CN114782826A - 一种灾后建筑物的安全监测系统及方法 - Google Patents
一种灾后建筑物的安全监测系统及方法 Download PDFInfo
- Publication number
- CN114782826A CN114782826A CN202210694251.9A CN202210694251A CN114782826A CN 114782826 A CN114782826 A CN 114782826A CN 202210694251 A CN202210694251 A CN 202210694251A CN 114782826 A CN114782826 A CN 114782826A
- Authority
- CN
- China
- Prior art keywords
- building
- disaster
- coefficient
- post
- remote sensing
- 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
Abstract
本发明涉及一种灾后建筑物的安全监测系统及方法,系统至少包括:遥感图像采集端、处理器和终端,处理器用于识别建筑物并提取建筑物的立面偏移信息,处理器基于遥感影像中的建筑物立面的基尼系数和/或基尼系数变化频率确定重灾区域,响应于终端发送的遥感图像的景深范围请求,处理器向终端发送处于景深范围内的建筑物的基尼系数监测曲线和/或当前基尼系数。由于灾前建筑的遥感影像不存在,针对现有技术中无法对于灾后建筑物的损毁进行有效监测且信息传输延迟明显的问题,本发明通过基尼系数变化来监测建筑物的安全变化,为救援人员提供建筑物的分布以及建筑物的损毁变化情况,从而提高灾后救援人员的救援效率。
Description
技术领域
本发明涉及灾后救援技术领域,尤其涉及一种灾后建筑物的安全监测系统及方法。
背景技术
自然灾害发生后,救援人员的主要人物是尽量以较快的速度寻找到建筑物并且对建筑物中的人员实施救援。地震灾害发生以后,快速评估对于启动有效的应急响应行动至关重要,如何快速准确地获取灾区信息、补充震后信息数据库、缩短震后黑箱期是现阶段地震灾后快速评估面对的重难点问题,地震灾后的快速评估工作可为救援工作的科学部署和有效开展提供决策支持,从而减轻地震灾害的损失。快速评估的主要目的是在最短时间内对地震造成的影响有一个大致地了解,并确定不同方向的受损程度,尤其是确定重灾区的位置,此时,获取震中周边不同方向上建筑物的受损情况是快速评估的一种有效方式。然而,地震造成的路面损坏会减缓救援人员进入灾区的速度,从而影响快速评估任务的效率,同时救援人员还受到余震等多种风险的威胁。由于无人机可以不受路面损坏影响快速地进入地震灾区,并通过所搭载的遥感相机快速捕获图像和视频数据,所以已被广泛地应用于地震灾后救援行动中。地震受灾区域往往面积广阔,受灾区域内的建筑物数量庞大,因此,如何确定重灾区以及对灾后建筑进行安全监测,是当前还没有解决的问题。
此外,一方面由于对本领域技术人员的理解存在差异;另一方面由于申请人做出本发明时研究了大量文献和专利,但篇幅所限并未详细罗列所有的细节与内容,然而这绝非本发明不具备这些现有技术的特征,相反本发明已经具备现有技术的所有特征,而且申请人保留在背景技术中增加相关现有技术之权利。
发明内容
现有技术中,例如,中国专利文献CN105279199B(G06F17/30)公开了一种地震灾区农房倒损监测方法和设备。该方法包括:根据灾前遥感影像识别农房的房屋结构;将同一地震烈度区内的具有同种房屋结构的农房划分为同一区块;对灾后遥感影像进行解译,并根据解译结果确定每个区块的不同受损类型的农房的第一占比率;根据灾害现场调查数据确定每个区块的不同受损类型的农房的第二占比率;以及根据第一占比率和第二占比率确定每个区块的不同受损类型的农房的最终占比率。由此,可更加客观、准确地掌握灾区农房的受损情况,特别是在遥感数据无法覆盖整个灾区的情况下,能够利用这些不完备的遥感数据来掌握全灾区的农房受损情况。该专利的弊端在于,灾前遥感影像有时候不存在。尤其是对于局部偏远的村庄或者乡镇,灾前遥感影像很可能没有存储。因此,对于灾后建筑物的损毁以及安全难以进行评估。
本发明提供一种灾后建筑物的安全监测系统,至少包括:
遥感图像采集端,用于以搭载在无人机上的方式采集建筑物的遥感影像,
处理器,用于识别建筑物并提取建筑物的立面偏移信息,
终端,用于接收所述处理器发送的信息;
所述处理器基于遥感影像中的建筑物立面的基尼系数和/或基尼系数变化频率确定重灾区域,并且响应于所述终端发送的遥感图像的景深范围请求,所述处理器向所述终端发送处于景深范围内的建筑物的基尼系数监测曲线和/或当前基尼系数。
现有技术中,需要通过卫星的遥感影像以及震源信息来确定地震的重灾区。然而对于建筑坚固度较差的乡村地区,即使地震没有震源大,建筑物的不坚固也会倒塌会损毁并使人员出现伤亡。因此,采用建筑物立面的损毁检测评估重灾区能够弥补现有技术中重灾区评估的缺陷,使得大量建筑物倒塌区域能够被识别。本发明通过建筑物立面的基尼系数来确定受灾的重灾区,能够提高救援人员对建筑物倒塌区域的救援效率。
优选地,所述处理器基于建筑物的遥感影像提取建筑物的轮廓信息并计算建筑物立面的基尼系数,并且在基于建筑物立面的轮廓信息和基尼系数选择坐标物的情况下,所述处理器将不同区域的遥感影像拼接构成灾后建筑物分布图。灾后,如果灾情还在继续,建筑物的轮廓和立面基尼系数就会出现变化。选择建筑物的轮廓和立面基尼系数均不变的建筑物作为坐标物,能够使得不同区域的遥感影像准确衔接,有利于多个无人机在不同区域同时飞行作业,提高无人机拍摄遥感影像的效率。
优选地,所述终端的灾后建筑物分布图与建筑物的基尼系数监测曲线图像以并行的方式显示,所述终端的灾后建筑物分布图的景深范围由输入组件以任意圈定方式来指定。并行的画面显示有利于救援人员对灾后建筑物分布图的选择区域的查看,使得处理器根据终端的需求来传输指定建筑物的基尼系数监测曲线图像,减少了无效数据的传输,避免数据延迟,提高救援效率。
优选地,所述处理器选择在限定时间范围内建筑物立面的轮廓信息和基尼系数不变的建筑物作为坐标物,避免了变化建筑物的影响,有利于提高灾后建筑物分布图构建的准确性。
优选地,所述处理器将相邻时间采集的建筑物立面的基尼系数进行比较,按照预设的基尼系数变化值为驱动事件来记录建筑物立面的与时间相关的立面损毁变化信息,形成基尼系数监测曲线。如此设置,使得持续损毁的建筑物作为重点关注对象。即使该建筑物内的人员救援完成,该建筑物的立面损毁变化信息依然能够作为提供灾情的预警信息的依据。
优选地,所述处理器选择建筑物立面的基尼系数小于0.45且基尼系数变化频率大于频率阈值的建筑物所在区域作为重灾区。
优选地,响应于所述终端发送的遥感图像的景深范围请求,所述处理器将灾后建筑物分布图的景深范围内图像更新为高清图像。
本发明还提供一种灾后建筑物的安全监测方法,至少包括:
采集建筑物的遥感影像,
识别建筑物并提取建筑物的立面偏移信息,
基于遥感影像中的建筑物立面的基尼系数和/或基尼系数变化频率确定重灾区域,并且响应于终端发送的遥感图像的景深范围请求,向所述终端发送处于景深范围内的建筑物的基尼系数监测曲线和/或当前基尼系数。
优选地,方法还包括:基于建筑物的遥感影像提取建筑物的轮廓信息并计算建筑物立面的基尼系数,并且在基于建筑物立面的轮廓信息和基尼系数选择坐标物的情况下,所述处理器将不同区域的遥感影像拼接构成灾后建筑物分布图。
优选地,将灾后建筑物分布图与建筑物的基尼系数监测曲线图像以并行的方式显示,灾后建筑物分布图的景深范围由输入组件以任意圈定方式来指定。
本发明的灾后建筑物的安全监测方法,基于建筑物立面的基尼系数变化来进行建筑物损毁的变化预警,使得救援人员能够及时获得重灾区的评估,从而了解灾区情况,能够快速指定有效的救援方案,及时从危险建筑物救出被困人员。本发明的方法,能够通过监测建筑物损毁的变化预警,减少救援人员的伤亡。
附图说明
图1是本发明的灾后建筑物的安全监测系统的通信连接关系示意图;
图2是本发明的建筑物的基尼系数监测曲线的示意图;
图3是本发明提供的一种优选实施方式的灾后建筑物的安全监测系统的简化模块连接关系示意图。
附图标记列表
10:遥感图像采集端;20:处理器;21:数据处理模块;22:图像处理模块;23:预警模块;30:终端。
具体实施方式
下面结合附图进行详细说明。
针对现有技术不足,本发明提供一种灾后建筑物的安全监测系统及方法。本发明还能够提供一种灾后建筑物的安全监测系统终端。
如图1和图3所示,本发明的灾后建筑物的安全监测系统至少包括:携带有遥感图像采集端10的无人机、处理器20和终端30。
遥感图像采集端10为遥感相机,被搭载或者安装在无人机上来拍摄灾后区域的遥感影像。利用无人机携带的遥感图像采集端10拍摄多角度的建筑物的遥感影像并发送至处理器20。优选地,搭载遥感图像采集端10的无人机以倾斜航空的方式操作遥感图像采集端10拍摄倾斜航空角度的建筑物的遥感影像。
处理器20与遥感图像采集端10、终端30均设置有通讯模块。处理器20与遥感图像采集端10、终端30通过通讯模块分别以有线或无线的方式建立信息传输关系。
处理器20可以是具有数据处理功能的处理器、专用集成芯片、单片机、逻辑计算器中的一种或几种。终端30可以是具有显示屏幕的计算终端、便携智能设备、服务器或服务器群组中的一种或几种。具有显示屏幕的计算终端、例如是非便携的计算机、服务器等。便携智能设备例如是智能手环、智能眼镜、智能手机、智能手表等能够接收和显示信息的电子设备。通讯模块包括但不限于无线电通讯模块、光通讯模块、WIFI通讯模块、Zigbee通讯模块、蓝牙通讯模块、红外通讯模块。
无人机携带遥感图像采集端10多次采集建筑物的遥感影像。优选地,携带遥感图像采集端10的无人机按照预设的巡查周期来多次采集建筑物的遥感影像,使得遥感影像与时间关联。
处理器20接收遥感图像采集端10发送的与时间关联的遥感影像。所述处理器20基于遥感影像中的建筑物立面的基尼系数和/或基尼系数变化频率确定重灾区域。
响应于所述终端30发送的遥感图像的景深范围请求,所述处理器20向所述终端30发送处于景深范围内的建筑物的基尼系数监测曲线和/或当前基尼系数。
处理器20识别建筑物轮廓的方法如下所示。
S11:利用空三对无人机遥感影像进行平差,同时利用GPU加速后的PMVS 算法对影像密集匹配,最后得到精度高的密集彩色点云;
S12:对平差后的无人机遥感影像进行拼接;
S13:对彩色点云进行滤波;
