CN115239904B - 一种基于无人机的边坡块体信息自动识别与三维重构方法 - Google Patents
一种基于无人机的边坡块体信息自动识别与三维重构方法 Download PDFInfo
- Publication number
- CN115239904B CN115239904B CN202211157882.3A CN202211157882A CN115239904B CN 115239904 B CN115239904 B CN 115239904B CN 202211157882 A CN202211157882 A CN 202211157882A CN 115239904 B CN115239904 B CN 115239904B
- Authority
- CN
- China
- Prior art keywords
- point
- points
- structural
- block
- plane
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 239000011435 rock Substances 0.000 claims abstract description 27
- 238000009826 distribution Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Graphics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Processing Or Creating Images (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于无人机的边坡块体信息自动识别与三维重构方法,包括以下步骤:通过无人机对边坡拍照,利用软件进行建模获取三维点云;获取结构面特征点集,采用最小二乘法提取岩体结构面几何信息,获取结构面的平面方程和结构面对应的点云数据,并构建结构面边界直线方程,获取结构面边界框架结构;通过分析结构面边界距离和相邻边界点连线形成的斜率,获取裂隙数据,以便于块体稳定性分析;将相邻且相交的结构面提取处理成块体,再通过分析结构面内围成的空间内是否有点的数据,判断是否为真实块体,将真实块体的数据进行组合,获得边坡的块体分布情况,本发明具有提供一整套从数据采集到边坡确定性块体识别技术方案的优点。
Description
技术领域
本发明涉及图像处理领域,具体地说,涉及一种基于无人机的边坡块体信息自动识别与三维重构方法。
背景技术
岩体稳定性问题,如岩质边坡、地下洞室和岩石地基的稳定性问题,常常会出现在采矿工程、岩土工程和工程地质等领域。经过学者们的长期探究,人类逐渐意识到,虽然岩石自身的强度很高,但岩体产生变形破坏,造成地质危害的情况并不鲜见。这是由于岩体内部存在发育的结构面,使岩体表现出一定的结构性,同时也直接影响岩体的力学性质。如何高效准确地获取岩体结构面的几何信息,成为了如今岩体工程中的热难点问题。
几十年来,学者们在岩体信息采集方面进行了大量研究,提出了诸如人工现场接触测量法、全站仪、钻孔法、近景摄影测量技术、三维激光扫描技术等岩体测量技术。但这些技术或多或少都存在不足。例如对于开挖边坡揭露的岩石块体,传统方法主要基于人工测量或建立随机结构面网络提取块体。由于开挖坡面结构面发育,由结构面组合形成的块体数量巨大,传统的人工测量方法无法统计开挖坡面所有岩石块体的块度分布,而且通常开挖边坡一个梯段的开挖高度达到15~20m,大多数结构面和结构面组合形成的块体人工无法测量,因此导致即费人工又测量不全面。在非接触测量方面,虽然扫描仪相较于人工采集数据的方法效率得到了部分提升,但是由于三维激光扫描仪成本过高而且灵活性较低,所以在面对高陡边坡时很难得到较好的应用效果。
发明内容
为了解决上述现有技术的不足之处,本发明的目的在于提供一种基于无人机的边坡块体信息自动识别与三维重构方法,以克服现有技术中的缺陷。
为了实现上述目的,本发明提供了一种基于无人机的边坡块体信息自动识别与三维重构方法,包括以下步骤:
利用无人机采集图像数据,根据采集的图像数据进行实景建模,获取三维点云;
获取结构面特征点集并对其进行降噪;
提取岩体结构面几何信息,获取结构面方程及结构面边界框架;
分析结构面边界距离和相邻边界点连线形成的斜率,获取裂隙数据,用于判断该结构面下的块体是否产生裂隙;
将相邻且相交的结构面提取处理成块体,根据相邻且相交的结构面内围成的空间内是否有点数据判断是否为真实块体,将真实块体的数据进行组合,获得边坡的三维实景图;
