CN116539004A - 一种采用无人机测绘的通信线路工程勘察设计方法与系统 - Google Patents

一种采用无人机测绘的通信线路工程勘察设计方法与系统 Download PDF

Info

Publication number
CN116539004A
CN116539004A CN202310491040.XA CN202310491040A CN116539004A CN 116539004 A CN116539004 A CN 116539004A CN 202310491040 A CN202310491040 A CN 202310491040A CN 116539004 A CN116539004 A CN 116539004A
Authority
CN
China
Prior art keywords
aerial vehicle
unmanned aerial
road
model
river
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
Application number
CN202310491040.XA
Other languages
English (en)
Inventor
夏贵进
赵卫虎
周正康
王程远
冉金志
林初善
党可征
万靖珂
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202310491040.XA priority Critical patent/CN116539004A/zh
Publication of CN116539004A publication Critical patent/CN116539004A/zh
Pending legal-status Critical Current

Links

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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U20/00—Constructional aspects of UAVs
    • B64U20/80—Arrangement of on-board electronics, e.g. avionics systems or wiring
    • B64U20/87—Mounting of imaging devices, e.g. mounting of gimbals
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G01C11/02—Picture taking arrangements specially adapted for photogrammetry or photographic surveying, e.g. controlling overlapping of pictures
    • G01C11/025—Picture taking arrangements specially adapted for photogrammetry or photographic surveying, e.g. controlling overlapping of pictures by scanning the object
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G01C11/36—Videogrammetry, i.e. electronic processing of video signals from a single source or from different sources to give parallax or range information
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C5/00—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/182—Network patterns, e.g. roads or rivers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U2101/00—UAVs specially adapted for particular uses or applications
    • B64U2101/30—UAVs specially adapted for particular uses or applications for imaging, photography or videography
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Remote Sensing (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Mechanical Engineering (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computer Graphics (AREA)
  • Signal Processing (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种采用无人机测绘的通信线路工程勘察设计方法及系统，其中方法包括：S1、获取无人机对勘察区域采集的无人机图像数据；S2、对无人机图像数据进行预设控制点刺点和空三加密处理，生成数字高程模型DEM和数字正射影像图DOM，作为所勘察区域的地表模型数据，重构三维地形；S3、基于优化的U‑Net模型提取三维地形中的关键点；S4、基于蚁群路由选取算法选取三维地形中构成路径关键点的集合，再在关键点间对多路径进行排列组合，生成多条初选目标路线；S5、通过基于层次分析的综合评估法对初选目标路线进行综合评估，得到最优目标路线。本发明具有效率高、自动化程度高以及成本低等优点。

