《基于數(shù)字孿生技術(shù)的考古系統(tǒng)的設(shè)計和實現(xiàn)》論文發(fā)表期刊：《電子質(zhì)量》；發(fā)表周期：2021年05期

《基于數(shù)字孿生技術(shù)的考古系統(tǒng)的設(shè)計和實現(xiàn)》論文作者信息：李超(1988-)，男，江西宜春人，工程師，碩士，2011 年畢業(yè)于瑞典克里斯蒂安斯塔德大學學院嵌入式系統(tǒng)專業(yè)，主要從事智慧城市，數(shù)字孿生相關(guān)數(shù)據(jù)處理與應(yīng)用工作。

　　摘要：針對考古領(lǐng)域的高分影像智能輔助診斷系統(tǒng)需求，提出了基于數(shù)字孿生技術(shù)的高分影像分析方法。

　　該文主要是通過利用分布式云存儲技術(shù)、多模式影像識別、AI智能計算模型算法，結(jié)合先進的可視化技術(shù)，實現(xiàn)智能化的信息分析和輔助決策，實現(xiàn)對物理實體運行指標的監(jiān)測與可視化，對模型算法的自動化運

　　行"，以及對物理實體未來發(fā)展的在線預演，從而得到一個科學研究判定結(jié)果。實際運行表明該系統(tǒng)具有良

　　好的可行性和可用性。

　　關(guān)鍵詞：數(shù)字孿生;高分遙感;無人機;增強現(xiàn)實;GIS

　　Abstract:In response to the needs of the high-resolution imaging intelligent diagnosis system in the archaeological field，a high-resolution imaging analysis method based on digital twin technology is proposed.This article mainly discuss distributed cloud storage technology，multi-mode image recognition，Al intelligent computing algorithm，combined with advanced visualization technology to display intelligent information，and monitoring and visualization of physical entity operation indicators.The automatic process of the model algorithm and the online preview of the future development of the physical entity will obtain a scientific research result.The practical operation shows that the system has good feasibility and usability.

　　Key words：Digital twin;Remote sensing satellite;UAV;Augmented reality;GIS

　　0 引言

　　世界各國在高分影像衛(wèi)星的研發(fā)設(shè)計上都是在競 爭式的進行研發(fā)比拼，同時高分影像的行業(yè)應(yīng)用也在層出不窮的出現(xiàn)，而且通過調(diào)查研究，最尖端的間諜高分 衛(wèi)星的影像分辨率已經(jīng)精細到可以從衛(wèi)星上看到田地 里種植的植物種類。

　　那么，針對這種尖端科技技術(shù)的行業(yè)應(yīng)用前景，通 過高效的挖掘方法在大體量的 3D、2D 數(shù)據(jù)中實現(xiàn)價值 提煉，是當前極具科學價值的問題之一。研究的主要難 點主要是存在于衛(wèi)星的傳感器和觀測環(huán)境的條件，它的姿態(tài)、高度、速度等不同的因素在不停地進行變化，這樣 就會造成影像的噪聲和變形，同時高分衛(wèi)星影像本身在 光譜分辨率上的不足，也會造成數(shù)據(jù)精度的影響[2]，因此在遙感衛(wèi)星影像處理中還是存在不少的技術(shù)難點，具體內(nèi)容包括：

　　(1)市面上的軟件需要專業(yè)的知識以及商業(yè)授權(quán)，價 格不菲，而且不宜操作。

　　(2)自動化處理程度不高，同時無法結(jié)合使用 AI 深 度學習模型。

　　(3)針對 2D 和 3D 數(shù)據(jù)的存儲管理，沒有一個友好的軟件平臺。

　　(4)缺乏一個有良好的虛實結(jié)合的可視化管理界面。

　　因此，針對上面問題，本文開發(fā)了基于數(shù)字孿生技 術(shù)的考古系統(tǒng)，提高數(shù)據(jù)分析處理的算法智能化和流程 化水平。

