CN116301055A - 一种基于建筑施工的无人机巡检方法及*** - Google Patents
一种基于建筑施工的无人机巡检方法及*** Download PDFInfo
- Publication number
- CN116301055A CN116301055A CN202310451099.6A CN202310451099A CN116301055A CN 116301055 A CN116301055 A CN 116301055A CN 202310451099 A CN202310451099 A CN 202310451099A CN 116301055 A CN116301055 A CN 116301055A
- Authority
- CN
- China
- Prior art keywords
- inspection
- construction
- unmanned aerial
- aerial vehicle
- image
- 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.)
- Granted
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 271
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000009435 building construction Methods 0.000 title claims abstract description 29
- 238000010276 construction Methods 0.000 claims abstract description 128
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 74
- 238000004458 analytical method Methods 0.000 claims abstract description 51
- 238000013439 planning Methods 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 238000005516 engineering process Methods 0.000 claims abstract description 13
- 238000004088 simulation Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000007405 data analysis Methods 0.000 claims description 7
- 239000008187 granular material Substances 0.000 claims description 7
- 238000013461 design Methods 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000010845 search algorithm Methods 0.000 claims description 5
- 238000002922 simulated annealing Methods 0.000 claims description 5
- 230000001934 delay Effects 0.000 claims description 3
- 238000012876 topography Methods 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 2
- 230000004048 modification Effects 0.000 claims description 2
- 239000002245 particle Substances 0.000 description 19
- 230000007547 defect Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 241000257303 Hymenoptera Species 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 208000035473 Communicable disease Diseases 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000005469 granulation Methods 0.000 description 1
- 230000003179 granulation Effects 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
Images
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
-
- 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)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于建筑施工的无人机巡检方法及***,该方法包括以下步骤:根据巡检任务要求选择适宜的巡检设备并制定巡检计划;根据建筑施工情况确定巡检区域,并根据巡检区域制定飞行轨迹;利用制定的飞行轨迹及巡检计划控制无人机进行自动巡检;实时获取无人机的巡检数据并进行处理和分析,实现对施工进度和施工隐患的识别;本发明还公开了一种基于建筑施工的无人机巡检***。本发明可以利用数字化建模、路径规划算法、优化算法、模拟比对分析法和图像识别技术等手段来实现对建筑施工进度和隐患的自动巡检、识别、分析和调整,从而可以实现对施工进度和施工隐患的快速准确识别,有效地提高施工巡检的效率和安全性。