先利用改进的形态学滤波算法进行地面和非地面分离,然后利用颜色不变量对地面点中的植被滤除,最后利用高程和面积作为阈值滤除非建筑物;
S14:利用区域增长算法检测点云中的建筑物;
S15:删除建筑物的墙面,通过对顶面边界拟合最后得到建筑物的粗轮廓信息;
S16:利用步骤三得到的建筑物粗轮廓作为叠加在拼接影像上,形成建筑物轮 廓提取的缓冲区;
S17:同时利用建筑物粗轮廓的形状作为先验信息,在缓冲区内用水平集算法 演化出建筑物精确轮廓。
步骤S11的方法还包括:
S111:利用先验信息对多视重叠无人机遥感影像进行预处理:
S112:在步骤S111的基础上进行空三摄影测量,利用空三勾网,求出每张影像的外方位元素,并进行光束法的整体平差;
S113:根据影像分组,在步骤S112的基础上利用现有技术中GPU加速的PMVS 算法进行快速的密集匹配,生成密集的三维点云,所重建的点云作为三维高程数据。
处理器20计算建筑物的立面的基尼系数的方法如下所示。
S21:利用基于粗糙集理论的k-means聚类算法对建筑物立面分割,获得建筑物立面的门窗。其中,具体计算步骤为:
S211:影像中像素的灰度值为f,其中f=0、1、2…255,利用粗糙集理论得到的k个中心点作为初始分类均值μ1,μ2,μ3,…,μk;
S212:计算影像中每个象素的灰度值f与上一步初始分类均值μ之间的距离D,将每个像素赋初始类均值距其最近的类,即
对(1)式进行迭代,其中p为迭代过程中的中心点。
S213:对于i=1,2,…,k计算新的聚类中心,更新类均值
式中,Ni是中的像素个数,m是迭代次数;
S22:利用canny算法对建筑物立面的门窗进行边缘检测,获得门窗的边缘特征。获取边缘特征的具体步骤为:
S221:利用canny算法对建筑物立面的门窗进行边缘检测,获得建筑物立面的门窗边缘;
S222:由于大部分建筑物立面都是垂直于地面,首先统计平行于地面的平行线之间的距离分布,然后计算出距离的直方图,最后获得门窗的边缘特征。流程如下:
a)由于建筑物立面可能发生损毁,因此门窗边缘检测得到的轮廓线未必相互平行,因此统计平行于地面的平行线之间的距离分布采用的方法是:沿着水平方向每隔一定步长对建筑物立面向垂直方向进行统计,计算出垂直方向临近两个像素点之间的距离,记为di,整个立面影像可以得到距离向量d=[d1,d2,d3,..,dK];
b)利用公式直方图统计函数D(di)=ni统计出距离向量直方图,然后对直方图变量ni进 行升序排序,得到向量n=[n1,n2,n3,..,nK],其中n1≤n2≤n3≤...≤nK;向量n为建筑物 立面门窗的边缘特征。
S23:利用经济学中的基尼系数对边缘特征进行统计,获得建筑物立面的基尼系数;
S24:根据基尼系数判定建筑物立面是否损毁。当基尼系数G大于0.45时,表示建筑物立面完好;反之,当基尼系数G小于0.45时,表示建筑立面发生了损毁。
基尼系数的计算方法为:
将步骤S2中的统计边缘特征向量n作为f带入上式中,得到建筑立面的基尼系数。
在地震灾害或者山洪形成的洪灾后,地形发生变化,部分建筑物的方向或者里面会发生移动或者转向,其地理位置坐标与灾前坐标已经发生差异。灾前的建筑物的地理坐标位置信息已经失去了准确性和救援参考性。因此,在处理器20基于遥感影像识别建筑物后,基于无人机采集的当前的地理坐标对建筑物的位置重新进行地理位置标记,以形成建筑物的准确的地理位置信息。
因此,选择结构稳定的建筑物作为坐标物有利于将不同的遥感影像进行拼接,构成完整的灾区的建筑物分布图。由于拍摄建筑物的遥感影像的角度不同,仅依据建筑物的轮廓或者建筑物的基尼系数来确定同一建筑物的准确度较低。因此,选择建筑物的轮廓近似、基尼系数相同的建筑物能够识别为同一建筑物,准确度较高。
处理器20选择在限定时间范围内建筑物立面的轮廓信息和基尼系数不变的建筑物作为坐标物。
由于构建灾后建筑物分布图的紧迫性,优选为在无人机巡查二次或者三次的时间范围内,轮廓信息和基尼系数均不变的建筑物作为坐标物来构建灾后建筑物分布图。
在基于建筑物立面的轮廓信息和基尼系数选择坐标物的情况下,所述处理器20将不同区域的遥感影像拼接构成灾后建筑物分布图。具体地,处理器20根据预存储的图像拼接模型来不同区域的遥感影像拼接构成灾后建筑物分布图。图像拼接模型例如是全景图像拼接映射模型。
优选地,基于灾情的持续引起的变化,建筑物的坐标物不是一直不变的。在更新遥感影像、更新建筑物的轮廓信息以及建筑物立面的基尼系数的过程中,处理器20将增加新的坐标物,并且将轮廓或者基尼系数发生变化的历史坐标物取消坐标物标记,从而更新灾后建筑物分布图。
在对建筑物建立坐标的基础上,处理器20能够对不同遥感影像中确定同一个建筑物,以实现对同一个建筑物的立面的基尼系数进行比较。
优选地,处理器20还对建筑物的轮廓进行更新,基于同一建筑物的轮廓变化来确定建筑物的轮廓偏移。
处理器20将同时发生轮廓偏移和建筑物立面的基尼系数变化的建筑物更新为损毁建筑物来计算建筑物的基尼系数变化,减少了由于拍摄角度引起的建筑物轮廓偏差引起的建筑物的错误偏移,也减少了误差数据的处理量。
在无人机按照预设的巡查周期对建筑物拍摄遥感影像的情况下,处理器20能够接收具有时间周期的遥感影像,从而得到与时间周期相关的建筑物的立面的基尼系数。处理器20将相邻时间采集的建筑物立面的基尼系数进行比较,按照预设的基尼系数变化值为驱动事件来记录建筑物立面的与时间相关的立面损毁变化信息,形成基尼系数监测曲线。基尼系数监测曲线如图2所示。
例如,预设的基尼系数变化值为A。基尼系数监测曲线的横轴表示基尼系数,纵轴表示与基尼系数对应的时间。当基尼系数的变化为A时,基尼系数及其时间增加并标记在基尼系数监测曲线上。当基尼系数不变化时,基尼系数监测曲线不增加新的标记点。
本发明的基尼系数监测曲线,通过以预设基尼系数变化值为驱动时间来判断建筑物是否还在发生持续的损毁,并且能够直观发现建筑物立面的损毁速度。
当建筑物处于稳定状态且其立面的基尼系数维持不变时,该建筑物的基尼系数及其时间无法构成基尼系数监测曲线,则该建筑物比较安全。本发明通过基尼系数监测曲线的设置,能够快速筛选并监测危险的建筑物。处理器20将建筑物的坐标位置及其基尼系数监测曲线发送至终端30,通过终端30为救援人员提供建筑物的安全程度的参考信息。
在建筑物的基尼系数发生变化时,响应于处理器20向无人机的通讯模块发送的调节巡查周期的指示信息,无人机缩短对灾后建筑物的巡查周期。建筑物的基尼系数发生变化,表示建筑物正在发生继续损毁,说明灾害的影响正在持续,因此需要重点监测建筑物的立面损毁程度以评估其安全程度。无人机缩短巡查周期能够为处理器20提供更多的建筑物的遥感影像,有利于处理器20对建筑物的安全分析以及生成新的基尼系数监测曲线。
若预设的基尼系数变化值一直不变,其弊端在于,当基尼系数降低至某一个能够导致救援人员伤亡的基尼系数阈值时,由于基尼系数变化值较大而忽略到基尼系数的细微变化,使得建筑物的危险被忽略。为了弥补这一缺陷,在建筑物的基尼系数发生变化时,处理器20按照预设的基尼系数变化值随基尼系数变化量增大而缩小的方式来调节基尼系数值,增大基尼系数监测曲线的曲线数值量,使得基尼系数监测曲线更能够精确地体现建筑物立面的损毁情况。
相比于将发生变化的基尼系数全部设置在基尼系数监测曲线上的方式,本发明能够基于建筑物立面的损毁程度来增加遥感影像以及提取的数据量,减少了前期大量无效数据的采集,减少了处理器20的数据处理量。本发明仅在监测有需求时才增加数据的提取量和处理量,提高了处理器20处理数据的效率,也减少了无效数据的传输量。
例如,在基尼系数发生变化时,预设的基尼系数变化值由A调节为B。B小于A,有利于进一步监测建筑物立面的损毁情况,能够在救援人员及时处于建筑物附近时发出预警情况,避免救援人员的伤亡。
优选地,本发明的处理器20能够由两个甚至更多个模块组成。例如,处理器20至少包括数据处理模块21和图像处理模块22。
数据处理模块21用于从遥感影像中计算建筑物立面的基尼系数,并且构建和生成基尼系数监测曲线。优选地,数据处理模块21针对基尼系数小于0.45的建筑物建立基尼系数监测曲线。
图像处理模块22用于基于建筑的灾后位置和终端30的定位数据构成建筑物的灾后建筑方位图,使得救援人员能够确定建筑物与自己的相对方位,从而快速到达建筑物位置以实施救援。
优选地,图像处理模块22能够基于建筑的灾后位置、终端30的定位数据和未损坏道路路线生成能够引导救援人员快速到达的路线轨迹图,以便为救援人员提供救援路径参考。
数据处理模块21和图像处理模块22均可以是专用集成芯片、处理器CPU、服务器及其群组中的一种或几种。
优选地,处理器20中的图像处理模块22基于由数据处理模块21计算的基尼系数变化频率来生成与建筑物相关的灾后建筑分布图。基尼系数变化频率越高,说明建筑物正在发生持续的损毁,灾情还在继续发生,该区域的人员逃生困难大,需要紧急救援,属于重灾区域。因此,图像处理模块22向终端30发送重灾区域警示标记,使得救援人员能够根据当前建筑物的紧急救援程度制定更恰当的救援方案,减少救援人员的伤亡同时也能够对建筑物内的人员实施救助。同时,图像处理模块22能够基于基尼系数变化频率来评估建筑物的安全程度。基尼系数变化频率越高,说明建筑物正在发生持续的损毁,安全程度越低。反之,基尼系数变化频率越低,说明建筑物立面结构趋于稳定,安全程度越高。
优选地,预设的基尼系数变化值按照随着基尼系数变化频率增加的方式变小的方式调节。基尼系数变化频率增加,缩小预设的基尼系数变化值能够使得基尼系数监测曲线的变化更准确。
优选地,图像处理模块22将基尼系数变化频率大于1次/3巡查周期的建筑物所在区域设为重灾区域。确定重在区域有利于救援人员有重点地进行区域搜索和救援,避免仅根据震源信息确定重灾区域导致的救援延迟的缺陷。
优选地,处理器20还包括预警模块23。预警模块23用于向终端30发送预警信息。预警模块23均可以是专用集成芯片、CPU、服务器及其群组中的一种或几种。
图像处理模块22计算终端30的定位与建筑物的位置之间的距离。在终端30的定位与建筑物的位置之间的距离小于安全距离阈值的情况下,预警模块23在建筑物的立面的基尼系数变化时向终端30发送危险预警信息。或者预警模块23在建筑物的立面的基尼系数未变化时向终端30发送救援的预警信息。
优选地,由图像处理模块22发送的灾后建筑物分布图与由数据处理模块21发送的基尼系数监测曲线图像信息以并行的方式发送至终端,并且以并行画面的方式显示。
现有技术中,对于图像的显示,一般方式为:发送非清晰图像,响应于终端30的请求再发送整体的高清晰图像。这种方式的弊端在于,终端30只需要局部的高清晰数据,但是在形成高清晰图像时图像的全部清晰化又增加了无效数据的发送,使得数据量庞大并且图像更新速度慢。
