基于无人机遥感技术的市政道路智能测绘方法研究

摘要：在当前科技飞速发展的背景下，无人机遥感技术已成为一种革命性的数据采集手段。该技术利用无人机搭载的高精度传感器和摄像头，通过空中拍摄获取地面信息，进而实现对市政道路的高效、精确测绘。本文对无人机遥感技术进行了概述，并详细介绍了基于该技术的市政道路智能测绘方法，包括遥感设备与数据采集系统、高精度地图制作、路面状况评估等关键技术环节。通过实验验证了该方法的可行性与有效性，为未来的技术进步与应用拓展提供了有力的理论和实践支持。

关键词：无人机；遥感技术；市政道路；智能测绘方法

中图分类号： TP31 文献标识码： A

文章编号：1009-3044（2024）17-0098-02 开放科学（资源服务）标识码（OSID） ：

在当今快速发展的科技时代，无人机遥感技术作为一种先进的信息采集手段，已广泛应用于地理信息系统、环境监测、农业评估等多个领域。其在市政道路智能测绘中的潜力尤为引人注目。无人机系统搭载多种遥感传感器，如光学相机、多光谱相机、激光雷达等，能够实时、高效地收集道路表面及周边环境的高分辨率图像和三维数据，有效提升了市政道路规划、建设和维护的效率及精度。

1 无人机遥感技术概述

与遥感探测器的先进信息采集系统，已经在地理信息科学、环境监测、精准农业、市政工程等领域展现出了巨大的应用潜力和独特的价值。该技术利用无人机作为载体，配备多种遥感传感器，如光学相机、红外相机、多光谱相机、激光雷达（LiDAR） 等。通过自动或半自动的飞行控制系统，高效、灵活地在空中对地表进行广泛的观测与数据收集，如图1所示。特别是在市政道路智能测绘领域，无人机遥感技术凭借其高空间分辨率、快速数据采集能力和较低的运营成本，相比传统测绘方法如人工地面测量或卫星遥感，显示出显著的优势和应用前景[1]。

2 无人机遥感技术的市政道路智能测绘方法

2.1 遥感设备

无人机（UAV） 作为一种灵活的空中平台，能够搭载多种遥感设备，包括光学相机、红外相机、多光谱相机、热红外相机、激光雷达（LiDAR） 等。这些设备能够从不同波段、不同角度、不同分辨率对地面目标进行综合观测与数据采集。高分辨率的光学相机用于捕获道路表面的细节图像，支持对道路裂缝、坑洼等细节的检测；多光谱相机则分析道路表面的材质和状况，例如沥青与水泥的区分，以及道路覆盖的植被状态；而激光雷达（LiDAR） 则能够提供道路及其周边环境的精确三维信息，支持对道路几何特性的精确测量以及地形变化的监测[2]。

2.2 数据采集系统

数据采集系统是无人机遥感技术中的另一项核心技术。它不仅涉及数据的实时采集，还包括数据的传输、存储和预处理。高效的数据采集系统需要具备高速的数据采集能力和稳定的数据传输通道，以保证在无人机执行市政道路智能测绘任务时，能够实时收集并传输高量级的遥感数据。为了进一步提高数据处理效率，采集系统通常还会在无人机平台上集成初步的数据预处理功能，例如图像的去畸变、拼接，以及点云数据的初步滤波。这些预处理步骤能够显著减轻后期数据处理的负担，从而提高数据处理的速度和精度。

2.3 高精度地图制作

在基于无人机遥感技术的市政道路智能测绘方法研究中，高精度地图制作是其中的核心环节之一。其目的在于利用无人机搭载的遥感设备收集的数据，通过复杂的算法进行处理，最终生成高度精确的道路地图[3]。为此，结构从运动（Structure from Motion， SfM） 算法经常被用于从无人机拍摄的多视角图像中重建三维结构，从而生成高精度的地图。SfM算法的核心原理可以通过以下几个公式来详细阐述。

SfM算法的基础是图像匹配，其中关键点的检测与匹配通过尺度不变特征变换（Scale-Invariant Fea⁃ture Transform， SIFT） 算法实现。对于两幅图像I1 和I2中的任意一点p，其在I1 中的位置x1 与在I2 中的位置x2之间的对应关系用同一景物点在两个不同视角下的投影来表达，即：

x2 = K [ R|t ] X （1）

其中，X 是三维空间中的点，K 是相机的内参数矩阵，R 是旋转矩阵，t 是平移向量。通过大量点的匹配，估计出相机的运动参数R 和t，进而恢复出景物点的三维坐标。

接下来，通过最小二乘法优化三维重建的过程，进一步提高地图的精度。设有N 个景物点在M 个视图中的投影，对于第i 个点在第j 个视图中的投影坐标xij，其重建误差表示为：

其中，x̂ij 是根据相机参数Pj 和景物点三维坐标Xi计算得到的投影坐标，E 是所有投影误差的累加，通过最小化E，获得更精确的三维点坐标和相机参数。

为了实现实时监测，引入增量式结构运动算法，即在每次添加新的图像时，仅需对新增加的图像和已重建的三维模型进行匹配和优化[4]。设在添加第k 个图像时，已知前k - 1个图像的相机参数P1，P2，...，Pk - 1，和景物点坐标X1，X2，...，XN，则新增图像的相机参数Pk和对应的景物点坐标更新为：

Pk，X′1，X′2，...，X′N = arg min Pk，X1，X2，...，XNE （3）

通过这种方式，逐步添加新的图像并实时更新地图数据，保证了地图制作过程的高效性和地图数据的实时性。通过上述公式的应用，SfM算法能够从无人机采集的多视角图像中有效重建出道路及其周边环境的高精度三维模型，并生成高精度的地图。

2.4 路面状况评估

在基于无人机遥感技术的市政道路智能测绘方法研究中，路面状况评估是至关重要的环节。它利用从无人机搭载的遥感设备采集的数据，通过精确的分析和处理来评估道路表面的状况，包括裂缝、坑洼、水损等各种损害情况。本部分采用的是基于深度学习的图像分析算法，特别是卷积神经网络（ConvolutionalNeural Networks， CNNs） ，用于自动检测和分类道路表面的损害情况。

采集到的道路图像数据通过预处理环节进行质量增强，包括噪声移除和对比度增强，以提高后续分析的准确度。在此基础上，卷积神经网络（CNNs） 作为一种深度学习模型，其基本原理表示为一系列的卷积操作，每个卷积层由以下公式定义：

其中，F li，j是第l层的输出特征图在位置（i，j ）的值，Kl m，n是第l层的卷积核在位置（ ） m，n 的权重，是I l - 1 i + m，j + n第 （l - 1） 层 的 输 入 图 像（或 特 征 图）在 位 置（i + m，j + n）的值，bl是第l层的偏置项，σ是非线性激活函数，通常是ReLU函数。通过重复的卷积和池化操作，CNN能够从复杂的图像数据中提取有效的特征，用于后续的道路损害识别和分类。

对于路面状况的评估，特别是裂缝和坑洼的检测，CNN模型的训练过程通过以下损失函数最小化来实现：

其中，L （θ ） 表示损失函数，θ 表示模型参数，N 是训练样本的数量，yi 是第i 个样本的真实标签（1表示损害，0表示无损害），ŷi 是模型预测的概率。通过优化这个损失函数，CNN模型能够学习到区分道路损害与正常道路表面的特征。

进一步地，将训练好的CNN模型应用于实际的道路图像数据时，模型的输出需要经过阈值处理，以确定最终的损害检测结果：

其中，τ 是预先设定的阈值，根据实际的应用需求调整。这一步骤的目的是将CNN模型的连续输出转化为离散的分类结果，从而实现对道路表面损害情况的准确识别和分类。

3 方法测试

在本研究中选用的数据集主要来源于实地采集的实测数据，这些数据通过搭载高分辨率光学相机和激光雷达（LiDAR） 的无人机在不同类型和不同状况的市政道路上收集而来，如表1所示。部分数据也经过精心挑选，来源于网络公开的数据集，以增加实验的多样性和全面性。这样的数据组合不仅保证了实验的实际应用价值，还提高了研究的广泛性和可靠性。数据出处明确，旨在通过实验验证无人机遥感技术在市政道路智能测绘和状况评估中的应用效果。

测试指标主要包括损害检测准确率（Accuracy） 、损害检测召回率（Recall） 、损害检测精确度（Precision） 和系统处理时间（Processing Time） 。准确率衡量的是模型正确预测的总体比例，召回率关注的是模型能够正确识别的损害情况所占的比例，精确度则是指模型预测为损害的情况中实际为损害的比例，而处理时间反映的是整个检测流程所需的时间长度[5]。指标共同构成了对系统性能全面的评估体系，全面反映无人机遥感技术在市政道路智能测绘领域的应用效果。

4 结束语

综上所述，探究和发展无人机遥感技术在市政道路智能测绘领域的应用，需要系统地分析和评估其在数据采集、处理与分析过程中的关键技术问题和实施策略。其中包括无人机的飞行控制、传感器的选择与优化、数据的精确处理与分析方法等，都是确保测绘精度和效率的关键。

参考文献：

[1] 陈立娜，李真，宋辉.基于人工智能的无人机测绘遥感图像信息提取方法[J].电子设计工程，2023，31（24）：181-185.

[2] 李嘎.人工智能下信息化测绘方法的思考[J].品牌与标准化，2023（3）：165-167.

[3] 潘慧婕，周煜.遥感全景测绘大数据智能共享方法[J].测绘技术装备，2022，24（4）：15-20.

[4] 马学林.地理信息智能测绘背景下耕地进出平衡操作方法研究[J].新农业，2022（22）：73-74.

[5] 崔松涛，梁杰.基于激光测距的双机器人管道测绘方法[J].东北大学学报（自然科学版），2022，43（11）：1583-1590.

【通联编辑：梁书】