一种基于地理信息约束和可见光—激光雷达融合的滑坡地质灾害多精度实时检测方法及系统与流程

本发明涉及地质灾害监测感领域，具体涉及一种基于地理信息约束和可见光—激光雷达融合的滑坡地质灾害多精度实时检测方法及系统。

背景技术：

1、滑坡、崩塌、落石以及泥石流源区等地质灾害具有隐蔽性、突发性和空间分布不均等特点。山区道路、矿山边坡、水库岸坡和居民点周边的危险边坡通常范围较大、地形起伏明显且交通条件复杂，依靠人工踏勘难以同时满足覆盖范围、巡检频率和人员安全要求。无人机能够在较短时间内获取高分辨率可见光影像和三维激光点云，因而适用于边坡灾害调查和应急检测。

2、可见光影像包含丰富的颜色、纹理和边缘信息，能够反映裸土、植被破坏、裂缝、岩土分界和崩塌堆积物等表观特征。然而，单独依赖可见光影像容易受到光照变化、阴影、雾霾、季节植被变化和地表颜色相似性的影响。例如，正常道路开挖面、采石场裸地或耕作区域可能呈现与滑坡相似的颜色和纹理；被植被覆盖的滑坡体又可能缺少明显的影像纹理。

3、激光雷达点云能够直接描述地表高程、坡度、法向量、曲率、粗糙度和局部高程差，并可在一定程度上穿透植被获取地面回波，适合发现后缘陡坎、前缘鼓胀、裂缝落差以及地表形变。由于点云缺少连续的颜色纹理，且受扫描角度、有效量程、飞行速度和遮挡影响，不同区域的点密度可能差异较大；如果对稀疏点云进行直接分割，容易遗漏小尺度裂缝或产生不连续的灾害边界。

4、现有多源检测方案通常将影像和点云转换到同一栅格后直接拼接，或者分别检测后进行结果投票。由于相机与激光雷达的成像机理、空间分辨率和采样时间不同，传感器外参误差、无人机高速运动和时间同步偏差会造成二维影像与三维点云错位。直接拼接可能将一个位置的纹理特征错误地赋给另一位置的激光点，从而放大误检。

5、另一方面，目标巡检区域通常具有可利用的地理先验。例如，坡度、坡向、地层岩性、断层、河流冲刷、道路开挖、历史滑坡和连续降雨与灾害发生概率相关；滑坡还通常表现出后缘裂缝、主滑壁、滑坡主体、前缘鼓胀和堆积区等具有空间关系的结构。现有方法往往只在检测后叠加地理位置，未使地理信息直接参与数据采样、特征融合、推理精度选择和结果校验。

6、此外，无人机端侧计算单元受到重量、功耗、散热和电池容量限制。如果对整幅高分辨率影像和全部高密度点云持续运行高复杂度神经网络，会显著增加推理时延并缩短续航；如果始终采用轻量模型，又难以识别小裂缝、局部陡坎和缓慢形变。因此，需要一种能够先快速筛查大范围区域，再根据风险与不确定度对局部区域提升推理精度的实时处理机制。

7、因此，有必要提供一种新的技术方案，使地理信息不再只是结果展示信息，而是形成可参与二维—三维配准、跨模态融合、点云采样和多精度推理调度的地理先验场；同时根据模态可靠性、时相变化和端侧资源状态选择不同计算路径，以兼顾检测精度、实时性和无人机续航。

技术实现思路

1、为解决现有技术的问题，本发明提供了一种基于地理信息约束和可见光—激光雷达融合的滑坡地质灾害多精度实时检测方法及系统。以解决现有技术中二维影像与三维点云易错位、不同模态可靠性无法动态评价、地理信息未参与推理过程、全区域高精度计算难以实时运行以及单时相检测难以区分真实形变与地表表观变化的问题。

2、为了达到上述目的，本发明采用以下技术方案：

3、一种基于地理信息约束和可见光—激光雷达融合的滑坡地质灾害多精度实时检测方法，包括如下步骤：

4、获取无人机同步采集的目标巡检区域的可见光影像、激光雷达点云，以及采集时对应的飞行位置数据、飞行姿态数据、时间戳和传感器标定参数；

5、获取所述目标巡检区域的地理信息，将所述地理信息转换为与目标巡检区域的空间单元对应的地理先验特征，所述地理先验特征包括地形特征、地质特征、历史灾害特征、环境诱发因素、承灾体风险特征和预期滑动方向中的至少三种；

6、对所述激光雷达点云进行运动畸变补偿和地表类别处理，对所述可见光影像进行畸变校正，并依据所述飞行位置数据、飞行姿态数据和传感器标定参数建立影像像素与激光点之间的初始二维—三维映射关系；

