CN115272897A - 一种无人机测量悬索桥主缆线形的方法及系统 - Google Patents
一种无人机测量悬索桥主缆线形的方法及系统 Download PDFInfo
- Publication number
- CN115272897A CN115272897A CN202210969012.XA CN202210969012A CN115272897A CN 115272897 A CN115272897 A CN 115272897A CN 202210969012 A CN202210969012 A CN 202210969012A CN 115272897 A CN115272897 A CN 115272897A
- Authority
- CN
- China
- Prior art keywords
- main cable
- point cloud
- suspension bridge
- aerial vehicle
- unmanned aerial
- 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
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种无人机测量悬索桥主缆线形的方法,包括以下步骤:无人机数据采集,无人机搭载激光雷达扫描设备直接获取点云数据,或者通过无人机搭载RGB相机倾斜摄影测量;点云模型重建,对数据进行后处理并重构悬索桥点云模型;悬索桥主缆点云提取,通过分析悬索桥主缆空间分布特性,从悬索桥全桥及周边环境的点云数据中把主缆点云提取出来;采用密度聚类的方法去除噪点和扶手索点云精确提取主缆点云,并计算主缆线形。本发明还提出了一种无人机测量悬索桥主缆线形的系统,能提高悬索桥主缆线形测量效率,并保证一定的精度,有广阔的应用前景。
Description
技术领域
本发明属于桥梁检测技术领域,尤其涉及一种无人机测量悬索桥主缆线形的方法。
背景技术
悬索桥的主要部件为主缆、吊索、加劲梁、索塔、锚碇、桥墩、桥台、基础、支座,主缆是悬索桥中主要的、暴露在户外的、不可更换的、几乎不可加固的金属构件。传统的主缆线形测量常采用全站仪测量,在主缆一侧设置测站,并且需要在主缆的观测点上安装反射棱镜,观测数据量大,测量次数密集,测量方法繁复。
无人机作为一种新型工具,具有灵活,飞行平稳等特点,能可以搭载相机或其他设备来代替人工检查,且能到达高耸塔柱等人工不易到达部位,提高了检测效率。虽然无人机在桥梁表观病害方面已有应用,但是在悬索桥主缆线形检测方面研究较少,需要提出一种无人机测量悬索桥主缆线形的方法。
发明内容
本发明所要解决的技术问题是:为了克服上述现有技术的不足,本发明提供了一种无人机测量悬索桥主缆线形的方法。
本发明为解决以上技术问题而采用以下技术方案:
本发明首先提出一种无人机测量悬索桥主缆线形的方法,具体包括如下步骤:
S1、无人机数据采集。无人机可以搭载激光雷达扫描设备直接获取点云数据,或者通过无人机搭载RGB相机倾斜摄影测量也能重建点云模型。
S2、点云模型重建。无论是激光雷达扫描,还是倾斜摄影测量,无人机获取悬索桥数据之后,都需要对数据进行后处理来重构悬索桥点云模型。
S2.1、无人机载激光雷达扫描。通过无人机搭载激光雷达,集激光测距技术、定位定姿技术、GPS差分定位技术、计算机技术等多项前沿技术为一体,通过一次飞行即可获得悬索桥的高精度、高密度的空间三维点云信息。
S2.2、无人机倾斜摄影测量。倾斜摄影三维模型重建,只要能满足相邻照片具有足够多的相同特征点,就能通过带有位置姿态信息的影像数据建立三维实景点云模型,模型中的每一个点都含有三维地理位置信息。
S3、悬索桥主缆点云提取。通过分析悬索桥主缆空间分布特性,从悬索桥全桥及周边环境的点云数据中把主缆点云提取出来。
悬索桥原始点云数据主要包括周边环境点、主缆点云、吊索点云、桥塔点云、桥面系点云。从悬索桥原始点云数据中提取主缆点云线形包括切片分割和基于点云维度特征粗提取两个步骤。
对于悬索桥主缆,其空间特征大致符合在竖直平面内分布,在开源软件CloudCompare中切片分割主缆点云,切片分割后的点云包含索塔点云、吊索点云、主缆点云及噪点。
在点云空间的局部邻域范围内,主缆及吊索表现出空间直线分布特征,可视为一维线性特征地物;索塔点云表现出混凝土表面点面状分布,可视为二维空间平面特征地物;其他噪点表现出三维散乱分布特征,可视为不规则球状特征地物。可以依据空间维度特征将主缆及吊索从未分类的点云切片中提取出来,选择维度特征为线性特征地物的目标点为主缆点云粗提取结果。考虑到吊索为竖直线性特征,附加方向向量水平约束条件,即最大特征值对应的特征向量与水平面平行,以保证主缆提取结果的准确性。
S4、计算主缆线形。粗提取后的点云还包含扶手索、噪点等,为了将主缆从粗提取的点云中分割出来,采用密度聚类的方法提取主缆点云并计算主缆线形。对桥面点云进行坐标转换,顺桥向与转换后的o’x’y’z’坐标中x轴或y轴重合,在顺桥向特定步长切片并分步聚类。二次聚类结束后,主缆中心线形在垂直顺桥向的投影坐标是聚类结果的某类簇集合,可以从这些类簇集合去除噪点和扶手索线形,识别并提取出主缆线形。
本发明还提出一种无人机测量悬索桥主缆线形的系统,包括:
无人机数据采集模块,用于通过无人机搭载激光雷达扫描设备直接获取点云数据,或者通过无人机搭载RGB相机倾斜摄影测量重建点云模型;
点云模型重建模块,用于对无人机数据采集模块采集的数据进行后处理,来重构悬索桥点云模型;
悬索桥主缆点云提取模块,用于通过分析悬索桥主缆空间分布特性,从悬索桥全桥及周边环境的点云数据中把主缆点云提取出来;
主缆线形计算模块,用于采用密度聚类的方法提取主缆点云并计算主缆线形。本发明采用以上技术方案,与现有技术相比,具有以下有益效果:
本发明使用无人机这种新型工具,能可以搭载相机或激光雷达设备来代替人工测量悬索桥主缆线形,能达到一定精度,不需要使用全站仪测量,检测人员也不需要在悬索桥主缆上布置大量观测点,提高了检测效率。
附图说明
图1是一种实施例子下切片点云集合密度聚类分割的结果图。
图2是一种实施例子下悬索桥主缆线形精细提取并计算线形的流程图。
图3是本发明的方法流程图。
具体实施方式
下面结合附图对本发明进一步说明。本技术领域技术人员可以理解的是,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
参考图3所示,本发明的具体流程如下:
为测量悬索桥主缆线形,首先要获取悬索桥点云数据。悬索桥点云数据可以通过无人机倾斜摄影测量或者无人机搭载激光雷达扫描设备获取点云数据。
无人机倾斜摄影测量。倾斜摄影三维模型重建,只要能满足相邻照片具有足够多的相同特征点,就能通过带有位置姿态信息的影像数据建立三维实景点云模型,模型中的每一个点都含有三维地理位置信息。
无人机载激光雷达扫描。通过无人机搭载激光雷达,集激光测距技术、定位定姿技术、GPS差分定位技术、计算机技术等多项前沿技术为一体,通过一次飞行即可获得悬索桥的高精度、高密度的空间三维点云信息。
悬索桥主缆点云提取。通过分析悬索桥主缆空间分布特性,从悬索桥全桥及周边环境的点云数据中把主缆点云提取出来。
悬索桥原始点云数据主要包括周边环境点、主缆点云、吊索点云、桥塔点云、桥面系点云。从悬索桥原始点云数据中提取主缆点云线形包括切片分割和基于点云维度特征粗提取两个步骤。
对于悬索桥主缆,其空间特征大致符合在竖直平面内分布,在开源软件CloudCompare中切片分割主缆点云,切片分割后的点云包含索塔点云、吊索点云、主缆点云及噪点。
在点云空间的局部邻域范围内,主缆及吊索表现出空间直线分布特征,可视为一维线性特征地物;索塔点云表现出混凝土表面点面状分布,可视为二维空间平面特征地物;其他噪点表现出三维散乱分布特征,可视为不规则球状特征地物。可以依据空间维度特征将主缆及吊索从未分类的点云切片中提取出来。
为了确定未分类点云的所属维度,采用主成分分析法对点云邻域进行分析。主成分分析法是以平面拟合未分类点领域,其协方差矩阵的三个特征值λ0≥λ1≥λ2即为其在三个方向上的拟合平方差。令分别表示三个方向的拟合残差,则有:当δ0>>δ1,δ2时,该拟合区域仅在一个方向上存在较大的拟合残差,该点为散乱点,同理当δ0,δ1>>δ2时,该点为面状点λ2对应特征向量即为该点法向量,当δ0≈δ1≈δ2时,该点为散乱点。使用拟合残差对点所属维度的可能性进行分配:
式中a1D、a2D、a3D分别表示未分类点属于上述三类维度的概率,其中a1D+a2D+a3D=1,该点所属维度dV可定义为:
dV=argd∈{1,2,3}max[adD]
由于不同地理识别的空间结构尺寸和点云密度存在差异,邻域半径的尺度会影响维度特征的计算,造成未分类点维度特性的不确定性增加,降低主缆识别的精度,对于不同的点,应该选取适宜大小的邻域半径。根据熵值最小化理论,最佳邻域尺度半径可由邻域点集包含的信息熵最小化为约束条件计算得到:
式中,Ef表示该点邻域所包含的熵值,Ef越小,表示该点邻域所包含的信息越少,即该点的维度特征所越单一。当邻域半径ri逐渐变化时,Ef也会随之变化,当Ef取最小,特征最单一,该点的维度特性的不确定性越小。Rbest表示当前点的最佳邻域半径,[Rmin,Rmax]表示邻域半径的下界和上界,Ef(Ri)表示在该半径下的熵值。最佳半径下所表现出的维度特征即为该点的真实维度特征。
