CN117437368A - 基于无人机的路面平整度测量方法、***、终端和介质 - Google Patents
基于无人机的路面平整度测量方法、***、终端和介质 Download PDFInfo
- Publication number
- CN117437368A CN117437368A CN202311777996.2A CN202311777996A CN117437368A CN 117437368 A CN117437368 A CN 117437368A CN 202311777996 A CN202311777996 A CN 202311777996A CN 117437368 A CN117437368 A CN 117437368A
- Authority
- CN
- China
- Prior art keywords
- aerial
- road surface
- image
- target
- optimized
- 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
- 238000000034 method Methods 0.000 title abstract description 31
- 238000005457 optimization Methods 0.000 claims abstract description 31
- 238000005259 measurement Methods 0.000 claims abstract description 21
- 230000000007 visual effect Effects 0.000 claims description 43
- 238000000691 measurement method Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000006073 displacement reaction Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000012876 topography Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- E—FIXED CONSTRUCTIONS
- E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
- E01C—CONSTRUCTION OF, OR SURFACES FOR, ROADS, SPORTS GROUNDS, OR THE LIKE; MACHINES OR AUXILIARY TOOLS FOR CONSTRUCTION OR REPAIR
- E01C23/00—Auxiliary devices or arrangements for constructing, repairing, reconditioning, or taking-up road or like surfaces
- E01C23/01—Devices or auxiliary means for setting-out or checking the configuration of new surfacing, e.g. templates, screed or reference line supports; Applications of apparatus for measuring, indicating, or recording the surface configuration of existing surfacing, e.g. profilographs
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/30—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces
-
- 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
- G01C11/04—Interpretation of pictures
- G01C11/06—Interpretation of pictures by comparison of two or more pictures of the same area
- G01C11/08—Interpretation of pictures by comparison of two or more pictures of the same area the pictures not being supported in the same relative position as when they were taken
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computer Graphics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar, Positioning & Navigation (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Image Processing (AREA)
Abstract
本发明提供的基于无人机的路面平整度测量方法、***、终端和介质，具体涉及道路测量技术领域，方案包括：利用无人机按照预设的初始航拍视角对目标路段进行拍摄，以构建目标路段的三维概略模型；基于三维概略模型、初始航拍视角及预设的图像优化指标，获得优化后的航拍视角，以重新拍摄一系列航拍图像，从而构建三维重建模型，并以最小化重投影误差为目标进行优化，获得优化后的三维重建模型，从而获得目标路段的稠密点云数据，进而获得路面平整度。该方案能够利用无人机采集大范围路面信息，通过优化航拍视角提高拍摄效率和航拍图像的质量，并以最小化重投影误差为目标优化三维重建模型，从而显著提高测量路面平整度的效率和精度。
Description
技术领域
本发明涉及道路测量技术领域，尤其涉及的是一种基于无人机的路面平整度测量方法、***、终端和介质。
背景技术
