CN108415453A - 基于bim技术的无人机隧道巡检方法 - Google Patents
基于bim技术的无人机隧道巡检方法 Download PDFInfo
- Publication number
- CN108415453A CN108415453A CN201810065982.0A CN201810065982A CN108415453A CN 108415453 A CN108415453 A CN 108415453A CN 201810065982 A CN201810065982 A CN 201810065982A CN 108415453 A CN108415453 A CN 108415453A
- Authority
- CN
- China
- Prior art keywords
- unmanned plane
- tunnel
- engine
- image
- rgb
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000005516 engineering process Methods 0.000 title claims abstract description 40
- 230000033001 locomotion Effects 0.000 claims abstract description 55
- 238000007689 inspection Methods 0.000 claims abstract description 45
- 230000004927 fusion Effects 0.000 claims abstract description 16
- 238000006243 chemical reaction Methods 0.000 claims abstract description 9
- 230000005540 biological transmission Effects 0.000 claims abstract description 7
- 230000007547 defect Effects 0.000 claims abstract description 7
- 238000005259 measurement Methods 0.000 claims description 26
- 238000001914 filtration Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 8
- 238000012986 modification Methods 0.000 claims description 7
- 230000004048 modification Effects 0.000 claims description 7
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 230000014509 gene expression Effects 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims 2
- 238000001514 detection method Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 5
- 238000009434 installation Methods 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明揭示了一种基于BIM技术的无人机隧道巡检方法,步骤如下:通过BIM技术建立隧道模型,并将其导入到三维引擎中,利用坐标系转换方法获得无人机导航坐标系与三维引擎相机坐标系之间关系,建立无人机与三维引擎相机之间的对应关系;在三维引擎中设置相机按巡检线路进行漫游,通过坐标系转换方法转换为无人机运动轨迹参数;无人机通过信息融合算法获得其在隧道中运动状态;RGB‑D相机巡检的视频通过视频传输模块传输到地面工作站,利用基于BIM技术所做隧道模型进行视频图像与模型的贴图、拼接、匹配和组合,最终得到巡检线路的真实三维模型,进而清楚掌握目前线路的具体情况和有无隧道病害隐患。本发明能加快隧道巡检的工作效率。
Description
技术领域
本发明属于隧道巡检技术领域,涉及一种隧道巡检方法,尤其涉及一种基于BIM技术的 无人机隧道巡检方法。
背景技术
国内外常用于隧道巡检的方法主要有人工检测、半自动化的仪器检测等几种方式。其中, 人工检测由于隧道日常运营只能有两三个小时的检测时间,这导致了人工检测的线路都很短。 半自动化的仪器检测由于要在隧道生产时就需要预埋检测传感器,同时在隧道运营时架设专 门的通讯设备才可以进行,况且预埋传感器成活率都不是很高,这导致了目前隧道巡检还是 以人工巡检为主的方式来进行。
从国内外所查找的专利看,目前还没有将无人机应用于隧道巡检线路中的专利,这一方 面是由于隧道内线路繁多,无人机在隧道无论怎么精确控制都会有触碰隧道内线路的情况概 率发生;另一方面是以前室内导航由于没有GPS使得导航的精度较低。
有鉴于此,如今迫切需要设计一种新的检测方式,以便克服现有检测方式存在的上述缺 陷。
发明内容
本发明所要解决的技术问题是:提供一种基于BIM技术的无人机隧道巡检方法,可以加 快隧道巡检的工作效率,这对于日益增长的地铁隧道安全有着极大地协助作用。
为解决上述技术问题,本发明采用如下技术方案:
一种基于BIM技术的无人机隧道巡检方法,所述巡检方法包括如下步骤:
