当前位置：首页 > 论文服务 > 职称论文
职称论文
本站提供免费毕业论文范文，硕士论文范文参考！

风电场点云数据分类方法研究

发布时间：2022年12月08号，星期四快速评论

摘要：为实现风电设备运输的场景建模与路线优化，研究基于无人机LiDAR数据的点云高精度分类方法。首先采用不规则三角网的渐进加密滤波算法，在原始点云数据中分类出地面点和非地面点，然后基于KANN-DBSCAN算法和SouthLiDAR软件平台分别对非地面点、地面点进行精分类。以广东翁源县风电场建设项目为依托，对无人机采集的点云数据进行分类实验，验证方法的有效性，为后续风电场建模等提供数据支持。

关键词:风电场;点云数据;精分类; KANN-DBSCAN;

Research on Classification Method of Wind Farm Point Cloud Data
Li Zhiwei Chen Lianpeng Jiang Yaoyao Zhang Sheng
Jiangxi Hydropower Engineering Bureau Co.,Ld.,Power China
School of Civil Engineering and
Architecture, Nanchang University

Abstract：In order to realize scene modeling and route optimization of wind power equipment transportation, a high-precision point cloud classification method based on UAV LiDAR data was studied. Firstly, the ground points and non-ground points were classified from the original point cloud data by using the progressive encryption and filtering algorithm of irregular triangulation network. Then, the non-ground points and non-ground points were accurately classified based on KANN-DBSCAN algorithm and SouthLiDAR software platform respectively. Based on the wind farm construction project in Wengyuan County, Guangdong Province,the point cloud data collected by UAV are classified and tested to verify the effectiveness of the method and provide data support for subsequent wind farm modeling.

Keyword：wind farm; point cloud data; fine classification; KANN-DBSCAN;
引言
近年来，随着我国风电事业蓬勃发展，传统数字摄影测量方法已无法满足实际风电场建设项目中地形图绘制、信息收集、规划等工作的精度和效率。无人机Li DAR点云数据精度高、采集效率快，可以满足风电场建设项目要求。点云分类是点云数据处理中的关键一环，传统风电场点云数据分类效率低、人工干预大，直接影响风电场项目各项工作的进度及数据的准确性。故而亟需一种高效、准确、适用性强的风电场点云数据分类方法。

目前风电场点云数据常用的地面点分类方法[1]，有基于分割类算法[2,3]和坡度的分类算法[4]，但计算量大、内存占用率高。形态类分类方法[5]，对地势起伏较大地形适用性低。常见的非地面点云数据分类方法，如DBSCAN算法[6,7,8]利用密度聚类，且聚类速度快、适用性高，但聚类结果受算法中Eps和Min Pts两个核心参数影响大，两参数需要人为拟定。对此Yue等[9]提出一种快速确定Eps参数的算法，但算法Min Pts参数恒定取值为4。周治平等[10]提出AF-DBSCAN算法，自适应确定了两参数，但聚类结果偶然因素更多。Khan等[11]提出的AD-DBSCAN自适应聚类算法也无法自动识别簇数，需提前给定。李宗林等[12]提出（KernelDBSCAN）可通过数据的分布特征来确定两个参数，但仅在一维上有效，高维度聚类效果差。由李文杰等人提出的KANN-DBSCAN算法[13]，基于自身特征自动确定最优Eps和Min Pts，聚类分类结果准确性较高，但仅运行于二维少量点数据聚类实验。

综上，本研究利用基于不规则三角网加密滤波算法[14]提取风电场原始点云数据中的地面点及非地面点，使用三维KANN-DBSCAN算法对非地面点进行精分类，采用South Li DAR软件在地面点云中分类道路点，实现风电场点云数据高效、准确分类。

1 方法综述
风电场点云数据是利用三维激光Li DAR，对地表进行扫描得到的三维数据，主要分为两大类：

(1）地面点云，包含裸地表面、道路等点。

(2）非地面点云，包括建筑物、密林植被、高压或民用电线等点。

本研究将去噪后的原始数据分为地面点和非地面点。并进一步分类非地面、地面点点云中的植被、建筑、道路点云等点云。形成一套完整风电场点云数据处理方法路线，路线图见图1，本研究方法大幅提高风电场点云数据分类精度和效率。

