CN113804154A - 基于卫星和无人机遥感的路面沉陷检测方法及装置 - Google Patents
基于卫星和无人机遥感的路面沉陷检测方法及装置 Download PDFInfo
- Publication number
- CN113804154A CN113804154A CN202111005844.1A CN202111005844A CN113804154A CN 113804154 A CN113804154 A CN 113804154A CN 202111005844 A CN202111005844 A CN 202111005844A CN 113804154 A CN113804154 A CN 113804154A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- data
- laser radar
- road surface
- 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 53
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000004062 sedimentation Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000007689 inspection Methods 0.000 claims abstract description 4
- 240000007651 Rubus glaucus Species 0.000 claims description 26
- 235000011034 Rubus glaucus Nutrition 0.000 claims description 26
- 235000009122 Rubus idaeus Nutrition 0.000 claims description 26
- 230000008859 change Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 15
- 229920000049 Carbon (fiber) Polymers 0.000 claims description 14
- 239000004917 carbon fiber Substances 0.000 claims description 14
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 14
- 238000011160 research Methods 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 10
- 238000003384 imaging method Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 6
- 210000003128 head Anatomy 0.000 claims description 6
- 238000009434 installation Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 12
- 201000010099 disease Diseases 0.000 abstract description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 7
- 238000009826 distribution Methods 0.000 abstract description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical group C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 4
- 238000005305 interferometry Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C5/00—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
- G01S17/90—Lidar systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- 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
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras 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
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Quality & Reliability (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及道路病害检测技术领域,尤其涉及基于卫星和无人机遥感的路面沉陷检测方法及装置。该方法为获取待检测路段原始SAR影像数据;提取沉降速率信息;确定路面沉陷潜在发生位置;制定无人机搭载激光雷达的巡检方案复检;路面点云数据处理;路面沉陷情况进行判断。本发明创造性地提出了一种基于卫星和无人机遥感的路面沉陷检测装置与方法,根据沉降速率分布情况找出路面沉陷可能发生的潜在位置,在较大范围内实现路面沉陷的初步检测,充分利用InSAR技术的优势,减少人工野外作业;实现路面沉陷的快速检测,在检测方法上具有创新性,且检测效率较高。
