-30 | 2022-12-09 | 长江空间信息技术工程有限公司(武汉) | 基于实景三维模型正视影像的三维形变检测方法 |
CN115457022B (zh) * | 2022-09-30 | 2023-11-10 | 长江空间信息技术工程有限公司(武汉) | 基于实景三维模型正视影像的三维形变检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113776451B (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113776451B (zh) | 一种基于无人机摄影测量的变形监测自动化方法 | |
KR100728377B1 (ko) | 레이저 스캐너 및 무선인터넷을 이용한 변경된 지역시설물의 gis 실시간 업데이트 방법 | |
US8315425B2 (en) | Method for comparison of 3D computer model and as-built situation of an industrial plant | |
Mills et al. | Geomatics techniques for structural surveying | |
US20080036758A1 (en) | Systems and methods for determining a global or local position of a point of interest within a scene using a three-dimensional model of the scene | |
WO1998012504A1 (en) | Mobile system for indoor 3-d mapping and creating virtual environments | |
KR20110068469A (ko) | 메타정보 없는 단일 영상에서 3차원 개체정보 추출방법 | |
JP6910511B2 (ja) | レーザ計測方法、レーザ計測用標識、及び座標算出プログラム | |
CN113607135A (zh) | 一种用于路桥施工领域的无人机倾斜摄影测量方法 | |
CN112862966B (zh) | 地表三维模型构建方法、装置、设备及存储介质 | |
CN109146990B (zh) | 一种建筑轮廓的计算方法 | |
JP2014106118A (ja) | 数値表層モデル作成方法、及び数値表層モデル作成装置 | |
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 | |
Lee et al. | A study on scan data matching for reverse engineering of pipes in plant construction | |
US8526011B2 (en) | Mobile projection system for scaling and orientation of surfaces surveyed by an optical measuring system | |
Yilmaz | Close range photogrammetry in volume computing | |
CN115900655A (zh) | 一种巡检航线规划方法 | |
Nazari et al. | Analysis of 3D Laser Scanning Data of Farabi Mosque Using Various Softwaren | |
CN115393537A (zh) | 输电通道三维可视化建模的精准性评估系统及方法 | |
KR20110084477A (ko) | 메타정보 없는 단일 영상에서 3차원 개체정보 추출방법 | |
Pavelka et al. | New measurement methods for structure deformation and objects exact dimension determination | |
Monego et al. | 3-D survey of rocky structures: The dolomitic spire of the gusela del Vescovà | |
Liang et al. | A rapid inspection method for large water turbine blade | |
Varga et al. | Studying the accuracy of orthophotos on the example of various terrain models in study areas in Hungary | |
Chung et al. | Improving Smartphone Position and Attitude for Geospatial Augmented Reality Applications |
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 |