段偉 陳田 陳思偉

對基樁實(shí)際坐標(biāo)與設(shè)計(jì)坐標(biāo)的對比和測量是一項(xiàng)重要的質(zhì)量評價工作。目前，采用常規(guī)測量手段進(jìn)行樁位偏差檢測效率十分低下，本文采用大疆精靈Phantom 4 RTK無人機(jī)用于樁偏位檢測的外業(yè)數(shù)據(jù)采集，開發(fā)了無人機(jī)攝影測量檢測基樁偏位系統(tǒng)用于內(nèi)業(yè)數(shù)據(jù)處理，使用grabcut分割算法用于對樁位的自動識別，將無人機(jī)得到的樁位坐標(biāo)與設(shè)計(jì)圖紙上的樁位坐標(biāo)進(jìn)行對比就可以得到樁位偏差。通過實(shí)驗(yàn)表明本文采用的方法可以極大的減少外業(yè)工作量，自動檢測成功率達(dá)到77%，使檢測效率得到了明顯提高。

一、引言

目前我國仍處于大規(guī)?；A(chǔ)建設(shè)階段，建筑施工大面積鋪開。樁基礎(chǔ)是基礎(chǔ)工程中深基礎(chǔ)的一種形式，它通過把長樁打入土層，可以將建筑物的荷載通過承臺傳遞給有著一定剛度的基樁，并進(jìn)一步傳遞至土地深部壓縮性更小、密實(shí)度更大的硬土層。大量建筑打入預(yù)制樁或澆筑混凝土樁形成樁基。根據(jù)相關(guān)規(guī)范要求，對建筑基樁的定位偏差及樁徑偏差有著嚴(yán)格的規(guī)定。為了校核樁位和設(shè)計(jì)樁位的偏差及樁徑偏差，需配備有經(jīng)驗(yàn)且專業(yè)的工程師進(jìn)行現(xiàn)場測量。該現(xiàn)場測量過程耗時，效率低，且測量基準(zhǔn)依賴于第三方劃定的軸線，容易形成爭議，且事后無法重現(xiàn)測量過程。

隨著旋翼無人機(jī)的出現(xiàn)，可以在低空對建筑工地進(jìn)行全方位的成像。利用成像的方式獲取工地樁位情況，可采用圖像處理和分析工具進(jìn)行更一步精確的測量，避免了現(xiàn)場的冗余工作和測量放線的爭議等，亦可全方位地監(jiān)控測量過程，形成全過程的樁位測量檔案。依靠無人機(jī)的成像能力，設(shè)計(jì)相應(yīng)的圖像處理和分析算法，通過軟件開發(fā)和集成，可研發(fā)一種全新的建筑樁位圖像測量系統(tǒng)。從圖像采集、相機(jī)定標(biāo)和圖像分析以及最終的報告生成等測量環(huán)節(jié)入手研究算法和工具，提供完整的精確建筑樁位測量手段，為檢測單位提供核心的競爭技術(shù)和服務(wù)。

在獲取無人機(jī)影像之后，依靠人手工提取每根樁的位置會造成效率低下的問題，在檢測樁位數(shù)量較多的情況下會花費(fèi)較多的時間，難以滿足快速檢測的需求。本文中采用grabcut分割算法對樁位進(jìn)行自動識別，并通過實(shí)驗(yàn)驗(yàn)證該算法的有效性。

二、檢測流程

主要的檢測流程包括使用Phantom 4 RTK無人機(jī)獲取圖像和開發(fā)無人機(jī)攝影測量檢測基樁偏位系統(tǒng)用于數(shù)據(jù)處理。

1.Phantom 4 RTK無人機(jī)

