CN117456092A - 基于无人机航测的三维实景建模***及方法 - Google Patents
基于无人机航测的三维实景建模***及方法 Download PDFInfo
- Publication number
- CN117456092A CN117456092A CN202311377081.2A CN202311377081A CN117456092A CN 117456092 A CN117456092 A CN 117456092A CN 202311377081 A CN202311377081 A CN 202311377081A CN 117456092 A CN117456092 A CN 117456092A
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- image
- image control
- control point
- 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 51
- 238000012545 processing Methods 0.000 claims abstract description 42
- 238000005259 measurement Methods 0.000 claims abstract description 16
- 238000013145 classification model Methods 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000010586 diagram Methods 0.000 claims abstract description 7
- 239000002699 waste material Substances 0.000 claims abstract description 6
- 238000004891 communication Methods 0.000 claims description 26
- 238000012544 monitoring process Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000033001 locomotion Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000013210 evaluation model Methods 0.000 claims description 5
- 230000010365 information processing Effects 0.000 claims description 4
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims description 3
- 206010047513 Vision blurred Diseases 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 229910001416 lithium ion Inorganic materials 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000002360 preparation 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computer Graphics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Remote Sensing (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于无人机航测的三维实景建模方法,包括:地面设置处理站、基点并且合理布设多组像控点,生成带状航测区域,根据像控点生成坐标图,获取导航路线;控制无人机前往像控点进行倾斜摄影,获得带有像控点的图像数据,通过像控点识别分类模型对获取的图像数据进行预处理,筛除废片;将每次获取的图像数据输入图像质量模型进行精度评价,若精度不符合预设值,则重新获取图像,直至实现对所有像控点实景的更新,建模后形成实景模型图。本发明属于无人机航测技术领域,具体是提供了一种基于无人机航测的三维实景建模***及方法,用于解决现有技术中航测质量精度不够的问题,以及测量的精度欠佳,工作量较大的问题。
Description
技术领域
本发明属于无人机航测技术领域,具体是指一种基于无人机航测的三维实景建模***及方法。
背景技术
在建筑测量领域,随着无人机技术的发展,无人机航测的优势正在逐渐增长,并在市场上占据主导地位。在现有的测绘建模技术中,测量人员首先需要遥控无人机对实景进行拍摄,在无人机拍摄完成后携带数据返回,随后得到勘测模型图,再通过建模等方式。通过无人机进行航测时,通常先生成矩形或不规则多边形区域,然后通过调节区域上的控制点来规划航线,但是,常规操作中则需要多次调节控制点来生成带状的航拍区域,操作极为不方便,而且绘制出来的航拍区域有可能覆盖非测区,增加了冗余数据及数据处理工作量。
现有申请号为2019110557828的中国发明专利,公开了一种基于无人机航测的三维实景建模方法。该基于无人机航测的三维实景建模方法包括以下步骤:利用无人机航测获取航测数据,通过空中三角解析法进行图像解析将系列二维航拍图像转换为所述待测建筑工程的三维密集点云,接着进行数据后处理,获得所述待测建筑工程的数字线划地图和数字表面模型,得到实景三维模型;基于所述实景三维模型及真实地表点云进行所述待测建筑工程实景巡查,得到所述待测建筑工程的施工执行数据;基于所述待测建筑工程的三维规划设计和施工执行数据的比对,研究并下达施工调度指令,对调度指令执行效果进行检查和纠偏。该基于无人机航测的三维实景建模方法的效率高且成本低。
上述方案中,通过空中三角解析法的方式可以解决人工测量带来的精度问题,但是采用空中三角解析法获取的航飞质量和扫描质量有问题,如果底片片基本身有一定的***变形,或在航摄、摄影处理、扫描过程中都可能会受到某种应变力的作用而造成动态的几何变形,测量的精度欠佳,而且工作量变大。
发明内容
针对上述情况,为克服现有技术的缺陷,本发明提供了一种基于无人机航测的三维实景建模***及方法,用于解决现有技术中航测质量精度不够的问题,以及测量的精度欠佳,工作量较大的问题。
本发明采取的技术方案如下:
本方案公开了一种基于无人机航测的三维实景建模方法,包括以下步骤:
S1:地面设置处理站、基点并且合理布设多组像控点,处理站预先设置无人机的航拍参数,生成带状航测区域,将所述像控点的位置信息输入给处理站形成坐标图,获取当前位置到所述像控点之间的导航路线;
S2:处理站控制无人机从基准坐标控制点前往对应的像控点,通过无人机进行倾斜摄影,获得带有像控点的图像数据,对获取的图像数据进行预处理,筛除废片;
S3:在摄影过程中,将每次获取的图像数据输入图像质量模型进行精度评价;如果精度符合预设值,则继续获取下一个像控点的图像数据;如果精度不符合预设值,则重新获取图像;
S4:利用重新获取的符合精度的图像覆盖原有的模糊景象,实现对实景的更新,根据采集的图像建模后形成最终的实景模型图。
进一步方案,所述步骤S1中,像控点的布设采用图根点的测量方法以及轴对称的布设方式,在航测区域的复杂边界增加像控点的布设密度。
进一步地,所述步骤S1中,航拍参数设置包括:航向重叠度、旁向重叠度、航测高度和基准点高度的设置,根据所述航拍参数和无人机镜头参数生成带状航测区域。
进一步方案中,所述图像质量模型的流程,包括如下步骤:
步骤一、选择拍摄图像的某一目标点进行实例分析;
步骤二、选择不同的航向重叠率、旁向重叠度、航测高度和基准点高度的布设,统计各实例的高程误差和水平误差;
步骤三、通过模糊综合评价模型计算出各种情况的精度和各实例的高程误差和水平误差进行对比分析。
进一步地,在所述步骤S2中,采用像控点识别分类模型对所述图像数据中的像控点标识进行识别与图像的预处理工作。
进一步地,所述像控点识别分类模型的构建与训练过程,包括以下步骤:
步骤1:搭建若干像控点标识,拍摄像控点标识的原始图像,对图像进行预处理,包括图像的裁剪、尺寸调整、灰度转换、归一化,确保图像数据的一致性与可用性;
步骤2:使用深度学习模型中的卷积神经网络自动学习特征,将图像转化为机器学习算法可以处理的特征表达形式;采用基于VGG11网络的编码器-解码器的神经网络并训练。
步骤3:对预处理后的图像数据集进行标注,形成标注文件,为每个样本分配正确的分类标签,根据任务的特点选择合适的分类模型,标注文件与原始图像相对应形成样本集;
步骤4:模型训练时,先对原始图像做图像分类,判断图像中是否像控点,若为是的情况下对图像做图像分割,从而精确到每一个像素的分类;
步骤5:将样本集划分为训练集和测试集,其中训练集占样本总数的70%,测试集占样本总数的30%;使用测试集对训练好的模型进行评估,计算模型的准确率、精确度,根据评估结果对模型进行调优;
步骤6:最后将训练好的模型部署到实际应用环境中,用于实现对图像的像控点识别分类功能。
本方案还公开了一种基于无人机航测的三维实景建模***,包括无人机、处理站和通讯基站,所述无人机通过与通讯基站之间建立连接,从而实现与地面处理站的通信,所述处理站从而对无人机进行控制;
所述无人机包含有无人机控制单元、数据采集单元和处理站控制单元;
所述无人机控制单元包括:无人机处理器、惯性测量***、定位***、供电***、存储***、无线通信***,上述***均与无人机处理器相连接,无人机处理器用于接收并处理信号使用;
所述惯性测量***由加速度计和陀螺仪组成,用于感测无人机的加速度并通过积分运算获得无人机的速度和姿态等相关数据。其中,加速度计用来测量无人机运动过程中相对于惯性空间的加速度,指示当地垂线方向;陀螺仪则用来测量无人机相对搭载平台转动运动方向的角位移,指示地球自转轴的方向,通过惯性测量***的设置从而获取无人机姿态,便于角度拍摄的控制。
所述定位***采用GPS定位或者北斗导航定位,用于定位无人机的位置。所述供电***采用锂离子动力电池,所述存储***采用存储卡与外接硬盘结合的方式存储数据。所述无线通信***采用远距离WiFi模块实现通信。
所述数据采集单元包括:摄像机、红外测距仪和电池信息传感器,所述摄像机用于照片以及视频的拍摄,所述红外测距仪用于测量无人机机身与基点、像控点之间的高度距离,所述电池信息传感器用于电池电量信息的采集,在航测的过程中无人机电池的实时电量小于电量设置阈值时,无人机处理器通过无线通信***向处理站发送信号,提醒工作人员操控无人机返航,避免造成损失。在使用的过程中,供电***给无人机供电,电池信息传感器用于监测电池电量的信息,根据电量适时返航充电,在无人机飞行的过程中,实时获取无人机的速度、姿态、以及拍摄画面。
所述处理站控制单元与处理站通讯连接,所述处理站包含有数据接收单元以及监控屏,所述监控屏以及数据接收单元通过无线通信***与无人机处理器以及数据采集单元相连接,起到监控、控制与信息处理的作用。
本方案公开了一种无人机航测的三维实景建模方法,采用上述方案取得的有益效果如下:
1、在航测前根据待测区域的特点做好测前准备,像控点的布设采用图根点的测量方法以及轴对称的布设方式,在航测区域的复杂边界增加像控点的布设密度,能够减少带状航测区域中所包含的冗余工作量及包含非测区域的重叠问题。
2、前往相应的像控点并进行倾斜摄影,从而获得带有像控点的图像数据,在像控点识别分类模型的构建与训练过程中,经过神经网络学习,对图像做预处理,并进行图像分类,通过判断图像中是否存在像控点,从而对图像进行分割,用于实现对像控点的分类识别,筛除废片的同时,减少后期的工作量,便于图像的分类与后期的实景建模。
3、将根据每个像控点获取的图像数据输入图像质量模型进行精度评价,该图像质量模型通过不同的航向重叠率、旁向重叠度、航测高度和基准点高度的布设,在模糊综合评价模型的计算下得出各种情况的精度和实施例的高程误差和水平误差进行对比分析,从而判断图像质量的精度,判断是否复合图像需求标准,从而删除冗余图像,从而解决现有技术中工作量大的问题,同时解决了现有技术中航测质量精度不够的问题,以及测量的精度欠佳等问题。
4、另外,本方案所提供的***,包含有实时监控功能,处理站设有用于实时监控的监控屏,起到监控、控制与信息处理的作用,同时包含有无人机电池电量的监控,保证无人机的正常使用。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1为本建模方法的方法流程图;
图2为本建模***的组成图;
图3为实施例中像控点识别分类模型的构建与训练过程的流程图;
图4为实施例中图像质量模型评价获取图像精度的流程图。
具体实施方式
下面将结合本发明实施例中的附图,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他实施例,都属于本发明保护的范围。
实施例,如图2所示,本发明提供了一种基于无人机航测的三维实景建模***,包括无人机、处理站和通讯基站,所述无人机通过与通讯基站之间建立连接,从而实现与地面处理站的通信,所述处理站从而对无人机进行控制。
参阅图2所示,所述无人机包含有无人机控制单元、数据采集单元和处理站控制单元。
所述无人机控制单元用于监测并获取无人机的多种状态,确保无人机正常运行航测工作;所述无人机控制单元包括:无人机处理器、惯性测量***、定位***、供电***、存储***、无线通信***,上述***均与无人机处理器相连接,无人机处理器用于接收并处理信号使用。在优选实施例中,所述惯性测量***由加速度计和陀螺仪组成,用于感测无人机的加速度并通过积分运算获得无人机的速度和姿态等相关数据。其中,加速度计用来测量无人机运动过程中相对于惯性空间的加速度,指示当地垂线方向;陀螺仪则用来测量无人机相对搭载平台转动运动方向的角位移,指示地球自转轴的方向,通过惯性测量***的设置从而获取无人机姿态,便于角度拍摄的控制。其中,所述定位***采用GPS定位或者北斗导航定位,用于定位无人机的位置。所述供电***采用锂离子动力电池,所述存储***采用存储卡与外接硬盘结合的方式存储数据。所述无线通信***采用远距离WiFi模块实现通信。
所述数据采集单元包括:摄像机、红外测距仪和电池信息传感器,所述摄像机用于照片以及视频的拍摄,所述红外测距仪用于测量无人机机身与基点、像控点之间的高度距离,所述电池信息传感器用于电池电量信息的采集,在航测的过程中无人机电池的实时电量小于电量设置阈值时,无人机处理器通过无线通信***向处理站发送信号,提醒工作人员操控无人机返航,避免造成损失。在使用的过程中,供电***给无人机供电,电池信息传感器用于监测电池电量的信息,根据电量适时返航充电,在无人机飞行的过程中,实时获取无人机的速度、姿态、以及拍摄画面。
所述处理站控制单元:与处理站通讯连接,所述处理站包含有数据接收单元以及监控屏,所述监控屏以及数据接收单元通过无线通信***与无人机处理器以及数据采集单元相连接,起到监控、控制与信息处理的作用。
参考图1、图3和图4所示,在上述***的基础上,本方案还公开了一种基于无人机航测的三维实景建模方法,包括以下步骤:
S1:地面设置处理站、基点并且合理布设多组像控点,像控点的布设采用图根点的测量方法以及轴对称的布设方式,在航测区域的复杂边界增加像控点的布设密度,处理站预先设置无人机的航拍参数,生成带状航测区域,将所述像控点的位置信息输入给处理站形成坐标图,获取当前位置到所述像控点之间的导航路线;
其中,航拍参数设置包括:航向重叠度、旁向重叠度、航测高度和基准点高度的设置,根据所述航拍参数和无人机镜头参数生成带状航测区域。
S2:处理站控制无人机从基准坐标控制点前往对应的像控点,通过无人机进行倾斜摄影,获得带有像控点的图像数据,采用像控点识别分类模型对所述图像数据中的像控点标识进行识别与图像的预处理工作,筛除废片;
其中,所述像控点识别分类模型的构建与训练过程,包括以下步骤:
S2.1:搭建若干像控点标识,拍摄像控点标识的原始图像,对图像进行预处理,包括图像的裁剪、尺寸调整、灰度转换、归一化,确保图像数据的一致性与可用性;
S2.2:使用深度学习模型中的卷积神经网络自动学习特征,将图像转化为机器学习算法可以处理的特征表达形式;采用基于VGG11网络的编码器-解码器的神经网络并训练;
S2.3:对预处理后的图像数据集进行标注,形成标注文件,为每个样本分配正确的分类标签,根据任务的特点选择合适的分类模型,标注文件与原始图像相对应形成样本集;
S2.4:模型训练时,先对原始图像做图像分类,判断图像中是否像控点,若为是的情况下对图像做图像分割,从而精确到每一个像素的分类;
S2.5:将样本集划分为训练集和测试集,其中训练集占样本总数的70%,测试集占样本总数的30%;使用测试集对训练好的模型进行评估,计算模型的准确率、精确度,根据评估结果对模型进行调优;
S2.6:最后将训练好的模型部署到实际应用环境中,用于实现对图像的像控点识别分类功能。
前往相应的像控点并进行倾斜摄影,从而获得带有像控点的图像数据,在像控点识别分类模型的构建与训练过程中,经过神经网络学习,对图像做预处理,并进行图像分类,通过判断图像中是否存在像控点,从而对图像进行分割,用于实现对像控点的分类识别,筛除废片的同时,减少后期的工作量,便于图像的分类与后期的实景建模。
S3:在摄影过程中,将每次获取的图像数据输入图像质量模型进行精度评价;如果精度符合预设值,则继续获取下一个像控点的图像数据,直至采集完成所有的像控点图像数据;如果精度不符合预设值,则重新获取图像;
其中,图像质量模型的评价流程,包括如下步骤:
S3.1:选择拍摄图像的某一目标点进行实例分析;
S3.2:选择不同的航向重叠率、旁向重叠度、航测高度和基准点高度的布设,统计各实例的高程误差和水平误差;
S3.3:通过模糊综合评价模型计算出各种情况的精度和各实例的高程误差和水平误差进行对比分析。
S4:利用重新获取的符合精度的图像覆盖原有的模糊景象,实现对实景的更新,根据采集的图像建模后形成最终的实景模型图。
根据每个像控点获取的图像数据输入图像质量模型进行精度评价,该图像质量模型通过不同的航向重叠率、旁向重叠度、航测高度和基准点高度的布设,在模糊综合评价模型的计算下得出各种情况的精度和实施例的高程误差和水平误差进行对比分析,从而判断图像质量的精度,判断是否复合图像需求标准,从而删除冗余图像,从而解决现有技术中工作量大的问题,同时解决了现有技术中航测质量精度不够的问题,以及测量的精度欠佳等问题。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
Claims (7)
1.一种基于无人机航测的三维实景建模方法,其特征在于,包括以下步骤:
S1:地面设置处理站、基点并且合理布设多组像控点,处理站预先设置无人机的航拍参数,生成带状航测区域,将所述像控点的位置信息输入给处理站形成坐标图,获取当前位置到所述像控点之间的导航路线;
S2:处理站控制无人机从基准坐标控制点前往对应的像控点,通过无人机进行倾斜摄影,获得带有像控点的图像数据,对获取的图像数据进行预处理,筛除废片;
S3:在摄影过程中,将每次获取的图像数据输入图像质量模型进行精度评价;如果精度符合预设值,则继续获取下一个像控点的图像数据,直至采集完成所有的像控点图像数据;如果精度不符合预设值,则重新获取图像;
S4:利用重新获取的符合精度的图像覆盖原有的模糊景象,实现对实景的更新,根据采集的图像建模后形成最终的实景模型图。
2.根据权利要求1所述的一种基于无人机航测的三维实景建模方法,其特征在于:所述步骤S1中航拍参数设置包括:航向重叠度、旁向重叠度、航测高度和基准点高度的设置,根据所述航拍参数和无人机镜头参数生成带状航测区域。
3.根据权利要求2所述的一种基于无人机航测的三维实景建模方法,其特征在于:所述步骤2中采用像控点识别分类模型对所述图像数据中的像控点标识进行识别与图像的预处理工作。
4.根据权利要求3所述的一种基于无人机航测的三维实景建模方法,其特征在于:所述像控点识别分类模型的构建与训练过程,包括以下步骤:
步骤1:搭建若干像控点标识,拍摄像控点标识的原始图像,对图像进行预处理,包括图像的裁剪、尺寸调整、灰度转换、归一化,确保图像数据的一致性与可用性;
步骤2:使用深度学习模型中的卷积神经网络自动学习特征,将图像转化为机器学习算法可以处理的特征表达形式;采用基于VGG11网络的编码器-解码器的神经网络并训练;
步骤3:对预处理后的图像数据集进行标注,形成标注文件,为每个样本分配正确的分类标签,根据任务的特点选择合适的分类模型,标注文件与原始图像相对应形成样本集;
步骤4:模型训练时,先对原始图像做图像分类,判断图像中是否像控点,若为是的情况下对图像做图像分割,从而精确到每一个像素的分类;
步骤5:将样本集划分为训练集和测试集,其中训练集占样本总数的70%,测试集占样本总数的30%;使用测试集对训练好的模型进行评估,计算模型的准确率、精确度,根据评估结果对模型进行调优;
步骤6:最后将训练好的模型部署到实际应用环境中,用于实现对图像的像控点识别分类功能。
5.根据权利要求4所述的一种基于无人机航测的三维实景建模方法,其特征在于:所述步骤S3中图像质量模型的评价流程,包括如下步骤:
步骤一、选择拍摄图像的某一目标点进行实例分析;
步骤二、选择不同的航向重叠率、旁向重叠度、航测高度和基准点高度的布设,统计各实例的高程误差和水平误差;
步骤三、通过模糊综合评价模型计算出各种情况的精度和各实例的高程误差和水平误差进行对比分析。
6.根据权利要求1所述的一种基于无人机航测的三维实景建模方法,其特征在于:所述步骤S1中像控点的布设采用图根点的测量方法以及轴对称的布设方式,在航测区域的复杂边界增加像控点的布设密度。
7.根据权利要求1-6任一所述的一种基于无人机航测的三维实景建模方法的建模***,其特征在于:包括无人机、处理站和通讯基站,所述无人机通过与通讯基站之间建立连接,从而实现与地面处理站的通信,所述处理站从而对无人机进行控制;
所述无人机包含有无人机控制单元、数据采集单元和处理站控制单元;
所述无人机控制单元包括:无人机处理器、惯性测量***、定位***、供电***、存储***、无线通信***,上述***均与无人机处理器相连接;
无人机处理器用于接收并处理信号使用;
所述惯性测量***由加速度计和陀螺仪组成,用于感测无人机的加速度并通过积分运算获得无人机速度和姿态的相关数据,其中,加速度计用来测量无人机运动过程中相对于惯性空间的加速度,指示当地垂线方向;陀螺仪则用来测量无人机相对搭载平台转动运动方向的角位移,指示地球自转轴的方向,通过惯性测量***的设置从而获取无人机姿态,便于角度拍摄的控制;
所述定位***采用GPS定位或者北斗导航定位,用于定位无人机的位置;
所述供电***采用锂离子动力电池;
所述存储***采用存储卡与外接硬盘结合的方式存储数据;
所述无线通信***采用远距离WiFi模块实现通信;
所述数据采集单元包括:摄像机、红外测距仪和电池信息传感器,所述摄像机用于照片以及视频的拍摄,所述红外测距仪用于测量无人机机身与基点、像控点之间的高度距离,所述电池信息传感器用于电池电量信息的采集,在航测的过程中无人机电池的实时电量小于电量设置阈值时,无人机处理器通过无线通信***向处理站发送信号,提醒工作人员;
所述处理站控制单元与处理站通讯连接,所述处理站包含有数据接收单元以及监控屏,所述监控屏以及数据接收单元通过无线通信***与无人机处理器以及数据采集单元相连接,起到监控、控制与信息处理的作用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311377081.2A CN117456092A (zh) | 2023-10-24 | 2023-10-24 | 基于无人机航测的三维实景建模***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311377081.2A CN117456092A (zh) | 2023-10-24 | 2023-10-24 | 基于无人机航测的三维实景建模***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117456092A true CN117456092A (zh) | 2024-01-26 |
Family
ID=89588451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311377081.2A Pending CN117456092A (zh) | 2023-10-24 | 2023-10-24 | 基于无人机航测的三维实景建模***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117456092A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117950355A (zh) * | 2024-03-27 | 2024-04-30 | 西安爱生无人机技术有限公司 | 一种侦察型无人机监督控制***及方法 |
-
2023
- 2023-10-24 CN CN202311377081.2A patent/CN117456092A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117950355A (zh) * | 2024-03-27 | 2024-04-30 | 西安爱生无人机技术有限公司 | 一种侦察型无人机监督控制***及方法 |
CN117950355B (zh) * | 2024-03-27 | 2024-06-11 | 西安爱生无人机技术有限公司 | 一种侦察型无人机监督控制***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112567201B (zh) | 距离测量方法以及设备 | |
CN105928498B (zh) | 提供关于对象的信息的方法、大地测绘***、存储介质 | |
CN111931565B (zh) | 一种基于光伏电站uav的自主巡检与热斑识别方法及*** | |
EP3228984B1 (en) | Surveying system | |
US20140336928A1 (en) | System and Method of Automated Civil Infrastructure Metrology for Inspection, Analysis, and Information Modeling | |
CN1959343B (zh) | 机载多角度成像测高技术 | |
CN110268445A (zh) | 利用陀螺仪的相机自动校准 | |
CN102298070A (zh) | 估算无人机,尤其是能够在自动驾驶下执行悬停飞行的无人机的水平速度的方法 | |
CN111968048B (zh) | 电力巡检少样本图像数据增强方法及*** | |
CN105955308A (zh) | 一种飞行器的控制方法和装置 | |
CN112113542A (zh) | 一种无人机航摄建设用地土地专项数据验收的方法 | |
CN109813335A (zh) | 数据采集***的标定方法、装置、***及存储介质 | |
CN103886640A (zh) | 一种建筑物的三维模型的获取方法及*** | |
CN117456092A (zh) | 基于无人机航测的三维实景建模***及方法 | |
CN107607091A (zh) | 一种测量无人机飞行航迹的方法 | |
WO2020181508A1 (zh) | 一种数字地表模型的构建方法及处理设备、*** | |
CN106969721A (zh) | 一种三维测量方法及其测量装置 | |
CN108603933A (zh) | 用于融合具有不同分辨率的传感器输出的***和方法 | |
CN114004977A (zh) | 一种基于深度学习的航拍数据目标定位方法及*** | |
CN116625354A (zh) | 一种基于多源测绘数据的高精度地形图生成方法及*** | |
CN113415433A (zh) | 基于三维场景模型的吊舱姿态修正方法、装置和无人机 | |
CN114659499B (zh) | 一种基于无人机技术的智慧城市3d地图模型摄影建立方法 | |
CN116203976A (zh) | 变电站室内巡检方法、装置、无人机和存储介质 | |
CN113610001B (zh) | 基于深度相机和imu组合的室内移动终端定位方法 | |
CN115665553A (zh) | 一种无人机的自动跟踪方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |