CN118999393B - 桥梁变形监测方法及系统 - Google Patents

Abstract

本发明属于桥梁监测技术领域，公开了一种桥梁变形监测方法及系统，获取在一个采样点位或多个采样点位上设置的标志物在对应点位上以及相对于对应点位在空间位置上发生改变时的图像；采用获取的采样图像以及采样图像所对应的空间状态数据对神经网络模型进行训练，得到训练后的神经网络模型；获取在桥梁上的一个或多个监测点位上所设置的标志物的检测图像，采用训练后的神经网络模型对获取的检测图像进行分析，得到桥梁对应监测点位处的变形。基于本发明所采用的方法，实现该方法所需要的系统简单，且由于分析的运算量小，降低了对监测系统的硬件设备、软件的性能要求，并且能够同时实现对多个监测点位的变形的监测。

Description

桥梁变形监测方法及系统

技术领域

本发明属于桥梁监测技术领域，具体涉及一种桥梁变形监测方法及系统。

背景技术

目前，对桥梁变形的监测有采用埋设传感器的方式，通过传感器监测桥梁的变形；或采用基于卫星定位桥梁监测点的空间位置对桥梁的变形进行监测。但这些监测方式系统的布设安装操作复杂且运行维护成本较高。

随着计算机视觉技术的应用，目前计算机视觉技术也应用到桥梁的变形监测中。通常采用棋盘格作为标志物，将标志物设置在桥梁对应的监测点位，通过摄像机对棋盘格标志物进行拍照，使用图像处理技术还原棋盘格标志物的空间坐标，计算空间坐标的位移得到桥梁的变形，实现对桥梁变形的监测。采用这种监测方法对图像的处理复杂，运算量大，对图像处理设备的硬件及系统软件性能都有着很高的要求，难以适用于对桥梁不同点位变形的同时监测。

发明内容

本发明的目的在于提供一种桥梁变形监测方法及系统，以解决目前在桥梁变形监测中所存在的问题。

本发明通过下述技术方案实现：

桥梁变形监测方法，采用在固定位置上设置的采样相机，在固定的焦距下，获取在一个采样点位或多个采样点位上设置的标志物在对应点位上以及相对于对应点位在空间位置上发生改变时的图像，得到采样图像；

采用获取的采样图像以及采样图像所对应的空间状态数据对神经网络模型进行训练，得到训练后的神经网络模型；

采用在固定位置上设置的检测相机，在固定的焦距下，获取在桥梁上的一个或多个监测点位上所设置的标志物的检测图像，采用训练后的神经网络模型对获取的检测图像进行分析，得到桥梁对应监测点位处的变形；

所述检测相机获取检测图像所采用的焦距与采样相机获取采样图像时的焦距相同。

在一些实施例中，所述检测相机相对监测点位的位置与采样相机相对采样点位的位置相同。

在一些实施例中，采用获取的采样图像以及采样图像所对应的空间状态数据对神经网络模型进行训练，建立标志物图像的清晰度与当前标志物的空间状态数据之间的对应关系；

采用训练后的神经网络模型对检测图像各位置处的清晰度进行分析，并根据所得到的清晰度数据以及标志物图像的清晰度与标志物的空间状态数据之间的对应关系，得到桥梁对应监测点位处的变形量。

在一些实施例中，获取采样图像中各个标志物图像在采样图像所在平面内的平面位置参数；

采用获取的采样图像中各个标志物图像在采样图像所在平面内的平面位置参数对神经网络模型进行训练，采用训练后的神经网络模型对检测图像中的标志物图像进行识别。

在一些实施例中，所述监测点位、采样点位所在的位置位于检测相机、采样相机的焦距外。

在一些实施例中，所述标志物为棋盘格。

另一方面，本发明还提供另一种桥梁变形监测方法，包括以下步骤：

S01、采用在固定位置上设置的检测相机，在固定的焦距下，获取在桥梁上的一个或多个监测点位上所设置的标志物的检测图像；

S02、将获取的检测图像输入经过训练后的神经网络模型，经过训练后的神经网络模型能够根据对检测图像中各个标志物图像的清晰度的分析，得到标志物图像所对应标志物的空间状态数据，得到桥梁对应监测点位的变形量。