Description
技术领域
本发明涉及道路病害检测技术领域,尤其涉及基于卫星和无人机遥感的路面沉陷检测方法及装置。
背景技术
路面沉陷是指由于路基产生竖向变形而导致路面下沉的现象。行驶的车辆经过沉陷时产生较大冲击荷载,车辆出现“颠簸”现象,严重影响了道路的安全性和舒适性,降低了道路的使用性能和服务水平。路面沉陷如果不及时维护,沉陷面积会迅速发展,向下发展对基层甚至路基产生破坏。《公路技术状况评定标准》JTG5210-2018中将路面沉陷定义为大于10mm的路面局部下沉,为其快速化检测提供依据。对于路面沉陷的现有检测主要依靠人工,人工利用直尺或者水准测量效率低、危险系数较高,同时对于路面沉陷的判断容易受到主观因素的影响。
卫星搭载合成孔径雷达对地面目标进行拍摄,具有全天候、全天时的成像特点,在地理信息技术中发挥越来越重要的作用。合成孔径雷达干涉测量技术(InterferometricSynthetic Aperture Radar,InSAR)通过持续对地面同一目标区域进行观测,形成干涉测量的能力,可以得到每年度毫米级别的沉降数据。目前主流的时序InSAR分技术有基于永久散射体的合成孔径雷达干涉测量技术(PS-InSAR)以及小基线集合成孔径雷达干涉测量技术(SBAS-InSAR),这两种技术可以用于监测线性交通工程、人工建筑等缓慢性质的线性和非线性地表形变。近年来,激光检测技术快速发展,无人机和激光类传感器结合在电力巡检、交通监控等方面具有重大的应用前景。同时,随着技术进步,激光传感器应用于道路检测领域也成为可能。无人机与激光雷达进行组合用于道路病害检测,可以发挥无人机飞行的高效性以及激光检测的精准性。路面快速化检测一般需要对整条公路完成检测后才能确定病害的类型以及发生的位置。单一利用无人机遥感存在检测范围较大导致检测周期长、效率低等问题,无人机遥感可以实现病害的精细化检测,但是不能实现长周期与大范围的检测。路面沉陷这一类病害具有一定的规律性,大都出现在沉降速率较快以及沉降速率突变的区域。利用InSAR的沉降监测结果找出沉陷可能发生的敏感位置,然后无人机搭载激光雷达对敏感位置进行复检,进而实现路面沉陷的快速、精准检测。现阶段对于InSAR技术和无人机遥感检测的研究是孤立的,没有将二者进行有效结合的实例。
发明内容
本发明针对上述问题提供了基于卫星和无人机遥感的路面沉陷检测方法及装置。
本发明采用如下技术方案:
本发明所述的基于卫星及无人机遥感的路面检测方法,
S1、获取待检测路段原始SAR影像数据;
S2:对步骤S1中的原始SAR影像数据进行处理,提取沉降速率信息;
S3:分析步骤S2中提取沉降速率信息进行沉降速率分析,确定路面沉陷潜在发生位置;
S4:制定无人机搭载激光雷达的巡检方案;
S5:利用无人机搭载激光雷达对路面沉陷可能发生的潜在位置进行复检;
S6:路面点云数据处理;
S7:对路面沉陷情况进行判断,通过相邻横断面上的三点构建平面,计算横断面上及横断面间所有数据点到平面的距离si,距离最大值为smax,smax<10mm时,该处路面不存在路面沉陷;10≤smax≤25mm时,该处路面存在轻度沉陷;25<smax时,该处路面存在重度沉陷。
本发明所述的基于卫星及无人机遥感的路面检测方法,所述的步骤S1的具体步骤如下:
S1.1、通过高德地图与百度地图提供的卫星图进行分析,利用坐标拾取器提取公路沿线坐标信息;
S1.2、根据坐标信息获取近一年内包含研究路段区域的SAR影像数据,检验SAR影像数据的连续性和完整性;是先确定研究的路段,利用网页版的坐标提取器获取坐标;
S1.3、根据SAR数据成像日期获取每一景影像的精确轨道数据,同时获取成像范围内的外部DEM参考数据。SAR数据是通过卫星搭载合成孔径雷达对地进行扫描,卫星有一个固定的重返周期,所以每一景影像成像间隔是固定的,我们获取SAR数据是按照影像成像日期进行。
外部DEM参考数据是指原地面的数字高程模型,是InSAR处理过程中必须要用到的一个数据,把地面原有的高程信息去掉之后才能解算出地面目标形变的大小。
本发明所述的基于卫星及无人机遥感的路面检测方法,步骤S2的具体步骤如下:
S2.1、对原始SAR影像进行聚焦处理得到*.SLC格式的数据,*.SLC数据为单视复数格式,包含地面目标SAR信号的时间间隔与强度信息;
S2.2、SAR影像数据幅宽较大,通常超过200km,包含较多非研究区域,利用矢量工具在振幅影像中框选研究路段,新建包含有位置信息的图文件,利用图文件坐标对完整的SAR影像进行裁剪,重复裁剪工作,得到研究区域一段时间内的SAR影像集;因为卫星搭载合成孔径雷达对地进行扫描得到的SAR影像成像范围比较大,会包含很多与研究区域无关的部分,因此需要根据研究区域的坐标信息创建矢量图文件然后进行裁剪;
S2.3、不同时间卫星所处位置不同使得SAR影像存在一定的偏差,为了进行后续数据的干涉处理对辅影像进行配准与重采样,使辅影像采用主影像的雷达影像坐标空间;
对获取到的一系列SAR影像,按照不同日期成像的空间基线和时间基线进行筛选,从中挑选出一张影像作为这些SAR数据的主影像,其余影像均称为辅影像。
