Lợi nhuận:
- Khả năng sử dụng chính xác các khái niệm về đám mây điểm LiDAR, trả về, mật độ và mã lớp trong quy trình làm việc AI
- Khả năng định cấu hình các bước lọc mặt đất, sản xuất DTM và phân loại đối tượng (tòa nhà, cây, cột) bằng AI
- Khả năng xác minh đầu ra phân loại đám mây điểm với các phần hồ sơ và logic độ cao
LiDAR (Phát hiện ánh sáng và phạm vi) là công nghệ phát hiện tích cực tạo ra các phép đo ba chiều trên bề mặt trái đất bằng cách gửi các xung laser và đo thời gian quay trở lại. Kết quả là một đám mây điểm bao gồm hàng triệu hoặc thậm chí hàng tỷ điểm; Mỗi điểm có tọa độ x, y, z và các thuộc tính bổ sung. LiDAR trong kỹ thuật khảo sát; Nó không thể thiếu trong việc sản xuất các mô hình địa hình kỹ thuật số, mô hình hóa rừng và đô thị, tạo ra cơ sở hạ tầng (đường dây điện, đường sá). Trong phần này, chúng tôi đề cập đến cách trí tuệ nhân tạo tăng tốc xử lý và phân loại đám mây điểm. Nguyên tắc: AI gợi ý phân loại; Việc xác minh logic chiều cao và mặt cắt vẫn thuộc về kỹ sư.
Các điều khoản cơ bản. Phản hồi là nhiều tiếng vang của một xung laser đơn lẻ được phản xạ từ các bề mặt khác nhau (lá cây, cành, mặt đất); Lượt đầu tiên thường là mặt trên, lượt cuối cùng thường là mặt đất. Cường độ là cường độ của tín hiệu trả về; Nó đưa ra manh mối về loại bề mặt. Mã lớp là nhãn tiêu chuẩn được gán cho từng điểm (như mặt đất, tòa nhà, thảm thực vật thấp/trung bình/cao, nước, đường dây điện); Nó được lưu trữ ở định dạng tệp LAS/LAZ. Lọc mặt đất là quá trình loại bỏ các điểm không có mặt đất và loại bỏ bề mặt đất trống (DTM). Voxel, ô trong không gian 3D; Được sử dụng để pha loãng/xử lý đám mây điểm.
Vai trò của AI trong xử lý đám mây điểm
Trí tuệ nhân tạo đóng góp trong lĩnh vực này ở ba cấp độ:
- Quy trình làm việc và thiết lập tham số. Đề xuất lọc đất, loại bỏ tiếng ồn, các bước pha loãng và thông số; tạo khung mã (với các công cụ như PDAL, laspy).
- Phân loại đối tượng. Các mô hình deep learning có thể phân loại điểm thành các lớp như tòa nhà, cây, cột, phương tiện; Đây là lĩnh vực mà AI thực hiện công việc thực sự.
- Trích xuất tính năng và báo cáo. Nó thiết lập và tóm tắt logic tính toán các phép đo dẫn xuất như chiều cao cây, diện tích sàn tòa nhà và độ võng của đường.
Điểm mù: đám mây điểm có dạng ba chiều và không hiển thị đầy đủ trên bản đồ phẳng. Việc phân loại sai (ví dụ: coi một cây cầu là mặt đất, một bụi cây thấp là một tòa nhà) trông có vẻ vô hại trên bản đồ và làm sai lệch DTM. Do đó, việc phân loại phải được xác minh bằng các lát cắt hồ sơ (xem một lát cắt dọc của đám mây điểm từ bên cạnh).
Mẹo: Chụp các phần dọc ở một số vị trí trước khi xác nhận phân loại. Lớp mặt đất có thực sự bám theo bề mặt liên tục phía dưới hay nó “nổi” phía trên các mái nhà? Các cutaway cho thấy điều này trong nháy mắt.
Từng bước: Xử lý đám mây điểm để tạo DTM
- Nhận biết dữ liệu. Xác nhận mật độ điểm (điểm/m2), số lượt, mã lớp hiện tại, CRS và mốc chuẩn dọc.
- Tiếng ồn rõ ràng. Loại bỏ các ngoại lệ trong không khí (tiếng ồn cao) và dưới lòng đất (tiếng ồn thấp).
- Lọc đất. Cô lập các điểm không có mặt đất (tòa nhà, cây cối, xe cộ) và để lại các điểm trống trên mặt đất. Bước này là trái tim của DTM.
- Tạo bề mặt. Thực hiện nội suy DTM lưới từ các điểm mặt đất.
- Xác minh. Kiểm tra dấu vết mặt đất bằng các mặt cắt biên dạng; So sánh độ cao với các điểm độ cao đã biết.
Tại sao lọc mặt đất lại quan trọng?
Sự khác biệt duy nhất giữa DTM (mặt đất trần) và DSM (bề mặt) là liệu các điểm ngoài mặt đất có được tách biệt hay không. Tính toán thể tích, phân tích độ dốc, lập mô hình dòng nước hoặc nghiên cứu lũ lụt yêu cầu DTM; Nếu DSM được sử dụng, các tòa nhà và cây cối sẽ bị nhầm là "đất" và kết quả sẽ bị sai lệch. Các thông số lọc mặt đất được điều chỉnh theo địa hình: ở khu vực có độ dốc lớn, bộ lọc quá mạnh cũng xóa sạch mặt đất thật, ở khu vực bằng phẳng, bộ lọc lỏng nhầm vật thể thấp với mặt đất. AI có thể đề xuất một tham số khởi đầu tốt nhưng kết quả phải được kiểm tra cắt ngang.
Thận trọng: Cầu và cầu cạn là một cái bẫy cổ điển. Đây là những cấu trúc lơ lửng trên mặt đất; Nếu bộ lọc mặt đất nhầm tưởng những thứ này là mặt đất, một "bộ" sẽ được tạo trong DTM không thực sự tồn tại và việc phân tích dòng nước sẽ sai hoàn toàn.
Ba trường hợp nhỏ: Bằng những con số
Trường hợp 1 - Bẫy cầu. Trong mô hình lũ lụt, bộ lọc mặt đất phân loại cây cầu là mặt đất; Một con đập giả xuất hiện ở WTC, chặn dòng chảy và mô hình tính toán rằng nước sẽ tích tụ ở thượng nguồn. Mặt cắt thể hiện rõ cây cầu; Khi các điểm cầu được phân loại lại, luồng đã được mô hình hóa chính xác.
Trường hợp 2 - Kiểm kê chiều cao cây. Đối với 240 ha trong một nghiên cứu về rừng, quá trình phân loại có sự hỗ trợ của AI đã trích xuất mô hình tán cây từ lớp thực vật cao hơn và tính toán chiều cao trung bình của cây khoảng 18 m. Nó được so sánh với việc đo bằng tay 30 cây ngẫu nhiên trên đồng ruộng; sự khác biệt là trong khoảng ± 0,8 m. Đo lường trường độc lập làm cho kết quả đầu ra của mô hình trở nên đáng tin cậy.
Trường hợp 3 - Lỗi độ cao điểm nhiễu. Khi DTM được tạo ra mà không loại bỏ một số điểm tiếng ồn (chim, bụi) lơ lửng trong không khí, độ cao trong một ô đã tăng lên 40 m so với giá trị thực tế. Bước kiểm soát đơn hàng và loại bỏ tiếng ồn đã loại bỏ các lần trả lại riêng lẻ này. Bài học: Việc làm sạch ngoại lệ là điều cần thiết trước DTM.
Nhắc yếu / Nhắc mạnh
Dấu nhắc yếu:
Mô hình mặt đất xuất hiện từ đám mây điểm này.
Lời nhắc mạnh mẽ:
Nhiệm vụ: Xây dựng quy trình tạo DTM và khung PDAL/laspy từ đám mây điểm LiDAR. Bối cảnh:- Mật độ ~12 điểm/m2, có thông tin xoay, CRS EPSG:5256, mốc dọc TUDKA phải được chỉ định - Khu vực: hỗn hợp (suối, cầu, tòa nhà thưa thớt, sườn dốc) Yêu cầu:1) Trình tự: loại bỏ tiếng ồn -> lọc mặt đất -> nội suy DTM.2) Đối với cảnh báo cầu/cầu cạn và sườn dốc về rủi ro lọc.3) Xác minh: bước so sánh với mặt cắt tiết diện và điểm cao độ đã biết.4) Viết sự khác biệt giữa DTM và DSM và tại sao DTM lại cần thiết cho công việc này.
Mật độ nhắc nhở mạnh mang lại rủi ro về địa hình (cầu, độ dốc) và bước xác minh; bước ra và phù hợp với lĩnh vực này.
