2022建设工程基于无人机搭载平台检测技术

建设工程基于无人机搭载平台检测通用技术标准目次TOC\o"1-2"\h\z\u1总则 附录A无人机搭载激光雷达校验飞行方案及偏心分量计算A.1校验飞行方案A.1.1可设计2个航高、6条航线，其中低航高2条交叉航线，高航高2条分叉航线，1条对飞航线，1条平行航线（旁向50%重叠率），飞行示意图见图1：A.1.2也可设计飞行航线为3×3，旁向重叠率大于50%，单向飞行。飞行示意图见图2。A.1.3在校验场内布设地面控制点进行控制点测量，地面控制点宜布设为一个平面或一条直线，可按照数据高程模型格网间距的5倍进行布设。A.1.4用于高程精度检验的控制点应布设在裸露的平坦地面上，平面精度校验的控制点需要时可布设为三维地面标志点。A.1.5地面控制点平面位置精度应不低于GB/T18314中E级GPS点的精度要求，高程精度应不低于等外水准的精度要求。A.2偏心分量测定表如下：

附录B机载高光谱成像仪光谱重建B.1本附录适用于可见光-短波红外推扫式高光谱成像仪数据重建。B.2光谱数据重建需消除三个影响因素：光谱及辐射定标误差、大气校正误差、地形和光照影响。B.3室内光谱定标B.3.1应用标准光谱，采集标准光源光谱数据。B.3.2根据采集的标准光谱数据，按照式拟合出所有高光谱探测像元的中心波长：λr,c=i=0Mj=0式中：gij——多项式的拟合参数；r——面阵像元的行号；c——列号；λr,c——像元的光谱拟合结果。B.4室内辐射定标B.4.1采集标准光谱数据进行逐波段数据处理，根据辐射亮度输入值与传感器输出DN值的关系公式：Ljλi=式中：Ljλi——第jDN(j,i)——第j组第aji、bji——第测得的多组成像光谱仪输出值和标准光源在该波段中心波长处的光谱亮度值做线性拟合后，得出各波段最佳的定标系数aji，bji。B.5大气校正B.5.1高光谱利数据大气校正方法分为用校验场实测波谱的地空回归分析法和基于大气辐射传输理论的各种辐射传输模型二种B.5.2校验场飞行地空回归分析法技术要求如下：1飞行测量过程中，应进行明暗地物或黑白布同步或准同步地面光谱测量，同一测区宜采用同一光谱仪。2定标布应分别选择反射特性均匀、面积不少于5×5个像元的黑布和白布，在350nm~2500nm的波段范围内，白布发射率大于0.7，黑布发射率小于0.3，并保证黑白布位置固定、表面平整。3黑白布测点应均匀分布于校验场，每一校验场地光谱测量至少选取80个测点。4对图像数据与校验场黑白布实测光谱作最小二乘拟合，建立地、空回归方程，将图像数据转化为地面的反射光谱数据。B.5.3基于大气辐射传输理论的辐射传输模型有6S、LOWTRAN、MODTRAN、FASCODE、ULTRAM等，传输模型反演方法理论基础严密，计算精度高，但需要测量和输入多种大气环境参量。B.6地形和光照校正主要有二类方法：一是朗伯体模型法，如经验线性回归统计法，余弦校正法、半经验C校正法、SCS校正法、SCS+C校正法等；二是非朗伯体模型法，如半经验Minnaert校正法、半经验修正的SCS校正法。附录C检测报告格式C.1飞行巡检报告可采用如下的报告格式：项目飞行巡检报告报告编号：报告日期：年月日共页第页项目名称项目地址项目类型委托单位巡检日期年月日巡检依据天气情况温度湿度℃％无人机型号搭载设备飞行巡检结果巡检区域巡检内容评价区域一区域二区域三……巡检结论批准：审核：主检：巡检单位（单位公章）：

共页第页飞行路线巡检附图巡检：记录：校对：C.2摄影测量报告可采用如下的报告格式：工程摄影测量报告报告编号：报告日期：年月日共页第页工程名称工程地址工程类型委托单位检测日期年月日检测依据天气情况温度湿度℃％无人机型号搭载设备摄影测量结果检测部位测量数据平均值123部位一部位二部位三检测结论批准：审核：主检：巡检单位（单位公章）：共页第页飞行路线检测附图巡检：记录：校对：C.3数据分析报告可采用如下的报告格式：工程数据分析报告报告编号：报告日期：年月日共页第页工程名称工程地址工程类型委托单位检测日期年月日检测依据天气情况温度湿度℃％无人机型号搭载设备数据分析结果检测部位特征类型识别内容识别结果部位一部位二部位三……检测结论批准：审核：主检：巡检单位（单位公章）：共页第页飞行路线检测附图巡检：记录：校对：中国工程建设标准化协会标准建设工程基于无人机搭载平台检测通用技术标准条文说明1总则1.0.1为满足快速增长的远距离、大范围、不易接触的建设工程质量安全检测需求，以无人机作为搭载平台的非接触式检测技术应运而生且发展势头迅猛。