基于無人機(jī)遙感技術(shù)的市政道路智能測繪方法研究

摘要：在當(dāng)前科技飛速發(fā)展的背景下，無人機(jī)遙感技術(shù)已成為一種革命性的數(shù)據(jù)采集手段。該技術(shù)利用無人機(jī)搭載的高精度傳感器和攝像頭，通過空中拍攝獲取地面信息，進(jìn)而實現(xiàn)對市政道路的高效、精確測繪。本文對無人機(jī)遙感技術(shù)進(jìn)行了概述，并詳細(xì)介紹了基于該技術(shù)的市政道路智能測繪方法，包括遙感設(shè)備與數(shù)據(jù)采集系統(tǒng)、高精度地圖制作、路面狀況評估等關(guān)鍵技術(shù)環(huán)節(jié)。通過實驗驗證了該方法的可行性與有效性，為未來的技術(shù)進(jìn)步與應(yīng)用拓展提供了有力的理論和實踐支持。

關(guān)鍵詞：無人機(jī)；遙感技術(shù)；市政道路；智能測繪方法

中圖分類號： TP31 文獻(xiàn)標(biāo)識碼： A

文章編號：1009-3044（2024）17-0098-02 開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID） ：

在當(dāng)今快速發(fā)展的科技時代，無人機(jī)遙感技術(shù)作為一種先進(jìn)的信息采集手段，已廣泛應(yīng)用于地理信息系統(tǒng)、環(huán)境監(jiān)測、農(nóng)業(yè)評估等多個領(lǐng)域。其在市政道路智能測繪中的潛力尤為引人注目。無人機(jī)系統(tǒng)搭載多種遙感傳感器，如光學(xué)相機(jī)、多光譜相機(jī)、激光雷達(dá)等，能夠?qū)崟r、高效地收集道路表面及周邊環(huán)境的高分辨率圖像和三維數(shù)據(jù)，有效提升了市政道路規(guī)劃、建設(shè)和維護(hù)的效率及精度。

1 無人機(jī)遙感技術(shù)概述

與遙感探測器的先進(jìn)信息采集系統(tǒng)，已經(jīng)在地理信息科學(xué)、環(huán)境監(jiān)測、精準(zhǔn)農(nóng)業(yè)、市政工程等領(lǐng)域展現(xiàn)出了巨大的應(yīng)用潛力和獨特的價值。該技術(shù)利用無人機(jī)作為載體，配備多種遙感傳感器，如光學(xué)相機(jī)、紅外相機(jī)、多光譜相機(jī)、激光雷達(dá)（LiDAR） 等。通過自動或半自動的飛行控制系統(tǒng)，高效、靈活地在空中對地表進(jìn)行廣泛的觀測與數(shù)據(jù)收集，如圖1所示。特別是在市政道路智能測繪領(lǐng)域，無人機(jī)遙感技術(shù)憑借其高空間分辨率、快速數(shù)據(jù)采集能力和較低的運營成本，相比傳統(tǒng)測繪方法如人工地面測量或衛(wèi)星遙感，顯示出顯著的優(yōu)勢和應(yīng)用前景[1]。

2 無人機(jī)遙感技術(shù)的市政道路智能測繪方法

2.1 遙感設(shè)備

無人機(jī)（UAV） 作為一種靈活的空中平臺，能夠搭載多種遙感設(shè)備，包括光學(xué)相機(jī)、紅外相機(jī)、多光譜相機(jī)、熱紅外相機(jī)、激光雷達(dá)（LiDAR） 等。這些設(shè)備能夠從不同波段、不同角度、不同分辨率對地面目標(biāo)進(jìn)行綜合觀測與數(shù)據(jù)采集。高分辨率的光學(xué)相機(jī)用于捕獲道路表面的細(xì)節(jié)圖像，支持對道路裂縫、坑洼等細(xì)節(jié)的檢測；多光譜相機(jī)則分析道路表面的材質(zhì)和狀況，例如瀝青與水泥的區(qū)分，以及道路覆蓋的植被狀態(tài)；而激光雷達(dá)（LiDAR） 則能夠提供道路及其周邊環(huán)境的精確三維信息，支持對道路幾何特性的精確測量以及地形變化的監(jiān)測[2]。

2.2 數(shù)據(jù)采集系統(tǒng)

