CN114255270A - 基于倾斜摄影技术的路基土石方自动算量方法和平台 - Google Patents

Abstract

本发明涉及路基土石方自动算量技术领域，特别是涉及基于倾斜摄影技术的路基土石方自动算量方法和平台。具体包括以下步骤：S1，通过无人机倾斜摄影方法采集原始影像数据；S2，根据现场已知控制点的坐标值，求得转换参数，所述转换参数用于将所述原始影像数据中的源坐标系转换为目标坐标系；S3，根据所述转换参数将所述原始影像数据批量转换到所述目标坐标系下，得到转换后的数据；S4，根据所述转换后的数据建立三维实景模型；S5，采用机器学习清除所述三维实景模型中的杂物，得到优化后的三维实景模型；S6，根据所述优化后的三维实景模型计算出路基土石方量。将无人机倾斜摄影技术并自动识别并清除植被和施工器械等，提高算量精度。

Description

基于倾斜摄影技术的路基土石方自动算量方法和平台

技术领域

本发明涉及路基土石方自动算量技术领域，特别是涉及一种基于倾斜摄影技术的路基土石方自动算量方法和平台。

背景技术

土石方工程是项目建设的重要环节之一，其费用投入大，近年来，随着国家基础建设项目越来越多，工程建设效率越来越高，为了高效准确计算工程量大小及费用，需要一种快速合理的方法，传统的土石方量测量计算方法有水准仪测量法、全站仪测量法和GPS测量法，这些方法各自存在着一些局限性，在工程应用中普适性不强，无人机航测技术是近年来新兴的技术，在工程测绘时具有灵活高效且具有较高精度等优点，同时避免了大量的人工现场作业，大幅度提高了测量人员的安全保障，但现阶段无人机航测技术计算土石方量过程较为繁琐，对人员技术要求较高，成本投入较高，由于无人机坐标系与工程坐标系不一致，需要通过添加像控点来进行坐标匹配；且现场施工环境复杂，土石方算量时往往会有植被干扰，影响计算结果的精度；且土石方量计量涉及到工程结算款问题，人为干预会降低计算结果的公信力。

现有航测技术测算土石方量主要存在以下三个问题：(1)无人机采集影像建立的三维实景模型，存在植被和施工器械等干扰土石方量计算结果的影响因素；(2)使用到的软件较多，计算处理过程繁杂，人工干预因素多；(3)计算出来的结果为总量，无法与项目计量规则对应，适用性差。

发明内容

针对以上问题，将无人机倾斜摄影技术与机器学习、三维表面模型的剖切计算技术以及坐标转换等方法相结合，研发形成一种基于倾斜摄影技术的路基土石方自动算量方法和平台。

为了实现上述发明目的，本发明提供了以下技术方案：

基于倾斜摄影技术的路基土石方自动算量方法，具体包括以下步骤：

S1，通过无人机倾斜摄影方法采集原始影像数据；

S2，根据现场已知控制点的坐标值，求得转换参数，所述转换参数用于将所述原始影像数据中的源坐标系转换为目标坐标系；

S3，根据所述转换参数将所述原始影像数据批量转换到所述目标坐标系下，得到转换后的数据；

S4，根据所述转换后的数据建立三维实景模型；

S5，清除所述三维实景模型中的杂物，得到优化后的三维实景模型；

S6，根据所述优化后的三维实景模型计算出路基土石方量。

作为本发明的优选方案，步骤S5具体包括以下步骤：

S51，将所述三维实景模型的数据输入mesh智能分类模型，实现对所述三维实景模型中的物体的分类和杂物提取，所述杂物包括地表植被、机械；

S52，对提取的杂物进行删除，生成存在孔洞的三维实景网络模型；

S53，采用径向基函数方法对所述孔洞进行补洞，实现三维实景网络模型的地表重建。

作为本发明的优选方案，所述mesh智能分类模型的前提是采用机器学习对实景三维模型进行三维语义分割，基于分割后的数据进行物体的分类，具体包括以下步骤：

S511，建立深度学习样本数据；

S512，基于所述样本数据生成模型库，模型库是深度学习算法对样本数据进行训练后生成的网络模型和相关参数的数据，深度学习框架可根据该模型，重建网络模型并导入网络参数，实现三维模型的特征提取分类。

作为本发明的优选方案，步骤S6具体包括以下步骤：

S61，从所述优化后的三维实景模型中提取出横断面数据；

S62，将提取出的横断面数据与设计横断面进行套合，判断出填挖状态；

S63，根据所述填挖状态计算路基土石方量。

作为本发明的优选方案，步骤S61具体包括：

S611，根据施工红线和道路中心线将所述优化后的三维实景模型进行剖切；

S612，计算剖切面与实景三维模型的相交的轮廓线，生成横断面。

作为本发明的优选方案，步骤S611中，剖切所述优化后的三维实景模型采用三维表面模型的剖切计算，具体包括以下步骤：

将所述优化后的三维实景模型划分为三角网格；

采用八叉树空间区域划分和区域划分算法，将三角网格划分到空间各个子区域中，三角格网格信息被保存到八叉树的各个子结点中；被存储在八叉树各个结点中的三角网格信息通过指针衔接起来；