在一些实施例中，对神经网络模型进行训练所采用的训练方法，包括：

采用在固定位置上设置的采样相机，在固定的焦距下，获取在一个采样点位或多个采样点位上设置的标志物的空间状态数据以及对应空间状态下的标志物图像；检测相机获取检测图像所采用的焦距与采样相机获取采样图像时的焦距相同，且采样相机相对于采样点位的位置与检测相机相对于监测点位的位置相同；

将采样相机所获取的图像作为对神经网络模型进行训练的样本，通过采样图像以及采样图像所对应的空间状态数据对神经网络模型进行训练，建立标志物图像中各位置处的清晰度与当前标志物的空间状态数据之间的对应关系。

在一些实施例中，步骤S02中还包括采用训练后的神经网络模型对检测图像中的各标志物图像进行识别的步骤。

在一些实施例中，对神经网络模型进行训练所采用的训练方法，还包括：

获取采样图像中各个标志物图像在采样图像所在平面内的平面位置参数；

采用获取的采样图像中各个标志物图像在采样图像所在平面内的平面位置参数对神经网络模型进行训练。

另一方面，本发明还提供一种桥梁变形监测系统，包括：

标志物，所述标志物分别设置在桥梁的各个监测点位上；

检测相机，所述检测相机设置在与桥梁上各个监测点位相对的一侧的设定位置上，用于获取各个监测点位上各个标志物的检测图像；

变形分析单元，所述变形分析单元采用训练后的神经网络模型对获取的检测图像进行分析，经过训练后的神经网络模型能够根据对检测图像中标志物图像的清晰度的分析，得到对应标志物的空间状态数据，得到标志物所对应的监测点位上发生的变形；

训练神经网络模型所采用的方法包括：

采用在固定位置上设置的采样相机，在固定的焦距下，获取在一个采样点位或多个采样点位上设置的标志物的空间状态数据以及对应空间状态下的标志物图像；检测相机获取检测图像所采用的焦距与采样相机获取采样图像时的焦距相同，且采样相机相对于采样点位的位置与检测相机相对于监测点位的位置相同；

将采样相机所获取的图像作为对神经网络模型进行训练的样本，通过采样图像以及采样图像所对应的空间状态数据对神经网络模型进行训练，建立标志物图像中各位置处的清晰度与当前标志物的空间状态数据之间的对应关系。

本发明与现有技术相比，具有以下优点及有益效果：

本发明将视觉检测技术与神经网络模型算法进行结合，采用大量特定的标志物图像对神经网络模型进行训练，然后通过训练后的神经网络模型对获取的桥梁监测点位上标志物的图像进行识别和计算，得到监测点位桥梁所发生的变形。采用该方法只需要采集大量的特定标志物图像来训练神经网络模型，不需要进行图像的对比和大量的运算，能够快速实现对桥梁变形的监测。

本发明在采样、监测时，通过相机能够同时获取桥梁上所有监测点位上的标志物的图像，并采用采样图像中各个标志物图像在采样图像所在平面内的平面位置参数对神经网络模型进行训练，能够通过训练后的神经网络模型识别检测图像中的各个标志物图像，从而能够实现对桥梁大量监测点位变形的同时监测，在监测效率上相对现有常规视觉检测方法具有明显的优势，并且能够减小模型训练样本采样以及模型训练的工作量。

基于本发明所采用的方法，实现该方法所需要的系统简单，且由于分析的运算量小，降低了对监测系统的硬件设备、软件的性能要求，并且能够同时实现对多个监测点位的变形的监测。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例中检测相机与监测点位之间的设置示意图。

其中：

1、检测相机，2、标志物，3、桥梁。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

本发明针对视觉检测技术中在图像处理上所存在的问题，将视觉检测技术与神经网络模型算法进行结合，采用大量特定的标志物图像对神经网络模型进行训练，然后通过训练后的神经网络模型对获取的桥梁监测点位上标志物的图像进行识别和计算，得到监测点位桥梁所发生的变形。