S2.4、SAR影像中同名像元进行共轭相乘得到干涉图,计算方法如下:
其中:c为地面目标的SAR回波信号,c1和c2分别为同一地面点目标在主辅影像中的回波信号,A为幅度信息,为相位信息,I为干涉结果,*表示取共轭;ei为数学符号,e是自然底数,i是复数,i的平方是-1;
S2.5、初始干涉相位包含有地表形变相位、地形起伏相位、参考椭球相位、大气延迟相位和噪声相位,去除地形起伏相位、参考椭球相位、大气延迟相位和噪声相位分量后可以得到地表形变相位;表示地面目标的形变大小。
S2.6、对雷达视线方向上的形变信息进行地理编码,首先将SAR影像坐标进行投影变换转换为常用地理坐标,然后对形变相位做垂直变换将形变量投影在垂直地表方向上,根据特定时间形变量大小计算沉降速率。
本发明所述的基于卫星及无人机遥感的路面检测方法,步骤S3的具体步骤如下:
S3.1、基于arcmap软件,对沉降点结果进行插值处理得到沉降速率插值图;该沉降速率插值图是利用插值处理方法将离散的结果插值为连续的图片;
S3.2、在沉降速率插值图中沿道路中线纵向绘制纵断面线,提取纵断面线上的沉降信息绘制沉降速率剖面图;
S3.3、根据沉降速率剖面图找出沉降速率较大以及沉降速率突变的位置即为路面沉陷可能发生的潜在位置,记录对应坐标。
本发明所述的基于卫星及无人机遥感的路面检测方法,步骤S4的具体步骤如下:
S4.1、采用的搭载激光雷达的无人机设备;扫描路面沉陷检测区域,扫描区域为为整个路幅宽度,扫描方向平行于横断面;
S4.2、无无人机搭载激光雷达在交通量较少的路段进行测试,对同一路段调整激光雷达按照不同飞行高度,不同角度分辨率以及不同扫描频率进行测试,根据无人机飞行速度和激光雷达扫描频率确定激光雷达每帧数据的断面间隔距离,根据不同飞行高度和激光雷达角度分辨率确定激光雷达在横断面上的扫描范围以及点云密度,选定检测时无人机和激光雷达的参数。;
S4.3、无人机飞行速度根据激光雷达的扫描频率来确定,无人机飞行速度v的计算方法如下:
v=d*f*n
其中:d为无人机飞行距离,每隔10cm测量一个横断面点绝对高程,d取定值0.1m;f为设定的激光雷达扫描频率;n为待检路段的路面材料反射率。
本发明所述的基于卫星及无人机遥感的路面检测方法,步骤S5的具体步骤如下:
S5.1、利用搭载激光雷达的无人机设备达到统计后的路面沉陷潜在发生位置的经纬度坐标;
S5.3、将无人机设备停放在非机动车道或者应急车道上,将无人机设备起飞至10m高度悬停,无人机设备开启激光雷达,测试数据的有效性;
S5.4、上升无人机设备至指定高度,无人机设备沿道路纵向飞行,控制无人机设备飞行速度与激光雷达的扫描频率相对应,保持无人机设备恒定速度飞行,记录激光雷达采集的距离数据;
S5.5、测量结束时,下降无人机设备至10m高度悬停,无人机设备关闭激光雷达数据采集,观察周边障碍物情况,降落无人机至指定位置。
本发明所述的基于卫星及无人机遥感的路面检测方法,步骤S6的具体步骤如下:
S6.1、去除无人机从10m高度上升至指定高度以及下降至10m高度悬停阶段的数据,同时去除无人机变速阶段的数据,只保留中间阶段恒定速度飞行采集的点云数据;
S6.2:点云数据噪声点处理,点云数据可视化,通过图形终端,用肉眼直接将孤立点或者与横断面数据点集偏离较大的点删除,对横断面上的首尾数据点用最小二乘法拟合一条曲线,分别计算首尾数据点中间的数据点到样条曲线的欧式距离,剔除坏点;
S6.3:点云数据平滑处理,采用高斯滤波的方法对测量的点云数据进行平滑处理以合理改变点云位置;
S6.4:点云数据精简,在曲率变化较大的地方保留较多的数据点,在曲率变化较小或者曲率不变的地方保留较少得数据点来提高运算的效率,采用平均距离法进行精简,计算公式如下:
其中:d′为平均距离;di为计算点与相邻点的距离;n为数据点个数;如果di≤d′,则对应计算点将被删除,反之则保留;
S6.5:对预处理后的横断面点云数据进行非线性曲面拟合,拟合后的曲面表征路面点实际起伏状况;
S6.6:在相邻横断面的其中一个横断面上,任取两个高程点,在另一个横断面上取一个最大高程点,三点构建一个平面,计算横断面上及横断面间所有数据点到平面的距离si,距离最大值为smax。
本发明所述的无人机遥感的路面检测装置,包括激光雷达;无人机;无线数据传输模块;树莓派;MicroSD卡;电脑;数据线;直流电源;GPS数据模块;无线遥控器;飞行控制单元;电子调速器;直流无刷电机;碳纤维管;碳纤维板;水平仪;
所述的无人机本体固定设有通过碳纤维管及碳纤维板组成安装平台,该安装平台的朝地部设有激光雷达,安装平台上设有无线数据传输模块、树莓派、MicroSD存储卡、数据线、直流电源、GPS数据模块、水平仪;无线遥控器用于控制无人机飞行;无人机的飞行速度由飞行控制单元、电子调速器、直流无刷电机进行控制。
所述的树莓派内置Micro SD存储卡,树莓派通过数据线与激光雷达相连,树莓派同于控制激光雷达并接收激光雷达所反馈的信息,GPS数据模块安装在无人机本体上用于实时记录无人机的位置信息;电脑用于获取上述相关信息;
水平仪直接放置在激光雷达上方,用来检测激光雷达是否水平;直流电源用于给树莓派激光雷达供电。
有益效果
本发明创造性地提出了一种基于卫星和无人机遥感的路面沉陷检测装置与方法,提出首先利用InSAR技术实现道路及其沿线的沉降监测,根据沉降速率分布情况找出路面沉陷可能发生的潜在位置,在较大范围内实现路面沉陷的初步检测,充分利用InSAR技术的优势,减少人工野外作业;之后利用无人机搭载激光雷达对路面沉陷潜在发生位置进行复检,精细化测量路面横断面高程,实现路面沉陷的快速检测,在检测方法上具有创新性,且检测效率较高。
附图说明
图1是本发明的技术路线图。
图2是无人机搭载激光雷达的示意图。
图3是无人机飞行方案示意图。
图4是路面沉陷计算示意图。
具体实施方式
为使本发明实施例的目的和技术方案更加清楚,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,一种无人机搭载激光雷达的路面沉陷检测装置,包括激光雷达1;无人机本体2;无线数据传输模块3;树莓派4;MicroSD存储卡5;电脑6;数据线7;直流电源8;GPS数据模块9;无线遥控器10;飞行控制单元11;电子调速器12;直流无刷电机13;碳纤维管14;碳纤维板15;水平仪16;
激光雷达1,用于路面点信息采集,挂载在所述无人机本体2下方按照一定的扫描频率和角度分辨率计算与路面点之间的相对位置;所述无人机本体2,用于搭载所有的检测设备;
无线数据传输模块3,作为所述树莓派4和地面端电脑6进行通信的媒介;
树莓派4是一款基于ARM的微型电脑主板,具备所有PC的基本功能,通过所述数据线7与激光雷达1进行连接用于传输采集的数据信息;
MicroSD存储卡5是树莓派4的内存硬盘,用于存储所述激光雷达1采集的数据信息;
电脑6通过无线数据传输模块3给树莓派4发送指令,控制激光雷达1的开始、关闭、单次采集和连续采集等模式,处理树莓派4中Micro SD存储卡5的数据;
数据线7将所述激光雷达1与树莓派4进行连接,用于数据传输;
直流电源8连接激光雷达1、树莓派4进行供电;
GPS数据模块9安装于所述无人机2上,用于实时记录无人机的位置信息;
无线遥控器10用于给所述无人机2发送油门、转向、姿态调节和飞行模式等指令;
飞行控制单元11用于控制所述无人机2的飞行模式和飞行姿态等;
电子调速器12用于控制直流无刷电机13的转速,进而控制螺旋桨的转速;
直流无刷电机13上面连接有螺旋桨,用于控制螺旋桨旋转;
碳纤维管14固定于所述无人机2下用于搭载激光雷达1;碳纤维板15固定于所述激光雷达1上方,放置所述树莓派4和直流电源8;水平仪16可以显示设备是否水平,用于设备装载时调整重心水平。
本发明所述的一种基于卫星和无人机的路面沉陷检测方法,包括以下步骤:
S1:待检测路段原始SAR影像数据获取,具体包括如下步骤:
S1.1:对高德地图和百度地图提供的卫星图进行分析,利用坐标拾取器提取公路沿线坐标信息;
S1.2:根据坐标信息获取近一年内包含研究路段区域的SAR影像数据,检验SAR影像数据的连续性和完整性;
S1.3:根据SAR数据成像日期获取每一景影像的精确轨道数据,同时获取成像范围内的外部DEM参考数据;
S2:SAR数据处理,提取沉降速率信息,具体包括如下步骤:
S2.1:对原始SAR影像进行聚焦处理得到*.SLC格式的数据,SLC数据为单视复数格式,包含地面目标SAR信号的时间间隔与强度信息,获取较好的单视复数影像是SBAS-InSAR和PS-InSAR处理的基础;
S2.2:SAR影像数据幅宽较大,通常超过200km,包含较多非研究区域,利用矢量工具在振幅影像中框选研究路段,新建包含有位置信息的图文件,利用图文件坐标对完整的SAR影像进行裁剪,重复裁剪工作,得到研究区域一段时间内的SAR影像集;
S2.3:不同时间卫星所处位置不同使得SAR影像存在一定的偏差,为了进行后续数据的干涉处理对辅影像进行配准和重采样,使辅影像采用主影像的雷达影像坐标空间;
S2.4:SAR影像中同名像元进行共轭相乘得到干涉图,初始干涉相位包含有地表形变相位、地形起伏相位、参考椭球相位、大气延迟相位和噪声相位,去除地形起伏相位、参考椭球相位、大气延迟相位和噪声相位分量后可以得到地表形变相位;
S2.5:对LOS雷达视线方向上的形变信息进行地理编码,首先将SAR影像坐标进行投影变换转换为常用地理坐标,然后对形变相位做垂直变换将形变量投影在垂直地表方向上,获取与精密水准测量成果一致的形变成果;
S3:沉降速率分析,确定路面沉陷潜在发生位置,具体包括如下步骤:
S3.1:利用arcmap对沉降点结果进行插值处理得到沉降速率插值图;
S3.2:沿道路中线纵向绘制纵断面线,提取纵断面线上的沉降信息绘制沉降速率剖面图;
S3.3:根据沉降速率剖面图找出沉降速率较大以及沉降速率突变的位置即为路面沉陷可能发生的潜在位置,记录对应坐标;
S4:制定无人机搭载激光雷达的巡检方案,具体包括如下步骤:
S4.1:激光雷达利用碳纤维管和绑带固定在无人机下方,树莓派、直流电源、数据线利用碳纤维板和绑带固定在激光雷达上方,利用水平仪调整重心保持水平;
S4.2:路面沉陷检测区域为整个路幅宽度,采用激光雷达扫描方向平行于横断面;
S4.3:无人机搭载激光雷达在交通量较少的路段进行测试,对同一路段调整激光雷达按照不同飞行高度,不同角度分辨率以及不同扫描频率进行测试,观察点云数据的有效性,找出三者的关系,确定检测时无人机和激光雷达的参数;
S4.4:对待检路段周边障碍物以及车流量进行调查,根据障碍物高度及路线走向制定无人机起飞、降落位置,城市道路选择非机动车道的合适位置作为起降位置,高速公路选择应急车道的合适位置作为起降平台;
S4.5:无人机飞行速度根据激光雷达的扫描频率来确定,无人机飞行速度v的计算方法如下:
v=d*f*n
其中:d为无人机飞行距离,每隔10cm测量一个横断面点绝对高程,d取定值0.1m;f为设定的激光雷达扫描频率;n为待检路段的路面材料反射率;
