CN116416401B - 一种基于无人机航拍的污染场地评估方法及系统 - Google Patents
一种基于无人机航拍的污染场地评估方法及系统 Download PDFInfo
- Publication number
- CN116416401B CN116416401B CN202310644645.8A CN202310644645A CN116416401B CN 116416401 B CN116416401 B CN 116416401B CN 202310644645 A CN202310644645 A CN 202310644645A CN 116416401 B CN116416401 B CN 116416401B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- magnetic field
- model diagram
- dimensional model
- stratum
- 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 61
- 238000010586 diagram Methods 0.000 claims abstract description 260
- 238000011156 evaluation Methods 0.000 claims abstract description 37
- 230000004927 fusion Effects 0.000 claims description 36
- 238000013210 evaluation model Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 26
- 238000000926 separation method Methods 0.000 claims description 20
- 238000007499 fusion processing Methods 0.000 claims description 13
- 230000000295 complement effect Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 10
- 238000012876 topography Methods 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000009434 installation Methods 0.000 description 37
- 238000011065 in-situ storage Methods 0.000 description 21
- 230000008439 repair process Effects 0.000 description 16
- 239000002689 soil Substances 0.000 description 14
- 238000003860 storage Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 241001465754 Metazoa Species 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 4
- 238000005067 remediation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003245 working effect Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Geometry (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Graphics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本发明涉及污染场地评估技术领域，特别是一种基于无人机航拍的污染场地评估方法及系统。基于所述地表实时图像信息构建得到污染场地的初始地表三维模型图；基于所述地层所反馈的磁场数据构建得到地层异物三维模型图，并对所述最终地表三维模型图、地形三维模型图以及地层异物三维模型图进行拟合处理，得到污染场地的三维结构模型图。通过本方法能够快速获取得到可靠较高的污染场地的三维结构模型，然后根据污染场地的三维结构模型分析影响污染场地空间分布格局的因素，从而为污染场地的评估提供技术支撑。
Description
技术领域
本发明涉及污染场地评估技术领域，特别是一种基于无人机航拍的污染场地评估方法及系统。
背景技术
污染场地评估是土地开发再利用重要环节。概念模型作为污染场地评估工作的关健要素，在整合和概化场地基本信息、明晰“源一径一汇”关系链等方面发挥重要作用。污染场地评估是地质调查和风险评估工作的总称，借助无人机云计算及模型模拟等大数据分析技术，能够获取得到污染场地的三维结构模型，然后根据污染场地的三维结构模型分析影响污染场地空间分布格局的因素，从而为污染场地的评估提供技术支撑。然而，目前通过无人机技术对污染场地的数据信息进行采集勘查时，无人机的数据采集与处理工作效率较低，并且无人机所采集到的数据的存在较大的误差，导致构建得到污染场地的三维结构模型精准度较低，进而降低污染场地的评估结果的可靠性。
发明内容
本发明克服了现有技术的不足，提供了一种基于无人机航拍的污染场地评估方法及系统。
为达到上述目的本发明采用的技术方案为：
本发明公开了一种基于无人机航拍的污染场地评估方法，具体包括以下步骤：
获取污染场地的位置区域信息，将所述位置区域信息导入蚁群算法中进行反复构造，获取得到无人机的最佳运行路径；基于所述最佳运行路径控制无人机运行，以获取污染场地的地表实时图像信息与地层所反馈的磁场数据；
基于所述地表实时图像信息构建得到污染场地的初始地表三维模型图；获取污染场地的地形三维模型图，基于所述初始地表三维模型图与所述地形三维模型图得到若干个实时物体模型图，分别对若干个所述实时物体模型图进行识别，得到第一识别结果或第二识别结果；
将识别结果为第一识别结果的实时物体模型图在所述初始地表三维模型图中剔除，将识别结果为第二识别结果的实时物体模型图在所述初始地表三维模型图中保留，得到最终地表三维模型图；
基于所述地层所反馈的磁场数据构建得到地层异物三维模型图，并对所述最终地表三维模型图、地形三维模型图以及地层异物三维模型图进行拟合处理，得到污染场地的三维结构模型图。
进一步的，本发明的一个较佳实施例中，基于所述地表实时图像信息构建得到污染场地的初始地表三维模型图，具体为：
对所述地表实时图像信息进行灰度化与滤波处理，得到处理后的图像信息，对所述处理后的图像信息进行特征匹配处理，得到若干初始匹配点；
构建三维坐标系，并将若干所述初始匹配点均导入所述三维坐标系中，在所述三维坐标系中将每两个初始匹配点进行连线处理，得到若干条线段；
在所述三维坐标系中获取每一条线段的线段中点，并将所述线段中点标记为补充匹配点，将所述初始匹配点与补充匹配点进行汇聚，得到密集匹配点；
在所述三维坐标系中获取各密集匹配点对应的坐标值，并将所述坐标值进行汇聚，得到坐标合集，基于所述坐标合集构建得到污染场地的初始地表三维模型图。
