CN113611082B - 一种无人机铁路边坡监控与预警***及方法 - Google Patents
一种无人机铁路边坡监控与预警***及方法 Download PDFInfo
- Publication number
- CN113611082B CN113611082B CN202110783525.7A CN202110783525A CN113611082B CN 113611082 B CN113611082 B CN 113611082B CN 202110783525 A CN202110783525 A CN 202110783525A CN 113611082 B CN113611082 B CN 113611082B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- data
- slope
- unmanned aerial
- aerial vehicle
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000005259 measurement Methods 0.000 claims abstract description 20
- 238000005516 engineering process Methods 0.000 claims description 36
- 238000001514 detection method Methods 0.000 claims description 19
- 238000001914 filtration Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000003287 optical effect Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000033001 locomotion Effects 0.000 claims description 6
- 230000008676 import Effects 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000011049 filling Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000004806 packaging method and process Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000000873 masking effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims 1
- 230000001131 transforming effect Effects 0.000 claims 1
- 230000000007 visual effect Effects 0.000 claims 1
- 230000002829 reductive effect Effects 0.000 abstract description 6
- 238000011161 development Methods 0.000 description 10
- 230000018109 developmental process Effects 0.000 description 10
- 239000013307 optical fiber Substances 0.000 description 10
- 238000010276 construction Methods 0.000 description 7
- 238000006073 displacement reaction Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 239000000428 dust Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/14—Receivers specially adapted for specific applications
-
- 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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/23—Dune restoration or creation; Cliff stabilisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Geology (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明涉及一种无人机铁路边坡监控与预警***及方法。该方法包括:无人机高清影像、激光点云数据获取与处理;定性边坡区域情况;区域地形数据(DSM)、区域影像数据(DOM)获取,构建区域三维模型;倾斜摄影数据采集与三维地表实景重建、高密度无人机激光点云数据采集与三维地表实景重建;基于高精度三维地表实景,提取边坡数据;基于点云的边坡数据对现场边坡进行检测与预警。本发明通过无人机与激光雷达设备的结合,提高了监测精度,实现了测量的自动化,以及非接触式测量,实现了降低成本、减少劳动力投入。
Description
技术领域
本发明涉及边坡监控与预警技术领域,尤其涉及一种无人机铁路边坡监控与预警***及方法。
背景技术
