Κέρδη:
- Δυνατότητα σωστής χρήσης των εννοιών του νέφους σημείου LiDAR, της επιστροφής, της πυκνότητας και των κωδικών κλάσης στη ροή εργασίας AI
- Δυνατότητα διαμόρφωσης βημάτων φιλτραρίσματος εδάφους, παραγωγής DTM και ταξινόμησης αντικειμένων (κτήριο, δέντρο, πόλος) με AI
- Δυνατότητα επαλήθευσης της εξόδου ταξινόμησης νέφους σημείων με τμήματα προφίλ και λογική ανύψωσης
Το LiDAR (Light Detection and Ranging) είναι μια ενεργή τεχνολογία ανίχνευσης που παράγει τρισδιάστατες μετρήσεις της επιφάνειας της γης στέλνοντας παλμούς λέιζερ και μετρώντας το χρόνο επιστροφής. Το αποτέλεσμα είναι ένα νέφος σημείων που αποτελείται από εκατομμύρια ή και δισεκατομμύρια σημεία. Κάθε σημείο έχει μια συντεταγμένη x, y, z και πρόσθετα χαρακτηριστικά. LiDAR στη μηχανική έρευνας. Είναι απαραίτητο για την παραγωγή ψηφιακών μοντέλων εδάφους, τη μοντελοποίηση δασικών και αστικών περιοχών και τη δημιουργία υποδομών (ηλεκτρικά καλώδια, δρόμοι). Σε αυτή την ενότητα, καλύπτουμε τον τρόπο με τον οποίο η τεχνητή νοημοσύνη επιταχύνει την επεξεργασία και την ταξινόμηση του νέφους σημείων. Αρχή: Η τεχνητή νοημοσύνη προτείνει ταξινόμηση. Η επαλήθευση με τη λογική ύψους και τομής παραμένει στον μηχανικό.
Βασικοί όροι. Η επιστροφή είναι πολλαπλές ηχώ ενός μόνο παλμού λέιζερ που ανακλάται από διαφορετικές επιφάνειες (φύλλα δέντρων, κλαδιά, έδαφος). Η πρώτη στροφή είναι συνήθως η πάνω επιφάνεια, η τελευταία στροφή είναι συχνά το έδαφος. Η ένταση είναι η ισχύς του επιστρεφόμενου σήματος. Δίνει μια ιδέα για τον τύπο της επιφάνειας. Ο κωδικός τάξης είναι η τυπική ετικέτα που αποδίδεται σε κάθε σημείο (όπως έδαφος, κτίριο, χαμηλή/μεσαία/υψηλή βλάστηση, νερό, γραμμή ρεύματος). Αποθηκεύεται σε μορφή αρχείου LAS/LAZ. Το φιλτράρισμα εδάφους είναι η διαδικασία αφαίρεσης μη γειωμένων σημείων και αφαίρεσης της επιφάνειας του γυμνού εδάφους (DTM). Voxel, κελί σε τρισδιάστατο χώρο. Χρησιμοποιείται για την αραίωση/επεξεργασία του νέφους σημείων.
Ο ρόλος της τεχνητής νοημοσύνης στην επεξεργασία του Point Cloud
Η τεχνητή νοημοσύνη συμβάλλει σε αυτόν τον τομέα σε τρία επίπεδα:
- Ροή εργασιών και ρύθμιση παραμέτρων. Συνιστά φιλτράρισμα εδάφους, αφαίρεση θορύβου, βήματα αραίωσης και παραμέτρους. παράγει σκελετό κώδικα (με εργαλεία όπως PDAL, laspy).
- Ταξινόμηση αντικειμένων. Τα μοντέλα βαθιάς μάθησης μπορούν να ταξινομήσουν σημεία σε κατηγορίες όπως κτίριο, δέντρο, κοντάρι, όχημα. Αυτή είναι η περιοχή όπου το AI κάνει την πραγματική δουλειά.
- Εξαγωγή και αναφορά χαρακτηριστικών. Καθιερώνει και συνοψίζει τη λογική που υπολογίζει τις προκύπτουσες μετρήσεις όπως το ύψος του δέντρου, το εμβαδόν του δαπέδου του κτιρίου και την πτώση γραμμής.
