改进的无人机影像处理技术在新冠疫情复工建设中的应用

发布时间：2024-02-22 12:52

　　疫情期间复工复产需要准确的现场信息及高精度分辨率的正射影像作为决策依据,但管理人员无法通过密集的现场巡视获取信息。无人机外业数据采集速度快、采集精度高、数据量全,但传统的无人机正射影像处理速度无法满足项目刻不容缓的需求,因此本文对无人机外业快速采集-快速内业处理技术-目标成果识别作了全方位的研究,基于改进SURF无人机影像快速处理算法并针对大型工程设备在影像上呈现规则矩形、特征点突出、明暗对比关系明显等关键要素,快速处理得到正射影像,并在此基础上运用Fast R-CNN网络识别现场机械设备为复工决策提供决策依据,相应成果已在新冠疫情期间雄安高铁站工程建设复工复产中得到了应用。

【文章页数】：5 页

【部分图文】：

图1SURF简化计算模板

如图1所示，在简化模板中，白色区域、黑色区域、灰色区域的值分别为1、-2、0。使用滤波器σ=1.2对最小尺度空间值对图像进行滤波及特征点检测，然后在响应的无人机影像上对采样点进行非极大抑制，最终特征点就能够被确定。1.3本文算法快速处理步骤

图2无人机原始数据

考虑到雄安建设对本次工作任务有较高的时效性要求，传统旋翼无人机受电池续航、作业速度等因素影响，外业无人机影像采集效率低，因此本次任务采用固定翼无人机对高铁站片区进行影像采集工作。其具有巡航作业时间长，机身稳定，控制半径大等特点，可以满足本次工作需求，无人机参数见表1。本次作业无人....

图3航线任务规划

本次作业无人机共飞行4个架次，作业面积11.1km2，总航程185.674km，总飞行时间183min，飞行高度200m，飞行速度17m/s，飞机航向、旁向重叠率高达80%，照片分辨率3cm，拍照间距32m。航线规划如图3所示。1.4.2内业数据情况

图4测控区域三角网与灰度影像

FastR-CNN是结构中队整个预测矿筛选、回归和分类的重要阶段，网络结构图以及其中的关键参数如图6所示。本节将以ROIpooling、分类层和回归层、FastR-CNN后处理模块等方面进行阐述。2.2.1兴趣区域池化(ROI-Pooling)层

本文编号：3906779