进一步的，本发明的一个较佳实施例中，基于所述初始地表三维模型图与所述地形三维模型图得到若干个实时物体模型图，分别对若干个所述实时物体模型图进行识别，得到第一识别结果或第二识别结果，具体为：
构建分离空间，将所述初始地表三维模型图与地形三维模型图导入所述分离空间中；
将所述初始地表三维模型图与地形三维模型图相重合的部分在所述分离空间中剔除，并将所述初始地表三维模型图与地形三维模型图不相重合的部分在所述分离空间中保留，以分离得到若干个实时物体模型图；
构建数据库，并将预设物体模型图导入所述数据库，得到特性数据库；
将所述实时物体模型图导入特性数据库，并通过灰色关联分析法计算所述实时物体模型图与预设物体模型图之间的配对率，将所述配对率与预设配对率进行比较；
若所述配对率大于预设配对率，则将配对率大于预设配对率所对应的实时物体模型标记为流动物体模型，并生成第一识别结果；若所述配对率不大于预设配对率，则将配对率不大于预设配对率所对应的实时物体模型标记为静止物体模型，并生成第二识别结果。
进一步的，本发明的一个较佳实施例中，基于所述地层所反馈的磁场数据构建得到地层异物三维模型图，具体为：
通过拉格朗日插值法对所述地层所反馈的磁场数据进行插值处理，以得到完整的磁场数据；基于局部加权回归法将所述完整的磁场数据拟合成若干条平滑的磁场曲线；将所述磁场曲线进行整合从而构建得到地层的三维磁场分布模型图；
构建融合空间，并将所述地层的三维磁场分布模型图与预设三维磁场分布模型图导入所述融合空间中；
将所述地层的三维磁场分布模型图与预设三维磁场分布模型图相重合的磁场线部分在所述融合空间中剔除，将所述地层的三维磁场分布模型图与预设三维磁场分布模型图不相重合的磁场线部分在所述融合空间中保留，得到融合处理后的三维磁场分布模型图；
基于所述融合处理后的三维磁场分布模型图确定出地层中异物的位置信息。
进一步的，本发明的一个较佳实施例中，还包括以下步骤：
通过大数据网络获取不同类型与大小的异物在地层中所对应的实际三维磁场分布模型图；
基于深度学习网络构建评估模型，并将所述实际三维磁场分布模型图导入所述评估模型中进行训练，得到训练好的评估模型；
将所述融合处理后的三维磁场分布模型图导入所述训练好的评估模型中，并通过哈希算法计算所述融合处理后的三维磁场分布模型图与所述训练好的评估模型中各实际三维磁场分布模型图之间的哈希值，得到若干个哈希值；
构建排序表，并将若干个所述哈希值均导入所述排序表中进行大小排序，排序完毕后，由所述排序表中提取出最大哈希值，并获取与最大哈希值对应的实际三维磁场分布模型图，根据与最大哈希值对应的实际三维磁场分布模型图确定出异物的类型信息与形状信息；
基于所述异物的位置信息、类型信息以及形状信息构建得到地层异物三维模型图。
进一步的，本发明的一个较佳实施例中，对所述最终地表三维模型图、地形三维模型图以及地层异物三维模型图进行拟合处理，得到污染场地的三维结构模型图，具体为：
构建三维空间坐标系，将所述最终地表三维模型图、地形三维模型图以及地层异物三维模型图分别导入所述三维空间坐标系中并进行特征提取处理，得到若干特征点；
在所述三维空间坐标系中获取各特征点对应的坐标信息，基于所述坐标信息得到特征点的点云数据，并对所述点云数据进行清洗和去噪处理，以去除不符合物理意义的噪点和离群点，同时采用数据平滑算法对噪点进行平滑处理，得到处理后的点云数据；
基于所述处理后的点云数据分别提取对应的最终地表三维模型图、地形三维模型图以及地层异物三维模型图的特征信息；其中所述特征包括形状、纹理、法向量；
基于所述特征信息分别将所述最终地表三维模型图、地形三维模型图以及地层异物三维模型图对应的处理后的点云数据进行刚体变换，以使得各处理后的点云数据以统一的坐标系表示，得到配准后的点云数据；
对所述最终地表三维模型图、地形三维模型图以及地层异物三维模型图对应的配准后的点云数据进行网格化处理，直至生成曲面模型，从而拟合得到一个连续的、完整的污染场地的三维结构模型图。
本发明另一方面公开了一种基于无人机航拍的污染场地评估系统，所述污染场地评估系统包括存储器与处理器，所述存储器中存储有污染场地评估方法程序，所述污染场地评估方法程序被所述处理器执行时，实现如下步骤：
获取污染场地的位置区域信息，将所述位置区域信息导入蚁群算法中进行反复构造，获取得到无人机的最佳运行路径；基于所述最佳运行路径控制无人机运行，以获取污染场地的地表实时图像信息与地层所反馈的磁场数据；
基于所述地表实时图像信息构建得到污染场地的初始地表三维模型图；获取污染场地的地形三维模型图，基于所述初始地表三维模型图与所述地形三维模型图得到若干个实时物体模型图，分别对若干个所述实时物体模型图进行识别，得到第一识别结果或第二识别结果；
将识别结果为第一识别结果的实时物体模型图在所述初始地表三维模型图中剔除，将识别结果为第二识别结果的实时物体模型图在所述初始地表三维模型图中保留，得到最终地表三维模型图；
基于所述地层所反馈的磁场数据构建得到地层异物三维模型图，并对所述最终地表三维模型图、地形三维模型图以及地层异物三维模型图进行拟合处理，得到污染场地的三维结构模型图。
进一步的，本发明的一个较佳实施例中，基于所述地表实时图像信息构建得到污染场地的初始地表三维模型图，具体为：
对所述地表实时图像信息进行灰度化与滤波处理，得到处理后的图像信息，对所述处理后的图像信息进行特征匹配处理，得到若干初始匹配点；
构建三维坐标系，并将若干所述初始匹配点均导入所述三维坐标系中，在所述三维坐标系中将每两个初始匹配点进行连线处理，得到若干条线段；
在所述三维坐标系中获取每一条线段的线段中点，并将所述线段中点标记为补充匹配点，将所述初始匹配点与补充匹配点进行汇聚，得到密集匹配点；
在所述三维坐标系中获取各密集匹配点对应的坐标值，并将所述坐标值进行汇聚，得到坐标合集，基于所述坐标合集构建得到污染场地的初始地表三维模型图。
进一步的，本发明的一个较佳实施例中，基于所述地层所反馈的磁场数据构建得到地层异物三维模型图，具体为：
通过拉格朗日插值法对所述地层所反馈的磁场数据进行插值处理，以得到完整的磁场数据；基于局部加权回归法将所述完整的磁场数据拟合成若干条平滑的磁场曲线；将所述磁场曲线进行整合从而构建得到地层的三维磁场分布模型图；
构建融合空间，并将所述地层的三维磁场分布模型图与预设三维磁场分布模型图导入所述融合空间中；
将所述地层的三维磁场分布模型图与预设三维磁场分布模型图相重合的磁场线部分在所述融合空间中剔除，将所述地层的三维磁场分布模型图与预设三维磁场分布模型图不相重合的磁场线部分在所述融合空间中保留，得到融合处理后的三维磁场分布模型图；
基于所述融合处理后的三维磁场分布模型图确定出地层中异物的位置信息。
进一步的，本发明的一个较佳实施例中，还包括以下步骤：
通过大数据网络获取不同类型与大小的异物在地层中所对应的实际三维磁场分布模型图；
基于深度学习网络构建评估模型，并将所述实际三维磁场分布模型图导入所述评估模型中进行训练，得到训练好的评估模型；
将所述融合处理后的三维磁场分布模型图导入所述训练好的评估模型中，并通过哈希算法计算所述融合处理后的三维磁场分布模型图与所述训练好的评估模型中各实际三维磁场分布模型图之间的哈希值，得到若干个哈希值；
构建排序表，并将若干个所述哈希值均导入所述排序表中进行大小排序，排序完毕后，由所述排序表中提取出最大哈希值，并获取与最大哈希值对应的实际三维磁场分布模型图，根据与最大哈希值对应的实际三维磁场分布模型图确定出异物的类型信息与形状信息；
基于所述异物的位置信息、类型信息以及形状信息构建得到地层异物三维模型图。