采用该方法只需要采集大量的特定标志物图像来训练神经网络模型，不需要进行图像的对比和大量的运算，能够快速实现对桥梁变形的监测；并且，基于这种监测方法所具有的特点，能够实现对桥梁大量监测点位变形的同时监测，在监测效率上相对现有常规视觉检测方法具有明显的优势。

本发明的一些实施例中，桥梁变形监测方法为采用在固定位置上设置的采样相机，在固定的焦距下，获取在一个采样点位或多个采样点位上设置的标志物在对应点位上以及相对于对应点位在空间位置上发生改变时的图像，得到采样图像；相应地，采样图像中包含有一个或多个标志物图像。

采集的采样图像用于作为对神经网络模型进行训练的样本，采集的图像包括桥梁在实际发生变形时设置在桥梁对应点位上标志物所可能处于的空间状态下对应的标志物图像，例如桥梁发生沉降时，设置在桥梁上的标志物随桥梁的沉降在竖直方向上发生的位移，或者桥梁发生倾斜时，设置在桥梁上的标志物随桥梁的倾斜在空间内的空间位置上的变化。也就是说当桥梁发生变形时，桥梁上在各个监测点位上所设置的标志物会随之发生空间位置及状态的改变，通过对标志物在空间位置、状态上所发生的改变进行监测即可实现对桥梁的变形监测。

因此，本实施例中所采集的用于作为对神经网络模型进行训练的样本，应该是包括了标志物相对于所设置的对应点位在空间位置上的各种可能的改变，例如位移、偏转等，标志物在空间位置、状态上的改变被称之为空间状态数据。例如，包括标志物沿X、Y、Z轴的一个或多个方向上发生位移，如标志物在Z轴方向发生位移或在X轴和Z轴方向同时发生位移；标志物在一个或多个方向上的偏转，如相对于X-Z轴的竖直平面发生转动或相对于X-Z轴的竖直平面、Y-Z轴的竖直平面同时偏转；以及标志物在X、Y、Z轴方向发生位移与在不同方向上发生偏转结合的状态。

在采集采样图像时，可通过北斗RTK来获取当前标志物所在的位置信息，将标志物设置在高精度的多自由度转台上，模拟标志物在发生不同位移、偏转时所对应的状态，以得到不同监测点位上不同状态下的空间状态数据。

这里的Z轴是与水平面相垂直的方向，X轴为桥梁的长度方向，Y轴为桥梁的宽度方向。

采用获取的采样图像以及采样图像所对应的空间状态数据对神经网络模型进行训练，得到训练后的神经网络模型。

在采集用于对神经网络模型进行训练的图像时，各个图像所对应的标志物的空间状态数据是已知的，这里的空间状态数据通常包括标志物在其初始位置所在的空间坐标系内的X、Y、Z向位置参数以及三个角度参数（如欧拉角），例如以标志物沿Z向发生1mm的位移时的图像为例，此时标志物的空间状态数据为X=0、Y=0、Z=1以及三个角度参数均为零。

采用上述获取的采样图像中的标志物图像以及标志物图像所对应的空间状态数据对神经网络模型进行训练时，能够建立标志物图像的清晰程度与当前标志物的空间状态数据之间的关联。

例如，当标志物位于不同的空间位置时，采用在固定位置上以及固定焦距的相机，所拍摄的图像的清晰度是存在差异的，通过提取标志物图像的清晰度数据，建立标志物图像清晰度数据与当前标志物所对应的空间状态数据之间的对应关系。通过大量图像数据的训练后，经过训练后的神经网络模型就能够根据输入图像中标志物图像的清晰度数据的分析，得到获取该图像所对应的标志物所在的空间状态数据。

采用在固定位置上设置的检测相机，在固定的焦距下，获取在桥梁上的一个或多个监测点位上所设置的标志物的检测图像，然后采用上述训练后的神经网络网络模型对检测图像进行分析，基于标志物图像的清晰度与标志物空间位置数据之间的对应关系，就能够得到桥梁对应点位处所发生的变形。

