基于无人机和点云滤波的边坡灾害识别方法

为解决传统公路边坡灾害识别方法风险大、成本高以及植被覆盖情况下灾害识别困难的问题,采用无人机倾斜摄影与机器学习技术,构建了一种面向复杂地形环境的点云滤波和灾害识别方法。首先通过无人机倾斜摄影技术获取多角度高清边坡影像,重构高精度边坡三维点云模型;接着利用支持向量机(SVM)机器学习算法,训练和建立基于公路边坡表面形态特征的SVM点云分类模型,对边坡地面与植被点云进行识别与分类,获取滤除植被的边坡表面点云数字高程模型(DEM);最后采用DEM差分算法(DoD)对不同调查时期获取的边坡表面DEM进行地形变化检测,根据三维模型变化检测结果获取边坡灾害具体信息以及变化云图,从而实现公路边坡隆起、塌陷、落石等灾害的自动识别。将该技术应用于长沙市某公路边坡工程灾害调查,成功识别出的边坡隆起区域面积约为621.93 m^(2),平均隆起高度1.13 m,塌陷区域面积约为460.42 m^(2),平均塌陷高度0.82 m,边坡灾害区域的总土方量约为1081.06 m^(3),构建的植被点云滤波方法准确率优于98.4%。研究结果表明:构建的基于SVM与DoD算法的点云滤波和无人机边坡灾害自动识别方法,具备准确滤除植被、快速识别及量化边坡灾害的能力,且对复杂地形条件下的边坡具有较强适用性。

无人机倾斜摄影测量技术支持下的裸露边坡表面变化识别

为克服传统人工边坡调查方法效率低、风险高、难度大等缺陷,针对高陡裸露边坡,本文提出了基于无人机倾斜摄影的边坡三维重建和灾害识别分类方法,即利用无人机多视角序列影像重构裸露边坡三维实景模型,并将不同时期的边坡三维模型统一在相同的坐标系内。经试验验证,重建模型精度优于2 cm,基于点云与点云比较算法的三维点云数据变化检测算法,能够分析两个时期点云模型的细微差异,通过在三维实景模型中进行标记,结合PointNet++分类神经网络算法自制点云数据集,成功地实现对标记区域的识别与分类,从而实现边坡滑坡、坍塌、落石等灾害场景的智能化识别。