步骤S1、通过BIM技术建立隧道模型,并将其导入到三维展示软件中,利用坐标系转换 方法获得无人机导航坐标系与三维展示软件中的三维引擎相机坐标系之间关系,建立无人机 与三维引擎相机之间的对应关系;首先,通过RGB-D相机获得无人机离隧道左、右、上距离, 将无人机调整到与三维引擎漫游起始坐标相同位置,使其两坐标系重合,然后利用四元数进 行二者之间坐标系旋转变换
步骤S2、在地面工作站三维展示软件的三维引擎设置相机按巡检线路进行漫游,利用三 维引擎漫游获得的运动轨迹参数和三维引擎相机之间的对应关系将通过坐标系转换方法转换 为无人机运动轨迹参数,同时三维引擎漫游时利用射线技术侦查当前视口内的标签物体,以 便与无人机获取的标签信息相互确认,以便更进一步得到无人机巡检线路中姿态和位置参数; 所述标签用以标记位置;
步骤S3、无人机通过三维引擎相机、RGB-D相机、MEMS惯性测量单元以及隧道管片上安 装的标签四者信息融合算法获得其在隧道中运动状态:利用RGB-D相机获取隧道内部环境的 二维彩色图像和三维深度数据,然后通过极限学习算法获得无人机的姿态和位置参数估计值; 利用MEMS惯性测量单元获得惯性测量值,将所述RGB-D相机获得的姿态和位置参数估计值与 惯性测量单元获得的测量值通过滤波算法进行信息融合,再利用三维引擎相机获得的运动轨 迹参数进行无人机运动状态一次修正,然后通过标签识别器获得的标签信息进行无人机运动 状态二次修正,从而得到更为精确的无人机运动状态来自主控制无人机按巡检线路自主飞行;
步骤S4、RGB-D相机巡检的视频通过视频传输模块传输到地面工作站,地面工作站利用 基于BIM技术所做的隧道模型进行视频图像与模型的贴图、拼接、匹配和组合,最终得到巡 检线路的真实三维模型,进而清楚掌握目前线路的具体情况和有无隧道病害隐患;所述视频 图像包括深度图像和彩色图像;
在步骤S3中,其信息融合算法如下:
无人机对三维引擎相机、基于RGB-D相机、MEMS惯性测量单元以及隧道管片上安装的标 签四者信息进行处理,并采用基于信任度的DS证据理论算法计算得到的融合信息在隧道中运 动状态准确性,计算过程如下:
S31.设三维引擎相机、RGB-D相机、MEMS惯性测量单元以及隧道管片上安装的标签信息 四者信任度为W={ω1,ω2,ω3,ω4},其中ωi(i=1,2,3,4)为单个数据的属性绝对差;
S32.计算任两组数据之间的冲突
其中m(F)为单组数据的置信度;
S33.计算任两组数据之间的相似性
S34.计算比例冲突因子
S35.计算平均冲突系数
S36.计算总体权重因子ω*=m×(k*)α×min(ωi|i=1,2,3,4);
其中,α为调节因子;
S37.对所有数据的信任度进行一次调节
S38.重复上述S32到S37操作,直到总体信任度W′大于设定阈值时,无人机在隧道中的 运动状态即为安全的运行状态。
步骤S3中,根据无人机的动力学特性建立状态空间模型以及RGB-D相机、MEMS惯性测 量单元的观测模型,通过对RGB-D相机拍摄的彩色图像进行中值滤波、连通域滤波、膨胀修 改以及图像细化获得隧道中多组特征点,然后根据特征点对应深度数据获得具有匹配关系的 相邻两帧图像中的三维点云,然后通过极限学习算法获得无人机的姿态和位置参数估计值作 为无人机的姿态空间模型的观测量,这样与MEMS惯性传感器提供的观测量进行融合,该融合 后的运动状态参数与三维引擎获得的运动状态参数相比较进行一次修正无人机的飞行状态及 飞行路线,在无人机飞行过程中再通过隧道每环管片上固定的标签位置进行无人机飞行的二 次运动状态及飞行路线修正,引导无人机按三维引擎漫游线路进行巡检。
步骤S3中,其中值滤波、连通域滤波、膨胀修改以及图像细化获得隧道中的多组特征点 算法如下:
通过对RGB-D相机拍摄的彩色图像进行如下操作:
Step1.采用中值滤波器对图像进行去噪
设滤波窗口为W,采用如下方法对图像各点的灰度值{xij,(i,j)∈I2}进行滤波处理
yi=MedW{xij}=Med{xi+r,j+s,(r,s)∈W(i,j)∈I2}
其中,yi为滤波后的值。
Step2.采用Butterworth高通滤波器在频域对图像进行增强
设n阶Butterworth高通滤波器传递函数如下:
其中,D0为截至频率,为点P(u,v)到频率平面原点的距离。
将点P(u,v)处的H(u,v)下降到最大值的
Step3.通过逆滤波方法对Step2得到的图像中存在的运动模糊进行消除。
Step4.采用Hilditch细化算法对Step3得到的图像进行细化处理
方法如下:设背景值为0,前景值为1,采用8连通域,中心点为P0
P8 | P1 | P2 |
P7 | P0 | P3 |
P6 | P5 | P4 |
B(P0)表示与P0点相邻的8连通域中非零像素点的个数
A(P0)表示P0点相邻的8连通域顺时针方向P1-P8序列中0或1模式的个数。
规定如下细化条件:
2<=B(P0)<=6
A(P0)=1
P2|P4|P8=0或者A(P2)!=1
P2|P4|P6=0或者A(P4)!=1
满足条件时将P0置为0,按照从左到右,从上到下的顺序对每个像素进行遍历,直到像 素点不满足上述细化条件为止。
一种基于BIM技术的无人机隧道巡检方法,所述巡检方法包括如下步骤:
步骤S1、通过BIM技术建立隧道模型,并将其导入到三维展示软件中,利用坐标系转换 方法获得无人机导航坐标系与三维引擎相机坐标系之间关系,建立无人机与三维引擎相机之 间的对应关系;
步骤S2、在地面工作站三维展示软件的三维引擎设置相机按巡检线路进行漫游,利用三 维引擎漫游获得的运动轨迹参数和三维引擎相机之间的对应关系通过坐标系转换方法转换为 无人机运动轨迹参数,同时三维引擎漫游时利用射线技术侦查当前视口内的标签物体,以便 与无人机获取的标签信息相互确认,以便更进一步得到无人机巡检线路中姿态和位置参数;
步骤S3、无人机通过三维引擎相机、基于RGB-D相机、MEMS惯性测量单元以及隧道管片 上安装的标签四者信息融合算法获得其在隧道中运动状态;