數(shù)據(jù)采集系統(tǒng)是無人機(jī)遙感技術(shù)中的另一項核心技術(shù)。它不僅涉及數(shù)據(jù)的實時采集，還包括數(shù)據(jù)的傳輸、存儲和預(yù)處理。高效的數(shù)據(jù)采集系統(tǒng)需要具備高速的數(shù)據(jù)采集能力和穩(wěn)定的數(shù)據(jù)傳輸通道，以保證在無人機(jī)執(zhí)行市政道路智能測繪任務(wù)時，能夠?qū)崟r收集并傳輸高量級的遙感數(shù)據(jù)。為了進(jìn)一步提高數(shù)據(jù)處理效率，采集系統(tǒng)通常還會在無人機(jī)平臺上集成初步的數(shù)據(jù)預(yù)處理功能，例如圖像的去畸變、拼接，以及點云數(shù)據(jù)的初步濾波。這些預(yù)處理步驟能夠顯著減輕后期數(shù)據(jù)處理的負(fù)擔(dān)，從而提高數(shù)據(jù)處理的速度和精度。

2.3 高精度地圖制作

在基于無人機(jī)遙感技術(shù)的市政道路智能測繪方法研究中，高精度地圖制作是其中的核心環(huán)節(jié)之一。其目的在于利用無人機(jī)搭載的遙感設(shè)備收集的數(shù)據(jù)，通過復(fù)雜的算法進(jìn)行處理，最終生成高度精確的道路地圖[3]。為此，結(jié)構(gòu)從運動（Structure from Motion， SfM） 算法經(jīng)常被用于從無人機(jī)拍攝的多視角圖像中重建三維結(jié)構(gòu)，從而生成高精度的地圖。SfM算法的核心原理可以通過以下幾個公式來詳細(xì)闡述。

SfM算法的基礎(chǔ)是圖像匹配，其中關(guān)鍵點的檢測與匹配通過尺度不變特征變換（Scale-Invariant Fea?ture Transform， SIFT） 算法實現(xiàn)。對于兩幅圖像I1 和I2中的任意一點p，其在I1 中的位置x1 與在I2 中的位置x2之間的對應(yīng)關(guān)系用同一景物點在兩個不同視角下的投影來表達(dá)，即：

x2 = K [ R|t ] X （1）

其中，X 是三維空間中的點，K 是相機(jī)的內(nèi)參數(shù)矩陣，R 是旋轉(zhuǎn)矩陣，t 是平移向量。通過大量點的匹配，估計出相機(jī)的運動參數(shù)R 和t，進(jìn)而恢復(fù)出景物點的三維坐標(biāo)。

接下來，通過最小二乘法優(yōu)化三維重建的過程，進(jìn)一步提高地圖的精度。設(shè)有N 個景物點在M 個視圖中的投影，對于第i 個點在第j 個視圖中的投影坐標(biāo)xij，其重建誤差表示為：

其中，x?ij 是根據(jù)相機(jī)參數(shù)Pj 和景物點三維坐標(biāo)Xi計算得到的投影坐標(biāo)，E 是所有投影誤差的累加，通過最小化E，獲得更精確的三維點坐標(biāo)和相機(jī)參數(shù)。

為了實現(xiàn)實時監(jiān)測，引入增量式結(jié)構(gòu)運動算法，即在每次添加新的圖像時，僅需對新增加的圖像和已重建的三維模型進(jìn)行匹配和優(yōu)化[4]。設(shè)在添加第k 個圖像時，已知前k - 1個圖像的相機(jī)參數(shù)P1，P2，...，Pk - 1，和景物點坐標(biāo)X1，X2，...，XN，則新增圖像的相機(jī)參數(shù)Pk和對應(yīng)的景物點坐標(biāo)更新為：

Pk，X′1，X′2，...，X′N = arg min Pk，X1，X2，...，XNE （3）

通過這種方式，逐步添加新的圖像并實時更新地圖數(shù)據(jù)，保證了地圖制作過程的高效性和地圖數(shù)據(jù)的實時性。通過上述公式的應(yīng)用，SfM算法能夠從無人機(jī)采集的多視角圖像中有效重建出道路及其周邊環(huán)境的高精度三維模型，并生成高精度的地圖。

2.4 路面狀況評估

在基于無人機(jī)遙感技術(shù)的市政道路智能測繪方法研究中，路面狀況評估是至關(guān)重要的環(huán)節(jié)。它利用從無人機(jī)搭載的遙感設(shè)備采集的數(shù)據(jù)，通過精確的分析和處理來評估道路表面的狀況，包括裂縫、坑洼、水損等各種損害情況。本部分采用的是基于深度學(xué)習(xí)的圖像分析算法，特別是卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeural Networks， CNNs） ，用于自動檢測和分類道路表面的損害情況。

采集到的道路圖像數(shù)據(jù)通過預(yù)處理環(huán)節(jié)進(jìn)行質(zhì)量增強(qiáng)，包括噪聲移除和對比度增強(qiáng)，以提高后續(xù)分析的準(zhǔn)確度。在此基礎(chǔ)上，卷積神經(jīng)網(wǎng)絡(luò)（CNNs） 作為一種深度學(xué)習(xí)模型，其基本原理表示為一系列的卷積操作，每個卷積層由以下公式定義：

其中，F(xiàn) li，j是第l層的輸出特征圖在位置（i，j ）的值，Kl m，n是第l層的卷積核在位置（ ） m，n 的權(quán)重，是I l - 1 i + m，j + n第 （l - 1） 層 的 輸 入 圖 像（或 特 征 圖）在 位 置（i + m，j + n）的值，bl是第l層的偏置項，σ是非線性激活函數(shù)，通常是ReLU函數(shù)。通過重復(fù)的卷積和池化操作，CNN能夠從復(fù)雜的圖像數(shù)據(jù)中提取有效的特征，用于后續(xù)的道路損害識別和分類。

對于路面狀況的評估，特別是裂縫和坑洼的檢測，CNN模型的訓(xùn)練過程通過以下?lián)p失函數(shù)最小化來實現(xiàn)：

其中，L （θ ） 表示損失函數(shù)，θ 表示模型參數(shù)，N 是訓(xùn)練樣本的數(shù)量，yi 是第i 個樣本的真實標(biāo)簽（1表示損害，0表示無損害），y?i 是模型預(yù)測的概率。通過優(yōu)化這個損失函數(shù)，CNN模型能夠?qū)W習(xí)到區(qū)分道路損害與正常道路表面的特征。

進(jìn)一步地，將訓(xùn)練好的CNN模型應(yīng)用于實際的道路圖像數(shù)據(jù)時，模型的輸出需要經(jīng)過閾值處理，以確定最終的損害檢測結(jié)果：

其中，τ 是預(yù)先設(shè)定的閾值，根據(jù)實際的應(yīng)用需求調(diào)整。這一步驟的目的是將CNN模型的連續(xù)輸出轉(zhuǎn)化為離散的分類結(jié)果，從而實現(xiàn)對道路表面損害情況的準(zhǔn)確識別和分類。

3 方法測試

在本研究中選用的數(shù)據(jù)集主要來源于實地采集的實測數(shù)據(jù)，這些數(shù)據(jù)通過搭載高分辨率光學(xué)相機(jī)和激光雷達(dá)（LiDAR） 的無人機(jī)在不同類型和不同狀況的市政道路上收集而來，如表1所示。部分?jǐn)?shù)據(jù)也經(jīng)過精心挑選，來源于網(wǎng)絡(luò)公開的數(shù)據(jù)集，以增加實驗的多樣性和全面性。這樣的數(shù)據(jù)組合不僅保證了實驗的實際應(yīng)用價值，還提高了研究的廣泛性和可靠性。數(shù)據(jù)出處明確，旨在通過實驗驗證無人機(jī)遙感技術(shù)在市政道路智能測繪和狀況評估中的應(yīng)用效果。

測試指標(biāo)主要包括損害檢測準(zhǔn)確率（Accuracy） 、損害檢測召回率（Recall） 、損害檢測精確度（Precision） 和系統(tǒng)處理時間（Processing Time） 。準(zhǔn)確率衡量的是模型正確預(yù)測的總體比例，召回率關(guān)注的是模型能夠正確識別的損害情況所占的比例，精確度則是指模型預(yù)測為損害的情況中實際為損害的比例，而處理時間反映的是整個檢測流程所需的時間長度[5]。指標(biāo)共同構(gòu)成了對系統(tǒng)性能全面的評估體系，全面反映無人機(jī)遙感技術(shù)在市政道路智能測繪領(lǐng)域的應(yīng)用效果。

4 結(jié)束語

綜上所述，探究和發(fā)展無人機(jī)遙感技術(shù)在市政道路智能測繪領(lǐng)域的應(yīng)用，需要系統(tǒng)地分析和評估其在數(shù)據(jù)采集、處理與分析過程中的關(guān)鍵技術(shù)問題和實施策略。其中包括無人機(jī)的飛行控制、傳感器的選擇與優(yōu)化、數(shù)據(jù)的精確處理與分析方法等，都是確保測繪精度和效率的關(guān)鍵。

參考文獻(xiàn)：

[1] 陳立娜，李真，宋輝.基于人工智能的無人機(jī)測繪遙感圖像信息提取方法[J].電子設(shè)計工程，2023，31（24）：181-185.

[2] 李嘎.人工智能下信息化測繪方法的思考[J].品牌與標(biāo)準(zhǔn)化，2023（3）：165-167.

[3] 潘慧婕，周煜.遙感全景測繪大數(shù)據(jù)智能共享方法[J].測繪技術(shù)裝備，2022，24（4）：15-20.

[4] 馬學(xué)林.地理信息智能測繪背景下耕地進(jìn)出平衡操作方法研究[J].新農(nóng)業(yè)，2022（22）：73-74.

[5] 崔松濤，梁杰.基于激光測距的雙機(jī)器人管道測繪方法[J].東北大學(xué)學(xué)報（自然科學(xué)版），2022，43（11）：1583-1590.

【通聯(lián)編輯：梁書】