在模型剖切过程中基于八叉树的区域查找算法首先确定模型的剖切区域，在该区域内检索更小的剖切区域，逐层细分，最后遍历剖切到的小区域内的三角面片获取剖切平面各点的参数。

作为本发明的优选方案，步骤S63具体包括：

S631，若为填方段，则模型提取的横断面线与原地面线的面积剔除掉设计横断面以上和原地面以下部分即为真实的方量计算面积；若为挖方段，则模型提取的横断面线与原地面线的面积剔除掉设计横断面以下和原地面以上部分即为真实的方量计算面积；

S632，计算得到每个横断面的填挖方面积后，根据里程桩号可得各横断面间的距离，通过横断面法计算公式即可得到填挖方量；

S633，所述填挖方量减去三背回填的方量，最终得到符合计量规则的路基土石方量。

基于相同的构思，还提出了一种基于倾斜摄影技术的路基土石方自动算量的平台，包括设施层、数据层、服务层和应用层，

所述设施层采用分布网络结构实现数据的高并发、大数据量的快速传输；

所述数据层提供了平台内基础数据管理功能，包含以下数据类型：时空基础数据、设计数据、栅格数据、模型数据、影像数据、矢量数据；

所述服务层为上层应用服务提供了核心的业务功能，包括自动建模服务、坐标转换服务、项目管理服务、数据交换服务、数据转换服务和业务流程服务；

所述应用层采用如上述任一所述的基于倾斜摄影技术的路基土石方自动算量方法自动计算出方量。

作为本发明的优选方案，所述应用层包括自动计算方量模块，所述自动计算方量模块包括数据汇集模块、空中三角测量、倾斜自动建模、场景编辑、智能清表、土方计算、超欠挖分析和成功报表输出。

作为本发明的优选方案，所述平台包括三维模型自动分类分布式集群计算架构，所述架构包括任务管理系统、仓库管理系统、资源管理系统和计算节点管理系统，

所述任务管理系统的功能包括任务管理、任务调度和任务状态追踪；

所述仓库管理系统包括程序和管线管理和程序和管线的记录的查询；

所述资源管理系统包括计算节点注册管理、程序仓库注册管理、任务管理节点注册管理、监测计算节点状态、最优计算节点挑选、节点故障处理；

所述计算节点管理系统包含多个计算节点，每个节点都可以用于计算资源监测和执行最终的计算任务。

与现有技术相比，本发明的有益效果：

将无人机倾斜摄影技术与机器学习结合，自动识别并清除植被和施工器械等，提高算量精度；与三维表面模型的剖切计算技术结合，采用横断面法计算土石方量，与计量规则适配；并与自动建模、免相控和坐标转换等方法结合，研发形成一个影像数据上传后全过程自动计算得到土石方量计算结果的平台，大大简化人工计算处理过程和提高了效率。

附图说明：

图1为本发明实施例1中的一种基于倾斜摄影技术的路基土石方自动算量方法的流程图；

图2为本发明实施例1中的借助LSV软件的照片GPS提取功能提取出照片的位置信息界面截图；

图3为本发明实施例1中的坐标转换界面截图；

图4为本发明实施例1中的样本库数据示意图；

图5为本发明实施例1中的清表效果图；

图6为本发明实施例1中的道路中线dwg格式文件3类要素示意图；

图7为本发明实施例1中的将左右路基分界线在施工红线图中表示出来的示例图；

图8为本发明实施例1中的横断面图dwg文件示例；

图9为本发明实施例1中的基于八叉树的区域查找算法进行模型剖切的流程图；

图10为本发明实施例1中的短实线标记的示意图；

图11为本发明实施例1中的一种基于倾斜摄影技术的路基土石方自动算量的平台架构图；

图12为本发明实施例1中的无人机收方全自动算量平台架构图。

具体实施方式

下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。

实施例1

一种基于倾斜摄影技术的路基土石方自动算量方法，流程图如图1所示，具体包括以下步骤：

S1，通过无人机倾斜摄影方法采集原始影像数据；

S2，根据现场已知控制点的坐标值，求得转换参数，所述转换参数用于将所述原始影像数据中的源坐标系转换为目标坐标系；

S3，根据所述转换参数将所述原始影像数据批量转换到所述目标坐标系下，得到转换后的数据；

S4，根据所述转换后的数据建立三维实景模型；

S5，采用机器学习清除所述三维实景模型中的杂物，得到优化后的三维实景模型；

S6，根据所述优化后的三维实景模型计算出路基土石方量。

各步骤具体的实现方法如下：

S1，通过无人机倾斜摄影方法采集原始影像数据。

1.通过免像控无人机倾斜摄影技术采集原始影像数据

具体的，使用精灵4RTK等带网络RTK的无人机，通过内置于无人机遥控器里的SIM卡或者WIFI与NTRIP连接，从而使无人机能实时获取高精度(厘米级)POS信息，POS信息中包含了原始影像数据。由于公路工程项目所处环境复杂，进行航飞拍摄时采用手动采集的方式，旁向重叠度控制在50％-70％，航向重叠度控制在70％-85％，航飞高度约为120m。

S2，根据现场已知控制点的坐标值，求得转换参数，所述转换参数用于将所述原始影像数据中的源坐标系转换为目标坐标系。

施工项目多用的是地方2000坐标系，高程用的是黄海1985高程，而采集回来的POS信息，有其自身的坐标系，因此，需要将采集到的数据由POS信息的坐标系转换为施工中的坐标系，方法是：设置控制点，分别得到控制点的POS信息的坐标和施工中的坐标系坐标，得到转换参数，那么其他点对应POS信息的施工中的坐标系坐标就可以根据转换参数进行换算。具体的，在测试区的四周用RTK测得三个以上已知控制点的三维坐标(POS信息的坐标)，利用布尔沙模型计算源坐标系与目标坐标系之间的转换参数，基于解算的转换参数将需要转换的模型数据从源坐标系转换至目标坐标系。

S3，根据所述转换参数将所述原始影像数据批量转换到所述目标坐标系下，得到转换后的数据

精灵4RTK等设备采集到的影像pos信息后，借助工具软件把照片的位置信息提取出来，然后导入到GPS工具箱，输入计算得到的七参数，设置好原始坐标和目标坐标，批量进行坐标转换。

首先，借助LSV软件的照片GPS提取功能提取出照片的位置信息，如图2所示；

然后把采集到的已知点坐标值录入GPS工具箱，计算七参数，然后导入照片位置信息进行坐标转换，即可得到坐标转换后的坐标数据，如图3所示，换算公式如以下公式所示。

式中，m为尺度变化参数，T_X T_Y T_Z为平移变化参数，ε_Xε_Yε_Z为旋转参数。

S4，根据所述转换后的数据建立三维实景模型

建模软件建立三维实景模型具体包括以下步骤：

S41，数据导入。影像导入时，解析影像的EXIF文件，主要包括：相机型号、焦距、影像宽高、影像翻转信息、位置姿态信息等。同时判断影像是否破坏。

POS数据导入：POS文件中数据字段可以有多个(不限于Name，x，y，z，Omega，phi，kappa)。

提供姿态数据导入，包括：Yaw、pitch、roll类型，程序在空三时，自动将Yaw、pitch、roll姿态信息转换为Omega，phi，kappa进行空三计算。

每个POS文件对应一个坐标系信息，坐标系信息可以是地理坐标系、投影坐标系、自定义坐标系、local坐标系等。

提供POS精度的设置功能，精度设置分为线元素精度(xyz)和角元素精度(opk)，两者分别进行设置。

S42，对空三的关键性参数进行设置。需设置的参数包括：

精度设置：设置不同的精度，空三时按不同的间隔进行特征提取，精度越高，提取间隔越小；

特征点、匹配度数量设置：设置特征点数值来约束每张影像提取的特征数量，匹配点数量小于特征点数量，一般为特征点数量的0.6-0.8倍；特征点提取时，可采用蒙版约束。当选择使用蒙版约束时，基于深度学习的方式对影像自动生成蒙版(天空、水域等)。

空三平差方案设置：根据需要选择不同的平差约束方式，主要包括以下几种：纯自由网平差；基于POS平差；基于控制点平差；POS+控制点联合平差。

S43，空三计算

第一种，采用倾斜摄影分布式空中三角测量。在同等分辨率条件下，倾斜摄影比传统航摄照片数量多10倍以上，大规模的位置、姿态解算需要庞大的内存和CPU/GPU开销，因此往往需要采用分布式计算的方式，在充分利用集群内部各节点的算力资源的情况下，兼顾全局优化的解算，获得最佳平差解。采用分布式优化方案，将全局光束法平差修正为基于共轭梯度的迭代求解法，实现了分布式高精度并行空三计算，有效的将计算峰值均匀的配置到算法管道的多个环节，大幅度提升了倾斜摄影数据后处理的效率和质量。

