建設工程基于無人機搭載平臺檢測通用技術標準目次TOC\o"1-2"\h\z\u1總則 附錄A無人機搭載激光雷達校驗飛行方案及偏心分量計算A.1校驗飛行方案A.1.1可設計2個航高、6條航線，其中低航高2條交叉航線，高航高2條分叉航線，1條對飛航線，1條平行航線（旁向50%重疊率），飛行示意圖見圖1：A.1.2也可設計飛行航線為3×3，旁向重疊率大于50%，單向飛行。飛行示意圖見圖2。A.1.3在校驗場內布設地面控制點進行控制點測量，地面控制點宜布設為一個平面或一條直線，可按照數(shù)據(jù)高程模型格網(wǎng)間距的5倍進行布設。A.1.4用于高程精度檢驗的控制點應布設在裸露的平坦地面上，平面精度校驗的控制點需要時可布設為三維地面標志點。A.1.5地面控制點平面位置精度應不低于GB/T18314中E級GPS點的精度要求，高程精度應不低于等外水準的精度要求。A.2偏心分量測定表如下：

附錄B機載高光譜成像儀光譜重建B.1本附錄適用于可見光-短波紅外推掃式高光譜成像儀數(shù)據(jù)重建。B.2光譜數(shù)據(jù)重建需消除三個影響因素：光譜及輻射定標誤差、大氣校正誤差、地形和光照影響。B.3室內光譜定標B.3.1應用標準光譜，采集標準光源光譜數(shù)據(jù)。B.3.2根據(jù)采集的標準光譜數(shù)據(jù)，按照式擬合出所有高光譜探測像元的中心波長：λr,c=i=0Mj=0式中：gij——多項式的擬合參數(shù)；r——面陣像元的行號；c——列號；λr,c——像元的光譜擬合結果。B.4室內輻射定標B.4.1采集標準光譜數(shù)據(jù)進行逐波段數(shù)據(jù)處理，根據(jù)輻射亮度輸入值與傳感器輸出DN值的關系公式：Ljλi=式中：Ljλi——第jDN(j,i)——第j組第aji、bji——第測得的多組成像光譜儀輸出值和標準光源在該波段中心波長處的光譜亮度值做線性擬合后，得出各波段最佳的定標系數(shù)aji，bji。B.5大氣校正B.5.1高光譜利數(shù)據(jù)大氣校正方法分為用校驗場實測波譜的地空回歸分析法和基于大氣輻射傳輸理論的各種輻射傳輸模型二種B.5.2校驗場飛行地空回歸分析法技術要求如下：1飛行測量過程中，應進行明暗地物或黑白布同步或準同步地面光譜測量，同一測區(qū)宜采用同一光譜儀。2定標布應分別選擇反射特性均勻、面積不少于5×5個像元的黑布和白布，在350nm~2500nm的波段范圍內，白布發(fā)射率大于0.7，黑布發(fā)射率小于0.3，并保證黑白布位置固定、表面平整。3黑白布測點應均勻分布于校驗場，每一校驗場地光譜測量至少選取80個測點。4對圖像數(shù)據(jù)與校驗場黑白布實測光譜作最小二乘擬合，建立地、空回歸方程，將圖像數(shù)據(jù)轉化為地面的反射光譜數(shù)據(jù)。B.5.3基于大氣輻射傳輸理論的輻射傳輸模型有6S、LOWTRAN、MODTRAN、FASCODE、ULTRAM等，傳輸模型反演方法理論基礎嚴密，計算精度高，但需要測量和輸入多種大氣環(huán)境參量。B.6地形和光照校正主要有二類方法：一是朗伯體模型法，如經(jīng)驗線性回歸統(tǒng)計法，余弦校正法、半經(jīng)驗C校正法、SCS校正法、SCS+C校正法等；二是非朗伯體模型法，如半經(jīng)驗Minnaert校正法、半經(jīng)驗修正的SCS校正法。附錄C檢測報告格式C.1飛行巡檢報告可采用如下的報告格式：項目飛行巡檢報告報告編號：報告日期：年月日共頁第頁項目名稱項目地址項目類型委托單位巡檢日期年月日巡檢依據(jù)天氣情況溫度濕度℃％無人機型號搭載設備飛行巡檢結果巡檢區(qū)域巡檢內容評價區(qū)域一區(qū)域二區(qū)域三……巡檢結論批準：審核：主檢：巡檢單位（單位公章）：

