一种基于计算机视觉的大桥锚固系统无人机检测定位方法与流程
本发明涉及桥梁结构检测,尤其涉及一种基于计算机视觉的大桥锚固系统无人机检测定位方法。
背景技术:
1、大桥锚固系统作为斜拉桥、悬索桥等大跨度桥梁的核心承重构件,其空间位置的精准度直接决定桥梁整体受力状态与运营安全。传统锚固系统坐标检测主要依赖全站仪人工逐点测量,该方式存在作业效率低、劳动强度大的缺陷,且锚固系统多处于高空、临边等复杂环境,人工测量作业安全风险高,难以实现大范围快速检测。
2、现有技术中出现了采用无人机搭载视觉传感器采集影像、结合图像识别实现坐标检测的方案,但实际应用中仍存在诸多不足:其一,无人机远距离拍摄的影像分辨率有限,特征点识别精度难以达到工程级亚像素要求,定位误差较大;其二,相机坐标系与世界坐标系的转换模型构建精度不足,缺乏可靠的求解与优化机制,坐标转换结果稳定性差;其三,检测流程缺乏闭环验证环节,无法对输出坐标的精度进行有效校验,结果可靠性难以保障。
技术实现思路
1、本发明的目的在于提出一种基于计算机视觉的大桥锚固系统无人机检测定位方法,融合无人机视觉采集、超分辨率图像增强、标记码识别与 pnp 坐标转换技术,实现锚固系统三维坐标的高效、高精度检测。
2、为实现上述目的,本发明提供了一种基于计算机视觉的大桥锚固系统无人机检测定位方法,包括以下步骤:
3、步骤s1:采用全站仪采集大桥锚固系统上特征点位的三维世界坐标,选取部分特征点位作为坐标参考基准点,剩余特征点位作为结果验证点;
4、步骤s2:在锚固系统表面布设aruco标记码,aruco标记码与特征点位一一对应,作为三维坐标检测的定位标志物;
5、步骤s3:操控无人机调整拍摄姿态与飞行高度,采集覆盖全部aruco标记码的多组高清影像数据;
6、步骤s4:对无人机搭载的相机进行标定,求解得到相机内参矩阵与畸变系数;
7、步骤s5:采用liif超分辨率算法对采集的影像数据进行增强处理,生成具备亚像素精度的超分辨率图像;
8、步骤s6:通过aruco检测算法对超分辨率图像进行识别,提取各aruco标记码的中心点像素坐标;
9、步骤s7:将基准点对应的aruco标记码中心点像素坐标与三维世界坐标进行匹配,通过pnp算法构建像素坐标到三维世界坐标的坐标转换模型;
10、步骤s8:基于坐标转换模型,将待检测点位对应的像素坐标转换为三维世界坐标系下的物理坐标;
11、步骤s9:利用验证点的坐标转换结果与实测坐标进行比对,筛选得到最优坐标转换模型,输出锚固系统的最终检测坐标。
12、优选的,aruco标记码采用高对比度耐磨损材质制成正方形标识,标记码背部设置磁吸结构,通过磁吸方式贴合于锚固系统表面,标记码表面与锚固系统表面紧密贴合无偏移。
13、优选的,步骤s3中,调整无人机摄像头俯仰角度使拍摄方向垂直于锚固系统表面,调整飞行高度使拍摄范围覆盖全部检测区域内的aruco标记码,通过变换无人机机位采集若干组不同视角的高清影像数据。
14、优选的,步骤s4采用张正友标定法完成相机标定,标定过程采用已知物理尺寸的棋盘格标定板,采集若干组不同角度与距离的标定板图像,识别棋盘格角点坐标后结合透视投影模型,求解得到相机焦距、主点坐标及畸变系数构成的内参矩阵。
15、优选的,步骤s5中,liif超分辨率算法通过edsr深度编码器将原始影像编码为深层特征图,提取锚固系统构件的纹理特征;基于坐标查询方式,通过多层感知机隐式函数对目标位置的特征向量进行运算,在连续坐标域内完成亚像素级细节重构,输出超分辨率图像。
16、优选的,步骤s6具体包括:
17、s61:对超分辨率图像进行灰度化与灰度拉伸预处理,得到边缘增强的灰度图像;
18、s62:对灰度图像进行二值化与轮廓检测,筛选符合凸四边形特征的轮廓,提取轮廓内部编码矩阵并与预设字典匹配,验证aruco标记码的有效性并输出标记码id;
19、s63:定位aruco标记码四个角点的亚像素坐标,通过对角线求交点的方式计算得到标记码中心点像素坐标。
20、优选的,步骤s7中,pnp算法基于透视投影模型构建坐标转换关系,公式如下:
21、;
22、式中,为尺度因子,分别为标记码中心点的像素横、纵坐标,为相机内参矩阵,为旋转矩阵,为平移向量,分别为标记码中心点在世界坐标系下的三维坐标;通过匹配多组像素坐标与世界坐标,求解得到旋转矩阵与平移向量,完成坐标转换模型的构建。
