CN114742793A - 一种基于工程测绘的监测校正方法 - Google Patents
一种基于工程测绘的监测校正方法 Download PDFInfo
- Publication number
- CN114742793A CN114742793A CN202210353440.XA CN202210353440A CN114742793A CN 114742793 A CN114742793 A CN 114742793A CN 202210353440 A CN202210353440 A CN 202210353440A CN 114742793 A CN114742793 A CN 114742793A
- Authority
- CN
- China
- Prior art keywords
- scene
- coordinate
- learning unit
- subjected
- image control
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于工程测绘的监测校正方法,包括移动式操作平台,其内设有AI处理系统、电子像控点系统,所述AI处理系统内设有AI处理单元、AI学习单元、储存单元,本发明通过所述AI学习单元计算对比所有已测场景的四角坐标面积、电子像控点坐标间距、电子像控点坐标间距的高度差、需要补拍的坐标点与飞行路线的分布和关系,并得出关系逻辑,根据关系逻辑在需要测量的新场景的四角坐标面积、电子像控点坐标间距、电子像控点坐标间距的高度差反推计算得出不再需要补拍的飞行路线,此飞行路线可以满足绘制地图的精度需求而不再需要补拍,减少人力返工时间,增加测绘效率和测绘精度,并使测绘系统更加智能。
Description
技术领域
本发明涉及工程测绘技术领域,尤其涉及一种基于工程测绘的监测校正方法。
背景技术
测绘一般指测量空间、大地的各种信息并绘制各种信息的地形图,而工程测绘,是研究工程建设中设计、施工和管理各阶段测量工作的理论、技术和方法。为工程建设提供精确的测量数据和大比例尺地图,保障工程选址合理,按设计施工和进行有效管理。在工程运营阶段对工程进行形变观测和沉降监测以保证工程运行正常。按研究的对象可以分为:建筑工程测量、水利工程测量、矿山工程测量、铁路工程测量、公路工程测量、输电线路与输油管道测量、桥梁工程测量、隧道工程测量、军事工程测量等。由此可见,在工程测量时,面对原始地貌进行野外作业时,环境艰苦,受环境因素影响需要进行多次测绘以确保最后的高精度成图。
中国专利公开号:CN113686310A。公开了一种无人机野外测绘的方法;此发明中,首先利用无人机在作业区进行无人机试飞,并初步观察作业区;再根据作业区的情况布设像控点,并测量像控点的坐标值;再将无人机的航拍摄影像数据、POS数据和测得的像控点坐标值导入测绘专用软件进行空三加密、生成点云和建立实景三维模型计算;再通过实景三维模型对比实景进行调绘补测,并记录。由此可见,对于无人机野外测绘,根据应用场景的不同,不论步骤还是方法,无人机都无法自主判断测绘点的清晰情况。
发明内容
为此,本发明提供一种基于工程测绘的监测校正方法,用以克服现有技术中在工程测绘时面对复杂地形和环境影响需要多次测量才能绘制出高精度地图的问题。
为实现上述目的,本发明提供一种基于工程测绘的监测校正方法,包括,
步骤S1,AI学习单元提取场景库内所有旧场景的特征值进行场景构建,并进行分组;
步骤S2,所述AI学习单元根据所有旧场景的特征值计算该旧场景的最简飞行路线;
步骤S3,所述AI学习单元根据该旧场景的最简飞行路线和该旧场景的需要补拍的坐标点分析计算得到该旧场景的最佳飞行路线;
步骤S4,所述AI学习单元提取新场景的特征值并进行分析,并找到与之特征值最相近的旧场景;
步骤S5,所述AI学习单元对该旧场景的需要补拍的坐标点与所述新场景的可能需要补拍的坐标点进行合并,得出所述新场景的需要补拍的正确坐标点;
步骤S6,所述AI学习单元对所述新场景最简飞行路线与所述步骤S5得到的所述新场景的需要补拍的正确坐标点进行分析,得出所述新场景的最佳飞行路线;
步骤S7,所述AI学习单元根据所述旧场景判定所述步骤S6得到的结果与所述新场景的特征值是否存在需要补拍的坐标点,若不存在需要补拍的坐标点,则返回所述步骤S6,若存在需要补拍的坐标点,则执行步骤S8;
步骤S8,所述AI学习单元将需要补拍的坐标点代入所述步骤S5进行再推导,得到确定的该所述新场景需要补拍的所有坐标点。
所述步骤S1中,所述场景构建方法为,建立该场景的特征值并记录针对该场景特征采用的航拍路线和需要多次采集的坐标点,所述AI处理系统将该场景特征值对应的场景进行命名,并存储在所述AI储存单元的场景库内,所述AI学习单元对该场景库内的若干场景和该场景对应的测绘方法进行深度分析和学习,其中,
所述场景特征值包括待测区域的形状、四角坐标的面积、航线高度、电子像控点的坐标、电子像控坐标点间的高度差、电子像控坐标点间的坡度曲线;
所述AI学习单元对场景库内所有场景分组的过程为,所述AI学习单元对场景库内所有场景的特征值进行对比,并根据不同场景的结构的对应名称将场景分组并分别命名为,狭窄场景山地组、狭窄场景丘陵组、狭窄场景平原组,正边场景山地组、正边场景丘陵组、正边场景平原组,星状场景山地组、星状场景丘陵组、星状场景平原组。
在所述步骤S2中,所述AI学习单元设定场景库内有第一场景、第二场景、第三场景,直到第M场景,M为正整数,所述AI学习单元设定场景库内任一场景为场景i,i=1,2,3……M;
所述AI学习设定场景库内任一场景的四角坐标对应的面积分别为aibi,设定场景库内任一场景的电子像控点坐标间距分别为INi,设定场景库内任一场景任意两个电子像控点间的高度差分别为ADi,设定场景库内任一场景任意两个电子像控点间的坡度曲线分别为CCi,设定场景库内任一场景预设的最简飞行线路分别为ALi,设定场景库内任一场景学习后不需要进行补拍的飞行线路分别为ALi′,设定场景库内任一场景需要补拍的坐标点分别为P1i、P2i、P3i、……Pni,n为正整数,设定场景库内任一场景航拍的航线高度分别为Hi;