Description

一种采用无人机测绘的通信线路工程勘察设计方法与系统
技术领域
本发明主要涉及无人机测绘技术领域，具体涉及一种采用无人机测绘的通信线路工程勘察设计方法与系统。
背景技术
无人机测绘是将无人机技术应用于测绘遥感领域而产生的新方向，是新型测绘遥感技术与航空平台技术、信息技术、传感器技术的高度集成，目前已应用于交通道路、石油管线、电力电线等行业的选线设计中。在交通道路选线设计中，它可以快速获得大区域三维地形图及影像数据，给设计人员提供线路，辅助多设计方案的评估比较，为线路的优化设计提供重要支持。在石油及天然气工业的勘测设计中，可以解决空间不可达、环境复杂等问题，快速获取管线走廊带高精度的地形数据和高清晰度的影像数据，为油气管线的勘测优化选线提供基础数据支撑。在电力选线设计中，能快速获取线路走廊内的地面三维信息以及线路周边的各种地物信息，结合虚拟技术还原真实的三维场景，辅助设计人员从不同的视角观看线路周围的地物、地貌信息，在三维场景内进行电力选线和线路优化。
发明内容
本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种效率高、自动化程度高以及成本低的采用无人机测绘的通信线路工程勘察设计方法与系统。
为解决上述技术问题，本发明提出的技术方案为：
一种采用无人机测绘的通信线路工程勘察设计方法，包括步骤：
S1、获取无人机通过倾斜摄影的方式对勘察区域采集的无人机图像数据；其中无人机图像数据包括可见光图像和红外图像；
S2、对无人机图像数据进行预设控制点刺点和空三加密处理，生成数字高程模型DEM和数字正射影像图DOM，作为所勘察区域的地表模型数据，重构三维地形；
S3、基于优化的U-Net模型提取三维地形中的关键点，其中关键点包括道路和河流；
S4、基于蚁群路由选取算法选取三维地形中构成路径关键点的集合，再在关键点间对多路径进行排列组合，生成多条初选目标路线；
S5、通过基于层次分析的综合评估法对初选目标路线进行综合评估，得到最优目标路线。
优选地，步骤S2中生成数字高程模型DEM和数字正射影像图DOM的具体过程为：
结合前期预设控制点信息和无人机相机校准参数信息，进行空间三角测量解算处理，最终生成整个勘察区域的数字高程模型DEM和数字正射影像图DOM；
其中DEM的生成过程为：利用DPGr id系统首先采集特征点、线来生成单模型的DEM，然后进行DEM的拼接，裁切生成单幅的DEM，再对DEM进行接边和检测，并最终生成整个勘察区域的DEM；
其中DOM的生成过程为：利用DPGr id系统进行单模型的DEM生成单模型的DOM，然后使用Ortho Mosaic进行DOM的镶嵌、裁切生成单幅的DOM，再对DOM进行接边、检测以及拼接，最后利用PhotoShop软件进行调色，生成整个航摄区域的DOM。
优选地，在步骤S2中，重构三维地形的具体过程为：
S2.1、匀色处理倾斜影像：对倾斜影像的曝光度、对比度和明暗进行处理，以保证最终的建模真实度；
S2.2、对所有倾斜影像做空三计算：一片区域创建一个工程，在该工程中，所有照片根据自带的POS信息做空三计算；
S2.3、三维模型重建；
S2.4、修模：对于镜面、盲点、遮挡点造成的模型瑕疵，单体化导出后在兼顾工作量和逼真度的前提下，在3Dsmax中进行修复，以确保三维场景还原效果。
优选地，在步骤S3中，通过优化模型L1损失函数更新生成器权重对U-Net对抗网络模型进行优化，得到优化的U-Net模型；具体为：
L1损失函数称作最小绝对值误差，其作用是将真实值与测试值的绝对差值的总和最小化，公式表示如式：
其中xi是长度为M的学习的数据，yi为对应的标签；
L1损失函数正则化是在L1损失函数后添加一个额外正则项；正则项是对L1损失函数的惩罚项，采用特征稀疏化的方法降低权重的参数数量，进而降低模型的复杂度；正则化的L1损失函数如式：
其中λ为正则化系数，||f||p为权重矢量的p范数；
条件生成对抗网络通过固定生成器网络优化判别器参数；固定判别器网络优化生成器参数，直至循环结束；将正则化的L1损失函数与U-Net对抗网络模型的目标函数结合可以优化权重向量，达到提高模型鲁棒性的能力。
优选地，在步骤S3中，提取三维地形中的道路和河流包括道路和河流检测，以及道路和河流中心线提取；其中将道路和河流中心线提取问题建模为离散归一化距离标签预测问题；然后，通过学习有序回归量来预测离散归一化距离标签；具体为：
在红外图像中，预测从像素i到最近道路、河流边缘的归一化距离；归一化距离dni定义如下:
其中wi是像素i的道路、河流宽度；dni与道路、河流中心线上i的概率成正比；同时，如果i位于道路、河流中心线上，则dni是沿垂直于道路、河流方向的方向的局部最大值；使用阈值{t0,t1,...,tK-1}进一步将每个dni量化为K+1区间之一；量化后，每个i被赋予一个离散归一化距离标签li：
优选地，采用道路、河流拓扑损耗LT来惩罚道路、河流检测预测中的间隙和道路、河流中心线提取预测中的杂散部分。
优选地，在步骤S4中，在生成初选目标路线时，根据相关因素决定线路是否最优，其中相关因素包括：路由长度、工程成本、作业时间和施工难度；
在一个备选区域内，指定起始路由点、结束路由点之后，针对区域内多个目标路由点，形成一个由各路由节点形成的网状图；对于每段线段上，记录其路由长度、工程成本、作业时间和施工难度因素；从每一个独立的因素，均形成一条最优路径；
针对施工难度，将每个区域的施工难度最短路径和外部路由点全部连接起来，形成一条总的目标线路；同理，形成其他几个因素的最优路径；最终，对于目标区域内的目标路由点，得到多条目标最优线路，结合层次分析法进行综合评估，在多条目标最优路径中，选择一条最终符合实际需求的最优路径。
优选地，步骤S5的具体过程为：首先建立综合评估模型，提出合适的指标，准确定义各指标的含义，寻找指标计算方法；其次，提出各指标权重参量的计算方法，确定指标权重；最后，利用综合评估模型采用线性加权法评估设计，给出通信线路工程设计路径建议。
本发明还公开了一种计算机存储介质，其上存储有计算机程序，所述计算机程序在被处理器运行时执行如上所述方法的步骤。
本发明进一步公开了一种采用无人机测绘的通信线路工程勘察设计系统，包括：
数据采集子系统，用于获取无人机通过倾斜摄影的方式对勘察区域采集的无人机图像数据；其中无人机图像数据包括可见光图像和红外图像；
地图重建子系统，用于对无人机图像数据进行预设控制点刺点和空三加密处理，生成数字高程模型DEM和数字正射影像图DOM，作为所勘察区域的地表模型数据，重构三维地形；
智能识别子系统，用于基于优化的U-Net模型提取三维地形中的关键点，其中关键点包括道路和河流；
线路规划子系统，用于基于蚁群路由选取算法选取三维地形中构成路径关键点的集合，再在关键点间对多路径进行排列组合，生成多条初选目标路线；
综合评估子系统，用于通过基于层次分析的综合评估法对初选目标路线进行综合评估，得到最优目标路线。
与现有技术相比，本发明的优点在于：
本发明运用系统集成思路，通过对通信线路工程勘察设计流程的重构，将目前传统的基于设计人员现场勘察流程，即“确定路由方向、人工现场勘察、优化线路路由”，重构基于无人机测绘的勘察设计流程，即“确定路由方向、无人机测绘辅助设计、系统推送多个初步路由方案”，充分发挥信息采集系统、数据分析系统和控制管理系统的优势，实现多个系统的开放互联，使整个无人机测绘数据支撑整个线路设计准备、设计过程中和设计完成后全过程。
本发明的设计方法具有如下优势：1.效率高：无人机飞行替代人工踩点，时间节省；2.数据丰富：采用无人机地图重建技术，快速获取勘测二维、三维场景；3.自动化程度高：采用深度学习技术，辅助勘测数据分析，减少人工成本及数据处理时间；4.综合成本低。
附图说明
图1为本发明的设计方法在实施例的流程图。
图2为本发明中的航测区域的划分示意图。
图3为本发明中的单作业区内的无人机航测过程图。
图4为本发明中的路径选择示意图。
图5为本发明中的路径选择的多设计方案的评估示意图。
图6为本发明中的三维数字高程模型制作流程图。
图7为本发明中的Mi ss ion Pl anner地面站摄影航迹规划图。
图8为本发明的单镜头航摄航迹规划图。
图9为本发明中生成DEM与DOM的基本流程图。
图10为本发明中的U-Net的网络结构图。
图11为本发明中优化后的道路、河流检测模型训练过程图。
图12为本发明中的蚁群算法生成线路图。
图13为本发明中的层次结构图。
具体实施方式
以下结合说明书附图和具体实施例对本发明作进一步描述。
如图1所示，本发明实施例的采用无人机测绘的通信线路工程勘察设计方法，包括步骤：
S1、获取无人机通过倾斜摄影的方式对勘察区域采集的无人机图像数据；其中无人机图像数据包括可见光图像和红外图像；
S2、对无人机图像数据进行预设控制点刺点和空三加密处理，生成数字高程模型DEM和数字正射影像图DOM，作为所勘察区域的地表模型数据，重构三维地形；