精靈 Phantom 4 RTK 是一款小型多旋翼高精度航測無人機(jī)，面向低空攝影測量應(yīng)用，具備厘米級導(dǎo)航定位系統(tǒng)和高性能成像系統(tǒng)，便攜易用，全面提升航測效率。精靈Phantom 4 RTK通過將飛控、相機(jī)與RTK的時鐘系統(tǒng)實(shí)現(xiàn)微秒級同步，相機(jī)成像時刻毫秒級誤差，并對相機(jī)鏡頭中心點(diǎn)位置和天線中心點(diǎn)位置進(jìn)行補(bǔ)償，在RTK精準(zhǔn)定位的同時，減少位置信息與相機(jī)的時間誤差，使影像獲得更加精確的位置信息，滿足高精度航測需求。1英寸2000萬像素CMOS傳感器捕捉高清影像。每個相機(jī)鏡頭都經(jīng)過嚴(yán)格工藝校正，以確保高精度成像?；償?shù)據(jù)存儲于每張照片的元數(shù)據(jù)中，方便用戶使用后期處理軟件進(jìn)行針對性調(diào)整。機(jī)械快門支持高速飛行拍攝，消除果凍效應(yīng)，有效避免建圖精度降低。

晴天環(huán)境下飛行，風(fēng)速小于4 m/s，飛行高度100米，地面采樣距離（GSD）2.74厘米，航向重疊率80%，旁向重疊率70%，可以達(dá)到的定位精度如下：

圖1 精靈Phantom 4 RTK定位精度

在無地面控制點(diǎn)的情況下，平面精度可達(dá)厘米級，高程精度可達(dá)米級，在有少量地面控制點(diǎn)的情況下平面精度和高程精度均可以達(dá)到厘米級。

2.無人機(jī)攝影測量檢測基樁偏位系統(tǒng)

根據(jù)樁位偏差檢測的具體要求，開發(fā)無人機(jī)攝影測量檢測基樁偏位系統(tǒng)可以更方便的進(jìn)行數(shù)據(jù)的內(nèi)業(yè)處理，無人機(jī)攝影測量檢測基樁偏位系統(tǒng)包含圖像數(shù)據(jù)導(dǎo)入、控制點(diǎn)數(shù)據(jù)導(dǎo)入、CAD數(shù)據(jù)導(dǎo)入、基樁坐標(biāo)轉(zhuǎn)換、標(biāo)注基樁、樁位偏差計(jì)算、結(jié)果輸出等功能，通過無人機(jī)實(shí)測的樁位與CAD圖上設(shè)計(jì)的樁位進(jìn)行比對，然后計(jì)算得到樁位偏差，輸出結(jié)果。在無人機(jī)飛行攝影得到航攝相片后，使用無人機(jī)攝影測量檢測基樁偏位系統(tǒng)依次實(shí)現(xiàn)以下功能：

（1）導(dǎo)入DOM

由無人機(jī)得到的圖像經(jīng)過處理之后生成DOM，將DOM導(dǎo)入無人機(jī)攝影測量檢測基樁偏位系統(tǒng)。

（2）導(dǎo)入控制點(diǎn)坐標(biāo)

在CAD圖所在的坐標(biāo)系下，導(dǎo)入至少3個已知控制點(diǎn)的坐標(biāo)。

（3）在拍攝圖像上手動選擇控制點(diǎn)

在DOM上標(biāo)注控制點(diǎn)的位置。

（4）自動計(jì)算CAD圖與DOM的轉(zhuǎn)換參數(shù)；

通過4參數(shù)模型計(jì)算轉(zhuǎn)換參數(shù)。

（5）導(dǎo)入CAD設(shè)計(jì)圖紙上的基樁信息

導(dǎo)入CAD設(shè)計(jì)圖紙上的基樁信息，包括名稱、坐標(biāo)和半徑等，坐標(biāo)系轉(zhuǎn)換為與DOM一致，然后與DOM圖疊加，用藍(lán)框顯示CAD設(shè)計(jì)圖紙上的基樁位置。

（6）識別基樁

在DOM上識別基樁，得到樁的實(shí)際坐標(biāo)，用紅框表示。

（7）坐標(biāo)對比

通過實(shí)際坐標(biāo)與設(shè)計(jì)坐標(biāo)進(jìn)行對比，輸出基樁偏位質(zhì)量評價報告。

3.樁位允許偏差

使用無人機(jī)進(jìn)行樁位偏差檢測的前提是精度能夠達(dá)到檢測的要求，在本文中使用無人機(jī)進(jìn)行樁位偏差檢測的主要是預(yù)制樁，《建筑地基基礎(chǔ)工程施工質(zhì)量驗(yàn)收標(biāo)準(zhǔn)》中預(yù)制樁（鋼樁）的樁位允許偏差如表1：