例如,灾后建筑物分布图含有多个地理位置不同的建筑物,并且紧急救援程度不同。救援人员通过指定某个建筑物来查看与该建筑物对应的基尼系数监测曲线。图像处理模块22响应于终端30发送的指定建筑物的曲线请求,将与指定建筑物的地理位置信息以及曲线请求发送至数据处理模块21。数据处理模块21调取与指定建筑物对应的基尼系数监测曲线发送至终端30。通过并行画面的设置,救援人员通过终端30能够同时看到指定建筑物的方位和基尼系数监测曲线。
优选地,图像处理模块22发送的灾后建筑物分布图内含有多个建筑物。灾后建筑物分布图以非高清像素发送以降低数据的发送量。
救援人员能够通过终端30在灾后建筑物分布图划定范围因选择建筑物的基尼系数监测曲线。本发明的划定范围,是指终端反馈的图像中的圈定范围。救援人员通过输入组件或者触摸屏幕的方式,在终端30的灾后建筑物分布图上划定景深范围。例如,救援人员通过鼠标或者触摸屏的输入方式,在灾后建筑物分布图的非高清图像部分划定一个圈来指定高清的景深范围。
响应于所述终端30发送的景深范围请求,所述处理器20将灾后建筑物分布图的景深范围内图像更新为高清图像。即根据需求发送高清图像的数据。
图像处理模块22向终端再次发送处于景深范围内的图像部分的高清图像数据,图像能够被清晰放大,有利于救援人员通过灾后建筑分布图的放大来观测建筑物立面的轮廓的偏移情况。同时数据处理模块21向终端30并行发送处于景深范围内的建筑物的基尼系数监测曲线。
本发明中,景深范围内的遥感影像是高清的,景深范围边缘及之外的图像是非高清的。本发明通过划定的景深范围来传输高清晰的图像数据,减少了无效的、不被需求的高清图像数据的传送,减少了图像数据的传送,减少了数据延迟的现象,提高了数据传输的效率。尤其对于处于灾区的救援人员来说,救援行动需要争分夺秒,以拯救更多人的生命。灾区内的网络系统被破坏,电力系统被破坏,本发明的无人机、处理器20、终端30和/或卫星构成了临时的网络系统,电源短缺,其数据传输量、数据承载量都是有限的。本发明基于终端30的需求再发送高清数据,能够减少系统网络的数据载量,减少电源的消耗量,提高图像数据的显示速度,减少延迟,有利于救援人员快速了解灾区建筑物的信息并且快速指定救援方案。
需要注意的是,上述具体实施例是示例性的,本领域技术人员可以在本发明公开内容的启发下想出各种解决方案,而这些解决方案也都属于本发明的公开范围并落入本发明的保护范围之内。本领域技术人员应该明白,本发明说明书及其附图均为说明性而并非构成对权利要求的限制。本发明的保护范围由权利要求及其等同物限定。本发明说明书包含多项发明构思,诸如“优选地”、“根据一个优选实施方式”或“可选地”均表示相应段落公开了一个独立的构思,申请人保留根据每项发明构思提出分案申请的权利。
Claims (10)
1.一种灾后建筑物的安全监测系统,至少包括:
遥感图像采集端(10),用于以搭载在无人机上的方式采集建筑物的遥感影像,
处理器(20),用于识别建筑物并提取建筑物的立面偏移信息,
终端(30),用于接收所述处理器(20)发送的信息;
其特征在于,
所述处理器(20)基于遥感影像中的建筑物立面的基尼系数和/或基尼系数变化频率确定重灾区域,并且
响应于所述终端(30)发送的遥感图像的景深范围请求,所述处理器(20)向所述终端(30)发送处于景深范围内的建筑物的基尼系数监测曲线和/或当前基尼系数。
2.根据权利要求1所述的灾后建筑物的安全监测系统,其特征在于,所述处理器(20)基于建筑物的遥感影像提取建筑物的轮廓信息并计算建筑物立面的基尼系数,并且
在基于建筑物立面的轮廓信息和基尼系数选择坐标物的情况下,所述处理器(20)将不同区域的遥感影像拼接构成灾后建筑物分布图。
3.根据权利要求2所述的灾后建筑物的安全监测系统,其特征在于,所述终端(30)的灾后建筑物分布图与建筑物的基尼系数监测曲线图像以并行的方式显示,
所述终端(30)的灾后建筑物分布图的景深范围由输入组件以任意圈定方式来指定。
4.根据权利要求3所述的灾后建筑物的安全监测系统,其特征在于,所述处理器(20)选择在限定时间范围内建筑物立面的轮廓信息和基尼系数不变的建筑物作为坐标物。
5.根据权利要求4所述的灾后建筑物的安全监测系统,其特征在于,
所述处理器(20)将相邻时间采集的建筑物立面的基尼系数进行比较,按照预设的基尼系数变化值为驱动事件来记录建筑物立面的与时间相关的立面损毁变化信息,形成基尼系数监测曲线。
6.根据权利要求5所述的灾后建筑物的安全监测系统,其特征在于,所述处理器(20)选择建筑物立面的基尼系数小于0.45且基尼系数变化频率大于频率阈值的建筑物所在区域作为重灾区。
7.根据权利要求1~6任一项所述的灾后建筑物的安全监测系统,其特征在于,
响应于所述终端(30)发送的遥感图像的景深范围请求,所述处理器(20)将灾后建筑物分布图的景深范围内图像更新为高清图像。
8.一种灾后建筑物的安全监测方法,至少包括:
采集建筑物的遥感影像,
识别建筑物并提取建筑物的立面偏移信息,
其特征在于,还包括:
基于遥感影像中的建筑物立面的基尼系数和/或基尼系数变化频率确定重灾区域,并且
响应于终端(30)发送的遥感图像的景深范围请求,向所述终端(30)发送处于景深范围内的建筑物的基尼系数监测曲线和/或当前基尼系数。