S3、基于优化的U-Net模型提取三维地形中的关键点，其中关键点包括道路和河流；
S4、基于蚁群路由选取算法选取三维地形中构成路径关键点的集合，再在关键点间对多路径进行排列组合，生成多条初选目标路线；
S5、通过基于层次分析的综合评估法对初选目标路线进行综合评估，得到最优目标路线。
具体地，在步骤S1中，通过分析巡检任务需求，设计无人机平台的配置方案，根据通信线路大致路由方向进行无人机自主巡航，实现航测图像采集。
在使用无人机航测辅助光缆线路勘察设计过程中，首先，确定勘察区域，根据勘察区域大小和地面分辨率精度需求，进而确定无人机航测飞行携带任务载荷(相机及镜头规格)及规划飞行航迹(飞行路线、飞行高度、航线重叠度)。
其次，需要分析无人机航测区域的地貌形态、空间分布，利用地形重构技术对无人机航测的平面影像进行处理，获取所勘察区域的地表模型数据，用于描述线路所经区域内各要素的经纬度、高程、表面纹理，从而得出坡度、地貌特征等信息。
其中无人机航测的基本实现流程主要涉及两个步骤：
(1)在确定待勘察线路区域的起止点后，利用人工设计和地图辅助方式，充分考虑道路、地形、施工等条件，初步设计无人机航测飞行的线路航带，并按照无人机续航能力划分多个独立作业区域。某航带区域的划分示意图如图2所示。然后，利用在线地图划定初步规划线路的总体区域，在某些区域选取可备选航测区域。
(2)在各个独立区域布设地面控制点，用于后续空三加密过程的刺点，然后无人机按照规划航线，可采用多架次协同方式对航带内的各个独立作业区域进行航测。航测采用倾斜摄影模式，航拍勘察区域的地形地貌特征。某一单个作业区内的无人机航测过程如图3所示。
具体地，在步骤S2中，完成无人机航拍图像的地面控制点和空三加密处理，并导出空三定向结果，对定向后的无人机航拍图像进行密集匹配和数字微分纠正，完成勘察区域地形的数字高程模型DEM和正摄影图像DOM的生成。
具体地，在步骤S3中，通过对地图中的典型地形目标进行识别，可有力促进通信线路勘察设计的精确、高效标绘。由于通信线路常常选择在道路边缘附近敷设，且需要尽量避让河流、湖泊等地形，因此在专家对正射影像图DOM进行路由关键节点之间的地理路线进行选取标绘过程中，地图中道路、河流目标的自动识别，可提示和辅助专家进行高效精准标绘。在无人机测绘过程后，利用人工神经网络实现对无人机正射航拍图像道路、河流目标识别，以辅助通信线路高效勘察设计的实现。
具体地，在步骤S4中，依据光缆线路设计标准规范，制定路由规划规则；通过综合考虑造价、距离和地形等权值因素，需要人工确定部分关键路径点的位置选择。而后对区域路径点通过蚁群优化等算法计算，实现区域路径选择，可形成多条备选路由设计方案。路径选择方案示意如图4所示。
依据光缆线路设计标准规范，制定路由规划规则，结合识别的典型地物目标，采用蚁群路由选取算法制定初步路由，而后采用人工辅助手段完成预定光缆线路的初步路由选线。
依据光缆线路设计标准规范，确定路由规划规则，即通过制定光缆线路路由选取的原则和优先顺序，结合识别的典型地物目标，确定从各关键点之间可选的路径。关键点之间可选路径可通过直连、延伸道路、延伸原有杆线等方式确定。在确定各关键点之间可选的路径，将产生多个关键点和关键点间的多路径。采用蚁群路由算法选取关键点和关键点间的多路径，并进行组合排位，制定多个初选路由，其后采用人工辅助手段完成预定光缆线路的初步路由选线。
具体地，在步骤S5中，依据初步路由选线结果制定线路设计方案，进行工程造价概算，综合考虑距离长度、作业时间、施工难度和工程成本等工程设计考核指标，对几种设计方案进行综合评估分析，实现设计方案优化。基于多设计方案评估技术手段，对于多条线路建设方案的评估过程示意图如图5所示。
本发明运用系统集成思路，通过对通信线路工程勘察设计流程的重构，将目前传统的基于设计人员现场勘察流程，即“确定路由方向、人工现场勘察、优化线路路由”，重构基于无人机测绘的勘察设计流程，即“确定路由方向、无人机测绘辅助设计、系统推送多个初步路由方案”，充分发挥信息采集系统、数据分析系统和控制管理系统的优势，实现多个系统的开放互联，使整个无人机测绘数据支撑整个线路设计准备、设计过程中和设计完成后全过程。
本发明的设计方法具有如下优势：1.效率高：无人机飞行替代人工踩点，时间节省；2.数据丰富：采用无人机地图重建技术，快速获取勘测二维、三维场景；3.自动化程度高：采用深度学习技术，辅助勘测数据分析，减少人工成本及数据处理时间；4.综合成本低。
本发明实施例还公开了一种采用无人机测绘的通信线路工程勘察设计系统，包括数据采集子系统、地图重建子系统、智能识别子系统、线路规划子系统和综合评估子系统；
数据采集子系统由无人机及无人机航线规划航线软件构成，无人机可根据航线规划软件进行自动飞行并采集数据。其中该系统可实现实时数据回传以支撑全系统的实时施工勘察的功能；
地图重建子系统处理数据采集子系统所采集的原始图像数据，并实时、快速生成施工勘察所需要的基础数据，包括正摄影像地图(DOM)、数字地形图(DEM)以及三维稠密点云。地图重建子系统向业务子系统提供API，业务子系统可通过API获取以上各种基础数据；
智能识别子系统基于深度学习技术对地图重建子系统生成的正摄影像图进行自动分析，提取影像图中的兴趣对象并转换为矢量模型赋予地理位置信息。智能识别子系统向业务子系统提供API，业务子系统可通过API获取矢量形式的自动识别结果。比如，智能识别子系统将实现对区域内的路网、河流等特征物进行识别；
线路规划子系统中，采用仿生学蚁群算法(ACO)实现“最短”路径的选择问题；自动规划和人工辅助相结合，保障可实施性；预选线路和备选线路相结合，划整为片，化繁为简；实现可视化的路由节点管理及要素维护；
综合评估子系统中，针对路由节点、线路的多种量化指标的管理，如：长度、成本、工期、难度等，对于选取的线路采用基于层次分析法的多设计方案评估模型进行综合评估。
本发明的设计系统与上述设计方法相对应，同样具有如上设计方法所述的优点。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明：
S1、无人机自主巡航图像采集
无人机在进行通信线路测绘作业时，无人机平台、信息采集手段都是最直接影响任务质量的重要环节。不同的飞行平台可以满足不同的测绘任务需求，反之，也可以说对于不同的任务需求，应根据特点选择与之相适应的无人机测绘平台。为了发挥不同无人机平台的优势，需要结合信息采集手段，根据测绘任务需求，对无人机测绘平台进行合理的选择与组合。
(1)无人机平台选择
无人机平台是按照其在无人机测绘系统中的功能定位对无人机飞行和动力输出平台的简称，无论机体结构为多旋翼还是固定翼，均由机体、飞行控制系统、动力能源系统、数据传输系统等部分组成。从任务需求出发，需要重点关注无人机平台的航程、续航时间、飞行高度、飞行速度等关键指标。
因此，无人机在进行通信线路测绘作业时，对不同的任务需求，应根据特点选择与之相适应的无人机平台，或对无人机平台进行合理的设计选型。根据拟定测绘距离、区域面积、时限要求等因素，确定无人机平台种类并规划其飞行航迹。
(2)无人机倾斜摄影航空地形测绘
通过无人机倾斜摄影航空地形测绘技术来快速获取地理信息，其基本原理是利用无人机搭载的一个或多个相机在空中对任务区域进行多角度拍摄，并根据拍摄时所记录的坐标位置、相机角度、镜头尺寸等信息，通过辅助空中三角形计算生成三维数字高程模型(简称DEM)，该模型每一个像素点坐标位置、空间关系等参数均与实际环境相匹配，其基本流程如图6所示。
由于航空摄影相关技术规定较为复杂，考虑作业数据处理的时效性和便捷性，对规定内容进行精简优化。经过在驻马店市确山县、西安市长安县、平凉市静宁县等地多次航测实验比较，发现仅需对相机焦距、画幅、飞行相对行高、拍摄重叠度等几个直接影响成图质量的核心指标进行考虑，即可在满足作业精度需求的前提下提高DEM生成速度。其中相机焦距、画幅为硬件指标，由选定的航拍器材直接决定；拍摄重叠度分为航向重叠度及旁向重叠度两种，航向重叠度指同一航线的相邻像片上同一地面影像重叠度的百分比；旁向重叠度指两条相邻航线有同一地面影像重叠度的百分比。其中利用如Mi ss ion Pl anner(简称MP)等无人机地面控制站自动进行飞行航迹参数计算，如图7所示。
在确定好航摄参数后即可转入航线规划及数据采集阶段，利用固定翼无人机航程远、高度高的优势，针对作业需求进行优化。提出如下方法：使用无人机搭载广角定焦镜头，提高航向重叠度和旁向重叠度，利用垂直正射方式进行图像采集，使得每一像素点均可被不少于9张相片从不同角度进行捕获；在航线设置上，共设置两类航线，其中第一类航线为正摄标准航线，各主航线相互平行，第二条航线为辅助航线，该航线垂直于主航线，用于优化航片坐标精度，如图8所示。
在所有像片均采集完成后，可导入航测建模程序进行模型生成，布设地面控制点来修正模型坐标高程精度，但在实际过程中，由于地形复杂，地面控制点布设难以完成。经多次实验证明，在200米以上飞行高度下，设置较高的图像重叠度及拍照频率，可以确保每个像素点均可在不少于9个角度的像片中进行反映，地形无盲区死角。因此可仅使用正射单角度拍摄的像片进行地形生成，生成后地形地貌特征反映准确。