我国正处于现代化建设的高速发展阶段,对于大型的工程建设,如高速公路、铁路、水电水利设施、矿山等,在它们的工程建设和运营阶段,会有很多的边坡工程形成,一旦这些边坡发生危险,将对人民生命和财产的安全造成巨大的威胁,同时也对国家经济建设造成严重的影响,制约国民经济的快速发展。而我国地质地形情况复杂,这些边坡在受到降雨、施工、地震等外界因素影响时,严重的情况下就会发展为滑坡灾害。
随着我国铁路的迅速发展,保障列车在轨道线路上安全平稳运行成为了首要任务。铁路工程项目多呈带状,沿线边坡地质和环境条件十分复杂。一旦发生落石、滑坡等灾害,将严重威胁列车运行安全。对边坡开展监测与预警,尤其是对铁路沿线的边坡进行监测具有重要意义。
边坡的监测工作主要包括:边坡地表的位移监测、内部的倾斜监测、应力监测、降水量监测等方面,而其中对地表位移的监测是边坡变形监测中的重点内容。铁路边坡如附图1所示。
现有技术中,对边坡监测的方案主要包括以下几种:
(1)测斜仪变形监测法。测斜仪监测边坡变形是利用测斜仪测量倾斜角度进而得到水平位移的方法。测斜仪的组成部分包括测斜探头、读数和电缆部分。利用测斜仪进行边坡变形监测时,首先在边坡上选择监测点进行打孔,然后埋置测斜管。测量时,将测斜探头在管中从上到下的进行滑动,其探头就可以灵敏地测量出不同深度时的倾斜角度,这样就可以得到各个深度内的水平变形量,绘制深度位移曲线。测斜仪法可以灵敏地测出坡体内部的位移变化情况,反应坡体的变形机制和发展趋势。
该方法具有一定局限,测斜仪法每次测量时都是以第一次测斜管的底部为基准,因此随着时间的发展,测斜管底部同样会有变形产生,给监测结果带来误差;另外,由于在坡体打孔埋置测斜管,测斜管会对周围的岩体或土体产生一定的抗剪力,使测斜管附近的变形强度变小,测量结果与实际情况产生偏差。
(2)分布式光纤传感技术。分布式光纤传感技术是以光纤内的光为观测对象,通过测量光的频率、相位、偏振态和强度等物理参数获取环境的应变、温度等参数信息。目前,常用的光纤技术主要有FBG技术和BOTDR技术。其中FBG技术是通过对光的波长变化进行测量,得到应变、温度等信息;BOTDR技术是通过对后向布里渊散射的频移的测量来得到分布式应变、温度等信息的变化。在利用分布式光纤传感技术进行边坡监测时,要首先根据边坡的具体情况设计光纤的布设方案,选择合适的光纤类型,然后确定光纤与监测对象的粘结方式。光纤传感技术具有轻量化、耐高温腐蚀、抗干扰、高灵敏度、响应快速、可以分布式测量等优点。但当边坡变形较大时,光纤会发生断裂。
(3)全站仪技术的变形监测方法。传统的大地测量技术对边坡进行形变监测主要是利用经纬仪、水准仪、测距仪、全站仪等光学或电子仪器进行距离、角度、高差等的测量,得到坡体表面监测点的位移、变形速度、累计变形量等参数,进而对边坡的稳定性进行分析。全站仪是目前广泛使用的一种仪器,它可以在一个测站上完成角度和距离的测量,监测点的平面坐标可以通过交会法、极坐标法、导线法等方法进行测量,而高差也可以通过三角高程测量的方法得到,全站仪的测量精度能够达到毫米级,满足边坡监测的精度要求。
全站仪技术缺点在于,只能对坡体表面有限的监测点进行测量,反应坡体整体运动趋势方面能力有限;对通视条件有一定要求,容易受到遮挡等情况的影响;所需人力投入比较大。
(4)GNSS技术的变形监测方法。目前,可以使用的GNSS***主要有中国的北斗卫星导航***、美国的GPS、俄罗斯的GLONASS,其中最广泛使用的是美国的GPS***。目前,GPS技术已经广泛应用于边坡的变形监测。利用GPS技术进行边坡变形监测时,需要进行GPS网的布设,要求在远离形变区的稳定区域布设基准点,在监测区域,根据坡体的形态特征选择能够反映边坡变形趋势的点位布设监测点,基准点和监测点都应该用混凝土浇灌成强制观测墩,按照设计的时间进行静态观测,结合精密星历或快速精密星历,利用后处理软件进行解算,并定期对基准网进行观测,保证基准点的稳定性。
GNSS技术在应用中存在技术的不足,只能对有限的监测点进行测量,不易于反应坡体的整体变化趋势;点位要求周围不能有遮挡和高压电、信号塔等干扰;监测***的成本相对较高。
(5)近景摄影测量技术的变形监测方法。近景摄影测量技术进行变形监测是利用非量测或量测相机,对监测区域进行摄影,得到坡体的点云坐标,进行形变提取与分析的方法。具体实施方法:在监测区域布置一定数量的控制点,利用非量测或量测相机对监测区域进行拍摄,要求拍摄的像片具有一定的重叠度。如果是普通数码相机,则要对相机进行检校,检校得到镜头畸变参数、焦距和主点坐标等。然后利用近景摄影测量的软件,输入控制点坐标、图像、相机检校参数等,进行区域网平差,之后匹配交会计算得到坡体监测区域的点云坐标。将不同期的观测数据统一到同一坐标系下,可以采用绝对坐标的控制点,将两期数据统一到绝对坐标系下,也可以对两期数据进行匹配,转换到相对坐标系下。这样就可以构建坡体的三维模型,并将不同期数据进行对比分析,提取形变,并对边坡的稳定性进行分析。
近景摄影测量技术的不足之处在于,内业处理的技术要求相对较高;对数据质量要求较高,如果数据质量差,则匹配点会比较稀疏,精度难以达到要求。
(6)InSAR技术的变形监测方法。InSAR技术是近几年发展起来的一种技术,该技术利用相位信息来得到地表的三维信息,InSAR技术可以全天候的进行观测,受云和天气等的影响小,可以大范围的进行高精度的监测,广泛地应用于地表形变监测。由于InSAR技术可以大范围地进行高精度的监测,所以该技术不仅可以针对某个确定的边坡进行监测,也可以针对全省甚至全国范围进行地质灾害的普查。
InSAR技术在边坡监测方面也存在一定的不足,星载InSAR技术一般重返周期长、空间分辨率不高;在植被茂密的监测区域,相干性较差;山区地形高低起伏,有些高程的突变会导致整周的跳变;山区不同海拔高度水汽含量不同,造成的影响较大。
如何克服上述现有技术方案的不足,提高边坡监测的精度,实现监测工作的自动化以及非接触式测量,同时降低成本、减少劳动力投入,成为本技术领域亟待解决的课题。
发明内容