23、优选的,当匹配点数量多于求解所需最少点数时,构建超定方程组,采用奇异值分解法求解方程组的最小二乘解,最小化坐标匹配误差,优化旋转矩阵与平移向量的参数精度。
24、优选的,步骤s9中,将验证点的像素坐标代入多组坐标转换模型得到预估坐标,计算各组预估坐标与全站仪实测坐标的误差值,选取误差值最小的一组参数对应的坐标转换模型作为最优模型。
25、优选的,锚固系统包含若干根钢制索导管,aruco标记码的尺寸与索导管直径匹配,标记码背部的磁吸结构与索导管端面磁吸固定,标记码中心与索导管中心重合。
26、因此,本发明采用上述的一种基于计算机视觉的大桥锚固系统无人机检测定位方法,具有以下好处:
27、(1)检测效率显著提升。本发明采用无人机批量采集影像,配合自动化图像识别与坐标解算,替代传统人工逐点全站仪测量,大幅缩短现场作业时间,降低高空作业安全风险,适用于大规模锚固系统的快速检测;
28、(2)定位精度可靠可控。通过liif超分辨率算法突破无人机影像分辨率限制,实现亚像素级特征识别;结合pnp算法构建高精度坐标转换模型,并通过预留验证点进行闭环比对校验,筛选最优转换参数,确保输出坐标满足工程精度要求;
29、(3)方案适配性强。采用磁吸式aruco标记码适配钢制锚固结构,布设便捷且贴合精度高;多视角影像采集与多组模型择优机制,可适应复杂现场环境,保障检测结果稳定性;
30、(4)技术体系完整。融合基准校准、图像增强、特征识别、坐标转换、精度验证全流程技术环节,形成闭环检测体系,为大桥锚固系统的智能化检测与安全评估提供稳定可靠的技术支撑。
31、下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
1.一种基于计算机视觉的大桥锚固系统无人机检测定位方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于计算机视觉的大桥锚固系统无人机检测定位方法,其特征在于:aruco标记码采用高对比度耐磨损材质制成正方形标识,标记码背部设置磁吸结构,通过磁吸方式贴合于锚固系统表面,标记码表面与锚固系统表面紧密贴合无偏移。
3.根据权利要求1所述的一种基于计算机视觉的大桥锚固系统无人机检测定位方法,其特征在于:步骤s3中,调整无人机摄像头俯仰角度使拍摄方向垂直于锚固系统表面,调整飞行高度使拍摄范围覆盖全部检测区域内的aruco标记码,通过变换无人机机位采集若干组不同视角的高清影像数据。
4.根据权利要求1所述的一种基于计算机视觉的大桥锚固系统无人机检测定位方法,其特征在于:步骤s4采用张正友标定法完成相机标定,标定过程采用已知物理尺寸的棋盘格标定板,采集若干组不同角度与距离的标定板图像,识别棋盘格角点坐标后结合透视投影模型,求解得到相机焦距、主点坐标及畸变系数构成的内参矩阵。
5.根据权利要求1所述的一种基于计算机视觉的大桥锚固系统无人机检测定位方法,其特征在于:步骤s5中,liif超分辨率算法通过edsr深度编码器将原始影像编码为深层特征图,提取锚固系统构件的纹理特征;基于坐标查询方式,通过多层感知机隐式函数对目标位置的特征向量进行运算,在连续坐标域内完成亚像素级细节重构,输出超分辨率图像。
6.根据权利要求1所述的一种基于计算机视觉的大桥锚固系统无人机检测定位方法,其特征在于:步骤s6具体包括:
7.根据权利要求1所述的一种基于计算机视觉的大桥锚固系统无人机检测定位方法,其特征在于:步骤s7中,pnp算法基于透视投影模型构建坐标转换关系,公式如下:
8.根据权利要求7所述的一种基于计算机视觉的大桥锚固系统无人机检测定位方法,其特征在于:当匹配点数量多于求解所需最少点数时,构建超定方程组,采用奇异值分解法求解方程组的最小二乘解,最小化坐标匹配误差,优化旋转矩阵与平移向量的参数精度。
9.根据权利要求1所述的一种基于计算机视觉的大桥锚固系统无人机检测定位方法,其特征在于:步骤s9中,将验证点的像素坐标代入多组坐标转换模型得到预估坐标,计算各组预估坐标与全站仪实测坐标的误差值,选取误差值最小的一组参数对应的坐标转换模型作为最优模型。
10.根据权利要求1所述的一种基于计算机视觉的大桥锚固系统无人机检测定位方法,其特征在于:锚固系统包含若干根钢制索导管,aruco标记码的尺寸与索导管直径匹配,标记码背部的磁吸结构与索导管端面磁吸固定,标记码中心与索导管中心重合。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com