基于激光三维扫描的地铁弹条扣件检测系统研究与应用

针对地铁弹条扣件检修工作量大、效率低的缺点，设计了一套基于激光三维扫描技术的地铁弹条扣件检测系统，通过获取弹条扣件三维点云，转换成高度图之后，利用数字图像技术，分析弹条扣件各部件特征，完成扣件系统零部件缺失检测。通过历史数据比对完成弹条扣件松动检测，并结合点云数据实现异物检测。     

基于移动激光扫描的行道树树干提取

基于移动激光扫描技术的行道树资源调查是当前的研究热点及未来的发展趋势,树干提取是行道树定位与分割的核心步骤,已有方法由知识驱动,人工设计树干检测规则,难以跨越低层点云数据到高层地物目标的语义鸿沟。针对上述问题,基于移动2D Li DAR系统采集的城市街道点云数据,将行道树树干提取分为树干点云识别与树干点云分割2个步骤。首先,构建城市街道点云标注数据集,提取深度、高程、维度、密度、强度等14个局部点云特征,采用Boosting监督学习算法从标注数据集中自动学习树干点云与非树干点云的差异性,通过特征融合获取高精度树干点云检测器;然后,基于树干点云识别结果,采用帧投影方法分割标识出每一根树干。试验结果表明:基于监督学习的树干点云检测器有较好的分类性能,为树干分割提取提供了精准数据,对于0.10～0.40 m的球域半径,测试集查准率均高于93%,查全率均高于94%。此外,以Bayes错误率为评价指标衡量单个特征的鉴别力,得出鉴别力最强的3个特征为高程方差、强度范围及强度方差。     

基于机载激光雷达点云和随机森林算法的森林蓄积量估测

【目的】基于机载激光雷达点云数据提取的森林高度参数和郁闭度,结合分层地面样地调查数据,采用随机森林算法构建森林蓄积量估测模型,分析机载激光雷达点云数据在森林蓄积量反演方面的潜力,为森林蓄积量高效准确估测提供方法依据。【方法】以直径30 m的地面样圆离散点云数据为数据源,经数据校准等预处理后,利用Li DAR360软件提取森林高度参数(最大高、平均高等)和郁闭度,并将数据随机分成训练数据(70%)和验证数据(30%)。采用随机森林算法构建森林蓄积量估测模型,对仅用高度参数建模以及联合高度参数和郁闭度建模结果进行比较;同时运用R软件VSURF工具包筛选建模变量,对筛选后变量的建模结果进行分析。【结果】仅用高度参数建模的估测精度为R~2=0.75、RMSE=40.07 m~3·hm~(-2)、MAE=29.21 m~3·hm~(-2)、MRE=49.40%,联合高度参数和郁闭度建模的估测精度为R~2=0.79、RMSE=36.23 m~3·hm~(-2)、MAE=26.16 m~3·hm~(-2)、MRE=38.35%。通过变量筛选,建模参数从24个减少至7个,可极大提高运算效率,同时R~2未变化,RMSE从36.23 m~3·hm~(-2)升至36.50 m~3·hm~(-2),rRMSE从31.92%升至32.97%,MAE从26.16 m~3·hm~(-2)降至26.08 m~3·hm~(-2),MRE从38.35%降至38.05%。【结论】机载激光雷达点云数据可以提取森林的垂直结构信息(高度参数)和水平结构信息(郁闭度),具备三维结构参数提取能力。采用随机森林算法,增加林分郁闭度信息可显著提高森林蓄积量估测精度。通过变量筛选,虽然能够降低参数数量,但对模型精度具有一定影响,在建模精度要求较高的情况下,建议使用全变量进行蓄积量估测;而在数据量较大的情况下,建议使用筛选变量进行蓄积量估测。基于机载激光雷达点云数据估测森林蓄积量显著优于光学遥感数据,可为森林蓄积量高效准确估测提供方法依据,能够满足大范围森林蓄积量快速反演需求。     

无人机密集匹配点云与机载激光雷达点云的差异分析

为分析无人机密集匹配点云和机载激光雷达点云的异同性,对密集林分(郁闭度0.85)、稀疏林分(郁闭度0.55)和未成林地的2种点云的空间分布进行目视对比分析,并通过2种点云生产的DEM(UAV_DEM和LiDAR_DEM)分别对密集匹配点云进行归一化处理,得到2套归一化密集匹配点云数据,将其与激光雷达点云进行统计特征参数配对样本t检验分析。结果表明:1)在密集林分中,密集匹配点云无法获取冠层内部和地面信息,采用LiDAR_DEM进行归一化后,密集匹配点云的中下部分位数高度及全部分位数密度与激光雷达点云相应统计特征参数均存在显著性差异(α=0.05),但中上层分位数高度的差异不显著;2)在稀疏林分和未成林地中,除下部分位数高度外,其余高度、密度统计特征参数均与激光雷达点云相应参数无显著性差异,但密集匹配点云对幼树三维结构的刻画能力优于机载激光雷达点云。在森林调查监测中,无人机密集匹配点云可直接用于稀疏林分和未成林地的森林参数估测,在既有高精度DEM支持下可对密集林分的一些林分参数(如冠层表面高度等)进行估测。     

基于两期无人机影像的针叶林伐区蓄积量估算

【目的】提出一种基于两期无人机影像的针叶林伐区蓄积量估算方法,为促进无人机数据在多类型林业样地资源调查中的深度应用提供依据。【方法】以福建省三明市将乐县金森林业股份有限公司伐区森林小班为试验区,首先,利用无人机遥感获取分辨率优于10 cm的两期影像,经Pix4D软件处理得到点云数据,在此基础上将小班区域未采伐前的林冠点云匹配到采伐后的小班地形点云上;然后,通过布料模拟滤波算法(CSF)分离匹配后的林冠点云和地形点云,采用自然领域插值法分别将林冠点云数据插值生成数字表面模型(DSM)、地形点云数据插值生成数字高程模型(DEM),二者相减获得冠层高度模型(CHM);接着,基于改进的局域最大值法搜索冠层高度模型中的林冠顶点,提取树高;最后,根据野外采集的400株马尾松和杉木树高、胸径数据,建立5个适用于福建省马尾松和杉木的胸径-树高模型,选择相关系数最高的模型推算胸径,并利用福建省单木材积公式估算小班区域蓄积量。【结果】1)两期无人机数据的点云匹配能较好消除陡峭地形对树高提取的影响;2)改进的局域最大值法可有效减少固定窗口搜索林冠顶点时出现的多提和漏提错误;3)小班区域估算株数为339株,实测株数为366株,估算的平均树高为18 m,实测平均树高为19 m,估算蓄积量为182 m~3,实测蓄积为199 m~3,株数、树高和蓄积量的估算精度均较高。【结论】借助无人机遥感技术,可实现森林蓄积量自动化估算,降低传统野外调查成本,推动森林资源的快速调查和更新。     

基于地面三维激光扫描技术的林木胸径提取算法分析

胸径是树木最重要的测树因子之一,其精度直接影响材积的测定。传统的树木胸径测量效率低,范围较小;采用遥感反演间接测量胸径,精度较低,且不能直接获取单木的点云数据。本文利用三维激光扫描技术提取立木的3D点云数据,提出一种自动、高效提取单木胸径的算法。利用三维激光扫描仪对样地8棵杨树进行扫描,得到三维点云数据;同时,开展数据分割、精简、降噪处理,得到简化后的点云数据,最后对提取的胸径点云数据进行分层设置,将截取层厚度设置为0,0~1,1~2,2~3 cm 4个等级,利用快速凸包算法将点云数据闭合成一个多边形,运用Arc Engine控件调用Arc GIS中测算多边形长度的方法计算闭合平面周长,换算出立木胸径值,并结合同步实测数据与传统算法、拟合圆算法进行对比试验。结果表明:采用传统算法、拟合圆算法和快速凸包算法的模型决定系数R2分别为0.857、0.941和0.957,说明运用快速凸包算法提取立木胸径是一种高效且比较可行的方法。     

基于三维激光扫描技术的原木三维图像重构

为实时健康监测森林资源的生长状况,以原木为试验样本,利用三维激光扫描技术(3D Laser Scanning Technology)对原木进行扫描,得到原木点云数据,共计1 016 990个数据点。经扫描直接得到的点云数据存在噪点且数据量过多,给重构原木三维模型增加了困难,因此需要对点云数据进行分割、去噪和精简。本研究应用K均值(K-means)聚类算法对点云数据进行数据分割;自组织映射(Self Organization Map,SOM)神经网络对点云数据进行数据去噪;弦高偏移算法(Chord Height Offset Algorithm)对点云数据进行数据精简;最后得到564 821个数据点,根据处理后的点云数据对原木三维模型进行重构。试验结果证明,得到的原木三维重构图像清晰且不失真,保留了表面的完整特征信息,进而对树木的生长状况进行评估,此方法也可应用在遥感卫星图像处理上。     

3D激光轮廓扫描仪在木制部件表面粗糙度测定中的应用

3D激光轮廓扫描仪是由一个线激光扫描仪从产品表面扫过,形成三维立体图像,可以检测扫描区域的各个点高度、体积、截面积、瑕疵等;通过对3D激光轮廓扫描仪获得的3D扫描图像,运用图像处理技术从光切显微图像中提取出表面轮廓断面图形,计算出木制部件表面粗糙度;采用3D激光轮廓扫描仪检测木制部件表面粗糙度,相对于触针式粗糙度检测仪,其检测受木材自身构造影响小,数据易保存,一经扫描完成,便可以反复测量、分析。     

基于无人机机载激光雷达构建森林蓄积量模型反演及精度分析

基于机载激光雷达点云数据提取的嵩县测区森林资源数据，结合样地调查数据，采用多元线性回归模型，重点分析无人机载激光雷达获取的点云数据在森林蓄积量模型反演方面的精度分析，为河南省森林蓄积量的测算提供参考依据。结果显示：山区栎类蓄积量调整决定系数AdjR2=0.890m³·hm^-2，平均相对误差MSE=0.237 m³·hm^-2，均方根误差RMSE=0.478 m³·hm^-2，结合分层地面样地调查数据对山区栎类蓄积量数据进行多元线性回归模型反演，模型精度为96.01%。无人机机载激光雷达能够自动获取大面积栎类标准地的激光点云数据，可以提取森林的垂直结构信息(高度参数)和水平结构信息(郁闭度)具备三维结构参数提取能力，通过全覆盖的激光雷达数据反演结果以及地面验证两个部分的数据验证，得到的精度测算结果较好，为计算森林蓄积量提供新的方法。     

基于无人机LiDAR的杉木树冠上部外轮廓模拟与可视化研究

[目的]基于无人机激光雷达(LiDAR)点云数据提取杉木树冠上部结构参数(树冠顶点、树高、冠幅和上部冠长),并进行树冠上部外轮廓模拟与可视化,为树种识别提供树木冠形特征.[方法]利用LASTools开源工具从激光雷达点云数据生成无孔洞的冠层高度模型,使用LiDAR360软件,采用局部最大值法检测树冠顶点,基于CHM种子...     

基于机载激光雷达和机器学习的林分平均胸径遥感估测

为探究不同模型对林分平均胸径的预测精度,使用贵州省桂花国有林场马厂工区同步获取的机载激光雷达点云数据和地面实测样地数据,通过提取样地水平的点云特征变量,采用方差膨胀因子分析和皮尔逊相关性检验进行自变量选择,建立机器学习模型估测样地平均胸径。结果表明：1)点云特征变量,如平均冠层高度和高度偏态与林分平均胸径有很强的相关性。2)机器学习模型(随机森林、支持向量机、最近邻算法)优于多元线性回归模型,其中,随机森林的拟合效果最好。随机森林的决定系数(R²)为0.71,均方根误差(RMSE)为2.50。3)通过柳杉纯林、针叶混交林、针阔混交林、马尾松纯林4种森林类型的林分平均胸径预测值与实际值差值,进一步证实随机森林模型精度最高,拟合效果最好。利用机载激光雷达点云数据提取点云特征变量,并构建基于机器学习算法的林分平均胸径估测模型是可行的,该方法的精度能满足森林资源调查的应用需求,可作为辅助林业调查工作的技术手段。     