本发明解决了背景技术中存在的技术缺陷，本发明具备以下有益效果：基于所述地表实时图像信息构建得到污染场地的初始地表三维模型图；获取污染场地的地形三维模型图，基于所述初始地表三维模型图与所述地形三维模型图得到若干个实时物体模型图，分别对若干个所述实时物体模型图进行识别，得到第一识别结果或第二识别结果；将识别结果为第一识别结果的实时物体模型图在所述初始地表三维模型图中剔除，将识别结果为第二识别结果的实时物体模型图在所述初始地表三维模型图中保留，得到最终地表三维模型图；基于所述地层所反馈的磁场数据构建得到地层异物三维模型图，并对所述最终地表三维模型图、地形三维模型图以及地层异物三维模型图进行拟合处理，得到污染场地的三维结构模型图。通过本方法能够快速获取得到可靠较高的污染场地的三维结构模型，然后根据污染场地的三维结构模型分析影响污染场地空间分布格局的因素，从而为污染场地的评估提供技术支撑。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他实施例的附图。
图1为一种基于无人机航拍的污染场地评估方法的第一方法流程图；
图2为一种基于无人机航拍的污染场地评估方法的第二方法流程图；
图3为一种基于无人机航拍的污染场地评估方法的第三方法流程图；
图4为一种基于无人机航拍的污染场地评估系统的系统框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示，本发明公开了一种基于无人机航拍的污染场地评估方法，具体包括以下步骤：
S102：获取污染场地的位置区域信息，将所述位置区域信息导入蚁群算法中进行反复构造，获取得到无人机的最佳运行路径；基于所述最佳运行路径控制无人机运行，以获取污染场地的地表实时图像信息与地层所反馈的磁场数据；
S104：基于所述地表实时图像信息构建得到污染场地的初始地表三维模型图；获取污染场地的地形三维模型图，基于所述初始地表三维模型图与所述地形三维模型图得到若干个实时物体模型图，分别对若干个所述实时物体模型图进行识别，得到第一识别结果或第二识别结果；
S106：将识别结果为第一识别结果的实时物体模型图在所述初始地表三维模型图中剔除，将识别结果为第二识别结果的实时物体模型图在所述初始地表三维模型图中保留，得到最终地表三维模型图；
S108：基于所述地层所反馈的磁场数据构建得到地层异物三维模型图，并对所述最终地表三维模型图、地形三维模型图以及地层异物三维模型图进行拟合处理，得到污染场地的三维结构模型图。
需要说明的是，首先，将提前规定好的污染场地的位置区域信息导入无人机的处理器中，当处理器获取得到污染场地的位置区域信息后，通过蚁群算法规划出无人机的最佳运行路径，然后根据最佳运行路径控制无人机飞行，并在飞行过程中通过无人机上搭载的摄像机与磁场仪器对污染场地的数据进行采集，从而根据采集得到的数据构建得到污染场地的三维结构模型图。通过本方法能够快速获取得到物体空间分布准确度极高的污染场地的三维结构模型，通过本三维结构模型能够精准的反馈出污染场地空间分布格局，以为污染场地的评估提供可靠的数据支撑。
另外需要说明的是，无人机上搭载有摄像机与磁场仪器，通过摄像机可以获取污染场地的地表图像信息；通过磁场仪器可以获取污染场地的地层的磁场数据，以通过磁场数据判断出地层中是否存在地下水井、电缆、大型矿石等异物，此方法便为磁法勘探。
进一步的，本发明的一个较佳实施例中，如图2所示，基于所述地表实时图像信息构建得到污染场地的初始地表三维模型图，具体为：
S202：对所述地表实时图像信息进行灰度化与滤波处理，得到处理后的图像信息，对所述处理后的图像信息进行特征匹配处理，得到若干初始匹配点；
S204：构建三维坐标系，并将若干所述初始匹配点均导入所述三维坐标系中，在所述三维坐标系中将每两个初始匹配点进行连线处理，得到若干条线段；
S206：在所述三维坐标系中获取每一条线段的线段中点，并将所述线段中点标记为补充匹配点，将所述初始匹配点与补充匹配点进行汇聚，得到密集匹配点；
S208：在所述三维坐标系中获取各密集匹配点对应的坐标值，并将所述坐标值进行汇聚，得到坐标合集，基于所述坐标合集构建得到污染场地的初始地表三维模型图。
需要说明的是，首先通过灰度化、中值滤波、图像增强等处理对摄像头拍摄得到的地表实时图像信息进行处理，然后得到处理后的图像信息，接着对处理后的图像信息进行特征匹配处理，得到若干初始匹配点。当通过特征匹配法获取得到图像的初始匹配点后，初始匹配点往往会存在丢失与失真现象，此时若直接通过初始匹配点构建得到初始地表三维模型图，得到的模型会存在局部丢失、曲面不平滑以及失真现象，从而导致得到初始地表三维模型图精度较低，进而影响评估结果。因此在本方法中，当得到初始匹配点后，在对初始匹配点进行密集处理，以使得丢失与失真的初始匹配点得到更多补充，从而得到密集匹配点，在所述三维坐标系中获取各密集匹配点对应的坐标值，得到坐标合集；接着再通过三维软件（如SolidWorks、PROE）并基于该坐标合集构建得到污染场地的初始地表三维模型图。通过本方法能够对丢失与失真的匹配点进行补充，以获取得到更多的匹配点，从而构建得到更加精准的初始地表三维模型图，能够提高评估结果的可靠性，并且通过本方法能快速获取得到密集匹配点，使得系统不需要经过复杂的运算，能够提高系统的运算速度，从而提高建模速度，进而提高工作效率。
进一步的，本发明的一个较佳实施例中，基于所述初始地表三维模型图与所述地形三维模型图得到若干个实时物体模型图，分别对若干个所述实时物体模型图进行识别，得到第一识别结果或第二识别结果，具体为：
构建分离空间，将所述初始地表三维模型图与地形三维模型图导入所述分离空间中；
将所述初始地表三维模型图与地形三维模型图相重合的部分在所述分离空间中剔除，并将所述初始地表三维模型图与地形三维模型图不相重合的部分在所述分离空间中保留，以分离得到若干个实时物体模型图；
构建数据库，并将预设物体模型图导入所述数据库，得到特性数据库；
将所述实时物体模型图导入特性数据库，并通过灰色关联分析法计算所述实时物体模型图与预设物体模型图之间的配对率，将所述配对率与预设配对率进行比较；
若所述配对率大于预设配对率，则将配对率大于预设配对率所对应的实时物体模型标记为流动物体模型，并生成第一识别结果；若所述配对率不大于预设配对率，则将配对率不大于预设配对率所对应的实时物体模型标记为静止物体模型，并生成第二识别结果。
需要说明的是，所述地形三维模型图可以直接地图软件（如百度地图等）中获取得到，所述地形三维模型图表征的是污染场地的地形，如在污染场地中存在的山丘、盆地地形等，在不发生大规模的地质运动或地质灾害时，污染场地的地形发生变化的程度是极低的，因此为了降低系统的运算量，可以直接提前由地图软件中获取得到污染场地的地形图。另外，在污染场地的地表中，会存在一些如树木、房屋、牧场、汽车、动物等物体，而如树木、房屋、牧场等物体位置是相对固定的，这些便为静止物体模型；如汽车、动物等物体是短暂性的出现在污染场地上的，并且可以随时移动的，这些便为流动物体模型。其中，所述预设物体模型图即为流动物体模型，如汽车、动物、行人等，此模型图可以直接在大数据网络中获取得到。