7、利用目标巡检区域中的稳定地形特征对所述初始二维—三维映射关系进行局部配准修正，获得二维—三维映射关系及各空间单元对应的局部配准可信度；

8、分别提取所述可见光影像的影像特征、所述激光雷达点云的点云几何特征以及所述地理先验特征，依据所述二维—三维映射关系将影像特征投影至对应激光点并将点云几何特征投影至对应影像特征位置，根据图像质量、点云密度、局部配准可信度和地理风险等级确定融合权重，以获得二维—三维融合特征；

9、采用第一精度推理路径对所述二维—三维融合特征进行全局推理，获得疑似灾害空间单元及其初始检测置信度和预测不确定度；

10、根据所述疑似灾害空间单元的地理风险等级、预测不确定度、可见光检测结果与激光雷达检测结果之间的模态差异、相对于历史巡检数据的地表变化量、数据质量以及无人机端侧计算资源状态中的至少四项，从精度和计算量不同的多个候选推理路径中确定目标推理路径；

11、利用所述目标推理路径对所述疑似灾害空间单元执行滑坡区域分割、滑坡边界识别、地表裂缝识别、地形突变检测和多时相地表形变计算中的至少一种处理，得到灾害检测结果；

12、根据所述地理先验特征、坡面方向和滑坡灾害结构拓扑对所述灾害检测结果进行空间一致性校验，输出灾害类别、灾害边界、地表位移、高程变化、体积变化、风险等级、地理位置和复检指令中的至少一种。

13、所述地理信息包括数字高程模型或数字地形模型、坡度、坡向、平面曲率、剖面曲率、地形起伏度、岩土类型、断层位置、距河流距离、距道路或工程开挖区距离、历史灾害边界、历史形变记录、降雨量、土壤含水率、地震动参数以及居民点或道路分布中的至少四种；所述地理信息经坐标统一、尺度归一化和可靠性标记后编码为地理风险先验图、预期滑动方向场和推理优先级图；并且，根据地理风险等级对目标巡检区域进行非均匀数据处理：对高风险空间单元采用较小的点云体素尺寸、较高的点云保留比例和较高的影像裁剪分辨率，对低风险空间单元采用较大的点云体素尺寸、较低的点云保留比例和较低的影像分辨率。

14、所述稳定地形特征包括山脊线、沟谷线、道路边缘、建筑轮廓、裸露岩体边缘和地形断裂线中的至少一种；所述局部配准修正通过最小化影像边缘与点云投影边缘之间的重投影残差，并限制修正后的位姿偏差不超过预设范围来完成；所述局部配准可信度根据重投影残差、有效激光点密度、影像边缘与点云投影边缘的一致性、时间同步误差和局部遮挡比例确定；当局部配准可信度低于第一可信度阈值时，降低像素级融合权重并采用特征级或决策级融合。

15、所述影像特征包括颜色、纹理、裂缝边缘、裸土区域、植被破坏和岩土分界中的至少两种；所述点云几何特征包括高程、相对高程、坡度、法向量、曲率、粗糙度、局部高程差、回波强度和点密度中的至少三种；所述融合权重还根据阴影或过曝程度、植被覆盖程度以及各模态特征的完整性确定。

16、所述多个候选推理路径至少包括：用于全局筛查的第一精度推理路径、用于疑似区域边界与灾害结构检测的第二精度推理路径以及用于多时相形变分析的第三精度推理路径；所述第一精度推理路径、第二精度推理路径和第三精度推理路径在输入影像分辨率、点云采样密度、体素尺寸、网络深度、特征通道数、检测头数量、数值量化位宽、是否执行实例分割以及是否调用历史点云中的至少三项不同；推理调度器根据优先级参数确定目标推理路径，所述优先级参数由地理风险等级、预测不确定度、模态差异、地表变化量、数据质量、计算资源占用、剩余电量和允许推理时延加权获得；当优先级参数高于第一阈值时选择第三精度推理路径，当优先级参数位于第二阈值与第一阈值之间时选择第二精度推理路径，其余情况下维持第一精度推理路径。

17、所述模态差异根据可见光影像分支输出的灾害概率、激光雷达点云分支输出的灾害概率、边界重合程度和位移方向一致性确定；当模态差异超过差异阈值时，识别产生差异的原因为植被遮挡、影像阴影、点云稀疏或局部配准异常中的至少一种，并相应提高点云分支权重、影像分支权重或重新执行局部配准。

18、所述多时相地表形变计算包括：从历史点云和当前点云中提取稳定区域；依据稳定区域消除不同巡检时相之间的整体平移和转动偏差；计算当前点云相对于历史点云的局部点到面距离或三维位移矢量；根据位移连续性和置信区间剔除孤立变化点；获得裂缝扩展量、边界迁移量、地表位移、形变速率和滑坡体体积变化中的至少一种；所述滑坡灾害结构拓扑包括后缘裂缝区、主滑壁、滑坡主体、侧缘剪切区、前缘鼓胀区和堆积区之间的空间邻接关系；所述空间一致性校验包括判断检测区域的位移方向与局部坡降方向是否满足预设夹角关系、形变区域是否空间连续以及各灾害结构区域是否满足预设邻接关系。