选择维度特征为线性特征地物的目标点为主缆点云粗提取结果。考虑到吊索为竖直线性特征,附加方向向量水平约束条件,即最大特征值对应的特征向量与水平面平行,以保证主缆提取结果的准确性。
粗提取后的点云还包含扶手索、噪点等,为了将主缆从粗提取的点云中分割出来,采用密度聚类的方法提取主缆点云并计算主缆线形。DBSCAN(Density-Based SpatialClustering of Applications with Noise)是一个比较有代表性的基于密度的聚类算法。密度聚类算法以样本密度为指标衡量样本间的连通性,通过可连通样本不断扩大类簇集范围获得最终的聚类结果。其核心思想是从某个种子核心点出发,不断向密度可达的区域(核心点和边界点)延伸并将更多的点加入类簇中,从而得到包含核心点和边界点的最大化样本子集。该方法有两个核心输入参数:邻域半径eps和邻域密度阈值MinPts。任选一个未被访问(unvisited)的点开始,找出与其距离在eps之内(包括eps)的所有附近点。
如果附近点的数量≥MinPts,则当前点与其附近点形成一个簇,并且出发点被标记为已访问(visited)。然后递归,以相同的方法处理该簇内所有未被标记为已访问(visited)的点,从而对簇进行扩展。如果附近点的数量<MinPts,则该点暂时被标记作为噪声点。如果簇充分地被扩展,即簇内的所有点被标记为已访问,然后用同样的算法去处理未被访问的点。
对桥面点云进行坐标转换,顺桥向与转换后的o’x’y’z’坐标中x轴或y轴重合,在顺桥向特定步长切片并分步聚类的方法提取主缆点云线形。实施步骤如下:
(1)假定顺桥向为x轴方向,垂直顺桥向方向为y方向,提取x坐标方向的最小值Xmin与最大值Xmax,并设置合适的步长Δ=(Xmax-Xmin)/m,其中m为正整数,创建(Xmin+(k-1)Δ,Xmin+kΔ)范围内的m个点集(其中k∈[1,m]),输入领域半径eps和邻域密度MinPts。
(2)输入切片点云数据集Pk={(xi,yi,zi,Clusteri)},将该三维点集投影到o’y’z’二维平面,Pk’={(yi,zi,Clusteri)},初始化参数eps和MinPts,将所有待分类的激光点云状态标记为unvisited,即未处理状态,类别标签Cluster赋值为0。
(3)从点云数据集中顺序选择点,若该点状态标记为visited,则代表该点已有类别标签(属于某类簇或者标记为噪声),重新选择下一点。
(4)若该点状态标记为unvisited,在二维平面内搜索该点领域半径eps内点集R,如果R包含的点数目<MinPts,则该点被标记作为噪声点,将该点状态标记为visited并类别标签Cluster赋值为-1,如果R包含的点数目≥MinPts,标记该点为核心对象点,生成新的类簇集CCluster+1中,并对该核心对象点的邻域进行搜索,将从该点密度可达的所有点归类到类簇集CCluster+1中,将CCluster+1中所有点标记为visited并类别标签Cluster赋值新的类别标签,即Cluster=Cluster+1。
(5)重复执行(3)和(4),直至遍历所有点云数据集中所有点。切片点云集合密度聚类分割实例如附图1所示。
(6)将二维点集Pk’标签映射到三维点云,计算各个类簇集合的类簇中心,输出类簇中心点集Qk。
(7)重复执行(2)~(6),输出m个切片点集聚类中心点集Q={Q1,Q2,Q3,……,Qm},将该三维点集投影到o’x’z’二维平面,Q’={(xi,zi,Clusteri)},重新输入参数eps和MinPts并初始化,将所有待分类的激光点云状态标记为unvisited,即未处理状态,类别标签Cluster赋值为0。
(8)执行(3)~(5),并输出类簇集合Ci,i=-1,1,2,3…ClusterID,ClusterID为类簇数目。
如附图2流程图所示,聚类结束后,聚类中心点集划分为ClusterID+1个子集,其中识别得到的离群噪声点被聚类到类别标签为-1的子集C-1中,其中主缆中心线形在垂直顺桥桥向的投影坐标也是步骤(8)中的某类簇集合,可以从这些类簇集合去除噪点和扶手索线形,识别并提取出主缆线形。
本发明还提出一种无人机测量悬索桥主缆线形的系统,包括:
无人机数据采集模块,用于通过无人机搭载激光雷达扫描设备直接获取点云数据,或者通过无人机搭载RGB相机倾斜摄影测量重建点云模型;
点云模型重建模块,用于对无人机数据采集模块采集的数据进行后处理,来重构悬索桥点云模型;