无人机低空遥感***问世后,以其操作简单、价格低廉、机动灵活等优点,在诸多领域得到应用。2008年发生汶川地震后,也有将无人机***应用于地质灾害研究的先例。
三维激光扫描技术是最近发展起来的一种测量技术,采用主动式、非接触的测量方式,可以快速地获取目标区域的三维信息。三维激光扫描技术被称为在卫星导航技术之后的又一项技术革新。通过对坡体目标区域进行多期观测,对采集的点云数据进行拼接、滤波、构建DEM等处理之后,将多期数据进行对比分析,可以得到边坡的形变及发展趋势。目前在边坡的形变监测中正在得到广泛的关注与应用。
为克服上述现有技术的不足,本发明提供了一种无人机铁路边坡监控与预警***及方法,本发明采用如下技术方案:
一种无人机边坡监控与预警方法,包括如下步骤:
无人机高清影像、激光点云数据获取与处理;
定性边坡区域情况,确定发生边坡风险的区域,在规划航线时重点覆盖该发生边坡风险的区域;
区域地形数据(DSM)、区域影像数据(DOM)获取,构建区域三维模型;所述区域地形数据(DSM)为激光雷达采集的点云数据,其包含位置信息,不具备颜色信息,所述区域影像数据(DOM)是由无人机拍摄的高清影像,其具有图像的颜色信息,在选定区域后,将该选定区域的区域影像数据(DOM)与区域地形数据(DSM)进行合成,生成彩色点云,其既有作为点云的几何特性,每个点又带有彩色信息,构成区域三维模型;
倾斜摄影数据采集与三维地表实景重建,采用倾斜摄影测量技术进行多角度影像数据采集与三维实景虚拟重建;
高密度无人机激光点云数据采集与三维地表实景重建,对于位于高植被发育的密林区域采用无人机激光雷达进行高密度激光点云数据获取,通过点云分类去除地表植被点,利用分类后的地表点进行地表三维模型构建;
基于高精度三维地表实景,提取边坡数据;
基于点云的边坡数据对现场边坡进行检测与预警。
进一步,所述无人机高清影像、激光点云数据获取与处理包括下列步骤:
飞行准备,包括飞行空域申请,航线规划,实地踏勘及设备配件的检查,现场空载飞行测试;
地面基站与无人机通讯,对无人机进行GPS定位,确定无人机飞线轨迹,在飞行过程中与无人机进行实时数据共享;
将无人机上采集到的激光点云数据实时传输到基站处理***中,经过基站的数据处理后,建立铁路边坡特征数据库。
进一步,所述数据处理包括:点云数据导入、坐标变换、点云附加图片、点云数据拼接、点云数据的去噪滤波、点云数据的优化抽稀、点云数据导出。
进一步,所述坐标变换包括:数据导入完成后,打开点云文件,按照外业扫描时绘制的示意图,在点云中确定无人机飞行的路线,通过坐标变化,将数据拼接在一个绝对的坐标系下;
所述点云附加图片包括:外业扫描后,三维激光扫描仪内置的相机对各站进行全景拍摄,附加照片贴在每一个点云数据上,使扫描效果更加真实,方便区分不同材质的物体;
所述点云数据拼接包括:外业扫描时通过无人机基站提供绝对坐标,用于将所有点云数据统一在同一坐标系下,用于点云数据的拼接,通过获取标基站平面的平面及高程坐标,利用三维激光扫描仪自带的软件的点云拼接模块进行点云的自动拼接;
所述点云数据的去噪滤波包括:对于由山上树木遮掩、空气的灰尘及仪器自身性能造成的扫描噪声点,对于易判断异常点及散乱点采用肉眼判别后直接将其删除;对于遮掩造成的噪声点采用窗口最小值重复滤波法去除大部分噪声点,得到去掉树林、灌木等的点云数据;
所述点云数据的优化抽稀包括:按照设定的抽稀参数对点云进行整体抽稀。
进一步,所述构建区域三维模型包括:
将抽稀的点云数据导入;
对点云数据进行去除体外孤点操作,对选中的体外孤点进行删除操作,设置敏感点,去除非连接项,删除偏离山体主要点云一定数量的点,设置分割和尺寸参数,显示点云的数量,减少噪音,删除移动偏差较大的点云数据,使其变得平滑;
对点云数据进行封装建模,输入建模参数,完成基本建模;
完成三维模型,对基本模型进行修整和补洞处理。
进一步,所述基于点云的边坡数据对现场边坡进行检测与预警包括:
多次点云模型对比,采用第二期采集的边坡点云数据以第一期采集的点云坐标作为基准,用于判断边坡的形变,包括对目标区域进行粗略提取,粗略提取的两次采集的相同目标区域进行提取,判断其变化趋势,进行人工判别,删去因新增仪器产生的点云噪声,过滤掉明显误差;采用随机选取的方式在一期数据中随机选取一块点云数据,用红色标出。在二次数据中找到相同的位置,将两次数据进行拟合提取边坡的形变,该步骤重复多次。
进一步,所述基于点云的边坡数据对现场边坡进行检测与预警包括:
选取待检测的区域;
判断该区域是否发生严重形变,若是,则将该区域用黄色框标出,若否,则人为将检测区域设置为存在2cm、4cm、6cm误差的三组模型,依次使用三组模型进行推演,在未对数据进行误差设置下,每增加2cm误差做一次形变检测,进行3次检测,观察数据的形变,判断是否严重形变,若是,则将该区域用黄色框标出,若3次检测并未检测到严重的形变,则判断该区域现阶段较为安全;
将黄色框标出的区域统一提取,统一放入待观察文件,用于下次采集数据后重点分析。
本发明还提供一种无人机边坡监控与预警***,用于实现如上所述的方法,其特征在于,包括:无人机控制模块、三维激光扫描数据处理模块、基于点云重建的边坡模型监控与预警模块。
进一步,所述无人机控制模块包括:无人机、地面基站,所述无人机携带高精度可见光学传感器、倾斜相机和小型机载激光雷达设备获取铁路滑坡区域的大区域高清光学图像、多角度实景影像和地表激光点云数据。
进一步,所述的基于点云重建的边坡模型监控与预警模块包括:
边坡三维模型构建单元,用于将抽稀的点云数据导入,对点云数据进行去除体外孤点操作,对选中的体外孤点进行删除操作,设置敏感点,去除非连接项,删除偏离山体主要点云一定数量的点,设置分割和尺寸参数,显示点云的数量,减少噪音,删除移动偏差较大的点云数据,使其变得平滑;对点云数据进行封装建模,输入建模参数,完成基本建模;完成三维模型,对基本模型进行修整和补洞处理;