庙墩中学前段数据面积36 881.662 m2，数据中共包含40 419 351个点云对象，下文具体分析，以庙墩中学前段数据为例：

1.1 风电场地面点云数据分类
不规则三角网加密滤波算法对地面点分类，实现步骤如下：

(1）首先选择低点建立初始三角网模型。

(2）利用算法持续加入新的点向上扩建模型，使其与地表模型更加吻合。

(3）数据点纳入三角网需满足两个阈值，为反复参数迭代角和迭代距离。新激光点连接与其距离最小的三角形顶点成线，该线与对应三角形所处平面的最大角度，称为迭代角。随着迭代角的减小，点云起伏变化的幅度也减小，意味着迭代角与地面点数量成正比。迭代距离在三角形较大时，可以避免在三角形向上构建的情况下出现剧烈的波动甚至大的跳跃等状况；在三角形较小时，由于迭代距离，迭代角度随之迭代减小，可以避免地面点云出现过多的无用点云数据。当三角形边短于一个给定值，则迭代停止。两个参数的定义见图2。

根据如上步骤即可实现地面点与非地面点的快速分类。使用不规则三角网加密滤波算法分类后的庙墩中学前段地面点云及非地面点云数据，其中包含36456 736个地面点和3 958 332个非地面点。

1.2 风电场非地面点云、地面点云数据精分类
本研究针对非地面点基于KANN-DBCSCAN算法对非地面点云进行精分类，地面点云分类利用集成的South Li DAR软件平台实现地面点云精分类。

KANN DBCSCAN算法基于DBSCAN算法自适应确定Eps和Min Pts的参数，其中，Eps为扫描半径，Min Pts为邻域密度阈值。具体算法求解过程如下：

(1) Eps列表由数学期望法和经过平均最近邻法改进的K-平均最邻近法[15]相结合生成。该算法计算数据集D中所有对象的K-最邻近距离，再取所有K-最邻近距离的平均值，最后计算每一个K，得到K-平均最邻近距离向量，计算步骤如下：

Step1：数据集D中所有对象之间的距离，经过计算可得到矩阵Distm×n，式中对象个数为m，第i个对象到第j个对象的距离是dist(i,j)。

Step2：将矩阵Distm×n的每一行从小到大排序，得到新矩阵的第K列表示所有对象的K-最近邻距离向量Distk。

Step3：求Distk中所有数据的平均值，得到向量Distk的K-平均最邻近距离，所得到的作为Eps的参数，计算所有的K值便得到Eps参数列表DistEps，具体表示为：

图3为庙墩中学前段非地面点数据集的Eps列表和K值的关系图，其中Eps随K值增大而升高。

(2）使用数学期望法，生成Min Pts参数列表。该方法利用上一步生成的Eps参数列表，计算对应Eps邻域中的对象数，计算所有对象的Eps邻域对象平均数，作为整个数据集D的邻域密度阈值Min Pts，其表达式为：

Qi为第i个数据点的Eps邻域数量;m为数据集D的数据点的总个数。

依次计算每个Eps参数可得到庙墩中学前段非地面点数据集Min Pts与K值关系图见图4。

(3）自适应确定最优参数。该方法采用参数集合DEps的数据和Min Pts参数作为DBSCAN算法的两个关键参数进行计算，计算所得再进行聚类分析。最优K值为利用不同的K值计算时，生成的簇数N连续三次相同对应的值K。将其最优K值的K-平均最邻近距离作为最优的Eps参数，与其相应的邻域密度阈值Min Pts作为最优Min Pts参数。

(4）将最优的Eps参数和最优Min Pts参数代入DBSCAN算法。该算法开始任意选取一个未访问点，找出该点Eps邻域内的所有临近点。找点数大于或者等于Min Pts时，该点与其临近点形成一个簇，并将出发点标记为已访问点。之后对簇内所有未标记的点，以相同的方法处理来延展该簇。当访问完簇内所有标记的点后，用相同的算法去处理未访问点，将数据集分成各种簇，以此达到全部非地面点云数据分类的目的。