将岩体三维点云模型、结构面数据和块体数据存入数据库。
在上述的一种基于无人机的边坡块体信息自动识别与三维重构方法,将同时满足以下两个条件的种子点邻点判断为与种子点处于同一平面,种子点以及与其处于同一平面的邻点构成结构面特征点集:
条件a:设当前邻近点加入集合前后的区域分别设为Qf和Qb,利用PCA拟合计算Qf和Qb两个平面的法向量,分别记为Ff和Fb,通过下式计算Ff和Fb之间的均方误差,若均方误差小于设定的阈值,则条件a通过;
条件b:计算新的邻近点到Qf区域的垂直距离,如果小于设定的阈值,则条件b通过。
在上述的一种基于无人机的边坡块体信息自动识别与三维重构方法,设定提取平面点个数的最小值Nmin和最大值Nmax,对由聚类生成的平面进行点数判定,点数在Nmin和Nmax之间的点的集合,为最终要提取的结构面特征点集。
在上述的一种基于无人机的边坡块体信息自动识别与三维重构方法,根据结构面方程计算两结构面相交的交线方程,判断两个结构面是否相邻且相交,计算两个相邻且相交结构面的交线段两个端点坐标,通过编码归类方法将相邻且相交的结构面提取出来构成块体,其中提取三个两两相交且相邻的结构面以及六个交线段的端点,合并其中三个重复的顶点,由四个端点代表块体。
在上述的一种基于无人机的边坡块体信息自动识别与三维重构方法,
将整个点云封闭,选取靠近三个结构面相交点的一点的点坐标,将该坐标代入与三个结构面的平面方程垂直的直线方程公式中以获得具体的三个直线方程;
通过获取的三个直线方程分别与三个结构面的平面方程结合计算出三个交点坐标;
判断计算出的三个坐标点与对应结构面内其他点的距离,若计算出的三个坐标点距离均小于设定阈值,则确定选取的点位于三个结构面围成的块体内部,之后不再进行其他点的计算,判断该块体为真实块体;若计算出的三个坐标点距离存在不小于设定阈值的情况,则确定选取的点不位于三个结构面围成的块体内部;若此时计算其他点均不位于三个结构面围成的块体内部,则该块体为虚假块体,之后使用编码过滤剔除被重复计算的块体。
在上述的一种基于无人机的边坡块体信息自动识别与三维重构方法,重复提取坡面出现的所有真实岩石块体,在三维空间生成平面相交而成的三维数字块体模型,统计块体的体积和块度分布。
在上述的一种基于无人机的边坡块体信息自动识别与三维重构方法,在同一个无人机上搭载5台传感器,以使传感器从一个垂直、四个倾斜共五个不同角度采集边坡影像。
在上述的一种基于无人机的边坡块体信息自动识别与三维重构方法,无人机采用倾斜摄影的方式拍摄边坡影像。
在上述的一种基于无人机的边坡块体信息自动识别与三维重构方法,利用软件将倾斜摄影所得的照片进行实景建模,并进行两次新建重建项目操作,即可分别得到三维实景模型和三维点云数据。
本发明具有以下有益效果:
本发明通过无人机进行倾斜摄影,降低人工作业的劳动量和危险性,同时可以获取更为全面的边坡模型数据,再利用改进的区域生长算法分割提取边坡中的结构面特征点,大大提升结构面提取的准确度、全面性和效率。随后基于空间几何理论和自编算法实现,可以识别出边坡上的完整块体以及裂隙块体,从而实现从边坡数据采集到边坡块体稳定性分析和完整性评价的一整套解决方案,以及数字化信息存管功能。
附图说明
图1为本发明的流程逻辑图;
图2是本发明的区域增长示意图;
图3是本发明的块体识别原理图。
具体实施方式
为了能够进一步了解本发明的结构、特征及其他目的,现结合所附较佳实施例附以附图详细说明如下,本附图所说明的实施例仅用于说明本发明的技术方案,并非限定本发明。
一种基于无人机的边坡块体信息自动识别与三维重构方法,如图1所示,包括以下步骤:
Ⅰ.在同一个无人机上搭载5台传感器,5台传感器从一个垂直、四个倾斜共五个不同角度采集边坡影像,拍摄相片时同时对航高、航速、航向、旁向重叠和坐标等参数进行记录,然后对倾斜影像进行分析和整理。
其中,倾斜摄影是指:相机镜头的主光轴和竖直向下方向之间的夹角大于2°。倾斜摄影技术可以通过搭载在同一飞行平台上的多台传感器同时从多个不同方向采集影像,克服了以往正射摄影只能从单一垂直角度拍摄的不足,从而获得更加贴近真实世界的成像效果。
之后利用ContextCapture软件,可对通过倾斜摄影所得的照片进行实景建模。具体步骤如下:
(1)打开ContextCapture CenterMaster,创建一个新工程;
(2)添加影像文件,可以一张一张添加照片,也可以直接添加整个照片文件夹;
(3)检查影像文件,如果文件没有问题,会显示所有影像文件被成功打开;如果报错,则需要对影像文件进行检查;