弓网动态关系可视化仿真系统

采用VC控制台应用程序和Direct3D图形库技术将受电弓及接触网的运行状态以三维动画方式演绎出来,不仅能够准确的反映受电弓的运动轨迹、接触网的振动状态,还能根据装入的检测数据来仿真行车状况,指导运营管理部门的日常维护检修。本文介绍了基于VC和Direct3D的接触网与受电弓动态关系可视化仿真系统的开发。     

基于边缘检测滤波的机载激光雷达点云数据处理

机载激光雷达（Lidar）是一种主动式对地观测技术,可以直接获取点的三维坐标.Lidar点云数据的括滤波和分类,是Lidar数据处理的重要步骤.利用国际摄影测量与遥感协会ISPRS提供的实验数据,采用边缘检测滤波算法和线性卷积滤波算法对数据进行滤波,滤波后的图像表明,边缘检测滤波算法效果优于线性卷积滤波.采用基于Axelsson的改进的不规则三角格网加密方法进行点云分类,将Lidar点云分为以下8类：低点、孤立点、空中点、地面点、模型关键点、低于地表的点、建筑物点和植被点.分类后的Lidar点云数据都被分到了唯一的类别中,清楚地显示出地面信息.结果表明,采用的滤波和分类算法有效可行,对Lidar点云数据处理有重要的借鉴意义.     

机载LiDAR航带旁向重叠对针叶林结构参数估测的影响

【目的】研究机载LiDAR航带旁向重叠对针叶林林分平均高和森林叶面积指数(LAI)估测的影响,为机载LiDAR点云数据区域森林结构参数估测提供参考。【方法】野外分别测定30块樟子松、33块长白落叶松样地的林分平均高和LAI,对原始LiDAR点云数据进行去噪、点云分类、高程归一化和重叠点移除等处理,从重叠点移除前、重叠点和重叠点移除后的点云数据中分别提取一系列样方点云高度分位数(HP1、HP5、HP10、…、HP99、Hmax和Hmean)和激光穿透指数(LPI),借助留一交叉验证建立并评价樟子松和长白落叶松林分平均高和LAI估测模型的精度,通过对比分析估测模型的决定系数(R2)和均方根误差(RMSE)揭示机载LiDAR航带旁向重叠对针叶林林分平均高和LAI估测的影响。【结果】对樟子松林分平均高估测而言,重叠点移除前林分平均高的最高估测精度(R2=0.873,RMSE=0.940)出现在HP90处,重叠点林分平均高的最高估测精度(R2=0.892,RMSE=0.866)出现在HP80处,而重叠点移除后林分平均高的最高估测精度(R2=0.892,RMSE=0.868)出现在HP55处;对长白落叶松林分平均高估测而言,重叠点移除前、重叠点和重叠点移除后林分平均高的最高估测精度均出现在HP99处,R2分别为0.725、0.719和0.741,RMSE分别为1.196、1.209和1.161。对樟子松LAI估测而言,重叠点移除前估测结果 R2为0.666,RMSE为0.220,重叠点估测结果 R2为0.551,RMSE为0.255,重叠点移除后R2提高到0.794,RMSE降低为0.172;对长白落叶松LAI估测而言,重叠点移除前估测结果 R2为0.654,RMSE为0.110,重叠点估测结果 R2为0.640,RMSE为0.112,与樟子松估测结果一致,重叠点移除后长白落叶松LAI估测精度大幅度提高,R2变为0.762,RMSE变为0.091。【结论】无论是林分平均高还是森林LAI,相邻航带旁向重叠点移除后的估测精度均高于重叠点移除前和重叠点,且樟子松的估测精度高于长白落叶松。对林分平均高而言,樟子松和长白落叶松达到最高估测精度时所对应的点云高度分位数不同。机载LiDAR点云数据相邻航带旁向重叠点的移除可有效提高森林结构参数的估测精度,在未来机载LiDAR点云数据预处理时应加入重叠点移除操作。     