由于相机的位置、焦距固定，标志物不同位置处相对于焦点所偏离的距离形成与标志物图像上各个位置处清晰度的映射，当标志物随桥梁的变形发生空间状态的变化时，其对应的图像的清晰度也会发生变化，从而能够基于标志物图像的清晰度数据，建立标志物图像清晰度数据与空间状态数据之间的对应关系。

在一些实施例中，检测相机在获取检测图像时所采用的焦距与采样相机的焦距相同，使采样相机与检测相机所获取的图像之间在清晰度上具有更好的可比性，减小神经网络模型对检测图像进行分析时的运算量，提高对检测图像分析的结果精度。

相应地，检测相机相对监测点位的位置与采样相机相对采样点位的位置相同。以一个点位为例，在以该点位所建立的空间坐标系内，检测相机与采样相机位于该空间坐标系的同一位置上，且检测相机与采样相机相对该点位的拍摄角度也相同，使采样相机所获取的图像能够更好地与桥梁在发生变形时各个点位上标志物的图像相对应。这样在采用这些图像对神经网络模型进行训练时，能够提高训练后的神经网络模型与检测相机所获取的检测图像之间的关联性，从而减小神经网络模型在对检测图像进行分析时的运算量，并提高神经网络模型对检测图像的分析精度。

同样地，以多个点位为例，使桥梁上各个监测点位的位置与采样点位的位置相关联，例如将桥梁上各个监测点位的设置位置与各个采样点位的设置位置保持一一对应或者保持一致。此时，在以这些点位所建立的空间坐标系内，检测相机与采样相机位于该空间坐标系的同一位置上，且检测相机与采样相机相对于各个点位的拍摄角度也相同。这样通过设置的一个相机即可同时获取各个点位上标志物的图像，从而能够实现同时对桥梁上各个监测点位上的变形监测。

这样就能够在很大程度上减小实现变形监测对系统硬件、软件的要求，同时提高监测的运算速度和效率。

在一些实施例中，为更好地实现同时对多个监测点位进行监测，需要能够对检测图像中各个标志物图像进行识别，以实现后序对各个标志物图像的分析，以及建立检测图像中各个标志物图像与所对应的标志物之间的关系，以在对检测图像中的各个标志物的图像进行分析时，能够得到各个监测点位所对应的变形数据。

将获取的图像中的各个标志物图像与所对应的标志物建立对应关系，可采用以下的方法：

在获取的采样图像上标定出各个标志物图像在采样图像所在平面坐标系内的位置坐标，例如某个标志物图像在平面坐标系内的坐标可表示为（X1、Y1），从而获取各个标志物图像在采样图像中的平面位置参数。此时，每个标志物图像实际上分别对应八个位置参数，分别为标志物图像在平面坐标系内的坐标参数X1、Y1和标志物图像在空间位置坐标系内的X、Y、Z向位置参数以及三个角度参数，即标志物对应的空间状态参数。

在对神经网络模型进行训练时，通过标定采样图像中各个标志物图像的上述八个位置参数，建立标志物图像清晰度与上述八个位置参数之间的对应关系，包括标志物图像清晰度与对应标志物的空间状态数据之间的对应关系；同时，采用采样图像中各个标志物图像在采样图像所在平面内的平面位置参数对神经网络模型进行训练，使训练后的神经网络模型能够对图像中的多个标志物图像的自动识别。

在获取到检测图像后，通过训练后的神经网络模型对检测图像中各个标志物图像的识别，训练后的神经网络模型对各个标志物图像的清晰度进行分析，得到该检测图像中各个标志物图像所分别对应的空间状态数据。此时，通过同时获取桥梁上所有监测点位上的标志物的图像，得到包括多个标志物图像的检测图像，采用训练后的神经网络模型对检测图像进行分析，能够同时得到各个标志物图像所对应的变形量，以及各个变形量所对应的监测点位，将各个变形量数据与对应的监测点位进行关联，并能够知道所得到的变形量分别对应的是哪个监测点位，从而实现同时对多个监测点位的变形监测。

