CN118504925B 一种无人机低空监测方法 （北京理工大学珠海学院）

号并基于扫描的结果构建考古遗址的初步二维平模糊区域得到的补充飞行路径制定用于指示无古遗址内的声压分布信息和气流场信息对飞行充三维模型中对应地考古遗址的考古遗址缺陷23在所述无人机进行第一次飞行的情况下，扫描所述考古遗址获取并根据所述考古遗址的高程数据以及所述初步二维平面图所述根据第一次飞行的飞行路径和预设的精度需求，在所述初步三维模型每个所述待补充数据采集区域的中心坐标和边界范围计算得到所述待补充数据采集区域获取并根据所述考古遗址内的声压分布信息和气流场信息，所述获取并根据所述考古遗址内的声压分布信息和气流场信息，对4运用时间序列分析预测模型，预测所述初步三维模型中的风险区域包括自然塌陷区域和受到所述无人机进行第一次飞行影响的区所述运用时间序列分析预测模型，预测所述初步三维模型中的风险高度；并将所述最优的飞行路径和飞行高度替换所述飞行策略中的飞行路径和飞行高度，通过第二次飞行获取补充数据，将所述初步三维模型与所述补充数通过所述摄像设备对所述考古遗址进行边缘检测得到考古遗址对所述考古遗址影像数据进行第一预处理操作；所述第一预处对第一预处理操作后的所述考古遗址影像数据进行分析，提取所述考根据所述外部边界轮廓计算所述考古遗址的外部边界的垂直平进入所述考古遗址内部进行第一次飞行的路将所述第一次飞行的路径参考传送至所述无人机，以指示所述无5对所述扫描的结果进行第二预处理操作；所述第二预处理操作包括识别第二预处理操作后的所述扫描的结果中的所述地形轮廓以及所述第二预处理操作后的所述扫描的结果中的所述地形纹理并构建关于所述地形轮廓和所述地形纹理的所在所述无人机进行第一次飞行的情况下，响应于所述初在所述无人机沿所述第二飞行路径飞行的情况下，通过立体将所述第一精度的点云数据和所述第二精度的点云数据进行配准对所述三维点云模型进行滤波去噪和下采样处理，并提取得到所将所述初步二维平面图中的所述考古遗址中地形轮廓和地形纹理映射到所述三维点提取所述初步三维模型中的高程数据、所述地形轮廓和所述地形纹理，将所述潜在的无人机可停区域与所述初步三维模型进行叠加分析，步三维模型分割为100_500平方米不等的多边形区域，然后基于所述初步三维模型中的地根据所述可停区域的位置分布，构建连接所有可停区域的最短飞行通过所述无人机搭载的点亮管理系统实时检测所述无人机上的电池组计算所述无人机上控制信号的接收功率，当所述接收功划从当前所述GPS坐标到距离最近的预设数量的每个所述可停区域的最优避障路径，并结6通过所述无人机搭载的激光雷达和机载计算机，实时构建所述无中对应地所述考古遗址的考古遗址缺陷和具有历史价值的关键区根据统一的坐标系统获得所述补充数据和所述初步三维模型在同一基准下的数据表对所述补充数据进行第四预处理操作；所述第四预处理操作包括剔除通过对比所述高质量补充数据和所述初步三维模型的空间分辨率，调根据训练完成的深度学习模型并基于所述校正后的高质量补充数通过对识别的所述考古遗址特征进行可视化处理，获取所述考根据后勤物流任务制定所述无人机的装载清单，并根据所述无人机根据所述最大有效载荷设计所述无人机的载荷舱的质量，然后将所制定用于监测所述考古遗址的飞行计划，根据在所述监测飞行路径的基础上插入后勤物流任务的路径，并优78[0006]响应于无人机升空完成，通过无人机搭载的摄像设备对域的补充飞行路径，以根据补充飞行路径制定用于指示无人机进行第二次飞行的飞行策[0009]获取并根据考古遗址内的声压分布信息和气流场信息，对飞行策略进行动态调9无人机能够进行有效飞行的情况下，考虑补充数据的获取以及后续后勤物流任务的执行，[0024]在一个示例性地实施例中，通过无人机搭载的摄像设备对考古遗址进行边缘检古遗址内部进行高清扫描，获取详细的内部考古遗址影像数据。将无人机获取的考古遗址内部考古遗址影像数据实时传输到地面控制中心，通过SIFT特征点匹配和RANSAC算法等图像拼接算法，将多角度、多方位的考古遗址影像数据进行配准和融合。然后使用SFM选取长度最长的平分线作为无人机的飞行路径片作为考古遗址影像数据。将获取的考古遗址影像数据上传到控制中心，通过SIFT算法维点云，设置点云密度为每平方米100个点，通过Poisson表面重建算法生成考古遗址内部的三维网格模型，三角面片数量达到500万以上，为考古研究提供高精度的数字化模型支撑。第一次飞行期间无人机的飞行高度不低于高度[0038]通过边缘检测以及轮廓提取算法识别第二预处理操作后的扫描的结果中的地形[0043]进一步地，综合轮廓线提取得到的地形轮廓和纹理分析4000万像素的高清摄像设备获取0.5厘米分辨率的考古遗址影像数据。将考古遗址影像数[0045]步骤206，获取并根据考古遗址的高程数据以及初步二维平面图构建初步三维模对所有模糊体素网格进行聚类分析，采用基于密度的聚类算法，包括DBSCAN（Density_BasedSpatialClusteringofApplicationswithNoise，基于密度对噪声鲁棒的空间地面控制站上传至无人机，指示无人机按照规定路径对模糊区域进行第二次数据采集飞[0071]在一个示例性地实施例中，获取并根据考古遗址内的声压分布信息和气流场信行策略优化模型以预测无人机在考古遗址中的采用不同飞行参数的度等特征，构建一个飞行策略优化模型。选用支持向量回归（SVR，Supportvector用5折交叉验证评估飞行策略优化模型性能，平均均方根误差（RMSE，RootMeanSquare以10Hz的频率采集气流速度和气压数据。使用MATLAB对声音数据进行FFT（FastFourierTransform，快速傅里叶变换）分析，汉明窗长度为1024，重叠率为50%，频谱分辨率为频段的LoRa（Low_RankAdaptation，低秩自适应）通信，发射功率500mW，接收灵敏度_索等方法优化模型参数得到训练完成的时间序列预测模型；时间序列预测模型包括ARIMA风险区域，并提取风险区域的边界构成的多边形；密度聚类算法包括DBSCAN(Density_BasedSpatialClusteringofApplicationswithNoise,基于密度的带有噪声的空间[0093]进一步地，根据历史数据中损毁事件的实际发生概率，通过ROC（Receiver定义为高风险区。采用OPTICS算法对高风险网格进行聚类，半径参数ε为10米，最小点数内的动态和静态障碍物，采用VoxelNet端到端3D目标检测算法实时生成障碍物八叉树地检测到异常的情况下将无人机迫降至停放区度小于预设坡度且植被覆盖度低于预设百分比的区域，将期标记为潜在的无人机可停区当前无人机距离地面的高度，并根据当前无人机距离地面的高度控制无人机的下降速利用PID控制算法控制无人机在预设高度范围内下降，并在无人机触地后关闭无人机的动光雷达和机载计算机，实时构建周围15米范围内的三维栅格地图，检测0.3米以上的障碍取8个灰度共生矩阵特征，6个Gabor滤波特征和3个HSV颜色直方图特征，训练支持向量机道格拉斯普克算法对区域边界进行简化，再通过泰森多边形算法生成邻接关系图，使用[0114]对补充数据进行第四预处理操作；第四预处理操作包括[0116]通过卷积神经网络对根据现有的考古遗址的特征得到的数据集进行特征学习训[0119]具体地，根据无人机第二次飞行获取的补充数据与初步三维模型同步使用统一的坐标系统，获取两者在同一基准下的数据表示。假设初步三维模型的坐标系统为WGS84使用线性插值法将补充数据的分辨率调整为1米。这可以通过ArcGIS软件中的“栅格插值”准技术对初步三维模型和补充数据进行精确对齐。可以选择10个明显的角点作为控制点，basedConvolutionalNeuralNe指导无人机自主或半自主地开展维修作业。可建立基