全自主智能無人機在河道治理工程中的應用

嚴國輝

(中水興鋒盈控股有限公司，福州 350821)

0 引 言

近年來，無人機技術被廣泛應用于遙感測繪領域，針對很多復雜工程都能進行有效的輔助工作，如電力巡航、環境工程、地質災害普查等。無人機技術是一種采集空間數據的關鍵技術，不僅可對地形廣泛區域影像進行實時采集傳輸，而且具有采集快速高效的優點[1]。現階段，國內外均對無人機航測技術等不同領域進行了系統性分析，同時提出增強無人機測量準確度的方法。無人機航測技術在西方發達國家應用較早，發展時間較長，總體上已經處于比較成熟的階段。2007年森林大火肆虐時，美國學者就開始使用“伊哈納”的無人機來評估大火的嚴重程度以及災害的損失估算工作，但其航測成本以及后續數據的處理分析和應用價格都十分高昂。在國內，我國學者孫瑞提出了無人機航測在水利工程勘測中的應用探討，創造了更加便利的勘測條件,提高勘測外業的作業效率；熊一提出了無人機航測技術在礦山測繪作業中的運用，分析和介紹了無人機在生產技術方面的必要性。

目前在河道治理工程中，存在測量區域廣泛、限制因素較多、測量精度要求高、技術難以實現、涉及因素多、人為干預大等問題。在此背景下，將全自主智能無人機應用于河道治理工程中具有重要的現實意義。本文通過無人機進行航拍，能夠快速采集全景圖像，獲取對應地形污染源數據，有助于輔助河道治理，提高河道治理工程進度。

1 基于無人機航測技術的河道數據采集與處理

1.1 推測返航位置

將無人機應用到河道工程治理中，首先要對無人機的返航位置進行推定，計算出應飛航向，引導飛機安全返航。無人機返航推測示意圖見圖1。

圖1 返航推測示意圖

圖1中，A、B兩點的連線為期望航向指引無人機飛向定點C，當無人機到達C后、將C和B的連線作為期望航向，引導無人機飛回起點B。但是由于全自主智能無人機在進行航行拍攝的過程中，可能會發生由于突發情況造成航飛中止或者返航位置錯誤的現象，導致無人機飛向錯誤返航點D。為了避免以上問題，可通過回歸算法從全自主智能無人機航飛位置對返航位置進行推測，同時繼續執行航行拍攝任務。

回歸技術一般被應用于預測和發現變量間的因果關系[2]。斷點續飛回歸算法按照數據統計學原理可以對大規模數據進行處理，獲取因變量和部分自變量的相關關系，因此本文采用該算法構造相關優化回歸方程。

本節按照全自主智能無人機航行軌跡、中斷位置等自變量與返航位置因變量間的相關關系，構造下述線性回歸方程：

(1)

通過上述數據，可以達到無人機斷點續飛的目的，提高拍攝效率，保障無人機順利航行。

1.2 無人機航線設計

在確定航行位置、保障航行不斷點的情況下設計航測路線。為了建立完整的模型，通常要求超過60%的航向重疊度與超過30%的旁向重疊度。航線彎曲會對航向重疊的一致性產生影響，若彎曲程度大，那么在一定程度上會導致航拍漏洞[3]。全自主智能無人機體積小，質量輕，在空中的抗風能力相對較差，提高抖動幅度。經大量數據表明，全自主智能無人機航拍偏航可達15 m，像片旋轉角約為10°，為后續立體測圖帶來困難[4]。本研究通過飛控定位定姿數據，對全自主智能無人機航拍航線進行整理。

全自主智能無人機飛控數據會對拍攝時相機地理位置、航向角、俯仰角、翻滾角進行記錄。為了便于分析，把經緯度坐標(B,L,H)轉變成大地坐標(Xs,Ys,Zs)，其中L代表經度，B代表緯度，H代表高度。也就是獲取所有照片的大概位置元素，然后結合相機參數，通過共線條件方程把像方坐標轉變成物方坐標，公式如下：

(2)

式中：f為相機焦距；Z為測車輛區域平均高程；Xs、Ys、Zs為相機映射中心物方空間坐標；α、β、γ為通過影像的3個外方位角元素構成的9個方向余弦；(x,y)為像點坐標；(X,Y)為對應地面坐標。

將全自主智能無人機起降與轉彎時的像片刪除，通過剩余像片形成航線[5]。在形成航線時，利用求解像片中心點偏轉角δ判斷像片是否屬于某條航線，在δ低于既定閾值的情況下，把像片添加至航線中，閾值依據全自主智能無人機航攝技術規范獲取。通過像片中心點偏轉角形成航線，見圖2。