当在初始地表三维模型图中分离得到存在于污染场地的地表上的实时物体模型图后，再将各个实时物体模型图与预设物体模型图进行比较，若某一个实时物体模型图与预设物体模型图之间的配对率大于预设配对率，此时可以说明的是，存在于初始地表三维模型图的该实时物体模型为流动物体（如为汽车、动物等物体），此物体在污染场地中是能够灵活移动的，此物体在对后续对污染场地的原位处理过程并不会造成影响，如在后续通过三维结构模型图确定土壤原位修复装置的安装修复点时，该流动物体并不会对土壤原位修复装置产生干涉影响，此时可以将该实时物体模型图视为不存在于初始地表三维模型图中，此时则需要将该实时物体模型图在所述初始地表三维模型图中剔除；反之，若某一个实时物体模型图与预设物体模型图之间的配对率不大于预设配对率，此时可以说明的是，存在于初始地表三维模型图的该实时物体模型为静止物体（如为树木、房屋等物体），此物体在污染场地中是不能够移动的，此物体在对后续对污染场地的原位处理过程有可能造成影响，如在后续通过三维结构模型图确定土壤原位修复装置的安装修复点时，该静止物体有可能会对土壤原位修复装置的安装位置产生干涉影响，此时则需要将该实时物体模型图在所述初始地表三维模型图中保留。通过本方法能够识别出存在于污染场地上的物体是否会对土壤原位修复装置等装置产生干涉影响，并将不会对土壤原位修复装置产生干涉影响的物体模型由初始地表三维模型图中剔除，从而将并不会影响评估结果的数据信息由三维模型图中剔除，从而得到更加合理的三维模型图（最终地表三维模型图），能够根据最终地表三维模型图更加真实反映地面实际情况，以使得后续能够根据三维结构模型图评估出更加合理的设备布局安装点。
进一步的，本发明的一个较佳实施例中，如图3所示，基于所述地层所反馈的磁场数据构建得到地层异物三维模型图，具体为：
S302：通过拉格朗日插值法对所述地层所反馈的磁场数据进行插值处理，以得到完整的磁场数据；基于局部加权回归法将所述完整的磁场数据拟合成若干条平滑的磁场曲线；将所述磁场曲线进行整合从而构建得到地层的三维磁场分布模型图；
S304：构建融合空间，并将所述地层的三维磁场分布模型图与预设三维磁场分布模型图导入所述融合空间中；
S306：将所述地层的三维磁场分布模型图与预设三维磁场分布模型图相重合的磁场线部分在所述融合空间中剔除，将所述地层的三维磁场分布模型图与预设三维磁场分布模型图不相重合的磁场线部分在所述融合空间中保留，得到融合处理后的三维磁场分布模型图；
S308：基于所述融合处理后的三维磁场分布模型图确定出地层中异物的位置信息。
需要说明的是，通过磁场仪器获取污染场地的地层的磁场数据的过程中，可能会出现数据异常的情况，如磁场数据缺失以及数据偏离过大，通过拉格朗日插值法与局部加权回归法对磁场数据进行处理，能够使得磁场数据缺失值被补充完整，并且得到平滑度较好的磁场数据，以为后续建模提高更加可靠的数据。
需要说明的是，通过搭载在无人机上的磁场仪对污染场地的地层进行扫描时，磁场仪将生成一个磁场信号，磁场信号会逐渐扫描和记录场地土壤中的磁力线分布情况，一旦完成磁场扫描，磁场信号记录和研究的数据可以通过计算机或其他记录设备进行记录和存储，然后可以使用这些数据来分析土壤中石头等异物的磁性信号。磁性和电导率等参数对于不同的物质可能会有所不同。如果场地中存在异物，磁性和电导率等参数可能与周围的土壤差异较大，而且一些石头矿物也具有特定的磁性信号。因此，可以通过分析磁场信号的变化，判断地层中是否存在异物并确定其位置。通过本方法能够快速判断出地层中是否存在异物，并且确定出异物的位置信息。
进一步的，本发明的一个较佳实施例中，还包括以下步骤：
通过大数据网络获取不同类型与大小的异物在地层中所对应的实际三维磁场分布模型图；
基于深度学习网络构建评估模型，并将所述实际三维磁场分布模型图导入所述评估模型中进行训练，得到训练好的评估模型；
将所述融合处理后的三维磁场分布模型图导入所述训练好的评估模型中，并通过哈希算法计算所述融合处理后的三维磁场分布模型图与所述训练好的评估模型中各实际三维磁场分布模型图之间的哈希值，得到若干个哈希值；
构建排序表，并将若干个所述哈希值均导入所述排序表中进行大小排序，排序完毕后，由所述排序表中提取出最大哈希值，并获取与最大哈希值对应的实际三维磁场分布模型图，根据与最大哈希值对应的实际三维磁场分布模型图确定出异物的类型信息与形状信息；
基于所述异物的位置信息、类型信息以及形状信息构建得到地层异物三维模型图。
需要说明的是，污染场地的土壤地层中有可能会存在水井、电缆、大型矿石等异物，因此在对污染场地进行建模分析时，还需要获取得到这些地下异物的位置、形状以及类型信息，以构建出完整的污染场地的三维结构模型图，以在根据三维结构模型图评估原位修复装置的安装修复点时，能够规避掉水井、电缆、大型矿石等异物，避免出现原位修复装置的安装修复点与这些异物所存在的位置区域出现重叠现象，不仅能够最大程度保留污染场地的生态结构，并且还能够降低原位修复装置的安装难度。
需要说明的是，可以提前在大数据网络中获取得到不同类型与大小的异物在地层中所对应的实际三维磁场分布模型图，如某一形状大小的矿石在土壤中的实际三维磁场分布模型图。然后将多个实际三维磁场分布模型图导入评估模型中进行训练，得到训练好的评估模型，并通过哈希算法计算所述融合处理后的三维磁场分布模型图与所述训练好的评估模型中各实际三维磁场分布模型图之间的哈希值；哈希值越大，说明两个磁场分布模型图之间的配对度便越高，其重合度便越大，因此可以根据与最大哈希值对应的实际三维磁场分布模型图确定出异物的类型信息与形状信息，此方法便为相移法，然后当获取得到异物的位置信息、类型信息以及形状信息后，通过三维建模软件便能够构建得到地层异物三维模型图。通过本方法不需要经过复杂大量的运算便能够快速有效检测出地层中异物的类型与形状信息，能够大大降低系统运算量，提高系统鲁棒性，进而提高评估效率。
进一步的，本发明的一个较佳实施例中，对所述最终地表三维模型图、地形三维模型图以及地层异物三维模型图进行拟合处理，得到污染场地的三维结构模型图，具体为：
构建三维空间坐标系，将所述最终地表三维模型图、地形三维模型图以及地层异物三维模型图分别导入所述三维空间坐标系中并进行特征提取处理，得到若干特征点；
在所述三维空间坐标系中获取各特征点对应的坐标信息，基于所述坐标信息得到特征点的点云数据，并对所述点云数据进行清洗和去噪处理，以去除不符合物理意义的噪点和离群点，同时采用数据平滑算法对噪点进行平滑处理，得到处理后的点云数据；
基于所述处理后的点云数据分别提取对应的最终地表三维模型图、地形三维模型图以及地层异物三维模型图的特征信息；其中所述特征包括形状、纹理、法向量；
基于所述特征信息分别将所述最终地表三维模型图、地形三维模型图以及地层异物三维模型图对应的处理后的点云数据进行刚体变换，以使得各处理后的点云数据以统一的坐标系表示，得到配准后的点云数据；
对所述最终地表三维模型图、地形三维模型图以及地层异物三维模型图对应的配准后的点云数据进行网格化处理，直至生成曲面模型，从而拟合得到一个连续的、完整的污染场地的三维结构模型图。
需要说明的是，通过本方法能够最终地表三维模型图、地形三维模型图以及地层异物三维模型图进行整合，从而获取得到一个连续的、完整的污染场地的三维结构模型图，所获得的三维结构模型图没有误差累积，精度高；并且利用点云数据进行三维重建时，可以利用点云数据所带来的结构信息，有效地降低算法的复杂度和计算量，从而实现高效的三维重建；可以将污染场地的真实场景转换为数字化的三维模型，可以进行可视化展示、交互式浏览和仿真分析等，从而实现对污染场地的快速评估。
此外，所述一种基于无人机航拍的污染场地评估方法，还包括以下步骤：
获取污染场地的三维结构模型图，以及获取待评估设备的工作信息；
将所述污染场地的三维结构模型图与待评估设备的工作信息导入蚁群算法中进行反复构造，得到待评估设备的初始安装点，并基于所述待评估设备的初始安装点生成初始布局图；
将所述初始安装点导入所述三维结构模型图，以对待评估设备进行仿真安装，以判断是否存在干涉情况；
若存在干涉情况，则将该初始安装点标记为第一干涉点，将所述第一干涉点、污染场地的三维结构模型图与待评估设备的工作信息导入蚁群算法中进行反复构造，得到待评估设备的二次安装点，并基于所述待评估设备的初始安装点生成二次布局图。
需要说明的是，所述待评估设备包括但不限于土壤原位修复设备、土壤监控设备。所述工作信息包括待评估设备的工作直径、安装直径、安装深度、安装类型。当获取得到污染场地的三维结构模型图后，通过蚁群算法构造评估出待评估设备的初始安装点，其中初始安装点为多个，如在对污染场地进行原位修复时，需要在污染场地上间隔安装设置多个原位修复装置，然后再将初始安装点导入三维结构模型图中以对待评估设备进行模拟安装，以判断是否存在干涉情况，如判断待评估设备的初始安装点是否与污染场地中的树木、矿石、农舍、电缆、水井等存在干涉情况，若存在干涉情况，则将该初始安装点标记为干涉点，并且将该初始安装点剔除，从而避免在安装原位修复装置等装置时对树木、农舍、电缆、水井等造成破环；并且当确定出干涉点后，再重新规划出二次布局图。通过本方法能够对污染场地的三维结构模型图进行评估，以评估出更加合理的设备安装位置，降低对污染场地的破环，并且能够提高设备在后续的安装效率。
此外，所述一种基于无人机航拍的污染场地评估方法，还包括以下步骤：
通过大数据网络获取不同类型树木的平均生长速率，构建知识图谱，并将所述不同类型树木的平均生长速率导入所述知识图谱中；
获取待评估设备的二次安装点，基于所述二次安装点规划出预警区域，并在所述三维结构模型图中判断出预警区域内是否存在第二预设模型图，若存在，则识别出第二预设模型图的类型；
将所述第二预设模型图的类型导入所述知识图谱中，得到第二预设模型图的类型的平均生长速率；
获取待评估设备的工作时间信息，基于所述工作时间信息与第二预设模型图的类型的平均生长速率构建出最终模型图；
将所述最终模型图与待评估设备均导入所述三维结构模型图中，以判断所述最终模型图与待评估设备是否存在干涉情况；
若存在干涉情况，则将该二次安装点标记为第二干涉点，将所述第一干涉点、第二干涉点、污染场地的三维结构模型图与待评估设备的工作信息导入蚁群算法中进行反复构造，得到待评估设备的最终安装点，并基于所述待评估设备的最终安装点生成最终布局图。
需要说明的是，其中，所述预警区域为以安装点为中心，并根据预设半径而规划出来的区域；所述第二预设模型图为各种树木的模型图，这些模型图可以直接在大数据网络中获取得到；所述最终模型图表示树木在到达评估设备的工作时间节点后的模型图，如原位修复装置的工作时间信息为一年，此最终模型图表示预警区域内的树木在生长一年后的所预测出来的最终大小与形状。
需要说明的是，由于土壤的原位修复的时间跨度通过较长，当原位修复装置工作一段时间后，树木有可能会对原位修复装置造成干涉。通过本方能够避免待评估设备在长时间工作过程中，污染场地上的物体对设备造成干涉情况，进而对设备的工作效率与工作效果造成影响，能够评估规划出更加合理的设备安装点。
此外，所述一种基于无人机航拍的污染场地评估方法，还包括以下步骤：
基于所述最终布局图与污染场地的三维结构模型图对待评估设备进行仿真安装，得到待评估设备安装区域的三维结构模型图；
对所述待评估设备安装区域的三维结构模型图进行有限元应力分析，得到待评估设备安装区域的三维结构模型图的应力分布图；
将所述应力分布图与预设应力分布图进行比较，得到应力分布偏差值；将所述应力分布偏差值与预设分布偏差阈值进行比较；
若所述应力分布偏差值大于预设分布偏差阈值，则将该待评估设备安装区域标记为危险区域。
需要说明的是，在污染场地中安装原位修复设备时，在施工安装过程中，会对地层内应力造成影响，从而有可能会出引发地质裂缝、凹坑、滑坡、地层上建筑物变形等现象时，甚至会造成塌方事故，因此通过本方法能够分析出待评估设备安装区域是否为危险区域，若为危险区域，则可以在危险区域中布局更多的地质灾害预警设备，如应力传感器、地质监控设备等，从而更加快速精准的获取得到地质预警信息，以确保施工人员的人生安全。
此外，所述一种基于无人机航拍的污染场地评估方法，还包括以下步骤：
通过大数据网络获取在各温度条件下无人机的电能消耗速率，基于卷积神经网络构建电能消耗预测模型，并将所述在各温度条件下无人机的电能消耗速率导入电能消耗预测模型中进行训练，得到训练完成的电能消耗预测模型；
获取当前无人机的工作温度信息，将所述工作温度信息导入所述电能消耗预测模型中，得到无人机的实时电能消耗速率；
获取无人机的当前剩余电能值，根据所述无人机的当前剩余电能值与无人机的实时电能消耗速率计算出无人机剩余工作时间；
获取无人机的当前位置信息，基于所述当前位置信息与最佳运行路径得到无人机的剩余运行时间；
若所述剩余工作时间不大于剩余运行时间，则检索出充电节点，并将所述充电节点传送至无人机控制终端。
需要说明的是，根据实际的情况，不同温度之下的无人机的电能消耗是不一致的，通过本方法能够根据实时的工作环境温度对无人机的能耗变化进行模拟，使得在无人机能够根据环境的变化来调整充电的时间节点。
如图4所示，本发明另一方面公开了一种基于无人机航拍的污染场地评估系统，所述污染场地评估系统包括存储器41与处理器62，所述存储器41中存储有污染场地评估方法程序，所述污染场地评估方法程序被所述处理器62执行时，实现如下步骤：
获取污染场地的位置区域信息，将所述位置区域信息导入蚁群算法中进行反复构造，获取得到无人机的最佳运行路径；基于所述最佳运行路径控制无人机运行，以获取污染场地的地表实时图像信息与地层所反馈的磁场数据；
基于所述地表实时图像信息构建得到污染场地的初始地表三维模型图；获取污染场地的地形三维模型图，基于所述初始地表三维模型图与所述地形三维模型图得到若干个实时物体模型图，分别对若干个所述实时物体模型图进行识别，得到第一识别结果或第二识别结果；
将识别结果为第一识别结果的实时物体模型图在所述初始地表三维模型图中剔除，将识别结果为第二识别结果的实时物体模型图在所述初始地表三维模型图中保留，得到最终地表三维模型图；
基于所述地层所反馈的磁场数据构建得到地层异物三维模型图，并对所述最终地表三维模型图、地形三维模型图以及地层异物三维模型图进行拟合处理，得到污染场地的三维结构模型图。
进一步的，本发明的一个较佳实施例中，基于所述地表实时图像信息构建得到污染场地的初始地表三维模型图，具体为：
对所述地表实时图像信息进行灰度化与滤波处理，得到处理后的图像信息，对所述处理后的图像信息进行特征匹配处理，得到若干初始匹配点；
构建三维坐标系，并将若干所述初始匹配点均导入所述三维坐标系中，在所述三维坐标系中将每两个初始匹配点进行连线处理，得到若干条线段；
在所述三维坐标系中获取每一条线段的线段中点，并将所述线段中点标记为补充匹配点，将所述初始匹配点与补充匹配点进行汇聚，得到密集匹配点；
在所述三维坐标系中获取各密集匹配点对应的坐标值，并将所述坐标值进行汇聚，得到坐标合集，基于所述坐标合集构建得到污染场地的初始地表三维模型图。
进一步的，本发明的一个较佳实施例中，基于所述地层所反馈的磁场数据构建得到地层异物三维模型图，具体为：
通过拉格朗日插值法对所述地层所反馈的磁场数据进行插值处理，以得到完整的磁场数据；基于局部加权回归法将所述完整的磁场数据拟合成若干条平滑的磁场曲线；将所述磁场曲线进行整合从而构建得到地层的三维磁场分布模型图；
构建融合空间，并将所述地层的三维磁场分布模型图与预设三维磁场分布模型图导入所述融合空间中；
