Печалби:
- Възможност за правилно използване на концепциите за LiDAR облак от точки, връщане, плътност и клас кодове в работния процес на AI
- Възможност за конфигуриране на наземно филтриране, производство на DTM и стъпки за класификация на обект (сграда, дърво, стълб) с AI
- Възможност за проверка на резултата от класификацията на облака от точки с профилни секции и логика на надморската височина
LiDAR (Light Detection and Ranging) е технология за активно откриване, която произвежда триизмерни измервания на земната повърхност чрез изпращане на лазерни импулси и измерване на времето за връщане. Резултатът е облак от точки, състоящ се от милиони или дори милиарди точки; Всяка точка има координата x, y, z и допълнителни атрибути. LiDAR в геодезическото инженерство; Той е незаменим за създаване на цифрови модели на терена, моделиране на гори и градски зони и създаване на инфраструктура (електропроводи, пътища). В този раздел ние разглеждаме как изкуственият интелект ускорява обработката и класификацията на облака от точки. Принцип: AI предлага класификация; Проверката с логиката на височината и сечението остава при инженера.
Основни термини. Връщането е множество ехо от единичен лазерен импулс, отразен от различни повърхности (листа на дървета, клони, земя); Първият завой обикновено е горната повърхност, последният завой често е земята. Интензитетът е силата на върнатия сигнал; Той дава представа за вида на повърхността. Кодът на класа е стандартният етикет, присвоен на всяка точка (като земя, сграда, ниска/средна/висока растителност, вода, електропровод); Той се съхранява във файлов формат LAS/LAZ. Наземното филтриране е процес на премахване на неземни точки и премахване на голата земна повърхност (DTM). Воксел, клетка в 3D пространство; Използва се за разреждане/обработка на облака от точки.
Ролята на AI в обработката на облака от точки
Изкуственият интелект допринася в тази област на три нива:
- Работен процес и настройка на параметри. Препоръчва филтриране на земята, отстраняване на шума, стъпки и параметри на разреждане; произвежда кодов скелет (с инструменти като PDAL, laspy).
- Класификация на обекти. Моделите за дълбоко обучение могат да класифицират точки в класове като сграда, дърво, стълб, превозно средство; Това е областта, в която AI върши истинската работа.
- Извличане на функции и доклад. Той установява и обобщава логиката, която изчислява производни измервания като височина на дърветата, площ на пода на сградата и провисване на линията.
Сляпо място: облакът от точки е триизмерен и не се вижда напълно на плоска карта. Погрешната класификация (напр. броене на мост като земя, нисък храст като сграда) изглежда невинно на картата и изкривява DTM. Следователно класификацията трябва да бъде проверена чрез профилни срезове (гледане на вертикален срез на облака от точки отстрани).
Съвет: Направете вертикални разрези на няколко места, преди да потвърдите класификация. Наистина ли наземният клас следва долната непрекъсната повърхност или „плува“ над покривите? Разрезът показва това с един поглед.
Стъпка по стъпка: Обработка на облак от точки за генериране на DTM
- Запознайте се с данните. Потвърдете плътността на точките (точки/m²), броя на завъртанията, текущите кодове на класа, CRS и вертикалната база.
- Ясен шум. Премахнете въздушните (висок шум) и подземните (нисък шум) отклонения.
- Филтрирайте земята. Изолирайте незаземени точки (сграда, дърво, превозно средство) и оставете голи земни точки. Тази стъпка е сърцето на DTM.
- Генерирайте повърхност. Извършете решетка DTM интерполация от земни точки.
- Проверете. Проверете земната следа с профилни секции; Сравнете височини с известни точки на надморска височина.
Защо наземното филтриране е критично?
Единствената разлика между DTM (гола земя) и DSM (повърхност) е дали точките извън земята са разделени или не. Изчисляването на обема, анализът на наклона, моделирането на водния поток или изследването на наводненията изисква DTM; Ако се използва DSM, сградите и дърветата се бъркат с „земя“ и резултатът се изкривява. Параметрите на земното филтриране се настройват според терена: в зона със стръмен наклон прекалено агресивният филтър също изтрива реалната земя, в равна зона разхлабеният филтър греши ниски обекти за земя. AI може да предложи добър начален параметър, но резултатът трябва да бъде тестван напречно сечение.
Внимание: Мостовете и виадуктите са класически капан. Това са конструкции, окачени над земята; Ако земният филтър погрешно ги приеме за земя, в DTM ще бъде създаден "набор", който всъщност не съществува и анализът на водния поток ще бъде напълно грешен.
Три мини калъфа: с числата
Случай 1 — Мостов капан. При моделиране на наводнения земният филтър класифицира мост като земен; В WTC се появи фалшив язовир, който блокира потока и моделът изчисли, че водата ще се натрупа нагоре по течението. Профилната секция ясно показваше моста; Когато мостовите точки бяха прекласифицирани, потокът беше моделиран правилно.
Случай 2 — Инвентаризация на височината на дървото. За 240 хектара в горско проучване, класификацията, подпомогната от изкуствен интелект, извлече модела на короната на дърветата от по-високия клас растения и изчисли средната височина на дървото от приблизително 18 m. Сравнява се с ръчно измерване на 30 произволни дървета в полето; разликата беше в рамките на ±0,8 m. Независимото измерване на полето направи изхода на модела надежден.