第二种，采用基于多视几何的倾斜摄影空中三角测量算法。倾斜摄影影像相对于传统的垂直摄影影像具有重叠度高，相邻影像间基高比小，倾斜影像尺度变化大的特点。若采用传统垂直摄影的最小二乘匹配算法进行影像匹配，精度无法保证，而且效率低，因此倾斜摄影影像匹配通常采用计算机视觉中的多视影像匹配算法。该算法顾及相机多视几何间强相关约束条件，弱化对姿态测量设备的要求，同时克服了因倾斜摄影基高比大幅波动，以及组合相机系统间非刚性扰动导致的数值解析的不稳定性。

S44，精度检测

空三计算完成后，输出空三精度报告，对整个空三的耗时、关键技术指标进行统计输出。

S45，倾斜自动建模

第一种，采用复杂场景多视影像密集匹配技术，针对大范围复杂场景高效密集三维重建需求，采用基于深度学习的匹配代价计算方法和基于语义知识约束的视差估计算法，通过基于并行运算的特征降维视差图生成技术、多角度视差图融合点云生成和点云精化方法，生成满足需求的大场景高精度密集点云。

第二种，采用特征驱动规则化三维空间网格构建技术，针对复杂场景、大规模的多源数据智能化高效建模问题，采用多角度视差图融合技术生成高密集点云，采用不同尺度多源数据融合，以及全局网格均匀分布的三维表面重建技术。进一步采用局部特征保持的地物结构化精细模型构建技术，和场景语义信息辅助的数据填补技术，实现城市级大范围多源数据的三维表面精细模型的构建，实现大范围精细化三维实景模型的生成。

S5，采用机器学习清除所述三维实景模型中的杂物，得到优化后的三维实景模型

步骤S5具体包括以下步骤：

S51，将所述三维实景模型的数据输入mesh智能分类模型，实现对所述三维实景模型中的物体的分类和杂物提取，所述杂物包括地表植被、机械。

步骤S51具体包括以下步骤：

S511，建立深度学习样本数据。

1)对建立样本库的原始矢量数据、模型数据和样本数据进行语义节点之间的空间约束、属性约束处理，得到初步三维样本库；

2)手动指定模型类别，制作样本库数据，如图4所示：

S512，基于所述样本数据生成模型库，模型库是深度学习算法对样本数据进行训练后生成的网络模型和相关参数的数据，深度学习框架可根据该模型，重建网络模型并导入网络参数，实现三维模型的特征提取分类。

按照规范进行切割分类后，样本数据应为服务规范条件的数据。模型库是深度学习算法对样本库进行训练后生成的网络模型和相关参数的数据，深度学习框架可根据该模型，重建网络模型并导入网络参数，实现三维模型的特征提取分类。一般来说，对不同类别的识别，其模型往往存在差异。即使是同一类型地物识别，数据源不一样，或者数据质量的不同，往往也需要不同的训练模型进行识别处理，从而提高识别的精度。因此模型库管理了各种类型地物，或者数据适应性不同的各类模型，用户在某类数据上进行特定类别地物识别的时候，应该选取对应的匹配模型进行处理。这一选择过程可以是自动处理的，但在模型管理上，系统内部应该有不同训练模型的存储与管理功能。

使用Pytorch深度学习框架和GPU技术。选用最新的深度学神经网络RandLANet,该网络可以处理大规模大场景的点云语义分割问题。标签的制作主要基于多源数据的空间关联性，在一种数据形式上制作标签，可以实现不同数据形式的标签传播，达到一次制作，得到不同数据形式标签的目的。模型的训练利用Nvidia Tesla V100 GPU显卡进行训练，使用交叉熵损失函数，采用Adam优化器来进行梯度的反向传播，更新梯度使目标损失函数达到最小，得到最优模型，使用得到的模型对点云进行预测，可以得到分割结果，通过不同数据源的空间一致性，将得到的预测结果传播到其他数据类型上。清表效果图如图5所示。

模型库管理功能包括模型的存储、更新、检索、删除，以及附加元数据的管理功能，例如模型特征，适应的数据类型，面向哪类地物特征等等。

S52，对提取的杂物进行删除，生成存在孔洞的三维实景网络模型。地表杂物智能清除是基于mesh模型智能分类的数据，实现对分类后结果进行杂物提取。对选中的杂物类别删除，使得生成的网格模型存在孔洞，这对后续的模型分析会造成影响。

S53，采用径向基函数方法对所述孔洞进行补洞，实现三维实景网络模型的地表重建，得到优化后的三维实景模型。

找到三维模型中所有的空洞，实现智能完成地表构建，采用径向基函数方法实现三角网格补洞。首先检测每个空洞边界，通常一条边连接两个三角面片，这种边称为网格内部边，而如果某条边仅连接一个三角面片，那么称这条边为网格边界边，所有的边界边按顺序连接之后就形成了网格的孔洞。然后初始化网格，采用波前推进发添加三角面完成孔洞区域的粗修补，初始化补洞得到的网格质量不是很好，我们需要优化网格顶点的位置，利用最小二乘网格，调整孔洞区域顶点位置，优化的条件是：