　　1 系統(tǒng)設(shè)計

　　1.1 系統(tǒng)設(shè)計目標

　　系統(tǒng)是基于大數(shù)據(jù)平臺通用技術(shù)進行二次開發(fā)和 集成。對高分影像和無人機影像采集到的多模態(tài)數(shù)據(jù)進 行數(shù)據(jù)集管理、可視化查看;可以在線上對多模態(tài)數(shù)據(jù) 進行自動化處理;可以將數(shù)據(jù)掛載到機器學習虛擬平臺 上進行數(shù)據(jù)建模和深度學習模型的構(gòu)建;可以自動規(guī)劃 無人機路線。因此，基于數(shù)字孿生技術(shù)的考古系統(tǒng)設(shè)計主要針對以下幾個目標：

　　(1)滿足數(shù)據(jù)的管理的功能需求，具有數(shù)據(jù)分布式存 儲能力，較高的安全性和穩(wěn)定性。

　　(2)盡可能地實現(xiàn)自動化的一鍵操作，可以自動規(guī)劃 無人機航飛區(qū)域范圍，可以自動對復雜地形進行數(shù)據(jù)處 理分析。

　　(3) 可以后臺將數(shù)據(jù)掛載到虛擬化機器學習平臺進行模型構(gòu)建和自動分析。

　　(4)自動化生成可視化模型，可以在多設(shè)備端上進行可視化查看。

　　1.2 系統(tǒng)總體架構(gòu)

　　系統(tǒng)采用 Java 語言開發(fā)，spring cloud 微服務(wù)架構(gòu)，包括了基礎(chǔ)支撐層、數(shù)據(jù)互動層、模型構(gòu)建層、仿真分析 層。基礎(chǔ)支撐層包含了數(shù)據(jù)采集源;數(shù)據(jù)互動層采用自 建云存儲進行分布式存儲、數(shù)據(jù)通信、交互服務(wù)請求;模 型構(gòu)建層包含了傾斜攝影和點云結(jié)合的三維模型重建，基于多用途場景的 CAD 模型構(gòu)建;仿真分析層包含了 虛擬模型仿真大數(shù)據(jù)分析、數(shù)據(jù)處理、圖像顯示。系統(tǒng)總體結(jié)構(gòu)如圖 1 所示。

　　2 關(guān)鍵技術(shù)

　　2.1 基于高分衛(wèi)星影像的 3D 深度神經(jīng)網(wǎng)絡(luò)架構(gòu)

　　目前關(guān)于圖像數(shù)據(jù)深度神經(jīng)網(wǎng)絡(luò)模型都是基于平 面圖像(2D 圖像)的，雖然在圖像處理和分析，取得了一 系列耀眼的成果，但是難以處理 3D 影像，目前的處理方法大都將 3D 影像分為若干 2D 影像，分別送入處理2D 圖像的卷積神經(jīng)網(wǎng)絡(luò)，但是此方法忽略了各層間拓 撲聯(lián)系，本系統(tǒng)設(shè)計了一套具有時空信息的 3D 深度神 經(jīng)網(wǎng)絡(luò)架構(gòu)，能通過學習方法高效判讀各類 3D 高分影 像，也能在 3D 影像的人工智能領(lǐng)域在模型和方法上取 得突破[3]。

　　卷積神經(jīng)網(wǎng)絡(luò)由于強調(diào)圖形的拓撲信息，被證明是一種有效的特征提取模型，將每類影像數(shù)據(jù)通過前面提 出的 3D 深度神經(jīng)網(wǎng)絡(luò)進行特征提取，再將各個模態(tài)的深度學習網(wǎng)絡(luò)進行集成學習，在保證數(shù)據(jù)量進行充分訓 練的條件下，可充分利用每種模態(tài)影像的信息，綜合考 慮達到最優(yōu)學習效果，而且由于每種模態(tài)數(shù)據(jù)分開訓練， 此方法并不需要每個個體都具有所有模態(tài)數(shù)據(jù)，這便更 利于實際應(yīng)用。不僅如此，這還能為多模態(tài)數(shù)據(jù)的深度學習提供新的技術(shù)手段。