S2、基于无人机航测的三维地形重构
利用无人机倾斜摄影的方式对勘察区域进行图像数据采集，接下来需要对无人机图像数据进行预设控制点刺点和空三加密处理，生成数字高程模型DEM和数字正射影像图DOM作为所勘察区域的地表模型数据。这个过程是对三维地形进行重构，主要涉及空中三角测量、DEM与DOM数据生成，具体如下：
(1)空中三角测量、DEM与DOM数据生成技术分析
1)解析空中三角测量
对无人机航测影像进行地形重构需要用到空中三角测量，它是在摄影过程中利用野外控制点进行加密得到加密点的空间坐标(经纬度和高程)一种测量方法。解析空中三角测量一般采用光束法，它是以单个像片作为平差计算的基本单元，是一种在理论方面非常严密的控制点的加密方法，所得出的成果精度最高，但计算量也相对较大。
光束法空三测量以共线条件方程为理论基础，其基本作法是：在像片上测量出各个控制点的坐标和加密点的像点坐标之后，通过区域网的计算，来确定出区域中各个像片的外方位元素以及加密点的坐标的大约值。然后根据共线的条件按照加密点、控制点分别列出误差方程式，进行全区域的统一平差计算，解求出各个像片的外方位元素和加密点的地面坐标。像片外方位元素和地面点坐标近似值为：
x，y为像点的像平面坐标；x0，y0，f为影像的内方位元素；XS，YS，ZS为摄站点的物方空间坐标；XA，YA，ZA为物方点的物方空间坐标；ai，bi，ci(i＝1,2,3)为影像的3个外方位角元素组成的9个方向余弦。
2)生成DEM与DOM数据
数字高程模型DEM(Digital Elevation Model)是一定范围内规则格网点的平面坐标(X，Y)及其高程(Z)的数据集，它主要是描述航空影像所拍摄区域的地貌形态空间分布，是对地貌形态的虚拟表示，可派生出等高线、坡度图等信息。数字正射影像图DOM(Digital Orthophoto Map)是利用数字高程模型DEM对航空影像进行正射纠正、接边、色彩调整、镶嵌，并按照一定范围裁切生成的数字正射影像数据集。
利用无人机对通信线路设计中待勘察区域进行航空摄影，可得到一系列数字航空影像，结合前期预设的控制点信息和相机校准参数信息等，再进行空间三角测量解算处理，最终生成整个勘察区域的DEM与DOM数据集和图像。其中，空中三角测量过程使用空三加密专业软件DPGrid自动进行空三数据解算，直接得到数字高程模型DEM的网格点数据集；正射影像图DOM生成则使用数据编辑软件Ortho Mosaic进行制作。DEM与DOM生成的基本流程如图9所示。
其中DEM的生成过程：利用DPGrid系统首先采集特征点、线来生成单模型的DEM，然后进行DEM的拼接，裁切生成单幅的DEM，再对DEM进行接边、检测，并最终生成整个航摄区域的DEM。
其中DOM的生成过程：利用DPGrid系统进行单模型的DEM生成单模型的DOM，然后使用Ortho Mosaic进行DOM的镶嵌、裁切生成单幅的DOM，再对DOM进行接边、检测以及拼接，最后利用PhotoShop软件进行调色，生成整个航摄区域的DOM。
(2)基于倾斜摄影的三维地形重构实现
采用ContextCapture建模软件，本发明对基于倾斜摄影的三维地形进行重构实现，具体实现过程如下：
1)匀色处理倾斜影像：由于拍摄时受到天气、摄像头、阳光等的影响，需要对倾斜影像的曝光度、对比度、明暗做一定的处理，以保证最终的建模真实度。
2)进行空三计算：对所有倾斜影像做空三计算。一片区域创建一个工程，在该工程中，所有照片根据自带的POS信息做空三计算，如果一次照片没有采集完，需要新增照片，则需重新创建工程、重新进行空三计算处理。有时一次空三计算的结果不满意，需要进行二次、三次空三计算。空三计算完后，可以选择区域进行下一步操作。
3)三维模型重建：三维模型重建可以根据需要构建不同的模型格式。做地形模型时，用正摄影像做工程，可生成DSM格式文件；做场景模型时，用倾斜影像做工程，可生成OSGB格式文件。三维模型重建可以多节点分布式计算，为充分利用网络节点主机，又能尽可能合理分块，可选择自适应分块。最终可生成所需的地形文件和地形模型文件。
4)人工修模：对于镜面、盲点、遮挡点等造成的模型瑕疵，单体化导出后在兼顾工作量和逼真度的前提下，在3Dsmax中进行人工修复，以确保三维场景还原效果。
S3、基于人工神经网络的道路、河流目标识别
传统方法中，多对卫星遥感图像进行道路、河流目标的识别，但遥感图像存在更新周期长、地面分辨率低和三维信息不完整等不足。无人机系统可根据需求，随时开展测绘勘察，具有覆盖地面信息全面、可控性强、成本低、灵活性高、操作便捷的优势。无人机航拍图像覆盖地面信息全面，图像分辨率高，利用图像处理方式具有检测道路、河流的能力。
通过综上分析，道路、河流目标识别的方案是：采用无人机携带可见光摄影吊舱、红外摄影吊舱，多维度采集地理信息，弥补单独采用可见光成像的不足。通过使用目前最为精确的U-Net或者DeepLab等人工神经网络语义分割工具，可以分别从航拍图像和红外图像中检测出道路、河流等信息。进一步提出将二者在深度学习网络中进行信息融合识别，充分提取有用信息，提高检测识别的成功率和稳定性。
Unet的主干网络为VGG，其结构如图10所示。网络的第一部分被称为下降部分(down)，或者可以把它理解为用卷积块和最大值池化下采样从不同层次上对输入图像特征进行提取。网络的第二部分包括上采样、连接和常规的卷积操作。CNN上采样即扩张特征图的维度使其与左边的链接块维度相同。可以看到图中的灰色和绿色箭头代表的就是将两个特征图链接在一起的过程。与其他完全卷积性分割网络相比，U-Net的主要贡献在于，当在网络上进行采样和深入的时候，将下降部分高分辨率特征与上采样特征连接在一起，以便使接下来的卷积过程更好地进行特征集中化和特征学习表示。由于上采样是一种扩散的操作，所以需要在前面的阶段中进行良好的特征集中化表示。与上面相似的同层级融合的思想同样在FPN(特征金字塔网络)中有。
(1)基于优化的U-Net模型的无人机航拍图像道路、河流检测
基于U-Net的网络模型虽然在大部分城市数据集(Cityscape)上有着良好的检测效果，但在复杂的无人机航拍图像上仍然有一些不足，如生成器最终生成的检测结果不够人性化，有些区域分割的较为模糊。为此，在此基础上通过优化模型损失函数更新生成器权重对U-Net对抗网络模型进行优化，提高模型的鲁棒性。
1)损失函数优化模型
L1损失函数称作最小绝对值误差，其作用是将真实值与测试值的绝对差值的总和最小化，公式表示如式：
其中xi是长度为M的学习的数据，yi为对应的标签。
L1损失函数正则化是在L1损失函数后添加一个额外正则项。正则项是对L1损失函数的惩罚项，采用特征稀疏化的方法降低权重的参数数量，进而降低模型的复杂度。正则化的L1损失函数如式：
其中λ为正则化系数，||f||p为权重矢量的p范数。
条件生成对抗网络通过固定生成器网络优化判别器参数；固定判别器网络优化生成器参数，直至循环结束。过程中由于固定生成器或判别器网络限制了模型的灵活性，降低了网络参数的敏感性。实验发现，L1距离通过优化生成器权重平衡网络中的参数向量。正则化后的L1距离效果更好。将正则化的L1损失函数与U-Net对抗网络模型的目标函数结合可以优化权重向量，达到提高模型鲁棒性的能力。U-Net对抗网络模型与条件生成对抗网络模型类似，给模型的输入赋予一个条件信息y(y可以任何自定义信息)。将条件信息y与样本数据x拼接后作为生成器和判别器中的输入图像，生成器与判别器进行最大最小循环优化操作。
由于正则化L1损失函数会产生模糊化效果，因此加入超参θ进行控制。当生成器能够对输入的原始图像输出准确的检测结果时，模型会对参数的改变较敏感。超参θ的选择非常要重要，需要多次试验找到较优的值。
2)道路、河流检测模型结构
优化后的模型训练过程如图11所示，模型损失函数的优化过程分为两部分：将原始道路、河流图像输入生成器，生成器输出道路、河流检测结果图像，该图像是不断接近道路、河流目标的结果图像，比较该结果图像与人工标注的标签图像的误差，根据误差优化生成器权重；将生成器的输出结果图像作为判别器的输入图像，由于目标是让判别器对该输入图像的输出为“1”(真实道路、河流检测结果图像)，因此，比较判别器的输出结果与期望值“1”的误差，进而优化生成器的权重。两部分共同优化生成器的权重，使生成器输出更加接近于标准道路、河流检测结果的图像。
U-Net条件生成对抗网络属于深度神经网络，网络模型训练需要大量的道路、河流图像样本。若将这些参数随机初始化之后就直接将模型应用于实际道路、河流提取，其效果难以令人满意，因此在将模型应用于实际情况之前，需要预先进行模型训练，以便评估模型效果。目前只能提供少量的无人机航拍图像，容易导致模型训练不充分，进而性能降低。为解决该问题，通过数据增强的方式扩充样本集，数据增强通过对图像进行翻转、平移变换、改变图像灰度值等方法能有效解决模型训练困难的问题，提高模型分类准确率以及防止过拟合。相同的网络方法可以很方便地从可见光图像迁移到红外图像中。
(2)基于多源信息融合的目标检测
为了提高道路、河流检测的准确率，本发明采用可见光图像、红外图像进行联合检测，通过对多源航拍图像信息进行融合，实现不同数据采集方式目标检测的优势互补。具体地，可见光和红外图像在每一帧上都表示为一张二维的图像，其中可见光的还包含RGB三个通道的数据，而红外图像则是复数图像，包含有幅度和相位信息(或者实部和虚部信息)。二者图像在边缘处有相似的表现形式，但是可见光含有的丰富的颜色信息，而红外图像则具有区分目标的电磁反射特性的能力。二者信息能力互补，既可以在数据层融合，也适合特征层融合。
U-Net网络将编码器下采样的特征图拼接至每个阶段解码器的上采样特征图，从而形成U形结构。这种结构可以结合编码解码层的特征图信息，防止目标信息丢失。通过借鉴U-Net网络的优势，以U型网络思想结合残差模块和全局金字塔模块构建生成器网络(Residual and Pyramid U-Net，RPU-Net)，能有效解决树木遮挡和建筑物干扰等问题，实现对道路、河流的准确检测。
全局金字塔池化模块的优势在于能聚合上下文信息，获得全局信息，将全局金字塔池化模块融入到U型网络结构中，能极大提高分割精度，提高分割效率。在网络编码层最底层的池化操作中加入全局金字塔池化模块，并针对道路、河流提取做出针对性优化，能很好的解决一些不应该被分割出来但却因具有与道路、河流相似特征而被错误分割出来的情况。
(3)基于多源信息融合的目标提取
道路、河流提取任务主要由两个子任务组成，即道路、河流检测和道路、河流中心线提取。由于道路、河流检测任务与道路、河流中心线提取任务密切相关，可以引入一种多任务学习框架来检测道路、河流并同时提取道路、河流中心线。对于道路、河流中心线提取问题，现有方法中，要么依赖于基于回归的方法，要么依赖于基于分类的方法。基于回归的方法收敛缓慢，局部解令人难以满意。基于分类的方法忽略了这样一个事实，即像素越靠近中心线的，对错误分类的程度就越高。为了克服这些问题，首先将道路、河流中心线提取问题转换为离散归一化距离标签预测问题，这可以通过训练有序回归器来解决。对于道路、河流提取任务，以前的研究大多应用了像素损失函数，例如交叉熵损失，由于道路、河流具有连通性等特殊拓扑特征，这些方法效果不是很理想。因此，本发明提出了一种道路、河流拓扑损失函数，以提高提取道路、河流的连通性和完整性。道路、河流-拓扑损失函数具有两个关键特征：
1、道路、河流-拓扑损失函数结合道路、河流检测预测和道路、河流中心线提取预测，利用两个子任务之间的相关性，将两个子任务相互提升。
2、道路、河流拓扑损失会严重惩罚道路、河流检测结果中经常出现的间隙和中心线提取结果中容易出现的虚假段。在本发明中，选择了AdamW优化器来最小化道路、河流拓扑损失。
道路、河流检测任务和道路、河流中心线提取任务可以相互促进。道路、河流检测任务可以为道路、河流中心线提取任务提供检测线索，约束道路、河流中心线，避免出现杂物。道路、河流中心线提取任务可以激励道路、河流检测任务更加关注道路、河流的关键点，从而增强道路、河流连通性。为了充分利用这种关系，提出的网络在多任务学习方案下同时学习道路、河流检测任务和道路、河流中心线提取任务。
对于从原始图像数据中提取道路、河流中心线，现有的研究工作大致可以分为两类：一类是基于分类方法，即通过基于分类的方法提取道路、河流中心线，另一类是基于回归方法。道路、河流中心线上像素的特征与靠近中心线的像素的特征相似，远离道路、河流中心线的像素的特征与道路、河流中心线上的像素完全不同。但是，道路、河流中心线相邻像素误分类引起的误差与远离道路、河流中心线的像素误分类引起的误差相同。为克服以上不足，像素越靠近道路、河流中心线，就越能容忍它的分类错误。这种矛盾使得很难使网络收敛到更好的结果。目前，基于回归的方法，通过采用一个设计的函数的学习，其返回值随着从像素到中心线的距离而减小。然而，由于异常(如注释错误)，回归的深度网络相对不稳定，并且MSE损失训练的网络不会收敛到令人满意的全局解决方案。为了避免上述问题，本发明利用基于序数回归的方法来学习离散归一化距离标签。本发明使用序数损失，最小化来学习道路、河流中心线任务的网络参数。
在现实中，道路、河流具有独特的拓扑属性。目前，通常在使用变分和马尔可夫随机场方法之前应用拓扑学。
对于道路、河流提取，提出的网络在多任务学习方案下共同学习道路、河流检测任务和道路、河流中心线提取任务。道路、河流检测分支和道路、河流中心线提取分支。共享两个分支的编码器以进行特征提取，从而在两个分支之间建立连接。下面分别介绍网络如何执行道路、河流检测任务和道路、河流中心线提取任务。
接下来，给出提出的第一个道路、河流拓扑损失函数的定义。最后，介绍多任务学习框架如何利用最初提出的道路、河流拓扑损失，同时学习基于有序回归的道路、河流检测任务和道路、河流中心线提取任务。
1)道路、河流检测
道路、河流检测任务旨在从可见光、红外影像中检测道路、河流。道路、河流检测任务的输出是二进制图像，其中在道路、河流上看到的像素为1，其他像素为0。实际上，红外影像的大多数像素都属于非道路、河流区域。因此，道路、河流检测任务中存在标签不平衡问题。为了克服这个问题，使用加权交叉熵损失，呈现加权交叉熵损失中的权重。
2)道路、河流中心线提取
对于道路、河流中心线提取，基于分类的方法学习函数y(·)为：
其中fi是像素i的特征。基于回归的方法是学习一个回归量y(·)，其值随着i到中心线的距离增加而单调减小，回归量y(·)为：
其中Dc(i)是从像素i到最接近中心线上的像素的度量距离，dM是s/2，其中s是用于计算特征向量fi的局部邻域的大小。本发明中，提出采用基于序数回归的方法，下面，首先将道路、河流中心线提取问题建模为离散归一化距离标签预测问题；然后，通过学习有序回归量来预测离散归一化距离标签。
在高分辨率红外图像中，可以预测从任何像素i到最近道路、河流边缘的距离di。但是，像素i位于道路、河流中心线上的概率与从该像素i到最近道路、河流边缘di的距离不成正比。这是由于道路、河流的宽度是多种多样的。
因此，预测从像素i到最近道路、河流边缘的归一化距离。归一化距离dni定义如下:
其中wi是像素i的道路、河流宽度。特别是，dni与道路、河流中心线上i的概率成正比。同时，如果i位于道路、河流中心线上，则dni是沿垂直于道路、河流方向的方向的局部最大值。使用阈值{t0,t1,...,tK-1}进一步将每个dni量化为K+1区间之一。量化归一化距离dni的原因是，回归的深度网络的直接训练相对不稳定，因为异常值(注释错误)会导致较大的误差项，使网络难以收敛并导致不稳定的预测。量化后，每个i被赋予一个离散归一化距离标签li：
通过基于多类分类的典型方法预测离散归一化距离标签预测。但是，这将忽略离散规范化距离标签之间的序号信息。本发明中，采用序数回归来解决离散归一化距离标签预测问题，并进一步修改有序损失以适应道路、河流中心线提取任务。
3)道路、河流拓扑损耗
目前，交叉熵损失广泛应用于各种分割任务，如语义分割和实例分割。交叉熵损失是像素级损失，完全是局部的，不考虑道路、河流的特殊和复杂的拓扑特征。这种损失会平等且独立地惩罚每个像素的误差，而不管误差对几何形状的影响如何。但是，由于靠近道路、河流中心线的像素的错误分类会导致严重的拓扑误差，如间隙和杂散部分，因此这些像素更为重要。为了惩罚道路、河流检测预测中的间隙和道路、河流中心线提取预测中的杂散部分，本发明采用一种新的道路、河流拓扑损耗LT。
定义道路、河流拓扑损耗。为了衡量道路、河流检测预测的连通性，将连通性指标定义为：
同样，将可微正确性度量定义为衡量道路或河流中心线提取预测的正确性：
其中，Tcon为道路或河流检测预测的连通性指标，Tcor为可微正确性度量，是道路或河流检测的真实标签，/>是I的预测道路或河流中心线概率图。
由于测量Tcon容易受到道路、河流检测预测中的间隙的影响，而测量Tcor容易受到道路、河流中心线提取预测中的杂散部分的影响。因此，将道路、河流拓扑度量TRoad定义为连通性度量Tcon和可微正确性度量Tcor之间的调和平均值：
道路、河流拓扑度量同时测量道路、河流提取结果的连通性和正确性。为了以端到端的方式最大化CNN中的道路、河流拓扑度量，将道路、河流拓扑损耗LT定义为：
LT＝-log(TRoad)
LT直接从原始预测和/>计算，无需阈值。因此，KT在预测/>和/>上是可微的，可以集成到CNN中。本发明使用AdamW优化器来最小化道路、河流拓扑损失。
4)多任务学习