S5:利用无人机搭载激光雷达对路面沉陷可能发生的潜在位置进行复检,具体包括如下步骤:
S5.1:将激光雷达、树莓派、直流电源按照S1.1所述固定在无人机下方,连接激光雷达与直流电源,连接激光雷达与树莓派;
S5.2:根据统计的路面沉陷潜在发生位置的经纬度坐标,利用无线遥控器控制无人机快速到达指定区域;
S5.3:无人机搭载激光雷达等设备停放在非机动车道或者应急车道上,通过飞行控制系统控制无人机起飞至10m高度悬停,地面控制端电脑通过无线数据传输模块控制树莓派开启激光雷达,测试数据的有效性;
S5.4:上升无人机至指定高度,无人机沿道路纵向飞行,控制无人机飞行速度与激光雷达的扫描频率相对应,保持无人机恒定速度飞行,记录激光雷达采集的距离数据;
S5.5:测量结束时,下降无人机至10m高度悬停,地面控制端通过无线数据传输模块控制树莓派关闭激光雷达数据采集,观察周边障碍物情况,降落无人机至指定位置;
S6:路面点云数据处理,具体包括如下步骤:
S6.1:去除无人机从10m高度上升至指定高度以及下降至10m高度悬停阶段的数据,同时去除无人机变速阶段的数据,只保留中间阶段恒定速度飞行采集的点云数据;
S6.2:点云数据噪声点处理,点云数据可视化,通过图形终端,用肉眼直接将孤立点或者与横断面数据点集偏离较大的点删除,对横断面上的首尾数据点用最小二乘法拟合一条曲线,分别计算首尾数据点中间的数据点到样条曲线的欧式距离,剔除坏点;
S6.3:点云数据平滑处理,采用高斯滤波的方法对测量的点云数据进行平滑处理以合理改变点云位置;
S6.4:点云数据精简,在曲率变化较大的地方保留较多的数据点,在曲率变化较小或者曲率不变的地方保留较少得数据点来提高运算的效率,采用平均距离法进行精简,计算公式如下:
其中:d′为平均距离;di为计算点与相邻点的距离;n为数据点个数;如果di≤d′,则对应计算点将被删除,反之则保留;
S6.5:对预处理后的横断面点云数据进行非线性曲面拟合,拟合后的曲面表征路面点实际起伏状况;
S6.6:在相邻横断面的其中一个横断面上,任取两个高程点,在另一个横断面上取一个最大高程点,三点构建一个平面,计算横断面上及横断面间所有数据点到平面的距离si,距离最大值为smax;
S7:对路面沉陷情况进行判断,smax<10mm时,该处路面不存在路面沉陷;10≤smax≤25mm时,该处路面存在轻度沉陷;25<smax时,该处路面存在重度沉陷。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.基于卫星及无人机遥感的路面检测方法,其特征在于:
S1、获取待检测路段原始SAR影像数据;
S2:对步骤S1中的原始SAR影像数据进行处理,提取沉降速率信息;
S3:分析步骤S2中提取沉降速率信息进行沉降速率分析,确定路面沉陷潜在发生位置;
S4:制定无人机搭载激光雷达的巡检方案;
S5:利用无人机搭载激光雷达对路面沉陷可能发生的潜在位置进行复检;
S6:路面点云数据处理;
S7:对路面沉陷情况进行判断,通过相邻横断面上的三点构建平面,计算横断面上及横断面间所有数据点到平面的距离si,距离最大值为smax,smax<10mm时,该处路面不存在路面沉陷;10≤smax≤25mm时,该处路面存在轻度沉陷;25<smax时,该处路面存在重度沉陷。
2.根据权利要求1所述的基于卫星及无人机遥感的路面检测方法,其特征在于:所述的步骤S1的具体步骤如下:
S1.1、通过高德地图与百度地图提供的卫星图进行分析,利用坐标拾取器提取公路沿线坐标信息;
S1.2、根据坐标信息获取近一年内包含研究路段区域的SAR影像数据,检验SAR影像数据的连续性和完整性;
S1.3、根据SAR数据成像日期获取每一景影像的精确轨道数据,同时获取成像范围内的外部DEM参考数据。
3.根据权利要求1所述的基于卫星及无人机遥感的路面检测方法,其特征在于:步骤S2的具体步骤如下:
S2.1、对原始SAR影像进行聚焦处理得到*.SLC格式的数据,*.SLC数据为单视复数格式,包含地面目标SAR信号的时间间隔与强度信息;
S2.2、利用图文件坐标对完整的SAR影像进行裁剪,重复裁剪工作,得到研究区域一段时间内的SAR影像集;
S2.3、SAR影像中对辅影像进行配准与重采样,使辅影像采用主影像的雷达影像坐标空间;
S2.4、SAR影像中同名像元进行共轭相乘得到干涉图,计算方法如下:
S2.5、初始干涉图,去除地形起伏相位、参考椭球相位、大气延迟相位和噪声相位分量后可以得到地表形变相位;
S2.6、雷达视线方向上的形变信息进行地理编码,首先将SAR影像坐标进行投影变换转换为常用地理坐标,然后对形变相位做垂直变换将形变量投影在垂直地表方向上,根据特定时间形变量大小计算沉降速率。
4.根据权利要求1所述的基于卫星及无人机遥感的路面检测方法,其特征在于:步骤S3的具体步骤如下:
S3.1、基于arcmap软件,对沉降点结果进行插值处理得到沉降速率插值图;
S3.2、沉降速率插值图中沿道路中线纵向绘制纵断面线,提取纵断面线上的沉降信息绘制沉降速率剖面图;
S3.3、根据沉降速率剖面图找出沉降速率较大以及沉降速率突变的位置即为路面沉陷可能发生的潜在位置,记录对应坐标。
5.根据权利要求1所述的基于卫星及无人机遥感的路面检测方法,其特征在于:步骤S4的具体步骤如下:
S4.1、采用的搭载激光雷达的无人机设备;扫描路面沉陷检测区域,扫描区域为整个路幅宽度,扫描方向平行于横断面;
S4.2、无人机搭载激光雷达在交通量较少的路段进行测试,对同一路段调整激光雷达按照不同飞行高度,不同角度分辨率以及不同扫描频率进行测试,根据无人机飞行速度和激光雷达扫描频率确定激光雷达每帧数据的断面间隔距离,根据不同飞行高度和激光雷达角度分辨率确定激光雷达在横断面上的扫描范围以及点云密度,选定检测时无人机和激光雷达的参数;
S4.3、无人机飞行速度根据激光雷达的扫描频率来确定,无人机飞行速度v的计算方法如下:
v=d*f*n
其中:d为无人机飞行距离,每隔10cm测量一个横断面点绝对高程,d取定值0.1m;f为设定的激光雷达扫描频率;n为待检路段的路面材料反射率。
6.根据权利要求1所述的基于卫星及无人机遥感的路面检测方法,其特征在于:步骤S5的具体步骤如下:
S5.1、利用搭载激光雷达的无人机设备达到统计后的路面沉陷潜在发生位置的经纬度坐标;
S5.3、将无人机设备停放在非机动车道或者应急车道上,将无人机设备起飞至10m高度悬停,无人机设备开启激光雷达,测试数据的有效性;
S5.4、上升无人机设备至指定高度,无人机设备沿道路纵向飞行,控制无人机设备飞行速度与激光雷达的扫描频率相对应,保持无人机设备恒定速度飞行,记录激光雷达采集的距离数据;
S5.5、测量结束时,下降无人机设备至10m高度悬停,无人机设备关闭激光雷达数据采集,观察周边障碍物情况,降落无人机至指定位置。
7.根据权利要求1或6所述的基于卫星及无人机遥感的路面检测方法,其特征在于:步骤S6的具体步骤如下:
S6.1、去除无人机从10m高度上升至指定高度以及下降至10m高度悬停阶段的数据,同时去除无人机变速阶段的数据,只保留中间阶段恒定速度飞行采集的点云数据;
S6.2:点云数据噪声点处理,点云数据可视化,通过图形终端,用肉眼直接将孤立点或者与横断面数据点集偏离较大的点删除,对横断面上的首尾数据点用最小二乘法拟合一条曲线,分别计算首尾数据点中间的数据点到样条曲线的欧式距离,剔除坏点;
S6.3:点云数据平滑处理,采用高斯滤波的方法对测量的点云数据进行平滑处理以合理改变点云位置;
S6.4:点云数据精简,在曲率变化较大的地方保留较多的数据点,在曲率变化较小或者曲率不变的地方保留较少得数据点来提高运算的效率,采用平均距离法进行精简,计算公式如下:
其中:d′为平均距离;di为计算点与相邻点的距离;n为数据点个数;如果di≤d′,则对应计算点将被删除,反之则保留;
S6.5:对预处理后的横断面点云数据进行非线性曲面拟合,拟合后的曲面表征路面点实际起伏状况;
S6.6:在相邻横断面的其中一个横断面上,任取两个高程点,在另一个横断面上取一个最大高程点,三点构建一个平面,计算横断面上及横断面间所有数据点到平面的距离si,距离最大值为smax。
8.一种无人机遥感的路面检测装置,其特征在于:包括激光雷达;无人机;无线数据传输模块;树莓派;MicroSD卡;数据线;直流电源;GPS数据模块;无线遥控器;碳纤维管;碳纤维板;水平仪;
所述的无人机本体固定设有通过碳纤维管及碳纤维板组成安装平台,该安装平台的朝地部设有激光雷达,安装平台上设有无线数据传输模块、树莓派、MicroSD存储卡、数据线、直流电源、GPS数据模块、水平仪;无线遥控器用于控制无人机飞行;
所述的树莓派内置Micro SD存储卡,树莓派通过数据线与激光雷达相连,树莓派同于控制激光雷达并接收激光雷达所反馈的信息,GPS数据模块安装在无人机本体上用于实时记录无人机的位置信息;水平仪放置于激光雷达上,直流电源用于给树莓派激光雷达供电。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111005844.1A CN113804154A (zh) | 2021-08-30 | 2021-08-30 | 基于卫星和无人机遥感的路面沉陷检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111005844.1A CN113804154A (zh) | 2021-08-30 | 2021-08-30 | 基于卫星和无人机遥感的路面沉陷检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113804154A true CN113804154A (zh) | 2021-12-17 |
Family
ID=78941920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111005844.1A Pending CN113804154A (zh) | 2021-08-30 | 2021-08-30 | 基于卫星和无人机遥感的路面沉陷检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113804154A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114690197A (zh) * | 2022-05-30 | 2022-07-01 | 山东科技大学 | 一种风积沙地形条件下岩移变形机载激光雷达测量方法 |
CN114964028A (zh) * | 2022-05-24 | 2022-08-30 | 长安大学 | 一种综合遥感快速解译地震地表破裂带的方法 |
CN115265400A (zh) * | 2022-09-29 | 2022-11-01 | 山东乾元泽孚科技股份有限公司 | 一种建筑工程数字化形变测量方法及系统 |