(4)选择“概要”选项卡,填入输出区块名称和概述,然后进入“定位/地理参考”。打开ContextCapture Center Engine,开始进行空三运算;
(5)空三运算完成后,点击右下方“新建重建”项目;
(6)选择“空间框架”选项卡,进行瓦片分块;
(7)选出用于建模的瓦片并设置生产项目存储路径,这一步是为了定义新生产项目的参数,最终可在ContextCapture Viewer中看到生成的三维实景模型。
可分两次分别点击“三维网络”和“三维点云”选项卡,进行两次新建重建项目操作,即可分别得到三维实景模型和三维点云数据。之后在CloudCompare软件中对三维点云数据进行去噪、修补等点云数据处理工作。
Ⅱ.从软件中获取的三维点云数据中任选一点作为种子点,将该点添加到一个新集合中,这个集合为生长得到的一个平面集合,该集合设为Q。如图2所示,带圆型外框的灰色点为种子点。
Ⅲ.对于每个种子点,都要对他的邻近点进行如下操作:计算当前种子点和邻近点的法线角度的差值绝对值,如果这个差值小于设定的阈值,那么该邻近点就被添加到当前种子点的集合中。如图2所示,黑色点为潜在增长点,纯灰色点为增长点。
Ⅵ.当集合Q中有三个点以后,就可以确定一个平面,接下来继续判断种子点邻点是否属于该平面:首先必须满足法线阈值条件,其次还需要满足两个额外条件,两个额外条件同时满足,新的邻近点才被判定与种子点属于一个区域,即一个平面。两个额外条件:
条件a:设当前邻近点加入集合Q前后的区域分别设为Qf和Qb,(Qf和Qb其实为加入新的邻近点前后的两个平面),利用PCA拟合计算Qf和Qb两个平面的法向量,分别记为Ff和Fb,通过下式计算Ff和Fb之间的均方误差,若均方误差小于设定的阈值,则条件a通过;
条件b:计算新的邻近点到Qf区域的垂直距离,如果小于某个阈值,则条件b通过。
种子点和满足要求的邻点构成了平面点集Ri,即为结构面特征点集。
Ⅴ.将已提取出的结构面特征点集从点云中删除,对剩余点云循环执行上述步骤,直到种子序列为空。
设定提取平面点个数的最小值Nmin和最大值Nmax,对由聚类生成的平面进行点数判定,点数在Nmin和Nmax之间的点的集合,为最终要提取的结构面特征点集。
Ⅵ.采用最小二乘法提取岩体结构面几何信息,获取结构面的方程和结构面对应的点云数据,提取各个结构面的边界点,将相邻的两个边界点构建直线方程,并利用端点坐标将直线截取为线段,以使各个边界点围成闭合的框架结构图像,以使结构面边界线条清晰。可为后续块体是否产生裂隙以及裂隙的走势提供基础数据。
为了验证本方法的可靠性,本发明选用搭载了24mm的低畸变广角相机、高精度防抖云台和1200万像素图像传感器的无人机,可拍摄1200万像素JPEG以及无损RAW格式的照片,精度较高,能满足本文实验所需求的拍摄标准。并采用3组标准点云数据作为测试数据,分别利用三点测量法和本方法进行产状对比。CloudCompare上的Plane Tool插件可模拟三点测量法。
本发明基于所提算法,开发了插件FacetDetect,可用于识别结构面以及提取结构面产状。三组数据分别是正四面体点云、正八面体点云以及正十二面体点云。获得如下正四面体点云提取的结构面对比表(表1):
表1
以及如下正八面体点云提取的结构面对比结果表(表2):
表2
以及如下正十二面体点云提取的结构面对比结果表(表3):
表3
由上面两张表可看出,本发明的方法和三点法测量产状的最小误差只有0.02°,最大误差也仅有0.74°,可见本发明提出的改进的区域生长算法用于提取规则平面是可靠的。由于块体默认由结构面构建而成,故结构面几何信息的准确度决定了提取块体的可靠性。在处理大型边坡点云(点数量>1,000,000)时,所提方法也能获得较好的识别效果。
在与其他方法(DSE)的计算效率对比结果如下(表4):
表4
表中的结果展示了所提方法在效率方面的大量提升。
Ⅶ.根据结构面方程计算两结构面相交的交线方程,通过结构面上的点和交线方程的关系判断两个结构面是否相邻且相交,根据空间几何求出两两相邻且相交的结构面的交线段的两个端点坐标,然后通过编码归类方法将两两相交的结构面提取出来构成块体。随后对不相交的结构面的边界点坐标与已提取块体的边界点坐标进行距离分析,其中对于两个结构面边界点间距小于设定阈值,且两个结构面中各自相邻边界点相连形成的直线斜率相同的数量大于等于3,对结构面进行裂隙标记,其他结构面作为普通结构面不标记,用于判断该结构面下的块体是否产生裂隙。因岩石等块体受压力等因素影响,刚产生的初期裂隙断口比较齐整,因此利用该方式可分析出产生裂缝的结构面,进而可以了解由该结构面组成的块体产生了裂缝,且能分析裂隙在该块体的走势,可为后续边坡稳定性分析提供数据基础。下一步需要区分真实块体和虚假块体及删除重复计算块体。