Bốn mẫu có thể sao chép
1) Đánh giá sơ bộ về đám mây điểm:
Giải thích siêu dữ liệu LAS/LAZ sau: mật độ điểm, phân bố spin, mã lớp hiện tại, CRS/mốc dữ liệu dọc. Đánh dấu những thông tin còn thiếu hoặc đáng ngờ và liệt kê những gì cần giải quyết trước khi bắt đầu quá trình. Siêu dữ liệu: [tóm tắt]
2) Thiết lập lọc mặt đất:
Viết các bước lọc đất bằng PDAL; Đưa ra đề xuất thông số cho loại địa hình [phẳng/dốc/hỗn hợp]. Đồng thời cảnh báo rủi ro về cầu, bụi thấp và sườn dốc. Thêm bước xác minh kết quả bằng phần hồ sơ.
3) Xác minh phân loại đối tượng:
Viết kế hoạch để xác minh phân loại đám mây điểm (mặt đất/tòa nhà/nhà máy/đường): nên lấy phần hồ sơ nào, dự kiến kết hợp lớp nào (cầu-đất, xây dựng cây bụi), cách xác minh từng phần.
4) Kiểm soát thước đo phái sinh:
Kiểm tra các phép đo dẫn xuất sau đây (chiều cao cây, diện tích tòa nhà, độ võng của đường) để biết tính hợp lý: cao độ, giá trị âm, giá trị ngoại lệ. Thêm gợi ý so sánh với đo đạc hiện trường. Kích thước: [bảng]
So sánh các khái niệm đám mây điểm
khái niệm
Ý nghĩa
Tầm quan trọng
Lượt đầu tiên/cuối cùng
Tiếng vang đầu tiên/cuối cùng của cú đánh
Sự tách biệt bề mặt và mặt đất
Mã lớp
Nhãn chấm
DTM/DSM và trích xuất đối tượng
lọc mặt đất
Tách bên ngoài sàn
Nền tảng của DTM
Mật độ (chấm/m2)
Tần số lấy mẫu
Giới hạn chi tiết và độ chính xác
Phần hồ sơ
Chế độ xem lát dọc
Xác minh phân loại
Những lỗi thường gặp
- Sản xuất DTM không qua lọc đất. Trên thực tế, thu được DSM; quần jean/khối lượng bị biến dạng.
- Đếm cầu/cầu cạn như mặt đất. Bộ giả, mô hình dòng chảy sai.
- Không làm sạch các điểm tiếng ồn. Những mảnh vải denim đơn độc.
- Không xác minh việc phân loại theo mặt cắt ngang. Thiếu các lỗi 3D trông vô hại trên bản đồ.
- Bỏ qua mốc chuẩn dọc. Quần jean ngồi trên tài liệu tham khảo sai.
- Mong đợi không đủ cường độ chi tiết. Không thể giải quyết được các đối tượng nhỏ hơn phạm vi dấu chấm.
Tóm lại
Trí tuệ nhân tạo trong xử lý đám mây điểm LiDAR; Nó là một công cụ tăng tốc để chỉnh sửa quy trình làm việc, tham số lọc mặt đất, phân loại đối tượng và tính toán số đo dẫn xuất. Bước bắt buộc trong sản xuất DTM là lọc mặt đất; Nếu bỏ qua điều này, DSM sẽ thu được và các phân tích độ cao/thể tích/dòng chảy sẽ bị sai lệch. Cầu, sườn dốc và các điểm ồn ào là những cái bẫy điển hình. Xác minh từng phân loại với các mặt cắt và các điểm độ cao đã biết; Luôn làm rõ mốc thời gian dọc.
Nhiệm vụ ứng dụng
Chọn kịch bản LiDAR (ví dụ: thung lũng có suối và cầu). Yêu cầu AI tạo ra các bước loại bỏ nhiễu, lọc mặt đất và nội suy DTM; Yêu cầu nó cảnh báo về rủi ro cầu và dốc. Sau đó viết một kế hoạch xác minh: cụ thể hóa nơi bạn sẽ lấy phần hồ sơ và những điểm cao độ đã biết mà bạn sẽ so sánh với nó.
danh sách kiểm tra
- [ ] Tôi đã xác nhận mật độ điểm, thông tin xoay và CRS/mốc chuẩn dọc.
- [ ] Tôi đã loại bỏ tiếng ồn/các ngoại lệ.
- [ ] Tôi tách phần bên ngoài của mặt đất cho DTM bằng tính năng lọc mặt đất.
- [ ] Tôi đã kiểm tra rủi ro về cầu/cầu cạn và độ dốc.
- [ ] Tôi đã xác minh việc phân loại bằng các phần hồ sơ.
- [ ] Tôi đã so sánh độ cao với các điểm đã biết.
- [ ] Tôi đã sử dụng DTM, không phải DSM, cho công việc về độ cao/âm lượng/dòng chảy.
- [ ] Tôi đã giữ nguyên sự chấp nhận phân loại trong phê duyệt của kỹ sư.