将所述地层的三维磁场分布模型图与预设三维磁场分布模型图相重合的磁场线部分在所述融合空间中剔除，将所述地层的三维磁场分布模型图与预设三维磁场分布模型图不相重合的磁场线部分在所述融合空间中保留，得到融合处理后的三维磁场分布模型图；
基于所述融合处理后的三维磁场分布模型图确定出地层中异物的位置信息。
进一步的，本发明的一个较佳实施例中，还包括以下步骤：
通过大数据网络获取不同类型与大小的异物在地层中所对应的实际三维磁场分布模型图；
基于深度学习网络构建评估模型，并将所述实际三维磁场分布模型图导入所述评估模型中进行训练，得到训练好的评估模型；
将所述融合处理后的三维磁场分布模型图导入所述训练好的评估模型中，并通过哈希算法计算所述融合处理后的三维磁场分布模型图与所述训练好的评估模型中各实际三维磁场分布模型图之间的哈希值，得到若干个哈希值；
构建排序表，并将若干个所述哈希值均导入所述排序表中进行大小排序，排序完毕后，由所述排序表中提取出最大哈希值，并获取与最大哈希值对应的实际三维磁场分布模型图，根据与最大哈希值对应的实际三维磁场分布模型图确定出异物的类型信息与形状信息；
基于所述异物的位置信息、类型信息以及形状信息构建得到地层异物三维模型图。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种基于无人机航拍的污染场地评估方法，其特征在于，具体包括以下步骤：
获取污染场地的位置区域信息，将所述位置区域信息导入蚁群算法中进行反复构造，获取得到无人机的最佳运行路径；基于所述最佳运行路径控制无人机运行，以获取污染场地的地表实时图像信息与地层所反馈的磁场数据；
基于所述地表实时图像信息构建得到污染场地的初始地表三维模型图；获取污染场地的地形三维模型图，基于所述初始地表三维模型图与所述地形三维模型图得到若干个实时物体模型图，分别对若干个所述实时物体模型图进行识别，得到第一识别结果或第二识别结果；
将识别结果为第一识别结果的实时物体模型图在所述初始地表三维模型图中剔除，将识别结果为第二识别结果的实时物体模型图在所述初始地表三维模型图中保留，得到最终地表三维模型图；
基于所述地层所反馈的磁场数据构建得到地层异物三维模型图，并对所述最终地表三维模型图、地形三维模型图以及地层异物三维模型图进行拟合处理，得到污染场地的三维结构模型图；
其中，基于所述初始地表三维模型图与所述地形三维模型图得到若干个实时物体模型图，分别对若干个所述实时物体模型图进行识别，得到第一识别结果或第二识别结果，具体为：
构建分离空间，将所述初始地表三维模型图与地形三维模型图导入所述分离空间中；
将所述初始地表三维模型图与地形三维模型图相重合的部分在所述分离空间中剔除，并将所述初始地表三维模型图与地形三维模型图不相重合的部分在所述分离空间中保留，以分离得到若干个实时物体模型图；
构建数据库，并将预设物体模型图导入所述数据库，得到特性数据库；
将所述实时物体模型图导入特性数据库，并通过灰色关联分析法计算所述实时物体模型图与预设物体模型图之间的配对率，将所述配对率与预设配对率进行比较；
若所述配对率大于预设配对率，则将配对率大于预设配对率所对应的实时物体模型标记为流动物体模型，并生成第一识别结果；若所述配对率不大于预设配对率，则将配对率不大于预设配对率所对应的实时物体模型标记为静止物体模型，并生成第二识别结果；
其中，对所述最终地表三维模型图、地形三维模型图以及地层异物三维模型图进行拟合处理，得到污染场地的三维结构模型图，具体为：
构建三维空间坐标系，将所述最终地表三维模型图、地形三维模型图以及地层异物三维模型图分别导入所述三维空间坐标系中并进行特征提取处理，得到若干特征点；
在所述三维空间坐标系中获取各特征点对应的坐标信息，基于所述坐标信息得到特征点的点云数据，并对所述点云数据进行清洗和去噪处理，以去除不符合物理意义的噪点和离群点，同时采用数据平滑算法对噪点进行平滑处理，得到处理后的点云数据；
基于所述处理后的点云数据分别提取对应的最终地表三维模型图、地形三维模型图以及地层异物三维模型图的特征信息；其中所述特征包括形状、纹理、法向量；
基于所述特征信息分别将所述最终地表三维模型图、地形三维模型图以及地层异物三维模型图对应的处理后的点云数据进行刚体变换，以使得各处理后的点云数据以统一的坐标系表示，得到配准后的点云数据；
对所述最终地表三维模型图、地形三维模型图以及地层异物三维模型图对应的配准后的点云数据进行网格化处理，直至生成曲面模型，从而拟合得到一个连续的、完整的污染场地的三维结构模型图。
2.根据权利要求1所述的一种基于无人机航拍的污染场地评估方法，其特征在于，基于所述地表实时图像信息构建得到污染场地的初始地表三维模型图，具体为：
对所述地表实时图像信息进行灰度化与滤波处理，得到处理后的图像信息，对所述处理后的图像信息进行特征匹配处理，得到若干初始匹配点；
构建三维坐标系，并将若干所述初始匹配点均导入所述三维坐标系中，在所述三维坐标系中将每两个初始匹配点进行连线处理，得到若干条线段；
在所述三维坐标系中获取每一条线段的线段中点，并将所述线段中点标记为补充匹配点，将所述初始匹配点与补充匹配点进行汇聚，得到密集匹配点；
在所述三维坐标系中获取各密集匹配点对应的坐标值，并将所述坐标值进行汇聚，得到坐标合集，基于所述坐标合集构建得到污染场地的初始地表三维模型图。
3.根据权利要求1所述的一种基于无人机航拍的污染场地评估方法，其特征在于，基于所述地层所反馈的磁场数据构建得到地层异物三维模型图，具体为：
通过拉格朗日插值法对所述地层所反馈的磁场数据进行插值处理，以得到完整的磁场数据；基于局部加权回归法将所述完整的磁场数据拟合成若干条平滑的磁场曲线；将所述磁场曲线进行整合从而构建得到地层的三维磁场分布模型图；
构建融合空间，并将所述地层的三维磁场分布模型图与预设三维磁场分布模型图导入所述融合空间中；
将所述地层的三维磁场分布模型图与预设三维磁场分布模型图相重合的磁场线部分在所述融合空间中剔除，将所述地层的三维磁场分布模型图与预设三维磁场分布模型图不相重合的磁场线部分在所述融合空间中保留，得到融合处理后的三维磁场分布模型图；
基于所述融合处理后的三维磁场分布模型图确定出地层中异物的位置信息。
4.根据权利要求3所述的一种基于无人机航拍的污染场地评估方法，其特征在于，还包括以下步骤：
通过大数据网络获取不同类型与大小的异物在地层中所对应的实际三维磁场分布模型图；
基于深度学习网络构建评估模型，并将所述实际三维磁场分布模型图导入所述评估模型中进行训练，得到训练好的评估模型；
将所述融合处理后的三维磁场分布模型图导入所述训练好的评估模型中，并通过哈希算法计算所述融合处理后的三维磁场分布模型图与所述训练好的评估模型中各实际三维磁场分布模型图之间的哈希值，得到若干个哈希值；
构建排序表，并将若干个所述哈希值均导入所述排序表中进行大小排序，排序完毕后，由所述排序表中提取出最大哈希值，并获取与最大哈希值对应的实际三维磁场分布模型图，根据与最大哈希值对应的实际三维磁场分布模型图确定出异物的类型信息与形状信息；
基于所述异物的位置信息、类型信息以及形状信息构建得到地层异物三维模型图。
5.一种基于无人机航拍的污染场地评估系统，其特征在于，所述污染场地评估系统包括存储器与处理器，所述存储器中存储有污染场地评估方法程序，所述污染场地评估方法程序被所述处理器执行时，实现如下步骤：
获取污染场地的位置区域信息，将所述位置区域信息导入蚁群算法中进行反复构造，获取得到无人机的最佳运行路径；基于所述最佳运行路径控制无人机运行，以获取污染场地的地表实时图像信息与地层所反馈的磁场数据；