19、当疑似灾害空间单元的点云密度低于点密度阈值、遮挡比例高于遮挡阈值、配准可信度低于第二可信度阈值或灾害风险高于复检阈值时，根据坡面法向量、疑似灾害边界、当前遮挡区域和传感器有效量程生成无人机复检航迹，所述复检航迹包括复检航点、飞行高度、飞行速度、航向角和激光雷达扫描角度；在可见光影像缺失、激光雷达点云缺失或通信中断的情况下，根据模态可用性标记切换至单模态降级推理路径，并降低对应检测结果的可信等级；在恢复双模态数据后，对降级推理期间的高风险空间单元执行补充复检。

20、训练用于生成灾害检测结果的神经网络时，采用包括分类损失、区域分割损失、边界损失、二维—三维特征一致性损失、地理先验约束损失、模态可靠性损失和多精度蒸馏损失中的至少四种损失函数；训练样本包括可见光影像、激光点云、空间配准关系、地理先验标签、灾害类别标签、灾害边界标签和形变标签。

21、所述的基于地理信息约束和可见光—激光雷达融合的滑坡地质灾害多精度实时检测系统，包括：

22、数据获取模块，用于获取无人机同步采集的可见光影像、激光雷达点云、飞行位置数据、飞行姿态数据、时间戳和传感器标定参数；

23、地理先验模块，用于根据目标巡检区域的地形、地质、历史灾害、环境诱发因素和承灾体信息生成地理先验特征；

24、预处理与配准模块，用于对激光雷达点云进行运动畸变补偿、对可见光影像进行畸变校正，建立并修正影像像素与激光点之间的二维—三维映射关系，并计算局部配准可信度；

25、特征融合模块，用于提取影像特征、点云几何特征和地理先验特征，执行影像特征与点云几何特征的双向投影，并根据数据质量、局部配准可信度和地理风险等级生成二维—三维融合特征；

26、多精度推理模块，包括精度和计算量不同的多个推理路径以及推理调度器，用于先执行全局筛查，再依据地理风险、预测不确定度、模态差异、多时相变化、数据质量和端侧资源状态选择目标推理路径；

27、校验输出模块，用于根据坡面方向和滑坡灾害结构拓扑校验灾害检测结果，并输出灾害类别、边界、形变参数、风险等级、地理位置或复检指令；

28、飞行反馈模块，与无人机飞行控制器通信连接，用于根据所述校验输出模块生成的复检指令调整无人机的航点、飞行高度、飞行速度、航向角、相机拍摄方向和激光雷达扫描方向中的至少两项。具体的根据点云密度、遮挡比例、配准可信度或灾害风险判断是否生成复检航迹。

29、与现有技术相比，发明的有益效果是：1、本发明将地形、地质、历史灾害、环境诱因和承灾体信息转换为可直接参与计算的地理先验场，并使该先验场同时参与候选区域筛选、数据采样、特征融合、精度调度和结果校验，能够减少仅凭表观纹理造成的误检。

30、2、 本发明通过传感器位姿初始投影、稳定地形局部修正和局部配准可信度评价，避免在二维影像与三维点云错位时进行无条件强融合；根据配准可信度在像素级、特征级和决策级融合之间切换，提高跨模态融合的稳定性。

31、3、 本发明执行影像特征到点云以及点云几何特征到影像的双向投影，使纹理信息和三维地形信息在各自空间中均可被利用，并根据影像质量、点密度、植被覆盖和地理风险动态生成融合权重，能够在阴影、植被遮挡或点云稀疏条件下保留可靠模态的作用。

32、4、 本发明利用第一精度路径对大范围区域快速筛查，仅对高风险、低置信度、模态冲突或发生时相变化的局部区域调用更高精度路径，从而减少不必要的高分辨率影像处理和高密度点云计算，在保证高风险区域检测能力的同时降低平均推理时延和端侧能耗。

33、5、 本发明将单时相灾害识别与多时相三维形变分析结合，利用稳定区域消除不同时相点云的整体偏差，并输出位移、裂缝扩展、边界迁移和体积变化，能够区别地表颜色变化与真实几何形变。

34、6、 本发明利用后缘裂缝、主滑壁、滑坡主体、前缘鼓胀和堆积区之间的结构拓扑以及位移方向与坡面方向之间的关系，对检测结果进行空间一致性校验，可进一步抑制孤立噪声、道路开挖面和普通裸土地表造成的误报。

35、7、 本发明能够由检测结果反向生成复检航迹，使无人机针对点云盲区、遮挡区和高风险不确定区域改变高度与观察方向，形成采集、推理、风险判断和自主复检的闭环。