一种基于4G DTU的全站仪测量方法及系统

1.一种基于4G DTU的全站仪测量系统，所述系统包括：数据收集模块、数据传输模块，数据处理模块、特征提取模块、智能目标定位模块、全站仪测量模块，其特征为：所述数据收集模块包含高清摄像头和传感器设备，使用高清摄像头采集目标图像，使用温度传感器、湿度传感器和气压传感器，用于实时监测环境温度、湿度、气压影响测量效果的因素；所述数据传输模块利用4G DTU数据传输单元，将收集到的数据快速传输到中央处理器，以进行后续的处理，确保了数据的及时性和完整性；所述数据处理模块负责对收集到的数据进行处理和分析，对数据进行高效管理；所述特征提取模块使用多源特征融合优化器提取综合数据特征：提取环境特征：针对环境数据，取目标点和测量点的各类数据值，以及同类数据在不同位置的差值和平方差作为特征输入，使用差值和平方差是考虑到目标点和测量点的环境变化是影响全站仪测量效果的可能因素，将所需数据拼接形成一维特征向量，公式如下： ；其中E为拼接后的环境特征向量，分别为包括标准化后的测量点环境温度T1、测量点环境湿度H1、测量点环境气压P1，目标点环境温度T2、目标点环境湿度H2、目标点环境气压P2，环境温度差值和平方差 和 ，环境湿度差值和平方差 和 ，环境气压差值和平方差 和 ；提取图像对比度特征：图像对比度是图像视觉质量的一个重要指标，它影响着图像的清晰度和可辨识度，高对比度图像具有明暗差异大的区域，而低对比度图像则明暗差异小，具体处理方式如下：将图像由彩色转化为灰度图像，通过取RGB三个通道的平均值来实现；计算灰度图像中所有像素的平均亮度值µ；计算灰度图像的标准差，对每个像素值与平均值µ计算平方差，然后求平均值，最后取平方根，这个标准差就是图像对比度特征I；提取图像亮度值特征：亮度值可以体现图像的明暗程度，计算公式如下： ；其中R、G、B分别代表各颜色通道的像素值，通过上述公式计算即可得到图像的亮度值特征L；整合所有特征：将S41-S43的所有特征进行整合，作为多源特征融合优化器的输入X，表示如下： ；其中X为多源特征融合优化器的一维特征输入，E为环境特征，I为图像对比度特征，L为图像亮度值特征；使用多源特征融合优化器提取特征：多源特征融合优化器公式如下： ； ；其中X为S44中的多源特征融合优化器输入，h为经过多源特征融合优化器第一层映射后的特征，X’为经过第二层映射后的特征， 和 分别为第一层和第二层的权重矩阵， 和 分别为第一层和第二层的偏置矩阵，权重矩阵和偏置矩阵由训练学习得到， 为ReLU激活函数；多源特征融合优化器优化目标为减少X和X’的差异，取MSE均方误差作为损失函数；取h作为特征提取步骤的最终的综合特征用于后续智能目标定位；所述智能目标定位模块在图像数据上进一步提取图像高维抽象特征，再结合多源特征融合优化器提供的综合数据特征，实现目标点的精准定位；所述全站仪测量模块，根据智能目标定位模块返回的目标点位置进行定位和测量，最终结果同样通过4G DTU数据传输单元传输给用户；所述智能目标定位进一步包括如下内容：通过改进yolo目标检测算法，提取图像深层特征，并结合步骤S4提取出的综合特征h，实现目标点的精准定位；yolo目标检测算法的最后一层head层主要负责对目标的预测，head层主要包括一系列CNN层和FC层，在head层的最后一个FC层，将提取的特征h加入，实现更精准的目标点预测，公式如下： ；其中Y为目标检测预测的目标点位置，FC为全连接层，image代表图像经过yolo的最后一个FC层之前的图像特征，将图像特征image和特征提取后的特征h拼接形成 ，作为FC层的输入，W为权重矩阵，b为偏置矩阵，通过学习得到， 为ReLU激活函数。 2.一种基于4G DTU的全站仪测量方法，其特征为，该方法基于权利要求1所述的基于4GDTU的全站仪测量系统，包括如下步骤：S1. 数据收集：通过传感器和高清摄像头收集数据；S2. 数据传输：利用4G DTU数据传输单元，将收集到的数据快速传输到中央处理器；S3. 数据处理：对收集到的数据进行标准化处理；S4. 特征提取：使用多源特征融合优化器提取综合数据特征：S41. 提取环境特征：针对环境数据，取目标点和测量点的各类数据值，以及同类数据在不同位置的差值和平方差作为特征输入，使用差值和平方差是考虑到目标点和测量点的环境变化是影响全站仪测量效果的可能因素，将所需数据拼接形成一维特征向量，公式如下： ；其中E为拼接后的环境特征向量，分别为包括标准化后的测量点环境温度T1、测量点环境湿度H1、测量点环境气压P1，目标点环境温度T2、目标点环境湿度H2、目标点环境气压P2，环境温度差值和平方差 和 ，环境湿度差值和平方差 和 ，环境气压差值和平方差 和 ；S42. 