融合机载和背包激光雷达的桉树单木因子估测

以海南省五指山市4块人工桉树林共计157株桉树为例,融合背包激光雷达和机载激光雷达点云数据对桉树单木因子进行了估测,探究融合数据在森林资源调查中的适用性。估测结果与实际样地数据对比表明,融合点云数据在胸径的估测上,R²=0.982,RMSE=0.868cm;在树高的估测上,R²=0.895,RMSE=2.005m,优于只使用背包激光雷达数据获取树高精度(R²=0.835,RMSE=2.458m)。基于背包激光雷达点云数据获取的单木胸径精度较高,融合点云数据可改善单一背包点云数据对树高上的估测。     

基于机载LiDAR数据估测林分平均高

[目的 ]以2016年9月广西壮族自治区高峰林场实验区获取的机载LiDAR点云数据为基础,通过提取30 m×30 m空间林分尺度下的LiDAR点云特征变量实现对林分平均高的估测。[方法 ]首先将105块实测林分平均高度的样地数据按照3:1的比例随机划分为训练样本(79)和检验样本(26),采用随机森林回归(RFR)和支持向量回归(SVR)两种机器学习算法对79个训练样本与对应的林分LiDAR点云特征变量回归建模。建模方案包括随机森林模型、支持向量机模型及随机森林+支持向量机组合模型。其次利用26个检验样本数据评价模型预测精度。最后统计3个模型中训练样本和检验样本对应的精度评价指标,以一个预测精度高、泛化能力强的模型作为最终模型进行林分平均高制图。[结果 ]表明:随机森林模型的训练样本和检验样本的决定系数(R2)分别为0.886 1和0.837 5,均方根误差(RMSE)分别为1.22和1.56;支持向量机模型的训练样本和检验样本的决定系数(R2)分别为0.886 4和0.840 9,均方根误差(RMSE)分别为1.21和1.54;组合模型的训练样本和检验样本的决定系数(R2)分别为0.859 8和0.853 2,均方根误差(RMSE)分别为1.35和1.48;[结论 ]组合模型的泛化能力及预测精度最好,支持向量机次之,最后为随机森林。利用组合模型可有效完成研究区林分平均高制图。     

高精度DEM支持下的多时期航片杉木人工林树高生长监测

【目的】集成多时期航片数据和由机载激光雷达数据获取的密集林区数字高程模型,估测多时期杉木人工林冠层高度,并对其生长情况进行定量监测,为多时期航片监测森林生长趋势和评价林地生产力提供可能。【方法】首先基于分类后的激光雷达点云数据获得林下高精度数字高程模型和森林数字表面模型,利用航片数据构建立体像对,通过自动立体匹配算法生成森林冠层的摄影测量数字表面模型,然后借助数字高程模型将2种数字表面模型进行高度归一化,提取研究区多时期森林冠层高度。利用1996、2004年历史航片和2014年数字航片以及激光雷达数据,构建18年内皖南杉木人工林3期森林冠层高度,并对其精度进行分析。【结果】1)由2014年数字航片和激光雷达数据获取的森林冠层高度的R^2为0. 52,RMSE为1. 79 m; 2)由2014年数字航片处理得到的森林冠层高度与对应样地实测上层木的平均高验证精度较高,平均绝对误差1. 59 m,平均相对误差15%,最大绝对误差3. 45 m,最大相对误差30. 80%,测量精度85. 00%; 3)由1996、2004、2014年航片得到3期杉木人工林冠层高度,其增长趋势与树高生长曲线预测趋势一致。【结论】在多山复杂地形条件下,利用航片可准确定量反映山脊向阳面的森林冠层高度变化,但对于山谷阴影处,则会出现冠层高度被低估情况,利用多期航片结合高精度DEM数据可定量反映上层木的冠层高度变化。     

