国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

基于移動激光掃描的行道樹靶標實時檢測

2023-02-09 08:09:14薛玉璽李秋潔
林業(yè)工程學報 2023年1期
關(guān)鍵詞:行道樹立方體鄰域

薛玉璽,李秋潔

(南京林業(yè)大學機械電子工程學院,南京 210037)

行道樹資源是我國重要的生態(tài)資源,是城市中一道靚麗的風景線,也是城市生態(tài)系統(tǒng)重要的一部分。在城市的行道樹養(yǎng)護工作中,病蟲害防治具有十分重要的意義。常規(guī)的病蟲害防治手段是對行道樹噴灑農(nóng)藥,但是這種方式會造成藥液的大量浪費,同時會污染空氣,從而對城市生態(tài)環(huán)境造成破壞并影響人群的身體健康。由于常規(guī)施藥存在的各種問題,有學者提出了對靶施藥的概念,即通過傳感器先探明靶標的位置和大小等信息,然后針對該靶標進行噴霧,這種方法目前已經(jīng)在果園場景成功實現(xiàn),有效地解決了藥液流失問題[1-2]。

對靶施藥技術(shù)的關(guān)鍵在于靶標的快速準確檢測。針對城市復雜環(huán)境下的行道樹檢測,學者對于不同類型的數(shù)據(jù)提出了各種檢測方法。針對圖像數(shù)據(jù)主要使用深度學習方法,針對點云數(shù)據(jù)的檢測方法則更加多樣化,例如高程閾值分類法、投影點密度法、掃描線信息分類、特征空間聚類以及機器學習等[3-4]。這些方法有效地解決了城市背景復雜情況下行道樹難以檢測的問題[5]。相較于處理復雜的圖像數(shù)據(jù),點云數(shù)據(jù)更受學者的青睞。林木植被的點云獲取于激光雷達(light detection and ranging,LiDAR)傳感器[6]。LiDAR傳感器性能優(yōu)越,性價比高。基于LiDAR采集得到的點云包含了行道樹檢測所需要的各種信息,因而目前在林木植被的目標檢測和對靶噴霧領(lǐng)域,基于點云的各項技術(shù)已經(jīng)廣泛應(yīng)用[7-8]。

目前基于移動激光掃描(mobile laser scanning,MLS)系統(tǒng)的行道樹檢測方法可以劃分為區(qū)域檢測和逐點檢測兩種。區(qū)域檢測方法包括高程閾值分類法、投影點密度法、掃描線信息分類和特征空間聚類,這類方法都是通過一塊區(qū)域內(nèi)點的整體信息對這些點整體分類。例如特征空間聚類就是將整個點云空間劃分為二維格網(wǎng)或三維體素,然后通過聚類或區(qū)域生長等方法逐步篩除非行道樹點云[9-10]。區(qū)域檢測方法的缺陷是這些方法的閾值等參數(shù)都是人為設(shè)置以針對不同目標的不同特征,導致其識別精度不高,泛化能力差,且區(qū)域檢測無法實現(xiàn)點云的在線檢測。逐點檢測如機器學習方法則是以點云的每一個點為處理單元,確定一個以檢測點為中心,大小固定的鄰域,然后提取設(shè)計好的局部特征,用這些特征訓練一個二分類器以實現(xiàn)點云逐點檢測的目標[5,11]。這種對于原始點云的檢測方法常采用四叉樹、八叉樹和k-D樹建立點云數(shù)據(jù)索引,但是該方法無法滿足在線檢測的要求[12-14]。后有學者提出采用格網(wǎng)索引的方式對點云進行處理,雖然這種方法能夠?qū)崿F(xiàn)點云在線檢測,但依舊無法實現(xiàn)實時檢測[15]。

針對逐點檢測方法無法滿足實時性要求的問題,本研究基于MLS的逐點檢測算法,使用隨機森林分類器[16],通過特征篩選和改進鄰域搜索算法從而提高逐點檢測的速度,在保證點云分類器性能平穩(wěn)的情況下達到行道樹點云實時檢測的目的。