以无人机搭载平台作为空间可移动信息采集中心，通过搭载光学摄影、红外热成像仪、激光雷达等专业检测设备，利用摄影测量和图像识别技术，结合人工智能学习和大数据平台，既能快速采集建设工程的高清图像和基本信息，实现大区域快速巡检，也能通过深度学习算法和数字图像处理技术，评估建设工程安全使用性能，提升城市防灾减灾能力。1.0.2建设工程全寿期可分为规划设计、建造、运维、消解四个阶段，四个阶段都可采用无人机搭载各类传感设备针对具体应用场景开展勘察检测工作，涉及建设工程质量、安全和环境等领域。1.0.3空间覆盖面广是利用无人机平台进行工程检测的优势，无人机既可以抵近建筑物构件进行近距离观测，也可高空大范围获取城市区域影像数据。本标准按照空间尺度将无人机平台检测对象划分为三类：构件、单体项目（如单栋房屋、单座桥梁等）、城区。其中城区是以配套设施齐全、能够独立运行为标准划分的基本城市单元，比如住宅小区、商业街区、工业园区等。3基本规定3.1.1本条在1.2.2条基础上进一步细化了检测对象的划分，尤其是考虑到单体项目类型较多，规模不一，根据项目特点将其进一步分为线状（主要指公路、桥梁、隧道等）和点状（主要指房建类工程），再将点状工程按照外形尺寸规模进一步细分。3.1.3~3.1.5数据获取的方式决定了测量精度：1）无人机搭载的专业传感器可以直接读取检测对象数据（如红外热成像仪读取表面温度）或者计算公式传递误差二者相同（如光学相机读取裂缝宽度等）；2）传感器获取的数据经过复杂解析公式计算获得检测结果（如空间三角定位），最终测量精度由单个或多个参数误差非线性叠加决定。由于无人机搭载设备检测的工程参数属性和种类繁多，无法制定统一的测量精度要求，因此本标准仅规定了该类检测中涉及定位、尺寸类型参数的测量精度。又考虑到目前无人机平台获取的测量参数精度通常低于常规检测技术要求，本标准将测量精度进一步简化为三级，即小于毫米级、毫米级、厘米级。3）图像识别、机器学习及深度学习是目前工程检测领域潮流的技术发展方向，都属于基于概率统计估值分析方法，通常利用已知样本训练模型，然后输入待求解参数，输出接近真实值的结果。在建设工程领域，该方法主要应用于构件损伤、表面形态、大数据挖掘等场景。该类方法的精度通常用估计结果与真实值的比值即准确率来衡量。为避免训练学习得到的映射关系模型在应用中出现过拟合或欠拟合情况，通常使用标签训练准确率和测试样本准确率双重指标控制。4无人机与搭载设备4.1.5无人机平台搭载了各类传感设备，同时还包括定位系统、数据传输系统以及通讯系统等，除确保上述每个单元工作性能满足要求外，通过校验场检验复杂的无人机平台整体性能是必不可少的。4.1.7鉴于操作无人机平台的复杂性，本条规定了无人机平台的操作人员必须具备上岗技能。4.3.1非量测光学相机通常指不是专门为摄影测量目的设计的摄影机，它包括各类普通数码相机、电影摄影机和高速摄影机等，具有以下特点：1）没有标框；2）相机内方位元素（x、y、f）不稳定，无压平装置，且畸变差较大；3）没有水准器和定向装置，在曝光时不能确定方位。4.3.4光波根据波长不同可分为以下类别：波长处于380nm~780nm之间的光波称为可见光，短于380nm的称之为紫外光；而长于780nm的则为红外光，红外光还可以细分为近红外区（780~2500nm）、中红外区（2500mm~25μm）和远红外区（25~300μm）。室外检测设备通常采用近红外区光谱，根据光谱分辨率不同又分为多光谱成像和高光谱成像。高光谱成像技术具有比多光谱图像更高的光谱分辨率，可达到5-10nm的数量级，因此利用它可以探测到在宽波段遥感中不易被探测到的物质。大量实验研究表明，许多物质的吸收特性在吸收峰的一半处且波长宽度为20nm~40nm，这意味着高光谱图像可以辨别出具有细微差别的地物光谱，而数量级在100nm以上光谱分辨率的多光谱图像则无法完成，并且极易造成“同物异谱”和“同谱异物”的现象。高光谱成像技术具有更多和更精细的光谱结构信息，从而可以用于分类具有相似光谱特性的不同地物类别。高光谱遥感影像数据包含数十到数百个光谱波段信息，每个波段都提供了研究对象的一定信息，信息量非常丰富。但在很多情况下，相邻波段间具有很强的相关性，所提供的信息常常有所重叠。在高光谱影像分类方法中，出现当特征数超过一定数目时，整体的分类精度不增反降的情况，即“Hughes现象”。因此降低高光谱的特征维度，消除数据间不必要的冗余信息，实现既能充分利用高光谱所提供的有用信息，又能解决数据量和计算量过大问题。图1Hughes现象示意图4.3.5合成孔径雷达（SAR）技术是20世纪中后期发展起来的一种主动式对地观测技术。它拥有全天候、全天时的对地观测能力，并对地表地物具有一定的穿透能力，因而被广泛应用于地质勘探、地形测绘、地质灾害监测及城市规划等各个领域。InSAR技术是以合成孔径雷达为平台，通过主动式微波遥感系统对电磁波进行干涉，记录返回的信号和相位信息来获取某一地区的单视复数影像。图2InSAR成像示意图4.4.3本条仅列出了高光谱成像仪室内校准内容，室外校验场校准工作纳入了光谱反射率重建工作内容中，具体可参见7.2.6条内容。6数据采集6.1.2坐标系可以分为平面直角坐标系（XYZ）和大地坐标系（BLH）二种，常见坐标转换类型有：1）大地坐标系转换为平面坐标系该类转换需要确定的转换参数有椭球参数、分带标准（3度、6度）和中央子午线的经度，椭球参数是指平面直角坐标系采用什么样的椭球基准，对应有不同的长短轴及扁率。画到直角坐标系可以写为(x+z*acosθ，y+z*asinθ)，a、θ为参数。2）任意空间坐标系的转换，根据范围大小又分为四参数法和七参数法四参数法：四个参数分别是X平移、Y平移、旋转角和比例，适用于小范围平面坐标之间的坐标转换，一般不超过30公里，求解四参数需要2对公共点。七参数法：七个参数分别是X平移、Y平移、Z平移、X旋转、Y旋转、Z旋转、尺度变化k，适用于椭球体之间及内部大范围坐标转换，求解七参数需要3对公共点，最好能覆盖整个目标区域。6.2.1本条仅列出了目前常见的无人机平台感知采集数据方式及其对应于建设工程领域的应用参数，随着科学技术的快速发展，未来还将涌现更多的高科技数据获取方式和应用场景。7数据处理7.1本条归纳总结了建设工程领域采集数据处理的三种方式：直接获取、数字解析、基于概率统计的估值分析，递进式的表示了数据处理难度。直接获取方式最为简单，通过设备仪器直接读取测试数据，或者通过线性公式简单计算得到误差不变的结果数据；数字解析方式是通过大量的试验、推算等方法发现主要特征，由此建立一套固定模型（公式）可以精准反映采集数据与输出结果之间的特征映射关系，其误差传递关系可以通过映射模型（公式）求解确定，通常以多维高阶形成呈现。随着人类对事物认知能力的提高，即反映对象特征的数据在数量、维度、关联性等方面增长，建立精准映射模型变得越来越困难，为了满足认知进阶需求，采用基于概率统计估值分析成为必然，这也是近几年来基于概率统计的机器学习和深度学习非常火爆的原因。其核心就是挖掘数据深层次特征，对数据进行分类、拟合、聚类、嵌入等处理，通过训练样本学习建立不断优化的映射模型，目标是获得最小损伤函数。机器学习的目标函数通用表达方式如下：arg式中xiyi分别是第i个训练样本输入特征值和输出结果，n是训练样本数量，f是描述特征的假设函数簇，L是模型损失函数，θ是模型参数，Ω是参数正则化函数。其中假设函数簇深度学习隶属于机器学习范畴，是机器学习的重要分支。但是在最重要的特征学习方面二者存在巨大的区别：在机器学习中大多数的特征处理都需要专家提供认知模型然后编码成为一种数据类型，大多数机器学习算法的性能依赖于所提取的特征的准确度；深度学习则尝试从数据中直接获取更深层次、更多维度的特征，削减了对每一个问题设计特征提取算法的工作，这是深度学习与传统机器学习算法的主要不同。2006年Hinton等人在受限波尔兹曼机和对人脑工作生物机理突破性研究的基础上提出了深度置信网络（DeepBeliefNetwork，DBN），对神经网络的研究取得了重大突破，这引起了人工智能技术的第二次高潮—深度学习。深度学习主要架构通常由输入层、卷积层和池化层组成的特征提取器、作为分类器的全连接层、输出层组成，其中卷积层和池化层深度通常二十层以上甚至超过一百层，通过前向无监督学习方法逐层训练算法建立特征描述模型，再使用有监督反向传播算法进行后