基于单木位置特征的多源树木三维点云配准方法

【目的】针对不同观测平台获得的树木三维点云特征少、重叠率低、配准较难的问题,以不同视角不同平台的森林点云数据为输入,根据单木平面位置分布一致性原则,提出一种适用于多类型数据的无标记森林点云自动配准方法,实现以单木对象为语义特征的点对匹配。【方法】首先从不同类型点云数据中分别提取单木平面位置：对于侧视型点云,基于点云主方向离散度与主方向竖直角度偏差剔除部分非主干点云,采用体素点云剖分的连通分量分割方法识别单木主干,统计单木主干点云体素垂直分布最大值点作为单木平面位置;对于俯视型点云,采用标记分水岭算法分割冠层高度模型,提取单木并识别冠层顶点作为单木平面位置。然后以提取的单木平面位置为特征点,基于Laplace谱图匹配理论获取配准矩阵,完成4自由度点云粗配准。最后,采用主干点云匹配完成侧视与侧视点云的精配准,采用全局点云最近点迭代法与主干点云匹配完成侧视与俯视点云的精配准。【结果】侧视-侧视点云配准精度优于侧视-俯视点云,侧视-侧视点云粗配准平均误差为0.24 m,精配准平均误差为0.08 m;侧视-俯视点云粗配准平均误差为1.07 m,全局点云最近点迭代法平均误差为0.44 m,机载激光...     

点云密度对机载激光雷达大区域亚热带森林参数估测精度的影响

【目的】点云密度是影响机载激光雷达数据获取和预处理成本的关键因素,探明点云密度对森林参数估测精度的影响,为机载激光雷达大区域森林调查监测应用技术方案的优化提供参考依据。【方法】基于我国广西一个亚热带山地丘陵区域获取的机载激光雷达和样地数据,通过系统稀疏方法,将全密度点云(4.35点·m^-2)分别稀疏至4.0、3.5、3.0、2.5、2.0、1.5、1.0、0.5、0.2和0.1点m^-2,得到11个样地尺度的点云数据集,包括1个全密度和10个稀疏密度点云数据集;应用配对样本t检验方法,分析4种森林类型(杉木林、松树林、桉树林和阔叶林)中稀疏密度点云和全密度点云之间12个激光雷达变量的差异;通过变量和结构固定的多元乘幂模型式,分别采用不同密度点云数据集对林分蓄积量(VOL)和断面积(BA)进行估测,比较模型优度统计指标决定系数(R²)、相对均方根误差(rRMSE)和平均预估误差(MPE)的差异,并应用t检验方法分析稀疏密度点云VOL和BA估测值均值和全密度点云相应估测值均值的差异。【结果】1)点云密度较低时,稀疏密度点云分位...     

基于TLS点云数据的桉树二元材积表检验

为确保桉树（Eucalyptus spp.）伐区设计的准确性，采用地基激光雷达（TLS）对桉树人工林进行扫描，获取点云数据，通过点云数据提取的单木因子，建立理论材积与实测材积的回归方程，采用F检验、总相对误差（TRE）和均方误差（MSE）等作为评价指标，对现行使用的桉树二元材积表在桉树伐区的适用性进行检验。结果表明，点云数据提取的单木因子与实测值具有很高的相关性，且误差较小。F检验值超过临界值，但TRE基本趋近于0%，且MSE为-2.36%，均不超出±3%，说明模型适用。基于地基激光雷达点云数据提取的桉树单木因子符合测树精度要求；现行使用的广西桉树二元材积表适用于该伐区；进行材积表检验时，F检验并不能完全准确判断，要综合TRE、MSE指标进行判断。