9.根据权利要求8所述的灾后建筑物的安全监测方法,其特征在于,方法还包括:基于建筑物的遥感影像提取建筑物的轮廓信息并计算建筑物立面的基尼系数,并且
在基于建筑物立面的轮廓信息和基尼系数选择坐标物的情况下,处理器(20)将不同区域的遥感影像拼接构成灾后建筑物分布图。
10.根据权利要求8或9所述的灾后建筑物的安全监测方法,其特征在于,将灾后建筑物分布图与建筑物的基尼系数监测曲线图像以并行的方式显示,
灾后建筑物分布图的景深范围由输入组件以任意圈定方式来指定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210694251.9A CN114782826B (zh) | 2022-06-20 | 2022-06-20 | 一种灾后建筑物的安全监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210694251.9A CN114782826B (zh) | 2022-06-20 | 2022-06-20 | 一种灾后建筑物的安全监测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114782826A true CN114782826A (zh) | 2022-07-22 |
CN114782826B CN114782826B (zh) | 2022-11-18 |
Family
ID=82421246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210694251.9A Active CN114782826B (zh) | 2022-06-20 | 2022-06-20 | 一种灾后建筑物的安全监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114782826B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101794432A (zh) * | 2010-02-05 | 2010-08-04 | 民政部国家减灾中心 | 灾情信息采集与支持方法及系统 |
CN101979961A (zh) * | 2010-05-18 | 2011-02-23 | 中国地震局地球物理研究所 | 一种灾情获取系统 |
CN104091369A (zh) * | 2014-07-23 | 2014-10-08 | 武汉大学 | 一种无人机遥感影像建筑物三维损毁检测方法 |
CN104239885A (zh) * | 2014-09-05 | 2014-12-24 | 北京航天控制仪器研究所 | 一种基于无人机航拍的地震灾害损毁度评估方法 |
CN104484668A (zh) * | 2015-01-19 | 2015-04-01 | 武汉大学 | 一种无人机多重叠遥感影像的建筑物轮廓线提取方法 |
CN105139388A (zh) * | 2015-08-12 | 2015-12-09 | 武汉大学 | 一种倾斜航空影像中建筑物立面损毁检测的方法和装置 |
CN105279199A (zh) * | 2014-07-23 | 2016-01-27 | 民政部国家减灾中心 | 一种地震灾区农房倒损监测方法和设备 |
CN105956247A (zh) * | 2016-04-26 | 2016-09-21 | 大连理工大学 | 基于基尼系数的三公调度模型构建方法 |
CN108052558A (zh) * | 2017-11-30 | 2018-05-18 | 河南云保遥感科技有限公司 | 一种基于遥感技术的自然灾害提取解译方法 |
CN109544579A (zh) * | 2018-11-01 | 2019-03-29 | 上海理工大学 | 一种利用无人机进行灾后损毁建筑物评估的方法 |
CN109799503A (zh) * | 2019-03-06 | 2019-05-24 | 中科卫星应用德清研究院 | 建筑物损毁评估制图方法及系统 |
CN110580443A (zh) * | 2019-06-19 | 2019-12-17 | 深圳大学 | 一种低空近实时建筑震害评估方法 |
CN111126184A (zh) * | 2019-12-09 | 2020-05-08 | 武汉大学 | 一种基于无人机视频的震后建筑物损毁检测方法 |
CN111126308A (zh) * | 2019-12-26 | 2020-05-08 | 西南交通大学 | 结合灾前和灾后遥感影像信息的损毁建筑物自动识别方法 |
JP2020101941A (ja) * | 2018-12-20 | 2020-07-02 | 旭化成ホームズ株式会社 | 被災度導出システム、被災度導出装置、被災度導出方法、及びプログラム |
CN111985355A (zh) * | 2020-08-01 | 2020-11-24 | 桂林理工大学 | 基于深度学习和云计算的遥感建筑物震害评估方法和系统 |
CN112598318A (zh) * | 2020-12-30 | 2021-04-02 | 中冶一局环境科技有限公司 | 一种基于无人机的地质灾害评估系统 |