共頁第頁飛行路線巡檢附圖巡檢：記錄：校對：C.2攝影測量報告可采用如下的報告格式：工程攝影測量報告報告編號：報告日期：年月日共頁第頁工程名稱工程地址工程類型委托單位檢測日期年月日檢測依據(jù)天氣情況溫度濕度℃％無人機型號搭載設備攝影測量結果檢測部位測量數(shù)據(jù)平均值123部位一部位二部位三檢測結論批準：審核：主檢：巡檢單位（單位公章）：共頁第頁飛行路線檢測附圖巡檢：記錄：校對：C.3數(shù)據(jù)分析報告可采用如下的報告格式：工程數(shù)據(jù)分析報告報告編號：報告日期：年月日共頁第頁工程名稱工程地址工程類型委托單位檢測日期年月日檢測依據(jù)天氣情況溫度濕度℃％無人機型號搭載設備數(shù)據(jù)分析結果檢測部位特征類型識別內容識別結果部位一部位二部位三……檢測結論批準：審核：主檢：巡檢單位（單位公章）：共頁第頁飛行路線檢測附圖巡檢：記錄：校對：中國工程建設標準化協(xié)會標準建設工程基于無人機搭載平臺檢測通用技術標準條文說明1總則1.0.1為滿足快速增長的遠距離、大范圍、不易接觸的建設工程質量安全檢測需求，以無人機作為搭載平臺的非接觸式檢測技術應運而生且發(fā)展勢頭迅猛。以無人機搭載平臺作為空間可移動信息采集中心，通過搭載光學攝影、紅外熱成像儀、激光雷達等專業(yè)檢測設備，利用攝影測量和圖像識別技術，結合人工智能學習和大數(shù)據(jù)平臺，既能快速采集建設工程的高清圖像和基本信息，實現(xiàn)大區(qū)域快速巡檢，也能通過深度學習算法和數(shù)字圖像處理技術，評估建設工程安全使用性能，提升城市防災減災能力。1.0.2建設工程全壽期可分為規(guī)劃設計、建造、運維、消解四個階段，四個階段都可采用無人機搭載各類傳感設備針對具體應用場景開展勘察檢測工作，涉及建設工程質量、安全和環(huán)境等領域。1.0.3空間覆蓋面廣是利用無人機平臺進行工程檢測的優(yōu)勢，無人機既可以抵近建筑物構件進行近距離觀測，也可高空大范圍獲取城市區(qū)域影像數(shù)據(jù)。本標準按照空間尺度將無人機平臺檢測對象劃分為三類：構件、單體項目（如單棟房屋、單座橋梁等）、城區(qū)。其中城區(qū)是以配套設施齊全、能夠獨立運行為標準劃分的基本城市單元，比如住宅小區(qū)、商業(yè)街區(qū)、工業(yè)園區(qū)等。3基本規(guī)定3.1.1本條在1.2.2條基礎上進一步細化了檢測對象的劃分，尤其是考慮到單體項目類型較多，規(guī)模不一，根據(jù)項目特點將其進一步分為線狀（主要指公路、橋梁、隧道等）和點狀（主要指房建類工程），再將點狀工程按照外形尺寸規(guī)模進一步細分。3.1.3~3.1.5數(shù)據(jù)獲取的方式?jīng)Q定了測量精度：1）無人機搭載的專業(yè)傳感器可以直接讀取檢測對象數(shù)據(jù)（如紅外熱成像儀讀取表面溫度）或者計算公式傳遞誤差二者相同（如光學相機讀取裂縫寬度等）；2）傳感器獲取的數(shù)據(jù)經(jīng)過復雜解析公式計算獲得檢測結果（如空間三角定位），最終測量精度由單個或多個參數(shù)誤差非線性疊加決定。由于無人機搭載設備檢測的工程參數(shù)屬性和種類繁多，無法制定統(tǒng)一的測量精度要求，因此本標準僅規(guī)定了該類檢測中涉及定位、尺寸類型參數(shù)的測量精度。又考慮到目前無人機平臺獲取的測量參數(shù)精度通常低于常規(guī)檢測技術要求，本標準將測量精度進一步簡化為三級，即小于毫米級、毫米級、厘米級。3）圖像識別、機器學習及深度學習是目前工程檢測領域潮流的技術發(fā)展方向，都屬于基于概率統(tǒng)計估值分析方法，通常利用已知樣本訓練模型，然后輸入待求解參數(shù)，輸出接近真實值的結果。