基于无人机倾斜摄影测量的露天矿三维建模及应用
这是一篇关于露天矿,无人机,点云数据,台阶线,采剥量,点云处理系统的论文, 主要内容为露天矿开采具有开采效率高、生产规模大和开采成本低等优点,在矿产资源的开发中占有重要的地位。在露天矿山开采的整个生命周期中,露天矿的采矿设计、计划编制、区块设计、爆破设计、矿块划分等业务均以台阶线和采剥量为主要的数据支持。随着智慧矿山建设的不断发展,我国露天矿山在智慧开采方面已经取得了重要进展,但在地理信息的采集与处理方面还存在采集数据量少、效率低、自动化程度低等问题。因此,研究露天矿三维点云模型的构建以及台阶线、采剥量的自动获取对智慧矿山建设具有重要意义。本文的主要研究内容如下:(1)基于无人机倾斜摄影测量的露天矿三维点云构建。首先采用无人机倾斜摄影测量技术以仿地飞行方式采集露天矿影像数据,构建露天矿稠密的三维点云模型。在此基础上,通过实验对比目前主流的点云简化和去噪算法对露天矿点云的处理效果,最终选取基于体素的均匀网格法和统计滤波对点云进行简化和去噪等预处理,构建无噪声的露天矿三维点云,为台阶线的提取与采剥量计算奠定数据基础。(2)顾及点云邻域几何特性的露天矿台阶线提取。首先对露天矿点云进行规则重采样,依据露天矿台阶平盘、坡面的点云法向量与竖直平面夹角具有明显差异这一几何特性提取坡面的特征点云;在此基础上,采用区域生长算法分割坡面点云,通过凹包算法提取出分割后的坡面点云轮廓边界获得台阶线特征点;最后利用三阶贝塞尔曲线拟合特征点以生成露天矿台阶线。该方法解决了露天矿台阶线提取存在局部特征丢失、台阶线不连续等问题。以陕西与内蒙两处地质条件、矿山几何形态不同的露天矿进行方法验证,结果表明,本文所提方法能够准确地提取露天矿台阶线。(3)利用欧式聚类改进点云切片法的露天矿采剥量计算。首先将露天矿点云按特定方向顺序进行等间距的切片处理;然后对存在多轮廓边界的切片点云采用欧式聚类方法以分割多环,再使用凹包算法准确提取切片点云外轮廓多边形;最后计算出多边形面积,并根据切片面积与切片间距求解点云切片体积,通过对每个切片体积的求和计算出每类点云的体积,将每类点云体积累加得到采剥工程量。该方法解决了传统点云切片法在露天矿采剥量计算时存在无法区分多轮廓边界、边界多边形提取等异常问题。以内蒙某露天矿的两期三维点云模型进行实验验证,结果表明:本文方法点云体积计算平均相对误差为1.17%,优于传统点云切片法,从而证明本文方法适用于露天矿采剥工程量计算。(4)露天矿山点云处理系统的设计与实现。首先结合内蒙古某露天矿的实际情况,对露天矿山点云处理系统进行需求分析与系统设计;然后采用C++编程工具Qt和开源的点云处理库PCL进行系统开发,研发了露天矿点云处理系统。该系统实现了点云模型的基本处理与展示、露天矿台阶线自动提取和采剥量计算等功能。并经过实际的应用,得到了用户的认可。
基于嵌入式与YOLOv4算法的无人机实时目标识别系统研究
这是一篇关于目标识别,无人机,YOLOv4优化算法,嵌入式开发的论文, 主要内容为近些年来,随着神经网络的迅猛发展,目标识别技术也随之在精度和速度上都得到了快速提升,进而被广泛应用在灾难救援、军事打击、视频监控等领域。传统的线下目标识别通常是分阶段式处理的,即首先将获取到的影像拷贝至本地计算机,然后再将目标进行识别,最后把识别到的目标发送给需要的用户。这种方式已经不满足当下的发展,尤其是军事打击和嫌疑追踪这种识别精度和实时性要求高的领域。随着无人机载重的提升、嵌入式设备的更新,目前急需用新兴技术满足当前对实时目标识别的需求。本研究采用了大疆M600Pro无人机作为目标识别系统的机载平台,影像的获取、目标的识别都在该平台上进行,然后基于Netty框架开发出一款跨平台的用于数据结果传输的模块,最后集成上述所有软硬件及子系统,研发出一款流程化、操作简单的可视化无人机实时目标识别系统。