Случай 3 — Грешка при кота на шумовата точка. Когато DTM беше генериран без изчистване на няколко шумови точки (птици, прах), висящи във въздуха, надморската височина в една клетка скочи с 40 m над действителната стойност. Контролът на поръчката и стъпката за почистване на шума премахнаха тези отделни отскачания. Урок: Почистването на извънредни стойности е от съществено значение преди DTM.
Слаба подкана / Силна подкана
Слаба подкана:
Наземният модел се появява от този облак от точки.
Мощна подкана:
Задача: Конструирайте работен поток за генериране на DTM и PDAL/laspy рамка от LiDAR облак от точки. Контекст:- Плътност ~12 точки/m², налична информация за въртене, CRS EPSG:5256, трябва да се посочи вертикална дата TUDKA- Зона: смесена (поток, мост, рядка сграда, стръмен наклон) Изисквания:1) Последователност: премахване на шума -> земно филтриране -> DTM интерполация.2) За мост/виадукт и стръмен наклон предупреждава за рискове от филтриране.3) Проверка: стъпка на сравнение с напречно сечение на профила и известна надморска точка. 4) Напишете разликата между DTM и DSM и защо DTM е необходим за тази работа.
Силната бърза плътност дава рискове за терена (мост, наклон) и стъпка за проверка; излезе и пасва на полето.
Четири копируеми шаблона
1) Предварителен преглед на облак от точки:
Интерпретирайте следните LAS/LAZ метаданни: плътност на точките, разпределение на въртене, текущи кодове на класове, CRS/вертикални данни. Маркирайте липсваща или подозрителна информация и избройте какво трябва да се разреши, преди да започнете процеса. Метаданни: [резюме]
2) Настройка на земното филтриране:
Напишете стъпки за земно филтриране с PDAL; Дайте препоръка за параметър за тип терен [равнинен/наклонен/смесен]. Също така предупреждава за рискове от мост, ниски храсти и стръмен склон. Добавете стъпката за проверка на резултата със секцията на профила.
3) Проверка на класификацията на обекта:
Напишете план за проверка на класификацията на облака от точки (земя/сграда/завод/линия): кои участъци от профила трябва да бъдат взети, кои смеси от класове се очакват (мост-земя, кустообразна сграда), как да се провери всеки.
4) Изведен контрол на мярката:
Проверете следните получени измервания (височина на дървото, отпечатък на сградата, провисване на линията) за достоверност: стъпка, отрицателна стойност, отклонения. Добавете предложение за сравнение с полеви измервания. Размери: [маса]
Сравнение на концепциите за облак от точки
концепция
Значение
Важност
Първи/последен завой
Първо/последно ехо от удара
Горна повърхност срещу разделяне на земята
Код на класа
Точков етикет
DTM/DSM и извличане на обекти
земна филтрация
Разделяне на външната страна на пода
Основа на DTM
Плътност (точка/m²)
Честота на вземане на проби
Детайлност и граница на точност
Секция за профил
Вертикален изглед на срез
Проверка на класификацията
Често срещани грешки
- Произвеждане на DTM без земна филтрация. Всъщност се получава DSM; дънки/обемът е изкривен.
- Преброяване на мостове/виадукти като земя. Фалшив комплект, грешен модел на потока.
- Не се почистват шумови точки. Единични дънкови пръски.
- Не се проверява класификацията по напречно сечение. Липсват невинно изглеждащи 3D грешки на картата.
- Игнориране на вертикалната база. Дънките седят на грешна справка.
- Очакване на недостатъчна интензивност на детайлите. Обекти, по-малки от обхвата на точките, не могат да бъдат разрешени.
В обобщение
Изкуствен интелект при обработка на облак от точки LiDAR; Това е ускорител за редактиране на работни процеси, параметри за филтриране на земята, класификация на обекти и изчисляване на производни мерки. Задължителната стъпка при производството на DTM е земното филтриране; Ако това се пропусне, ще се получи DSM и анализите на надморска височина/обем/поток ще бъдат изкривени. Мостовете, стръмните склонове и шумните места са типични капани. Проверете всяка класификация с профилни секции и известни надморски точки; Винаги изяснявайте вертикалната точка.
Задача за приложение
Изберете сценарий на LiDAR (например долина с поток и мост). Накарайте AI да произвежда стъпки за премахване на шума, филтриране на земята и DTM интерполация; Помолете го да предупреди за рискове от мост и наклон. След това напишете план за проверка: конкретизирайте къде ще вземете секцията от профила и с кои известни надморски точки ще го сравните.
контролен списък
- [ ] Потвърдих плътността на точките, информацията за въртене и CRS/вертикалната дата.
- [ ] Почистих шума/отклоненията.
- [ ] Отделих външната страна на земята за DTM с филтриране на земята.
- [ ] Проверих рисковете от мост/виадукт и наклон.
- [ ] Проверих класификацията с профилни секции.
- [ ] Сравних височините с известни точки.
- [ ] Използвах DTM, а не DSM, за надморска височина/обем/поток.
- [ ] Запазих приемането на класификацията в одобрението на инженера.