Description
技术领域
本发明涉及无人机巡检技术领域,具体来说,涉及一种基于建筑施工的无人机巡检方法及***。
背景技术
目前,对建筑施工现场进行巡检是避免监控不足、纠偏不及时而导致安全事故的重要手段,是了解施工现场情况、辅助监督管理的有效方式。目前巡检工作是巡检人员对现场进行不定期地抽查,通常受到时间和空间上的制约,特别在高难度、大范围的项目中,受到客观的环境、地理、气候与主观的人员情况等因素干扰,很难保证巡检频率和质量。
无人机是一种利用无线电遥控设备和自备的程序控制装置操纵的不载人飞机,或者由车载计算机完全地或间歇地自主地操作。无人机按应用领域,可分为军用与民用。军用方面,无人机分为侦察机和靶机。民用方面,无人机在航拍、农业、植保、微型自拍、快递运输、灾难救援、观察野生动物、监控传染病、测绘、新闻报道、电力巡检、救灾、影视拍摄、制造浪漫等等领域具有广泛的应用前景。
随着无人机技术的发展,利用无人机进行建筑施工巡检已经成为可能。然而,现有的无人机巡检***大多均是通过人工操作,无法实现自动化巡检,且无法对巡检图像进行快速高效的处理和分析,无法有效地识别施工进度和施工隐患。因此,需要一种基于图像识别技术和自动化控制技术的无人机巡检方法及***,可以实现对施工进度和施工隐患的快速准确识别,有效提高施工巡检的效率和安全性。
发明内容
针对相关技术中的问题,本发明提出一种基于建筑施工的无人机巡检方法及***,以克服现有相关技术所存在的上述技术问题。
为此,本发明采用的具体技术方案如下:
根据本发明的一个方面,提供了一种基于建筑施工的无人机巡检方法,该方法包括以下步骤:
S1、根据巡检任务要求选择适宜的巡检设备并制定巡检计划;
S2、根据建筑施工情况确定巡检区域,并根据巡检区域制定飞行轨迹;
S3、利用制定的飞行轨迹及巡检计划控制无人机进行自动巡检;
S4、实时获取无人机的巡检数据并进行处理和分析,实现对施工进度和施工隐患的识别。
进一步的,所述巡检计划包括巡检对象、巡检内容、巡检时间、巡检路线及巡检频率。
进一步的,所述根据建筑施工情况确定巡检区域,并根据巡检区域制定飞行轨迹包括以下步骤:
S21、根据建筑施工情况确定巡检区域,并对巡检区域进行数字化建模,得到巡检区域内建筑物和地形的三维模型;
S22、利用路径规划算法将巡检任务分解成多个子任务,并为每个子任务设计对应的飞行路径;
S23、通过优化算法对设计的飞行路径进行优化,并根据优化后的飞行路径确定飞行参数。
进一步的,所述路径规划算法包括贪心算法或最短路径算法中的任意一种,所述优化算法包括遗传算法、蚁群算法、模拟退火算法或禁忌搜索算法中的任意一种。
进一步的,所述根据预设的路径规划算法将巡检任务分解成多个子任务,并为每个子任务设计对应的飞行路径包括以下步骤:
S221、根据巡检任务的要求和巡检区域的复杂度将巡检区域划分为多个子区域;
S222、根据巡检任务要求和子区域的特点将巡检任务分解成多个子任务,并选择对应的路径规划算法进行路径规划;
S223、根据路径规划的结果为每个子任务设计对应的飞行路径。
进一步的,所述实时获取无人机的巡检数据并进行处理和分析,实现对施工进度和施工隐患的识别包括以下步骤:
S41、实时获取无人机采集的巡检数据,并对获取的巡检数据进行预处理;
S42、利用模拟比对分析法结合预处理后的巡检数据实现对施工进度的识别与分析,并基于进度分析结果对施工计划进行优化与调整;
S43、利用图像识别技术结合预处理后的巡检数据实现对施工隐患的识别与分析,并基于隐患分析结果对施工过程进行调整与整改;
S44、结合施工进度的识别分析结果及对应的优化调整方案、施工隐患的识别分析结果及对应的调整整改方案生成巡检报告或记录。
进一步的,所述利用模拟比对分析法结合预处理后的巡检数据实现对施工进度的识别与分析,并基于进度分析结果对施工计划进行优化与调整包括以下步骤:
S421、获取建筑施工项目的设计图纸信息,根据设计图纸信息建立建筑信息模型;
S422、根据建筑施工项目的施工计划模拟建筑物的施工进度,将每个工序的影响因素与建筑信息模型进行关联,实现对施工过程的模拟;
S423、通过预处理后的巡检数据分析得到实时施工进度,并将实时施工进度与模拟施工进度进行对比分析;
S424、根据对比分析结果实现对施工进度差异的识别,并根据识别和分析结果对施工计划进行实时优化与调整。
进一步的,所述利用图像识别技术结合预处理后的巡检数据实现对施工隐患的识别与分析,并基于隐患分析结果对施工过程进行调整与整改包括以下步骤:
S431、获取预处理后的巡检数据中的巡检图像Q;
S432、利用相容粒模型将巡检图像Q粒化至对应的层次Li,并将巡检图像Q与类别Cj中的隐患示例图像进行相似性匹配;
S433、利用三支决策理论对巡检图像Q做是、否或延迟属于类别Cj的判断,若是,则执行S434,若否,则对比查看是否属于下一个类别,循环执行S433,若无法判断,则使用延迟决策,并返回S431;
S434、结束巡检图像Q的分类,并输出巡检图像Q所属的类别,实现对施工隐患的识别;
S435、基于隐患分析结果对施工过程进行调整与整改。
进一步的,所述利用相容粒模型将巡检图像Q粒化至对应的层次Li,并将巡检图像Q与类别Cj中的隐患示例图像进行相似性匹配包括以下步骤:
S4321、提取巡检图像Q的特征得到特征向量,并对巡检图像Q中的每个像素点进行相似性计算,得到相似度矩阵;
S4322、将相似度矩阵根据粒化的层次Li进行划分,得到不同层次的相似性矩阵,并将不同层次的相似性矩阵和特征向量输入相容粒模型中进行计算;
S4323、对类别Cj中的隐患示例图像进行相同的处理,得到每个隐患示例图像的特征向量和相似性矩阵;
S4324、将巡检图像Q的特征向量和不同层次的相似性矩阵与每个隐患示例图像的特征向量和相似性矩阵进行比较,得到它们之间的相似度。
根据本发明的另一个方面,提供了一种基于建筑施工的无人机巡检***,该***包括巡检计划制定模块、飞行轨迹制定模块、自动巡检模块及巡检数据分析模块;
其中,所述巡检计划制定模块用于根据巡检任务要求选择适宜的巡检设备并制定巡检计划;
所述飞行轨迹制定模块用于根据建筑施工情况确定巡检区域,并根据巡检区域制定飞行轨迹;
所述自动巡检模块用于利用制定的飞行轨迹及巡检计划控制无人机进行自动巡检;
所述巡检数据分析模块用于实时获取无人机的巡检数据并进行处理和分析,实现对施工进度和施工隐患的识别。
本发明的有益效果为:
1)通过根据巡检任务要求选择适宜的巡检设备并制定巡检计划,根据建筑施工情况确定巡检区域并制定对应的飞行轨迹,从而可以利用制定的飞行轨迹及巡检计划来控制无人机进行自动巡检,并实时获取无人机的巡检数据进行处理和分析,从而可以用数字化建模、路径规划算法、优化算法、模拟比对分析法和图像识别技术等手段来实现对建筑施工进度和隐患的自动巡检、识别、分析和调整,从而可以实现对施工进度和施工隐患的快速准确识别,有效地提高施工巡检的效率和安全性。
2)通过对巡检区域进行数字化建模,利用路径规划算法为每个子任务设计对应的飞行路径,并利用优化算法来实现对飞行路径的优化,从而可以根据优化后的飞行路径确定飞行参数,可以快速准确的为无人机的巡检制定最佳飞行轨迹。
3)通过将实时施工进度与模拟施工进度进行对比分析可以实现对施工进度的识别与分析,从而可以基于施工进度的差异对施工计划进行优化与调整,通过利用相容粒模型的多层次划分对图像的像素进行适当的分层,并利用三支决策中的延迟判断思想对巡检图像进行相似度匹配,根据相似度的匹配结果来实现对巡检图像的识别,从而可以实现对施工隐患的识别与分析,并可以基于隐患分析结果对施工过程进行调整与整改,同时还可以结合施工进度的识别分析结果及对应的优化调整方案、施工隐患的识别分析结果及对应的调整整改方案生成巡检报告或记录,从而可以更好地满足于建筑施工的无人机巡检需求。
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的附图。
图1是根据本发明实施例的一种基于建筑施工的无人机巡检方法的流程图。
实施方式
为进一步说明各实施例,本发明提供有附图,这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理,配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点,图中的组件并未按比例绘制,而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例,提供了一种基于建筑施工的无人机巡检方法及***。
现结合附图和具体实施方式对本发明进一步说明,如图1所示,根据本发明的一个实施例,提供了一种基于建筑施工的无人机巡检方法,该方法包括以下步骤:
S1、根据巡检任务要求选择适宜的巡检设备并制定巡检计划。
其中,所述巡检计划包括巡检对象、巡检内容、巡检时间、巡检路线及巡检频率。巡检设备包括激光雷达、红外线摄像头、高清摄像机、热成像仪等,其可以根据需要装备在巡检无人机上。
S2、根据建筑施工情况确定巡检区域,并根据巡检区域制定飞行轨迹。
其中,所述根据建筑施工情况确定巡检区域,并根据巡检区域制定飞行轨迹包括以下步骤:
S21、根据建筑施工情况确定巡检区域,并对巡检区域进行数字化建模,得到巡检区域内建筑物和地形的三维模型;
S22、利用路径规划算法将巡检任务分解成多个子任务,并为每个子任务设计对应的飞行路径。
具体的,所述根据预设的路径规划算法将巡检任务分解成多个子任务,并为每个子任务设计对应的飞行路径包括以下步骤:
S221、根据巡检任务的要求和巡检区域的复杂度将巡检区域划分为多个子区域;
S222、根据巡检任务要求和子区域的特点将巡检任务分解成多个子任务,并选择对应的路径规划算法进行路径规划。
本实施例中,路径规划算法的选择需要考虑以下几个方面:
巡检任务要求:不同的巡检任务对路径规划算法的要求不同,有的需要快速完成,有的需要准确性较高,还有的需要兼顾时间和能耗等因素。因此,在选择算法时,需要根据具体任务的要求进行选择。
巡检区域复杂程度:如果巡检区域比较简单,可以选择较为简单的路径规划算法,如贪心算法或最短路径算法。如果巡检区域比较复杂,需要考虑更为复杂的算法,如遗传算法、蚁群算法等。
算法效率:在选择算法时,还需要考虑算法的时间复杂度和空间复杂度。如果算法效率较低,则可能需要更长的时间才能完成任务,或者需要更多的硬件资源。
实际可行性:除了算法效率外,还需要考虑算法的实际可行性。例如,一些算法可能需要大量的计算资源或存储资源,而这些资源可能在无人机上是不可用的。因此,在选择算法时,需要根据实际情况进行选择。
S223、根据路径规划的结果为每个子任务设计对应的飞行路径。
具体的,设计飞行路径时需要考虑以下几个因素:
飞行高度:根据巡检物体的高度和巡检要求确定无人机的飞行高度,以保证巡检质量。
飞行速度:根据巡检要求和无人机的性能确定飞行速度,以保证巡检效率。
飞行姿态:根据巡检任务的要求和无人机的性能确定飞行姿态,以保证无人机的稳定性和巡检质量。
避障策略:在设计飞行路径时需要考虑避障策略,以保证无人机的安全和巡检质量。可以使用避障传感器、距离传感器等硬件设备,或者使用避障算法进行路径规划。
S23、通过优化算法对设计的飞行路径进行优化,并根据优化后的飞行路径确定飞行参数(飞行参数包括起飞点、降落点、飞行时间和飞行高度等)。
对设计的飞行路径进行优化可以降低巡检路径长度和时间,提高巡检效率和质量。以下是一些常用的路径优化算法:
遗传算法:遗传算法是一种模拟自然进化的优化算法。通过模拟自然选择、交叉和变异等过程,从种群中筛选出最优解。在无人机巡检中,可以将每个无人机飞行路径视为一个个体,通过遗传算法进行路径优化,以降低路径长度和时间。
蚁群算法:蚁群算法是一种模拟蚂蚁觅食行为的优化算法。通过模拟蚂蚁在食物源和蚁巢之间寻找最短路径的行为,从而找到最优解。在无人机巡检中,可以将每个无人机视为一只蚂蚁,通过蚁群算法进行路径优化。
模拟退火算法:模拟退火算法是一种模拟物质在高温状态下的退火过程的优化算法。通过在状态空间中随机搜索解,并按照一定的概率接受差解,从而跳出局部最优解,找到全局最优解。在无人机巡检中,可以将每个无人机飞行路径视为一个状态,通过模拟退火算法进行路径优化。
禁忌搜索算法:禁忌搜索算法是一种基于迭代局部搜索的优化算法。通过禁忌表记录搜索过程中出现的不良移动,从而避免陷入局部最优解。在无人机巡检中,可以将每个无人机飞行路径视为一次搜索,通过禁忌搜索算法进行路径优化。
S3、利用制定的飞行轨迹及巡检计划控制无人机进行自动巡检;
S4、实时获取无人机的巡检数据并进行处理和分析,实现对施工进度和施工隐患的识别。
其中,所述实时获取无人机的巡检数据并进行处理和分析,实现对施工进度和施工隐患的识别包括以下步骤:
S41、实时获取无人机采集的巡检数据,并对获取的巡检数据进行预处理;
S42、利用模拟比对分析法结合预处理后的巡检数据实现对施工进度的识别与分析,并基于进度分析结果对施工计划进行优化与调整。
具体的,所述利用模拟比对分析法结合预处理后的巡检数据实现对施工进度的识别与分析,并基于进度分析结果对施工计划进行优化与调整包括以下步骤:
S421、获取建筑施工项目的设计图纸信息,根据设计图纸信息建立建筑信息模型或其他三维建模软件的模型。该模型需要包含建筑物的几何形状、结构、材料等信息,以及施工计划的时间表和工序信息等;
S422、根据建筑施工项目的施工计划模拟建筑物的施工进度,将每个工序的影响因素(包括每个工序的时间、人力、材料等信息)与建筑信息模型进行关联,实现对施工过程的模拟;可以使用建筑模拟软件或施工管理软件等工具,对模拟过程进行辅助。
S423、通过预处理后的巡检数据分析得到实时施工进度,并将实时施工进度与模拟施工进度进行对比分析,识别和评估施工进度的差异,其可以使用数据分析和可视化软件,对收集到的数据进行处理和分析;
S424、根据对比分析结果实现对施工进度差异的识别,并根据识别和分析结果对施工计划进行实时优化与调整,以更好地实现建筑物的施工进度和质量控制。
S43、利用图像识别技术结合预处理后的巡检数据实现对施工隐患的识别与分析,并基于隐患分析结果对施工过程进行调整与整改。
具体的,所述利用图像识别技术结合预处理后的巡检数据实现对施工隐患的识别与分析,并基于隐患分析结果对施工过程进行调整与整改包括以下步骤:
S431、获取预处理后的巡检数据中的巡检图像Q;
S432、利用相容粒模型将巡检图像Q粒化至对应的层次Li,并将巡检图像Q与类别Cj中的隐患示例图像进行相似性匹配。
本实施例中,将巡检图像粒化至合适的层次的具体步骤如下:
数据采集:利用无人机等设备采集建筑物的巡检图像;
图像预处理:对采集到的图像进行预处理,包括图像去噪、增强和颜色空间转换等操作,以提高后续算法的准确性;
建立相容粒模型:利用相容粒模型,将巡检图像分解成多个粒子,并建立粒子的关系。相容粒模型的核心是将原始的巡检图像划分为多个子图像,并对子图像进行不同的特征提取和处理,从而使得处理后的图像更具有可分性和可识别性;
粒子层次化:将建立的相容粒模型进行层次化处理,将粒子按照不同的层次组织起来,形成层次化的结构。通过层次化处理,可以更加方便地对图像进行分析和处理;
粒子合并和***:根据需要,对粒子进行合并或***操作,以达到更好的图像分析效果。例如,在检测建筑物外观缺陷时,可以将一些较小的缺陷合并为一个更大的缺陷,或者将一个大的缺陷***成多个较小的缺陷;
粒子属性提取:对每个粒子提取其相应的属性信息,例如颜色、形状、纹理等,以实现更加精细化的图像分析和处理;
粒子分类和识别:根据粒子的属性信息,利用分类和识别算法对粒子进行分类和识别,以实现对巡检图像的自动化分析和处理。
将巡检图像与类中的示例图像进行相似性匹配的具体步骤如下:
特征提取:利用图像处理技术对巡检图像和示例图像进行特征提取,如颜色特征、纹理特征和形状特征等;
特征匹配:将提取的特征进行匹配,找到巡检图像中与示例图像最相似的部分;
相似性评估:利用相似性度量方法计算匹配结果的相似度,如平均误差、欧几里得距离、相交比等;
阈值设定:根据相似性度量结果设定一个阈值,当匹配结果的相似度高于该阈值时,认为巡检图像中存在与示例图像相似的部分;
结果输出:将匹配结果输出,包括匹配部分的位置信息、相似度评分等,以便后续处理或人工判断。
具体的,所述利用相容粒模型将巡检图像Q粒化至对应的层次Li,并将巡检图像Q与类别Cj中的隐患示例图像进行相似性匹配包括以下步骤:
S4321、提取巡检图像Q的特征得到特征向量,并对巡检图像Q中的每个像素点进行相似性计算,得到相似度矩阵;
S4322、将相似度矩阵根据粒化的层次Li进行划分,得到不同层次的相似性矩阵,并将不同层次的相似性矩阵和特征向量输入相容粒模型中进行计算。
具体的,将不同层次的相似性矩阵和特征向量输入相容粒模型中进行计算具体包括以下步骤:
构建相容粒模型。相容粒模型由一组粒和一个相容函数组成,其中粒是对数据进行分组的基本单位,相容函数用于评估两个粒之间的相容性。常用的相容粒模型包括模糊聚类和模糊C均值算法等。
对巡检图像Q和隐患示例图像库中的所有图像进行特征提取。特征提取是将图像转换为数学向量的过程,通常使用局部二值模式(LBP)、灰度共生矩阵(GLCM)等算法提取图像的局部纹理信息,或使用卷积神经网络(CNN)等深度学习算法提取图像的高层次特征。
根据特征向量计算相似性矩阵。相似性矩阵用于描述任意两个图像之间的相似程度,可以使用欧氏距离、余弦相似度等算法计算。具体地,对于巡检图像Q和隐患示例图像库中的某个图像,将它们的特征向量输入相似性计算函数,得到它们之间的相似度得分,填入相似性矩阵中对应的位置。
将相似性矩阵和特征向量输入相容粒模型中进行计算。具体地,先选择一个初始粒,并将它与其他粒进行相容性计算,得到相容性矩阵。然后根据相容性矩阵和特征向量更新当前粒的位置和大小,即完成一次粒化操作。接着,重新计算新的相容性矩阵,并根据熵准则或其他评价指标判断是否需要继续进行粒化操作,直到满足粒的数量和质量的要求为止。
将巡检图像Q所在的粒与示例图像库中的所有粒进行相容性计算,得到它们之间的相容性得分。根据相容性得分和权重系数,可以使用加权平均、最大相容性等方法计算巡检图像Q与示例图像库中的某个类别Cj之间的相似度得分,进而进行分类决策。
S4323、对类别Cj中的隐患示例图像进行相同的处理,得到每个隐患示例图像的特征向量和相似性矩阵;
S4324、将巡检图像Q的特征向量和不同层次的相似性矩阵与每个隐患示例图像的特征向量和相似性矩阵进行比较,得到它们之间的相似度。
S433、利用三支决策理论对巡检图像Q做是、否或延迟属于类别Cj的判断,若是,则执行S434,若否,则对比查看是否属于下一个类别,循环执行S433,若无法判断,则使用延迟决策,并返回S431;
即确定当前巡检图像Q所属的类别Cj,并将其与类别Cj中的隐患示例图像进行相似性匹配。
利用三支决策理论,对巡检图像Q进行分类判断:
若巡检图像Q属于类别Cj,则执行步骤S434,并结束巡检图像Q的分类。
若巡检图像Q不属于类别Cj,则对比查看是否属于下一个类别,循环执行步骤S433,直到找到匹配的类别或无法继续分类为止。
若无法判断当前巡检图像Q属于哪个类别,则使用延迟决策,返回步骤S431重新获取巡检图像Q进行分类。
S434、结束巡检图像Q的分类,并输出巡检图像Q所属的类别,实现对施工隐患的识别;
S435、基于隐患分析结果对施工过程进行调整与整改。
S44、结合施工进度的识别分析结果及对应的优化调整方案、施工隐患的识别分析结果及对应的调整整改方案生成巡检报告或记录。
根据本发明的另一个实施例,提供了一种基于建筑施工的无人机巡检***,该***包括巡检计划制定模块、飞行轨迹制定模块、自动巡检模块及巡检数据分析模块;
其中,所述巡检计划制定模块用于根据巡检任务要求选择适宜的巡检设备并制定巡检计划;
所述飞行轨迹制定模块用于根据建筑施工情况确定巡检区域,并根据巡检区域制定飞行轨迹;
所述自动巡检模块用于利用制定的飞行轨迹及巡检计划控制无人机进行自动巡检;
所述巡检数据分析模块用于实时获取无人机的巡检数据并进行处理和分析,实现对施工进度和施工隐患的识别。
综上所述,借助于本发明的上述技术方案,通过根据巡检任务要求选择适宜的巡检设备并制定巡检计划,根据建筑施工情况确定巡检区域并制定对应的飞行轨迹,从而可以利用制定的飞行轨迹及巡检计划来控制无人机进行自动巡检,并实时获取无人机的巡检数据进行处理和分析,从而可以用数字化建模、路径规划算法、优化算法、模拟比对分析法和图像识别技术等手段来实现对建筑施工进度和隐患的自动巡检、识别、分析和调整,从而可以实现对施工进度和施工隐患的快速准确识别,有效地提高施工巡检的效率和安全性。
此外,通过对巡检区域进行数字化建模,利用路径规划算法为每个子任务设计对应的飞行路径,并利用优化算法来实现对飞行路径的优化,从而可以根据优化后的飞行路径确定飞行参数,可以快速准确的为无人机的巡检制定最佳飞行轨迹。
此外,通过将实时施工进度与模拟施工进度进行对比分析可以实现对施工进度的识别与分析,从而可以基于施工进度的差异对施工计划进行优化与调整,通过利用相容粒模型的多层次划分对图像的像素进行适当的分层,并利用三支决策中的延迟判断思想对巡检图像进行相似度匹配,根据相似度的匹配结果来实现对巡检图像的识别,从而可以实现对施工隐患的识别与分析,并可以基于隐患分析结果对施工过程进行调整与整改,同时还可以结合施工进度的识别分析结果及对应的优化调整方案、施工隐患的识别分析结果及对应的调整整改方案生成巡检报告或记录,从而可以更好地满足于建筑施工的无人机巡检需求。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于建筑施工的无人机巡检方法,其特征在于,该方法包括以下步骤:
S1、根据巡检任务要求选择适宜的巡检设备并制定巡检计划;
S2、根据建筑施工情况确定巡检区域,并根据巡检区域制定飞行轨迹;
S3、利用制定的飞行轨迹及巡检计划控制无人机进行自动巡检;
S4、实时获取无人机的巡检数据并进行处理和分析,实现对施工进度和施工隐患的识别;
其中,所述实时获取无人机的巡检数据并进行处理和分析,实现对施工进度和施工隐患的识别包括以下步骤:
S41、实时获取无人机采集的巡检数据,并对获取的巡检数据进行预处理;
S42、利用模拟比对分析法结合预处理后的巡检数据实现对施工进度的识别与分析,并基于进度分析结果对施工计划进行优化与调整;
S43、利用图像识别技术结合预处理后的巡检数据实现对施工隐患的识别与分析,并基于隐患分析结果对施工过程进行调整与整改;
S44、结合施工进度的识别分析结果及对应的优化调整方案、施工隐患的识别分析结果及对应的调整整改方案生成巡检报告或记录;
所述利用模拟比对分析法结合预处理后的巡检数据实现对施工进度的识别与分析,并基于进度分析结果对施工计划进行优化与调整包括以下步骤:
S421、获取建筑施工项目的设计图纸信息,根据设计图纸信息建立建筑信息模型;
S422、根据建筑施工项目的施工计划模拟建筑物的施工进度,将每个工序的影响因素与建筑信息模型进行关联,实现对施工过程的模拟;
S423、通过预处理后的巡检数据分析得到实时施工进度,并将实时施工进度与模拟施工进度进行对比分析;
S424、根据对比分析结果实现对施工进度差异的识别,并根据识别和分析结果对施工计划进行实时优化与调整;
所述利用图像识别技术结合预处理后的巡检数据实现对施工隐患的识别与分析,并基于隐患分析结果对施工过程进行调整与整改包括以下步骤:
S431、获取预处理后的巡检数据中的巡检图像Q;
S432、利用相容粒模型将巡检图像Q粒化至对应的层次Li,并将巡检图像Q与类别Cj中的隐患示例图像进行相似性匹配;
S433、利用三支决策理论对巡检图像Q做是、否或延迟属于类别Cj的判断,若是,则执行S434,若否,则对比查看是否属于下一个类别,循环执行S433,若无法判断,则使用延迟决策,并返回S431;
S434、结束巡检图像Q的分类,并输出巡检图像Q所属的类别,实现对施工隐患的识别;
S435、基于隐患分析结果对施工过程进行调整与整改;
所述利用相容粒模型将巡检图像Q粒化至对应的层次Li,并将巡检图像Q与类别Cj中的隐患示例图像进行相似性匹配包括以下步骤:
S4321、提取巡检图像Q的特征得到特征向量,并对巡检图像Q中的每个像素点进行相似性计算,得到相似度矩阵;
S4322、将相似度矩阵根据粒化的层次Li进行划分,得到不同层次的相似性矩阵,并将不同层次的相似性矩阵和特征向量输入相容粒模型中进行计算;
S4323、对类别Cj中的隐患示例图像进行相同的处理,得到每个隐患示例图像的特征向量和相似性矩阵;
S4324、将巡检图像Q的特征向量和不同层次的相似性矩阵与每个隐患示例图像的特征向量和相似性矩阵进行比较,得到它们之间的相似度。
2.根据权利要求1所述的一种基于建筑施工的无人机巡检方法,其特征在于,所述巡检计划包括巡检对象、巡检内容、巡检时间、巡检路线及巡检频率。
3.根据权利要求1所述的一种基于建筑施工的无人机巡检方法,其特征在于,所述根据建筑施工情况确定巡检区域,并根据巡检区域制定飞行轨迹包括以下步骤:
S21、根据建筑施工情况确定巡检区域,并对巡检区域进行数字化建模,得到巡检区域内建筑物和地形的三维模型;
S22、利用路径规划算法将巡检任务分解成多个子任务,并为每个子任务设计对应的飞行路径;
S23、通过优化算法对设计的飞行路径进行优化,并根据优化后的飞行路径确定飞行参数。
4.根据权利要求3所述的一种基于建筑施工的无人机巡检方法,其特征在于,所述路径规划算法包括贪心算法或最短路径算法中的任意一种,所述优化算法包括遗传算法、蚁群算法、模拟退火算法或禁忌搜索算法中的任意一种。
5.根据权利要求3所述的一种基于建筑施工的无人机巡检方法,其特征在于,所述利用路径规划算法将巡检任务分解成多个子任务,并为每个子任务设计对应的飞行路径包括以下步骤:
S221、根据巡检任务的要求和巡检区域的复杂度将巡检区域划分为多个子区域;
S222、根据巡检任务要求和子区域的特点将巡检任务分解成多个子任务,并选择对应的路径规划算法进行路径规划;
S223、根据路径规划的结果为每个子任务设计对应的飞行路径。
6.一种基于建筑施工的无人机巡检***,用于实现权利要求1-5中任一项所述的基于建筑施工的无人机巡检方法的步骤,其特征在于,该***包括巡检计划制定模块、飞行轨迹制定模块、自动巡检模块及巡检数据分析模块;
其中,所述巡检计划制定模块用于根据巡检任务要求选择适宜的巡检设备并制定巡检计划;
所述飞行轨迹制定模块用于根据建筑施工情况确定巡检区域,并根据巡检区域制定飞行轨迹;
所述自动巡检模块用于利用制定的飞行轨迹及巡检计划控制无人机进行自动巡检;
所述巡检数据分析模块用于实时获取无人机的巡检数据并进行处理和分析,实现对施工进度和施工隐患的识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310451099.6A CN116301055B (zh) | 2023-04-25 | 2023-04-25 | 一种基于建筑施工的无人机巡检方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310451099.6A CN116301055B (zh) | 2023-04-25 | 2023-04-25 | 一种基于建筑施工的无人机巡检方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116301055A true CN116301055A (zh) | 2023-06-23 |
CN116301055B CN116301055B (zh) | 2024-06-25 |
Family
ID=86790722
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310451099.6A Active CN116301055B (zh) | 2023-04-25 | 2023-04-25 | 一种基于建筑施工的无人机巡检方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116301055B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116542502A (zh) * | 2023-07-07 | 2023-08-04 | 成都建工第三建筑工程有限公司 | 基于卷积神经网络的建筑物施工周期优化***及方法 |
CN116647651A (zh) * | 2023-07-25 | 2023-08-25 | 西安迈远科技有限公司 | 一种基于北斗卫星的无人机施工监控方法及*** |
CN117806355A (zh) * | 2024-02-23 | 2024-04-02 | 广州全成多维信息技术有限公司 | 一种电力巡线无人机控制方法及*** |
CN117808324A (zh) * | 2024-02-27 | 2024-04-02 | 西安麦莎科技有限公司 | 一种无人机视觉协同的建筑进度评估方法 |
CN118034354A (zh) * | 2024-04-12 | 2024-05-14 | 三峡高科信息技术有限责任公司 | 一种基于无人机的电力巡检控制方法及*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019009919A (ja) * | 2017-06-26 | 2019-01-17 | 株式会社東芝 | 巡視点検支援システム及び巡視点検支援制御プログラム |
CN110135364A (zh) * | 2019-05-16 | 2019-08-16 | 中煤航测遥感集团有限公司 | 一种地物识别方法及装置 |
CN110390265A (zh) * | 2019-06-21 | 2019-10-29 | 万翼科技有限公司 | 一种无人机巡检的识别检测方法及*** |
CN110398982A (zh) * | 2019-06-21 | 2019-11-01 | 万翼科技有限公司 | 一种无人机的巡检方法及*** |
CN110399641A (zh) * | 2019-06-21 | 2019-11-01 | 万翼科技有限公司 | 一种无人机巡检的进度识别方法及*** |
US20210349476A1 (en) * | 2018-09-20 | 2021-11-11 | China Construction Science & Technology Group Co., Ltd. | Method and apparatus for controlling cruise of unmanned air vehicle based on prefabricated construction platform |
CN115115859A (zh) * | 2022-06-16 | 2022-09-27 | 天津大学 | 基于无人机航拍的长线性工程施工进度智能识别与分析方法 |
CN115271113A (zh) * | 2022-06-30 | 2022-11-01 | 国网经济技术研究院有限公司 | 抽水蓄能电站施工过程智能巡查方法 |
CN115860410A (zh) * | 2022-12-14 | 2023-03-28 | 陇东学院 | 一种基于微信的大型土木工程施工安全隐患管理*** |
-
2023
- 2023-04-25 CN CN202310451099.6A patent/CN116301055B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019009919A (ja) * | 2017-06-26 | 2019-01-17 | 株式会社東芝 | 巡視点検支援システム及び巡視点検支援制御プログラム |
US20210349476A1 (en) * | 2018-09-20 | 2021-11-11 | China Construction Science & Technology Group Co., Ltd. | Method and apparatus for controlling cruise of unmanned air vehicle based on prefabricated construction platform |
CN110135364A (zh) * | 2019-05-16 | 2019-08-16 | 中煤航测遥感集团有限公司 | 一种地物识别方法及装置 |
CN110390265A (zh) * | 2019-06-21 | 2019-10-29 | 万翼科技有限公司 | 一种无人机巡检的识别检测方法及*** |
CN110398982A (zh) * | 2019-06-21 | 2019-11-01 | 万翼科技有限公司 | 一种无人机的巡检方法及*** |
CN110399641A (zh) * | 2019-06-21 | 2019-11-01 | 万翼科技有限公司 | 一种无人机巡检的进度识别方法及*** |
CN115115859A (zh) * | 2022-06-16 | 2022-09-27 | 天津大学 | 基于无人机航拍的长线性工程施工进度智能识别与分析方法 |
CN115271113A (zh) * | 2022-06-30 | 2022-11-01 | 国网经济技术研究院有限公司 | 抽水蓄能电站施工过程智能巡查方法 |
CN115860410A (zh) * | 2022-12-14 | 2023-03-28 | 陇东学院 | 一种基于微信的大型土木工程施工安全隐患管理*** |
Non-Patent Citations (6)
Title |
---|
何柯;邓齐祝;: "关于全景施工监测技术在高速公路施工的应用", 智能建筑与智慧城市, no. 10 * |
刘勇;陈海滨;刘方;: "基建现场巡检无人机智能感知***的研究与应用", 电力***保护与控制, no. 15 * |
刘韬;李向军;邱桃荣;龚科华;郭传俊;: "一种基于相容粒计算模型的文章相似度计算方法", 广西师范大学学报(自然科学版), no. 03, 15 September 2010 (2010-09-15) * |
姚晓昆;邱桃荣;葛寒娟;刘清;王剑;: "基于多层次相容粒度的图像分类", 河北师范大学学报(自然科学版), no. 01, 20 January 2010 (2010-01-20) * |
李晓艳 等: "基于相容粒模型和三支决策的图像分类算法", 计算技术与自动化, vol. 33, no. 4, pages 1 - 3 * |
葛寒娟;邱桃荣;王剑;卢强;李北;刘韬;聂斌;: "一种基于相容信息粒原理的图像分类方法", 广西师范大学学报(自然科学版), no. 03, 15 September 2008 (2008-09-15) * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116542502A (zh) * | 2023-07-07 | 2023-08-04 | 成都建工第三建筑工程有限公司 | 基于卷积神经网络的建筑物施工周期优化***及方法 |
CN116542502B (zh) * | 2023-07-07 | 2023-11-07 | 成都建工第三建筑工程有限公司 | 基于卷积神经网络的建筑物施工周期优化***及方法 |
CN116647651A (zh) * | 2023-07-25 | 2023-08-25 | 西安迈远科技有限公司 | 一种基于北斗卫星的无人机施工监控方法及*** |
CN116647651B (zh) * | 2023-07-25 | 2024-02-09 | 西安迈远科技有限公司 | 一种基于北斗卫星的无人机施工监控方法及*** |
CN117806355A (zh) * | 2024-02-23 | 2024-04-02 | 广州全成多维信息技术有限公司 | 一种电力巡线无人机控制方法及*** |
CN117808324A (zh) * | 2024-02-27 | 2024-04-02 | 西安麦莎科技有限公司 | 一种无人机视觉协同的建筑进度评估方法 |
CN117808324B (zh) * | 2024-02-27 | 2024-06-04 | 西安麦莎科技有限公司 | 一种无人机视觉协同的建筑进度评估方法 |
CN118034354A (zh) * | 2024-04-12 | 2024-05-14 | 三峡高科信息技术有限责任公司 | 一种基于无人机的电力巡检控制方法及*** |
CN118034354B (zh) * | 2024-04-12 | 2024-06-28 | 三峡高科信息技术有限责任公司 | 一种基于无人机的电力巡检控制方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN116301055B (zh) | 2024-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116301055B (zh) | 一种基于建筑施工的无人机巡检方法及*** | |
Chhikara et al. | DCNN-GA: A deep neural net architecture for navigation of UAV in indoor environment | |
Alexandrov et al. | Analysis of machine learning methods for wildfire security monitoring with an unmanned aerial vehicles | |
CN112465738B (zh) | 基于红外与可见光图像的光伏电站在线运维方法及*** | |
CN106133756B (zh) | 过滤、分割和识别对象的***、方法及非暂时性计算机可读介质 | |
CN112148028B (zh) | 基于无人机拍摄图像的环境监测方法和*** | |
CN112307884A (zh) | 基于连续时序遥感态势数据的林火蔓延预测方法及电子设备 | |
CN115187005B (zh) | 调度方法、装置、设备及存储介质 | |
CN113484875B (zh) | 一种基于混合高斯排序的激光雷达点云目标分级识别方法 | |
CN110992307A (zh) | 基于yolo的绝缘子定位识别方法及装置 | |
CN114863228A (zh) | 一种基于机器视觉的机场特种车辆避障方法 | |
CN116052082A (zh) | 一种基于深度学习算法的配电站房异常检测方法及装置 | |
Chen et al. | Fully automated photogrammetric data segmentation and object information extraction approach for creating simulation terrain | |
Ärje et al. | Automatic flower detection and classification system using a light-weight convolutional neural network | |
CN113408895A (zh) | 基于像元尺度的生态质量指数构建方法及*** | |
Neupane et al. | A literature review of computer vision techniques in wildlife monitoring | |
CN115649501A (zh) | 一种无人机夜行照明***及方法 | |
Chen et al. | Integrated air-ground vehicles for uav emergency landing based on graph convolution network | |
Bowley et al. | Toward using citizen scientists to drive automated ecological object detection in aerial imagery | |
Zhang et al. | Semantic segmentation of point clouds of field obstacle-crossing terrain for multi-legged rescue equipment based on random forest | |
Manka | Developing an efficient real-time terrestrial infrastructure inspection system using autonomous drones and deep learning | |
Reddy et al. | An optimal superpixel segmentation based transfer learning using AlexNet–SVM model for weed detection | |
Tingzon et al. | Fusing VHR Post-disaster Aerial Imagery and LiDAR Data for Roof Classification in the Caribbean using CNNs | |
Kocaoğlu et al. | A Mobile Robot Application for Constructing Semantic and Metric Maps of Search and Rescue Arenas with Point-Based Deep Learning | |
van de Ven | Applying rendered UAV images to improve convolutional deep learning object detection performance for animal conserva-tion |
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 |