在一些实施例中，基于获取的采样图像中标志物图像的平面位置数据，由于标志物的空间状态的变化量要远小于标志物相对其所在空间的位置数据，因此，检测图像中各标志物图像在检测图像中的平面位置参数可以视为与采样图形中各个标志物图像的平面位置参数完全相同；这样就能够在检测图像中确定各个标志物图像在检测图像中的位置，将各个标志物图像与监测点位进行对应，实现对检测图像中所有标志物图像的同时检测，实现对多个监测点位变形量的同时监测。

在一些实施例中，设置检测相机、采样相机所在的位置，使监测点位、采样点位所在的位置位于检测相机、采样相机的焦距外，以能够更好地表征图像的清晰度数据。

本发明的实施例中，标志物可采用棋盘格或者其它方便进行图像识别以及处理的二维图片等。

另一方面，本发明的一些实施例中涉及一种桥梁变形监测方法，包括以下步骤：

S01、采用在固定位置上设置的检测相机，在固定的焦距下，获取在桥梁上的一个或多个监测点位上所设置的标志物的检测图像；

S02、将获取的检测图像输入经过训练后的神经网络模型，经过训练后的神经网络模型能够根据对检测图像中各个标志物图像的清晰度的分析，得到标志物图像所对应标志物的空间状态数据，得到桥梁对应监测点位的变形量。

在一些实施例中，对神经网络模型进行训练所采用的训练方法，包括：

采用在固定位置上设置的采样相机，在固定的焦距下，获取在一个采样点位或多个采样点位上设置的标志物的空间状态数据以及对应空间状态下的图像；采样相机拍摄时的焦距采用与检测相机相同的焦距，且采样相机相对于采样点位的位置与检测相机相对于监测点位的位置相同；

将采样相机所获取的图像作为对神经网络模型进行训练的样本，通过采样图像以及采样图像所对应的空间状态数据对神经网络模型进行训练，建立标志物图像中各位置处的清晰度与当前标志物的空间状态数据之间的对应关系。

在一些实施例中，步骤S02中还包括采用训练后的神经网络模型对检测图像中各标志物图像进行识别的步骤。

对神经网络模型进行训练所采用的训练方法，还包括：

获取采样图像中各个标志物图像在采样图像所在平面内的平面位置参数；

采用获取的采样图像中各个标志物图像在采样图像所在平面内的平面位置参数对神经网络模型进行训练。

另一方面，本发明的一些实施例中还涉及一种桥梁变形监测系统，参照图1，包括：

标志物2，标志物2分别设置在桥梁3的各个监测点位上；标志物可采用如棋盘格等；

检测相机1，检测相机1设置在与桥梁上各个监测点位相对的一侧的设定位置上，用于获取各个监测点位上各个标志物的检测图像；

变形分析单元，所述变形分析单元采用训练后的神经网络模型对获取的检测图像进行分析，经过训练后的神经网络模型能够根据对检测图像中标志物图像的清晰度的分析，得到对应标志物的空间状态数据，得到标志物所对应的监测点位上发生的变形；

训练神经网络模型所采用的方法包括：

采用在固定位置上设置的采样相机，在固定的焦距下，获取在一个采样点位或多个采样点位上设置的标志物的空间状态数据以及对应空间状态下的图像；采样相机拍摄时的焦距采用与检测相机相同的焦距，且采样相机相对于采样点位的位置与检测相机相对于监测点位的位置相同；

将采样相机所获取的图像作为对神经网络模型进行训练的样本，通过采样图像以及采样图像所对应的空间状态数据对神经网络模型进行训练，建立标志物图像中各位置处的清晰度与当前标志物的空间状态数据之间的对应关系。

以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。

Claims (8)

1.桥梁变形监测方法，其特征在于，采用在固定位置上设置的采样相机，在固定的焦距下，获取在一个采样点位或多个采样点位上设置的标志物在对应点位上以及相对于对应点位在空间位置上发生改变时的图像，得到采样图像；

采用获取的采样图像以及采样图像所对应的空间状态数据对神经网络模型进行训练，得到训练后的神经网络模型；

采用在固定位置上设置的检测相机，在固定的焦距下，获取在桥梁上的一个或多个监测点位上所设置的标志物的检测图像，采用训练后的神经网络模型对获取的检测图像进行分析，得到桥梁对应监测点位处的变形；