在建設工程領域，該方法主要應用于構件損傷、表面形態(tài)、大數(shù)據(jù)挖掘等場景。該類方法的精度通常用估計結果與真實值的比值即準確率來衡量。為避免訓練學習得到的映射關系模型在應用中出現(xiàn)過擬合或欠擬合情況，通常使用標簽訓練準確率和測試樣本準確率雙重指標控制。4無人機與搭載設備4.1.5無人機平臺搭載了各類傳感設備，同時還包括定位系統(tǒng)、數(shù)據(jù)傳輸系統(tǒng)以及通訊系統(tǒng)等，除確保上述每個單元工作性能滿足要求外，通過校驗場檢驗復雜的無人機平臺整體性能是必不可少的。4.1.7鑒于操作無人機平臺的復雜性，本條規(guī)定了無人機平臺的操作人員必須具備上崗技能。4.3.1非量測光學相機通常指不是專門為攝影測量目的設計的攝影機，它包括各類普通數(shù)碼相機、電影攝影機和高速攝影機等，具有以下特點：1）沒有標框；2）相機內方位元素（x、y、f）不穩(wěn)定，無壓平裝置，且畸變差較大；3）沒有水準器和定向裝置，在曝光時不能確定方位。4.3.4光波根據(jù)波長不同可分為以下類別：波長處于380nm~780nm之間的光波稱為可見光，短于380nm的稱之為紫外光；而長于780nm的則為紅外光，紅外光還可以細分為近紅外區(qū)（780~2500nm）、中紅外區(qū)（2500mm~25μm）和遠紅外區(qū)（25~300μm）。室外檢測設備通常采用近紅外區(qū)光譜，根據(jù)光譜分辨率不同又分為多光譜成像和高光譜成像。高光譜成像技術具有比多光譜圖像更高的光譜分辨率，可達到5-10nm的數(shù)量級，因此利用它可以探測到在寬波段遙感中不易被探測到的物質。大量實驗研究表明，許多物質的吸收特性在吸收峰的一半處且波長寬度為20nm~40nm，這意味著高光譜圖像可以辨別出具有細微差別的地物光譜，而數(shù)量級在100nm以上光譜分辨率的多光譜圖像則無法完成，并且極易造成“同物異譜”和“同譜異物”的現(xiàn)象。高光譜成像技術具有更多和更精細的光譜結構信息，從而可以用于分類具有相似光譜特性的不同地物類別。高光譜遙感影像數(shù)據(jù)包含數(shù)十到數(shù)百個光譜波段信息，每個波段都提供了研究對象的一定信息，信息量非常豐富。但在很多情況下，相鄰波段間具有很強的相關性，所提供的信息常常有所重疊。在高光譜影像分類方法中，出現(xiàn)當特征數(shù)超過一定數(shù)目時，整體的分類精度不增反降的情況，即“Hughes現(xiàn)象”。因此降低高光譜的特征維度，消除數(shù)據(jù)間不必要的冗余信息，實現(xiàn)既能充分利用高光譜所提供的有用信息，又能解決數(shù)據(jù)量和計算量過大問題。圖1Hughes現(xiàn)象示意圖4.3.5合成孔徑雷達（SAR）技術是20世紀中后期發(fā)展起來的一種主動式對地觀測技術。它擁有全天候、全天時的對地觀測能力，并對地表地物具有一定的穿透能力，因而被廣泛應用于地質勘探、地形測繪、地質災害監(jiān)測及城市規(guī)劃等各個領域。InSAR技術是以合成孔徑雷達為平臺，通過主動式微波遙感系統(tǒng)對電磁波進行干涉，記錄返回的信號和相位信息來獲取某一地區(qū)的單視復數(shù)影像。圖2InSAR成像示意圖4.4.3本條僅列出了高光譜成像儀室內校準內容，室外校驗場校準工作納入了光譜反射率重建工作內容中，具體可參見7.2.6條內容。6數(shù)據(jù)采集6.1.2坐標系可以分為平面直角坐標系（XYZ）和大地坐標系（BLH）二種，常見坐標轉換類型有：1）大地坐標系轉換為平面坐標系該類轉換需要確定的轉換參數(shù)有橢球參數(shù)、分帶標準（3度、6度）和中央子午線的經(jīng)度，橢球參數(shù)是指平面直角坐標系采用什么樣的橢球基準，對應有不同的長短軸及扁率。