在本发明道路、河流提取框架中，输入图像I输入到共享编码器中以提取特征。将特征图分别输入到两个任务对应的解码器中，得到道路、河流检测预测和道路、河流中心线提取预测。在本发明道路、河流提取框架中，利用道路、河流检测任务和地面实况Υ的预测来计算加权交叉熵损失，该损失可以最小化以更新道路、河流检测网络的参数。利用道路、河流中心线提取任务/>的预测和离散归一化距离标签地图L来计算更新道路、河流中心线提取网络参数时可以最小化的有序损失。Υ、/>和L用于计算提出的道路、河流拓扑损失，该损失结合了道路、河流检测的预测和道路、河流中心线提取的预测。本发明提出的道路、河流拓扑损耗充分利用了两个任务之间的相关性，并且可以最小化，使两个任务相互促进。整个损失函数是交叉熵损失、有序损失和道路、河流拓扑损失的总和。通过最小化整个损失函数，道路、河流检测网络的参数和道路、河流中心线提取网络的参数可以同时更新。
S4、基于蚁群算法的路径选取
与传统路由寻优算法不同，本发明的路径由关键点和关键点间的多路径构成。路径的选取需要首先确定关键点，其后再在关键点间选取一条路径。因此本发明对蚁群路由选取算法进行改进，首先基于基本蚁群路由选取算法选取构成路径中关键点的集合，再在关键点间对多路径进行排列组合。
(1)路径选取的蚁群算法模型
在基于蚁群算法路径关键点选取方法中，首先采用直连路径作为代价作为蚁群算法的目标函数，其模型如下：
s.t.Path＝{Point1，Point2，...，Pointn}
cost(Pointi，Pointi+1)＝Direct(Pointi，Pointi+1
其中，cost(Path)为路径总代价，Path＝{Point1，Point2，...，Pointn}为构成总路径的关键点，cost(Pointi，Pointi+1)＝Direct(Pointi，Pointi+1)为两个关键点间的直连路径代价。
首先从起点出发，选择下一关键点的概率如下：
其中，τ为信息素，η为启发式因子，α和β为对应项的重要程度。信息素τ的更新如下式所示：由上可知，先挥发信息素，再增加信息素。
τ＝(1-ρ)τ+∑Δτ，0≤ρ≤1
其中，ρ为信息素浓度挥发系数，d为直连路径代价，路径代价越小，信息素增加越多。∑Δτ表示所有本次路由过程中所有经过此关键点路线的信息素累加。
(2)基于蚁群算法的路径选取实现
在线路规划时，需要根据一些因素或考量点决定线路是否最优，通信线路工程勘察设计对路径选取主要考虑的因素包括：路由长度、工程成本、作业时间、施工难度。如果按照单一因素考量，该问题属于一种TSP问题，可以用蚁群算法来解决。
在一个备选区域内，指定起始路由点、结束路由点之后，针对区域内多个目标路由点，会形成一个由各路由节点形成的网状图。对于每段线段上，记录其路由长度、工程成本、作业时间、施工难度等因素。从每一个独立的因素，均可以形成一条最优路径。蚁群算法生成线路图如图12所示。
针对施工难度，将每个区域的施工难度最短路径和外部路由点全部连接起来，就会形成一条总的目标线路。同理，形成其他几个因素的最优路径。也就是说，对于目标区域内的目标路由点，可以得到四条目标最优线路，结合后面的层次分析法进行综合评估，可以在这四条目标最优路径中，选择一条最终符合实际需求的最优路径。
为了更好的保证结果的实用性，在每个区域内，针对某一个考量因素，均生成最优路径的前两名，采用第一对第一，第二对第二的连接方式，最终形成两条最优线路。那么对于四个因素，通过基于蚁群算法的路径选取后，最终形成8条目标最优线路。
S5、面向工程设计指标的多设计方案评估
目前用于通信网络效能的评估指标、评估量化分析方法众多。在此，借鉴通信网络效能的评估流程，认为初步路由选线结果制定线路设计方案的评估同样存在三方面问题：一是被评估对象比较复杂，如何确定指标；二是如何量化指标，确定各指标权重；三是如何对评估对象的综合评估结果进行解释和分析。
为此，对多个评估方法进行了对比分析，发现层次分析法较好的解决上述问题，采用这种方法能够把复杂问题分解为若干因素，各因素间层次结构明确，权重参量科学、准确，因此本发明提出面向工程设计指标的多设计方案评估，利用基于层次分析的综合评估法对初步路由选线结果进行综合评估。
(1)层次分析法
层次分析法，简称AHP，是指将与决策总是有关的元素分解成目标、准则、方案等层次，在此基础之上进行定性和定量分析的决策方法。层次分析法是指将一个复杂的多目标决策问题作为一个系统，将目标分解为多个目标或准则，进而分解为多指标(或准则、约束)的若干层次，通过定性指标模糊量化方法算出层次单排序(权数)和总排序，以作为目标(多指标)、多方案优化决策的系统方法。层次分析法是将决策问题按总目标、各层子目标、评价准则直至具体的备投方案的顺序分解为不同的层次结构，然后用求解判断矩阵特征向量的办法，求得每一层次的各元素对上一层次某元素的优先权重，最后再加权和的方法递阶归并各备择方案对总目标的最终权重，此最终权重最大者即为最优方案。
层次分析法比较适合于具有分层交错评价指标的目标系统，而且目标值又难于定量描述的决策问题。基本原理：层次分析法根据问题的性质和要达到的总目标，将问题分解为不同的组成因素，并按照因素间的相互关联影响以及隶属关系将因素按不同层次聚集组合，形成一个多层次的分析结构模型，从而最终使问题归结为最低层(供决策的方案、措施等)相对于最高层(总目标)的相对重要权值的确定或相对优劣次序的排定。
计算流程，层次分析法大体分为以下几个步骤：1)明确问题；建立层次结构模型；2)对各层元素两两比较，构造判断矩阵；3)求解判断矩阵的特征向量，并对判断矩阵的一致性进行检验；4)一致性检验通过后，确定各层排序加权值，若检验不能通过，需要重新调整判断矩阵；5)根据分析计算结果，考虑相应的决策。
(2)评估分析过程与综合评估模型
在本发明中，具体过程如下：首先建立综合评估模型，提出合适的指标，准确定义各指标的含义，寻找指标计算方法；其次，提出各指标权重参量的计算方法，确定指标权重；最后，利用综合评估模型采用线性加权法评估设计方案，给出通信线路工程设计路径建议。
利用层次分析法，本发明拟建立通信线路工程设计方案综合评估模型，如图13所示，共包含3个层次，具体为：
1)目标层：目标层指标即所要得到的评估结果。由方案层各方案模拟出的指标层指标经过计算后得到综合评价。该结果是一个0～1之间的数值。这个数值越接近1说明方案越好，越接近0说明方案优化的必要性越大。
2)指标层：影响目标的主要指标的准则。具体表现在路由长度、工程成本、作业时间、施工难度，需按照各自的计算公式进行量化。
1、路由长度：路由长度除了对工程成本和作业时间有直接影响，还会影响通信线路中继段的长度，进而影响站点的设计，此外还有考虑路由长度对后期维护成本和障碍隐患的影响。
2、工程成本：从工程造价的角度考核各个设计方案，主要衡量整个工程建设的经济效益，将工程造价测算结果作为参考，可利用通信工程概预算编制要求进行分析。
3、作业时间：根据不同敷设方式的路由长度和单位长度的平均作业时间，即可得到总的作业时间。作业时间虽不能完全等同于建设工期，但却直接影响工期的长短，在应急建设工程中这一考核指标显得尤为重要。
4、施工难度：主要考虑在特殊地段进行通信线路敷设所带来的安全风险和不稳定因素。
3)方案层：方案层是模型需要评价比较的对象，由线路设计的不同方案构成。
(3)评估矩阵建立与计算分析。在具体的实施过程中，需要建立评估矩阵并计算分析：
1)构造成对比较矩阵：根据模型确定的层次结构图和评估需求，构造各层之间的成对比较矩阵A，A＝(aij)m×m，其中aij>0，m为参数量；aij表示该层第i个指标—Bi与第j个指标—Bj对上层指标的影响之比，成对比较矩阵是全部比较结果的表示。采用“1～9尺度”作为比较尺度，即aij相对尺度的取值范围为1，2，…，9及其倒数1，1/2，…，1/9。
需要说明的是，评估矩阵的建立与评估环境和需求有着密切的联系，这4个因素在不同的场景中重要性不同。例如，传输性能要求高的情况下，路由长度更加重要；而对于经费紧张的情况，评估中更多的是要考虑工程成本的问题。也就是说，在不同的需求下，建立的评估矩阵是不同的。要确定评估矩阵，需要设计者对通信线路工程需求进行准确分析后才能完成。
2)求取加权系数
一般采用准确度较高且较为简单的“和法”来确定成对比较矩阵的特征向量和最大特征值。
首先，将A的每一列向量归一化得然后，对/>按行求和得再将/>归一化/>即为近似特征向量，即权向量、加权系数，最后计算/>作为最大特征根的近似值。
3)一致性检验，一致性指标CI定义如下：CI＝0时，A为一致阵；CI越大，A的不一致程度越严重。为了确定A的不一致程度的容许范围，需要找出衡量A的一致性指标CI的标准。引入随机一致性指标RI。当CR＝CI/RI<0.1时，认为A的不一致程度在容许范围内，可用其特征向量作为权向量，完成一致性校验。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。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前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (10)