道路平整度被广泛认为是评估道路质量的关键指标，它能直观地反映道路驾驶的舒适性和安全性。
为了获取并检测道路的平整度信息，现有技术中存在多种测量方案。例如，手推式断面仪是一种便携式平整度测量工具，通常配备多轴倾斜仪和编码器，通常需要经验丰富的操作员进行操作和数据分析，测量结果容易受操作员的主观因素影响，且不适用于长距离测量，效率较低。车载式激光平整度仪，利用其搭载的激光传感器和加速度传感器，可以实时生成路面的高精度平整度数据，虽然测量效率较高且适用于长距离测量，但是由于车辆的稳定性、速度的变化以及路面条件的变化都可能影响数据的准确性，而且在高速公路上测量多条车道时不能及时调头，只能生成单条道路纵剖面信息而不能生成整个路面的三维结构信息，从而导致大范围全路面监测能力缺失的问题。
可见，现有技术中的路面平整度的测量方案存在测量结果不准确和无法测量大范围全路面的缺陷。
发明内容
鉴于上述现有技术的不足，本发明的目的在于提供一种基于无人机的路面平整度测量方法、***、终端和介质，旨在解决现有技术中的路面平整度的测量方案存在的测量结果不准确和无法测量大范围全路面的问题。
为了实现上述目的，本发明第一方面提供一种基于无人机的路面平整度测量方法，包括：
获取目标路段，利用无人机按照预设的初始航拍视角对所述目标路段进行拍摄，获得一系列初始航拍图像；
基于所述初始航拍图像，构建所述目标路段的三维概略模型；
基于所述三维概略模型、所述初始航拍视角及预设的图像优化指标，获得优化后的航拍视角；
基于所述优化后的航拍视角，利用所述无人机对所述目标路段进行拍摄，获得一系列航拍图像；
基于所述航拍图像，构建三维重建模型，并以最小化重投影误差为目标，对所述三维重建模型进行迭代优化，获得优化后的三维重建模型；
基于所述优化后的三维重建模型，获得所述目标路段的稠密点云数据；
基于所述稠密点云数据，获得所述目标路段的路面平整度。
可选的，所述预设的图像优化指标至少包括航拍图像的清晰度和路面的视觉完整性，所述基于所述三维概略模型、所述初始航拍视角及预设的图像优化指标，获得优化后的航拍视角，包括：
基于光束与拍摄角度的关系、光束的方位角，以及所述无人机与拍摄设备之间的距离关系，确定航拍图像的清晰度；
基于所述目标路段的路面的面积和所述初始航拍图像所覆盖区域的总面积，获得路面的视觉完整性；
基于所述三维概略模型、所述初始航拍视角、所述初始航拍图像的清晰度和所述路面的视觉完整性，获得优化后的航拍视角。
可选的，所述基于所述优化后的航拍视角，利用所述无人机对所述目标路段进行拍摄，获得一系列航拍图像，包括：
利用预设的路面信息智能提取网络，对所述初始航拍图像进行检测和分割处理，获得车道中心线；
将所述车道中心线和所述优化后的航拍视角进行融合，生成目标路径；
基于所述优化后的航拍视角和所述目标路径，利用所述无人机对所述目标路段进行拍摄，获得一系列航拍图像。
可选的，所述基于所述航拍图像，构建三维重建模型，包括：
提取所述航拍图像的特征点，按照所述目标路段的路面位置对应的像点将不同航拍图像的所述特征点进行匹配，获得同名像点，所述同名像点是指所表示的路面位置相同的像点；
基于所述同名像点，获得所述无人机上的拍摄设备的外部参数；
获取所述拍摄设备的内部参数，并基于所述同名像点的信息、所述内部参数和所述外部参数，构建三维重建模型。
可选的，所述基于所述优化后的三维重建模型，获得所述目标路段的稠密点云数据，包括：
利用所述优化后的三维重建模型，计算每张所述航拍图像的深度图；
将所有所述航拍图像的深度图进行融合，获得所述目标路段的稠密点云数据。
可选的，所述基于所述稠密点云数据，获得所述目标路段的路面平整度，包括：
基于所述车道中心线，确定所述目标路段上的左右轮迹带区域；
基于所述稠密点云数据，提取所述左右轮迹带区域的高程信息，获得目标高程信息；
基于所述目标高程信息，获得所述目标路段的路面平整度。
可选的，在获得目标高程信息之后，还包括：
获取部分所述目标路段的真实高程信息；
将所述真实高程信息和所述目标高程信息进行对比，获得高程信息偏差；
若所述高程信息偏差超过预设的偏差阈值，则利用所述真实高程信息对所述优化后的三维重建模型进行修正，获得修正后的三维重建模型。
本发明第二方面提供一种基于无人机的路面平整度测量***，所述***包括：
初始航拍图像获取模块，用于获取目标路段，利用无人机按照预设的初始航拍视角对所述目标路段进行拍摄，获得一系列初始航拍图像；
三维概略模型构建模块，用于基于所述初始航拍图像，构建所述目标路段的三维概略模型；
航拍视角优化模块，用于基于所述三维概略模型、所述初始航拍视角及预设的图像优化指标，获得优化后的航拍视角；
航拍图像采集模块，用于基于所述优化后的航拍视角，利用所述无人机对所述目标路段进行拍摄，获得一系列航拍图像；
三维重建模型构建模块，用于基于所述航拍图像，构建三维重建模型，并以最小化重投影误差为目标，对所述三维重建模型进行迭代优化，获得优化后的三维重建模型；
稠密点云数据生成模块，用于基于所述优化后的三维重建模型，获得所述目标路段的稠密点云数据；
路面平整度计算模块，用于基于所述稠密点云数据，获得所述目标路段的路面平整度。
本发明第三方面提供一种终端，所述终端包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的基于无人机的路面平整度测量程序，所述基于无人机的路面平整度测量程序被所述处理器执行时实现任意一项上述基于无人机的路面平整度测量方法的步骤。
本发明第四方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有基于无人机的路面平整度测量程序，所述基于无人机的路面平整度测量程序被处理器执行时实现任意一项上述基于无人机的路面平整度测量方法的步骤。
与现有技术相比，本方案的有益效果如下：
本发明利用无人机按照预设的初始航拍视角对目标路段进行拍摄，获得一系列初始航拍图像，能够实现对大范围路面信息的采集，以快速构建出目标路段的三维概略模型；基于三维概略模型、初始航拍视角及预设的图像优化指标，获得优化后的航拍视角，以调整拍摄设备的拍摄角度和范围，从而有利于改善航拍图片的质量和提高拍摄区域的准确性，并基于优化后的航拍视角摄取目标路段的全方位的航拍图像信息，构建三维重建模型并对其进行迭代优化，获得优化后的三维重建模型，能够在减少对航拍图像的数量需求的基础上，有效提高作业效率和数据处理效率，从而降低成本；基于优化后的三维重建模型，获得精确的稠密点云数据，从而计算出目标路段的路面平整度，能够显著提高对路面平整度测量的效率和精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明的基于无人机的路面平整度测量方法流程图；
图2为本发明的基于优视精准摄影测量技术调整之后的无人机进行航拍的飞行路径示意图；
图3为本发明的左右轮迹带区域示意图；
图4为本发明的基于无人机的路面平整度测量***模块示意图；
图5为本发明的终端结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况下，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
下面结合本发明实施例的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其它不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
本发明面对现有的路面平整度的测量方案存在的测量结果不准确和无法测量大范围全路面的问题，提出以下基于无人机的路面平整度测量方法，主要是基于优视精准摄影测量方法精确地规划出拍摄航线，并基于智能车道分析方法和空中三角测量方法对采集的数据进行筛选和解析，以重建道路的高分辨率、高精度三维模型，能够高效、精确地测量出大范围的全路段的平整度信息。同时，本发明引入的高精度激光测距仪能在50米高度内提供1毫米精度的高程参考信息，能够改善无人机GPS定位误差较大的问题，确保用于计算路面平整度数据的准确性。此外，基于三维重建生成的高精度三维路面模型能够将平整度信息的优劣分布与公路路面的几何特征关联起来，为路面设计、路面情况监测以及路面养护和维修决策提供高精度数据源。与车载式平整度监测技术仅依靠单个数值来表达某个小范围路段的平整度信息相比，本发明的方法有助于推进道路养护管理数字化和精细化的进程，提升路面养护管理方法的科学性，降低公路的维护成本，从而有效地延长公路的使用寿命。
本发明实施例提供一种基于无人机的路面平整度测量方法，部署于电脑、服务器等电子设备上，应用场景为道路的路面的平整度测量。本发明不对目标路段所在的地理位置进行限定，包括但不限于高速、隧道、工业园区、居民区、盘山公路等各种类型的道路的路面。具体的，如图1所示，本实施例方法的步骤包括：
步骤S1000：获取目标路段，利用无人机按照预设的初始航拍视角对目标路段进行拍摄，获得一系列初始航拍图像；
具体地，通过目标路段的起始位置坐标和终止位置坐标，甚至加上几个关键点的位置坐标，来确定所要研究的目标路段。这里的位置坐标通常指的是地理位置坐标，可以通过卫星定位***直接获取，或者通过其他方式直接或间接获取。
根据待测目标路段所在区域的地形、目标特性以及任务要求等，来预设一个初始航拍视角，以通过无人机按照初始航拍视角对待测目标路段所在区域进行拍摄，获得一系列初始航拍图像，以对待测目标路段所在区域进行快速摄取。
其中，目标特性包括但不限于待测目标路段的长宽尺寸、构成材料、路面的颜色和反射特性、周围环境等。
以空旷场地的路面信息收集为例，进行空中三角测量时需要考虑以下待测量目标路段的路面区域的目标特性：
路面的宽度和长度：决定待测路面区域的面积，拍摄视角需要覆盖整个路面区域，同时保持足够的分辨率以获取更多的路面细节信息；
路面的材质和颜色：不同的路面材质（如沥青、混凝土、橡胶等）和颜色会在不同的光照条件下表现出不同的反射特性，从而对图像的质量和测量的准确性带来不同的影响；
路面状况：不同的路面状况，如裂缝、坑洼、磨损等特征，对于路面质量评估非常重要，需要确保测量角度和分辨率能够捕捉各种路面状况细节；
周边环境：虽然路面位于空旷场地，但周围的植被、小型建筑物或其他结构物等因素，可能会影响视角的选择，以避免造成视线遮挡或反射干扰。
所拍摄的一系列初始航拍图像，是依据《公路路基路面现场测试规程》的要求，及无人机的硬件配置情况，计算出无人机的飞行高度，以确保收集路面高程信息的传感器的精度达到1.0毫米以内。
从《低空数字航空摄影规范》可知，飞行航高和影像地面分辨率的关系为：
，
其中，为航拍高度，/>为摄影镜头的焦距，/>为影像的地面分辨率，/>为像元尺寸的大小。可以根据上述公式，通过调整无人机的硬件配置，计算出相应的航拍高度，使得影像的地面分辨率达到1.0毫米以内。按照《公路路基路面现场测试规程》规定，无人机每隔0.5米捕获一张车道图像，从而获得一系列连续摄取的具有一定重叠区域的航拍图像。同时，通过搭载高精度激光测距仪实时记录无人机距离地面的高度，以为后续路面的三维重建模型数据提供校正依据。并将所有拍摄的数据实时传输至电脑终端，以便进行后续处理。
需要声明的是，本发明不对用于确定拍摄距离、拍摄角度和拍摄图像的装置进行限制，用于确定拍摄距离的装置包括但不限于激光测距传感器、超声波测距传感器和雷达测距传感器等，用于确定拍摄角度的装置包括但不限于陀螺仪传感器和角度传感器等，用于拍摄图像的装置包括但不限于高精度摄像机、深度相机和双目视觉相机等。而且，拍摄的图像可以是通过相机直接拍摄得到，也可以是通过摄像机录制视频分帧得到，本发明不做具体限制。
步骤S2000：基于初始航拍图像，构建目标路段的三维概略模型；
具体地，利用快速获取的一系列初始航拍图像中所包括的海拔、环境、地形等信息，构建目标路段的三维概略模型，以将该三维概略模型作为对目标路段的初步估计，从而为后续的对航拍视角进行优化奠定基础。
步骤S3000：基于三维概略模型、初始航拍视角及预设的图像优化指标，获得优化后的航拍视角；
具体地，首先基于目标路段的三维概略模型，通过卫星定位***或者实地考察的方式观察目标路段的海拔、地形、气候等信息，以及周围区域的地形、地貌和气候等环境状况，生成安全罩及禁飞空域，以此确定无人机的航拍区域，以确保无人机飞行环境的安全；然后根据无人机的航拍区域的范围和任务需求等，确定预设的图像优化指标；最后基于预设的图像优化指标，通过调节安装在无人机上的拍摄设备的位置和方向，实现对初始航拍视角的优化，并通过调节飞行高度等，确保对待测的目标路段所在区域拥有充足的正视向下的视角，以及非正视向下的多角度视角，以更好地拍摄到清晰的路面图像，并且能够很好地拍摄到路面区域，从而提高拍摄精度和拍摄效率。
步骤S4000：基于优化后的航拍视角，利用无人机对目标路段进行拍摄，获得一系列航拍图像；
步骤S5000：基于航拍图像，构建三维重建模型，并以最小化重投影误差为目标，对三维重建模型进行迭代优化，获得优化后的三维重建模型；
具体地，本实施例采用重投影误差构造代价函数，以最小化该代价函数为目标，来优化由航拍图像中的像点构建而成的投影矩阵，从而实现对三维重建模型的优化。由于采用重投影误差，不仅能够表征投影矩阵的计算误差，还能表征像点的测量误差，从而有利于提高优化后的三维重建模型的精度。
步骤S6000：基于优化后的三维重建模型，获得目标路段的稠密点云数据；
具体地，利用优化后的三维重建模型，计算每张航拍图像的深度图，然后将所有航拍图像的深度图进行融合，获得整个目标路段的稠密点云数据，以表示所有航拍图像所包括的目标路段上的不同位置处的三维坐标信息。
步骤S7000：基于稠密点云数据，获得目标路段的路面平整度。
具体地，从稠密点云数据中提取出目标路段的高程信息，并利用高程信息和预先构建的车辆模型，求解出目标路段的路面平整度。
在本实施例中，首先利用无人机按照预设的初始航拍视角对目标路段进行拍摄，获得一系列初始航拍图像，以快速构建出目标路段的三维概略模型；然后，基于三维概略模型、初始航拍视角及预设的图像优化指标，获得优化后的航拍视角，以调整拍摄设备的拍摄角度和范围，从而有利于改善航拍图片的质量和提高拍摄区域的准确性，再基于优化后的航拍视角摄取的航拍图像信息，构建三维重建模型并对其进行迭代优化，获得优化后的三维重建模型，能够在减少对航拍图像的数量需求的基础上，有效提高作业效率和数据处理效率，从而降低成本；最后，基于优化后的三维重建模型，获得精确的稠密点云数据，从而计算出目标路段的路面平整度，能够显著提高对路面平整度测量的效率和精度。
在一种实施方式中，步骤S3000中的预设的图像优化指标至少包括航拍图像的清晰度和路面的视觉完整性，基于三维概略模型、初始航拍视角及预设的图像优化指标，
获得优化后的航拍视角，包括：
步骤S3100：基于光束与拍摄角度的关系、光束的方位角，以及无人机与拍摄设备之间的距离关系，确定航拍图像的清晰度；
步骤S3200：基于目标路段的路面的面积和初始航拍图像所覆盖区域的总面积，获得路面的视觉完整性；
步骤S3300：基于三维概略模型、初始航拍视角、初始航拍图像的清晰度和路面的视觉完整性，获得优化后的航拍视角。
具体地，假设无人机的航拍视角与水平面的夹角为，以正北方向为参考方向的方位角为/>，利用/>和/>分别表示图像的清晰度/>和路面的视觉完整性/>，那么，可建立用于优化航拍视角的目标函数/>，该目标函数的表达为：
，
其中，和/>是权重因子，用于调整清晰度和完整性的相对重要性；图像的清晰度/>，/>表示拍摄角度与目标平面的对齐程度，理想情况下，无人机应该尽量垂直于道路表面，本实施例中令/>，表示光照与拍摄角度的关系，用于反映光照条件对图像清晰度的影响，令，/>表示光照的方位角，/>表示无人机与拍摄位置之间的距离，用于反映拍摄距离对图像清晰度的影响。一般来说，拍摄距离越近，所拍摄的图像越清晰，因此，令/>；视觉完整性/>可基于图像中路面区域的覆盖率来定义，即/>，/>表示所有航拍图像中包括的目标路段的路面面积，表示所有航拍图像对应的拍摄区域的总面积，该总面积表示所有航拍图像的长度和宽度之积的和，单位为像素点。需要声明的是，本实施例中的光照的光源可以是太阳光和灯光等各种形式的光，这里不做限制。
为了优化航拍视角以确保高质量的三维重建模型，本实施例选择应用随机梯度下降（Stochastic Gradient Descent，SGD）算法，对航拍视角进行优化。首先，基于预设的初始航拍视角初始化目标函数，然后利用SGD算法对该目标函数/>进行迭代优化，在每次迭代中，随机选取部分航拍图像样本，基于选取的航拍图像样本计算目标函数的梯度，再根据计算得到的梯度和预定的学习率，更新航拍视角的参数值，重复执行该迭代步骤，直至梯度的绝对值小于0.01，从而获得优化后的航拍视角。
在本实施例中，以航拍图像的清晰度和路面的视觉完整性作为航拍视角的优化指标，对基于初始航拍视角构建的三维概略模型进行迭代优化，从而获得最优的航拍视角，从而有效减少冗余拍摄视角，那么可以减少航拍图像的数量，进而加快作业效率和数据处理效率，并降低对无人机的机载计算机或者远端服务器的算力需求，有利于降低成本。
在一种实施方式中，步骤S4000中的基于所述优化后的航拍视角，利用无人机对目标路段进行拍摄，获得一系列航拍图像，包括：
步骤S4100：利用预设的路面信息智能提取网络，对初始航拍图像进行检测和分割处理，获得车道中心线；
具体地，本实施例中预设的路面信息智能提取网络包括目标检测网络和区域分割网络；利用目标检测网络对初始航拍图像进行检测，获得路面边线和车道分割线；利用区域分割网络对初始航拍图像进行分割，获得路面区域；基于路面区域和车道分割线，获得车道中心线。
例如，由两个功能性网络组成路面信息智能提取网络，这两个功能性网络分别是路面、路面边线和车道分割线目标检测网络和路面区域分割网络，其中，目标检测网络，如YOLO-NAS算法等，区域分割网络如分割一切网络（Segment Anything Model，SAM）算法等。首先通过将无人机拍摄的图像传递给目标检测网络，确定出目标路段对应的路面和路面边线，以及车道分割线在图像中的位置；然后利用区域分割网络，基于路面、路面边线和车道分割线，准确分割出目标路段对应的路面所在的区域；最后将求解出的路面边线信息和路面区域信息相结合，计算出目标路段对应的路面的宽度。
步骤S4200：将车道中心线和优化后的航拍视角进行融合，生成目标路径；
具体地，假设和/>分别表示左侧车道外沿边线和右侧车道外沿边线的坐标，那么车道中心线/>的坐标，可以近似表示为：
然后，采用旅行商（Travelling Salesman Problem，TSP）算法，将车道中心线和优化后的航拍视角进行融合，生成目标路径，也就是基于优视精准摄影测量技术调整之后的无人机进行航拍的飞行路径。如图2所示，为基于优视精准摄影测量技术调整之后的无人机进行航拍的飞行路径，其中，两条白色直线段之间的是截取的一小段目标路段，该路段中间的白色虚线为车道分割线，位于右侧车道中间的带箭头的白色线条表示无人机进行航拍的飞行路径。
步骤S4300：基于优化后的航拍视角和目标路径，利用无人机对目标路段进行拍摄，获得一系列航拍图像。
在本实施例中，通过规划出适合最佳拍摄的目标路径，使无人机沿着规划好的目标路径飞行，并按照优化后的航拍视角布置拍摄设备进行拍摄，能够有效控制连续拍摄的一系列航拍图像的有效重叠区域的大小，以高效拍摄出高质量的航拍图像，从而能以较少的航拍图像就能实现高精度的测量任务，也就是能够提高无人机的作业效率，有利于减小对存储空间和算力的要求。
在一种实施方式中，步骤S5000中的基于航拍图像，构建三维重建模型，包括：
步骤S5100：提取航拍图像的特征点，按照目标路段的路面位置对应的像点将不同航拍图像的特征点进行匹配，获得同名像点，同名像点是指所表示的路面位置相同的像点；
步骤S5200：基于同名像点，获得无人机上的拍摄设备的外部参数；
步骤S5300：获取拍摄设备的内部参数，并基于同名像点的信息、内部参数和外部参数，构建三维重建模型。
具体地，首先，采用图像特征提取算法，检测连续摄取的具有一定重叠区域的航拍图像上具有独特纹理或形状的特征点，并为每个检测到的特征点创建一个描述符，该描述符不仅能够唯一地表示一个特征点，而且能够反映该特征点周围区域的环境信息。然后对检测到的所有特征点按照对应的路面位置一一进行匹配，以找到对应的同名像点，这里同名像点指的是在不同航拍图像上对应于同一地理位置的特征点。
然后，通过查找同名像点所在的航拍图像，从而找到拍摄设备在拍摄该航拍图像时对应的外部参数和内部参数，外部参数如拍摄角度和拍摄位置等，内部参数如拍摄相机的焦距和主点等。
最后，利用部分或者全部的同名像点的信息，以及拍摄设备的内部参数和外部参数，构建三维重建模型。
在本实施例中，通过筛选在多张航拍图像中重复出现的特征点，即同名像点，能够对多张航拍图像中的同名像点周围的路面信息进行筛查或者融合，从而筛选出有效的路面信息，那么这些同名像点所在的航拍图像对应的拍摄设备的内部参数和外部参数也是有研究价值的，因此同时利用同名像点的信息，以及拍摄设备的内部参数和外部参数，构建三维重建模型，能够提高三维重建模型的准确度和有效性，从而提高对路面结构进行三维重建的精度。
进一步地，以最小化重投影误差为目标，对三维重建模型进行迭代优化，获得优化后的测量装置的拍摄位置和角度等拍摄设备的内部参数和外部参数，并基于优化后的拍摄设备的内部参数和外部参数拍摄航拍图像，也能进一步提高航拍图像的质量，从而使得优化后的三维重建模型能够更加精准地重建出路面结构的三维模型。
在一种实施方式中，步骤S6000中的基于优化后的三维重建模型，获得目标路段的稠密点云数据，包括：
步骤S6100：利用优化后的三维重建模型，计算每张航拍图像的深度图；
步骤S6200：将所有航拍图像的深度图进行融合，获得目标路段的稠密点云数据。
具体地，本实施例中的深度图像上的值表示每个像素点到拍摄设备的距离,每个像素点分别对应于目标路段的路面上的不同地理位置。通过计算每张航拍图像的深度图，能够统计到目标路段的路面的全部位置信息，通过将所有航拍图像的深度图进行融合获得稠密点云数据，能够建立起整个目标路段的路面上各个位置的三维坐标，也就是构建出整个目标路段的三维结构，而且算法简单易实现。稠密点云数据虽然具有一定的信息冗余度，但是利用稠密点云数据重建的路面三维结构能够表现出曲率变化比较精细的曲面，从而更好地间接反映出路面的平整度的细节变化趋势，有利于提高后续计算路面平整度的精确度。
在一种实施方式中，步骤S7000中的基于稠密点云数据，获得目标路段的路面平整度，包括：
步骤S7100：基于车道中心线，确定目标路段上的左右轮迹带区域；
具体地，依据《公路路面技术状况自动化检测规程》，定义距车道中心线0.6-1.4米的区域为轮迹带，路面平整度的计算需要利用轮迹带区域的信息，因此，本实施例按照此文件的规定，基于车道中心线来确定左右轮迹带区域。如图3所示为左右轮迹带区域，其中，0.6米标注的宽度表示左侧轮迹带的内侧边沿距离车道中心线之间的距离，1.4米标注的宽度表示左侧轮迹带的外侧边沿距离车道中心线之间的距离，1.4米的标注的宽度和0.6米标注的宽度之差表示左侧轮迹带。
步骤S7200：基于稠密点云数据，提取左右轮迹带区域的高程信息，获得目标高程信息；
具体地，从稠密点云数据中筛选出左右轮迹带区域对应的稠密点云数据，然后从筛选出的稠密点云数据中提取出高程信息，作为用于计算路面平整度的目标高程信息。
步骤S7300：基于目标高程信息，获得目标路段的路面平整度。
具体地，从左右轮迹带区域的高程信息提取出在左右轮迹带上沿着行车方向上的纵剖面信息，并构建出虚拟道路轮廓，来模拟预先构建的四分之一汽车模型在该虚拟道路上行驶，从而计算出汽车模型因路面起伏引起的车辆震动的动态变化。
为了简化运动方程，本实施例利用左右轮迹带上沿着行车方向上的纵剖面的长度，以及四分之一汽车模型中车辆簧载质量的垂直方向上的位移和车辆非簧载质量的垂直方向上的位移之间的关系，计算出路面平整度指数，路面平整度指数/>的表达式为：
，
其中，表示左右轮迹带上沿着行车方向上的纵剖面的长度；/>表示将纵剖面信息输入到四分之一汽车模型算法中所计算出的车辆簧载质量的垂直方向上的位移，/>表示将车辆簧载质量的垂直方向上的速度；/>表示将纵剖面信息输入到四分之一汽车模型算法中所计算出的车辆非簧载质量的垂直方向上的位移，/>表示将车辆非簧载质量的垂直方向上的速度；/>表示四分之一汽车模型在输入的纵剖面上行驶的时间，/>，/>是四分之一汽车模型的模拟速度，且该模拟速度的取值最佳为80KM/h。
在本实施例中，利用从稠密点云数据中提取出在左右轮迹带上沿着行车方向上的纵剖面信息，以反映出有效的虚拟道路轮廓，并利用预先构建的四分之一汽车模型在该虚拟道路轮廓上行驶，从而统计出汽车模型因路面起伏引起的车辆震动的动态变化，计算表得到路面平整度指数，简单高效，算法复杂度低。
在一种实施方式中，在步骤S7000中获得目标高程信息之后，还包括步骤S8000，步骤S8000具体包括：
步骤S8100：获取部分目标路段的真实高程信息；
步骤S8200：将真实高程信息和目标高程信息进行对比，获得高程信息偏差；
步骤S8300：若高程信息偏差超过预设的偏差阈值，则利用真实高程信息对优化后的三维重建模型进行修正，获得修正后的三维重建模型。
具体地，利用高精度激光测距仪测量部分目标路段的真实高程信息，将真实高程信息和左右轮迹带区域的目标高程信息进行对比，并按照预设的高程信息精度，对目标高程信息进行修正，从而构建出修正后的三维重建模型，使测量出的路面上各个特征点的三维坐标更加精确，以提高利用修正后的三维重建模型获得的高程信息的精度，从而提高从目标高程信息中提取出的左右轮迹带上沿着行车方向上的纵剖面的长度的精度，进而有利于提高最终计算出的路面平整度的精度。
需要声明的是，本发明是基于优视精准摄影测量方法精确地规划出拍摄航线，并基于智能车道分析方法和空中三角测量方法对采集的数据进行筛选和解析，以重建道路的高分辨率、高精度三维模型，并利用这种新的测量路面平整度的方案高效、精确地测量出了大范围的全路段的平整度信息，作为其他优选实施方式，也可以根据实际应用场景和测量要求，基于优视精准摄影测量方法、智能车道分析方法和空中三角测量方法进行新的改进，凡是基于本发明的构思进行的调整，均在本发明的保护范围之内。
如图4所示，对应于上述基于无人机的路面平整度测量方法，本发明实施例还提供一种基于无人机的路面平整度测量***，上述基于无人机的路面平整度测量***包括：
初始航拍图像获取模块410，用于获取目标路段，利用无人机按照预设的初始航拍视角对目标路段进行拍摄，获得一系列初始航拍图像；
三维概略模型构建模块420，用于基于初始航拍图像，构建目标路段的三维概略模型；
航拍视角优化模块430，用于基于三维概略模型、初始航拍视角及预设的图像优化指标，获得优化后的航拍视角；
航拍图像采集模块440，用于基于优化后的航拍视角，利用无人机对目标路段进行拍摄，获得一系列航拍图像；
三维重建模型构建模块450，用于基于航拍图像，构建三维重建模型，并以最小化重投影误差为目标，对三维重建模型进行迭代优化，获得优化后的三维重建模型；
稠密点云数据生成模块460，用于基于优化后的三维重建模型，获得目标路段的稠密点云数据；
路面平整度计算模块470，用于基于稠密点云数据，获得目标路段的路面平整度。
具体的，本实施例中，上述基于无人机的路面平整度测量***的具体功能还可以参照上述基于无人机的路面平整度测量方法中的对应描述，在此不再赘述。
基于上述实施例，本发明还提供了一种终端，其原理框图可以如图5所示。上述终端包括通过***总线连接的处理器、存储器、网络接口以及显示屏。其中，该终端的处理器用于提供计算和控制能力。该终端的存储器包括非易失性存储介质、内部存储器。该非易失性存储介质存储有操作***和基于无人机的路面平整度测量程序。该内部存储器为非易失性存储介质中的操作***和基于无人机的路面平整度测量程序的运行提供环境。该终端的网络接口用于与外部的终端通过网络连接通信。该基于无人机的路面平整度测量程序被处理器执行时实现上述任意一种基于无人机的路面平整度测量方法的步骤。该终端的显示屏可以是液晶显示屏或者电子墨水显示屏。
本领域技术人员可以理解，图5中示出的原理框图，仅仅是与本智能发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端的限定，具体的终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种终端，上述终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的基于无人机的路面平整度测量程序，上述基于无人机的路面平整度测量程序被上述处理器执行时实现本发明实施例提供的任意一种基于无人机的路面平整度测量方法的步骤。
本发明实施例还提供一种计算机可读存储介质，上述计算机可读存储介质上存储有基于无人机的路面平整度测量程序，上述基于无人机的路面平整度测量程序被处理器执行时实现本发明实施例提供的任意一种基于无人机的路面平整度测量方法的步骤。
应理解，上述实施例中各步骤的序号大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各实例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟是以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以由另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不是相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.基于无人机的路面平整度测量方法，其特征在于，包括：
获取目标路段，利用无人机按照预设的初始航拍视角对所述目标路段进行拍摄，获得一系列初始航拍图像；
基于所述初始航拍图像，构建所述目标路段的三维概略模型；
基于所述三维概略模型、所述初始航拍视角及预设的图像优化指标，获得优化后的航拍视角；
基于所述优化后的航拍视角，利用所述无人机对所述目标路段进行拍摄，获得一系列航拍图像；
基于所述航拍图像，构建三维重建模型，并以最小化重投影误差为目标，对所述三维重建模型进行迭代优化，获得优化后的三维重建模型；
基于所述优化后的三维重建模型，获得所述目标路段的稠密点云数据；
基于所述稠密点云数据，获得所述目标路段的路面平整度。
2.根据权利要求1所述的基于无人机的路面平整度测量方法，其特征在于，所述预设的图像优化指标至少包括航拍图像的清晰度和路面的视觉完整性，所述基于所述三维概略模型、所述初始航拍视角及预设的图像优化指标，获得优化后的航拍视角，包括：
基于光束与拍摄角度的关系、光束的方位角，以及所述无人机与拍摄设备之间的距离关系，确定航拍图像的清晰度；
基于所述目标路段的路面的面积和所述初始航拍图像所覆盖区域的总面积，获得路面的视觉完整性；
基于所述三维概略模型、所述初始航拍视角、所述初始航拍图像的清晰度和所述路面的视觉完整性，获得优化后的航拍视角。
3.根据权利要求1所述的基于无人机的路面平整度测量方法，其特征在于，所述基于所述优化后的航拍视角，利用所述无人机对所述目标路段进行拍摄，获得一系列航拍图像，包括：
利用预设的路面信息智能提取网络，对所述初始航拍图像进行检测和分割处理，获得车道中心线；
将所述车道中心线和所述优化后的航拍视角进行融合，生成目标路径；
基于所述优化后的航拍视角和所述目标路径，利用所述无人机对所述目标路段进行拍摄，获得一系列航拍图像。
4.根据权利要求1所述的基于无人机的路面平整度测量方法，其特征在于，所述基于所述航拍图像，构建三维重建模型，包括：
提取所述航拍图像的特征点，按照所述目标路段的路面位置对应的像点将不同航拍图像的所述特征点进行匹配，获得同名像点，所述同名像点是指所表示的路面位置相同的像点；
基于所述同名像点，获得所述无人机上的拍摄设备的外部参数；
获取所述拍摄设备的内部参数，并基于所述同名像点的信息、所述内部参数和所述外部参数，构建三维重建模型。
5.根据权利要求1所述的基于无人机的路面平整度测量方法，其特征在于，所述基于所述优化后的三维重建模型，获得所述目标路段的稠密点云数据，包括：
利用所述优化后的三维重建模型，计算每张所述航拍图像的深度图；
将所有所述航拍图像的深度图进行融合，获得所述目标路段的稠密点云数据。
6.根据权利要求3所述的基于无人机的路面平整度测量方法，其特征在于，所述基于所述稠密点云数据，获得所述目标路段的路面平整度，包括：
基于所述车道中心线，确定所述目标路段上的左右轮迹带区域；
基于所述稠密点云数据，提取所述左右轮迹带区域的高程信息，获得目标高程信息；
基于所述目标高程信息，获得所述目标路段的路面平整度。
7.根据权利要求6所述的基于无人机的路面平整度测量方法，其特征在于，在获得目标高程信息之后，还包括：
获取部分所述目标路段的真实高程信息；
将所述真实高程信息和所述目标高程信息进行对比，获得高程信息偏差；
若所述高程信息偏差超过预设的偏差阈值，则利用所述真实高程信息对所述优化后的三维重建模型进行修正，获得修正后的三维重建模型。
8.基于无人机的路面平整度测量***，其特征在于，所述***包括：
初始航拍图像获取模块，用于获取目标路段，利用无人机按照预设的初始航拍视角对所述目标路段进行拍摄，获得一系列初始航拍图像；
三维概略模型构建模块，用于基于所述初始航拍图像，构建所述目标路段的三维概略模型；
航拍视角优化模块，用于基于所述三维概略模型、所述初始航拍视角及预设的图像优化指标，获得优化后的航拍视角；
航拍图像采集模块，用于基于所述优化后的航拍视角，利用所述无人机对所述目标路段进行拍摄，获得一系列航拍图像；
三维重建模型构建模块，用于基于所述航拍图像，构建三维重建模型，并以最小化重投影误差为目标，对所述三维重建模型进行迭代优化，获得优化后的三维重建模型；
稠密点云数据生成模块，用于基于所述优化后的三维重建模型，获得所述目标路段的稠密点云数据；
路面平整度计算模块，用于基于所述稠密点云数据，获得所述目标路段的路面平整度。
9.终端，其特征在于，所述终端包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的基于无人机的路面平整度测量程序，所述基于无人机的路面平整度测量程序被所述处理器执行时实现如权利要求1-7任意一项所述基于无人机的路面平整度测量方法的步骤。
10.计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有基于无人机的路面平整度测量程序，所述基于无人机的路面平整度测量程序被处理器执行时实现如权利要求1-7任意一项所述基于无人机的路面平整度测量方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311777996.2A CN117437368B (zh) | 2023-12-22 | 2023-12-22 | 基于无人机的路面平整度测量方法、***、终端和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311777996.2A CN117437368B (zh) | 2023-12-22 | 2023-12-22 | 基于无人机的路面平整度测量方法、***、终端和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117437368A true CN117437368A (zh) | 2024-01-23 |
| CN117437368B CN117437368B (zh) | 2024-04-26 |
Family
ID=89548433
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311777996.2A Active CN117437368B (zh) | 2023-12-22 | 2023-12-22 | 基于无人机的路面平整度测量方法、***、终端和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117437368B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118009888A (zh) * | 2024-04-08 | 2024-05-10 | 深圳市明谋科技有限公司 | 一种线缆压接的视觉检测方法及*** |
| CN118274847A (zh) * | 2024-06-04 | 2024-07-02 | 华南农业大学 | 一种基于路面不平度的农业巡检机器人导航决策规划方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105184863A (zh) * | 2015-07-23 | 2015-12-23 | 同济大学 | 一种基于无人机航拍序列影像的边坡三维重建方法 |
| CN106780729A (zh) * | 2016-11-10 | 2017-05-31 | 中国人民解放军理工大学 | 一种无人机序列影像批处理三维重建方法 |
| CN107092020A (zh) * | 2017-04-19 | 2017-08-25 | 北京大学 | 融合无人机LiDAR和高分影像的路面平整度监测方法 |
| CN110873565A (zh) * | 2019-11-21 | 2020-03-10 | 北京航空航天大学 | 用于城市场景重建的无人机实时路径规划方法 |
| CN115019208A (zh) * | 2022-06-15 | 2022-09-06 | 长安大学 | 一种面向动态交通场景的路面三维重建方法和*** |
-
2023
- 2023-12-22 CN CN202311777996.2A patent/CN117437368B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105184863A (zh) * | 2015-07-23 | 2015-12-23 | 同济大学 | 一种基于无人机航拍序列影像的边坡三维重建方法 |
| CN106780729A (zh) * | 2016-11-10 | 2017-05-31 | 中国人民解放军理工大学 | 一种无人机序列影像批处理三维重建方法 |
| CN107092020A (zh) * | 2017-04-19 | 2017-08-25 | 北京大学 | 融合无人机LiDAR和高分影像的路面平整度监测方法 |
| CN110873565A (zh) * | 2019-11-21 | 2020-03-10 | 北京航空航天大学 | 用于城市场景重建的无人机实时路径规划方法 |
| CN115019208A (zh) * | 2022-06-15 | 2022-09-06 | 长安大学 | 一种面向动态交通场景的路面三维重建方法和*** |
Non-Patent Citations (1)
| Title |
|---|
| 高仁强 等: "基于无人机 LiDAER 数据的公路路面监测和平整度评价方法研究", 应用基础与工程科学学报, vol. 26, no. 4, 31 August 2018 (2018-08-31), pages 683 - 688 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118009888A (zh) * | 2024-04-08 | 2024-05-10 | 深圳市明谋科技有限公司 | 一种线缆压接的视觉检测方法及*** |
| CN118009888B (zh) * | 2024-04-08 | 2024-06-25 | 深圳市明谋科技有限公司 | 一种线缆压接的视觉检测方法及*** |
| CN118274847A (zh) * | 2024-06-04 | 2024-07-02 | 华南农业大学 | 一种基于路面不平度的农业巡检机器人导航决策规划方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117437368B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111540048B (zh) | 一种基于空地融合的精细化实景三维建模方法 | |
| CN106645205A (zh) | 一种无人机桥梁底面裂纹检测方法及*** | |
| CN106978774B (zh) | 一种路面坑槽自动检测方法 | |
| EP2703774B1 (en) | Monitoring method and monitoring system of settlement of engineering buildings | |
| CN112802021B (zh) | 基于数字孪生技术的城市桥梁道路诊断方法及其*** | |
| CN117437368B (zh) | 基于无人机的路面平整度测量方法、***、终端和介质 | |
| JP2012511697A (ja) | 測地参照データベースを生成する方法 | |
| RU2646771C1 (ru) | Способ трассировки маршрута движения автоматического транспортного средства | |
| CN103938531B (zh) | 激光道路错台检测***和方法 | |
| CN111540052A (zh) | 一种铁路沿线危岩落石的快速定位及三维重建方法 | |
| Atencio et al. | Calibration of UAV flight parameters for pavement pothole detection using orthogonal arrays | |
| CN115937446A (zh) | 基于ar技术的地形测绘装置及方法 | |
| CN115345945A (zh) | 利用无人机多目视觉重建高速公路的自动巡检方法及*** | |
| Cahalane et al. | Mobile mapping system performance: An initial investigation into the effect of vehicle speed on laser scan lines | |
| EP4250245A1 (en) | System and method for determining a viewpoint of a traffic camera | |
| CN116839539A (zh) | 一种用于隧道工程建设的自动监控量测*** | |
| CN108692710B (zh) | 一种公路宗地测量方法及*** | |
| CN114239995A (zh) | 全区域巡航路线生成方法、***、电子设备及存储介质 | |
| RU2726256C1 (ru) | Способ построения трехмерной модели местности вдоль полотна железнодорожного пути | |
| Kertész et al. | Photogrammetric pavement detection system | |
| Cai | Measuring light and geometry data of roadway environments with a camera | |
| CN111121714B (zh) | 一种行车视距的测量方法及*** | |
| Koehl et al. | Image capture with synchronized multiple-cameras for extraction of accurate geometries | |
| Alkaabi et al. | Application of a drone camera in detecting road surface cracks: a UAE testing case study | |
| Małek | ASSESSMENT OF THE USE OF UNMANNED AERIAL VEHICLES FOR ROAD PAVEMENT CONDITION SURVEYING. |
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 |