基于无人机航拍的武汉天兴洲长江大桥桥索PE外观检测技术

介绍一种基于无人机航拍的大桥桥索外观检测方法及其在武汉天兴洲长江大桥桥索聚乙烯（PE）保护套外观检测中的应用。根据桥梁结构特点和桥索分布形式设计一整套飞行检测方案,利用多轴旋翼无人机搭载的高清云台相机,批量密集地采集桥索的表观图像,通过图像处理提取有效信息,并依照现有相关规范对桥索的健康状况作出全面综合评价。无人机航拍较传统的人工吊篮或爬索机器人桥索检修技术具有简单高效、可操作性强等优点,能够高效、精准、全面地实现桥梁桥索的外观检测。     

基于暗通道先验的航拍图像去雾效果优化

航拍图像数据量大、图幅多、云雾情况复杂,在观测了大量航拍去雾图像后,发现效果并不理想,对比度依旧不高.通过研究暗通道先验去雾算法,分析有雾图像退化过程,提出了基于暗通道先验的航拍图像去雾效果优化方法.当原始图像云雾不均时,采用增强大气透射率图层对比度的方法来改善去雾输出图像的质量;此外,针对全部有雾输入图像,使用自动对...     

倾斜摄影技术的单体塔式建筑物三维重建方法

针对塔式单体建筑物形状不规则导致三维模型构建失败,提出倾斜摄影技术的塔式单体建筑物三维重建方法. 选用消费型多旋翼无人机搭载单镜头的相机,通过环线拍摄的方式获取多视影像数据,通过ContextCapture软件对获取的多视影像数据进行处理,构建塔式建筑物的实景三维模型,利用外业控制点、纹理细节信息对生成的三维模型精度评定. 试验表明:环线航拍获取多视影像数据构建三维模型,精度较高、模型纹理信息缺失少、完整度高.      

无人机、影像扫描全站仪在地质灾害施工治理中的运用

由广东省地灾应急中心承建的番禺区南村镇华南碧桂园北侧山体地质灾害隐患点整治工程,位于番禺南村镇华南碧桂园会所北侧,是中心今年新中标的地质灾害隐患治理项目,工程预算金额为5700万元。本文主要介绍无人机航拍和影像扫描全站仪在该项目中的运用。     

基于GA-SIFT算法的无人机航拍图像实时拼接

为实现无人机航拍图像的实时拼接,本文深入研究了无人机航拍图像拼接中的关键技术,提出了一种基于遗传算法优化的图像拼接算法。首先利用SIFT算法提取图像的特征点,在特征点粗匹配过程中,采用欧氏距离作为相似度测量,利用遗传算法的并行性优化特征点匹配性能;然后使用RANSAC算法去除误匹配点对并获得转换矩阵,从而完成图像拼接。试验结果表明,采用遗传算法进行特征匹配,可大大降低匹配时间,匹配时间与特征点数量成正比;同时提高了匹配精度,进而提高了图像拼接的实时性和稳健性。     

基于区域特征的航拍图像水上桥梁自动识别

针对航拍图像中水上桥梁目标的自动识别问题,提出了基于区域特征的水上桥梁自动识别算法。首先对航拍图像进行基于梯度均方差的图像二值化;再进行基于像素密度的二值图像去噪;然后进行基于像素的二值图像连通区域标记,区域标记算法采用6邻域连通规则进行标识,能够有效获取水域的区域特征;最后进行桥梁的精确提取。实验结果表明,该算法能够有效地识别低对比度、低空侧拍等复杂航拍图像中的水上桥梁目标。     

消费级无人机与GNSS接收机在地形图测绘中的应用及精度分析

随着倾斜摄影测量技术和人工智能的发展,消费级无人机在测绘行业得到了较好的应用.本文主要利用大疆精灵4和GNSS接收机,采用现场外业航拍、三维建模、空三解算、图形绘制等技术方法对测区进行大比例尺地形图测绘,利用全站仪对特征房角点进行地形图精度分析.通过实例分析,测图精度满足1∶500大比例尺地形图要求,提高了工作效率、节...     

背景复杂下航拍图像的电力线识别算法

如何从具有复杂背景的无人机航拍图像中完整准确地识别出电力线已成为电力线无人巡检的关键问题之一。本文通过分析航拍图像中电力线的特征,提出了一种复杂背景下电力线检测和识别的新算法。首先对原始图像进行直方图均衡化处理,改善图像的对比度;然后使用由LoG算子改进的边缘绘图-参数自由（EDPF）算法对航拍图像进行边缘检测,滤除背景噪声,并检测出电力线边缘;最后利用Radon变换和先验知识完整提取出图像中的电力线。试验结果表明,本文方法比传统的Canny算子与Hough变换的结合方法、LSD算法的识别准确率更高,识别效果更完整,稳健性更好。     

基于改进YOLOV5模型的嵌入式端航拍图像目标检测

随着基于深度学习目标检测模型日渐成熟,将目标检测模型部署到航拍无人机上已成为重要研究方向,针对无人机机载推理设备算力和内存有限,提出一种结构重参化的YOLOV5(you only look once V5)航拍目标检测算法。首先替换YOLOV5模型的特征提取网络为结构可重参网络,然后借助开源数据集训练多分支YOLOV5模型,再对多分支网络重参化得到单路网络模型,最后把Pytorch模型转化为ONNX模型,完成在无人机嵌入式端推理部署。实验表明：重参化YOLOV5模型推理速度提高3倍左右,检出率增加0.03%,召回率增加0.02%,mAP0.5增加1.22。