所述AI学习单元对场景组内所有场景进行分析学习,根据所述场景i的预设测绘精度计算对比对应场景i内的所述航线高度Hi与航拍面积AHi的关系,计算航线高度为Hi时航拍面积AHi与所述四角坐标对应的面积aibi的关系,AI学习单元判断所述四角坐标对应的面积aibi时在高度Hi下航拍面积AH的数目和分布的关系,判断飞行路线ALi是否为最简飞行路线。
在所述步骤S2中,所述AI学习单元对场景库内旧场景最简飞行路线的计算过程为:
步骤S2.1,所述AI学习单元设定航线高度为Hi时理论航拍宽度为HWi,设定场景i的四角坐标对应的长边为ai,宽边为bi,建立该场景以其中一长边ai为x轴,其中一宽边bi为y轴的临时坐标系LSi,设定ai与bi的交点为原点;
步骤S2.2,设定理论航拍宽度HWi的0.8倍为实际航拍宽度,实际航拍宽度为0.8HWi,设立最简飞行路线起点坐标为(0.4HWi,0),并以y轴正方向,飞至坐标[0.4HWi,bi-(b1-0.4HWi)];
步骤S2.3,转向x轴正方向,飞至坐标[ai-(ai-0.4HWi),bi-(bi-0.4HWi)]后;
步骤S2.4,转向y轴反方向,飞至坐标[ai-(ai-0.4HWi),0.4HWi];
步骤S2.5,转向x轴反方向,飞至坐标(1.2HWi,0.4HWi);
步骤S2.6,转向y轴正方向,飞至坐标[1.2HWi,bi-(bi-1.2HWi)];
步骤S2.7,转向x轴正方向;
重复上述步骤S2.3-S2.6,直到航拍宽度0.8HWi乘以飞行长度等于aibi,所述AI学习单元判定此为最简飞行路线ALi。
所述步骤S3中,所述AI学习单元计算该旧场景最佳飞行路线的过程为:
所述AI学习单元判断在电子像控点坐标间距为INi时,需要补拍的坐标点P1i、P2i、P3i、……Pni的个数n和n个坐标的分布,建立以坐标系LSi为基础的三维坐标系LSSi,增加z轴,确定需要补拍的坐标点在三维坐标系LSSi的分布关系并设定分布关系为RE1i;
所述AI学习单元判断在电子像控点坐标的间距高度差ADi时,需要补拍的坐标点P1i、P2i、P3i、……Pni与电子像控点坐标间的高度差ADi的关系,AI学习单元设定在电子像控点坐标的间距高度差ADi时,与需要补拍坐标点数目和分布的关系为RE2i;
所述AI学习单元判断在电子像控点坐标间的坡度曲线CCi时,需要补拍的坐标点P1i、P2i、P3i、……Pni与电子像控点坐标间的坡度曲线CCi的关系,AI学习单元设定在电子像控点坐标间的坡度曲线CCi时,需要补拍的坐标点数目和分布的关系为RE3i;
所述AI学习单元将最简飞行路线ALi代入关系RE1i、关系RE2i和关系RE3i,确定需要二次航拍的需要补拍的坐标点的补充航线,结合飞行路线ALi得出最佳飞行路线ALi′。
所述步骤S4中,所述AI学习单元提取新场景的特征值并进行分析,并找到与之特征值最相近旧场景的过程为:
所述AI学习单元设定新场景的电子像控点坐标间距为IN,设定新场景的任意两个电子像控点间的高度差为AD,设定新场景的任意两个电子像控点间的坡度曲线为CC,设定新场景的最简飞行线路为AL,设定新场景不需要进行补拍的飞行线路为AL′,设定新场景可能需要补拍的坐标点为P1、P2、P3、……Pn,n为正整数,设定新场景进行航拍的航线高度为H;
所述AI学习单元根据新场景的四角坐标形状、电子像控点坐标间距、电子像控点坐标间距的高度差和电子像控点坐标间距的坡度曲线判断该新场景在九种不同的场景组下应用哪种相似的场景组;
所述AI学习单元根据所有场景的高度差与需要补拍的坐标点的关系RE2和所有场景的坡度曲线与需要补拍的坐标点的关系RE3分别判断九种不同的场景组应使用何种最简飞行路线AL;
所述AI学习单元在对场景库内所有场景的特性进行分析学习并将场景分组后,与新场景的特征值进行相似性适配,得出所述新场景的旧场景参照飞行路线ALi′;
所述AI学习单元根据该旧场景最佳飞行路线与所述新场景最简飞行路线进行对比,推断出所述新场景可能需要补拍的坐标点的过程为:
所述AI学习单元在新场景应用规划飞行路线AL时,根据已有新场景的四角坐标面积、电子像控点坐标间距、电子像控点间的坡度曲线、电子像控点坐标间距的高度差、最简飞行线路,判断新场景可能需要补拍的坐标点为P1、P2、P3、……Pn。
所述步骤S5中,所述AI学习单元合并该旧场景的需要补拍的坐标点与所述新场景的可能需要补拍的坐标点,得出所述新场景的需要补拍的正确坐标点的过程为:
所述AI学习单元确定应用哪种场景组和可能需要补拍的坐标点为P1、P2、P3、……Pn后,根据该场景组对应的可能需要补拍的所有坐标点代入新场景可能需要补拍的坐标点为P1、P2、P3、……Pn综合判断,得到的需要补拍的正确坐标点。
所述步骤S6中,所述AI学习单元得出所述新场景最佳飞行路线的过程为:
所述AI学习单元将新场景需要补拍的正确坐标点和新场景的四角坐标面积、电子像控点坐标间距、最简飞行路线AL、电子像控点坐标间距的高度差和坡度曲线代入RE1、RE2和RE3,确定新场景航线高度H和最佳飞行路线AL′。
所述步骤S7中,所述AI学习单元根据所述步骤S5的结果进行验算,其过程为:
所述AI学习单元根据所述新场景需要补拍的坐标点为P1、P2、P3、……Pn、RE1、RE2和RE3综合验算最佳飞行路线AL′在合理误差范围内各测量工具测得的各项数据是否存在需要进行补拍的坐标点;
若不存在需要补拍的坐标点,则AI学习单元判定返回所述步骤S6,应用所述新场景飞行路线AL′;
若存在需要补拍的坐标点,则AI学习单元继续执行所述步骤S8进行判定。
所述步骤S8中,所述AI学习单元对所述步骤S7的判断过程为:
若存在需要补拍的坐标点,则AI学习单元判定将仍存在的需要补拍的坐标点代入RE1、RE2和RE3,直至保证飞行路线再次覆盖需要补拍的坐标点,且该飞行路线不存在需要补拍的坐标点,并代入所述步骤S5,得到飞行路线AL″并应用。
与现有技术相比,本发明的有益效果在于,基于对旧场景库内场景的深度分析和学习,总结反推得到针对现有新场景的合理飞行路线,并以此飞行路线测到满足精度需求的地图并不再需要补拍,减少人力返工时间,增加测绘效率和测绘精度,并使测绘外业工作更加智能。
附图说明
图1为本发明所述的基于工程测绘的监测校正方法中步骤的结构示意图。
具体实施方式
为了使本发明的目的和优点更加清楚明白,下面结合实施例对本发明作进一步描述;应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非在限制本发明的保护范围。
需要说明的是,在本发明的描述中,术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系,这仅仅是为了便于描述,而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,还需要说明的是,在本发明的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1所示,本发明实施例提供的基于工程测绘的监测校正方法,包括,
步骤S1,AI学习单元提取场景库内所有旧场景的特征值进行场景构建,并进行分组;
步骤S2,所述AI学习单元根据所有旧场景的特征值计算该旧场景的最简飞行路线;
步骤S3,所述AI学习单元根据所述旧场景的最简飞行路线和该旧场景的需要补拍的坐标点分析计算得到所述旧场景的最佳飞行路线;
步骤S4,所述AI学习单元提取新场景的特征值并进行分析,并找到与所述新场景的特征值最相近的旧场景;
步骤S5,所述AI学习单元对所述旧场景的需要补拍的坐标点与所述新场景的可能需要补拍的坐标点进行合并,得出所述新场景的需要补拍的正确坐标点;
步骤S6,所述AI学习单元对所述新场景最简飞行路线与所述步骤S5得到的所述新场景的需要补拍的正确坐标点进行分析,得出所述新场景的最佳飞行路线;
步骤S7,所述AI学习单元根据所述旧场景判定所述步骤S6得到的结果与所述新场景的特征值是否存在需要补拍的坐标点,若不存在需要补拍的坐标点,则返回所述步骤S6,若存在需要补拍的坐标点,则执行步骤S8;
步骤S8,所述AI学习单元将需要补拍的坐标点代入所述步骤S5进行再推导,得到确定的该所述新场景需要补拍的所有坐标点。
实施上述过程使用有无人机航拍系统、移动式操作平台和使用步骤;
其中,无人机航拍系统包括测绘无人机、数字彩色航拍摄像机、坐标传感器单元、激光雷达单元、储存单元、传输单元。测绘无人机用以搭载航拍单元和坐标传感器,根据实际需要可使用固定翼无人机,亦可以使用多旋翼无人机,此测绘无人机只需满足测绘需求即可,此不再赘述。数字彩色航拍摄像机用以将航拍画面摄制成数字影像,方便后期绘制。坐标传感器用以记录当前无人机坐标位置,为之后的绘制工作提供参照。激光雷达单元用以测量当前无人机位置到地面和地面植被的距离,用作后期绘制高精度地图。储存单元用以存储当前无人机携带的设备所检测到的所有信号与画面。传输单元用以将当前无人机携带的设备所检测到的所有数字信号与数字画面传输至移动式操作平台。
移动式操作平台包括无人机控制系统、AI处理系统、电子像控点系统、简绘系统;
其中,无人机控制系统,包括控制单元、显示单元,控制单元用以在无人机飞行时进行路线规划、介入控制和姿态观察,显示单元用以显示当前无人机航拍数据和画面。
AI处理系统包括处理单元,AI学习单元,储存单元,处理单元用以发送系统收集的航拍坐标和航拍画面至显示单元,并进行储存。AI学习单元用以对当前航拍坐标和航拍画面进行深度学习,构建场景,学习和分析每次的无人机飞行路线。储存单元用以储存所有AI学习单元构建的场景和每次的无人机飞行路线。处理单元用以将航拍影像和坐标值处理成三维数字信号并发送给AI学习单元构建场景和每次的无人机飞行路线。
电子像控点系统包括电子像控点模块和传输单元,电子像控点模块基于2000国家大地坐标系的坐标对实际测得的航拍数据和坐标点进行坐标校正,传输单元用以相互传输校正前和校正后的航拍数据及坐标点至AI学习单元和简绘系统。
具体而言,电子像控点的获取可以由多组硬件单元构成,使用时抛撒该硬件获取或由无人机投放获取,亦可以使用多旋翼无人机定点悬停定位获取,或者其他数据采集方式获取,只需能够满足本发明所述使用功能即可,此不再赘述。
简绘系统包括接收单元、三维建模单元、传输单元、储存单元,接收单元用来接收无人机航拍系统中传输单元传输来的所有数字信号与数字画面。三维建模单元根据接收单元接收到的所有数字信号和数字画面进行加密、生成点云和建立简单的实景三维模型。传输单元用以将加密后的简单实景三维模型和该模型点云传输至AI学习单元进行深度分析与学习。储存单元用以储存加密后的简单实景三维模型和该模型点云。
使用步骤包括,
使用步骤S1,确定预测量区域的四角坐标并以此进行飞行线路的规划;
使用步骤S2,确定基于2000国家大地坐标系的四角坐标的电子像控点坐标;
使用步骤S3,控制无人机按照预设航线进行拍摄作业;
使用步骤S4,拍摄作业完成后将所有数据传输至移动式操作平台进行数据处理;
使用步骤S5,移动式操作平台根据收到的数据进行简绘并判断是否需要补拍并规划补拍路线;
使用步骤S6,完成补拍后绘制地图,并将所有过程与数据发送至移动式操作平台的AI处理系统;