Τυφλό σημείο: το νέφος των σημείων είναι τρισδιάστατο και δεν είναι πλήρως ορατό σε επίπεδο χάρτη. Η εσφαλμένη ταξινόμηση (π.χ. μέτρηση μιας γέφυρας ως έδαφος, ενός χαμηλού θάμνου ως κτηρίου) φαίνεται αθώα στον χάρτη και παραμορφώνει το DTM. Επομένως, η ταξινόμηση πρέπει να επαληθευτεί με φέτες προφίλ (προβολή κάθετης τομής του νέφους σημείου από το πλάι).
Συμβουλή: Πάρτε κατακόρυφα τμήματα σε πολλές τοποθεσίες πριν επιβεβαιώσετε μια ταξινόμηση. Η κατηγορία εδάφους ακολουθεί πραγματικά την κάτω συνεχή επιφάνεια ή «επιπλέει» πάνω από τις στέγες; Το cutaway το δείχνει αυτό με μια ματιά.
Βήμα προς βήμα: Point Cloud Processing για DTM Generation
- Γνωρίστε τα δεδομένα. Επιβεβαιώστε την πυκνότητα του σημείου (κουκκίδες/m²), τον αριθμό των στροφών, τους τρέχοντες κωδικούς κλάσης, το CRS και το κατακόρυφο δεδομένο.
- Καθαρός θόρυβος. Αφαιρέστε τα ακραία σημεία του αέρα (υψηλού θορύβου) και του υπόγειου (χαμηλού θορύβου).
- Φιλτράρετε το έδαφος. Απομονώστε μη εδαφικά σημεία (κτίριο, δέντρο, όχημα) και αφήστε γυμνά σημεία του εδάφους. Αυτό το βήμα είναι η καρδιά του DTM.
- Δημιουργία επιφάνειας. Εκτελέστε παρεμβολή DTM πλέγματος από σημεία εδάφους.
- Επαληθεύω. Ελέγξτε το ίχνος εδάφους με τμήματα προφίλ. Συγκρίνετε υψόμετρα με γνωστά υψομετρικά σημεία.
Γιατί είναι κρίσιμο το φιλτράρισμα εδάφους;
Η μόνη διαφορά μεταξύ DTM (γυμνό έδαφος) και DSM (επιφάνεια) είναι εάν τα σημεία εκτός εδάφους είναι διαχωρισμένα ή όχι. Ένας υπολογισμός όγκου, ανάλυση κλίσης, μοντελοποίηση ροής νερού ή μελέτη πλημμύρας απαιτεί DTM. Εάν χρησιμοποιείται DSM, τα κτίρια και τα δέντρα θεωρούνται εσφαλμένα ως «γη» και το αποτέλεσμα παραμορφώνεται. Οι παράμετροι φιλτραρίσματος εδάφους προσαρμόζονται ανάλογα με το έδαφος: σε μια περιοχή με μεγάλη κλίση, ένα υπερβολικά επιθετικό φίλτρο διαγράφει επίσης το πραγματικό έδαφος, σε μια επίπεδη περιοχή, ένα χαλαρό φίλτρο μπερδεύει τα χαμηλά αντικείμενα με το έδαφος. Η τεχνητή νοημοσύνη μπορεί να προτείνει μια καλή παράμετρο εκκίνησης, αλλά το αποτέλεσμα πρέπει να ελεγχθεί σε διατομή.
Προσοχή: Οι γέφυρες και οι οδογέφυρες είναι μια κλασική παγίδα. Πρόκειται για δομές που αιωρούνται πάνω από το έδαφος. Εάν το φίλτρο γείωσης τα θεωρήσει εσφαλμένα ως γείωση, θα δημιουργηθεί ένα «σετ» στο DTM που στην πραγματικότητα δεν υπάρχει και η ανάλυση ροής νερού θα είναι εντελώς λάθος.
Τρεις μίνι θήκες: με τους αριθμούς
Περίπτωση 1 — Παγίδα γέφυρας. Σε μια μοντελοποίηση πλημμύρας, το φίλτρο εδάφους ταξινόμησε μια γέφυρα ως έδαφος. Ένα ψεύτικο φράγμα εμφανίστηκε στο WTC, εμποδίζοντας το ρέμα και το μοντέλο υπολόγισε ότι το νερό θα συσσωρευόταν ανάντη. Το τμήμα προφίλ έδειχνε ξεκάθαρα τη γέφυρα. Όταν τα σημεία της γέφυρας επαναταξινομήθηκαν, η ροή μοντελοποιήθηκε σωστά.