悬索桥主缆点云提取模块,用于通过分析悬索桥主缆空间分布特性,从悬索桥全桥及周边环境的点云数据中把主缆点云提取出来;
主缆线形计算模块,用于采用密度聚类的方法提取主缆点云并计算主缆线形。
需要说明的是,本申请实施例系统的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果,因此不做赘述。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种无人机测量悬索桥主缆线形的方法,其特征在于:
S1、无人机数据采集;
S2、点云模型重建:对步骤S1采集的数据进行后处理,来重构悬索桥点云模型;
S3、悬索桥主缆点云提取:通过分析悬索桥主缆空间分布特性,从悬索桥全桥及周边环境的点云数据中把主缆点云提取出来;
S4、计算主缆线形:采用密度聚类的方法提取主缆点云并计算主缆线形。
2.根据权利要求1所述的一种无人机测量悬索桥主缆线形的方法,其特征在于:步骤S1中,是通过无人机搭载激光雷达扫描设备直接获取点云数据,或者通过无人机搭载RGB相机倾斜摄影测量重建点云模型。
3.根据权利要求1所述的一种无人机测量悬索桥主缆线形的方法,其特征在于:步骤S3中,通过维度特征对主缆点云进行粗提取,包括切片分割和基于点云维度特征粗提取两个步骤。
4.根据权利要求3所述的通过维度特征对主缆点云进行粗提取方法,其特征在于:对于悬索桥主缆,对主缆点云进行切片分割,具体为:依据空间维度特征将主缆及吊索从未分类的点云切片中提取出来,选择维度特征为线性特征地物的目标点为主缆点云粗提取结果;附加方向向量水平约束条件,即最大特征值对应的特征向量与水平面平行。
5.根据权利要求1所述的一种无人机测量悬索桥主缆线形的方法,其特征在于:步骤S4中,将粗提取的主缆点云在顺桥向切片分割,对于切片点集在顺桥向垂直平面上投影并密度聚类分割,计算聚类中心,将所有切片聚类中心投影到顺桥向铅垂平面上并二次密度聚类分割,识别并提取主缆线形。
6.根据权利要求1所述的一种无人机测量悬索桥主缆线形的方法,其特征在于:步骤S4中计算主缆线形,具体如下:对桥面点云进行坐标转换,顺桥向与转换后的𝑜’𝑥’𝑦’𝑧’坐标中𝑥轴或𝑦轴重合,在顺桥向特定步长切片并分步聚类;
二次聚类结束后,主缆中心线形在垂直顺桥向的投影坐标是聚类结果的某类簇集合,从这些类簇集合去除噪点和扶手索线形,识别并提取出主缆线形。
7.一种无人机测量悬索桥主缆线形的系统,其特征在于,包括:
无人机数据采集模块,用于通过无人机搭载激光雷达扫描设备直接获取点云数据,或者通过无人机搭载RGB相机倾斜摄影测量重建点云模型;
点云模型重建模块,用于对无人机数据采集模块采集的数据进行后处理,来重构悬索桥点云模型;
悬索桥主缆点云提取模块,用于通过分析悬索桥主缆空间分布特性,从悬索桥全桥及周边环境的点云数据中把主缆点云提取出来;
主缆线形计算模块,用于采用密度聚类的方法提取主缆点云并计算主缆线形。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210969012.XA CN115272897A (zh) | 2022-08-12 | 2022-08-12 | 一种无人机测量悬索桥主缆线形的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210969012.XA CN115272897A (zh) | 2022-08-12 | 2022-08-12 | 一种无人机测量悬索桥主缆线形的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115272897A true CN115272897A (zh) | 2022-11-01 |
Family
ID=83751428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210969012.XA Pending CN115272897A (zh) | 2022-08-12 | 2022-08-12 | 一种无人机测量悬索桥主缆线形的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115272897A (zh) |
-
2022
- 2022-08-12 CN CN202210969012.XA patent/CN115272897A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | An individual tree segmentation method based on watershed algorithm and three-dimensional spatial distribution analysis from airborne LiDAR point clouds | |