在使用步骤S1中根据预测量区域的四角坐标对无人机航拍航线进行规划,并做出基于2000国家大地坐标系的坐标修正,在使用步骤S2中,考虑到对于复杂地形进行无人机航拍测量的工作中,补拍几率较高,故而确定电子像控点系统基于2000国家大地坐标系的校正后的电子像控点坐标,并控制无人机进行若干次多次不同航线的飞行作业,即通过后期数据资料的对比验算,得到最终坐标数据,在使用步骤S3中,使用无人机按照预定的规划路线进行拍摄作业,通过无人机上搭载的摄像机、坐标传感器和激光雷达系统,得出航拍的数字影像和数字坐标串,并通过激光雷达系统进行激光探测及双重测距,对地面层和植被层进行双重测距,有效规避植被对遥感测绘精度值的影响,计算出需要移植植被的数量,提高最后三维建模的精准度,在使用步骤S4中,拍摄作业完成后,移动式操作平台控制传输系统将无人机得到的所有数据传输至AI处理系统进行初步学习,在使用步骤S5中,移动式操作平台内的简绘系统对所有数据进行简绘工作,并判断需要补拍的坐标点,根据需要补拍的坐标点重新规划补拍线路,在使用步骤S6中,移动式操作平台将补拍后的数据传输至简绘系统,并在此判定是否需要进行补拍,若数据满足绘制要求,则此次航拍工作完成,并将所有过程与过程中的所有数据发送至AI处理系统,进行深度分析并学习。
移动式操作平台内搭载的AI处理系统根据每次确定的四角坐标进行该场景面积的构建,根据每次预设的电子像控点坐标间距的高度差进行该场景地形坡度曲线的构建,根据每次规划的拍摄航线进行该场景飞行路线的构建,根据每次需要补拍的坐标点的特征进行该场景补拍点的构建,建立该场景的特征值并记录针对该场景特征采用的航拍路线和需要采集的坐标点的方法,该场景特征值包括四角坐标内的面积和区域形状、该场景的飞行高度及飞行路线、电子像控点的坐标间距、电子像控点的坐标间距的高度差及坡度曲线。
移动式操作平台内搭载的AI处理系统将该场景特征值对应的场景进行命名,并存储在AI处理系统设有的储存单元的场景库内,AI处理系统内的AI学习单元对该场景库内的所有场景和该场景对应的测绘方法进行深度分析和学习,用以在之后的航拍中针对需要航拍的场景使用更加智能的测绘方法。
AI学习单元设定场景库内有场景1、场景2、场景3……场景M,M为正整数,本实施例中,M取大于等于3的正整数为较优选择。
AI学习单元设定场景库内所有场景的四角坐标对应的面积分别为a1b1,a2b2,a3b3……aMbM。
AI学习单元设定场景库内所有场景的电子像控点坐标间距分别为IN1,IN2,IN3……INM。
AI学习单元设定场景库内所有场景任意两个电子像控点间的高度差分别为AD1,AD2,AD3……ADM。
AI学习单元设定所有场景任意两个电子像控点间的坡度曲线分别为CC1,CC2,CC3……CCM。
AI学习单元设定场景库内所有场景预设的最简飞行线路分别为AL1,AL2,AL3……ALM。
AI学习单元设定场景库内所有场景学习后不需要进行补拍的飞行线路分别为AL1′,AL2′,AL3′,……ALM′。
AI学习单元设定场景库内所有场景需要补拍的坐标点分别为P11、P21、P31、……Pn1,P11、P21、P31、……Pn1,P12、P22、P32、……Pn2,P13、P23、P33、……Pn3,……P1M、P2M、P3M、……PnM,n为正整数。
AI学习单元设定场景库内所有场景航拍的航线高度分别为H1、H2、H2……HM。
AI学习单元设定场景库内任一场景为场景i,i=1,2,3……M。
AI学习单元对场景库内的场景特征学习的步骤为:
学习步骤S1,AI学习单元根据场景i计算对比航线高度Hi与航拍面积AH的关系,确定面积与航拍宽度的关系,设定航线高度为Hi时测绘精度可以满足要求,计算航线高度为Hi时航拍宽度与面积aibi的关系,AI学习单元判断面积aibi时在高度Hi下航拍面积AH的数目和分布的关系,判断飞行路线ALi是否为最简飞行路线。
AI学习单元判断飞行路线AL1是否为最简飞行路线的过程为:设定航线高度为Hi时理论航拍宽度为HWi,设定场景i的四角坐标对应的长为ai,宽为bi,建立该场景以其中一条ai为x轴,其中一条bi为y轴的临时坐标系LSi,设定ai与bi的交点为原点,设定理论航拍宽度HWi的0.8倍为实际航拍宽度,实际航拍宽度为0.8HWi,保证循环拍摄时衔接坐标点的基准点足够多,设立最简飞行路线起点坐标为(0.4HWi,0),并以y轴正方向,飞至坐标[0.4HWi,bi-(b1-0.4HWi)]后,转向x轴正方向,飞至坐标[ai-(ai-0.4HWi),bi-(bi-0.4HWi)]后,转向y轴反方向,飞至坐标[ai-(ai-0.4HWi),0.4HWi]后,转向x轴反方向,飞至坐标(1.2HWi,0.4HWi)后,转向y轴正方向,飞至坐标[1.2HWi,bi-(bi-1.2HWi)]后,转向x轴正方向……直到航拍宽度0.8HWi乘以飞行长度等于aibi,AI学习单元判定此时的最简飞行路线与实际飞行路线ALi是否一致。
学习步骤S2,AI学习单元判断在电子像控点坐标间距为INi时,需要补拍的坐标点P1i、P2i、P3i、……Pni的个数n和n个坐标的分布,建立以坐标系LSi为基础的三维坐标系LSSi,增加z轴,确定需要补拍的坐标点在三维坐标系LSSi的分布关系并设定分布关系为RE1i。
学习步骤S3,AI学习单元判断在电子像控点坐标的间距高度差ADi时,需要补拍的坐标点P1i、P2i、P3i、……Pni与电子像控点坐标间的高度差ADi的关系,AI学习单元设定在电子像控点坐标的间距高度差ADi时,与需要补拍坐标点数目和分布的关系为RE2i。
学习步骤S4,AI学习单元判断在电子像控点坐标间的坡度曲线CCi时,需要补拍的坐标点P1i、P2i、P3i、……Pni与电子像控点坐标间的坡度曲线CCi的关系,AI学习单元设定在电子像控点坐标间的坡度曲线CCi时,需要补拍的坐标点数目和分布的关系为RE3i。
学习步骤S5,AI学习单元将飞行路线ALi代入关系RE1i、关系RE2i和关系RE3i,确定需要二次航拍的坐标点的补充航线,结合飞行路线ALi得出不用补拍的飞行路线ALi′,并与实际补拍路线进行对比验算,确定最终飞行路线ALi′的可应用性。
AI学习单元在对场景库内所有场景的特性进行分析学习后,根据场景库内场景的特性将场景分组,用以更好的对新场景进行相似性适配,得出更符合新场景的飞行路线ALi′,并进行验算。
AI学习单元设定新场景的电子像控点坐标间距为IN。
AI学习单元设定新场景的任意两个电子像控点间的高度差为AD。
AI学习单元设定新场景的任意两个电子像控点间的坡度曲线为CC。
AI学习单元设定新场景的最简飞行线路为AL。
AI学习单元设定新场景不需要进行补拍的飞行线路为AL′。
AI学习单元设定新场景可能需要补拍的坐标点为P1、P2、P3、……Pn,n为正整数。
AI学习单元设定新场景进行航拍的航线高度为H。
AI学习单元对场景库内的场景特征应用的步骤为:
应用步骤S1,AI学习单元对场景库内所有场景四角坐标的面积及区域对比形状,确定相似形状的场景组,并将场景组分为狭窄场景组、多边场景组、星状场景组。
应用步骤S2,AI学习单元对电子像控点坐标间距依照三组不同形状的场景组设置不同的推荐间距,此推荐间距为该相似形状最精确或满足预设精确度要求的数值,此数值由所有场景的电子像控点坐标间距与需要补拍的坐标点的关系RE1分析学习得出。
应用步骤S3,AI学习单元对电子像控点坐标间距的高度差与坡度曲线做对比,确定相似高度差和坡度曲线的场景组,电子像控点坐标间距高度差和坡度曲线依照三组不同形状的场景组细分出不同场景的结构描述对应的名称,分为狭窄场景山地组、狭窄场景丘陵组、狭窄场景平原组,正边场景山地组、正边场景丘陵组、正边场景平原组,星状场景山地组、星状场景丘陵组、星状场景平原组。
应用步骤S4,AI学习单元根据新场景的四角坐标形状、电子像控点坐标间距、电子像控点坐标间距的高度差和电子像控点坐标间距的坡度曲线判断该新场景在九种不同的场景组下应用哪种相似的场景组。
应用步骤S5,AI学习单元根据所有场景的高度差与需要补拍的坐标点的关系RE2和所有场景的坡度曲线与需要补拍的坐标点的关系RE3分别判断九种不同的场景组应使用何种最简飞行路线AL。
应用步骤S6,AI学习单元在新场景应用规划飞行路线AL时,根据已有新场景的四角坐标面积、电子像控点坐标间距、电子像控点间的坡度曲线、电子像控点坐标间距的高度差、最简飞行线路,判断可能需要补拍的坐标点为P1、P2、P3、……Pn。
应用步骤S7,AI学习单元确定应用哪种场景组和可能需要补拍的坐标点为P1、P2、P3、……Pn后,根据该场景组对应的可能需要补拍的所有坐标点代入新场景可能需要补拍的坐标点为P1、P2、P3、……Pn综合判断,得到正确的需要补拍的坐标点。
应用步骤S8,AI学习单元将新场景需要补拍的正确坐标点和新场景的四角坐标面积、电子像控点坐标间距、最简飞行路线AL、电子像控点坐标间距的高度差和坡度曲线代入RE1、RE2和RE3,确定新场景航线高度H和最佳飞行路线AL′。
验算步骤S1,AI学习单元根据新场景需要补拍的坐标点为P1、P2、P3、……Pn、RE1、RE2和RE3综合验算最佳飞行路线AL′在合理误差范围内各测量工具测得的各项数据是否需要进行补拍,若不存在需要补拍的坐标点,则AI学习单元判定新场景应用飞行路线AL′,若仍有存在需要补拍的坐标点,则AI学习单元判定将仍存在的需要补拍的坐标点代入RE1、RE2和RE3,直至保证飞行路线再次覆盖需要补拍的坐标点,且该飞行路线不存在需要补拍的坐标点,得到飞行路线AL″并应用。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例,并不用于限制本发明;对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于工程测绘的监测校正方法,其特征在于,包括,
步骤S1,AI学习单元提取场景库内所有旧场景的特征值进行场景构建,并进行分组;
步骤S2,所述AI学习单元根据所有旧场景的特征值计算该旧场景的最简飞行路线;
步骤S3,所述AI学习单元根据所述旧场景的最简飞行路线和该旧场景的需要补拍的坐标点分析计算得到所述旧场景的最佳飞行路线;
步骤S4,所述AI学习单元提取新场景的特征值并进行分析,并找到与所述新场景的特征值最相近的旧场景;
步骤S5,所述AI学习单元对所述旧场景的需要补拍的坐标点与所述新场景的可能需要补拍的坐标点进行合并,得出所述新场景的需要补拍的正确坐标点;
步骤S6,所述AI学习单元对所述新场景最简飞行路线与所述步骤S5得到的所述新场景的需要补拍的正确坐标点进行分析,得出所述新场景的最佳飞行路线;
步骤S7,所述AI学习单元根据所述旧场景判定所述步骤S6得到的结果与所述新场景的特征值是否存在需要补拍的坐标点,若不存在需要补拍的坐标点,则返回所述步骤S6,若存在需要补拍的坐标点,则执行步骤S8;
步骤S8,所述AI学习单元将需要补拍的坐标点代入所述步骤S5进行再推导,得到确定的该所述新场景需要补拍的所有坐标点。
2.根据权利要求1所述的基于工程测绘的监测校正方法,其特征在于,所述步骤S1中,所述场景构建方法为,建立该场景的特征值并记录针对该场景特征采用的航拍路线和需要多次采集的坐标点,所述AI处理系统将该场景特征值对应的场景进行命名,并存储在所述AI储存单元的场景库内,所述AI学习单元对该场景库内的若干场景和该场景对应的测绘方法进行深度分析和学习,其中,
所述场景特征值包括待测区域的形状、四角坐标的面积、航线高度、电子像控点的坐标、电子像控坐标点间的高度差、电子像控坐标点间的坡度曲线;
所述AI学习单元对场景库内所有场景分组的过程为,所述AI学习单元对场景库内所有场景的特征值进行对比,并根据不同场景的结构的对应名称将场景分组并分别命名为,狭窄场景山地组、狭窄场景丘陵组、狭窄场景平原组,正边场景山地组、正边场景丘陵组、正边场景平原组,星状场景山地组、星状场景丘陵组、星状场景平原组。
3.根据权利要求2所述的基于工程测绘的监测校正方法,其特征在于,在所述步骤S2中,所述AI学习单元设定场景库内有第一场景、第二场景、第三场景,直到第M场景,M为正整数,所述AI学习单元设定场景库内任一场景为场景i,i=1,2,3……M;