CN115272177A (zh) * | 2022-06-15 | 2022-11-01 | 成都理工大学 | 一种非接触式路面断面信息提取与分析方法 |
CN117647220A (zh) * | 2024-01-25 | 2024-03-05 | 安徽省交通规划设计研究总院股份有限公司 | 一种基于激光点云数据的沥青路面沉陷处治方法 |
CN117870618A (zh) * | 2024-03-13 | 2024-04-12 | 中晋环境科技有限公司 | 一种采空区沉降监测方法、装置、电子设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104459696A (zh) * | 2014-12-24 | 2015-03-25 | 中南大学 | 一种基于平地相位的sar干涉基线精确估计方法 |
CN105550639A (zh) * | 2015-12-07 | 2016-05-04 | 国家测绘地理信息局卫星测绘应用中心 | 对地观测激光测高卫星高程控制点自动提取方法和数据处理方法 |
CN106203271A (zh) * | 2016-06-29 | 2016-12-07 | 南京大学 | 一种基于高分辨率sar图像相干性的高铁干线提取方法 |
CN107665570A (zh) * | 2017-11-20 | 2018-02-06 | 水禾测绘信息技术有限公司 | 一种高速公路灾害监测预警系统 |
CN109059849A (zh) * | 2018-09-28 | 2018-12-21 | 中国科学院测量与地球物理研究所 | 一种基于遥感中InSAR技术的地面沉降预测方法 |
CN109099885A (zh) * | 2018-08-14 | 2018-12-28 | 中冶建筑研究总院(深圳)有限公司 | 城市区域地面沉降多源感知自动化监控系统和实现方法 |
CN111105496A (zh) * | 2019-12-19 | 2020-05-05 | 昆明能讯科技有限责任公司 | 一种基于机载激光雷达点云数据的高精dem构建方法 |
CN111678489A (zh) * | 2020-04-22 | 2020-09-18 | 南通弘帆数据科技有限公司 | 一种机场飞行区跑道沉降监测系统及方法 |
CN111812645A (zh) * | 2020-06-10 | 2020-10-23 | 西南交通大学 | 冻土季节形变的卫星干涉测量方法 |
CN111999733A (zh) * | 2020-08-11 | 2020-11-27 | 中国海洋大学 | 海岸带大坝稳定性监测与淹没脆弱性评估方法、系统 |
-
2021
- 2021-08-30 CN CN202111005844.1A patent/CN113804154A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104459696A (zh) * | 2014-12-24 | 2015-03-25 | 中南大学 | 一种基于平地相位的sar干涉基线精确估计方法 |
CN105550639A (zh) * | 2015-12-07 | 2016-05-04 | 国家测绘地理信息局卫星测绘应用中心 | 对地观测激光测高卫星高程控制点自动提取方法和数据处理方法 |
CN106203271A (zh) * | 2016-06-29 | 2016-12-07 | 南京大学 | 一种基于高分辨率sar图像相干性的高铁干线提取方法 |
CN107665570A (zh) * | 2017-11-20 | 2018-02-06 | 水禾测绘信息技术有限公司 | 一种高速公路灾害监测预警系统 |
CN109099885A (zh) * | 2018-08-14 | 2018-12-28 | 中冶建筑研究总院(深圳)有限公司 | 城市区域地面沉降多源感知自动化监控系统和实现方法 |
CN109059849A (zh) * | 2018-09-28 | 2018-12-21 | 中国科学院测量与地球物理研究所 | 一种基于遥感中InSAR技术的地面沉降预测方法 |
CN111105496A (zh) * | 2019-12-19 | 2020-05-05 | 昆明能讯科技有限责任公司 | 一种基于机载激光雷达点云数据的高精dem构建方法 |
CN111678489A (zh) * | 2020-04-22 | 2020-09-18 | 南通弘帆数据科技有限公司 | 一种机场飞行区跑道沉降监测系统及方法 |
CN111812645A (zh) * | 2020-06-10 | 2020-10-23 | 西南交通大学 | 冻土季节形变的卫星干涉测量方法 |
CN111999733A (zh) * | 2020-08-11 | 2020-11-27 | 中国海洋大学 | 海岸带大坝稳定性监测与淹没脆弱性评估方法、系统 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114964028A (zh) * | 2022-05-24 | 2022-08-30 | 长安大学 | 一种综合遥感快速解译地震地表破裂带的方法 |
CN114964028B (zh) * | 2022-05-24 | 2023-03-10 | 长安大学 | 一种综合遥感快速解译地震地表破裂带的方法 |