1.一种采用无人机测绘的通信线路工程勘察设计方法，其特征在于，包括步骤：
S1、获取无人机通过倾斜摄影的方式对勘察区域采集的无人机图像数据；其中无人机图像数据包括可见光图像和红外图像；
S2、对无人机图像数据进行预设控制点刺点和空三加密处理，生成数字高程模型DEM和数字正射影像图DOM，作为所勘察区域的地表模型数据，重构三维地形；
S3、基于优化的U-Net模型提取三维地形中的关键点，其中关键点包括道路和河流；
S4、基于蚁群路由选取算法选取三维地形中构成路径关键点的集合，再在关键点间对多路径进行排列组合，生成多条初选目标路线；
S5、通过基于层次分析的综合评估法对初选目标路线进行综合评估，得到最优目标路线。
2.根据权利要求1所述的采用无人机测绘的通信线路工程勘察设计方法，其特征在于，步骤S2中生成数字高程模型DEM和数字正射影像图DOM的具体过程为：
结合前期预设控制点信息和无人机相机校准参数信息，进行空间三角测量解算处理，最终生成整个勘察区域的数字高程模型DEM和数字正射影像图DOM；
其中DEM的生成过程为：利用DPGrid系统首先采集特征点、线来生成单模型的DEM，然后进行DEM的拼接，裁切生成单幅的DEM，再对DEM进行接边和检测，并最终生成整个勘察区域的DEM；
其中DOM的生成过程为：利用DPGrid系统进行单模型的DEM生成单模型的DOM，然后使用Ortho Mosaic进行DOM的镶嵌、裁切生成单幅的DOM，再对DOM进行接边、检测以及拼接，最后利用PhotoShop软件进行调色，生成整个航摄区域的DOM。
3.根据权利要求2所述的采用无人机测绘的通信线路工程勘察设计方法，其特征在于，在步骤S2中，重构三维地形的具体过程为：
S2.1、匀色处理倾斜影像：对倾斜影像的曝光度、对比度和明暗进行处理，以保证最终的建模真实度；
S2.2、对所有倾斜影像做空三计算：一片区域创建一个工程，在该工程中，所有照片根据自带的POS信息做空三计算；
S2.3、三维模型重建；
S2.4、修模：对于镜面、盲点、遮挡点造成的模型瑕疵，单体化导出后在兼顾工作量和逼真度的前提下，在3Dsmax中进行修复，以确保三维场景还原效果。
4.根据权利要求1或2或3所述的采用无人机测绘的通信线路工程勘察设计方法，其特征在于，在步骤S3中，通过优化模型L1损失函数更新生成器权重对U-Net对抗网络模型进行优化，得到优化的U-Net模型；具体为：
L1损失函数称作最小绝对值误差，其作用是将真实值与测试值的绝对差值的总和最小化，公式表示如式：
其中xi是长度为M的学习的数据，yi为对应的标签；
L1损失函数正则化是在L1损失函数后添加一个额外正则项；正则项是对L1损失函数的惩罚项，采用特征稀疏化的方法降低权重的参数数量，进而降低模型的复杂度；正则化的L1损失函数如式：
其中λ为正则化系数，||f||p为权重矢量的p范数；
条件生成对抗网络通过固定生成器网络优化判别器参数；固定判别器网络优化生成器参数，直至循环结束；将正则化的L1损失函数与U-Net对抗网络模型的目标函数结合可以优化权重向量，达到提高模型鲁棒性的能力。
5.根据权利要求4所述的采用无人机测绘的通信线路工程勘察设计方法，其特征在于，在步骤S3中，提取三维地形中的道路和河流包括道路和河流检测，以及道路和河流中心线提取；其中将道路和河流中心线提取问题建模为离散归一化距离标签预测问题；然后，通过学习有序回归量来预测离散归一化距离标签；具体为：
在红外图像中，预测从像素i到最近道路、河流边缘的归一化距离；归一化距离dni定义如下:
其中wi是像素i的道路、河流宽度；dni与道路、河流中心线上i的概率成正比；同时，如果i位于道路、河流中心线上，则dni是沿垂直于道路、河流方向的方向的局部最大值；使用阈值{t0,t1,...,tK-1}进一步将每个dni量化为K+1区间之一；量化后，每个i被赋予一个离散归一化距离标签li：
6.根据权利要求5所述的采用无人机测绘的通信线路工程勘察设计方法，其特征在于，采用道路、河流拓扑损耗LT来惩罚道路、河流检测预测中的间隙和道路、河流中心线提取预测中的杂散部分。
7.根据权利要求1或2或3所述的采用无人机测绘的通信线路工程勘察设计方法，其特征在于，在步骤S4中，在生成初选目标路线时，根据相关因素决定线路是否最优，其中相关因素包括：路由长度、工程成本、作业时间和施工难度；
在一个备选区域内，指定起始路由点、结束路由点之后，针对区域内多个目标路由点，形成一个由各路由节点形成的网状图；对于每段线段上，记录其路由长度、工程成本、作业时间和施工难度因素；从每一个独立的因素，均形成一条最优路径；
针对施工难度，将每个区域的施工难度最短路径和外部路由点全部连接起来，形成一条总的目标线路；同理，形成其他几个因素的最优路径；最终，对于目标区域内的目标路由点，得到多条目标最优线路，结合层次分析法进行综合评估，在多条目标最优路径中，选择一条最终符合实际需求的最优路径。
8.根据权利要求1或2或3所述的采用无人机测绘的通信线路工程勘察设计方法，其特征在于，步骤S5的具体过程为：首先建立综合评估模型，提出合适的指标，准确定义各指标的含义，寻找指标计算方法；其次，提出各指标权重参量的计算方法，确定指标权重；最后，利用综合评估模型采用线性加权法评估设计，给出通信线路工程设计路径建议。
9.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序在被处理器运行时执行如权利要求1～8中任意一项所述方法的步骤。
10.一种采用无人机测绘的通信线路工程勘察设计系统，其特征在于，包括：
数据采集子系统，用于获取无人机通过倾斜摄影的方式对勘察区域采集的无人机图像数据；其中无人机图像数据包括可见光图像和红外图像；
地图重建子系统，用于对无人机图像数据进行预设控制点刺点和空三加密处理，生成数字高程模型DEM和数字正射影像图DOM，作为所勘察区域的地表模型数据，重构三维地形；
智能识别子系统，用于基于优化的U-Net模型提取三维地形中的关键点，其中关键点包括道路和河流；
线路规划子系统，用于基于蚁群路由选取算法选取三维地形中构成路径关键点的集合，再在关键点间对多路径进行排列组合，生成多条初选目标路线；
综合评估子系统，用于通过基于层次分析的综合评估法对初选目标路线进行综合评估，得到最优目标路线。
CN202310491040.XA 2023-05-04 2023-05-04 一种采用无人机测绘的通信线路工程勘察设计方法与系统 Pending CN116539004A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310491040.XA CN116539004A (zh) 2023-05-04 2023-05-04 一种采用无人机测绘的通信线路工程勘察设计方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310491040.XA CN116539004A (zh) 2023-05-04 2023-05-04 一种采用无人机测绘的通信线路工程勘察设计方法与系统