基于所述地表实时图像信息构建得到污染场地的初始地表三维模型图；获取污染场地的地形三维模型图，基于所述初始地表三维模型图与所述地形三维模型图得到若干个实时物体模型图，分别对若干个所述实时物体模型图进行识别，得到第一识别结果或第二识别结果；
将识别结果为第一识别结果的实时物体模型图在所述初始地表三维模型图中剔除，将识别结果为第二识别结果的实时物体模型图在所述初始地表三维模型图中保留，得到最终地表三维模型图；
基于所述地层所反馈的磁场数据构建得到地层异物三维模型图，并对所述最终地表三维模型图、地形三维模型图以及地层异物三维模型图进行拟合处理，得到污染场地的三维结构模型图；
其中，基于所述初始地表三维模型图与所述地形三维模型图得到若干个实时物体模型图，分别对若干个所述实时物体模型图进行识别，得到第一识别结果或第二识别结果，具体为：
构建分离空间，将所述初始地表三维模型图与地形三维模型图导入所述分离空间中；
将所述初始地表三维模型图与地形三维模型图相重合的部分在所述分离空间中剔除，并将所述初始地表三维模型图与地形三维模型图不相重合的部分在所述分离空间中保留，以分离得到若干个实时物体模型图；
构建数据库，并将预设物体模型图导入所述数据库，得到特性数据库；
将所述实时物体模型图导入特性数据库，并通过灰色关联分析法计算所述实时物体模型图与预设物体模型图之间的配对率，将所述配对率与预设配对率进行比较；
若所述配对率大于预设配对率，则将配对率大于预设配对率所对应的实时物体模型标记为流动物体模型，并生成第一识别结果；若所述配对率不大于预设配对率，则将配对率不大于预设配对率所对应的实时物体模型标记为静止物体模型，并生成第二识别结果；
其中，对所述最终地表三维模型图、地形三维模型图以及地层异物三维模型图进行拟合处理，得到污染场地的三维结构模型图，具体为：
构建三维空间坐标系，将所述最终地表三维模型图、地形三维模型图以及地层异物三维模型图分别导入所述三维空间坐标系中并进行特征提取处理，得到若干特征点；
在所述三维空间坐标系中获取各特征点对应的坐标信息，基于所述坐标信息得到特征点的点云数据，并对所述点云数据进行清洗和去噪处理，以去除不符合物理意义的噪点和离群点，同时采用数据平滑算法对噪点进行平滑处理，得到处理后的点云数据；
基于所述处理后的点云数据分别提取对应的最终地表三维模型图、地形三维模型图以及地层异物三维模型图的特征信息；其中所述特征包括形状、纹理、法向量；
基于所述特征信息分别将所述最终地表三维模型图、地形三维模型图以及地层异物三维模型图对应的处理后的点云数据进行刚体变换，以使得各处理后的点云数据以统一的坐标系表示，得到配准后的点云数据；
对所述最终地表三维模型图、地形三维模型图以及地层异物三维模型图对应的配准后的点云数据进行网格化处理，直至生成曲面模型，从而拟合得到一个连续的、完整的污染场地的三维结构模型图。
6.根据权利要求5所述的一种基于无人机航拍的污染场地评估系统，其特征在于，基于所述地表实时图像信息构建得到污染场地的初始地表三维模型图，具体为：
对所述地表实时图像信息进行灰度化与滤波处理，得到处理后的图像信息，对所述处理后的图像信息进行特征匹配处理，得到若干初始匹配点；
构建三维坐标系，并将若干所述初始匹配点均导入所述三维坐标系中，在所述三维坐标系中将每两个初始匹配点进行连线处理，得到若干条线段；
在所述三维坐标系中获取每一条线段的线段中点，并将所述线段中点标记为补充匹配点，将所述初始匹配点与补充匹配点进行汇聚，得到密集匹配点；
在所述三维坐标系中获取各密集匹配点对应的坐标值，并将所述坐标值进行汇聚，得到坐标合集，基于所述坐标合集构建得到污染场地的初始地表三维模型图。
7.根据权利要求5所述的一种基于无人机航拍的污染场地评估系统，其特征在于，基于所述地层所反馈的磁场数据构建得到地层异物三维模型图，具体为：
通过拉格朗日插值法对所述地层所反馈的磁场数据进行插值处理，以得到完整的磁场数据；基于局部加权回归法将所述完整的磁场数据拟合成若干条平滑的磁场曲线；将所述磁场曲线进行整合从而构建得到地层的三维磁场分布模型图；
构建融合空间，并将所述地层的三维磁场分布模型图与预设三维磁场分布模型图导入所述融合空间中；
将所述地层的三维磁场分布模型图与预设三维磁场分布模型图相重合的磁场线部分在所述融合空间中剔除，将所述地层的三维磁场分布模型图与预设三维磁场分布模型图不相重合的磁场线部分在所述融合空间中保留，得到融合处理后的三维磁场分布模型图；
基于所述融合处理后的三维磁场分布模型图确定出地层中异物的位置信息。
8.根据权利要求7所述的一种基于无人机航拍的污染场地评估系统，其特征在于，还包括以下步骤：
通过大数据网络获取不同类型与大小的异物在地层中所对应的实际三维磁场分布模型图；
基于深度学习网络构建评估模型，并将所述实际三维磁场分布模型图导入所述评估模型中进行训练，得到训练好的评估模型；
将所述融合处理后的三维磁场分布模型图导入所述训练好的评估模型中，并通过哈希算法计算所述融合处理后的三维磁场分布模型图与所述训练好的评估模型中各实际三维磁场分布模型图之间的哈希值，得到若干个哈希值；
构建排序表，并将若干个所述哈希值均导入所述排序表中进行大小排序，排序完毕后，由所述排序表中提取出最大哈希值，并获取与最大哈希值对应的实际三维磁场分布模型图，根据与最大哈希值对应的实际三维磁场分布模型图确定出异物的类型信息与形状信息；
基于所述异物的位置信息、类型信息以及形状信息构建得到地层异物三维模型图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310644645.8A CN116416401B (zh) | 2023-06-02 | 2023-06-02 | 一种基于无人机航拍的污染场地评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310644645.8A CN116416401B (zh) | 2023-06-02 | 2023-06-02 | 一种基于无人机航拍的污染场地评估方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116416401A CN116416401A (zh) | 2023-07-11 |
| CN116416401B true CN116416401B (zh) | 2023-08-15 |
Family
ID=87056316
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310644645.8A Active CN116416401B (zh) | 2023-06-02 | 2023-06-02 | 一种基于无人机航拍的污染场地评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116416401B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116700016B (zh) * | 2023-08-07 | 2023-09-29 | 北京建工环境修复股份有限公司 | 一种六价铬污染场地修复设备的管理方法及系统 |
| CN116943995B (zh) * | 2023-09-20 | 2023-12-08 | 深圳正实自动化设备有限公司 | 一种基于数据分析的高精密点胶机评估方法及系统 |