其中v_i为网格的顶点，d_i为顶点v_i的1环邻域顶点数。

上式可以用一个线性方程组来描述：LV＝0，其中L是Laplace矩阵，具体

形式为

矩阵L的秩等于n–k，n为网格顶点的数目，k为网格连通区域的个数，如果网格是全连通的，那么矩阵L的秩是n–1。因此如果我们要使方程有解，需要加入m(m≥k)个控制顶点坐标v_s作为方程的边界条件，在实际中我们将初始化网格的边界顶点作为控制顶点。

上述线性方程组的求解等价于如下能量函数最小化的求解：

min{||Lx||+∑_s∈C|x_s-v_s|²}

其中，v_s为控制顶点坐标，Xs是函数的未知数，这个函数就是求Xs的最小值。

能量函数的第一部分是使得网格顶点尽量光滑，即每个顶点位于其1环邻域顶点的中心，第二部分是为了控制顶点的位置满足要求。

最小二乘网格的优势是能够生成高质量的光滑网格，生成过程仅需要网格的拓扑连接关系和少数控制点的坐标信息。

采用机器学习对实景三维模型进行三维语义分割，自动剔除地表植被、机械等模型。

S6，根据所述优化后的三维实景模型计算出路基土石方量

步骤S6具体包括：

S61，从所述优化后的三维实景模型中提取出横断面数据；

S62，将提取出的横断面数据与设计横断面进行套合，判断出填挖状态；

S63，根据所述填挖状态计算路基土石方量。

步骤S61具体包括：

首先，进行基础cad数据整理。

用于计算的基础数据包括施工红线、道路中心线和设计横断面，由于项目的基础数据为非标准格式，需要整理成标准格式便于自动拾取，整理要求如下：

①施工红线：施工红线代表的是提取横断面时的边界线，在dwg格式文件中要将红线全部统一放到“施工红线”图层。

②道路中线：道路中线dwg格式文件中包括3类要素：

a.道路中心线，放到“道路中线”图层中，是属于同一条中心线的就必须连成一条完整的线，不允许从中间断开；另外道路中心线必须与设计横断面图使用的中心线一致，例如图6的设计横断面图中是按照左、右线分别出图，那么道路中线图中就应该分别表示左、右两条中心线。

b.图6中还有指示里程桩号位置的小短线，统一放到“交点线”图层中，交点线代表的里程桩号必须与横断面设计图中的桩号一致。

c.表示道路起始里程桩号的注记，统一放到“起始里程注记”图层中，注记放在道路中心线起点上，桩号要注记完整。如果有多条道路中心线，则每条道路中心线起点位置都需要放置对应的里程桩号注记。

③没有设计横断面图的情况下，如果一个路段拆分了多条中心线，则多条中心线之间的分界线需要当成施工红线表示出来，即在施工红线dwg图中需要表示。例如一条路分为左、右两条中心线，则需要将左右路基分界线在施工红线图中表示出来，如图7所示。

2.互通、服务区等位置如果不需要单独计算土方量的就把中心线去掉，如果需要单独计算，那就要把各条中心线之间的分界线作为施工红线表示出来。具体采用哪条中心线需要看下横断面设计图使用的是哪条中心线，要与之对应。

3.每一个土方量计算任务涉及到的区间段内的所有横断面设计图必须放到一个设计横断面图dwg文件中，不允许拆开到多个dwg文件中，横断面图dwg文件示例如图8所示。

其次，

S611，根据施工红线和道路中心线将所述优化后的三维实景模型进行剖切。

具体包括以下步骤：

将所述优化后的三维实景模型划分为三角网格；

采用八叉树空间区域划分和区域划分算法，将三角网格划分到空间各个子区域中，三角格网格信息被保存到八叉树的各个子结点中；被存储在八叉树各个结点中的三角网格信息通过指针衔接起来；

在模型剖切过程中基于八叉树的区域查找算法首先确定模型的剖切区域，在该区域内检索更小的剖切区域，逐层细分，最后遍历剖切到的小区域内的三角面片进行剖切平面各点的参数。

填挖方计算的过程中，考虑精度的限制，在水平方向上需要将三维模型表面离散为一定大小的计算单元，单元面积越小，计算精度越高。但是，单元面积较小的情况下，必然发生小于TIN中一个三角形面片的情况，就需要对三角形面片，即三角网格数据进行剖切，剖切的离散度会影响计算效率，需要对数据和计算方法进行特定的优化。

(1)网格数据结构组织

对于实景三维模型的三角面片，网格处理十分耗时、费力。三维模型剖切过程中需要耗费大量时间。采用八叉树空间区域划分和区域划分算法，将数量巨大的三角网格划分到空间各个子区域中，数据巨大的三角格网格信息被保存到八叉树的各个子结点中，这样在剖切模型的过程中，我们只需要对剖切平面经过的空间子区域内的三角面片进行遍历，即只需要遍历八叉树中的部分子结点，大幅度提高模型的剖切效率。

海量三角网格数据结构是基于八叉树的逻辑结构，被存储在八叉树各个结点中的三角网格信息通过指针衔接起来，其中八叉树每个子结点的数据结构定义相同。

(2)三维模型剖切算法实现

三维表面模型剖切是指直接在屏幕上对三维模型进行剖切，用户可以得到模型截面的大小形状。要对三维模型进行剖切，必须计算模型三角面片三个顶点与剖切平面的值来判断三角面片与剖切平面位置关系。

a.基于八叉树的区域查找算法

在模型剖切过程中基于八叉树的区域查找算法首先确定模型的剖切区域，在该区域内检索更小的剖切区域，逐层细分，最后仅遍历剖切到的小区域内的三角面片进行计算。主要流程如图9所示，具体流程如下：

①确定剖切平面方程；

②在根结点中，判断剖切平面与那些子结点对应的空间区域相交。

③进入该子结点，判断此子节点是否为叶节点，如果叶节点进行5的步骤；如果不是叶节点进行4的步骤。

④在子结点中，判断剖切平面与那些下一层子结点对应的空间区域相交；继续进行3的步骤；

⑤查找完毕。

b.三维模型剖切算法实现流程

在剖切过程中网格几何元素有删除和添加的操作，需要建立相应的容器保存在剖切时添加交点坐标信息，保存新生成的剖切断面线信息。

八叉树的区域查找算法的目的是提高模型的剖切效率，从而更快捷提取到横断面线。

S612，计算剖切面与实景三维模型的相交的轮廓线，生成横断面。

剖切参数设置：设置剖切采样参数，参数大小设置决定计算效率和计算精度；

数据输出：根据剖切参数，剖切计算生成横断面线

数据存储：横断面线自动存储入库；

数据输出：横断面线导出为dwg格式矢量文件。

S62，将提取出的横断面数据与设计横断面进行套合，判断出填挖状态。具体包括：导入设计横断面；数据输入：dwg格式设计横断面；数据转换：根据道路中心线，将设计横断面转换为实景三维模型坐标系下横断面；数据展示：设计横断面与实景三维模型叠加显示。根据设计横断面线与原地面线的相对关系，确定该横断面的填挖状态为挖方还是填方。

根据道路中心线中生成的里程文件，得到需要提取横断面线的位置，并以短实线标记，短实线标记的示意图如图10所示。基于短实线生成垂直于道路中心线的剖切面，然后利用八叉树区域查找算法对模型进行剖切，获得相应横断面线。

定位提取指定区间内各桩号的横断面线，通过提取的横断面线在模型上提取点并生成折线剖面线。在设计图中查找对应桩号的断面图，以路基设计中心线(即中桩点)处高程为对照点，插到设计断面图上，通过与横断面设计线以及上期地面线构面的方式计算断面填挖方量。实例流程如下：

1.遍历相关断面位置关联的Tile，提取精细模型；

2.遍历模型三角，通过平面和模型相交，获得相交线段；

3.遍历线段，按照距离相近原则，进行相连，获得多段线；

4.将多段线切换到平面，得到横断面线，确定与道路中心线的交点并记录该点高程值，道路中心线和里程注记处短实线示意图如图；

5.以交点为对照点，插到设计横断面上；

6.根据传统的土方算量方法，获取断面方量。

S63，根据所述填挖状态计算路基土石方量，即根据实景自动提取的横断面与设计横断面进行对比，计算土石方量，具体包括：

S631，若为填方段，则模型提取的横断面线与原地面线的面积剔除掉设计横断面以上和原地面以下部分即为真实的方量计算面积；若为挖方段，则模型提取的横断面线与原地面线的面积剔除掉设计横断面以下和原地面以上部分即为真实的方量计算面积；

S632，计算得到每个横断面的填挖方面积后，根据里程桩号可得各横断面间的距离，通过横断面法计算公式即可得到填挖方量；

S633，所述填挖方量减去三背回填的方量，最终得到符合计量规则的路基土石方量。对于桥梁隧道等非路基土石方工程，则自动识别设计横断面中的桥隧桩号，在计算时自动剔除掉桥隧桩号处的方量。最后计算得到的结果导出为标准格式Excel表格，与设计表格进行套合，在Excel表中减去三背回填的方量，最终得到符合计量规则的路基土石方量。