所述AI学习设定场景库内任一场景的四角坐标对应的面积分别为aibi,设定场景库内任一场景的电子像控点坐标间距分别为INi,设定场景库内任一场景任意两个电子像控点间的高度差分别为ADi,设定场景库内任一场景任意两个电子像控点间的坡度曲线分别为CCi,设定场景库内任一场景预设的最简飞行线路分别为ALi,设定场景库内任一场景学习后不需要进行补拍的飞行线路分别为ALi′,设定场景库内任一场景需要补拍的坐标点分别为P1 i、P2i、P3i、……Pni,n为正整数,设定场景库内任一场景航拍的航线高度分别为Hi;
所述AI学习单元对场景组内所有场景进行分析学习,根据所述场景i的预设测绘精度计算对比对应场景i内的所述航线高度Hi与航拍面积AHi的关系,计算航线高度为Hi时航拍面积AHi与所述四角坐标对应的面积aibi的关系,AI学习单元判断所述四角坐标对应的面积aibi时在高度Hi下航拍面积AH的数目和分布的关系,判断飞行路线ALi是否为最简飞行路线。
4.根据权利要求3所述的基于工程测绘的监测校正方法,其特征在于,在所述步骤S2中,所述AI学习单元对场景库内所述旧场景最简飞行路线的计算过程为:
步骤S2.1,所述AI学习单元设定航线高度为Hi时理论航拍宽度为HWi,设定场景i的四角坐标对应的长边为ai,宽边为bi,建立所述旧场景以其中一长边ai为x轴,其中一宽边bi为y轴的临时坐标系LSi,设定ai与bi的交点为原点;
步骤S2.2,设定理论航拍宽度HWi的0.8倍为实际航拍宽度,实际航拍宽度为0.8HWi,设立最简飞行路线起点坐标为(0.4HWi,0),并以y轴正方向,飞至坐标[0.4HWi,bi-(b1-0.4HWi)];
步骤S2.3,转向x轴正方向,飞至坐标[ai-(ai-0.4HWi),bi-(bi-0.4HWi)]后;
步骤S2.4,转向y轴反方向,飞至坐标[ai-(ai-0.4HWi),0.4HWi];
步骤S2.5,转向x轴反方向,飞至坐标(1.2HWi,0.4HWi);
步骤S2.6,转向y轴正方向,飞至坐标[1.2HWi,bi-(bi-1.2HWi)];
步骤S2.7,转向x轴正方向;
重复上述步骤S2.3-S2.6,直到航拍宽度0.8HWi乘以飞行长度等于aibi,所述AI学习单元判定此为最简飞行路线ALi。
5.根据权利要求4所述的基于工程测绘的监测校正方法,其特征在于,所述步骤S3中,所述AI学习单元计算该旧场景最佳飞行路线的过程为:
所述AI学习单元判断在电子像控点坐标间距为INi时,需要补拍的坐标点P1 i、P2i、P3i、……Pni的个数n和n个坐标的分布,建立以坐标系LSi为基础的三维坐标系LSSi,增加z轴,确定需要补拍的坐标点在三维坐标系LSSi的分布关系并设定分布关系为RE1 i;
所述AI学习单元判断在电子像控点坐标的间距高度差ADi时,需要补拍的坐标点P1 i、P2i、P3i、……Pni与电子像控点坐标间的高度差ADi的关系,AI学习单元设定在电子像控点坐标的间距高度差ADi时,与需要补拍坐标点数目和分布的关系为RE2i;
所述AI学习单元判断在电子像控点坐标间的坡度曲线CCi时,需要补拍的坐标点P1 i、P2i、P3i、……Pni与电子像控点坐标间的坡度曲线CCi的关系,AI学习单元设定在电子像控点坐标间的坡度曲线CCi时,需要补拍的坐标点数目和分布的关系为RE3i;
所述AI学习单元将最简飞行路线ALi代入关系RE1 i、关系RE2i和关系RE3i,确定需要二次航拍的需要补拍的坐标点的补充航线,结合飞行路线ALi得出最佳飞行路线ALi′。
6.根据权利要求5所述的基于工程测绘的监测校正方法,其特征在于,所述步骤S4中,所述AI学习单元提取所述新场景的特征值并进行分析,并找到与之特征值最相近旧场景的过程为:
所述AI学习单元设定所述新场景的电子像控点坐标间距为IN,设定所述新场景的任意两个电子像控点间的高度差为AD,设定所述新场景的任意两个电子像控点间的坡度曲线为CC,设定所述新场景的最简飞行线路为AL,设定所述新场景不需要进行补拍的飞行线路为AL′,设定所述新场景可能需要补拍的坐标点为P1、P2、P3、……Pn,n为正整数,设定所述新场景进行航拍的航线高度为H;
所述AI学习单元根据所述新场景的四角坐标形状、电子像控点坐标间距、电子像控点坐标间距的高度差和电子像控点坐标间距的坡度曲线判断所述新场景在九种不同的场景组下应用哪种相似的场景组;
所述AI学习单元根据所有场景的高度差与需要补拍的坐标点的关系RE2和所有场景的坡度曲线与需要补拍的坐标点的关系RE3分别判断九种不同的场景组应使用何种最简飞行路线AL;
所述AI学习单元在对场景库内所有场景的特性进行分析学习并将场景分组后,与所述新场景的特征值进行相似性适配,得出所述新场景的旧场景参照飞行路线ALi′;
所述AI学习单元根据所述旧场景最佳飞行路线与所述新场景最简飞行路线进行对比,推断出所述新场景可能需要补拍的坐标点的过程为:
所述AI学习单元在所述新场景应用规划飞行路线AL时,根据已有所述新场景的四角坐标面积、电子像控点坐标间距、电子像控点间的坡度曲线、电子像控点坐标间距的高度差、最简飞行线路,判断所述新场景可能需要补拍的坐标点为P1、P2、P3、……Pn。
7.根据权利要求6所述的基于工程测绘的监测校正方法,其特征在于,所述步骤S5中,所述AI学习单元合并所述旧场景的需要补拍的坐标点与所述新场景的可能需要补拍的坐标点,得出所述新场景的需要补拍的正确坐标点的过程为:
所述AI学习单元确定应用哪种场景组和可能需要补拍的坐标点为P1、P2、P3、……Pn后,根据该场景组对应的可能需要补拍的所有坐标点代入所述新场景可能需要补拍的坐标点为P1、P2、P3、……Pn综合判断,得到的需要补拍的正确坐标点。
8.根据权利要求7所述的基于工程测绘的监测校正方法,其特征在于,所述步骤S6中,所述AI学习单元得出所述新场景最佳飞行路线的过程为:
所述AI学习单元将所述新场景需要补拍的正确坐标点和所述新场景的四角坐标面积、电子像控点坐标间距、最简飞行路线AL、电子像控点坐标间距的高度差和坡度曲线代入RE1、RE2和RE3,确定所述新场景航线高度H和最佳飞行路线AL′。
9.根据权利要求8所述的基于工程测绘的监测校正方法,其特征在于,所述步骤S7中,所述AI学习单元根据所述步骤S5的结果进行验算,其过程为:
所述AI学习单元根据所述新场景需要补拍的坐标点为P1、P2、P3、……Pn、RE1、RE2和RE3综合验算最佳飞行路线AL′在合理误差范围内各测量工具测得的各项数据是否存在需要进行补拍的坐标点;
若不存在需要补拍的坐标点,则AI学习单元判定返回所述步骤S6,应用所述新场景飞行路线AL′;
若存在需要补拍的坐标点,则AI学习单元继续执行所述步骤S8进行判定。
10.根据权利要求9所述的基于工程测绘的监测校正方法,其特征在于,所述步骤S8中,所述AI学习单元对所述步骤S7的判断过程为:
若存在需要补拍的坐标点,则AI学习单元判定将仍存在的需要补拍的坐标点代入RE1、RE2和RE3,直至保证飞行路线再次覆盖需要补拍的坐标点,且该飞行路线不存在需要补拍的坐标点,并代入所述步骤S5,得到飞行路线AL″并应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210353440.XA CN114742793B (zh) | 2022-04-06 | 2022-04-06 | 一种基于工程测绘的监测校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210353440.XA CN114742793B (zh) | 2022-04-06 | 2022-04-06 | 一种基于工程测绘的监测校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114742793A true CN114742793A (zh) | 2022-07-12 |
CN114742793B CN114742793B (zh) | 2022-12-13 |
Family
ID=82278885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210353440.XA Active CN114742793B (zh) | 2022-04-06 | 2022-04-06 | 一种基于工程测绘的监测校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114742793B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117593916A (zh) * | 2023-10-25 | 2024-02-23 | 数字鲸鱼(山东)能源科技有限公司 | 一种高安全性的无人机航线记录与应用方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1065470A1 (en) * | 1999-06-30 | 2001-01-03 | Gia Min-Chung | A path planning, terrain avoidance and situation awareness system for general aviation |
CN106950991A (zh) * | 2017-04-27 | 2017-07-14 | 广东容祺智能科技有限公司 | 一种基于图像识别的无人机返航方法 |
CN108766035A (zh) * | 2018-06-12 | 2018-11-06 | 云南农业大学 | 一种点密度引导下的无人机地形匹配飞行控制系统 |
CN109916378A (zh) * | 2019-03-20 | 2019-06-21 | 台州市地理信息测绘中心 | 一种现状地理空间信息数据测绘方法及数据采集系统 |
CN110873565A (zh) * | 2019-11-21 | 2020-03-10 | 北京航空航天大学 | 用于城市场景重建的无人机实时路径规划方法 |
CN111426309A (zh) * | 2020-04-14 | 2020-07-17 | 陕西天泽中孚实业有限公司 | 一种基于三维地形测绘数据的采集处理方法 |
CN111951510A (zh) * | 2020-08-24 | 2020-11-17 | 广州立信电子科技有限公司 | 一种基于大数据的林业防火智能巡检监测预警系统 |
CN113625731A (zh) * | 2021-07-23 | 2021-11-09 | 北京中天博地科技有限公司 | 一种基于dem数据的无人机地形匹配仿地飞行方法 |
CN113686310A (zh) * | 2021-09-01 | 2021-11-23 | 河南徕拓勘测规划设计有限公司 | 一种无人机野外测绘的方法 |
-
2022
- 2022-04-06 CN CN202210353440.XA patent/CN114742793B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1065470A1 (en) * | 1999-06-30 | 2001-01-03 | Gia Min-Chung | A path planning, terrain avoidance and situation awareness system for general aviation |
CN106950991A (zh) * | 2017-04-27 | 2017-07-14 | 广东容祺智能科技有限公司 | 一种基于图像识别的无人机返航方法 |
