邵建鴻 鄭萬鵬 張 斌 杜 源 王興濤 欒紀(jì)昊

（1.甘肅省公路發(fā)展集團有限公司，甘肅蘭州 730000；2.甘肅二車高等級公路項目管理有限公司，甘肅慶陽 745000；3.甘肅恒路交通勘察設(shè)計院有限公司，甘肅蘭州 730000；4.甘肅省高等級公路養(yǎng)護工程研究中心，甘肅蘭州 730000）

0 引言

如何科學(xué)、合理、高效地開展?fàn)I運高速公路養(yǎng)護工作是一項十分重要的課題[1]。尤其在黃土地區(qū)，公路邊坡坡面的沖刷病害是一個被廣泛關(guān)注的問題。經(jīng)歷強降雨或持續(xù)降雨時，雨水流經(jīng)坡面沖刷攜帶大量的土體顆粒，造成排水溝淤堵，進而沖刷坡面，導(dǎo)致水土流失，邊坡形成沖溝，進而影響邊坡的整體穩(wěn)定性。如果任由其發(fā)展，最終將造成崩塌、滑坡等公路地質(zhì)災(zāi)害，嚴(yán)重影響高速公路的暢通[2]。及時發(fā)現(xiàn)黃土公路邊坡的病害隱患并進行及時養(yǎng)護，能夠大大降低高速公路在暴雨天氣狀況下的風(fēng)險。

邊坡巡查的傳統(tǒng)方式主要是人工巡查。人工巡查的工作效率低、成本高，已經(jīng)難以適應(yīng)快速的經(jīng)濟社會發(fā)展進程。為了探究更加高效、適宜的監(jiān)測巡查方法，國內(nèi)外學(xué)者已經(jīng)開展了研究[3]。目前常見的監(jiān)測手段包括全球?qū)Ш叫l(wèi)星系統(tǒng)[4]、遙感技術(shù)[5]、三維激光掃描[6]、單點位移計[7]、全站儀測量[8]，主要在易滑動的重要部位進行監(jiān)測，應(yīng)用廣泛。但是由于監(jiān)測點數(shù)少，難以獲得覆蓋測區(qū)范圍的監(jiān)測數(shù)據(jù)，在大面積監(jiān)測上存在一定的局限。因此，學(xué)者們開始尋求整體的、非接觸式的監(jiān)測方法。

近年來，無人機被廣泛應(yīng)用于農(nóng)情監(jiān)測、基坑勘察、城市管理、環(huán)境檢測、方量計算等領(lǐng)域[9—10]，使用無人機作為平臺搭載各種設(shè)備可以進行不同環(huán)境下的地表采樣，相較于其他方法，無人機操作簡便靈活，使用者經(jīng)過簡單培訓(xùn)即可掌握應(yīng)用。無人機航測作為巡查手段更加高效，能迅速獲得測區(qū)范圍內(nèi)的地面影像數(shù)據(jù)，通過處理這些影像數(shù)據(jù)，可以對獲得的所有地面信息進行分析，從而得到有用信息。相詩堯等[11]提出了利用無人機傾斜攝影技術(shù)對高速公路邊坡進行三維重建的方法，證明該方法真實、紋理清晰、精度高；張青青等[12]以結(jié)合無人機航拍影像和人工巡檢的方式，分析病害成因和影響后果；楊家邑[13]分析了高速公路邊坡日常養(yǎng)護巡查的必要性，并且研究了無人機在高速公路邊坡日常養(yǎng)護巡查中的具體應(yīng)用；Wang 等[14]利用無人機傾斜攝影得到邊坡的數(shù)字高程模型，通過神經(jīng)網(wǎng)絡(luò)預(yù)測位移序列的變化，實現(xiàn)對邊坡關(guān)鍵測點的預(yù)測。目前已經(jīng)有部分研究證實，無人機傾斜攝影能夠在邊坡巡查中應(yīng)用，但是主要的研究方向集中于滑坡、崩塌等災(zāi)害的識別[15]，為了避免災(zāi)害的發(fā)生，影響公路路況，本文將無人機傾斜攝影應(yīng)用于黃土公路邊坡的坡面病害識別方向，通過較早獲取病害信息特征，從根源避免引發(fā)進一步的邊坡災(zāi)害。

鑒于目前大多數(shù)研究側(cè)重于邊坡大型災(zāi)害識別和無人機影像數(shù)據(jù)分析，為了更高效地巡查監(jiān)測公路邊坡的坡面病害，減少人力成本，本文通過開展無人機傾斜攝影航測，利用多視圖立體視覺的三維重建算法獲得航測區(qū)域三維實景模型和三維點云數(shù)據(jù)，對比分析了鄰近點比較、基于網(wǎng)格法比較、基于法向量比較3 種算法對邊坡坡面病害的適宜性，實現(xiàn)了對黃土公路邊坡坡面病害（如排水溝淤堵、坡面沖溝等）的自動定量識別。

1 無人機邊坡坡面病害識別方法

基于無人機傾斜攝影技術(shù)的邊坡坡面病害檢測方法的流程可分為邊坡影像數(shù)據(jù)采集、基于三維重建算法的影像數(shù)據(jù)處理和邊坡變形識別及病害特征分析3 個主要部分（見圖1）。無人機在現(xiàn)場進行影像數(shù)據(jù)采集，整合后的數(shù)據(jù)根據(jù)三維重建的算法獲得三維點云數(shù)據(jù)和三維實景模型，針對邊坡坡面病害對識別方法進行優(yōu)化以提高精度，通過點云對比算法獲得兩期數(shù)據(jù)期間邊坡的變形量，進行邊坡坡面的病害特征分析。

圖1 無人機邊坡坡面病害識別方法流程圖

1.1 邊坡影像數(shù)據(jù)采集

根據(jù)邊坡實際范圍適當(dāng)擴大作為航測區(qū)域，邊坡實際范圍內(nèi)均勻布設(shè)地面控制點，控制點為角點明顯的人工繪制標(biāo)志，位于航測區(qū)域內(nèi)無遮擋處，可以大幅降低數(shù)據(jù)處理時導(dǎo)致的誤差，需采集其精確坐標(biāo)數(shù)據(jù)用于空中三角測量。

無人機搭載相機按照預(yù)設(shè)航線對航測范圍根據(jù)固定的序列和間隔在現(xiàn)場進行數(shù)據(jù)采集，合理的航線規(guī)劃能夠保證三維重建時模型的精度，重要的航線參數(shù)包括飛行高度、旁向重疊率、航向重疊率等，一定的重疊率使得同一地物在多張影像中存在。對航測獲得的高清地面影像、POS 數(shù)據(jù)和地面控制點坐標(biāo)數(shù)據(jù)進行整理，得到進行三維重建的源數(shù)據(jù)。

1.2 基于多視圖立體視覺的三維重建

基于多視圖立體視覺對源數(shù)據(jù)進行三維重建，該算法表達(dá)了不同視角所獲得的圖像與實際物體之間的投影關(guān)系，能夠快速根據(jù)影像數(shù)據(jù)及其POS（Position and Orientation System）數(shù)據(jù)生成一個稀疏的三維結(jié)構(gòu)模型[16]。三維重建算法具體包括特征點提取、影像匹配、運動恢復(fù)結(jié)構(gòu)。

無人機影像特征的提取和匹配是三維重建的重要過程，尺度不變的特征點提取算法SIFT（Scale Invariant Feature Transform）[17]具有旋轉(zhuǎn)、尺度、光照不變性的優(yōu)點，對采集到的二維圖像檢測尺度空間極值，經(jīng)過為關(guān)鍵點賦值方向參數(shù)，生成SIFT 特征向量對應(yīng)各個特征點。影像之間特征點的關(guān)系尋找采用最鄰近方法，即使用相似性度量比較兩幅影像的SIFT 特征向量。

運動恢復(fù)結(jié)構(gòu)法SfM[18]（structure from Motion）是一種結(jié)構(gòu)測量的方法，在三維重建過程中，SfM 可以獲得不同影像中相同像素點的對應(yīng)關(guān)系，結(jié)合匹配約束關(guān)系和三角測量原理得到三維空間坐標(biāo)信息[19]，通過不斷優(yōu)化迭代求解誤差函數(shù)得到三維結(jié)構(gòu)信息：

式中：Cp為 相機參數(shù)矩陣，Cp={C1,C2,C3,···Cn}，n為相片總數(shù)；X為空間點坐標(biāo)矩陣，X={X1,X2,X3,···Xm}，m為特征點個數(shù)；vij為表示空間點Xj在相機Ci中是否可見的參數(shù)；函數(shù)f(P(Ci,Xj),qij)2為空間點Xj在相機Ci中的投影誤差。

使用SfM 算法生成航測區(qū)域內(nèi)的稀疏點云，在這個階段，引入地面控制點的精確坐標(biāo)提高三維模型精度，采用光束法區(qū)域網(wǎng)平差解算出所有加密點和各影像的外方位元素，自動求解相機方位和場景幾何形態(tài)等信息，平差的數(shù)學(xué)模型使用中心投影的共線方程：

式中：f為相機鏡頭焦距；Xs,Ys,Zs為攝影中心地面坐標(biāo)，即影像外方位線元素；ai,bi,ci(i=1,2,3)為方向余弦。對垂直、傾斜影像數(shù)據(jù)進行空三解算，得到各影像的外方位元素，得到稀疏點云數(shù)據(jù)。

為了獲得符合研究所需的高精度三維模型，使用多視圖立體視覺算法MVS（multi-view stereo）對稀疏點云進行匹配、擴散、過濾，生成稠密點云數(shù)據(jù)，此時的點云數(shù)據(jù)密集且具有真實顏色，對其進行表面網(wǎng)格重建，區(qū)域被劃分為相連不規(guī)則三角網(wǎng)格。將模型封裝為三維白膜，進行多視圖紋理映射，得到可用于進一步觀測分析的三維實景模型。

1.3 邊坡坡面病害識別點云算法

通過對邊坡的定期巡查獲得不同時期的影像數(shù)據(jù)，利用三維重建算法的一系列流程獲得了精密三維實景模型和稠密點云數(shù)據(jù)。三維實景模型能夠做到對現(xiàn)場實際情況進行復(fù)原，通過人工輔助觀測，實景模型可以展現(xiàn)邊坡及周圍環(huán)境的真實狀況，更好地分析病害的形態(tài)及誘因。三維點云數(shù)據(jù)由抽象的三維坐標(biāo)點構(gòu)成，具有可編輯性，能夠?qū)Σ『Φ恼鎸嵡闆r量化分析，并且更適用于總體、直觀地確定病害的位置及數(shù)量。三維點云數(shù)據(jù)在進行比較前先進行點云降噪預(yù)處理，手動降噪刪除無關(guān)點數(shù)據(jù)。

鄰近點比較算法（Cloud To Cloud，簡稱C2C）、點云網(wǎng)格比較算法（Cloud To Mesh，簡稱C2M）和基于法向量的點云比較算法（Multiscale Model to Model Cloud Comparison，簡稱M3C2）是目前最常用的3種點云比較算法。C2C 算法直接對比了兩期點云數(shù)據(jù)中的鄰近點的距離，即為模型各處的變形量（見圖2（a））；C2M 算法需要將參考點云網(wǎng)格化為連續(xù)且高精度的參考面，比較點云數(shù)據(jù)中的點云與參考面進行對比得到距離，即為模型各處的變形量（見圖2（b））；M3C2 算法為局部算法，擬合參考點云的局部點數(shù)據(jù)為一個表面，計算該處點云的法向量，求得法向量方向兩期點云局部擬合平面之間的距離，即為模型各處的變形量（見圖2（c））。

圖2 點云比較算法原理

黃土邊坡的坡面病害其變化量和范圍都較小，相比于大型邊坡災(zāi)害，在識別上具有困難。C2C 算法得到的變形量為絕對值，不符合病害形態(tài)觀測的需求；M3C2 算法可以根據(jù)不同的需求調(diào)整兩個可調(diào)節(jié)參數(shù)投影半徑d/2和 法向量半徑D/2，使比較結(jié)果具有更高的準(zhǔn)確度，投影半徑過大會造成無法有效識別變化量，投影半徑過小會導(dǎo)致變化量的波動較大，錯誤識別病害。黃土邊坡的坡面病害之間的尺度具有一定的區(qū)別，M3C2 和C2C 都難以達(dá)到通過點云比較的定量結(jié)果大致辨別出整個測區(qū)范圍病害特征的需求。C2M 將參考點云三角剖分，生成具有網(wǎng)格節(jié)點的Delaunay 三角網(wǎng)，比較點云與參考點云的網(wǎng)格節(jié)點之間的Euclidean 距離可以表示為：

式中：p為比較點云中的點云數(shù)據(jù)；p′為參考點云的網(wǎng)格節(jié)點；S′為參考點云生成的Delaunay 三角網(wǎng)。

2 應(yīng)用實例

2.1 工程概況

G341 線甘肅省慶陽市環(huán)縣（二十里溝口）至車路崾峴（甘寧界）公路全長101.2 km，處于我國典型黃土分布區(qū)域，全線路基深挖高邊坡共57 處。本次試驗邊坡為工程沿線的最高邊坡及其相鄰邊坡，最高點至路面高差達(dá)83.5 m。邊坡整體為上更新統(tǒng)風(fēng)積黃土（Q3eol），土層為披覆型多期次沉積，土質(zhì)不均勻，可見明顯沉積界面，邊坡設(shè)置橫縱交錯的網(wǎng)狀排水體系。圖3 為研究區(qū)的航拍全貌圖，其中的紅色標(biāo)注點為現(xiàn)場布設(shè)的GNSS 監(jiān)測站。

圖3 研究區(qū)航拍全貌

2.2 數(shù)據(jù)采集與處理

采用大疆M600pro 無人機搭載華測HC12 高分辨率5 鏡頭傾斜相機，按照規(guī)劃航線采集現(xiàn)場影像數(shù)據(jù)。在實際航測過程中，根據(jù)現(xiàn)場工程情況，設(shè)計航線規(guī)劃（見圖4），設(shè)置航向重疊度85%，旁向重疊度75%，飛行高度為150 m，飛行高度以邊坡中間的路面為基準(zhǔn)，地面分辨率達(dá)到0.023 m。航測區(qū)域共布設(shè)9 個地面控制點，平高點的精確坐標(biāo)由華測中繪i50 RTK 測得。

圖4 無人機航線規(guī)劃

利用三維重建算法，重建邊坡的三維實景模型和三維點云數(shù)據(jù)，如圖5 所示。三維點云數(shù)據(jù)需要進行點云去噪，最大化保留研究對象而排除其他干擾，故通過裁剪排除干擾得到目標(biāo)邊坡。

圖5 影像數(shù)據(jù)的三維重建

2.3 模型精度驗證

為了提高監(jiān)測精度并驗證其可靠性，航測區(qū)域內(nèi)布設(shè)了10 個GNSS 監(jiān)測站實時監(jiān)測點位移。該監(jiān)測站具備由北斗提供的實時坐標(biāo)點。在邊坡影像采集前布設(shè)的地面控制點均用于三維模型的建立，為了驗證三維重建得到的實景模型精度，使用模型軟件的距離測量功能，以GNSS 監(jiān)測站接收點為測量相位點，量測三維模型中監(jiān)測站之間的距離，由于監(jiān)測站布設(shè)在測區(qū)內(nèi)多個方位，每條連線都具有不同的長度和方向，實際距離由GNSS 監(jiān)測站坐標(biāo)計算得到。兩期模型的精度驗證結(jié)果如表1，第一期模型的平面誤差小于6.9 cm，第二期模型的平面誤差小于2.8 cm，兩期模型的高程誤差小于14.5 cm，第2 期的平面誤差均方根要小于第1 期，主要的誤差來源為影像采集時的光照、風(fēng)力和風(fēng)向的影響。相比之下平面誤差要小于高程誤差，高程誤差的數(shù)值更加分散，模型在高程上的精度穩(wěn)定性更差，這是由于GNSS監(jiān)測站坐標(biāo)接收點位于離地約2 m 的立柱上方造成的，對識別相對變形的影響較小。

表1 三維模型誤差對比 m

2.4 邊坡坡面病害識別

邊坡坡面病害的識別主要利用C2M 算法，通過比較兩期點云數(shù)據(jù)之間的變形量，觀測病害的分布與形態(tài)，量化分析病害的特征情況，得到兩期之間的變化（見圖6）。

圖6 邊坡的坡面病害識別

結(jié)合三維模型可以看出，其中右側(cè)為較早獲取的第1 期數(shù)據(jù)中尚未被去除的植被，在第2 期中此處植被已經(jīng)被移除并且增加護坡，故此處變化較大。在左側(cè)可以識別出沖溝的情況，在采集第1 期數(shù)據(jù)時該邊坡左側(cè)的排水溝出現(xiàn)了淤堵，導(dǎo)致排水不暢，水流對坡面不斷沖刷產(chǎn)生沖溝，在采集第2 期數(shù)據(jù)時該裂隙已經(jīng)被修復(fù)，所以變形量比較結(jié)果呈現(xiàn)為增長。排水溝在第2 期出現(xiàn)淤堵，最嚴(yán)重處位于第3、4 級邊坡底部平臺排水溝中間，針對識別出的不同病害，通過截取點云數(shù)據(jù)進一步對各病害進行定量分析，確定其特征及成因。

2.4.1 排水溝淤堵

該邊坡工程設(shè)置了排水溝用以降低降雨對黃土邊坡的不良影響，由于噴漿過程中沒有對排水溝以及各種監(jiān)測設(shè)備進行特殊保護，噴漿落入排水溝中產(chǎn)生淤堵，與此同時還有坡面底部堆積的部分滑入排水溝中。為了更精確地分析排水溝淤堵情況，對整個坡面上的排水溝變形量進行單獨分析，結(jié)果如圖7所示。

圖7 排水溝淤堵識別

排水溝被填滿后，坡面泥漿仍不斷滑下，堆積于坡底并覆蓋排水溝，導(dǎo)致淤堵的高度出現(xiàn)高于排水溝本身高度的情況，因此變形量顯示淤堵最高處為34 cm 左右。排水溝中的淤堵厚度不均勻，中間高兩側(cè)低，除了正中位置，其他區(qū)域約為5～10 cm，在邊坡左側(cè)的排水溝出現(xiàn)變化為負(fù)值的情況，為第1 期在左側(cè)出現(xiàn)的淤堵情況明顯嚴(yán)重于第2 期所造成。淤堵情況與暴雨造成的病害特征相似，故可以判斷該方法能夠有效定量識別淤堵病害。

2.4.2 坡面沖溝

排水溝的淤堵會導(dǎo)致水流溢出，順著坡面沖刷形成沖溝（見圖8），影響整個邊坡的穩(wěn)定性。圖8 顯示沖溝出現(xiàn)在邊坡的2 級坡和3 級坡上，3 級坡上水平面處的沖溝最深，點云數(shù)據(jù)變化量為19～22.5 cm。通過提取沖溝周圍的正值變形量可知噴漿對其周圍的變形影響僅有5～10 cm。沖溝處點云數(shù)據(jù)變化量絕對值和噴漿帶來的變形量絕對值的差值可以表示沖溝的深度，平面處的深度約為10～17 cm；傾斜坡面上的深度約為5～10 cm，該沖溝貫穿了整個3 級坡面。2 級坡的沖溝最嚴(yán)重處在傾斜坡面上半部，沖溝的上部深度約為6～10 cm，中部約為5～8 cm，下部約為4～7 cm，沒有連續(xù)貫穿坡面，沖溝中間有部分未塌陷。觀察三維模型也可以看出各沖溝上方的排水溝在第一期時出現(xiàn)了嚴(yán)重淤堵，因此兩期點云比較結(jié)果中，該處排水溝的變化為負(fù)值，其中3 級坡上排水溝處的變形量為—15～—13 cm，2 級坡排水溝處變形量為—7～—4 cm。

圖8 坡面沖溝識別

3 結(jié)論

基于無人機傾斜攝影技術(shù)，通過三維重建算法，提出了一種快速、準(zhǔn)確、定量的識別黃土公路邊坡的坡面病害的方法，并且成功在實際在建工程中進行了應(yīng)用，并得到以下結(jié)論：

（1）無人機傾斜攝影技術(shù)結(jié)合基于多視圖立體視覺的三維重建算法，能夠快速開展黃土高速公路邊坡巡查工作，并獲得高精度邊坡三維模型和三維點云數(shù)據(jù)。

（2）通過疊加對比邊坡監(jiān)測的不同期次的三維點云數(shù)據(jù)，可以快速、準(zhǔn)確、定量地識別公路邊坡病害類型、空間位置和發(fā)育特征，結(jié)合三維實景模型，可進一步驗證識別精度。

（3）不同點云數(shù)據(jù)算法對病害識別有明顯的影響，本研究中，C2M 算法的表現(xiàn)優(yōu)于M3C2 算法和C2C算法，能夠同時實現(xiàn)全局、有向的定量識別。

（4）GNSS 監(jiān)測站的存在既可以驗證基于點云數(shù)據(jù)的監(jiān)測精度，又可以彌補航測不連續(xù)的技術(shù)不足，實現(xiàn)點—線—面一體化的邊坡監(jiān)測。

在后續(xù)的研究中，將嘗試為無人機平臺搭載激光雷達(dá)，去除植被影響，實現(xiàn)夜間飛行，并且可以進一步探索多源異構(gòu)數(shù)據(jù)條件下，結(jié)合人工智能的公路邊坡監(jiān)測技術(shù)體系。