所述检测相机获取检测图像所采用的焦距与采样相机获取采样图像时的焦距相同；

所述检测相机相对监测点位的位置与采样相机相对采样点位的位置相同；

采用获取的采样图像以及采样图像所对应的空间状态数据对神经网络模型进行训练，建立标志物图像的清晰度与当前标志物的空间状态数据之间的对应关系；

采用训练后的神经网络模型对检测图像各位置处的清晰度进行分析，并根据所得到的清晰度数据以及标志物图像的清晰度与标志物的空间状态数据之间的对应关系，得到桥梁对应监测点位处的变形量。

2.根据权利要求1所述的桥梁变形监测方法，其特征在于，获取采样图像中各个标志物图像在采样图像所在平面内的平面位置参数；

采用获取的采样图像中各个标志物图像在采样图像所在平面内的平面位置参数对神经网络模型进行训练，采用训练后的神经网络模型对检测图像中的标志物图像进行识别。

3.根据权利要求1所述的桥梁变形监测方法，其特征在于，所述监测点位、采样点位所在的位置位于检测相机、采样相机的焦距外。

4.根据权利要求1所述的桥梁变形监测方法，其特征在于，所述标志物为棋盘格。

5.桥梁变形监测方法，其特征在于，包括以下步骤：

S01、采用在固定位置上设置的检测相机，在固定的焦距下，获取在桥梁上的一个或多个监测点位上所设置的标志物的检测图像；

S02、将获取的检测图像输入经过训练后的神经网络模型，经过训练后的神经网络模型能够根据对检测图像中各个标志物图像的清晰度的分析，得到标志物图像所对应标志物的空间状态数据，得到桥梁对应监测点位的变形量；

对神经网络模型进行训练所采用的训练方法，包括：

采用在固定位置上设置的采样相机，在固定的焦距下，获取在一个采样点位或多个采样点位上设置的标志物的空间状态数据以及对应空间状态下的标志物图像；检测相机获取检测图像所采用的焦距与采样相机获取采样图像时的焦距相同，且采样相机相对于采样点位的位置与检测相机相对于监测点位的位置相同；

将采样相机所获取的图像作为对神经网络模型进行训练的样本，通过采样图像以及采样图像所对应的空间状态数据对神经网络模型进行训练，建立标志物图像中各位置处的清晰度与当前标志物的空间状态数据之间的对应关系。

6.根据权利要求5所述的桥梁变形监测方法，其特征在于，步骤S02中还包括采用训练后的神经网络模型对检测图像中的各标志物图像进行识别的步骤。

7.根据权利要求6所述的桥梁变形监测方法，其特征在于，对神经网络模型进行训练所采用的训练方法，还包括：

获取采样图像中各个标志物图像在采样图像所在平面内的平面位置参数；

采用获取的采样图像中各个标志物图像在采样图像所在平面内的平面位置参数对神经网络模型进行训练。

8.桥梁变形监测系统，其特征在于，包括：

标志物，所述标志物分别设置在桥梁的各个监测点位上；

检测相机，所述检测相机设置在与桥梁上各个监测点位相对的一侧的设定位置上，用于获取各个监测点位上各个标志物的检测图像；

变形分析单元，所述变形分析单元采用训练后的神经网络模型对获取的检测图像进行分析，经过训练后的神经网络模型能够根据对检测图像中标志物图像的清晰度的分析，得到对应标志物的空间状态数据，得到标志物所对应的监测点位上发生的变形；

训练神经网络模型所采用的方法包括：

采用在固定位置上设置的采样相机，在固定的焦距下，获取在一个采样点位或多个采样点位上设置的标志物的空间状态数据以及对应空间状态下的标志物图像；检测相机获取检测图像所采用的焦距与采样相机获取采样图像时的焦距相同，且采样相机相对于采样点位的位置与检测相机相对于监测点位的位置相同；

将采样相机所获取的图像作为对神经网络模型进行训练的样本，通过采样图像以及采样图像所对应的空间状态数据对神经网络模型进行训练，建立标志物图像中各位置处的清晰度与当前标志物的空间状态数据之间的对应关系。