步骤S4、RGB-D相机巡检的视频通过视频传输模块传输到地面工作站,地面工作站利用 基于BIM技术所做的隧道模型进行视频图像与模型的贴图、拼接、匹配和组合,最终得到巡 检线路的真实三维模型,进而清楚掌握目前线路的具体情况和有无隧道病害隐患;所述视频 图像包括深度图像和彩色图像。
作为本发明的一种优选方案,步骤S1中,通过RGB-D相机获得无人机离隧道左、右、上 距离,将无人机调整到与三维引擎漫游起始坐标相同位置,使其两坐标系重合,然后利用四 元数进行二者之间坐标系旋转变换。
作为本发明的一种优选方案,步骤S2中,所述标签用以标记位置。
作为本发明的一种优选方案,在步骤S3中,其信息融合算法如下:
无人机对三维引擎相机、基于RGB-D相机、MEMS惯性测量单元以及隧道管片上安装的标 签四者信息进行处理,并采用基于信任度的DS证据理论算法计算得到的融合信息在隧道中运 动状态准确性,计算过程如下:
S31.设三维引擎相机、RGB-D相机、MEMS惯性测量单元以及隧道管片上安装的标签信息 四者信任度为W={ω1,ω2,ω3,ω4},其中ωi(i=1,2,3,4)为单个数据的属性绝对差;
S32.计算任两组数据之间的冲突
其中m(F)为单组数据的置信度;
S33.计算任两组数据之间的相似性
S34.计算比例冲突因子
S35.计算平均冲突系数
S36.计算总体权重因子ω*=m×(k*)α×min(ωi|i=1,2,3,4);
其中,α为调节因子;
S37.对所有数据的信任度进行一次调节
S38.重复上述S32到S37操作,直到总体信任度W′大于设定阈值时,无人机在隧道中的 运动状态即为安全的运行状态。
作为本发明的一种优选方案,步骤S3中,利用RGB-D相机获取隧道内部环境的二维彩色 图像和三维深度数据,然后通过极限学习算法获得无人机的姿态和位置参数估计值;利用MEMS 惯性测量单元获得惯性测量值,将所述RGB-D相机获得的姿态和位置参数估计值与惯性测量 单元获得的测量值通过滤波算法进行信息融合,再利用三维引擎相机获得的运动轨迹参数进 行无人机运动状态一次修正,然后通过标签识别器获得的标签信息进行无人机运动状态二次 修正,从而得到更为精确的无人机运动状态来自主控制无人机按巡检线路自主飞行。
作为本发明的一种优选方案,步骤S3中,根据无人机的动力学特性建立状态空间模型以 及RGB-D相机、MEMS惯性测量单元的观测模型,通过对RGB-D相机拍摄的彩色图像进行中值 滤波、连通域滤波、膨胀修改以及图像细化获得隧道中多组特征点,然后根据特征点对应深 度数据获得具有匹配关系的相邻两帧图像中的三维点云,然后通过极限学习算法获得无人机 的姿态和位置参数估计值作为无人机的姿态空间模型的观测量,这样与MEMS惯性传感器提供 的观测量进行融合,该融合后的运动状态参数与三维引擎获得的运动状态参数相比较进行一 次修正无人机的飞行状态及飞行路线,在无人机飞行过程中再通过隧道每环管片上固定的标 签位置进行无人机飞行的二次运动状态及飞行路线修正,引导无人机按三维引擎漫游线路进 行巡检。
作为本发明的一种优选方案,步骤S3中,其中值滤波、连通域滤波、膨胀修改以及图像 细化获得隧道中的多组特征点算法如下:
通过对RGB-D相机拍摄的彩色图像进行如下操作:
Step1.采用中值滤波器对图像进行去噪
设滤波窗口为W,采用如下方法对图像各点的灰度值{xij,(i,j)∈I2}进行滤波处理
yi=MedW{xij}=Med{xi+r,j+s,(r,s)∈W(i,j)∈I2}
其中,yi为滤波后的值。
Step2.采用Butterworth高通滤波器在频域对图像进行增强
设n阶Butterworth高通滤波器传递函数如下:
其中,D0为截至频率,为点P(u,v)到频率平面原点的距离。
将点P(u,v)处的H(u,v)下降到最大值的
Step3.通过逆滤波方法对Step2得到的图像中存在的运动模糊进行消除。
Step4.采用Hilditch细化算法对Step3得到的图像进行细化处理
方法如下:设背景值为0,前景值为1,采用8连通域,中心点为P0;
P8 | P1 | P2 |
P7 | P0 | P3 |
P6 | P5 | P4 |
B(P0)表示与P0点相邻的8连通域中非零像素点的个数;
A(P0)表示P0点相邻的8连通域顺时针方向P1-P8序列中0或1模式的个数。
规定如下细化条件:
2<=B(P0)<=6
A(P0)=1
P2|P4|P8=0或者A(P2)!=1
P2|P4|P6=0或者A(P4)!=1
满足条件时将P0置为0,按照从左到右,从上到下的顺序对每个像素进行遍历,直到像 素点不满足上述细化条件为止。
作为本发明的一种优选方案,所述方法还包括:RGB-D相机巡检的视频通过视频传输模 块传输到地面工作站,地面工作站利用基于BIM技术所做的隧道模型进行视频图像与模型的 贴图、拼接、匹配和组合,最终得到巡检线路的真实三维模型,进而清楚掌握目前线路的具 体情况和有无隧道病害隐患;所述视频图像包括深度图像和彩色图像。
本发明的有益效果在于:本发明提出的基于BIM技术的无人机隧道巡检方法,可以加快 隧道巡检的工作效率,这对于日益增长的地铁隧道安全有着极大地协助作用。本发明利用无 人机进行巡检,操作方便、数据采集快捷、信息丰富、成本较低,巡检时间大大降低。
附图说明
图1为本发明基于BIM技术的无人机隧道巡检方法的流程图。
图2为本发明基于BIM技术的无人机隧道巡检***的组成示意图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
实施例一
参见图1,本基于BIM技术的无人机隧道巡检方法,所述巡检方法包括如下步骤:
【步骤S1】通过BIM技术建立隧道模型,并将其导入到三维展示软件中,利用坐标系转 换方法获得无人机导航坐标系与三维引擎相机坐标系之间关系,建立无人机与三维引擎相机 之间的对应关系;