Περίπτωση 2 — Απογραφή ύψους δέντρου. Για 240 εκτάρια σε μια δασική μελέτη, η ταξινόμηση με τη βοήθεια τεχνητής νοημοσύνης εξήγαγε το μοτίβο του θόλου των δέντρων από την ανώτερη κατηγορία φυτών και υπολόγισε το μέσο ύψος δέντρου περίπου 18 m. Συγκρίθηκε με μέτρηση με το χέρι 30 τυχαίων δέντρων στο χωράφι. η διαφορά ήταν εντός ±0,8 m. Η ανεξάρτητη μέτρηση πεδίου έκανε την έξοδο του μοντέλου αξιόπιστη.
Περίπτωση 3 — Σφάλμα ανύψωσης σημείου θορύβου. Όταν το DTM δημιουργήθηκε χωρίς να καθαριστούν πολλά σημεία θορύβου (πουλιά, σκόνη) που αιωρούνται στον αέρα, το υψόμετρο σε ένα κελί πήδηξε 40 μέτρα πάνω από την πραγματική τιμή. Το βήμα ελέγχου παραγγελίας και καθαρισμού θορύβου αφαίρεσε αυτές τις μεμονωμένες αναπηδήσεις. Μάθημα: Ο καθαρισμός των εξωγενών είναι απαραίτητος πριν από το DTM.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Το μοντέλο εδάφους αναδύεται από αυτό το σημείο σύννεφο.
Ισχυρή προτροπή:
Εργασία: Κατασκευάστε ροή εργασιών παραγωγής DTM και πλαίσιο PDAL/laspy από το σύννεφο σημείων LiDAR. Πλαίσιο:- Πυκνότητα ~12 σημεία/m², διαθέσιμες πληροφορίες περιστροφής, CRS EPSG:5256, κατακόρυφο δεδομένο TUDKA πρέπει να καθοριστεί- Περιοχή: μικτή (ρεύμα, γέφυρα, αραιό κτίριο, απότομη κλίση) Απαιτήσεις:1) Ακολουθία: αφαίρεση θορύβου -> φιλτράρισμα εδάφους interpolridgeste. προειδοποίηση κλίσης για κινδύνους φιλτραρίσματος.3) Επαλήθευση: βήμα σύγκρισης με διατομή προφίλ και γνωστό υψόμετρο.4) Γράψτε τη διαφορά μεταξύ DTM και DSM και γιατί απαιτείται DTM για αυτήν την εργασία.
Η ισχυρή άμεση πυκνότητα δημιουργεί κινδύνους εδάφους (γέφυρα, κλίση) και βήμα επαλήθευσης. βγήκε και ταιριάζει στο γήπεδο.
Τέσσερα αντιγράψιμα πρότυπα
1) Προκαταρκτική ανασκόπηση Point cloud:
Ερμηνεύστε τα ακόλουθα μεταδεδομένα LAS/LAZ: πυκνότητα σημείου, κατανομή περιστροφής, τρέχοντες κωδικούς κλάσεων, CRS/κάθετο σημείο αναφοράς. Επισημάνετε τις πληροφορίες που λείπουν ή τις ύποπτες πληροφορίες και αναφέρετε τι πρέπει να επιλυθεί πριν ξεκινήσετε τη διαδικασία. Μεταδεδομένα: [σύνοψη]
2) Ρύθμιση φιλτραρίσματος εδάφους:
Γράψτε βήματα φιλτραρίσματος εδάφους με το PDAL. Δώστε σύσταση παραμέτρων για τον τύπο εδάφους [επίπεδο/κλίση/μικτή]. Προειδοποιεί επίσης για κινδύνους γέφυρας, χαμηλού θάμνου και απότομης κλίσης. Προσθέστε το βήμα της επαλήθευσης του αποτελέσματος με την ενότητα προφίλ.
3) Επαλήθευση ταξινόμησης αντικειμένων:
Γράψτε ένα σχέδιο για την επαλήθευση μιας ταξινόμησης νέφους σημείου (έδαφος/κτίριο/εγκατάσταση/γραμμή): ποια τμήματα προφίλ πρέπει να ληφθούν, ποιες μίξεις τάξεων αναμένονται (γέφυρα-έδαφος, δόμηση θάμνων), πώς να επαληθεύσετε το καθένα.