Ⅷ.将整个点云封闭,其中在实际工程中,为计算方便往往假设大部分块体为平行六面体,此时将块体拟合为由6个交线段端点表示,最后将角点处的三个点合并为1个点,最终由四个端点代表块体。如图3所示,选取靠近三个结构面相交点的某一点的点坐标,如(a,b,c),将该坐标代入与三个结构面的平面方程垂直的直线方程公式中以获得具体的三个直线方程,即分别为:
通过获取的三个直线方程分别与三个结构面的平面方程结合计算出三个交点坐标:
则有;
代入该结构面方程可得:
则:
计算得到落在该结构面的点坐标为:
通过该算式获得其两个结构面的点坐标。
如图3所示,通过对比计算出的三个坐标点与对应结构面内其他点的距离,若计算出的三个坐标点距离均小于设定阈值(根据点云密度确定,一般设定为距离值小于1或2),则确定选取的点位于三个结构面围成的块体内部,之后不再进行其他点的计算,判断该块体为真实块体。
若计算出的三个坐标点距离存在不小于设定阈值的情况,则确定选取的点不位于三个结构面围成的块体内部,若此时计算其他点均不位于三个结构面围成的块体内部,则该块体为虚假块体。
另外,还可利用Floodfill算法与射线法结合而成的Floodfill-3D算法来区分真实块体和虚假块体。首先将整个点云封闭,利用Floodfill算法将点云内部填满点,然后假定候选块体为平行六面体,对候选块体“内部”一个Floodfill填充点做任一方向的射线,考察射线与块体结构的平面方程的交点个数,若交点个数为0或偶数,则填充点在块体外部,反之则在内部,最后通过判断块体内部是否有填充点来区分真实块体和虚假块体。
Ⅸ.得到所有真实块体,这一步将使用编码过滤剔除被重复计算的块体。如果两个块体中,有两个面的编码是一样的,可判定该块体被计算两次。重复步骤Ⅶ-Ⅷ,提取开挖坡面出现的所有真实岩石块体。计算出开挖坡面所有块体的体积,将计算的块体体积进行统计,通过计算块体体积与岩体区域体积比,得到边坡扫描区域岩体的块度分布。基于上述提出的方法,对实际岩体边坡的块度分布进行了计算,获得块体识别结果。并将结果与CloudCompare进行对比,获得结果如下表(表5):
表5
由上图可以看出所提方法可以识别出主要块体,根据表格中的结果对比,所提方法与CloudCompare对比最大差值为7.09%,平均差值为3.38%,证明了所提方法的可靠性。之后将将无人机摄影测量获取的岩体三维点云模型、结构面数据和块体数据等存入数据库,以备查用。
需要声明的是,上述发明内容及具体实施方式意在证明本发明所提供技术方案的实际应用,不应解释为对本发明保护范围的限定。本领域技术人员在本发明的精神和原理内,当可作各种修改、等同替换或改进。本发明的保护范围以所附权利要求书为准。
Claims (8)
1.一种基于无人机的边坡块体信息自动识别与三维重构方法,其特征在于,包括以下步骤:
Ⅰ.利用无人机采集图像数据,根据采集的图像数据进行实景建模,获取三维点云;
Ⅱ.从获取的三维点云数据中任选一点作为种子点,将该点添加到一个新集合中,这个集合为生长得到的一个平面集合,该集合设为Q;
Ⅲ.对于每个种子点的邻近点进行如下操作:计算当前种子点和邻近点的法线角度的差值绝对值,若差值小于设定的阈值,则该邻近点添加到当前种子点的集合中;
Ⅵ.当集合Q中有三个点以后即确定一个平面,继续判断种子点邻点是否属于该平面:首先必须满足法线阈值条件,其次还需要满足:
条件a:设当前邻近点加入集合Q前后的区域分别设为Qf和Qb, Qf和Qb其实为加入新的邻近点前后的两个平面,利用PCA拟合计算Qf和Qb两个平面的法向量,分别记为Ff和Fb,通过下式计算Ff和Fb之间的均方误差,若均方误差小于设定的阈值,则条件a通过;
条件b:计算新的邻近点到Qf区域的垂直距离,如果小于某个阈值,则条件b通过;
两个额外条件同时满足,则新的邻近点判定与种子点属于一个平面;种子点和满足要求的邻点构成了结构面特征点集Ri;
Ⅴ.将已提取出的结构面特征点集从点云中删除,对剩余点云循环执行上述步骤,直到种子序列为空;
Ⅵ.采用最小二乘法提取岩体结构面几何信息,获取结构面的方程和结构面对应的点云数据,提取各个结构面的边界点,将相邻的两个边界点构建直线方程,并利用端点坐标将直线截取为线段,以使各个边界点围成闭合的框架结构图像,以使结构面边界线条清晰;
Ⅶ.根据结构面方程计算两结构面相交的交线方程,通过结构面上的点和交线方程的关系判断两个结构面是否相邻且相交,根据空间几何求出两两相邻且相交的结构面的交线段的两个端点坐标,然后通过编码归类方法将两两相交的结构面提取出来构成块体;根据相邻且相交的结构面内围成的空间内是否有点数据判断是否为真实块体,将真实块体的数据进行组合,获得边坡的三维实景图;