畫到直角坐標系可以寫為(x+z*acosθ，y+z*asinθ)，a、θ為參數(shù)。2）任意空間坐標系的轉換，根據(jù)范圍大小又分為四參數(shù)法和七參數(shù)法四參數(shù)法：四個參數(shù)分別是X平移、Y平移、旋轉角和比例，適用于小范圍平面坐標之間的坐標轉換，一般不超過30公里，求解四參數(shù)需要2對公共點。七參數(shù)法：七個參數(shù)分別是X平移、Y平移、Z平移、X旋轉、Y旋轉、Z旋轉、尺度變化k，適用于橢球體之間及內部大范圍坐標轉換，求解七參數(shù)需要3對公共點，最好能覆蓋整個目標區(qū)域。6.2.1本條僅列出了目前常見的無人機平臺感知采集數(shù)據(jù)方式及其對應于建設工程領域的應用參數(shù)，隨著科學技術的快速發(fā)展，未來還將涌現(xiàn)更多的高科技數(shù)據(jù)獲取方式和應用場景。7數(shù)據(jù)處理7.1本條歸納總結了建設工程領域采集數(shù)據(jù)處理的三種方式：直接獲取、數(shù)字解析、基于概率統(tǒng)計的估值分析，遞進式的表示了數(shù)據(jù)處理難度。直接獲取方式最為簡單，通過設備儀器直接讀取測試數(shù)據(jù)，或者通過線性公式簡單計算得到誤差不變的結果數(shù)據(jù)；數(shù)字解析方式是通過大量的試驗、推算等方法發(fā)現(xiàn)主要特征，由此建立一套固定模型（公式）可以精準反映采集數(shù)據(jù)與輸出結果之間的特征映射關系，其誤差傳遞關系可以通過映射模型（公式）求解確定，通常以多維高階形成呈現(xiàn)。隨著人類對事物認知能力的提高，即反映對象特征的數(shù)據(jù)在數(shù)量、維度、關聯(lián)性等方面增長，建立精準映射模型變得越來越困難，為了滿足認知進階需求，采用基于概率統(tǒng)計估值分析成為必然，這也是近幾年來基于概率統(tǒng)計的機器學習和深度學習非常火爆的原因。其核心就是挖掘數(shù)據(jù)深層次特征，對數(shù)據(jù)進行分類、擬合、聚類、嵌入等處理，通過訓練樣本學習建立不斷優(yōu)化的映射模型，目標是獲得最小損傷函數(shù)。機器學習的目標函數(shù)通用表達方式如下：arg式中xiyi分別是第i個訓練樣本輸入特征值和輸出結果，n是訓練樣本數(shù)量，f是描述特征的假設函數(shù)簇，L是模型損失函數(shù)，θ是模型參數(shù)，Ω是參數(shù)正則化函數(shù)。其中假設函數(shù)簇深度學習隸屬于機器學習范疇，是機器學習的重要分支。但是在最重要的特征學習方面二者存在巨大的區(qū)別：在機器學習中大多數(shù)的特征處理都需要專家提供認知模型然后編碼成為一種數(shù)據(jù)類型，大多數(shù)機器學習算法的性能依賴于所提取的特征的準確度；深度學習則嘗試從數(shù)據(jù)中直接獲取更深層次、更多維度的特征，削減了對每一個問題設計特征提取算法的工作，這是深度學習與傳統(tǒng)機器學習算法的主要不同。2006年Hinton等人在受限波爾茲曼機和對人腦工作生物機理突破性研究的基礎上提出了深度置信網(wǎng)絡（DeepBeliefNetwork，DBN），對神經(jīng)網(wǎng)絡的研究取得了重大突破，這引起了人工智能技術的第二次高潮—深度學習。深度學習主要架構通常由輸入層、卷積層和池化層組成的特征提取器、作為分類器的全連接層、輸出層組成，其中卷積層和池化層深度通常二十層以上甚至超過一百層，通過前向無監(jiān)督學習方法逐層訓練算法建立特征描述模型，再使用有監(jiān)督反向傳播算法進行后