CN113160211A (zh) * | 2021-05-11 | 2021-07-23 | 国投工程检验检测有限公司 | 基于无人机平台的建筑物损伤判读系统 |
CN113432529A (zh) * | 2020-12-30 | 2021-09-24 | 华南理工大学 | 一种基于无人机摄像的震损结构层间残余变形检测方法 |
CN114627104A (zh) * | 2022-03-31 | 2022-06-14 | 天津滨海国际机场有限公司 | 一种机场净空保护区建筑变化的遥感影像检测方法 |
-
2022
- 2022-06-20 CN CN202210694251.9A patent/CN114782826B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101794432A (zh) * | 2010-02-05 | 2010-08-04 | 民政部国家减灾中心 | 灾情信息采集与支持方法及系统 |
CN101979961A (zh) * | 2010-05-18 | 2011-02-23 | 中国地震局地球物理研究所 | 一种灾情获取系统 |
CN104091369A (zh) * | 2014-07-23 | 2014-10-08 | 武汉大学 | 一种无人机遥感影像建筑物三维损毁检测方法 |
CN105279199A (zh) * | 2014-07-23 | 2016-01-27 | 民政部国家减灾中心 | 一种地震灾区农房倒损监测方法和设备 |
CN104239885A (zh) * | 2014-09-05 | 2014-12-24 | 北京航天控制仪器研究所 | 一种基于无人机航拍的地震灾害损毁度评估方法 |
CN104484668A (zh) * | 2015-01-19 | 2015-04-01 | 武汉大学 | 一种无人机多重叠遥感影像的建筑物轮廓线提取方法 |
CN105139388A (zh) * | 2015-08-12 | 2015-12-09 | 武汉大学 | 一种倾斜航空影像中建筑物立面损毁检测的方法和装置 |
CN105956247A (zh) * | 2016-04-26 | 2016-09-21 | 大连理工大学 | 基于基尼系数的三公调度模型构建方法 |
CN108052558A (zh) * | 2017-11-30 | 2018-05-18 | 河南云保遥感科技有限公司 | 一种基于遥感技术的自然灾害提取解译方法 |
CN109544579A (zh) * | 2018-11-01 | 2019-03-29 | 上海理工大学 | 一种利用无人机进行灾后损毁建筑物评估的方法 |
JP2020101941A (ja) * | 2018-12-20 | 2020-07-02 | 旭化成ホームズ株式会社 | 被災度導出システム、被災度導出装置、被災度導出方法、及びプログラム |
CN109799503A (zh) * | 2019-03-06 | 2019-05-24 | 中科卫星应用德清研究院 | 建筑物损毁评估制图方法及系统 |
CN110580443A (zh) * | 2019-06-19 | 2019-12-17 | 深圳大学 | 一种低空近实时建筑震害评估方法 |
CN111126184A (zh) * | 2019-12-09 | 2020-05-08 | 武汉大学 | 一种基于无人机视频的震后建筑物损毁检测方法 |
CN111126308A (zh) * | 2019-12-26 | 2020-05-08 | 西南交通大学 | 结合灾前和灾后遥感影像信息的损毁建筑物自动识别方法 |
CN111985355A (zh) * | 2020-08-01 | 2020-11-24 | 桂林理工大学 | 基于深度学习和云计算的遥感建筑物震害评估方法和系统 |
CN112598318A (zh) * | 2020-12-30 | 2021-04-02 | 中冶一局环境科技有限公司 | 一种基于无人机的地质灾害评估系统 |
CN113432529A (zh) * | 2020-12-30 | 2021-09-24 | 华南理工大学 | 一种基于无人机摄像的震损结构层间残余变形检测方法 |
CN113160211A (zh) * | 2021-05-11 | 2021-07-23 | 国投工程检验检测有限公司 | 基于无人机平台的建筑物损伤判读系统 |
CN114627104A (zh) * | 2022-03-31 | 2022-06-14 | 天津滨海国际机场有限公司 | 一种机场净空保护区建筑变化的遥感影像检测方法 |
Non-Patent Citations (8)
Title |
---|
AYDAN MENDERES 等: "Automatic Detection of Damaged Buildings after Earthquake Hazard by Using Remote Sensing and Information Technologies", 《PROCEDIA EARTH AND PLANETARY SCIENCE》 * |