将岩体三维点云模型、结构面数据和块体数据存入数据库。
2.根据权利要求1所述的一种基于无人机的边坡块体信息自动识别与三维重构方法,其特征在于,设定提取平面点个数的最小值Nmin和最大值Nmax,对由聚类生成的平面进行点数判定,点数在Nmin和Nmax之间的点的集合,为最终要提取的结构面特征点集。
3.根据权利要求2所述的一种基于无人机的边坡块体信息自动识别与三维重构方法,其特征在于,步骤Ⅶ中,提取三个两两相交且相邻的结构面以及六个交线段的端点,合并其中三个重复的顶点,由四个端点代表块体。
4.根据权利要求3所述的一种基于无人机的边坡块体信息自动识别与三维重构方法,其特征在于,
将整个点云封闭,选取靠近三个结构面相交点的一点的点坐标,将该坐标代入与三个结构面的平面方程垂直的直线方程公式中以获得具体的三个直线方程;
通过获取的三个直线方程分别与三个结构面的平面方程结合计算出三个交点坐标;
判断计算出的三个坐标点与对应结构面内其他点的距离,若计算出的三个坐标点距离均小于设定阈值,则确定选取的点位于三个结构面围成的块体内部,之后不再进行其他点的计算,判断该块体为真实块体;若计算出的三个坐标点距离存在不小于设定阈值的情况,则确定选取的点不位于三个结构面围成的块体内部;若此时计算其他点均不位于三个结构面围成的块体内部,则该块体为虚假块体,之后使用编码过滤剔除被重复计算的块体。
5.根据权利要求4所述的一种基于无人机的边坡块体信息自动识别与三维重构方法,其特征在于,重复提取坡面出现的所有真实岩石块体,在三维空间生成平面相交而成的三维数字块体模型,统计块体的体积和块度分布。
6.根据权利要求5所述的一种基于无人机的边坡块体信息自动识别与三维重构方法,其特征在于,在同一个无人机上搭载5台传感器,以使传感器从一个垂直、四个倾斜共五个不同角度采集边坡影像。
7.根据权利要求6所述的一种基于无人机的边坡块体信息自动识别与三维重构方法,其特征在于,无人机采用倾斜摄影的方式拍摄边坡影像。
8.根据权利要求7所述的一种基于无人机的边坡块体信息自动识别与三维重构方法,其特征在于,利用软件将倾斜摄影所得的照片进行实景建模,并进行两次新建重建项目操作,即可分别得到三维实景模型和三维点云数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211157882.3A CN115239904B (zh) | 2022-09-22 | 2022-09-22 | 一种基于无人机的边坡块体信息自动识别与三维重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211157882.3A CN115239904B (zh) | 2022-09-22 | 2022-09-22 | 一种基于无人机的边坡块体信息自动识别与三维重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115239904A CN115239904A (zh) | 2022-10-25 |
CN115239904B true CN115239904B (zh) | 2022-12-16 |
Family
ID=83667556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211157882.3A Active CN115239904B (zh) | 2022-09-22 | 2022-09-22 | 一种基于无人机的边坡块体信息自动识别与三维重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115239904B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101936008A (zh) * | 2010-09-30 | 2011-01-05 | 东北大学 | 岩体边坡三维模型及块体滑落分析方法 |
CN109357617A (zh) * | 2018-10-25 | 2019-02-19 | 东北大学 | 一种基于无人机的高陡岩质边坡位移变形监测方法 |
CN109579712A (zh) * | 2018-11-16 | 2019-04-05 | 天津大学 | 基于无人机非接触式高边坡表面位移监测方法及监测系统 |