Publications (1)

Publication Number Publication Date
CN116539004A true CN116539004A (zh) 2023-08-04

Family

ID=87446431

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310491040.XA Pending CN116539004A (zh) 2023-05-04 2023-05-04 一种采用无人机测绘的通信线路工程勘察设计方法与系统

Country Status (1)

Country Link
CN (1) CN116539004A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117292038A (zh) * 2023-10-23 2023-12-26 上海臻图信息技术有限公司 一种用于海面模型的渲染方法、系统、设备及存储介质
CN117387580A (zh) * 2023-12-13 2024-01-12 山东亿华天产业发展集团有限公司 一种基于倾斜摄影大比例尺地形图的测绘方法及系统
CN117516511A (zh) * 2023-12-05 2024-02-06 长沙云软信息技术有限公司 一种基于无人机的高速路地理信息导航勘测方法
CN117705067A (zh) * 2023-12-06 2024-03-15 中铁第四勘察设计院集团有限公司 一种基于多源测绘数据的通防管线勘测方法及系统
CN117804490A (zh) * 2024-02-28 2024-04-02 四川交通职业技术学院 一种车辆运行路线的综合规划方法及装置
CN117907242A (zh) * 2024-03-15 2024-04-19 贵州省第一测绘院(贵州省北斗导航位置服务中心) 基于动态遥感技术的国土测绘方法、系统及存储介质
CN118050028A (zh) * 2024-04-15 2024-05-17 三和数码测绘地理信息技术有限公司 一种降低测绘误差的测绘无人机及测绘方法
CN118470175A (zh) * 2024-07-09 2024-08-09 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种面向倾斜摄影测量的建筑物纹理增强方法

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117292038A (zh) * 2023-10-23 2023-12-26 上海臻图信息技术有限公司 一种用于海面模型的渲染方法、系统、设备及存储介质
CN117516511A (zh) * 2023-12-05 2024-02-06 长沙云软信息技术有限公司 一种基于无人机的高速路地理信息导航勘测方法
CN117705067A (zh) * 2023-12-06 2024-03-15 中铁第四勘察设计院集团有限公司 一种基于多源测绘数据的通防管线勘测方法及系统
CN117387580A (zh) * 2023-12-13 2024-01-12 山东亿华天产业发展集团有限公司 一种基于倾斜摄影大比例尺地形图的测绘方法及系统
CN117387580B (zh) * 2023-12-13 2024-02-13 山东亿华天产业发展集团有限公司 一种基于倾斜摄影大比例尺地形图的测绘方法及系统
CN117804490A (zh) * 2024-02-28 2024-04-02 四川交通职业技术学院 一种车辆运行路线的综合规划方法及装置
CN117804490B (zh) * 2024-02-28 2024-05-17 四川交通职业技术学院 一种车辆运行路线的综合规划方法及装置
CN117907242A (zh) * 2024-03-15 2024-04-19 贵州省第一测绘院(贵州省北斗导航位置服务中心) 基于动态遥感技术的国土测绘方法、系统及存储介质
CN118050028A (zh) * 2024-04-15 2024-05-17 三和数码测绘地理信息技术有限公司 一种降低测绘误差的测绘无人机及测绘方法
CN118470175A (zh) * 2024-07-09 2024-08-09 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种面向倾斜摄影测量的建筑物纹理增强方法

Similar Documents

Publication Publication Date Title
CN116539004A (zh) 一种采用无人机测绘的通信线路工程勘察设计方法与系统
US11599689B2 (en) Methods and apparatus for automatically defining computer-aided design files using machine learning, image analytics, and/or computer vision
US11694354B2 (en) Geospatial object geometry extraction from imagery
CN112800913B (zh) 一种基于多源特征融合的路面损伤数据时空分析方法
US11776104B2 (en) Roof condition assessment using machine learning
CN114266891B (zh) 基于图像与激光数据融合的铁路运行环境异常辨识方法
CN111985325B (zh) 特高压环境评价中的航拍小目标快速识别方法
CN112396039B (zh) 一种基于邻域关系的火星栅格地形地图生成方法
CN116778146A (zh) 基于多模态数据的道路信息提取方法及装置
CN115512247A (zh) 基于图像多参数提取的区域建筑损伤等级评定方法
CN114782915B (zh) 基于辅助监督和知识蒸馏的智能汽车端到端车道线检测系统及设备
CN117687416B (zh) 河网水安全检测装置路径规划方法及系统
CN114067245A (zh) 一种铁路外部环境隐患识别方法及系统
CN113920479A (zh) 一种目标检测网络构建和目标检测方法、装置及电子设备
CN117649526A (zh) 一种面向自动驾驶道路场景的高精度语义分割方法
CN117523486A (zh) 一种基于多源信息融合的覆冰检测方法及系统
CN117522369A (zh) 基于北斗遥感技术融合的智能路面巡检方法及系统
CN111723643A (zh) 一种基于固定区域周期性图像采集的目标检测方法
CN115457379A (zh) 一种联合语义分割与角度预测的遥感影像道路提取方法及系统
Di Stefano et al. Point cloud classification of an urban environment using a semi-automatic approach
Perry A streamlined bridge inspection framework utilizing Unmanned Aerial Vehicles (UAVs)
Mirzazade et al. Remote Inspection of Railway Bridges Using UAVs and Computer Vision
Uthai et al. Deep Learning-Based Automation of Road Surface Extraction from UAV-Derived Dense Point Clouds in Large-Scale Environment
CN118012977B (zh) 一种基于ai与gis融合的二三维多模态数据处理方法
Castagno Mapping and Real-Time Navigation With Application to Small UAS Urgent Landing

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