圖2 航帶形成示意圖

依據飛行順序對預處理后像片進行排序，記作(l1,l2,…,ln)，n為預處理后像片總量。通過像片中心點偏轉角形成航帶，詳細過程為：

初始取i=1，j=2，k=1，把li與lj添加至航帶Qk。

1) 對像片li與lj的中心點方向角φi,j進行求解，取下一個像片lj+1，同時求解像片lj與lj+1的中心點方向角φi,j+1，獲取φi,j與φi,j+1的夾角公式為：

δ=|φi,j-φi,j+1|

(3)

2) 如果δ低于閾值，那么把lj+1添加至航帶Qk，再假設i=j，j=j+1，重復進行步驟(1)。

3) 如果δ超過閾值，那么假設k=k+1，新建航線，把φi,j+1添加至新建航線Qk，再取j=j+2，i=j+1，重復進行步驟(1)。

4) 在j=n的情況下，也就是將全部像片添加至對應航線后停止。

按照設計的航行路線進行航拍任務，利用全自主無人機采集河道航測數據。對數據進行分析處理，進行三維建模。

1.3 航拍數據采集處理

針對復雜的河道，全自主智能無人機采集的圖像數據量很大，測量范圍很廣，航攝路徑長，同時結構復雜，當前通過傳統河道測繪方式無法有效實現測繪數據的輸出和整理[6-7]。通過全自主智能無人機對河道進行航拍，能夠完成對航行軌跡和點位坐標的輸出，是一種精準高效的方式。

航測數據是通過數值攝影測量得到的，也就是所有沿航行軌跡方向位置的差異均是因為視差造成的。其利用計算機完成相鄰影像的匹配，判斷所有像素視差，通過空中三角測量自適應求解，獲取像方坐標，利用計算獲取被拍攝物體的物方空間坐標，把視差轉換至相對或絕對地面高程。

采集高精度三維河道信息的重要問題為影像匹配，也就是怎樣通過計算機替代人眼完成立體觀察，獲取同名像點。針對全自主智能無人機相機，為了避免相機畸變產生的影響，按照相機檢驗參數與掃描坐標完成中心定位，同時獲取準確的掃描坐標。為了獲取可靠的影像匹配結果，需構建分層金字塔影像，形成近似核線。核線即通過左右攝站與被攝河道周圍構成的平面和像平面的交線。若像點(p,q)屬于左影像的相同核線，則其同名像點(p1,q1)在右影像上也屬于該核線，上述核線被稱作同名核線，則有：

(4)

(5)

其中：(u,v)與(x,y)分別為傾斜像片與水平像片坐標；λ、σ、θ分別為獨立像相對方位元素的函數。

因為每條核線和u方向是平行的，同時左右核線的v坐標是一致的，所以降低了v方向的搜尋區間。引入金字塔降低u方向的搜尋區間，令整個搜尋空間盡量減小。借助分層金字塔影像與核線影像，即可對一些同名點進行采集，然后利用平差求解立體相對的相對方位元素與像方坐標，獲取航測數據。

針對當前全自主智能無人機航測數據和影像，可按照相對定向獲取的影像匹配點和矢量采集特征點實現三維影像配準。在此基礎上，本研究利用Pix4Dmapper軟件對全自主智能無人機航測影像與數據進行三維建模處理[8]。該軟件基本流程用圖3進行描述。

圖3 軟件基本操作流程

分析圖3可以看出，通過全自主智能無人機對河道圖像進行航拍，在保證航向與旁向重疊率的情況下，即可利用Pix4Dmapper軟件實現對采集航測影像與數據的三維重建，利用三維建模可以輔助治理河道污染源。

1.4 河道面源污染輔助分析

面源污染通常是由于種植業、養殖業等農業污染造成的，污染物一般從支流或渠系流入河道干流，也就是污染主體沿河道分布，且涉及面積大，污染情況相對復雜，因此針對河道污染問題的測繪工作也非常復雜。

在上述算法和模型分析的基礎上，給出河道治理時污染點位提取步驟：

1) 確定測繪區域，沿河道對測繪區域進行劃分。

2) 沿著劃分的河道測繪區域完成初步的航測，對核心部分進行檢測。

3) 在初步航測的基礎上，對面源污染部分進行識別，針對關鍵區域需完成進一步的交叉測量。

利用河道面源污染點采集和加權線性內插法完成測繪處理，加權線性內插法公式描述如下：

(6)

其中：G(S0)為S0點的預測結果，也就是插值；n為和S0點相鄰的已知點的個數；ωi為參與預測的已知點的權重；G(Si)為當前樣本點Si的測量結果。

權重值的計算公式如下：

(7)

其中：di0為已知樣本點Si和插值點S0間的間隔。

上述插值技術為準確插值，適于數據分布相對密集、同時分布相對均勻的情況。完成對河道治理過程中面源污染點位的提取后，通過加權線性內插法完成求解，能夠有效顯示河道治理過程中關鍵測繪區域和其他區域的不同。同時對污染區域進行進一步的細化插值處理，便于重點分析，從而實現河道治理過程中面源污染處理。

2 全自主智能無人機在河道治理工程中的應用

本研究以某地區某河道治理工程為例，進行全自主智能無人機在河道治理工程中的應用分析。

2.1 河道淤積治理

針對河道清淤，調查目標河道淤積點時，需對淤積位置、高度和施工道路布置等進行分析。本研究通過全自主智能無人機采集研究河段三維地形數據，對不同淤積點特征信息進行分析，然后通過三維地形規劃解決河道治理中的淤積物堆放問題。

首先通過本文研究方法對目標河段航線進行規劃，并進行目標河段航拍處理。本研究處理河段采集的航拍圖片共262幅，將采集圖片導入Pix4Dmapper軟件中進行處理。按照采集圖像間的特征點完成對研究河段地形三維點云數據的解譯，見圖4。

圖4 研究河段航拍圖像三維點云數據

圖4中標識部分即為淤積點位，通過軟件對淤積特征進行提取，獲取淤積特征信息，為后續淤積部分檢測提供依據。通過D26-全自主智能無人機航拍技術對研究河段進行攝影，把處理形成的文件添加至地圖軟件中，通過相關測量功能快速采集河段中不同淤積點長度、寬度與面積等信息。通過地圖軟件的測量功能對上述淤積點關鍵指標進行測量，然后通過各淤積點三維航測數據對淤積點水平面上的平均淤積高度進行估測，最后依據水下淤積深度獲取淤積點清淤放量，詳細數據用表1進行描述。圖4中從上至下標識依次記作淤積點1-淤積點6。

表1 研究河段淤積量統計結果

分析表1可以得出，研究河道的整體淤積方量采用無人機測量的方式效率高，淤積方量估算結果較為精確。

2.2 水體異常點檢測

在進行河道治理的過程中，因為河道水環境問題非常復雜，針對各種類型水環境問題需進行詳細的識別和分析，以完成對河道水環境綜合問題的分析。針對各種涉及河道水環境的問題，需按照無人機軌跡確定結果對水體污染異常位置進行識別，同時獲取異常點位置輸出結果。按照得到的異常點位置輸出結果，令無人機進行進一步航測，重點針對所有異常點完成全景航測。無人機全景航測圖像可通過點云合成軟件完成處理，按照無人機坐標點位對不同問題點信息進行采集識別，為河道治理提供依據。見圖5。

圖5 水體異常標識

圖5中，依據無人機巡航影像對4處河段水體異常部分進行了標識。利用無人機可更加直接地完成對水體異常位置的識別，對航測內容進行規劃，并對無人機航測工作進行改進，提高在其在河道治理工程中的應用性。

2.3 無人機測量精度測試

將上述實驗調查的統計結果指標作為衡量指標，驗證本文全自主智能無人機航測數據精度，并將其和文獻[9]方法、文獻[10]方法進行比較，結果見表2。

表2 本文方法采集精度測試

分析表2可以看出，本文通過全自主智能無人機進行數據采集，90%以上的采集數據絕對差值低于2 m，占比為91.55%。而文獻[9]方法只有59.75%的采集數據絕對差值低于2 m；文獻[10]方法只有60.03%的采集數據絕對差值低于2 m。對比得知，本文方法采集數據精度可靠，質量好，能夠達到河道治理工程應用的要求。

3 結 論

將全自主智能無人機應用于河道治理時，充分發揮了無人機的優勢，解決了河道信息采集工作范圍廣、約束因素多、精度要求高等問題，有效避免了傳統采集技術的不足，增強了河道治理可靠性以及效率，減少了人力物力資源的使用。全自主智能無人機不但能夠在河道治理的前期工作發揮很大的作用，而且在后續河道治理方案規劃以及實施等方面也有重要意義。

無人機的應用不只限于河道治理，針對其他復雜工程，如電力巡航、環境工程、地質災害普查等，無人機也能夠進行有效的輔助工作，未來在越來越多的工程領域，無人機應用將越來越廣泛。但本文方法存在前期建設投資成本高、準備流程復雜的問題，后續研究中應該針對這一點進一步完善與提升。