CN114266987A (zh) * | 2022-03-03 | 2022-04-01 | 水利部长江勘测技术研究所 | 一种无人机高边坡危岩体智能识别方法 |
CN114842364A (zh) * | 2022-07-04 | 2022-08-02 | 北京科技大学 | 一种露天矿山边坡图像裂隙参数提取方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2986526C (en) * | 2017-07-31 | 2023-10-17 | Queen's University At Kingston | Autorotating unmanned aerial vehicle surveying platform |
-
2022
- 2022-09-22 CN CN202211157882.3A patent/CN115239904B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101936008A (zh) * | 2010-09-30 | 2011-01-05 | 东北大学 | 岩体边坡三维模型及块体滑落分析方法 |
CN109357617A (zh) * | 2018-10-25 | 2019-02-19 | 东北大学 | 一种基于无人机的高陡岩质边坡位移变形监测方法 |
CN109579712A (zh) * | 2018-11-16 | 2019-04-05 | 天津大学 | 基于无人机非接触式高边坡表面位移监测方法及监测系统 |
CN114266987A (zh) * | 2022-03-03 | 2022-04-01 | 水利部长江勘测技术研究所 | 一种无人机高边坡危岩体智能识别方法 |
CN114842364A (zh) * | 2022-07-04 | 2022-08-02 | 北京科技大学 | 一种露天矿山边坡图像裂隙参数提取方法及装置 |
Non-Patent Citations (4)
Title |
---|
《Semi-automaticextractionofrockmassstructuraldatafromhighresolution》;Giovanni Gigli等;《International Journal of Rock Mechanics & Minning Sciences》;20110228;全文 * |
《基于三维激光点云技术的岩体结构面智能解译》;陈娜;《地球科学》;20201010;全文 * |
《基于无人机倾斜摄影技术的铁路边坡危岩落石运动特性分析》;贺鹏;《铁道标准设计》;20211214;全文 * |
《基于无人机贴近摄影的高陡边坡结构面识别》;陈昌富;《湖南大学学报》;20220125;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115239904A (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
García-Luna et al. | Structure from Motion photogrammetry to characterize underground rock masses: Experiences from two real tunnels | |
Assali et al. | Surveying and modeling of rock discontinuities by terrestrial laser scanning and photogrammetry: Semi-automatic approaches for linear outcrop inspection | |
Riquelme et al. | Identification of rock slope discontinuity sets from laser scanner and photogrammetric point clouds: A comparative analysis | |
Tarsha-Kurdi et al. | Model-driven and data-driven approaches using LIDAR data: Analysis and comparison | |
Tscharf et al. | On the use of UAVs in mining and archaeology-geo-accurate 3D reconstructions using various platforms and terrestrial views | |