多次点云模型对比单元,用于采用第二期采集的边坡点云数据以第一期采集的点云坐标作为基准,用于判断边坡的形变,包括对目标区域进行粗略提取,粗略提取的两次采集的相同目标区域进行提取,判断其变化趋势,进行人工判别,删去因新增仪器产生的点云噪声,过滤掉明显误差;采用随机选取的方式在一期数据中随机选取一块点云数据,用红色标出。在二次数据中找到相同的位置,将两次数据进行拟合提取边坡的形变,该步骤重复多次;
预警单元,用于选取待检测的区域;判断该区域是否发生严重形变,若是,则将该区域用黄色框标出,若否,则人为将检测区域设置为存在2cm、4cm、6cm误差的三组模型,依次使用三组模型进行推演,在未对数据进行误差设置下,每增加2cm误差做一次形变检测,进行3次检测,观察数据的形变,判断是否严重形变,若是,则将该区域用黄色框标出,若3次检测并未检测到严重的形变,则判断该区域现阶段较为安全;将黄色框标出的区域统一提取,统一放入待观察文件,用于下次采集数据后重点分析。
本发明结合无人机与激光雷达的优势实现了:(1)无人机携带高精度可见光学传感器、倾斜相机和小型机载激光雷达设备获取铁路滑坡区域的大区域高清光学图像、多角度实景影像和地表激光点云数据。利用高清视频、影像数据进行直观定性分析确定重点、核心区域。(2)利用倾斜摄影测量技术对重点、核心区域进行多角度影像数据采集与三维实景虚拟重建,航线规范方式应采用仿地+贴近方式进行数据获取以保障较为完整的边坡边界。(3)对于位于高植被发育的密林区域应采用无人机激光雷达进行高密度激光点云数据获取,并通过点云分类去除地表植被点,并利用分类后的地表点进行地表三维模型构建。(4)利用重建后的三维地表模型进行边坡的物理参数提取。每隔一段时间重复对现场进行测量,发现边坡的变化。根据边坡的变化速率用于对边坡的监测与预警。
本发明的技术方案获得了下列有益效果:(1)监测精度的提高。随着测量技术和监测方法不断丰富,边坡监测已经从之前的有限的观测点的监测,发展到对边坡特征线的监测,再到整个坡体的面的监测。是一个点、线、面的发展过程。而目前的发展趋势就是综合点、线、面的全方位技术对边坡进行监测,这样既可以得到单点的位移、速度,又可以全面整体地分析边坡的变形趋势,更有利于对边坡的稳定性进行评价和灾害的预报。目前大型工程尤其是高速铁路的投入越来越大,而边坡稳定性严重威胁这些工程的安全运行,而一旦发生滑坡事故,将造成巨大的损失,因此监测精度的要求越来越高。本发明通过激光雷达设备,提高了测量精度。(2)监测工作的自动化。本发明技术方案的监测工作的自动化不仅体现在外业测量的自动化,其内业数据处理、整个边坡监测***包括预测预警同样实现了自动化。(3)非接触式测量。对于一些大型的危险边坡,如果到坡体进行测量,一方面测量工作会影响到边坡的稳定,另一方面对作业人员的安全也会造成一定的隐患。另外,对于铁路边坡的监测,铁路沿线一般都进行了封闭处理,防止人或动物误入,这样就要求边坡的监测方式要向非接触测量的方式发展。本发明通过无人机与激光雷达设备的结合实现了非接触式测量。(5)低成本、低劳动力。减小成本、减少劳动力投入一直都是人类社会发展的趋势,同时,对于边坡监测也是一样。本发明在保证监测准确的前提下,实现了降低成本、减少劳动力投入。
附图说明
图1为一种铁路边坡的示例图。
图2为本发明无人机进行飞行准备的工作流程图。
图3为本发明无人机边坡监控与预警***的工作流程图。
图4为本发明边坡预警处理的工作流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。
除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明利用无人机高清视频影像、高精度三维实景重建及三维激光扫描等技术,开展线路沿线地质滑坡风险源检测及相关目标的物理参数量测与提取,开展目标的定性识别、定量分析、风险评估。
本发明的无人机边坡监控与预警***包括:无人机控制模块、三维激光扫描数据处理模块、基于点云重建的边坡模型监控与预警模块。该***工作流程图,如附图3所示,包括如下步骤:
1、无人机高清影像、激光点云数据获取与处理。
2、定性边坡区域情况。通常在项目开始前,该区段的负责人会提供易发生边坡风险的区域,在规划航线时的重点覆盖该区域。利用高清视频进行直观定性分析确定重点、核心区域。
3、区域地形数据(DSM)、区域影像数据(DOM)获取,构建区域三维模型。该项目中,区域地形数据(DSM)为激光雷达采集的点云数据,点云数据可以通过点的形式还原现场的地形,点云只包含位置信息,并不具备颜色信息。区域影像数据(DOM)即无人机拍摄的高清影像,高清影像具有图像的颜色信息。选定区域后,即可将该区域的DSM与DOM进行合成,即生成彩色点云,彩色点云既有作为点云的几何特性,每个点又带有彩色信息,构成区域三维模型。
4、倾斜摄影数据采集与三维地表实景重建。利用倾斜摄影测量技术对重点、核心区域进行多角度影像数据采集与三维实景虚拟重建,航线规范方式应采用仿地+贴近方式进行数据获取以保障较为完整的边坡边界。
5、高密度无人机激光点云数据采集与三维地表实景重建。对于位于高植被发育的密林区域应采用无人机激光雷达进行高密度激光点云数据获取,并通过点云分类去除地表植被点,并利用分类后的地表点进行地表三维模型构建。
6、基于高精度三维地表实景,提取边坡数据。
7、基于点云的边坡数据对现场边坡进行检测与预警。利用重建后的三维地表模型进行边坡定量化物理参数获取,为边坡危险评估模型提供精确参数,要求模型精度优于2cm。
对于无人机边坡监控与预警***,具体内容如下:
1、无人机控制模块
(1)地面基站
地面基站负责与无人机通讯,对无人机进行GPS定位,确定无人机飞线轨迹。同时在飞行过程中与无人机进行实时数据共享,将无人机上采集到的激光雷达数据实时显示到基站处理***中,经过基站的数据处理后,建立铁路边坡特征数据库。
(2)飞行准备
在进行无人机飞行之前,首先要在当地空管局进行飞行空域申请,同时进行航线规划,实地踏勤及设备配件的检查;在完成这些工作之后,进行现场空载飞行测试。流程如附图2所示。
2、三维激光扫描数据处理模块
(1)野外点云数据获取
无人机现场调试、站台确定绝对坐标,无人机作为相对坐标。
(2)业内数据处理
外业扫描的点云数据,要导入到专门的点云处理软件中进行处理。工作业内处理采用与仪器配套的数据处理软件。业内数据处理主要包括点云数据导入、坐标变换、点云附加图片、点云数据拼接、点云数据的去噪滤波、点云数据的优化抽稀、点云数据导出。
①点云数据导入
由于边坡地形地貌复杂、树木、及植被较多,滑坡崩塌造成的堆积体较为散落,因此导入数据量较大
②坐标变换
点云数据的坐标具有无序性,因此需要通过坐标变化,才能将数据拼接在一个绝对的坐标系下。数据导入完成后,打开点云文件,按照外业扫描时绘制的示意图,在点云中确定无人机飞行的路线,为下一步数据拼接做准备。
③点云附加图片
外业扫描后,三维激光扫描仪内置的相机对各站都进行了全景拍摄,因此,可以直接在软件中附加照片,应用照片,照片会贴在每一个点云数据上,可以使扫描效果更加真实,方便区分不同材质的物体。
④点云数据拼接
外业扫描时通过无人机基站提供绝对坐标,用于将所有点云数据统一在同一坐标系下,用于点云数据的拼接。通过获取标基站平面的平面及高程坐标,利用三维激光扫描仪自带的软件的点云拼接模块进行点云的自动拼接。
⑤点云数据的去噪滤波
扫描的噪声点主要是由山上树木遮掩、空气的灰尘及仪器自身性能造成的。对于易判断异常点及散乱点采用肉眼判别后直接将其删除;对于遮掩造成的噪声点采用窗口最小值重复滤波法去除大部分噪声点,得到去掉树林、灌木等的点云数据。
⑥点云数据的优化抽稀
外业扫描时采集的点云数据量非常庞大,尽管通过去噪滤波后整个点云数据量降低了25%,但数据文件依旧十分巨大,占用了巨大的***的资源,严重影响了***的运行效率,使得后期建模速度下降。内业人员利用软件的点云抽稀模块,将点云按照设定的抽稀参数进行整体抽稀。
需要注意的是点云抽稀是不可逆的,要提前对点云数据进行备份。
3、基于点云重建的边坡模型监控与预警模块
(1)边坡三维模型构建
考虑到所建模型应与实地尽量吻合,采用软件进行三维建模,建模的主要过程如下:
①将抽稀的点云数据导入,刚导出的点云数据在全选中状态下显示为红色,因为在扫描的过程中存在遮挡及部分危险区域无法假设设备,扫描点云在部分地区较为稀少。
②对点云数据进行去除体外孤点操作,对选中的体外孤点进行删除操作,设置敏感点,去除非连接项就是删除偏离山体主要点云一定数量的点,设置好分割和尺寸参数,被选中的点云会变成红色,并显示点云的数量。减少噪音,就是删除移动偏差较大的点云数据,使其变得平滑,这将直接决定封装后形成曲面的精度。
③对点云数据进行封装建模,输入建模参数,完成基本建模。
④完成三维模型,对基本模型进行修整和补洞处理。
⑤模型的展示。模型完成后,可以给边坡的治理提供很好的立体展示,可以利用相关软件做进一步的设计和添加围栏支护工程。
(2)多次点云模型对比
为了更好的确定对边坡的情况进行分析,不能使用单次的数据进行,应对现场进行重复监测。如表1所示,为无人机边坡监测频率。
表1无人机边坡监测频率
第二期采集的边坡点云数据以第一期采集的点云坐标作为基准,用于判断边坡的形变。
①首先对目标区域进行粗略提取,粗略提取的两次采集的相同目标区域进行提取,判断其变化趋势。此时需要注意,由于时间不同,线路上可能重新布置新的仪器设备,需要人工进行判别,删去因新增仪器产生的点云噪声。
②经过粗略提取,过滤掉明显误差后,采用随机选取的方式。在一期数据中随机选取一块点云数据,用红色标出。在二次数据中找到相同的位置,将两次数据进行拟合提取边坡的形变。随机提取目标区域的目的是为了选取一小部分数据进行更高精度的计算,因此该步骤应重复多次。避免对误差的遗漏。
(3)边坡危险评估与预警
边坡监测的特点在于,通常检测边坡的形变变化并不明显。根据以往经验,若未发生重大的安全事故,在预设的检测周期内,边坡的形变往往在±2cm以内,并不能做到对边坡的安全预测。可一旦发生严重的形变,如平台塌陷,格梁断裂、滑塌等问题后果严重,将直接影响到铁路安全的运行。因此考虑如下工作。工作流程如图4所示。
①点云数据重建存在明显的***误差,其误差的大小取决于人为设置的参数。人为的将检测区域设置为存在6cm、4cm、2cm误差的三组模型。
②通过分别对三组模型进行推演。在未对数据进行误差设置下,观察数据的形变。若此时已发生明显形变,即将该区域用黄色标出,继续检测其余部分。若该区域并未产生明显形变则使用误差模型进行推演。每增加2cm误差做一次形变检测,进行3次。重新选取检测区域中心,进行严重形变监测,若根据误差模型检测到发生严重形变,即标出该区域。若3次检测,并未检测到严重的形变,则课判断该区域现阶段较为安全。
③将黄色标出的区域统一提取,放入一个待观察的文件中。这些被提取的区域目前并不会发生危险,可通过计算预测,该区域需要被重点观察。在下次的无人机采样后,应该着重观察待观察文件中的区域。若已达到危害边坡的程度,即使做针对性的处理工作。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (2)
1.一种无人机边坡监控与预警方法,其特征在于,包括如下步骤:
无人机高清 影像、激光点云数据获取与处理;所述 无人机高清影像、激光点云数据获取与处理包括下列步骤:
飞行准备,包括飞行空域申请,航线规划,实地踏勘及设备配件的检查,现场空载飞行测试;
地面基站与无人机通讯,对无人机进行GPS定位,确定无人机飞线轨迹,在飞行过程中与无人机进行实时数据共享;
将无人机上采集到的激光点云数据实时传输到基站处理***中,经过基站的数据处理后,建立铁路边坡特征数据库;
所述数据处理包括:点云数据导入、坐标变换、点云附加图片、点云数据拼接、点云数据的去噪滤波、点云数据的优化抽稀、点云数据导出;
所述坐标变换包括:数据导入完成后,打开点云文件,按照外业扫描时绘制的示意图,在点云中确定无人机飞行的路线,通过坐标变化,将数据拼接在一个绝对的坐标系下;
所述点云附加图片包括:外业扫描后,三维激光扫描仪内置的相机对各站进行全景拍摄,拍摄的附加照片贴在每一个点云数据上;
所述点云数据拼接包括:外业扫描时通过无人机基站提供绝对坐标,用于将所有点云数据统一在同一坐标系下,用于点云数据的拼接,通过获取标基站平面的平面及高程坐标,利用三维激光扫描仪自带的软件的点云拼接模块进行点云的自动拼接;
所述点云数据的去噪滤波包括:对于扫描噪声点、易判断异常点及散乱点采用肉眼判别后直接将其删除;对于遮掩造成的噪声点采用窗口最小值重复滤波法去除噪声点,得到去掉树林、灌木的点云数据;
所述点云数据的优化抽稀包括:按照设定的抽稀参数对点云进行整体抽稀;
定性边坡区域情况,确定发生边坡风险的区域,在规划航线时重点覆盖该发生边坡风险的区域;
区域地形数据(DSM)、区域影像数据(DOM)获取,构建区域三维模型;所述区域地形数据(DSM)为激光雷达采集的点云数据,其包括位置信息,所述区域影像数据(DOM)是由无人机拍摄的高清影像,其包括图像的颜色信息,在选定区域后,将该选定区域的区域影像数据(DOM)与区域地形数据(DSM)进行合成,生成彩色点云,构成区域三维模型;
所述构建区域三维模型包括:
将抽稀的点云数据导入;
对点云数据进行去除体外孤点操作,对选中的体外孤点进行删除操作,设置敏感点,去除非连接项,删除偏离山体主要点云一定数量的点,设置分割和尺寸参数,显示点云的数量,减少噪音,删除移动偏差较大的点云数据,使其变得平滑;
对点云数据进行封装建模,输入建模参数,完成基本建模;
完成三维模型,对基本模型进行修整和补洞处理;
倾斜摄影数据采集与三维地表实景重建,采用倾斜摄影测量技术进行多角度影像数据采集与三维实景虚拟重建;
高密度无人机激光点云数据采集与三维地表实景重建,对于位于高植被发育的密林区域采用无人机激光雷达进行高密度激光点云数据获取,通过点云分类去除地表植被点,利用分类后的地表点进行地表三维模型构建;
基于高精度三维地表实景,提取边坡数据;
基于点云的边坡数据对现场边坡进行检测与预警;所述基于点云的边坡数据对现场边坡进行检测与预警包括:
多次点云模型对比,采用第二期采集的边坡点云数据以第一期采集的点云坐标作为基准,用于判断边坡的形变,包括对目标区域进行提取,提取的两次采集的相同目标区域进行提取,判断其变化趋势,进行人工判别,删去因新增仪器产生的点云噪声,过滤掉误差;采用随机选取的方式在一期数据中随机选取一块点云数据,用第一颜色标出;
在二次数据中找到相同的位置,将两次数据进行拟合提取边坡的形变;该步骤重复多次;
选取待检测的区域;
判断该区域是否发生严重形变,若是,则将该区域用第二颜色框标出,若否,则人为将检测区域设置为存在2cm、4cm、6cm误差的三组模型,依次使用三组模型进行推演,在未对数据进行误差设置下,每增加2cm误差做一次形变检测,进行3次检测,观察数据的形变,判断是否严重形变,若是,则将该区域用第二颜色框标出,若3次检测并未检测到严重的形变,则判断该区域现阶段较为安全;
将第二颜色框标出的区域统一提取,统一放入待观察文件,用于下次采集数据后重点分析。
2.一种无人机边坡监控与预警***,用于实现如权利要求1所述的方法,其特征在于,包括:无人机控制模块、三维激光扫描数据处理模块、基于点云重建的边坡模型监控与预警模块;所述无人机控制模块包括:无人机、地面基站,所述无人机携带高精度可见光学传感器、倾斜相机和机载激光雷达设备获取铁路滑坡区域的大区域高清光学图像、多角度实景影像和地表激光点云数据;所述的基于点云重建的边坡模型监控与预警模块包括:
边坡三维模型构建单元,用于将抽稀的点云数据导入,对点云数据进行去除体外孤点操作,对选中的体外孤点进行删除操作,设置敏感点,去除非连接项,删除偏离山体点云一定数量的点,设置分割和尺寸参数,显示点云的数量,减少噪音,删除移动偏差较大的点云数据,使其变得平滑;对点云数据进行封装建模,输入建模参数,完成基本建模;完成三维模型,对基本模型进行修整和补洞处理;
多次点云模型对比单元,用于采用第二期采集的边坡点云数据以第一期采集的点云坐标作为基准,用于判断边坡的形变,包括对目标区域进行粗略提取,粗略提取的两次采集的相同目标区域进行提取,判断其变化趋势,进行人工判别,删去因新增仪器产生的点云噪声,过滤掉明显误差;采用随机选取的方式在一期数据中随机选取一块点云数据,用红色标出;在二次数据中找到相同的位置,将两次数据进行拟合提取边坡的形变,该步骤重复多次;
预警单元,用于选取待检测的区域;判断该区域是否发生严重形变,若是,则将该区域用黄色框标出,若否,则人为将检测区域设置为存在2cm 、4cm、6cm误差的三组模型,依次使用三组模型进行推演,在未对数据进行误差设置下,每增加2cm误差做一次形变检测,进行3次检测,观察数据的形变,判断是否严重形变,若是,则将该区域用黄色框标出,若3次检测并未检测到严重的形变,则判断该区域现阶段较为安全;将黄色框标出的区域统一提取,统一放入待观察文件,用于下次采集数据后重点分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110783525.7A CN113611082B (zh) | 2021-07-12 | 2021-07-12 | 一种无人机铁路边坡监控与预警***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110783525.7A CN113611082B (zh) | 2021-07-12 | 2021-07-12 | 一种无人机铁路边坡监控与预警***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113611082A CN113611082A (zh) | 2021-11-05 |
CN113611082B true CN113611082B (zh) | 2022-08-23 |
Family
ID=78337454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110783525.7A Active CN113611082B (zh) | 2021-07-12 | 2021-07-12 | 一种无人机铁路边坡监控与预警***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113611082B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114295069B (zh) * | 2021-12-09 | 2023-10-03 | 宏大***工程集团有限责任公司 | 无人机搭载三维激光扫描仪的边坡形变监测方法及*** |
CN114281107A (zh) * | 2021-12-21 | 2022-04-05 | 河南高建工程管理有限公司 | 一种高速公路边坡养护巡检方法 |
CN114485560B (zh) * | 2021-12-22 | 2024-03-15 | 绍兴市特种设备检测院 | 一种非公路用旅游观光车辆的道路坡度快速检测方法 |
CN114353876A (zh) * | 2022-01-07 | 2022-04-15 | 兰州大学 | 一种黄土公路边坡健康监测方法 |
CN114119605B (zh) * | 2022-01-14 | 2022-05-10 | 北京铁科特种工程技术有限公司 | 铁路工务设备及周边环境形变对比分析方法 |
CN114332658B (zh) * | 2022-01-14 | 2023-11-07 | 北京铁科特种工程技术有限公司 | 基于无人机巡检的铁路工务设备与周边环境隐患排查方法 |
CN114862952B (zh) * | 2022-04-27 | 2024-03-19 | 江西理工大学 | 无人机检测与防御方法及*** |
CN115014224B (zh) * | 2022-05-27 | 2023-05-02 | 广东省核工业地质局测绘院 | 基于LiDAR点云与倾斜航空影像的地表形变监测方法 |
CN114812528B (zh) * | 2022-06-24 | 2022-10-14 | 湖北高路公路工程监理咨询有限公司 | 一种运用在高速公路病害边坡上的自动监测*** |
CN115641719B (zh) * | 2022-10-25 | 2024-03-19 | 东南大学 | 一种高速公路行人检测方法及装置 |
CN115951704B (zh) * | 2022-12-17 | 2023-08-15 | 北京思维实创科技有限公司 | 一种基于bim模型的无人机地铁巡检方法及设备 |
CN116299446B (zh) * | 2022-12-27 | 2023-11-10 | 速度科技股份有限公司 | 一种基于insar技术的地表形变监测方法及*** |
CN116182800A (zh) * | 2023-02-23 | 2023-05-30 | 广州市峻泰工程检测技术有限公司 | 一种基于无人机倾斜摄影技术的边坡监测*** |
CN116222411B (zh) * | 2023-04-06 | 2023-10-20 | 山东环宇地理信息工程有限公司 | 一种地表形变监测***、监测方法及应用 |
CN117128861A (zh) * | 2023-10-23 | 2023-11-28 | 常州市建筑材料研究所有限公司 | 一种去测站化三维激光扫描桥梁监测***及监测方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9407881B2 (en) * | 2014-04-10 | 2016-08-02 | Smartvue Corporation | Systems and methods for automated cloud-based analytics for surveillance systems with unmanned aerial devices |
CN109410256B (zh) * | 2018-10-29 | 2021-10-15 | 北京建筑大学 | 基于互信息的点云与影像自动高精度配准方法 |
CN110453731B (zh) * | 2019-08-15 | 2020-06-30 | 中国水利水电科学研究院 | 一种大坝边坡形变监测***及方法 |
CN111090954A (zh) * | 2019-12-17 | 2020-05-01 | 国家电网有限公司 | 一种地质灾害隐患判识以及分析评估并治理的方法 |
CN111458720B (zh) * | 2020-03-10 | 2023-06-30 | 中铁第一勘察设计院集团有限公司 | 复杂山区基于机载激光雷达数据的倾斜摄影建模方法 |
CN111540052B (zh) * | 2020-06-11 | 2023-01-03 | 中国铁路设计集团有限公司 | 一种铁路沿线危岩落石的快速定位及三维重建方法 |
CN112465969A (zh) * | 2020-11-26 | 2021-03-09 | 华能通辽风力发电有限公司 | 基于无人机航拍影像数据的实时三维建模方法及*** |
CN112731440B (zh) * | 2020-12-25 | 2023-10-13 | 中国铁道科学研究院集团有限公司 | 高速铁路边坡形变检测方法及装置 |
CN112801983A (zh) * | 2021-01-28 | 2021-05-14 | 中南大学 | 基于摄影测量的边坡全域沉降检测方法及*** |
-
2021
- 2021-07-12 CN CN202110783525.7A patent/CN113611082B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113611082A (zh) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113611082B (zh) | 一种无人机铁路边坡监控与预警***及方法 | |
CN112598881B (zh) | 一种地质灾害监测方法、装置及计算机设备 | |
CN103529455B (zh) | 一种基于机载激光雷达三维的危岩落石调查方法 | |
CN106441233B (zh) | 基于倾斜摄影三维重建技术的电力通道走廊巡检方法 | |
KR100795396B1 (ko) | 항공레이저 데이터와 수치정사영상을 이용한 도시 변화모니터링 방법 | |
CN102980510B (zh) | 一种激光光尺影像测树装置及其测树方法 | |
CN114444158B (zh) | 一种基于三维重建的地下巷道形变预警方法及*** | |
Feng et al. | A survey of 3D laser scanning techniques for application to rock mechanics and rock engineering | |
CN108957507A (zh) | 基于增强现实技术的燃气管道泄漏处置方法 | |
Gaspari et al. | Integration of UAV-lidar and UAV-photogrammetry for infrastructure monitoring and bridge assessment | |
CN115762067A (zh) | 一种基于激光点云与视频数据融合的山体滑坡监测*** | |
Barbarella et al. | Landslide monitoring using terrestrial laser scanner: georeferencing and canopy filtering issues in a case study | |
Benton et al. | Photogrammetry in underground mining ground control—Lucky Friday mine case study | |
CN117437559A (zh) | 基于无人机的煤炭矿区地表岩移变形检测方法、装置 | |
CN107860375A (zh) | 一种基于三维激光扫描技术的滑坡灾害体积快速提取方法 | |
Feng | Practical application of 3D laser scanning techniques to underground projects | |
Kosmatin Fras et al. | Assessment of the quality of digital terrain model produced from unmanned aerial system imagery | |
Abdel-Maksoud | Combining UAV-LiDAR and UAV-photogrammetry for bridge assessment and infrastructure monitoring | |
Huang et al. | Integration of mobile laser scanning data with UAV imagery for very high resolution 3D city modeling | |
Wang | Application of Long Distance Microscope and Three-Dimensional Laser Scanner in Tunnel Section Detection. | |
Donovan et al. | The application of three-dimensional imaging to rock discontinuity characterization | |
Bakuła et al. | Multi-sourced, remote sensing data in levees monitoring: Case study of safedam project | |
Peitzsch et al. | Detecting snow depth changes in avalanche path starting zones using uninhabited aerial systems and structure from motion photogrammetry | |
Zhang et al. | Application of Multi-data Fusion Technology in Landslide Monitoring | |
Muhammad Afiq Ariff | Rock mass slope stability analysis based on terrestrial LiDAR survey on selected limestone hills in Kinta Valley, Perak/Muhammad Afiq Ariff Mohd Hellmy |
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 |