表1 預(yù)制樁（鋼樁）的樁位允許偏差

表1中H為樁基施工面至設(shè)計(jì)樁頂?shù)木嚯x（mm），D為設(shè)計(jì)樁徑（mm）。可以看到允許的偏差均大于10cm。

三、grabcut算法

1.算法原理

Graph Cut 算法把待分割圖像構(gòu)建為一個無向網(wǎng)絡(luò)圖G（V，E）。V 是所有節(jié)點(diǎn)的集合，除了圖中每個像素外還有兩個終端節(jié)點(diǎn)：源點(diǎn)s（代表前景）和匯點(diǎn)t（代表背景） 。E 代表圖的邊集，由n-links和t-links 組成；n-links 是圖中每個像素之間的連接，t-links 是每個像素節(jié)點(diǎn)到終端節(jié)點(diǎn)的連接。nlinks和t-links 分別由不同的計(jì)算方式生成權(quán)值，從而構(gòu)建能量函數(shù)； 然后再用最大流/最小割算法對網(wǎng)絡(luò)進(jìn)行分割得到能量函數(shù)的最小值從而實(shí)現(xiàn)圖像的分割grabcut算法是在Graph Cut算法基礎(chǔ)上的改進(jìn)和擴(kuò)展；首先它改變原有Graph Cut算法需要手動標(biāo)記前景區(qū)域和背景區(qū)域的方法為只需要在前景區(qū)域標(biāo)注矩形框即可，大大降低了用戶交互的復(fù)雜性； 其次它采用高斯混合模型替代Graph Cut中的灰度直方圖模型來描述前景和背景像素的分布，從而實(shí)現(xiàn)了對彩色圖像的分割； 最后，使用迭代更新的方式代替原有一次分割方法，從而實(shí)現(xiàn)對所構(gòu)建網(wǎng)絡(luò)圖能量函數(shù)的最小化獲得更高的分割精度，但由于GMM 參數(shù)和迭代更新的復(fù)雜性導(dǎo)致算法效率降低。grabcut用來分割的能量函數(shù)如下：

上式中α為透明度系數(shù)，為0是背景，為1是前景；k∈{ 1，2，…，K}，K為GMM分量數(shù)目，通常取5；θ={ πk，uk，Σk}為每個GMM分量對應(yīng)的比例、均值、協(xié)方差；E是能量函數(shù)，當(dāng)E取最小值便得到最佳分割；U為區(qū)域項(xiàng)，用來衡量透明度系數(shù)α對于像素z的匹配程度，當(dāng)所有像素被正確分類到前景或背景時取得最小值；V為邊界項(xiàng)，反映相鄰像素之間的相似性，在圖像的邊界處取得最小值。

2.基于grabcut改進(jìn)的自動圖像分割

grabcut算法通過指定的矩形框?qū)Υ指顖D像前景和背景區(qū)域中的像素進(jìn)行劃分，再使用k-means算法對劃分后的兩類像素進(jìn)行聚類來初始化GMM參數(shù)，從而得到網(wǎng)絡(luò)圖的初始權(quán)重。K-means算法的聚類結(jié)果將會決定像素屬于GMM中哪一個分量并影響最終分割結(jié)果。本文將基樁的坐標(biāo)作為矩形框的中心，將直徑大小作為矩形框的長和寬，省去grabcut算法中人工繪制矩形框的交互過程。按照基樁編號、基樁坐標(biāo)及半徑依次調(diào)用grabcut算法實(shí)現(xiàn)基樁自動分割識別。