EP2304688B1 (en) | Automated building outline detection | |
Li et al. | Geological survey and unstable rock block movement monitoring of a post-earthquake high rock slope using terrestrial laser scanning | |
Singh et al. | Automated structural discontinuity mapping in a rock face occluded by vegetation using mobile laser scanning | |
Wang et al. | Discontinuity interpretation and identification of potential rockfalls for high-steep slopes based on UAV nap-of-the-object photogrammetry | |
CN111553292A (zh) | 一种基于点云数据的岩体结构面识别与产状分类方法 | |
CN115560690B (zh) | 一种基于三维激光扫描技术的结构物整体变形分析方法 | |
CN111667569A (zh) | 一种基于Rhino及Grasshopper的三维实景土方可视化精准测算方法 | |
Iheaturu et al. | An assessment of the accuracy of structure-from-motion (SfM) photogrammetry for 3D terrain mapping | |
Oniga et al. | Accuracy assessment of a complex building 3d model reconstructed from images acquired with a low-cost Uas | |
Viana et al. | Structural analysis of clastic dikes using Structure from Motion-Multi-View Stereo: a case-study in the Paraná Basin, southeastern Brazil | |
Bistacchi et al. | Digital outcrop model reconstruction and interpretation | |
Kościuk | Modern 3D scanning in modelling, documentation and conservation of architectural heritage | |
CN115239904B (zh) | 一种基于无人机的边坡块体信息自动识别与三维重构方法 | |
Previtali et al. | Automatic façade segmentation for thermal retrofit | |
CN113177949B (zh) | 一种大尺寸岩石颗粒特征识别方法及装置 | |
Zheng et al. | Accuracy comparison of rock discontinuity geometric parameters in photogrammetry based on two georeferencing methods: Control points and geotagged photos | |
Piech et al. | 3D modelling with the use of photogrammetric methods | |
CN115601517A (zh) | 岩体结构面信息采集方法、装置、电子设备及存储介质 | |
Chen et al. | Intelligent Interpretation of the Geometric Properties of Rock Mass Discontinuities Based on an Unmanned Aerial Vehicle | |
CN112964192A (zh) | 一种基于图像视频的工程测量在线标定方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |