李志偉，陳聯(lián)鵬，江堯堯，張 升

（1.中國電建集團(tuán)江西省水電工程局有限公司，江西 南昌 330096；2.南昌大學(xué)工程建設(shè)學(xué)院，江西 南昌 330031）

引言

近年來，隨著我國風(fēng)電事業(yè)蓬勃發(fā)展，傳統(tǒng)數(shù)字?jǐn)z影測量方法已無法滿足實(shí)際風(fēng)電場建設(shè)項(xiàng)目中地形圖繪制、信息收集、規(guī)劃等工作的精度和效率。無人機(jī)LiDAR 點(diǎn)云數(shù)據(jù)精度高、采集效率快，可以滿足風(fēng)電場建設(shè)項(xiàng)目要求。點(diǎn)云分類是點(diǎn)云數(shù)據(jù)處理中的關(guān)鍵一環(huán)，傳統(tǒng)風(fēng)電場點(diǎn)云數(shù)據(jù)分類效率低、人工干預(yù)大，直接影響風(fēng)電場項(xiàng)目各項(xiàng)工作的進(jìn)度及數(shù)據(jù)的準(zhǔn)確性。故而亟需一種高效、準(zhǔn)確、適用性強(qiáng)的風(fēng)電場點(diǎn)云數(shù)據(jù)分類方法。

目前風(fēng)電場點(diǎn)云數(shù)據(jù)常用的地面點(diǎn)分類方法[1]，有基于分割類算法[2-3]和坡度的分類算法[4]，但計(jì)算量大、內(nèi)存占用率高。形態(tài)類分類方法[5]，對(duì)地勢起伏較大地形適用性低。常見的非地面點(diǎn)云數(shù)據(jù)分類方法，如DBSCAN 算法[6-8]利用密度聚類，且聚類速度快、適用性高，但聚類結(jié)果受算法中Eps 和MinPts 兩個(gè)核心參數(shù)影響大，兩參數(shù)需要人為擬定。對(duì)此Yue 等[9]提出一種快速確定Eps 參數(shù)的算法，但算法MinPts 參數(shù)恒定取值為4。周治平等[10]提出AF-DBSCAN 算法，自適應(yīng)確定了兩參數(shù)，但聚類結(jié)果偶然因素更多。Khan 等[11]提出的AD-DBSCAN 自適應(yīng)聚類算法也無法自動(dòng)識(shí)別簇?cái)?shù)，需提前給定。李宗林等[12]提出（Kernel-DBSCAN）可通過數(shù)據(jù)的分布特征來確定兩個(gè)參數(shù)，但僅在一維上有效，高維度聚類效果差。由李文杰等人提出的KANN-DBSCAN 算法[13]，基于自身特征自動(dòng)確定最優(yōu)Eps 和MinPts，聚類分類結(jié)果準(zhǔn)確性較高，但僅運(yùn)行于二維少量點(diǎn)數(shù)據(jù)聚類實(shí)驗(yàn)。

綜上，本研究利用基于不規(guī)則三角網(wǎng)加密濾波算法[14]提取風(fēng)電場原始點(diǎn)云數(shù)據(jù)中的地面點(diǎn)及非地面點(diǎn)，使用三維KANN-DBSCAN 算法對(duì)非地面點(diǎn)進(jìn)行精分類，采用South LiDAR 軟件在地面點(diǎn)云中分類道路點(diǎn)，實(shí)現(xiàn)風(fēng)電場點(diǎn)云數(shù)據(jù)高效、準(zhǔn)確分類。

1 方法綜述

風(fēng)電場點(diǎn)云數(shù)據(jù)是利用三維激光LiDAR，對(duì)地表進(jìn)行掃描得到的三維數(shù)據(jù)，主要分為兩大類：

（1） 地面點(diǎn)云，包含裸地表面、道路等點(diǎn)。

（2） 非地面點(diǎn)云，包括建筑物、密林植被、高壓或民用電線等點(diǎn)。

本研究將去噪后的原始數(shù)據(jù)分為地面點(diǎn)和非地面點(diǎn)。并進(jìn)一步分類非地面、地面點(diǎn)點(diǎn)云中的植被、建筑、道路點(diǎn)云等點(diǎn)云。形成一套完整風(fēng)電場點(diǎn)云數(shù)據(jù)處理方法路線，路線圖見圖1，本研究方法大幅提高風(fēng)電場點(diǎn)云數(shù)據(jù)分類精度和效率。

圖1 風(fēng)電場點(diǎn)云數(shù)據(jù)處理方法路線

廟墩中學(xué)前段數(shù)據(jù)面積36 881.662 m2，數(shù)據(jù)中共包含40 419 351 個(gè)點(diǎn)云對(duì)象，下文具體分析，以廟墩中學(xué)前段數(shù)據(jù)為例：

1.1 風(fēng)電場地面點(diǎn)云數(shù)據(jù)分類

不規(guī)則三角網(wǎng)加密濾波算法對(duì)地面點(diǎn)分類，實(shí)現(xiàn)步驟如下：

（1） 首先選擇低點(diǎn)建立初始三角網(wǎng)模型。

（2） 利用算法持續(xù)加入新的點(diǎn)向上擴(kuò)建模型，使其與地表模型更加吻合。

（3） 數(shù)據(jù)點(diǎn)納入三角網(wǎng)需滿足兩個(gè)閾值，為反復(fù)參數(shù)迭代角和迭代距離。新激光點(diǎn)連接與其距離最小的三角形頂點(diǎn)成線，該線與對(duì)應(yīng)三角形所處平面的最大角度，稱為迭代角。隨著迭代角的減小，點(diǎn)云起伏變化的幅度也減小，意味著迭代角與地面點(diǎn)數(shù)量成正比。迭代距離在三角形較大時(shí)，可以避免在三角形向上構(gòu)建的情況下出現(xiàn)劇烈的波動(dòng)甚至大的跳躍等狀況；在三角形較小時(shí)，由于迭代距離，迭代角度隨之迭代減小，可以避免地面點(diǎn)云出現(xiàn)過多的無用點(diǎn)云數(shù)據(jù)。當(dāng)三角形邊短于一個(gè)給定值，則迭代停止。兩個(gè)參數(shù)的定義見圖2。

圖2 反復(fù)參數(shù)的定義示意

根據(jù)如上步驟即可實(shí)現(xiàn)地面點(diǎn)與非地面點(diǎn)的快速分類。使用不規(guī)則三角網(wǎng)加密濾波算法分類后的廟墩中學(xué)前段地面點(diǎn)云及非地面點(diǎn)云數(shù)據(jù)，其中包含36 456 736 個(gè)地面點(diǎn)和3 958 332 個(gè)非地面點(diǎn)。

1.2 風(fēng)電場非地面點(diǎn)云、地面點(diǎn)云數(shù)據(jù)精分類

本研究針對(duì)非地面點(diǎn)基于KANN-DBCSCAN 算法對(duì)非地面點(diǎn)云進(jìn)行精分類，地面點(diǎn)云分類利用集成的South LiDAR 軟件平臺(tái)實(shí)現(xiàn)地面點(diǎn)云精分類。

KANN DBCSCAN 算法基于DBSCAN 算法自適應(yīng)確定Eps 和MinPts 的參數(shù)，其中，Eps 為掃描半徑，MinPts 為鄰域密度閾值。具體算法求解過程如下：

（1） Eps 列表由數(shù)學(xué)期望法和經(jīng)過平均最近鄰法改進(jìn)的K-平均最鄰近法[15]相結(jié)合生成。該算法計(jì)算數(shù)據(jù)集D 中所有對(duì)象的K-最鄰近距離，再取所有K-最鄰近距離的平均值，最后計(jì)算每一個(gè)K，得到K-平均最鄰近距離向量，計(jì)算步驟如下：

Step1：數(shù)據(jù)集D 中所有對(duì)象之間的距離，經(jīng)過計(jì)算可得到矩陣Distm×n，式中對(duì)象個(gè)數(shù)為m，第i 個(gè)對(duì)象到第j 個(gè)對(duì)象的距離是dist(i,j)。

圖3 為廟墩中學(xué)前段非地面點(diǎn)數(shù)據(jù)集的Eps 列表和K 值的關(guān)系圖，其中Eps 隨K 值增大而升高。

圖3 Eps 列表和K 值關(guān)系

（2） 使用數(shù)學(xué)期望法，生成MinPts 參數(shù)列表。該方法利用上一步生成的Eps 參數(shù)列表，計(jì)算對(duì)應(yīng)Eps鄰域中的對(duì)象數(shù)，計(jì)算所有對(duì)象的Eps鄰域?qū)ο笃骄鶖?shù)，作為整個(gè)數(shù)據(jù)集D 的鄰域密度閾值MinPts，其表達(dá)式為：

Qi為第i 個(gè)數(shù)據(jù)點(diǎn)的Eps 鄰域數(shù)量;m 為數(shù)據(jù)集D 的數(shù)據(jù)點(diǎn)的總個(gè)數(shù)。

依次計(jì)算每個(gè)Eps 參數(shù)可得到廟墩中學(xué)前段非地面點(diǎn)數(shù)據(jù)集MinPts 與K 值關(guān)系圖見圖4。

圖4 MinPts 列表和K 值關(guān)系

（3） 自適應(yīng)確定最優(yōu)參數(shù)。該方法采用參數(shù)集合DEps的數(shù)據(jù)和MinPts參數(shù)作為DBSCAN 算法的兩個(gè)關(guān)鍵參數(shù)進(jìn)行計(jì)算，計(jì)算所得再進(jìn)行聚類分析。最優(yōu)K 值為利用不同的K 值計(jì)算時(shí)，生成的簇?cái)?shù)N 連續(xù)三次相同對(duì)應(yīng)的值K。將其最優(yōu)K 值的K-平均最鄰近距離Distk作為最優(yōu)的Eps 參數(shù)，與其相應(yīng)的鄰域密度閾值MinPts 作為最優(yōu)MinPts 參數(shù)。

（4） 將最優(yōu)的Eps 參數(shù)和最優(yōu)MinPts 參數(shù)代入DBSCAN 算法。該算法開始任意選取一個(gè)未訪問點(diǎn)，找出該點(diǎn)Eps 鄰域內(nèi)的所有臨近點(diǎn)。找點(diǎn)數(shù)大于或者等于MinPts 時(shí)，該點(diǎn)與其臨近點(diǎn)形成一個(gè)簇，并將出發(fā)點(diǎn)標(biāo)記為已訪問點(diǎn)。之后對(duì)簇內(nèi)所有未標(biāo)記的點(diǎn)，以相同的方法處理來延展該簇。當(dāng)訪問完簇內(nèi)所有標(biāo)記的點(diǎn)后，用相同的算法去處理未訪問點(diǎn)，將數(shù)據(jù)集分成各種簇，以此達(dá)到全部非地面點(diǎn)云數(shù)據(jù)分類的目的。

South LiDAR 軟件平臺(tái)的分類功能，可實(shí)現(xiàn)在地面點(diǎn)中分類出地形點(diǎn)及道路點(diǎn)，操作難度低，效率及準(zhǔn)確率較高。

利用上述方法對(duì)廟墩中學(xué)前段數(shù)據(jù)集進(jìn)行分析，通過KANN-DBCSCAN 算法運(yùn)行，得出聚類簇?cái)?shù)與K值的關(guān)系見圖5。由圖可得當(dāng)K = 89 到K = 163簇?cái)?shù)穩(wěn)定，根據(jù)此選取K=163 時(shí)對(duì)應(yīng)最優(yōu)Eps 和MinPts 參數(shù)，分別為Eps=6.693，MinPts=113。將兩參數(shù)導(dǎo)入DBSCAN 算法可得出聚類結(jié)果，結(jié)合South LiDAR 軟件對(duì)地面點(diǎn)分類。非地面點(diǎn)云分成結(jié)果為3個(gè)主要類別，分類準(zhǔn)確度較高；地面點(diǎn)中到道路分類結(jié)果效果好。由此證明本算法能夠有效的對(duì)非地面、地面點(diǎn)云進(jìn)行精分類。

圖5 聚類簇?cái)?shù)N 和K 值關(guān)系

2 工程實(shí)例及結(jié)果分析

本研究以廣東韶關(guān)市翁源周陂風(fēng)電場項(xiàng)目廟墩中學(xué)作為研究對(duì)象。地點(diǎn)位于廣東韶關(guān)市翁源縣周陂鎮(zhèn)，存在山地、密林及村鎮(zhèn)等復(fù)雜地形環(huán)境。采用無人機(jī)激光LiDAR 進(jìn)行點(diǎn)云數(shù)據(jù)測繪，飛行工具選取大疆Matrice 300 RTK，最大飛行高程為100 m，最快飛行速度為23 m/s。三維激光掃描儀型號(hào)為禾賽Pandar 40P，選用Ustudio 軟件進(jìn)行原始數(shù)據(jù)解算，利用South LiDAR 軟件進(jìn)行點(diǎn)云去噪，導(dǎo)出XYZ 文件，本研究算法主要使用Python 實(shí)現(xiàn)。

2.1 風(fēng)電場地面點(diǎn)云分類

廟墩中學(xué)中段及后段去噪后的原始點(diǎn)云數(shù)據(jù)，總面積分別為28 296.118 m2和36 371.533 m2，中段包含27 152 031 個(gè)點(diǎn)云數(shù)據(jù)，后段包含39 259 992 個(gè)點(diǎn)云數(shù)據(jù)。分類后的廟墩中學(xué)中段及后段地面與非地面點(diǎn)云數(shù)據(jù)。廟墩中學(xué)中段中分類得到24 735 748個(gè)地面點(diǎn)云數(shù)據(jù)，2 415 235 個(gè)非地面點(diǎn)云數(shù)據(jù)。廟墩中學(xué)后段中分類得到36 277 666 個(gè)地面點(diǎn)云數(shù)據(jù)，2 968 168 個(gè)非地面點(diǎn)云數(shù)據(jù)。結(jié)果表明，兩段的地面點(diǎn)與非地面點(diǎn)都得到分類較好效果。

2.2 風(fēng)電場非地面點(diǎn)云、地面點(diǎn)云數(shù)據(jù)精分類

利用KANN-DBSCAN 算法及SouthLiDAR 軟件，對(duì)廟墩中學(xué)中段及后段非地面、地面點(diǎn)云數(shù)據(jù)進(jìn)行精分類，結(jié)果可見KANN-DBSCAN 算法能夠使得各類非地面點(diǎn)云得到有效分類，廟墩中學(xué)中段點(diǎn)云數(shù)據(jù)分為三類，包含植被點(diǎn)2 285 476 個(gè)，建筑點(diǎn)包括建筑及線桿共126 831 個(gè)，電線點(diǎn)為2 928 個(gè)；廟墩中學(xué)后段點(diǎn)云數(shù)據(jù)分為四類，其中植被點(diǎn)2 314 283 個(gè)，建筑點(diǎn)包括建筑點(diǎn)共650 720 個(gè)，電線點(diǎn)為3 165個(gè)，菜棚點(diǎn)15 750 個(gè)。直接使用SouthLiDAR 軟件和KANN-DBSCAN 算法分類a、b 段為SouthLiDAR 軟件分類，存在大量植被點(diǎn)和建筑點(diǎn)的混雜，a、b 段使用KANN-DBSCAN 算法分類，兩段點(diǎn)云得到有效的區(qū)分，還分類出不屬于植被的菜棚點(diǎn)。由此可發(fā)現(xiàn)相較于直接使用SouthLiDAR 軟件對(duì)非地面點(diǎn)云直接分類，KANN-DBSCAN 算法分類結(jié)果更加準(zhǔn)確。

3 結(jié)論

（1） 本研究針對(duì)風(fēng)電場項(xiàng)目點(diǎn)云數(shù)據(jù)數(shù)量龐大，分類不準(zhǔn)確的問題。首先使用不規(guī)則三角網(wǎng)加密濾波算法，后運(yùn)用三維KANN-DBSCAN 算法和SouthLiDAR 軟件。實(shí)現(xiàn)地面點(diǎn)、非地面點(diǎn)快速分類，并進(jìn)一步分類出植被、建筑、電線、道路等各類點(diǎn)云，指出一條快速有效的風(fēng)電場點(diǎn)云數(shù)據(jù)分類方法。

（2） 根據(jù)翁源風(fēng)電場項(xiàng)目點(diǎn)云數(shù)據(jù)分類結(jié)果，證明本研究方法適用于實(shí)際風(fēng)電項(xiàng)目，并驗(yàn)證了本研究方法能提高風(fēng)電場點(diǎn)云數(shù)據(jù)分類精度和效率。該方法也能為相近的工程項(xiàng)目數(shù)據(jù)分類方法給予參考依據(jù)。

（3） 本研究僅將原始數(shù)據(jù)分為植被、建筑、電線等大類，之后還可以針對(duì)植被高度，建筑、電線類型等進(jìn)行更精確的分類研究。