S634，超欠挖计算结果中超挖深度超过设定阈值自动报警提醒。

a.超挖深度阈值设置：用户根据项目需要设置不同超挖深度阈值。

b.超挖深度报警提示：根据超欠挖计算结果，自动检测超挖值，当超挖深度超过预定义的阈值时，弹出超挖报警提示。

实施例2

基于上述构思，还设计了一种基于倾斜摄影技术的路基土石方自动算量的平台，包括设施层、数据层、服务层和应用层，平台的设计架构如图11所示。

11.1设施层

为实现平台数据的快速处理，地图浏览数据快速加载以及空间查询功能的快速响应，在网络上，平台服务器之间的通过万兆交换机及千兆光纤网线等网络设备，实现服务器之间千兆数据传输速度。用户与平台间的数据传输，采用分布网络结构实现数据的高并发、大数据量的快速传输。

11.2数据层

数据层提供了平台内基础数据管理功能，主要包含了以下数据类型：时空基础数据、设计数据、栅格数据、模型数据、影像数据、矢量数据

这些数据服务为上层应用提供了基础的空间数据查询功能，以及基础关系型数据的查询功能。

11.3服务层

服务支撑层作为整个平台的中间层，为上层应用服务提供了核心的业务功能，是整个平台业务实现的基础。

a.自动建模服务：提供了影像数据自动建模功能，具备空三建模一体化能力，采用自主引擎设计，具有效率高，精度高，误差小的特点。服务集成了空中三角测量、倾斜自动建模两大模块，并将整个流程自动化，在平台内可以根据输入的影像图层以及相关空三参数，完成自动模型构建。自动建模服务也可以采用多机部署的方式来实现并行计算，可以极大的提高自动建模的效率。

b.坐标转换服务：提供了对于空间数据的坐标转换功能，可根据数据的坐标系定义、七参数、四参数等相关输入条件进行转换。另外服务也支持自定义坐标系接口，可以导入地方坐标系定义文件，支持自定义坐标系转换。

c.项目管理服务：提供对平台中生产项目管理的相关接口，串联了整个生产过程的业务流程。

d.数据交换服务：主要用于实现与内部各应用系统之间的数据交换和共享同时也支持与其他系统平台之间的数据交换共享。通过建立数据信息交换服务，统一信息交换标准规范及数据交换系统接口，实现数据的整合与共享。

e.数据转换服务：数据转换服务提供了服务内数据的转换功能，如图层格式转换、栅格数据生成等功能。

f.业务流程服务：提供了对于生产任务管理、业务流转等相关功能接口。在此服务下，定义了生产过程的相关流程，为上层应用的各个功能流程提供了支撑。

11.4应用层

应用层作为系统的核心模块，组织了整个平台的业务流程，搭建了整体的功能框架。根据组织架构，分为自动计算出方量模块、数据管理平台。

(1)自动计算出方量模块

该模块主要提供了数据计算、编辑、分析等功能，是实现整个平台业务的关键模块。其中分类如下。

a.计算类：空中三角测量、倾斜自动建模、土方量计算；

b.编辑类：智能清表、场景编辑；

c.分析类：超欠挖分析；

d.数据管理类：数据汇集模块、成果报表输出。

(2)数据管理平台

数据管理平台是组织平台业务功能的核心模块，提供了对于业务流程的管理功能，如项目、任务管理，也提供了对于平台数据管理的相关功能。

另外在管理平台上，也集成了数据展示模块，可以对场景数据、分析结果进行融合展示，提供了多元化的数据显示功能。

作为优选方案，还提供了无人机收方全自动算量平台，架构图如图12所示。

(2)总体架构

(3)任务列表

任务列表：列出整个队列里面子任务信息；

导出完成：已分类完成的块，信息统计含瓦片名称、完成状态、引擎信息、结束转换时间，打开文件(默认程序打开文件浏览)，打开文件夹(打开)，清除记录；

引擎状态：监测引擎运行状态；

任务状态：实现总进度完成百分比显示，记录整个项目完成情况。

(4)地表杂物剔除及重构

地表杂物智能清除是基于mesh模型智能分类的数据，实现对分类后结果进行杂物提取。对选中的杂物类别删除，使得生成的网格模型存在孔洞，这对后续的模型分析会造成影响。提供自动寻找破口边界，实现地表重建。

以上显示和描述了本发明的基本原理和主要特征及本发明的优点，对于本领域技术人员而言，显然在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (10)