【步骤S2】在地面工作站三维展示软件的三维引擎设置相机按巡检线路进行漫游,利用 三维引擎漫游获得的运动轨迹参数和三维引擎相机之间的对应关系将通过坐标系转换方法转 换为无人机运动轨迹参数,同时三维引擎漫游时利用射线技术侦查当前视口内的标签物体, 以便与无人机获取的标签信息相互确认,以便更进一步得到无人机巡检线路中姿态和位置参 数;
【步骤S3】无人机通过三维引擎相机、RGB-D相机、MEMS惯性测量单元以及隧道管片上 安装的标签四者信息融合算法获得其在隧道中运动状态;
【步骤S4】RGB-D相机巡检的视频通过视频传输模块传输到地面工作站,地面工作站利 用基于BIM技术所做的隧道模型进行视频图像与模型的贴图、拼接、匹配和组合,最终得到 巡检线路的真实三维模型,进而清楚掌握目前线路的具体情况和有无隧道病害隐患。
实施例二
参见图1、图2,本基于BIM技术的无人机隧道巡检方法,它包括以下步骤:
【步骤1】通过BIM技术建立隧道模型,并将其导入到三维展示软件中,利用坐标系转 换方法获得无人机导航坐标系与三维引擎相机坐标系之间关系,建立无人机与三维引擎相机 之间的对应关系;
其中,坐标系转换方法获得无人机导航坐标系与三维引擎相机坐标系之间关系。该关系 的获得首先是通过RGB-D相机获得无人机离隧道左、右、上距离,将无人机调整到与三维引 擎漫游起始坐标相同位置,使其两坐标系重合,然后再利用四元数进行二者之间坐标系旋转 变换。
【步骤2】在地面工作站三维展示软件的三维引擎设置相机按巡检线路进行漫游,利用 三维引擎漫游和三维引擎相机之间的对应关系获得无人机运动轨迹参数,同时漫游时利用射 线技术侦查当前视口内的标签物体,以便与无人机获取的标签信息相互确认。
【步骤3】无人机通过三维引擎相机、RGB-D相机、MEMS惯性测量单元以及隧道管片上 安装的标签四者信息融合算法获得其在隧道中运动状态:利用RGB-D相机获取隧道内部环境 的二维彩色图像和三维深度数据,然后通过极限学习算法获得无人机的姿态和位置参数估计 值;利用MEMS惯性测量单元获得惯性测量值,将所述RGB-D相机获得的姿态和位置参数估计 值与惯性测量单元获得的测量值通过滤波算法进行信息融合,再利用三维引擎相机获得的运 动轨迹参数进行无人机运动状态一次修正,然后通过标签识别器获得的标签信息进行无人机 运动状态二次修正,从而得到更为精确的无人机运动状态来自主控制无人机按巡检线路自主 飞行。
在步骤S3中,其信息融合算法如下:
无人机对三维引擎相机、RGB-D相机、MEMS惯性测量单元以及隧道管片上安装的标签四 者信息进行处理,并采用基于信任度的DS证据理论算法计算得到的融合信息在隧道中运动状 态准确性,计算过程如下:
S31.设三维引擎相机、RGB-D相机、MEMS惯性测量单元以及隧道管片上安装的标签信息 四者信任度为W={ω1,ω2,ω3,ω4},其中ωi(i=1,2,3,4)为单个数据的属性绝对差;
S32.计算任两组数据之间的冲突
其中m(F)为单组数据的置信度;
S33.计算任两组数据之间的相似性
S34.计算比例冲突因子
S35.计算平均冲突系数
S36.计算总体权重因子ω*=m×(k*)α×min(ωi|i=1,2,3,4);
其中,α为调节因子;
S37.对所有数据的信任度进行一次调节
S38.重复上述S32到S37操作,直到总体信任度W′大于设定阈值时,无人机在隧道中的 运动状态即为安全的运行状态。
具体地,根据无人机的动力学特性建立状态空间模型以及RGB-D相机、MEMS惯性测量单 元的观测模型,通过对RGB-D相机拍摄的彩色图像进行中值滤波、连通域滤波、膨胀修改以 及图像细化获得隧道中多组特征点,然后根据特征点对应深度数据获得具有匹配关系的相邻 两帧图像中的三维点云,然后通过极限学习算法获得无人机的姿态和位置参数估计值作为无 人机的姿态空间模型的观测量,这样与MEMS惯性传感器提供的观测量进行融合,该融合后的 运动状态参数与三维引擎获得的运动状态参数相比较进行一次修正无人机的飞行状态及飞行 路线,在无人机飞行过程中再通过隧道每环管片上固定的标签位置进行无人机飞行的二次运 动状态及飞行路线修正,引导无人机按三维引擎漫游线路进行巡检。
上述步骤中,其中值滤波、连通域滤波、膨胀修改以及图像细化获得隧道中的多组特征 点算法如下:
通过对RGB-D相机拍摄的彩色图像进行如下操作:
S301.采用中值滤波器对图像进行去噪
设滤波窗口为W,采用如下方法对图像各点的灰度值{xij,(i,j)∈I2}进行滤波处理
yi=MedW{xij}=Med{xi+r,j+s,(r,s)∈W(i,j)∈I2}
其中,yi为滤波后的值。
S302.采用Butterworth高通滤波器在频域对图像进行增强
设n阶Butterworth高通滤波器传递函数如下:
其中,D0为截至频率,为点P(u,v)到频率平面原点的距离。
将点P(u,v)处的H(u,v)下降到最大值的
S303.通过逆滤波方法对S302得到的图像中存在的运动模糊进行消除。
S304.采用Hilditch细化算法对Step3得到的图像进行细化处理
方法如下:设背景值为0,前景值为1,采用8连通域,中心点为P0;
P8 | P1 | P2 |
P7 | P0 | P3 |
P6 | P5 | P4 |
B(P0)表示与P0点相邻的8连通域中非零像素点的个数;
A(P0)表示P0点相邻的8连通域顺时针方向P1-P8序列中0或1模式的个数。
规定如下细化条件:
2<=B(P0)<=6
A(P0)=1
P2|P4|P8=0或者A(P2)!=1
P2|P4|P6=0或者A(P4)!=1
满足条件时将P0置为0,按照从左到右,从上到下的顺序对每个像素进行遍历,直到像 素点不满足上述细化条件为止。
【步骤S4】RGB-D相机巡检的视频通过视频传输模块传输到地面工作站,地面工作站利 用基于BIM技术所做的隧道模型进行视频图像(深度图像和彩色图像)与模型的贴图、拼接、 匹配和组合,最终得到巡检线路的真实三维模型,进而清楚掌握目前线路的具体情况和有无 隧道病害隐患。