　　2.2 Arch-Yolo 無人機路徑規(guī)劃及目標檢測算法

　　為了彌補高分影像在獲取數(shù)據(jù)源的清晰度不夠的情況下，該系統(tǒng)還會額外使用無人機設(shè)備采集近距離高 清影像，本系統(tǒng)所使用的無人機是搭載了多種傳感器， 并經(jīng)過特殊改造的無人機設(shè)備，即包含 2D 影像采集設(shè) 備和 3D LiDAR 數(shù)據(jù)采集設(shè)備，基于此創(chuàng)新性地研發(fā)了一種無人機路徑規(guī)劃及目標檢測算法，只要根據(jù)輸入的 區(qū)域位置，無人機可以進行動態(tài)的路徑規(guī)劃。基于目前 市面上 LiDAR 點云采集數(shù)據(jù)算法框架的缺陷，部分細 節(jié)復雜區(qū)域需要動態(tài)調(diào)整無人機的高度、角度和多次采 集數(shù)據(jù)才能完整的進行三維圖像重建，所以該路徑規(guī)劃算法會實時檢測出復雜區(qū)域的位置，并進行多次來回掃 描，從而得到一個可進行科學研究的數(shù)據(jù)模型樣本[4-5]。

　　2.3 基于點云的虛實結(jié)合數(shù)字孿生可視化模塊

　　目前市面上主流顯示數(shù)字孿生可視化的模塊，基本是在 web 上顯示可拖曳 3D 模型，或者是以增強現(xiàn)實AR 的模式進行顯示 [6]，而如今最新的趨勢是用 LiDAR點云數(shù)據(jù)方式進行實時重建，但是利用點云數(shù)據(jù)進行三 維重建存在一些局限性，例如構(gòu)建出來的模型的精細度 不夠保真。本系統(tǒng)以攻克高保真模型生成的角度出發(fā)， 以 LiDAR 數(shù)據(jù)點云為基礎(chǔ)生成一個大致的粗略模型， 然后再使用 2D 影像圖像進行輔助校準。這樣就初步生 成了的高精度、高保真模型。同時，研究人員可以在這個高保真模型基礎(chǔ)上進行人工的標注工作，可以把一些自 己構(gòu)建的一些三維圖形模塊融合進這個高保真模型里，最后實現(xiàn)一種虛實結(jié)合的可視化效果。

　　2.4 高可用的數(shù)據(jù)采集、傳輸、存儲

　　不同于城市里高度發(fā)達的基礎(chǔ)設(shè)施的建設(shè)，由于考 古工作的特殊性，一些考古外業(yè)工作常常在一些無人區(qū) 進行工作，但所幸的是考古工作者對數(shù)據(jù)傳輸?shù)臅r效性 的要求并不是很高，所以數(shù)據(jù)存儲的便利性、穩(wěn)定性、安 全性則需求優(yōu)先級較高。采集數(shù)據(jù)之后可以等到網(wǎng)絡(luò)恢 復的時候，再進行一些數(shù)據(jù)上傳同步工作。 所以該系統(tǒng)從 5G 和數(shù)據(jù)云存儲的方向進行綜合 性改進，在無人機整套設(shè)備系統(tǒng)上配備一個 5G 信號放大裝置器，可以增強網(wǎng)絡(luò)傳輸信號，同時配備一個本地存儲容量池，可以緩存數(shù)據(jù)內(nèi)容。保證在離線狀態(tài)，數(shù)據(jù) 也不會溢出，滿足了數(shù)字孿生大數(shù)據(jù)的應(yīng)用場景。

　　3 系統(tǒng)主要功能實現(xiàn)