CN114690197A (zh) * | 2022-05-30 | 2022-07-01 | 山东科技大学 | 一种风积沙地形条件下岩移变形机载激光雷达测量方法 |
CN114690197B (zh) * | 2022-05-30 | 2022-09-23 | 山东科技大学 | 一种风积沙地形条件下岩移变形机载激光雷达测量方法 |
CN115272177A (zh) * | 2022-06-15 | 2022-11-01 | 成都理工大学 | 一种非接触式路面断面信息提取与分析方法 |
CN115265400A (zh) * | 2022-09-29 | 2022-11-01 | 山东乾元泽孚科技股份有限公司 | 一种建筑工程数字化形变测量方法及系统 |
CN117647220A (zh) * | 2024-01-25 | 2024-03-05 | 安徽省交通规划设计研究总院股份有限公司 | 一种基于激光点云数据的沥青路面沉陷处治方法 |
CN117647220B (zh) * | 2024-01-25 | 2024-04-26 | 安徽省交通规划设计研究总院股份有限公司 | 一种基于激光点云数据的沥青路面沉陷处治方法 |
CN117870618A (zh) * | 2024-03-13 | 2024-04-12 | 中晋环境科技有限公司 | 一种采空区沉降监测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113804154A (zh) | 基于卫星和无人机遥感的路面沉陷检测方法及装置 | |
CN110779498B (zh) | 基于无人机多视点摄影的浅水河流水深测绘方法及系统 | |
CN110503080A (zh) | 基于无人机倾斜摄影辅助排污口的调查方法 | |
CN109556569B (zh) | 地形图测绘方法及装置 | |
CN202175906U (zh) | 车载式公路路面三维测量装置 | |
CN107918127A (zh) | 一种基于车载InSAR的道路边坡形变检测系统及方法 | |
Ajayi et al. | Investigating the applicability of unmanned aerial vehicles (UAV) photogrammetry for the estimation of the volume of stockpiles | |
CN114877838B (zh) | 一种基于车载激光扫描系统的道路几何特征检测方法 | |
Kim et al. | Applicability assessment of UAV mapping for disaster damage investigation in Korea | |
CN110207676A (zh) | 一种田沟塘参数的获取方法及装置 | |
CN112033389A (zh) | 一种沟壑地形条件下变形沉降监测方法 | |
KR20200048143A (ko) | 무인 항공기를 이용한 하천 건천화 모니터링 방법 및 시스템 | |
CN103453882B (zh) | 一种基于飞行器的云层高度测量系统及云层高度测量方法 | |
CN115097483A (zh) | 一种基于无人机搭载雷达的大型土方测绘方法 | |
CN203479295U (zh) | 一种基于飞行器的云层高度测量系统 | |
CN114943890A (zh) | 采用无人机载激光点云的变电站场地平整识别方法 | |
KR102137526B1 (ko) | 시설물 맞춤형 mms각도조절 방법 | |
Lin et al. | Micro-UAV based remote sensing method for monitoring landslides in Three Gorges Reservoir, China | |
CN111473774B (zh) | 无人机单航带倾斜摄影电力线障碍物巡检方法 | |
CN113744393B (zh) | 一种多层级边坡滑坡变化监测方法 | |
Harrap et al. | An overview of LIDAR: collection to application | |
Morariu et al. | Topo-geodetic modern methods and techniques for building monitoring process | |
Elaksher et al. | Refinement of digital elevation models in urban areas using breaklines via a multi-photo least squares matching algorithm | |
Ilci et al. | The usage of unmanned aerial vehicles (UAVs) for 3D mapping of archaeological sites | |
CN116385686B (zh) | 基于不规则倾斜摄影的实景三维模型重建方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211217 |
|
RJ01 | Rejection of invention patent application after publication |