综上所述,本发明提出的基于BIM技术的无人机隧道自主巡检方法,可以加快隧道巡检 的工作效率,这对于日益增长的地铁隧道安全有着极大地协助作用。本发明利用无人机进行 巡检,操作方便、数据采集快捷、信息丰富、成本较低,巡检时间大大降低。
这里本发明的描述和应用是说明性的,并非想将本发明的范围限制在上述实施例中。这 里所披露的实施例的变形和改变是可能的,对于那些本领域的普通技术人员来说实施例的替 换和等效的各种部件是公知的。本领域技术人员应该清楚的是,在不脱离本发明的精神或本 质特征的情况下,本发明可以以其它形式、结构、布置、比例,以及用其它组件、材料和部 件来实现。在不脱离本发明范围和精神的情况下,可以对这里所披露的实施例进行其它变形 和改变。
Claims (8)
1.一种基于BIM技术的无人机隧道巡检方法,采用的操作***是一个地面工作站(1)连接一个机载处理单元(2),机载处理单元(2)连接一个机载传感器***(3)和一个机载控制单元(4),机载传感器***(3)识别隧道(5)中管片标签,其特征在于具体操作步骤如下:
步骤S1、通过BIM技术建立隧道模型,并将其导入到地面工作站(1)的三维展示软件中,利用坐标系转换方法获得无人机导航坐标系与三维展示软件中的三维引擎相机坐标系之间关系,建立无人机与三维引擎相机之间的对应关系;
步骤S2、在地面工作站三维展示软件的三维引擎设置相机按巡检线路进行漫游,利用三维引擎漫游获得的运动轨迹参数和三维引擎相机之间的对应关系将通过坐标系转换方法转换为无人机运动轨迹参数,同时三维引擎漫游时利用射线技术侦查当前视口内的标签物体,以便与无人机获取的标签信息相互确认,以便更进一步得到无人机巡检线路中姿态和位置参数;标签用以标记位置;
步骤S3、无人机通过地面工作站(1)的三维引擎相机、机载传感器***(3)中的RGB-D相机和MEMS惯性测量单元以及隧道管片(5)上安装的管片标签四者信息融合算法获得其在隧道中运动状态;
步骤S4、机载传感器***(3)中的RGB-D相机巡检的视频通过视频传输模块传输到地面工作站(1),地面工作站(1)利用基于BIM技术所做的隧道模型进行视频图像与模型的贴图、拼接、匹配和组合,最终得到巡检线路的真实三维模型,进而清楚掌握目前线路的具体情况和有无隧道病害隐患;所述视频图像包括深度图像和彩色图像。
2.根据权利要求1所述的基于BIM技术的无人机隧道巡检方法,其特征在于:
步骤S1中,通过RGB-D相机获得无人机离隧道左、右、上距离,将无人机调整到与三维引擎漫游起始坐标相同位置,使其两坐标系重合,然后利用四元数进行二者之间坐标系旋转变换。
3.根据权利要求1所述的基于BIM技术的无人机隧道巡检方法,其特征在于:
步骤S2中,所述标签用以标记位置。
4.根据权利要求1所述的基于BIM技术的无人机隧道巡检方法,其特征在于:
步骤S3中,利用RGB-D相机获取隧道内部环境的二维彩色图像和三维深度数据,然后通过极限学习算法获得无人机的姿态和位置参数估计值;利用MEMS惯性测量单元获得惯性测量值,将所述RGB-D相机获得的姿态和位置参数估计值与惯性测量单元获得的测量值通过滤波算法进行信息融合,再利用三维引擎相机获得的运动轨迹参数进行无人机运动状态一次修正,然后通过标签识别器获得的标签信息进行无人机运动状态二次修正,从而得到更为精确的无人机运动状态来自主控制无人机按巡检线路自主飞行。
5.根据权利要求1所述的基于BIM技术的无人机隧道巡检方法,其特征在于:
在步骤S3中,其信息融合算法如下:
无人机对三维引擎相机、基于RGB-D相机、MEMS惯性测量单元以及隧道管片上安装的标签四者信息进行处理,并采用基于信任度的DS证据理论算法计算得到的融合信息在隧道中运动状态准确性,计算过程如下:
S31.设三维引擎相机、RGB-D相机、MEMS惯性测量单元以及隧道管片上安装的管片标签信息四者信任度为W={ω1,ω2,ω3,ω4},其中ωi(i=1,2,3,4)为单个数据的属性绝对差;
S32.计算任两组数据之间的冲突
其中m(F)为单组数据的置信度;
S33.计算任两组数据之间的相似性
S34.计算比例冲突因子
S35.计算平均冲突系数
S36.计算总体权重因子ω*=m×(k*)α×min(ωi|i=1,2,3,4);
其中,α为调节因子;
S37.对所有数据的信任度进行更新调节
S38.重复上述步骤S32到步骤S37操作,直到总体信任度W′大于设定阈值时,无人机在隧道中的运动状态即为安全的运行状态。
6.根据权利要求1所述的基于BIM技术的无人机隧道巡检方法,其特征在于:
步骤S3中,根据无人机的动力学特性建立状态空间模型以及RGB-D相机、MEMS惯性测量单元的观测模型,通过对RGB-D相机拍摄的彩色图像进行中值滤波、连通域滤波、膨胀修改以及图像细化获得隧道中多组特征点,然后根据特征点对应深度数据获得具有匹配关系的相邻两帧图像中的三维点云,然后通过极限学习算法获得无人机的姿态和位置参数估计值作为无人机的姿态空间模型的观测量,这样与MEMS惯性传感器提供的观测量进行融合,该融合后的运动状态参数与三维引擎获得的运动状态参数相比较进行一次修正无人机的飞行状态及飞行路线,在无人机飞行过程中再通过隧道每环管片上固定的标签位置进行无人机飞行的二次运动状态及飞行路线修正,引导无人机按三维引擎漫游线路进行巡检。
7.根据权利要求5所述的基于BIM技术的无人机隧道巡检方法,其特征在于:
步骤S3中,其中值滤波、连通域滤波、膨胀修改以及图像细化获得隧道中的多组特征点算法如下:
通过对RGB-D相机拍摄的彩色图像进行如下操作:
S301.采用中值滤波器对图像进行去噪;
设滤波窗口为W,采用如下方法对图像各点的灰度值{xij,(i,j)∈I2}进行滤波处理;