JIHUI TU 等: "Detecting building façade damage from oblique aerial images using local symmetry feature and the Gini Index", 《REMOTE SENSING LETTERS》 * |
RUI ZHANG 等: "Automatic Detection of Earthquake-Damaged Buildings by Integrating UAV Oblique Photography and Infrared Thermal Imaging", 《REMOTE SENSING》 * |
刘对萍 等: "无人机倾斜摄影在泥石流灾害调查中的应用", 《土地开发工程研究》 * |
张华宇等: "基于洛伦兹曲线和基尼系数的中国全科医生资源配置公平性研究", 《中国全科医学》 * |
汪大洋: "虚拟现实技术在广东古村落文化保护中的应用", 《美术教育研究》 * |
涂继辉 等: "基于基尼系数的倾斜航空影像中建筑物立面损毁检测", 《武汉大学学报 信息科学版》 * |
涂继辉: "基于震后多视航空影像的建筑物损毁检测研究", 《中国博士学位论文全文数据库(电子期刊) 工程科技II辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114782826B (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wieland et al. | Estimating building inventory for rapid seismic vulnerability assessment: Towards an integrated approach based on multi-source imaging | |
KR100884100B1 (ko) | 항공 레이저 측량을 이용한 수목 캐노피 추출 시스템 및 방법 | |
US11893538B1 (en) | Intelligent system and method for assessing structural damage using aerial imagery | |
CN111915128B (zh) | 一种对地震诱发的次生滑坡灾后评估与救援辅助系统 | |
CN111339826B (zh) | 一种滑坡无人机线性传感器网络框架检测系统 | |
CN112446852B (zh) | 一种隧道成像平面展示方法及缺陷智能识别系统 | |
CN114821345B (zh) | 一种基于遥感影像的灾后建筑物的安全检测系统及方法 | |
CN116152863B (zh) | 一种人员信息识别方法、装置、电子设备及存储介质 | |
JPWO2019235415A1 (ja) | 災害状況判定システムおよび災害判定飛行システム | |
EP4105600A2 (en) | Method for automatically producing map data, related apparatus and computer program product | |
CN111323788A (zh) | 建筑物变化的监测方法、装置及计算机设备 | |
CN112233221A (zh) | 基于即时定位与地图构建的三维地图重建系统及方法 | |
CN116258980A (zh) | 一种基于视觉的无人机分布式光伏电站巡检方法 | |
CN113688758A (zh) | 基于边缘计算的输气管道高后果区智能识别系统 | |
CN114782846B (zh) | 一种灾后救援引导系统及方法 | |
CN114494845A (zh) | 一种用于施工项目现场人工智能隐患排查系统及其排查方法 | |
CN113378754A (zh) | 一种工地裸土监测方法 | |
CN114782826B (zh) | 一种灾后建筑物的安全监测系统及方法 | |
CN115601517A (zh) | 岩体结构面信息采集方法、装置、电子设备及存储介质 | |
CN115578455A (zh) | 混凝土结构室内预留洞口的定位方法 | |
CN114005041A (zh) | 一种基于uavrs和bim的道路病害识别管控方法和设备 | |
Baeck et al. | Drone based near real-time human detection with geographic localization | |
CN114998251A (zh) | 一种基于联邦学习的空中多视觉平台地面异常检测方法 | |
Sadekov et al. | Road sign detection and recognition in panoramic images to generate navigational maps | |
CN113283314A (zh) | 一种基于YOLOv3和手势识别的无人机的夜间搜救方法 |
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 |