CN108766035A (zh) * | 2018-06-12 | 2018-11-06 | 云南农业大学 | 一种点密度引导下的无人机地形匹配飞行控制系统 |
CN109916378A (zh) * | 2019-03-20 | 2019-06-21 | 台州市地理信息测绘中心 | 一种现状地理空间信息数据测绘方法及数据采集系统 |
CN110873565A (zh) * | 2019-11-21 | 2020-03-10 | 北京航空航天大学 | 用于城市场景重建的无人机实时路径规划方法 |
CN111426309A (zh) * | 2020-04-14 | 2020-07-17 | 陕西天泽中孚实业有限公司 | 一种基于三维地形测绘数据的采集处理方法 |
CN111951510A (zh) * | 2020-08-24 | 2020-11-17 | 广州立信电子科技有限公司 | 一种基于大数据的林业防火智能巡检监测预警系统 |
CN113625731A (zh) * | 2021-07-23 | 2021-11-09 | 北京中天博地科技有限公司 | 一种基于dem数据的无人机地形匹配仿地飞行方法 |
CN113686310A (zh) * | 2021-09-01 | 2021-11-23 | 河南徕拓勘测规划设计有限公司 | 一种无人机野外测绘的方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117593916A (zh) * | 2023-10-25 | 2024-02-23 | 数字鲸鱼(山东)能源科技有限公司 | 一种高安全性的无人机航线记录与应用方法 |
CN117593916B (zh) * | 2023-10-25 | 2024-04-12 | 数字鲸鱼(山东)能源科技有限公司 | 一种高安全性的无人机航线记录与应用方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114742793B (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109357617B (zh) | 一种基于无人机的高陡岩质边坡位移变形监测方法 | |
KR102007567B1 (ko) | 스테레오 드론 및 이를 이용하는 무기준점 토공량 산출 방법과 시스템 | |
JP5389964B2 (ja) | 地図情報生成装置 | |
CN102506824B (zh) | 一种城市低空无人机系统生成数字正射影像图的方法 | |
CN109556569B (zh) | 地形图测绘方法及装置 | |
JP2009145314A (ja) | 異種センサ統合モデリングによるデジタル写真測量方法及びその装置 | |
CN112461205B (zh) | 基于无人机倾斜摄影测量的铁路既有线横断面制作方法 | |
CN104376598A (zh) | 利用飞机航拍影像的露天矿采剥量计算方法 | |
Wang et al. | Estimating earthwork volumes through use of unmanned aerial systems | |
CN103411587B (zh) | 定位定姿方法及系统 | |
CN109540104A (zh) | 一种利用摄影测量技术用于公路管理的无人机系统 | |
CN115657706B (zh) | 基于无人机的地貌测量方法及系统 | |
CN114859374B (zh) | 基于无人机激光点云和影像融合的新建铁路交叉测量方法 | |
JP2017026577A (ja) | 三次元測量写真の作成方法 | |
CN114742793B (zh) | 一种基于工程测绘的监测校正方法 | |
KR102478816B1 (ko) | 무인항공기를 이용한 경사면의 안정성 평가 및 관리방법 | |
Garcia et al. | The Influence of Ground Control Points Configuration and Camera Calibration for Dtm and Orthomosaic Generation Using Imagery Obtained from a Low-Cost Uav | |
Ismael et al. | Accuracy assessment of UAV photogrammetry for large scale topographic mapping | |
Thuse et al. | Accuracy assessment of vertical and horizontal coordinates derived from Unmanned Aerial Vehicles over District Six in Cape Town | |
CN117308915A (zh) | 一种测绘工程中特殊地形的测绘系统 | |
CN111784838A (zh) | 一种基于倾斜摄影的超长线性结构三维实景模型处理方法 | |
KR102642117B1 (ko) | Uav의 3차원 비행경로 설정방법 | |
KR102686337B1 (ko) | 드론 측량에 기초한 현장 관리 시스템 | |
Silvestrou et al. | Multi-parametric Performance Evaluation of Drone-based Surveying for Disaster Risk Management. | |
CN111473773A (zh) | 无人机航拍应用于1:500的地籍测量方法 |
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 |