针对上述目标,本研究主要的研究内容如下:(1)为得到精确率高、识别速度快的识别结果,本研究以YOLOv4目标识别算法为研究对象,针对该算法在高性能设备上表现良好,而在嵌入式设备上识别精度下降、速度变慢的现象,本研究基于K-Means算法和Tensor RT推理器实现了对YOLOv4算法的优化。(2)由于嵌入式设备和地面端设备的平台不一致,所以需要研发一款适用于跨平台的传输模块。为保证传输的可靠性、安全性,该模块基于Netty框架实现,用TCP协议进行构造,保证系统客户端与服务端的高效通信。(3)基于(1)、(2)以及相关硬件平台,用Java编程语言、Spring框架和Angular框架设计并实现一款无人机实时目标识别系统。该系统集成了影像获取、目标识别、结果传输、结果展示与用户控制等功能;另外,多个无人机影像处理客户端都可以同时适用于该系统,多用户也可同时直接通过IP地址登录并实现远程控制。通过对无人机、嵌入式进行硬件开发,该研究完成了上述系统,并通过实验验证了系统的流程化目标识别效果。此外,本研究不仅致力于基于无人机上的实时目标识别系统化研究,优化后的YOLOv4算法还可以检测出原算法未检测的目标,且实现的系统化流程可以广泛应用于其他无人机应用领域。因此,本研究在无人机实时目标识别上具有一定的参考和应用价值。
电动无人机故障诊断知识图谱构建及应用研究
这是一篇关于无人机,知识图谱,故障诊断,知识抽取,双向长短期记忆网络的论文, 主要内容为近年电动无人机作业安全保障问题面临着严峻挑战,传统的故障诊断方法虽然在充足数据的支持下能取得较好的效果,但也存在领域知识浪费,解释性得不到保证且对于电动无人机组件故障关联难以掌握的不足,已逐渐无法满足日益复杂的工作需求。而知识图谱能够实现先验知识的利用和关联关系推理及其解释,因此本文基于新兴研究热点的知识图谱融入电动无人机故障诊断领域,基于知识驱动实现有理有据的电动无人机组件关联故障诊断。目前面向故障诊断知识图谱的研究较少,且通常采用“预训练”模型解决深度学习模型训练数据不足的问题,但这种方法应用场景限制较大,且不能为后续研究者提供有价值可参考的训练样本。故本文提出的电动无人机故障诊断知识图谱构建及应用方法如下:1.针对深度学习模型训练数据不足的问题,提出基于远程监督的机标人校故障诊断知识抽取数据集标注方法。基于外部先验知识库,预先定义实体关系,在知识库支持下,进行启发式实体关系对齐,对于远程监督产生的噪声数据进行二次人工校对,为电动无人机故障诊断知识图谱的构建提供了大量训练语料。2.针对电动无人机故障知识的实体特征及信息规则等内容知识粒度过大无法联系的问题,拟对电动无人机故障信息进行知识图谱的构建与研究,根据电动无人机故障数据的结构特点,分别采用基于规则的方法与Bi LSTM-CRF模型,保证知识抽取的准确性与精确性。并以此实现知识抽取的自主化,减少人工依赖程度。将数据填入故障本体模型并转化为RDF语言存入图数据库Neo4j,形成最终的电动无人机故障诊断知识图谱。3.为验证知识图谱在故障诊断领域的有效性,设计并实现电动无人机系统故障诊断智能问答系统,提供有理有据的电动无人机故障精准诊断,为基于知识图谱的故障诊断体系构建提供科学依据。
无人机光缆巡检系统的设计与实现