　　(1)系統(tǒng)界面

　　系統(tǒng)界面主要包括導航欄、可視化窗口、數(shù)據(jù)集管 理窗口、虛擬容器管理窗口、無人機管理窗口和狀態(tài)欄。

　　(2)數(shù)據(jù)集管理

　　數(shù)據(jù)集管理主要是可以人工上傳和查看多模態(tài)數(shù) 據(jù)，包括 2D 數(shù)據(jù)和 3D 數(shù)據(jù)，支持設(shè)置數(shù)據(jù)的管理權(quán)限， 數(shù)據(jù)的過期時間，同時支持數(shù)據(jù)打包下載。

　　(3)可視化

　　可視化數(shù)據(jù)查看模塊支持查看二維圖表數(shù)據(jù)，用 web 方式進行查看檢測出來的 3D 模型，也可以將模型導出為主流 3D 處理軟件支持的格式文件。

　　(4)虛擬容器

　　虛擬容器則是可以創(chuàng)建機器學習框架的鏡像容器， 例如 pytorch、tensorflow，利用這些預搭載的鏡像，再加載采集到的影像數(shù)據(jù)，便可以進行數(shù)據(jù)的自動化處理，可以進行模型自動調(diào)參，最后得到效果良好的算法模型， 將這些模型部署到無人機搭載的端邊設(shè)備進行智能檢測。

　　(5)無人機管理

　　包括無人機設(shè)備的注冊管理、增加、刪除。同時可以 在系統(tǒng)上查看無人機的實時位置、航飛區(qū)域規(guī)劃以及可 視化查看采集到的數(shù)據(jù)。

　　4 結(jié)束語

　　高分衛(wèi)星因為其全局戰(zhàn)略意義相對比較高，可以為 軍方、政府、企業(yè)提供很多幫助，所以針對于高分影像遙 感信息的處理應(yīng)用研究極具戰(zhàn)略意義的，本文針對高分 影像在考古領(lǐng)域中的應(yīng)用，介紹了智能目標識別檢測的 一些方法和設(shè)計，同時，系統(tǒng)也結(jié)合了虛實結(jié)合的可視 化數(shù)據(jù)分析方法、自動化流程方法，極大地減少了考古 人員外業(yè)工作時的工作量，可以實現(xiàn)一鍵自動化進行數(shù)據(jù)采集和自動建模等工作，促進了考古自動化數(shù)字化進程，為提高系統(tǒng)的適用性，未來可以從以下幾個方向進 行完善：1)優(yōu)化無人機運載數(shù)據(jù)傳輸系統(tǒng)，增強圖傳數(shù)據(jù)的速率，減少巡航次數(shù)，提高采集效率;2)支持自動化建模工作去可以在移動端進行，減少對網(wǎng)絡(luò)云端的依賴。

　　參考文獻：

　　[1]劉大偉,韓玲,韓曉勇.基于深度學習的高分辨率遙感 影像分類研究[J].光學學報,2016,36(4):306-314.

　　[2]張良培,武辰.多時相遙感影像變化檢測的現(xiàn)狀與展望 [J].測繪學報,2017,46(10):1447-1459.

　　[3]劉心燕,孫林,楊以坤,等.高分四號衛(wèi)星數(shù)據(jù)云和云陰 影檢測算法[J].光學學報,2019,39(1):446-457 [4]吳宏正,陳曦,陳文惠.無人機 RGB 影像植被分類方法研究 -- 以福建省三明市尤溪縣為例[J].亞熱帶水土保持,2020,32(4):1-8.

　　[5]李東升,劉海紅,張兵良,等.基于無人機影像的綠色植被提取方法[J].昆明冶金高等專科學校學報,2019,35(4):58-65.

　　[6]任冠,魏堅.城市考古研究中空間分析的理論與實踐-- 基于遙感與地理信息系統(tǒng)[J].河南大學學報(社會科學版),2021,61(1):77-82.