CN109949326B (zh) | 基于背包式三维激光点云数据的建筑物轮廓线提取方法 | |
Ramiya et al. | Segmentation based building detection approach from LiDAR point cloud | |
GB2559157A (en) | Apparatus, method and system for alignment of 3D datasets | |
Kim et al. | 3D classification of power-line scene from airborne laser scanning data using random forests | |
Xiao et al. | Individual tree crown modeling and change detection from airborne lidar data | |
JP6621445B2 (ja) | 特徴抽出装置、物体検出装置、方法、及びプログラム | |
CN110794413B (zh) | 线性体素分割的激光雷达点云数据电力线检测方法和系统 | |
CN108764157B (zh) | 基于法向量高斯分布的建筑物激光脚点提取方法及系统 | |
CN111915517B (zh) | 适用于室内光照不利环境下rgb-d相机全局定位方法 | |
Yadav et al. | Identification of trees and their trunks from mobile laser scanning data of roadway scenes | |
JP2017026430A (ja) | 標識検出装置、方法、及びプログラム | |
US11754704B2 (en) | Synthetic-aperture-radar image processing device and image processing method | |
Bing et al. | Reconstructing DEM using TLS point cloud data and NURBS surface | |
JP6397386B2 (ja) | 領域分割処理装置、方法、及びプログラム | |
Demir | Automated detection of 3D roof planes from Lidar data | |
Javanmardi et al. | Autonomous vehicle self-localization based on probabilistic planar surface map and multi-channel LiDAR in urban area | |
Ruiz et al. | Automatic extraction of road intersections from images based on texture characterisation | |
CN115272897A (zh) | 一种无人机测量悬索桥主缆线形的方法及系统 | |
CN113066161B (zh) | 一种城市电波传播模型的建模方法 | |
CN115619977A (zh) | 一种基于机载激光雷达的高位危岩监测方法 | |
Xiao | Detecting changes in trees using multi-temporal airborne LIDAR point clouds | |
Yu et al. | A cue line based method for building modeling from LiDAR and satellite imagery | |
Büyüksalih | Building zone regulation compliance using lidar data: Real-life tests in Istanbul | |
Carrilho et al. | Quality assessment for automatic LiDAR data classification methods |
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 |