这是一篇关于光缆巡检,无人机,航拍影像,图像识别的论文, 主要内容为随着社会信息化程度的逐步提升,电信通信网络的规模不断扩大,巡检光缆等运维工作量也随之大幅增加,巡检人员和光缆设备的矛盾日益凸显。现如今的巡检方式过度依赖人力,很难避免由于人力主动性问题导致的错误和遗漏,不能及时规避光缆故障引起的通信事故。目前,电信公司的信息管理系统主要功能是对巡检任务的分发和记录,并没有从根本上改变光缆的巡检方式。针对传统光缆巡检因人力巡检方式带来的低效,通过设计以无人机代替人力巡检,实时航拍巡检路段的视频、图片等数据信息,再后台服务器高效识别航拍图片中的危险告警信息,生成告警报告的系统,高效的协助光缆巡检人员解决工作问题。无人机光缆巡检系统采用B/S架构模型,系统包括后台Web服务端、手机移动端、无人机巡检端,采用三端协作的工作模式。后台Web服务端采用业界比较流行的企业级J2EE的解决方案SSM搭建;无人机端采用海思HI3518E芯片,利用芯片H.264编码器编码采集到的航拍视频,通过机身搭载EC20的4G模块传输自身飞行数据和采集到的航拍影像传输到服务器中,基于yolov3算法识别航拍图片生成告警。采用Mina网络通信框架,基于Mav Link协议自主设计无人机通信协议来构建和无人机的通信服务,并基于Socket和Web Socket协议完成消息推送。前端展示页面采用阿里基于React的开源解决方案Ant design编写,并利用阿里的高德地图为基础组件进行开发,手机移动端采用SUI框架构建Android手机移动端应用。数据存储采用Redis以及My SQL为多级存储阵列,应对不同业务需求。通过对无人机光缆巡检系统的测试,该系统完成了预期要求,并且在企业的使用过程中,得到企业的认可和线路维护人员的良好的回应。本系统通过结合无人机和图像识别技术,从根本上改变了光缆线路巡检方式,极大的提高了光缆日常维护的工作效率,同时也简化了巡检工作的管理流程。
基于微服务的天空协同海上任务管理系统的设计与实现
这是一篇关于微服务,Spring Cloud,天空协同,卫星,无人机的论文, 主要内容为由于陆地资源的匮乏,人类将目光投向海洋资源,海洋在国家发展中变得越来越重要。因为诸多历史原因,领海争端不断,有关国家通过岛屿侵占、油气盗采、非法捕捞等方式频频侵犯我国领海权益,所以建立完善的海域监测系统尤为重要。而且我国海域辽阔,海岸线长达1.8万公里,领海面积396万平方公里,使得我国的海域监测面临着严峻挑战。然而,目前我国海域监测系统多为单平台作业,即利用无人机或卫星单独执行海域监测任务,无法实现对海域立体全面的监控。为提高我国海防能力,维护领海主权,应将天基与空基相结合,实现天空协同,优势互补,弥补单一平台监测的不足。在国家重点研发计划基金的支持下,由国家海洋技术中心牵头,海域监测系统集成与应用示范项目开始研建。海域监测系统由综合应用平台、天空协同任务管理系统、天空基数据处理平台、天基感知体系和空基感知体系组成。本文研究了基于微服务的天空协同海上任务管理系统的设计与实现,该系统作为海域监测系统的核心,管理海域监测系统的所有海上任务,通过整合天空基资源为海上任务规划出合适的无人机与卫星,实现天空协同,解决监测平台单一的问题。在本文中海上任务是指我国南海海域广域目标,即指定经纬度的海上区域。本文对基于微服务的天空协同海上任务管理系统进行了设计与实现,系统分为基础微服务模块和业务模块。基础微服务模块是基于Spring Cloud实现的,主要由注册中心,配置中心和网关组成,并通过Ribbon负载均衡提高系统性能,通过Hystrix容错机制提升系统可靠性。业务模块包括任务管理、系统管理、卫星管理、设备管理、数据管理。每一个管理模块均作为一个微服务实现,各个微服务相互配合,组成海上任务管理系统。最终通过Docker容器技术进行部署。本文最后对基于微服务的天空协同海上任务管理系统进行了系统测试与验证,系统测试包括功能测试与性能测试,测试结果表明系统实现了预定功能。
基于深度学习的落叶松毛虫虫害检测研究