1 材料與方法

方法包括MLS點云數(shù)據(jù)采集、立方體鄰域搜索、點云局部特征提取、RF分類器檢測4個步驟。首先,對MLS采集到的行道樹點云數(shù)據(jù)進行人工標注;然后使用立方體鄰域?qū)γ總€點進行局部特征提取;接著訓練得到RF分類器,隨后將特征按照貢獻度高低進行排序,特征按照貢獻度從低到高逐個剔除,直至保留滿足行道樹檢測準確性和實時性要求的特征,使用篩選好的特征對分類器進行再訓練得到最終的RF分類器。

1.1 MLS點云數(shù)據(jù)采集

本研究使用的MLS點云數(shù)據(jù)采集系統(tǒng)如圖1所示,由1臺遙控小車、1個二維LiDAR和1臺筆記本電腦組成。小車沿著人行道做勻速直線運動,其上搭載的LiDAR將采集到的數(shù)據(jù)輸送到電腦里,電腦將每一束激光的前3次回波距離r1、r2、r3和回波強度I1、I2、I3保存。

圖1 MLS系統(tǒng)Fig.1 MLS system

以小車上的LiDAR初始位置為坐標原點建立一個三維空間坐標系,小車的運動方向為x軸,垂直小車向上的方向為z軸,垂直x軸和z軸縱深向樹的方向為y軸(圖2)。小車沿著x軸方向運動,其上的LiDAR(UTM-30LX)沿著y軸方向自上而下掃描,掃描范圍為270°,角分辨率為0.25°,故而每條掃描線(即每幀)有1 081個激光點,1條掃描線為1幀。掃描從135°開始到-135°結(jié)束,最大掃描距離為60 m。

圖2 三維坐標Fig.2 Three-dimensional coordinate schematic

本研究所用的點云數(shù)據(jù)為一段230 m的校園人行道。筆者通過搭載在小車上的LiDAR以U型路徑掃描獲得。兩側(cè)數(shù)據(jù)一側(cè)為23 300幀,另一側(cè)為21 800幀,共計45 100幀。點云中第i幀內(nèi)第j個測量點P(i,j)的三維坐標由下式計算:

(1)

式中:i為該點在點云中的幀序號;v為車速;Δt為LiDAR的掃描周期;r1(i,j)為第i幀內(nèi)第j個測量點P(i,j)的第一次回波的距離。

其中θ(j)的計算方法為:

θ(j)=jΔθ+θ0

(2)

式中:Δθ為LiDAR的角度分辨率;θ0為第i條掃描線的起始掃描角度。

1.2 基于格網(wǎng)索引的立方體鄰域搜索

逐點檢測的方法需要用到每個點的局部特征,因而每個點都需要搜索鄰域。鄰域搜索的計算速度和準確性直接影響檢測結(jié)果的計算速度和準確性。在點云特征提取的過程中常用的鄰域有k近鄰和球形鄰域兩種[17-18]。在計算每一個點的k近鄰時都需要遍歷點云中所有點,而所使用的點云包含了上千萬個點,這就導致了k鄰域搜索的計算量非常大,進而降低了特征提取的速度。點云內(nèi)部的密度有大有小,因而難以選擇合適的k值,k值選擇過大,會導致模型的欠擬合;k值選擇過小,會導致模型的過擬合。綜上所述,k近鄰方法并不適用于行道樹的實時檢測。球形鄰域的方法雖然適合點云的特征提取,但其無法滿足行道樹的實時檢測。

本研究提出采用立方體鄰域的方法來提取點云的局部特征。在立方體邊長和球體直徑相同的情況下,立方體鄰域包含的點比球域更多,這意味著同樣的特征,使用立方體鄰域提取與球域相比包含的信息更多(圖3)。點云內(nèi)部點分布不均,使用球域提取的特征在空間各個方向上表現(xiàn)為各向同性;相比之下,使用立方體鄰域提取的特征在空間上表現(xiàn)為各向異性,各向異性的特征對于點云中各個物體的邊緣檢測十分有利,因而立方體鄰域比球域更適用于行道樹檢測。

圖3 立方體鄰域與球域Fig.3 Diagram of cubic neighborhood and spherical neighborhood

為了加快鄰域搜索的速度,本研究采用二維格網(wǎng)的點云索引方式來縮小鄰域搜索范圍。這種方式下,鄰域搜索范圍縮小到以待測點為中心的附近幾幀內(nèi)的部分點云。假設(shè)P(i,j)為待測點,鄰域邊長為R,則鄰域搜索的幀數(shù)范圍為(i-Δi)到(i+Δi),且單獨的一幀內(nèi),搜索的激光束范圍為(j-Δj)到(j+Δj)。Δi和Δj的計算方式為:

(3)

式中,Δα為Δθ對應(yīng)的弧度。鄰域搜索范圍確定以后,采用式(4)搜索立方體鄰域,與式(5)中的球域搜索相比,立方體鄰域的計算更簡單。

(4)

式中:(x,y,z)為立方體鄰域點坐標;(x0,y0,z0)為立方體中心點坐標。

{(x,y,z)|(x-x0)2+(y-y0)2+(z-z0)2≤R2}

(5)

式中:(x,y,z)為球域點坐標;(x0,y0,z0)為球域中心點坐標。

1.3 點云特征向量構(gòu)建

本研究從寬度、深度、高度、次數(shù)、強度、維度和密度幾個方面構(gòu)建了一個局部特征向量。在鄰域搜索完成后,計算鄰域內(nèi)點云的局部特征并組成特征向量。所用的局部特征見表1。

表1 點云局部特征Table 1 Point cloud local features

寬度和深度類特征能夠區(qū)分行道樹與建筑物、行人、電線桿等。高度類特征能夠區(qū)分行道樹與較高的建筑物以及低矮的車輛等。由于樹冠特殊的內(nèi)部結(jié)構(gòu),故而回波次數(shù)和密度類特征能夠區(qū)分行道樹與地面和其他的實心物體。不同物體對于LiDAR激光的反射率都是不同的,所以強度特征也能夠有效區(qū)分行道樹與其他物體,維度類特征能夠區(qū)分行道樹與人行道上各種規(guī)則的物體。

1.4 基于RF的特征選擇與融合

本研究所采用的算法是機器學習中的有監(jiān)督算法——RF算法。這種算法是由Leo Breiman提出的,其算法結(jié)構(gòu)如圖4所示,由多個決策樹組合得到。在RF模型生成的過程中,每一個決策樹模型的訓練都是單獨的,這樣能夠有效降低決策樹之間的關(guān)聯(lián)性,從而減少模型的過擬合情況。本研究所用決策樹的組合方式為投票法,這種方法主要應(yīng)用于分類問題,在決策樹投票過程中即使有個別決策樹模型預測出錯,最終也是以票數(shù)最高的類別為最終結(jié)果。

圖4 RF模型結(jié)構(gòu)Fig.4 RF model structure diagram

在建立決策樹的過程中隨機抽樣生成訓練子集時,剩下的預測集又稱之為袋外數(shù)據(jù)。特征選擇基于特征貢獻度的大小,特征貢獻度的計算步驟如下:

1)對于T棵決策樹中的第i棵,將其預測袋外數(shù)據(jù)的誤差記為e1i;

2)隨機對每棵決策樹的袋外數(shù)據(jù)所有樣本的特征F添加隨機噪聲,然后再次計算預測誤差記為e2i;

3)則特征F的重要性就可以量化為

(6)

得到特征貢獻度之后按照從小到大的順序依次剔除特征,每次剔除特征之后重新計算RF模型的性能指標,直到模型性能滿足要求之后保存模型。

2 行道樹靶標檢測試驗

2.1 試驗平臺和數(shù)據(jù)

2.1.1 試驗平臺

試驗設(shè)備為搭載Windows 10 64位操作系統(tǒng)的計算機,運行內(nèi)存64 GB,CPU為Intel(R) Core(TM) i9-12900K,單核頻率為3.90 GHz,GPU為NVIDIA GeForce RTX 3090 Ti。使用MATLAB R2020a設(shè)計程序。

2.1.2 試驗數(shù)據(jù)

使用CloudCompare為230 m人行道兩側(cè)樹木點云數(shù)據(jù)打上標簽,將其分為“樹冠”和“其他”兩類。數(shù)據(jù)集可視化結(jié)果如圖5所示,其中藍色為其他物體,紅色為行道樹樹冠。綠色方框中為訓練集,其他為測試集,其中訓練集為道路兩側(cè)各一段包含盡可能多種類物體的點云。訓練集和測試集具體信息如表2所示。

圖5 數(shù)據(jù)集可視化Fig.5 Data set visualization

表2 數(shù)據(jù)集劃分Table 2 Data set division

2.2 鄰域搜索算法性能測試

考慮到需要識別的行道樹的樹冠大小問題,本試驗所用的立方體鄰域邊長R范圍設(shè)置為0.6~2.0 m,與之對比的球域直徑等于立方體鄰域的邊長。立方體鄰域和球域提取19個特征需要的時間見圖6。從圖6可以看出,本研究所用的立方體鄰域特征提取速度明顯優(yōu)于球域。鄰域邊長從0.6 m到2 m,立方體鄰域特征提取平均時間為3 380.98 s,球域特征提取平均時間為3 835.62 s,本研究方法特征提取時間縮短了11.85%。

圖6 特征提取時間變化Fig.6 Variation of feature extraction time

2.3 特征選擇試驗

設(shè)置立方體鄰域邊長R=1 m,表1中的19個特征的貢獻度如圖7所示。按照特征貢獻度從低到高每次剔除1個特征,然后重新訓練模型,并在訓練集和測試集上預測。本試驗使用精確率(Pr)、召回率(Re)和F1分數(shù)(F1)作為評估RF模型的性能指標。指標計算如式(7)、(8)和(9)所示。Pr表示模型預測為樹冠點中真正樹冠點的占比;Re表示所有的樹冠點中預測為樹冠點的占比;F1則是越高越好。

圖7 特征貢獻度直方圖Fig.7 Histogram of feature contribution

(7)

(8)

(9)

式中:TP為預測為樹冠且真為樹冠的點數(shù);FP為預測為樹冠但不是樹冠的點數(shù);FN為預測不是樹冠但真為樹冠的點數(shù)。

統(tǒng)計特征篩選過程中RF模型在訓練集和測試集上的Pr、Re和F1,數(shù)據(jù)如表3所示??紤]到RF模型的泛化性能,設(shè)置特征數(shù)量閾值為5,當特征篩選到剩下5個之后,停止篩選??梢钥吹?,隨著特征數(shù)量的不斷減少,RF模型的各項性能指標雖然略有波動但基本保持平穩(wěn):測試集Pr最大波動0.33%,Re最大波動0.67%,F(xiàn)1最大波動0.34%;訓練集Pr最大波動0.03%,Re最大波動0.01%,F(xiàn)1最大波動0.02%。

表3 點云局部特征對比Table 3 Comparison of local features of point clouds

特征篩選完成后,最終留下σx、Δx、μy、σy和μz5個特征。使用球域提取19個特征和使用立方體鄰域提取5個特征的時間見表4。從表4可知,針對同樣的數(shù)據(jù)本研究方法節(jié)省了2 107.20 s,特征提取加快了65.40%。本研究方法特征提取時間為24.72 ms/幀,而LiDAR每幀數(shù)據(jù)的采集時間為25 ms,所以本研究方法滿足檢測實時性要求。保留下來的特征表明,行道樹相比其他物體最具鑒別力的地方還是在于其特殊的位置和結(jié)構(gòu)。在復雜的城市環(huán)境下,行道樹的位置特殊,其周圍沒有其他大型相似物體,故而根據(jù)樹冠的位置以及樹冠的大小即可較為準確地從大量點云中檢測出行道樹。

表4 特征提取時間對比Table 4 Feature extraction time comparison

2.4 RF算法超參數(shù)調(diào)整試驗

相比其他監(jiān)督算法,RF算法的優(yōu)點是訓練速度快,生成決策樹的訓練樣本之間相互獨立,模型泛化能力好且容易實現(xiàn)。影響RF算法速度的一個重要參數(shù)就是決策樹的數(shù)量,理論上,決策樹的數(shù)量越大,RF模型的分類效果越好,相應(yīng)的RF算法的計算量越大,計算時間越長。

決策樹數(shù)量在1~50情況下RF算法袋外誤差的變化見圖8,決策樹數(shù)量在1~50的情況下RF模型訓練和預測時間變化見圖9。從圖8、9可以看出,隨著決策樹數(shù)量的增長,袋外誤差越來越小,當數(shù)量達到13之后誤差曲線趨于0并梯度保持平穩(wěn)。RF模型的訓練時間和模型在訓練集與測試集上的預測時間隨著決策樹數(shù)量的增長而增長,故而最終RF模型的決策樹數(shù)量確定為13。

圖8 袋外數(shù)據(jù)均方誤差變化曲線Fig.8 Variation curve of mean square errors of out-of-bag data

圖9 RF模型訓練及預測時間曲線Fig.9 RF model training and prediction time curves

2.5 檢測算法對比試驗

設(shè)置立方體鄰域邊長為1 m,對比了本研究算法和文獻[15]中的算法。文獻中的算法采用球形鄰域,直徑為立方體鄰域邊長,所用特征共20個,具體為表1中的19個特征加上x坐標的均值μx,文獻所用監(jiān)督學習算法為基于決策樹的Boosting算法。兩種檢測算法的結(jié)果見表5。從表5可以看出,兩種算法檢測結(jié)果相差無幾,但是本研究算法檢測時間遠遠小于文獻算法,這說明本研究算法在檢測速度上遠快于文獻中的行道樹檢測算法。

表5 檢測算法性能對比Table 5 Detection algorithm performance comparison

2.6 點云采樣對檢測性能影響試驗

LiDAR的點云密度對鄰域搜索和特征提取的速度影響較大,因而為了加快點云的檢測速度有時會對點云進行采樣處理。為了驗證本研究方法對采樣后點云的識別效果,對測試集采取抽幀處理。RF分類器在不同采樣間隔下生成的測試集上的識別性能見表6,可以看到雖然隨著采樣間隔不斷增加點云密度不斷下降,但是測試集Pr最高下降0.20%,Re最高上升0.11%,F(xiàn)1最高下降0.11%,證明本研究方法對不同密度點云可有效識別。點云密度對本研究方法影響較小是因為該算法最終是依靠樹冠的位置和結(jié)構(gòu)來檢測行道樹點云,而采樣對點云的上述信息影響很小。

表6 不同采樣間隔識別效果對比Table 6 Different sampling interval recognition effect comparison

3 結(jié) 論

針對復雜城市環(huán)境下行道樹靶標實時檢測問題,筆者研究一種基于MLS的行道樹靶標點云逐點檢測方法,通過改進特征提取鄰域以及進行特征篩選最終實現(xiàn)了行道樹靶標實時檢測。在特征提取過程中本研究使用立方體鄰域替代球域,在鄰域邊長取0.6~2.0 m的范圍下,立方體鄰域相比球域特征提取的平均時間縮短了11.85%。本研究針對寬度、深度、高度、維度、密度、次數(shù)和強度7類點云局部特征進行了特征貢獻度排序,并按照從低到高的順序依次剔除,最終保留了σx、Δx、μy、σy和μz5個特征,在RF分類器性能保持平穩(wěn)的前提下提取特征的時間縮短了65.40%。點云采樣試驗表明,最終得到的分類器具有良好的魯棒性,能夠有效抵抗點云密度對行道樹靶標檢測的干擾。

猜你喜歡
行道樹立方體鄰域
疊出一個立方體
行道樹是景也是民生
行道樹
稀疏圖平方圖的染色數(shù)上界
基于鄰域競賽的多目標優(yōu)化算法
自動化學報(2018年7期)2018-08-20 02:59:04
行道樹對人行道的破壞
圖形前線
漫說古代行道樹
關(guān)于-型鄰域空間
立方體星交會對接和空間飛行演示
太空探索(2016年9期)2016-07-12 09:59:53
河北省| 会东县| 台北县| 九寨沟县| 正安县| 新郑市| 庆元县| 张家口市| 射洪县| 长治市| 西林县| 社会| 新闻| 衡水市| 孟州市| 墨脱县| 晋中市| 寻乌县| 乳山市| 宁化县| 荆州市| 和龙市| 阿拉善右旗| 无棣县| 郑州市| 石城县| 大庆市| 新营市| 永新县| 巴青县| 景德镇市| 灵丘县| 中超| 桐庐县| 东方市| 乐亭县| 盐源县| 元谋县| 都匀市| 九龙县| 抚宁县|