無人機遙感技術在煤堆盤點測量中的應用

吳澤南　李存軍　施浩磊　郝華東　王金濤

摘 要：無人機遙感技術具有自動化、智能化、專業化等優點，將無人機遙感技術應用于煤堆盤點測量上，可以有效解決人工盤點法（屬于傳統盤煤方式，費工費時，準確度低）和固定式盤煤儀盤煤法（屬于新型盤煤方式，造價高，維護成本大）存在的問題。本文通過分析無人機盤煤系統的組成、影像處理的原理、煤堆體積計算的方法，對無人機遙感技術在煤堆盤點測量中的應用進行了初步探索，最后通過現場試驗的方法驗證其有效性。

關鍵詞：無人機遙感技術;盤煤;影像處理

中圖分類號：TB938.3 文獻標識碼：A 文章編號：1003-5168（2019）32-0039-05

Application of UAV Remote Sensing Technology in

Coal Pile Inventory Measurement

WU Zenan1 LI Cunjun1 SHI Haolei1 HAO Huadong1 WANG Jintao2

（1. Zhoushan Institute of Calibration and Testing for Qualitative and Technical Supervision （National Metrology Testing Center for Bulk Commodity Storage and Transportation Industry），Zhoushan Zhejiang 316013;2. National Institute of Metrology， China，Beijing 100013）

Abstract： UAV remote sensing technology has the advantages of automation， intelligence and specialization. The application of UAV （Unmanned Aerial Vehicle） remote sensing technology in coal pile inventory measurement can effectively solve the problems of the manual inventory method （belonging to the traditional coal inventory method， which is labor-consuming， time-consuming， and has low accuracy） and the fixed coal meter method （belonging to the new coal inventory method with high cost and high maintenance cost）. In this paper， by analyzing the composition of unmanned aerial vehicle coal system， the principle of image processing and the calculation method of coal pile volume， the application of UAV remote sensing technology in coal pile inventory measurement was explored， finally， its effectiveness was verified by field test methods.

Keywords： UAV remote sensing technology;coal inventory;image processing

無人機遙感是利用先進的無人駕駛飛行器技術、遙感傳感器技術、遙測遙控技術、通信技術、POS定位定姿技術、GPS差分定位技術和遙感應用技術，具有自動化、智能化、專業化快速獲取空間遙感信息，并進行實時處理、建模和分析的先進技術[1]。近年來，隨著無人機技術的快速發展，其所具備高靈活性、低成本、高分辨率數據的快速獲取等優勢得以體現。將無人機遙感技術應用煤堆盤點測量上，可以有效解決傳統盤煤方式（人工盤點法）費工費時、準確度低以及固定式盤煤儀盤煤法造價高、維護成本大等問題，為煤礦、港口、燃煤火力發電廠儲煤量的盤點提供優秀解決方案。無人機盤煤技術的原理如下。

1 無人機航拍系統

無人機航拍系統主要是通過無人機搭載高清相機獲取地面影像數據。無人機航拍系統的組成如圖1所示，主要包括飛行平臺、飛行控制與地面監控系統以及高清相機等。

飛行平臺可分為單旋翼無人機、固定翼無人機、多旋翼無人機和傘翼無人機等。多旋翼無人機具有良好的機動性和一定的負載能力，是煤堆盤點的良好選擇。無人機搭載的高清相機一般有單相機、兩相機、四相機和五相機等，單相機常應用于垂直攝影，多相機常應用于傾斜攝影。無人機通過連續重疊的地面拍攝，自動記錄高精度POS姿態信息、GPS坐標信息、相機云臺的角度信息，獲取一組具有坐標姿態信息的地面煤堆航拍照片。通過對原始航拍照片數據的一系列交會解算，人們可以得到地面煤堆表面的三維點云坐標和三維模型。

2 飛行路徑規劃

目前，多數無人機具備自動導航功能，操作人員綜合考慮無人機飛行平臺、影像分辨率、測區范圍、航高、設計航線、旁向重疊度和航向重疊度等因素規劃飛行路徑。如圖2所示，無人機從煤堆場的一端沿直線往另一端飛行，到場地邊緣后自動轉彎后平行飛回，如此往復，測完整個堆場，同時使相鄰兩張照片保持旁向重疊度和航向重疊度。

3 地面控制點布置

為了提高結果數據的精度，宜在地面設置照片控制點，根據《低空數字航空攝影測量外業規范》（CHZ 3004—2010），像控點應按照以下原則進行布設[2]：像控點對應的目標影像應清晰，并根據航線在整個測量區域統一布設;高程控制點點位目標應選在高程起伏較小的地方，布設在同一位置的平面點和高程點宜連接成平高點;像控點的布置應避開小于照片邊緣1cm位置;控制點采用GPS方法測量時，應避免被電磁干擾。

由于外業作業勞動強度大，照片控制點的布設方案通常采用非全野外布點的方法，即測量少量的外業控制點，采用空三加密方法，經過平差處理，解求所有待定點的平面和高程坐標[3]。采用區域網布點的方案，利用GPS RTK衛星快速定位的測量方法獲取像控點的高精度坐標，對于無RTK信號的地方，可采用全站儀方式測量。在區域網周圍布設較多的平高點，如圖3所示。

4 影像匹配

無人機通過連續重疊的地面拍攝，獲得煤堆的影像資料，通常，一個航次可以獲得上千張照片，對這些影像的匹配是關鍵步驟。如圖4所示，通過特征匹配提取煤堆影像特征點，根據特征點、控制點、姿態數據和GPS數據等信息，經過空中三角測量，獲取每張照片的外方位元素和所有加密點的物方坐標，最后經過密集匹配，獲取三維密集點云數據。

4.1 特征提取

特征提取的方法很多，其中尺度不變特征變換算法（Scale Invariant Feature Transform，SIFT）[4]具有良好的不變性、強大的數據描述能力以及較強的可擴展性等優點，是目前最常用的特征提取方法之一。SIFT算法的流程如下。

4.1.1 多尺度空間模擬。構建尺度空間，模擬圖像數據的多尺度空間。利用高斯卷積核，將二維圖像的尺度空間定義為：

（1）

式中，[G（x，y，δ）]為尺度可變高斯函數。

（2）

為了有效地在尺度空間檢測到穩定的關鍵點，本研究提出了高斯差分尺度空間（DOG scale-space），利用不同尺度的高斯差分核與圖像卷積生成，建立圖像金字塔。

（3）

4.1.2 高斯差分特征點檢測。對于每個采樣點與其相鄰所有點，比較像域和尺度域的大小，如果該采樣點在高斯差分尺度空間本層及上下層26個相鄰點中為極值，則該點為該圖像尺度下的特征點。

4.1.3 提取穩定關鍵點。通過擬合三維二次函數以精確確定關鍵點的位置和尺度，同時去除低對比度的關鍵點和不穩定的邊緣響應點，以增強匹配穩定性、提高抗噪聲能力。

4.1.4 賦予關鍵點方向參數。利用關鍵點鄰域像素的梯度方向分布特性為每個關鍵點指定方向參數，使算子具備旋轉不變性。

4.1.5 關鍵點描述子生成。通過上述步驟關鍵點獲取位置、尺度和方向信息，將這些信息的關鍵點通過一組向量描述出來。

4.2 空中三角測量

空中三角測量是指以已知少量地面控制點為平差條件，以重疊照片的像點坐標為依據，根據一定的數學模型，運用解析方法解求照片外方位元素或加密控制點坐標的過程。空中三角測量按平差模型分為獨立模型法、航帶法和光束法，按加密區域可分為單航帶法和區域網法。

如圖5所示，光束法區域網平差（Bundle Block Adjustment，BBA）是以光線束為基本單元的一種區域網平差方法[5]，它以中心投影的共線條件方程作為理論模型。通過各個光線束在空間的旋轉和平移，以控制點的內業計算坐標與外業坐標相符合和同名光線相交的地面點坐標相為平差條件，解算出各張照片的外方位元素和加密點的地面坐標。

光束法區域網平差的原始誤差方程式為：

（4）

矩陣形式為[AijΔj+BijΔi-lij=νij]。其中，[i]為點的序號，[j]為照片序號。

4.3 密集匹配

為了獲得高精度、高密度的點云，人們需要對多視影像進行密集匹配。目前常見的密集匹配方法有帶共線條件約束的多片最小二乘影像匹配算法（Multiphoto Geometrically Constrained Matching，MPGC）[6]、半局部匹配方法（Semi-Global Match，SGM）[7]、基于面片的多視立體匹配（Patch-based Multiple View Stereo，PMVS）[8]等。其中，PMVS具有簡便、快捷的優點，僅需要通過影像和內外方位元素信息，即可獲得滿足三維模型構建密集點的云數據[9]。PMVS通過匹配、擴散、過濾三個步驟，依靠光度一致性和全局可見性實現對多張任意視角無序影像的密集匹配和三維重建，其流程如圖6所示。

5 煤堆儲量計算

煤堆儲量通過計算測量得到煤堆體積和煤堆密度之后，根據[M=ρ×V]求出煤場的存煤量。

5.1 煤堆三維體積模型的建立

為了快速獲得煤堆的體積，人們需要對前文獲得的密集點云數據進行進一步處理，將散亂點云數據轉換為三維體積模型，通常使用的是三角剖分方法，將散點集剖分成不均勻的三角網絡，滿足“最大化最小角”及“空圓性質”的特性，最終使其具有“最接近”“唯一性”“最優性”“最規則”“區域性”和“具有凸多邊形的外殼”等優異特性，這就是Delaunay三角剖分算法（Delaunay Triangulation，DT），如圖7所示。

通過Dealunay三角剖分法構建煤堆的TIN（不規則三角網）模型，將每個Delaunay三角形投影到二維平面，形成TIN模型微單元，如圖8所示。整個煤堆場可以看成無數煤場TIN模型微單元的集合，煤堆體積[V]可以通過無數個微單元體積的累加得到。

5.2 煤堆自然堆積密度測量

煤堆的自然堆積密度往往不是一個固定值，如表1所示，不同煤種的密度不盡相同，即使同一煤種也會因其堆煤方式、含水量等不同而不同。因此，需要對煤堆的自然堆積密度進行測算。

通常采用模擬法，根據《商品煤樣人工采取方法》（GB 475—2008）的采樣方法并按照《煤炭堆密度小容器測定方法》（MT/T 739—2011）的要求，對煤堆各部位進行密度測量，并按照其占比計算權重，從而計算煤堆的自然堆積密度，結合煤堆體積量，計算煤堆存量。

6 現場試驗

使用無人機搭載單個相機對舟山某碼頭煤堆場存量進行現場盤點試驗。其中，無人機選用的是DJI四旋翼無人機，最大起飛重量為4.25kg，水平飛行速度最大可達26m/s，下降速度最大可達9m/s，可承受風速最大可達10m/s;相機采用2 000萬像素級航拍相機。

飛行結束后進行數據處理，并與傳統測量方法進行比較，以驗證其有效性。如圖9所示，按設計航線對圖10所示的一組煤堆存量進行測量。實際飛機時間為20min。

經過影像匹配等一系列數據處理，生成密集點云圖，選取需要計算的煤堆（圖10標記區域），構建三角網格，生成三維模型（見圖11），計算圖示煤堆體積，測量其密度，從而得到煤堆質量，如表2所示。

將無人機法測量值與傳統皮帶秤法測量值比較，傳統皮帶秤法測量值為21 736t，相對偏差為1.1%。下面分析產生較大偏差的原因。

一是煤堆的自然堆積密度測量通過對各部位煤堆密度加權平均的方法測得，其權值往往需要估算，目前也沒有特別準確的方法測量煤堆的自然堆積密度，即使偏差為0.1t/m3，對于煤堆存量的偏差影響也高達1.2%。二是平面精度、高程精度、長度精度等都是影響三維建模精度的因素，其中高程精度的影響最大。GPS RTK的高程精度為厘米級，經計算，煤堆下底面的高程值下降1cm，煤堆的體積計算結果增加0.1%，因此，煤堆底面的高程值準確與否直接關系到煤堆體積精度。三是煤堆場地面由于地基沉降不均等原因，往往不是絕對的平面，存在凹凸不平的情況，而在煤堆體積計算時，通常將煤堆下底面模擬成平面，因此產生了誤差。四是堆煤經過堆放，含水量發生變化，因此導致煤堆質量發生變化。

7 結論

將無人機遙感技術應用到煤堆盤點測量中，可以有效降低成本，提高效率，同時保證一定的測量準確度。下一步應探索準確測量煤堆自然堆積密度的方法，同時提高無人機三維建模精度，從而提高無人機煤堆盤點準確度。

參考文獻：

[1]李德仁，李明.無人機遙感系統的研究進展與應用前景[J].武漢大學學報（信息科學版），2014（5）：505-513.

[2]國家測繪局.低空數字航空攝影測量外業規范：CH/Z 3004—2010[S].北京：中國標準出版社，2010.

[3]袁修孝，李德仁.GPS輔助空中三角測量的若干探討[J].測繪學報，1997（1）：14-19.

[4]Gruen A.Development and Status of Image Matching in Photogrammetry[J].The Photogrammetric Record，2012（137）：36-57.

[5]王之卓.攝影測量原理[M].武漢：武漢大學出版社，2007.

[6]Baltsavias E.Multiphoto Geometrically Constrained Matching[M].Zuich：Mitteilungen，1991.

[7]Hirschmueller H.Accyrate and Efficient Stereo Processing by Semi-Global Match[C]//Conference on Computer Vision & Pattern Recognition.2005.

[8]Furukawa Y，Ponce J.Accurate，Dense，and Robust Multi-view Stereopsis[J].Pattern Analysis & Machine Intelligence，2010（32）：1362-1376.

[9]蔡龍洲.面向無人機長序列圖像的數字表面模型研究[D].焦作：河南理工大學，2012.