这是一篇关于落叶松毛虫,实时监测,无人机,深度学习,YOLO v4的论文, 主要内容为落叶松毛虫(Dendrolimus superans Butler)属鳞翅目、枯叶蛾科,其广泛分布于我国内蒙古、东北三省及新疆北部地区,是我国常见虫害之一,并对我国木材生产造成巨大损失。传统的检测方法主要分为人工检测、遥感卫星监测及传感器技术监测等,其缺点在于检测周期长,检测精度低,并且需要耗费大量的人力物力。对森林扰动不能起到及时响应,及时预防。针对这些问题,本文以大兴安岭地区林场中落叶松毛虫虫害树木为研究对象,提出一种基于深度卷积网络的落叶松毛虫虫害检测模型。实验证实该检测方法的准确率可达97.50%,并且基于该检测模型搭建小型设备的实时监测系统。在此基础上,本文通过简化模型框架,最终实现对落叶松毛虫虫害树木的实时检测。本文主要研究内容如下:(1)明确了落叶松毛虫虫害树木特征信息,构建了落叶松毛虫虫害数据集。首先经过对样地的研究,使用无人机采集大兴安岭地区两块实验林场中的航拍图像数据,并对图像进行裁剪、增强等预处理方法,其次使用LabelImg开源项目对虫害目标进行标定,并设计林区内枯死树目标作为干扰特征进行标定,仿照Mosaic数据增强的方法拼接枯死树与虫害特征,最后经过数据扩增得到落叶松毛虫虫害数据集训练图像2 900幅,测试图像360幅以及验证图像360幅。(2)针对传统落叶松毛虫虫害树木检测方法效率低等问题,本文提出了基于一阶段检测方法YOLO v4及基于二阶段检测方法Faster R-CNN的落叶松毛虫虫害检测模型。并分别针对两种检测方法进行训练,将生成的模型部署至电脑端测试并对结果进行比对分析。试验结果表明,Faster R-CNN模型在虫害检测精度上达到96.53%高于YOLO v4模型的94.10%,在单幅航片检测中Faster R-CNN模型的检测速度为0.175秒每幅,远低于YOLO v4模型的0.065秒每幅,但YOLO v4模型的实时检测速度较低只有1.72 f/s,不具备搭载至边缘计算平台的要求。(3)Faster R-CNN模型检测准确度略高于YOLO v4模型,但在现有设备下无法实现实时检测,因此针对two-stage网络模型训练成本高,无人机搭载的边缘计算设备检测速度低等问题,提出了一种基于改进YOLO v4模型的受灾树木实时检测方法,通过对模型结构的优化提高对落叶松毛虫虫害树木的识别精度与检测速度,并针对改进后的网络模型进行轻量化处理,并搭载至边缘计算设备进行检验,结果表明虫害检测精度较原网络降低了0.57%,总体平均检测精度提高了0.28%,实时检测速度上提高30.28 f/s。在保证了精度的同时极大提高了检测速度,降低了模型应用成本。(4)研发了针对落叶松毛虫虫害检测的识别系统,开发基于机载边缘计算设备的落叶松毛虫虫害识别模型并进行验证。基于改进过后的YOLO v4模型的落叶松毛虫虫害检测方法,开发落叶松毛虫虫害识别系统,调用Python将基于PyTorch的YOLO v4模型进行调用,完成无人机航片中落叶松毛虫虫害树木的目标检测及计数、调用设备摄像头针对周遭环境中虫害目标进行检测及计数。综上所述,通过使用无人机航拍技术及对边缘计算设备的开发,该研究完成了以上研究工作,并通过地面测试实现了目标检测功能。此研究为林区管理人员提供虫害发生位置的数量信息,为落叶松毛虫虫害树木的受灾评估提供客观准确的依据,实现了基于现代遥感技术的虫害监测,此外该流程不止基于落叶松毛虫虫害系统化研究,也可仿照本研究流程步骤广泛应用于无人机其他领域,具有一定参考价值。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码海岸 ，原文地址：https://m.bishedaima.com/lunwen/45337.html