4) Έλεγχος παράγωγου μέτρου:
Ελέγξτε τις ακόλουθες παραγόμενες μετρήσεις (ύψος δέντρου, αποτύπωμα κτιρίου, πτώση γραμμής) για αληθοφάνεια: ύψος, αρνητική τιμή, ακραίες τιμές. Προσθέστε πρόταση για σύγκριση με μέτρηση πεδίου. Διαστάσεις: [πίνακας]
Σύγκριση εννοιών Point Cloud
έννοια
Σημασία
Σημασία
Πρώτη/τελευταία στροφή
Πρώτος/τελευταίος απόηχος του χτυπήματος
Κορυφαία επιφάνεια έναντι διαχωρισμού εδάφους
Κωδικός τάξης
Ετικέτα με κουκκίδες
DTM/DSM και εξαγωγή αντικειμένων
διήθηση εδάφους
Διαχωρίζοντας το εξωτερικό του δαπέδου
Ίδρυση DTM
Πυκνότητα (κουκκίδα/m²)
Συχνότητα δειγματοληψίας
Όριο λεπτομέρειας και ακρίβειας
Ενότητα προφίλ
Κάθετη όψη τομής
Επαλήθευση ταξινόμησης
Συνήθη λάθη
- Παραγωγή DTM χωρίς φιλτράρισμα εδάφους. Στην πραγματικότητα, λαμβάνεται DSM. τζιν/ο όγκος είναι παραμορφωμένος.
- Μετρώντας γέφυρες/οδογέφυρες ως έδαφος. Ψεύτικο σετ, λάθος μοντέλο ροής.
- Δεν καθαρίζει σημεία θορύβου. Μοναδικές πιτσιλιές τζιν.
- Μη επαλήθευση της ταξινόμησης κατά διατομή. Λείπουν αθώα τρισδιάστατα λάθη στο χάρτη.
- Αγνοώντας το κατακόρυφο δεδομένο. Το τζιν κάθεται σε λάθος αναφορά.
- Αναμένοντας ανεπαρκή ένταση λεπτομέρειας. Αντικείμενα μικρότερα από το εύρος κουκκίδων δεν μπορούν να επιλυθούν.
Συνοπτικά
Τεχνητή νοημοσύνη στην επεξεργασία σύννεφων σημείων LiDAR. Είναι ένας επιταχυντής για επεξεργασία ροής εργασιών, παραμέτρους φιλτραρίσματος εδάφους, ταξινόμηση αντικειμένων και υπολογισμό παράγωγων μετρήσεων. Το υποχρεωτικό βήμα για την παραγωγή DTM είναι το φιλτράρισμα εδάφους. Εάν αυτό παραλειφθεί, θα ληφθεί DSM και οι αναλύσεις ανύψωσης/όγκου/ροής θα παραμορφωθούν. Γέφυρες, απότομες πλαγιές και σημεία θορύβου είναι τυπικές παγίδες. Επαληθεύστε κάθε ταξινόμηση με τμήματα προφίλ και γνωστά υψομετρικά σημεία. Να διευκρινίζετε πάντα το κατακόρυφο δεδομένο.
Εργασία εφαρμογής
Επιλέξτε ένα σενάριο LiDAR (για παράδειγμα, μια κοιλάδα με ένα ρέμα και μια γέφυρα). Αναθέστε στα βήματα αφαίρεσης θορύβου, φιλτραρίσματος εδάφους και παρεμβολής DTM να παράγει το AI. Ζητήστε του να προειδοποιήσει για τους κινδύνους γέφυρας και πλαγιάς. Στη συνέχεια, γράψτε ένα σχέδιο επαλήθευσης: συγκεκριμενοποιήστε πού θα πάτε το τμήμα προφίλ και με ποια γνωστά υψομετρικά σημεία θα το συγκρίνετε.
λίστα ελέγχου
- [ ] Επιβεβαίωσα την πυκνότητα σημείου, τις πληροφορίες περιστροφής και το CRS/κάθετο σημείο αναφοράς.
- [ ] Καθάρισα το θόρυβο/απομακρυσμένα.
- [ ] Διαχώρισα το εξωτερικό του εδάφους για DTM με φιλτράρισμα γείωσης.
- [ ] Έλεγξα τους κινδύνους γέφυρας/οδογέφυρας και πλαγιάς.
- [ ] Επιβεβαίωσα την ταξινόμηση με ενότητες προφίλ.
- [ ] Σύγκρισα τα υψόμετρα με γνωστά σημεία.
- [ ] Χρησιμοποίησα DTM, όχι DSM, για εργασίες ανύψωσης/όγκου/ροής.
- [ ] Διατήρησα την αποδοχή ταξινόμησης στην έγκριση μηχανικού.