| CN117367331B (zh) * | 2023-12-04 | 2024-03-12 | 山西阳光三极科技股份有限公司 | 一种矿区地表形变的雷达监测方法、装置以及电子设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101127078A (zh) * | 2007-09-13 | 2008-02-20 | 北京航空航天大学 | 一种基于蚁群智能的无人机机器视觉图像匹配方法 |
| CN111927552A (zh) * | 2020-08-03 | 2020-11-13 | 中铁第一勘察设计院集团有限公司 | 基于天空地勘察技术的复杂山区长大深埋隧道勘察方法 |
| CN113112057A (zh) * | 2021-03-29 | 2021-07-13 | 广东省建筑工程监理有限公司 | 一种无人机航测与bim技术结合管理污染场地修复土方量的方法 |
| CN114049446A (zh) * | 2021-10-08 | 2022-02-15 | 广州珠矶科技有限公司 | 无人机和bim的土壤污染物分布可视化方法、装置及介质 |
| CN114596414A (zh) * | 2022-01-12 | 2022-06-07 | 温氏食品集团股份有限公司 | 一种基于无人机测绘三维地貌土方量实时分析方法及系统 |
| WO2022213673A1 (zh) * | 2021-04-06 | 2022-10-13 | 中国矿业大学 | 融合无人机dom和星载sar影像的地表三维形变提取方法 |
-
2023
- 2023-06-02 CN CN202310644645.8A patent/CN116416401B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101127078A (zh) * | 2007-09-13 | 2008-02-20 | 北京航空航天大学 | 一种基于蚁群智能的无人机机器视觉图像匹配方法 |
| CN111927552A (zh) * | 2020-08-03 | 2020-11-13 | 中铁第一勘察设计院集团有限公司 | 基于天空地勘察技术的复杂山区长大深埋隧道勘察方法 |
| CN113112057A (zh) * | 2021-03-29 | 2021-07-13 | 广东省建筑工程监理有限公司 | 一种无人机航测与bim技术结合管理污染场地修复土方量的方法 |
| WO2022213673A1 (zh) * | 2021-04-06 | 2022-10-13 | 中国矿业大学 | 融合无人机dom和星载sar影像的地表三维形变提取方法 |
| CN114049446A (zh) * | 2021-10-08 | 2022-02-15 | 广州珠矶科技有限公司 | 无人机和bim的土壤污染物分布可视化方法、装置及介质 |
| CN114596414A (zh) * | 2022-01-12 | 2022-06-07 | 温氏食品集团股份有限公司 | 一种基于无人机测绘三维地貌土方量实时分析方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于改进进化算法的无人机航迹规划;陈侠;李光耀;;科学技术与工程(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116416401A (zh) | 2023-07-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116416401B (zh) | 一种基于无人机航拍的污染场地评估方法及系统 | |
| US9365217B2 (en) | Mobile pothole detection system and method | |
| CN111781576A (zh) | 一种基于深度学习的探地雷达智能反演方法 | |
| CN112347916B (zh) | 基于视频图像分析的电力现场作业安全监控方法及装置 | |
| CN108921076B (zh) | 基于图像的道面裂缝病害自适应恒虚警检测方法 | |
| CN116502376A (zh) | 一种矿区开发区域监控设备布局方法及系统 | |
| CN116359218B (zh) | 一种工业聚集区大气污染移动监测系统 | |
| CN116700016B (zh) | 一种六价铬污染场地修复设备的管理方法及系统 | |
| CN113919226B (zh) | 基于权重的采矿植被生态累积效应扰动范围识别方法 | |
| CN116975576B (zh) | 基于关键信息统计的山区公路地质灾害危险性评价方法 | |
| Winkelmaier et al. | Topographically guided UAV for identifying tension cracks using image-based analytics in open-pit mines | |
| CN115730684A (zh) | 一种基于lstm-cnn模型的空气质量检测系统 | |
| CN112633722A (zh) | 车载道路安全风险评估系统及方法 | |
| Shokri et al. | A robust and efficient method for power lines extraction from mobile LiDAR point clouds | |
| CN111539363A (zh) | 一种公路落石识别分析方法 | |
| CN112802307B (zh) | 一种用于地质勘察的地质监测预警方法及系统 | |
| CN116242774A (zh) | 适用于农村公路的轻量化三维检测方法及装置 | |
| Al-Suleiman et al. | Assessment of the effect of alligator cracking on pavement condition using WSN-image processing | |
| McKay et al. | An automated approach to extracting river bank locations from aerial imagery using image texture | |
| CN114241299A (zh) | 一种基于遗传算法的区块链水域垃圾密度检测方法及系统 | |
| CN113009910A (zh) | 一种人行道检测机器人系统及人行道检测方法 | |
| Bernardo et al. | Techniques of geomatics and soft computing for the monitoring of infrastructures and the management of big data | |
| Kunyuan et al. | Automated object extraction from MLS data: A survey | |
| CN111595859A (zh) | 桥涵损伤检测方法及损伤检测、管理系统 | |
| Rettelbach et al. | From images to hydrologic networks-understanding the arctic landscape with graphs |
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 |