grabcut在pythoncv庫中函數(shù)原型為grabcut（img， mask，rect，bgdModel，iterCount， mode=None）。其中img為待分割的圖像，在處理的過程中不會被修改。mask為掩碼圖像，如果使用掩碼進(jìn)行初始化，那么mask保存初始化掩碼信息，在執(zhí)行分割的時候，也可以將用戶交互所設(shè)定的前景與背景保存到mask中，然后再傳入grabcut函數(shù)，在處理結(jié)束之后，mask會保存結(jié)果。Mask只能取以下四個值：GCD_BGD（=0）表示為前景，GCD_FGD（=1）表示為背景，GCD_PR_BGD（=2）表示為可能的前景，GCD_PR_FGD表示為可能的背景。rect用于限定需要進(jìn)行分割的圖像范圍，只有該矩形窗口內(nèi)的圖像部分才被處理。bgdModel、fgdModel必須是單通道浮點(diǎn)型圖像，bgdModel表示背景模型，fgdModel表示前景模型。iterCount代表迭代次數(shù)，在本文中，迭代次數(shù)設(shè)置為10。mode用于指示grabcut函數(shù)進(jìn)行什么操作，可選的值有GC_INIT_WITH_RECT（=0）表示用矩形框初始化grabcut，GC_INIT_WITH_MASK（=1）表示用掩碼圖像初始化grabcut，GC_EVAL（=2）表示執(zhí)行分割，在本文中mode參數(shù)設(shè)置為1 ，用矩形框初始化grabcut。

四、實(shí)驗(yàn)

為了驗(yàn)證采用無人機(jī)結(jié)合grabcut識別算法能否滿足樁偏位檢測的需求，在某籃球場進(jìn)行了樁偏位檢測實(shí)驗(yàn)，在地上模擬了30cm、40cm和50cm等不同大小的樁位各十個，首先通過無人機(jī)獲取數(shù)據(jù)，飛行高度40m，地面分辨率約1.2cm，然后通過grabcut識別算法進(jìn)行識別之后得到的結(jié)果如圖2：

圖2 樁偏位識別結(jié)果

圖2中藍(lán)色的是由全站儀得到樁位，紅框是grabcut識別算法得到的樁位，在現(xiàn)場建立臨時坐標(biāo)系，以北方向?yàn)閄軸，以東方向?yàn)閅軸，得到的樁位偏差值如表2：

表2 樁位偏差值（單位：mm）

由表2可以看到通過全站儀得到的坐標(biāo)與通過使用grabcut識別算法得到的樁位坐標(biāo)總體上差別不大，樁位坐標(biāo)距離小于10cm的點(diǎn)數(shù)達(dá)到80%。為了驗(yàn)證使用grabcut識別算法進(jìn)行自動識別的實(shí)用性和有效性，對某工程項(xiàng)目的樁位偏差檢測進(jìn)行現(xiàn)場實(shí)驗(yàn)，選取35根樁對樁位進(jìn)行檢測，用于實(shí)驗(yàn)的樁位事先通過常規(guī)方法檢測是符合驗(yàn)收標(biāo)準(zhǔn)要求的，樁徑均為400mm，編號為35到69，飛行高度為120m，分辨率為3.28cm，得到的實(shí)驗(yàn)結(jié)果如下：

圖3 實(shí)驗(yàn)結(jié)果

得到的檢測結(jié)果如表3：

表3 樁位檢測成果表（單位：mm）

由表3可以看出通過grabcut識別算法得到的坐標(biāo)與CAD圖上的坐標(biāo)相差在2cm到18cm，35根樁中差距小于10cm的有27根，所占比率為77%。

五、結(jié)論

通過以上的實(shí)驗(yàn)分析可以得到以下結(jié)論：

（1）通過grabcut識別算法得到的坐標(biāo)不論是與全站儀得到的坐標(biāo)相比，還是與設(shè)計(jì)坐標(biāo)相比，相差小于10cm的數(shù)量均在77%以上。

（2）在不同的飛行高度下，通過grabcut識別算法得到的坐標(biāo)偏差會有區(qū)別，飛行高度越低，坐標(biāo)偏差越小。

（3）grabcut識別算法中不同的樁徑對識別的準(zhǔn)確程度也有影響，實(shí)驗(yàn)中對樁徑為400mm的識別準(zhǔn)確度明顯要高于樁徑為500mm時的準(zhǔn)確程度，同時不同的地面背景也會對識別的準(zhǔn)確程度造成影響。

使用無人機(jī)進(jìn)行樁位偏差檢測能減少外業(yè)工作量，通過grabcut識別算法能進(jìn)一步減少內(nèi)業(yè)的工作量，雖然還不能全部進(jìn)行自動化識別，但本文提出的方法極大的提高了樁位偏差檢測效率，為快速高效的獲取樁位偏差信息提供了新的思路和途徑。