yi=MedW{xij}=Med{xi+r,j+s,(r,s)∈W(i,j)∈I2};
其中,yi为滤波后的值;
S302.采用Butterworth高通滤波器在频域对图像进行增强
设n阶Butterworth高通滤波器传递函数如下:
其中,D0为截至频率,为点P(u,v)到频率平面原点的距离;
将点P(u,v)处的H(u,v)下降到最大值的
S303.通过逆滤波方法对步骤S302得到的图像中存在的运动模糊进行消除;
S304.采用Hilditch细化算法对步骤S303得到的图像进行细化处理;
方法如下:设背景值为0,前景值为1,采用8连通域,中心点为P0;
B(P0)表示与P0点相邻的8连通域中非零像素点的个数;
A(P0)表示P0点相邻的8连通域顺时针方向P1-P8序列中0或1模式的个数;
规定如下细化条件:
2<=B(P0)<=6
A(P0)=1
P2|P4|P8=0或者A(P2)!=1
P2|P4|P6=0或者A(P4)!=1
满足条件时将P0置为0,按照从左到右,从上到下的顺序对每个像素进行遍历,直到像素点不满足上述细化条件为止。
8.根据权利要求1所述的基于BIM技术的无人机隧道巡检方法,其特征在于:
所述步骤S4中,RGB-D相机巡检的视频通过视频传输模块传输到地面工作站(1),地面工作站(1)利用基于BIM技术所做的隧道模型进行视频图像与模型的贴图、拼接、匹配和组合,最终得到巡检线路的真实三维模型,进而清楚掌握目前线路的具体情况和有无隧道病害隐患;所述视频图像包括深度图像和彩色图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810065982.0A CN108415453A (zh) | 2018-01-24 | 2018-01-24 | 基于bim技术的无人机隧道巡检方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810065982.0A CN108415453A (zh) | 2018-01-24 | 2018-01-24 | 基于bim技术的无人机隧道巡检方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108415453A true CN108415453A (zh) | 2018-08-17 |
Family
ID=63126237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810065982.0A Pending CN108415453A (zh) | 2018-01-24 | 2018-01-24 | 基于bim技术的无人机隧道巡检方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108415453A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109186554A (zh) * | 2018-09-07 | 2019-01-11 | 成都川江信息技术有限公司 | 一种将实时视频固定轨迹巡检中的场景自动定位坐标的方法 |
CN109405895A (zh) * | 2018-12-29 | 2019-03-01 | 广州供电局有限公司 | 电缆隧道监控管理*** |
CN109760837A (zh) * | 2019-02-21 | 2019-05-17 | 西京学院 | 一种电缆沟与隧道巡检无人机*** |
CN109840600A (zh) * | 2018-12-29 | 2019-06-04 | 天津大学 | Bim辅助的供水渠道无人机在线协同巡检*** |
CN110113572A (zh) * | 2019-05-08 | 2019-08-09 | 中铁八局集团建筑工程有限公司 | 一种基于建筑信息模型的实景漫游方法 |
CN110262546A (zh) * | 2019-06-18 | 2019-09-20 | 武汉大学 | 一种隧道智能无人机巡检***及方法 |
CN110842926A (zh) * | 2019-11-28 | 2020-02-28 | 陕西广播电视大学 | 机器人精准定位*** |
CN111414518A (zh) * | 2020-03-26 | 2020-07-14 | 中国铁路设计集团有限公司 | 一种铁路无人机视频定位方法 |
CN111739308A (zh) * | 2019-03-19 | 2020-10-02 | 上海大学 | 面向车路协同的道路异常移动物联监控***及方法 |
CN112268541A (zh) * | 2020-10-16 | 2021-01-26 | 中国有色金属长沙勘察设计研究院有限公司 | 一种三维空间探测的方法 |
CN112386171A (zh) * | 2020-11-18 | 2021-02-23 | 福州市长乐区三互信息科技有限公司 | 楼宇物业智能清洁方法及其*** |
CN112789672A (zh) * | 2018-09-10 | 2021-05-11 | 感知机器人有限公司 | 控制和导航***、姿态优化、映射和定位技术 |
CN112862879A (zh) * | 2021-02-18 | 2021-05-28 | 中国矿业大学(北京) | 一种基于tin模型的地铁隧道三维模型构建方法 |
CN114356913A (zh) * | 2021-12-15 | 2022-04-15 | 联奕科技股份有限公司 | 一种微服务链路运维***及方法 |
US11827351B2 (en) | 2018-09-10 | 2023-11-28 | Perceptual Robotics Limited | Control and navigation systems |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984355A (zh) * | 2014-05-19 | 2014-08-13 | 华北电力大学 | 一种巡检飞行机器人与架空电力线路距离预测和保持方法 |
CN104236548A (zh) * | 2014-09-12 | 2014-12-24 | 清华大学 | 一种微型无人机室内自主导航方法 |
CN104843176A (zh) * | 2015-04-28 | 2015-08-19 | 武汉大学 | 一种用于桥梁隧道自动巡检旋翼无人机***及导航方法 |
CN105334862A (zh) * | 2015-10-28 | 2016-02-17 | 上海同筑信息科技有限公司 | 基于bim的无人机监控方法及*** |
KR20160034013A (ko) * | 2014-09-19 | 2016-03-29 | 한국건설기술연구원 | 무인 항공기를 이용한 건설현장 관리 시스템 및 방법 |
CN105575157A (zh) * | 2016-01-29 | 2016-05-11 | 浙江理工大学 | 一种基于射频识别技术的车辆精确定位辅助***及方法 |
CN106441286A (zh) * | 2016-06-27 | 2017-02-22 | 上海大学 | 基于bim技术的无人机隧道巡检*** |
-
2018
- 2018-01-24 CN CN201810065982.0A patent/CN108415453A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984355A (zh) * | 2014-05-19 | 2014-08-13 | 华北电力大学 | 一种巡检飞行机器人与架空电力线路距离预测和保持方法 |
CN104236548A (zh) * | 2014-09-12 | 2014-12-24 | 清华大学 | 一种微型无人机室内自主导航方法 |
KR20160034013A (ko) * | 2014-09-19 | 2016-03-29 | 한국건설기술연구원 | 무인 항공기를 이용한 건설현장 관리 시스템 및 방법 |
CN104843176A (zh) * | 2015-04-28 | 2015-08-19 | 武汉大学 | 一种用于桥梁隧道自动巡检旋翼无人机***及导航方法 |
CN105334862A (zh) * | 2015-10-28 | 2016-02-17 | 上海同筑信息科技有限公司 | 基于bim的无人机监控方法及*** |
CN105575157A (zh) * | 2016-01-29 | 2016-05-11 | 浙江理工大学 | 一种基于射频识别技术的车辆精确定位辅助***及方法 |
CN106441286A (zh) * | 2016-06-27 | 2017-02-22 | 上海大学 | 基于bim技术的无人机隧道巡检*** |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109186554A (zh) * | 2018-09-07 | 2019-01-11 | 成都川江信息技术有限公司 | 一种将实时视频固定轨迹巡检中的场景自动定位坐标的方法 |
CN109186554B (zh) * | 2018-09-07 | 2021-05-07 | 成都川江信息技术有限公司 | 一种将实时视频固定轨迹巡检中的场景自动定位坐标的方法 |
CN112789672B (zh) * | 2018-09-10 | 2023-12-12 | 感知机器人有限公司 | 控制和导航***、姿态优化、映射和定位技术 |
US11827351B2 (en) | 2018-09-10 | 2023-11-28 | Perceptual Robotics Limited | Control and navigation systems |
CN112789672A (zh) * | 2018-09-10 | 2021-05-11 | 感知机器人有限公司 | 控制和导航***、姿态优化、映射和定位技术 |
US11886189B2 (en) | 2018-09-10 | 2024-01-30 | Perceptual Robotics Limited | Control and navigation systems, pose optimization, mapping, and localization techniques |
CN109405895A (zh) * | 2018-12-29 | 2019-03-01 | 广州供电局有限公司 | 电缆隧道监控管理*** |
CN109840600A (zh) * | 2018-12-29 | 2019-06-04 | 天津大学 | Bim辅助的供水渠道无人机在线协同巡检*** |
CN109760837A (zh) * | 2019-02-21 | 2019-05-17 | 西京学院 | 一种电缆沟与隧道巡检无人机*** |
CN109760837B (zh) * | 2019-02-21 | 2022-03-18 | 西京学院 | 一种电缆沟与隧道巡检无人机*** |
CN111739308A (zh) * | 2019-03-19 | 2020-10-02 | 上海大学 | 面向车路协同的道路异常移动物联监控***及方法 |
CN111739308B (zh) * | 2019-03-19 | 2024-01-19 | 上海大学 | 面向车路协同的道路异常移动物联监控***及方法 |
CN110113572B (zh) * | 2019-05-08 | 2021-04-13 | 中铁八局集团建筑工程有限公司 | 一种基于建筑信息模型的实景漫游方法 |
CN110113572A (zh) * | 2019-05-08 | 2019-08-09 | 中铁八局集团建筑工程有限公司 | 一种基于建筑信息模型的实景漫游方法 |
CN110262546A (zh) * | 2019-06-18 | 2019-09-20 | 武汉大学 | 一种隧道智能无人机巡检***及方法 |
CN110262546B (zh) * | 2019-06-18 | 2021-07-20 | 武汉大学 | 一种隧道智能无人机巡检方法 |
CN110842926A (zh) * | 2019-11-28 | 2020-02-28 | 陕西广播电视大学 | 机器人精准定位*** |
CN111414518B (zh) * | 2020-03-26 | 2022-06-14 | 中国铁路设计集团有限公司 | 一种铁路无人机视频定位方法 |
CN111414518A (zh) * | 2020-03-26 | 2020-07-14 | 中国铁路设计集团有限公司 | 一种铁路无人机视频定位方法 |
CN112268541B (zh) * | 2020-10-16 | 2022-04-15 | 中国有色金属长沙勘察设计研究院有限公司 | 一种三维空间探测的方法 |
CN112268541A (zh) * | 2020-10-16 | 2021-01-26 | 中国有色金属长沙勘察设计研究院有限公司 | 一种三维空间探测的方法 |
CN112386171A (zh) * | 2020-11-18 | 2021-02-23 | 福州市长乐区三互信息科技有限公司 | 楼宇物业智能清洁方法及其*** |
CN112862879B (zh) * | 2021-02-18 | 2023-07-07 | 中国矿业大学(北京) | 一种基于tin模型的地铁隧道三维模型构建方法 |
CN112862879A (zh) * | 2021-02-18 | 2021-05-28 | 中国矿业大学(北京) | 一种基于tin模型的地铁隧道三维模型构建方法 |
CN114356913A (zh) * | 2021-12-15 | 2022-04-15 | 联奕科技股份有限公司 | 一种微服务链路运维***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108415453A (zh) | 基于bim技术的无人机隧道巡检方法 | |
CN106441286B (zh) | 基于bim技术的无人机隧道巡检*** | |
KR102001728B1 (ko) | 스테레오 카메라 드론을 활용한 무기준점 3차원 위치좌표 취득 방법 및 시스템 | |
CN109911188B (zh) | 非卫星导航定位环境的桥梁检测无人机*** | |
WO2019093532A1 (ko) | 스트레오 카메라 드론을 활용한 무기준점 3차원 위치좌표 취득 방법 및 시스템 | |
US20180192035A1 (en) | Systems and methods for object location | |
CN105197252B (zh) | 一种小型无人机降落方法及*** | |
CN101419055B (zh) | 基于视觉的空间目标位姿测量装置和方法 | |
CN106127683B (zh) | 一种无人机载sar图像实时拼接方法 | |
CN111241988B (zh) | 一种结合定位信息的大场景内运动目标检测识别方法 | |
CN111735445B (zh) | 融合单目视觉与imu的煤矿巷道巡检机器人***及导航方法 | |
EP3032818A1 (en) | Image processing device and markers | |
CN111339893A (zh) | 基于深度学习和无人机的管道检测***及方法 | |
CN106705962A (zh) | 一种获取导航数据的方法及*** | |
CN111540052A (zh) | 一种铁路沿线危岩落石的快速定位及三维重建方法 | |
CN106969721A (zh) | 一种三维测量方法及其测量装置 | |
CN109472778A (zh) | 一种基于无人机的高耸结构外观检测方法 | |
CN114034296A (zh) | 一种导航信号干扰源检测与识别方法及*** | |
CN109143303A (zh) | 飞行定位方法、装置及固定翼无人机 | |
CN111462241A (zh) | 一种基于单目视觉的目标定位方法 | |
Bertram et al. | Generation the 3D model building by using the quadcopter | |
CN112446915A (zh) | 一种基于图像组的建图方法及装置 | |
CN107093187A (zh) | 一种无人机飞行速度的测量方法及装置 | |
RU2466355C1 (ru) | Способ получения навигационной информации для автоматической посадки беспилотных летательных аппаратов (бла) | |
CN102123234A (zh) | 无人机侦察视频分级运动补偿方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180817 |
|
RJ01 | Rejection of invention patent application after publication |