1.基于倾斜摄影技术的路基土石方自动算量方法，其特征在于，具体包括以下步骤：

S1，通过无人机倾斜摄影方法采集原始影像数据；

S2，根据现场已知控制点的坐标值求得转换参数，所述转换参数用于将所述原始影像数据中的源坐标系转换为目标坐标系；

S3，根据所述转换参数将所述原始影像数据批量转换到所述目标坐标系下，得到转换后的数据；

S4，根据所述转换后的数据建立三维实景模型；

S5，清除所述三维实景模型中的杂物，得到优化后的三维实景模型；

S6，根据所述优化后的三维实景模型计算出路基土石方量。

2.如权利要求1所述的基于倾斜摄影技术的路基土石方自动算量方法，其特征在于，步骤S5具体包括以下步骤：

S51，将所述三维实景模型的数据输入mesh智能分类模型，实现对所述三维实景模型中的物体的分类和杂物提取，所述杂物包括地表植被、机械；

S52，对提取的杂物进行删除，生成存在孔洞的三维实景网络模型；

S53，采用径向基函数方法对所述孔洞进行补洞，实现三维实景网络模型的地表重建。

3.如权利要求2所述的基于倾斜摄影技术的路基土石方自动算量方法，其特征在于，所述mesh智能分类模型的前提是采用机器学习对实景三维模型进行三维语义分割，基于分割后的数据进行物体的分类，具体包括以下步骤：

S511，建立深度学习样本数据；

S512，基于所述样本数据生成模型库，模型库是深度学习算法对样本数据进行训练后生成的网络模型和相关参数的数据，深度学习框架可根据该模型，重建网络模型并导入网络参数，实现三维模型的特征提取分类。

4.如权利要求1所述的基于倾斜摄影技术的路基土石方自动算量方法，其特征在于，步骤S6具体包括以下步骤：

S61，从所述优化后的三维实景模型中提取出横断面数据；

S62，将提取出的横断面数据与设计横断面进行套合，判断出填挖状态；

S63，根据所述填挖状态计算路基土石方量。

5.如权利要求4所述的基于倾斜摄影技术的路基土石方自动算量方法，其特征在于，步骤S61具体包括：

S611，根据施工红线和道路中心线将所述优化后的三维实景模型进行剖切；

S612，计算剖切面与实景三维模型的相交的轮廓线，生成横断面。

6.如权利要求5所述的基于倾斜摄影技术的路基土石方自动算量方法，其特征在于，步骤S611中，剖切所述优化后的三维实景模型采用三维表面模型的剖切计算，具体包括以下步骤：

将所述优化后的三维实景模型划分为三角网格；

采用八叉树空间区域划分和区域划分算法，将三角网格划分到空间各个子区域中，三角格网格信息被保存到八叉树的各个子结点中；被存储在八叉树各个结点中的三角网格信息通过指针衔接起来；

在模型剖切过程中基于八叉树的区域查找算法首先确定模型的剖切区域，在该区域内检索更小的剖切区域，逐层细分，最后遍历剖切到的小区域内的三角面片获取剖切平面各点的参数。

7.如权利要求4所述的基于倾斜摄影技术的路基土石方自动算量方法，其特征在于，步骤S63具体包括：

S631，若为填方段，则模型提取的横断面线与原地面线的面积剔除掉设计横断面以上和原地面以下部分即为真实的方量计算面积；若为挖方段，则模型提取的横断面线与原地面线的面积剔除掉设计横断面以下和原地面以上部分即为真实的方量计算面积；

S632，计算得到每个横断面的填挖方面积后，根据里程桩号可得各横断面间的距离，通过横断面法计算公式即可得到填挖方量；

S633，所述填挖方量减去三背回填的方量，最终得到符合计量规则的路基土石方量。

8.一种基于倾斜摄影技术的路基土石方自动算量的平台，其特征在于，包括设施层、数据层、服务层和应用层，

所述设施层采用分布网络结构实现数据的高并发、大数据量的快速传输；

所述数据层提供了平台内基础数据管理功能，包含以下数据类型：时空基础数据、设计数据、栅格数据、模型数据、影像数据、矢量数据；

所述服务层为上层应用服务提供了核心的业务功能，包括自动建模服务、坐标转换服务、项目管理服务、数据交换服务、数据转换服务和业务流程服务；

所述应用层采用如权利要求1-7任一所述的基于倾斜摄影技术的路基土石方自动算量方法自动计算出方量。

9.如权利要求8所述的一种基于倾斜摄影技术的路基土石方自动算量的平台，其特征在于，所述应用层包括自动计算方量模块，所述自动计算方量模块包括数据汇集模块、空中三角测量、倾斜自动建模、场景编辑、智能清表、土方计算、超欠挖分析和成功报表输出。

10.如权利要求9所述的一种基于倾斜摄影技术的路基土石方自动算量的平台，其特征在于，所述平台包括三维模型自动分类分布式集群计算架构，所述架构包括任务管理系统、仓库管理系统、资源管理系统和计算节点管理系统，

所述任务管理系统的功能包括任务管理、任务调度和任务状态追踪；

所述仓库管理系统包括程序和管线管理和程序和管线的记录的查询；

所述资源管理系统包括计算节点注册管理、程序仓库注册管理、任务管理节点注册管理、监测计算节点状态、最优计算节点挑选、节点故障处理；

所述计算节点管理系统包含多个计算节点，每个节点都可以用于计算资源监测和执行最终的计算任务。

Images