提取图像对比度特征：图像对比度是图像视觉质量的一个重要指标，它影响着图像的清晰度和可辨识度，高对比度图像具有明暗差异大的区域，而低对比度图像则明暗差异小，具体处理方式如下：将图像由彩色转化为灰度图像，通过取RGB三个通道的平均值来实现；计算灰度图像中所有像素的平均亮度值µ；计算灰度图像的标准差，对每个像素值与平均值µ计算平方差，然后求平均值，最后取平方根，这个标准差就是图像对比度特征I；S43. 提取图像亮度值特征：亮度值可以体现图像的明暗程度，计算公式如下： ；其中R、G、B分别代表各颜色通道的像素值，通过上述公式计算即可得到图像的亮度值特征L；S44. 整合所有特征：将S41-S43的所有特征进行整合，作为多源特征融合优化器的输入X，表示如下： ；其中X为多源特征融合优化器的一维特征输入，E为环境特征，I为图像对比度特征，L为图像亮度值特征；S45. 使用多源特征融合优化器提取特征：多源特征融合优化器公式如下： ； ；其中X为S44中的多源特征融合优化器输入，h为经过多源特征融合优化器第一层映射后的特征，X’为经过第二层映射后的特征， 和 分别为第一层和第二层的权重矩阵， 和 分别为第一层和第二层的偏置矩阵，权重矩阵和偏置矩阵由训练学习得到， 为ReLU激活函数；多源特征融合优化器优化目标为减少X和X’的差异，取MSE均方误差作为损失函数；取h作为特征提取步骤的最终的综合特征用于后续智能目标定位；S5. 智能目标定位：通过改进目标检测算法，在提取图像数据特征的基础上结合综合数据特征，实现目标点的精准定位：通过改进yolo目标检测算法，提取图像深层特征，并结合步骤S4提取出的综合特征h，实现目标点的精准定位；yolo目标检测算法的最后一层head层主要负责对目标的预测，head层主要包括一系列CNN层和FC层，在head层的最后一个FC层，将提取的特征h加入，实现更精准的目标点预测，公式如下： ；其中Y为目标检测预测的目标点位置，FC为全连接层，image代表图像经过yolo的最后一个FC层之前的图像特征，将图像特征image和特征提取后的特征h拼接形成 ，作为FC层的输入，W为权重矩阵，b为偏置矩阵，通过学习得到， 为ReLU激活函数；S6. 全站仪测量：将S5返回的目标点位置通过4G DTU数据传输单元传输给全站仪，全站仪测量系统根据该目标点位置进行测量，将最终结果传输给用户。 3.根据权利要求2所述的一种基于4G DTU的全站仪测量方法，其特征在于，所述步骤S1包含如下内容：图像数据：通过高清摄像头拍摄收集；环境因素会影响目标点的测量，为了更准确的定位，将同时收集测量点和目标点的传感数据，由相应的传感器设备收集；测量点的环境传感数据：环境温度T1、环境湿度H1、环境气压P1；目标点环境传感数据：环境温度T2、环境湿度H2、环境气压P2。 4.根据权利要求2所述的一种基于4G DTU的全站仪测量方法，其特征在于，所述步骤S2包含如下内容：利用4G DTU数据传输单元，将收集到的所有数据传输到中央处理器，保证速度和稳定性。 5.根据权利要求2所述的一种基于4G DTU的全站仪测量方法，其特征在于，所述步骤S3包含如下内容：步骤S31. 环境数据标准化：数据标准化目的是调整数据尺度，将数据转换到某个特定的范围，以便于不同特征的比较和计算，这里使用如下公式进行标准化： ；其中，x为收集到的原始数据的值，x min 为原始数据的下限，x max 为原始数据的历史上限，x n 为归一化后的值，也是最终使用的值，范围在0-1之间，用于将不同因素缩放到统一范围；针对测量点和目标点的环境数据，环境温度的单位取摄氏度、环境湿度取对应百分比值、环境气压的单位取帕斯卡，所有类型的数据精确到小数点后两位，并标准化为[0,1]范围内，标准化后的数据仍然表示为步骤S1中的符号；步骤S32. 图像数据标准化：图像处理为三维矩阵的数字化形式，其中每个元素代表一个像素点，三个维度代表图像的宽度、高度和颜色通道，颜色通道取RGB三通道；图像会被缩放和裁剪到模型接受的输入尺寸，并且图像所有的像素值会除以255来标准化到0-1之间。 6.根据权利要求2所述的一种基于4G DTU的全站仪测量方法，其特征在于，所述步骤S6包含如下内容：通过4G DTU数据传输单元传输，全站仪根据S5返回的目标点位置Y进行定位和测量，最终测量结果传输给用户。 7.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行，用于执行权利要求2-6任一项所述的一种基于4G DTU的全站仪测量方法。 8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储计算机程序，所述计算机程序被处理器执行，用于执行权利要求2-6任一项所述的一种基于4G DTU的全站仪测量方法。