South Li DAR软件平台的分类功能，可实现在地面点中分类出地形点及道路点，操作难度低，效率及准确率较高。

利用上述方法对庙墩中学前段数据集进行分析，通过KANN-DBCSCAN算法运行，得出聚类簇数与K值的关系见图5。由图可得当K=89到K=163簇数稳定，根据此选取K=163时对应最优Eps和Min Pts参数，分别为Eps=6.693,Min Pts=113。将两参数导入DBSCAN算法可得出聚类结果，结合South Li DAR软件对地面点分类。非地面点云分成结果为3个主要类别，分类准确度较高；地面点中到道路分类结果效果好。由此证明本算法能够有效的对非地面、地面点云进行精分类。

2 工程实例及结果分析
本研究以广东韶关市翁源周陂风电场项目庙墩中学作为研究对象。地点位于广东韶关市翁源县周陂镇，存在山地、密林及村镇等复杂地形环境。采用无人机激光Li DAR进行点云数据测绘，飞行工具选取大疆Matrice 300 RTK，最大飞行高程为100 m，最快飞行速度为23 m/s。三维激光扫描仪型号为禾赛Pandar40P，选用Ustudio软件进行原始数据解算，利用South Li DAR软件进行点云去噪，导出XYZ文件，本研究算法主要使用Python实现。

2.1 风电场地面点云分类
庙墩中学中段及后段去噪后的原始点云数据，总面积分别为28 296.118 m2和36 371.533 m2，中段包含27 152 031个点云数据，后段包含39 259 992个点云数据。分类后的庙墩中学中段及后段地面与非地面点云数据。庙墩中学中段中分类得到24 735 748个地面点云数据，2 415 235个非地面点云数据。庙墩中学后段中分类得到36 277 666个地面点云数据，2968 168个非地面点云数据。结果表明，两段的地面点与非地面点都得到分类较好效果。

2.2 风电场非地面点云、地面点云数据精分类
利用KANN-DBSCAN算法及South Li DAR软件，对庙墩中学中段及后段非地面、地面点云数据进行精分类，结果可见KANN-DBSCAN算法能够使得各类非地面点云得到有效分类，庙墩中学中段点云数据分为三类，包含植被点2 285 476个，建筑点包括建筑及线杆共126 831个，电线点为2 928个；庙墩中学后段点云数据分为四类，其中植被点2 314 283个，建筑点包括建筑点共650 720个，电线点为3 165个，菜棚点15 750个。直接使用South Li DAR软件和KANN-DBSCAN算法分类a、b段为South Li DAR软件分类，存在大量植被点和建筑点的混杂，a、b段使用KANN-DBSCAN算法分类，两段点云得到有效的区分，还分类出不属于植被的菜棚点。由此可发现相较于直接使用South Li DAR软件对非地面点云直接分类，KANN-DBSCAN算法分类结果更加准确。

3 结论
(1）本研究针对风电场项目点云数据数量庞大，分类不准确的问题。首先使用不规则三角网加密滤波算法，后运用三维KANN-DBSCAN算法和South Li DAR软件。实现地面点、非地面点快速分类，并进一步分类出植被、建筑、电线、道路等各类点云，指出一条快速有效的风电场点云数据分类方法。

(2）根据翁源风电场项目点云数据分类结果，证明本研究方法适用于实际风电项目，并验证了本研究方法能提高风电场点云数据分类精度和效率。该方法也能为相近的工程项目数据分类方法给予参考依据。

(3）本研究仅将原始数据分为植被、建筑、电线等大类，之后还可以针对植被高度，建筑、电线类型等进行更精确的分类研究。

参考文献

[1] 范小辉,许国良,李万林,等.基于深度图的三维激光雷达点云目标分割方法[J].中国激光,2019,46(7):292-299.
[2] 王肖,王建强,李克强,等.智能车辆3-D点云快速分割方法[J].清华大学学报(自然科学版), 2014, 54(11):1440-1446.
[3] 袁虎强,孙豪.点云分割方法性能评价与对比分析[J].测绘科学,2021,46(9):130-135,167.
[4] 黄作维,刘峰,胡光伟.基于多尺度虚拟格网的LiDAR点云数据滤波改进方法[J].光学学报, 2017, 37(8):353-362.
[5] A Fast Ground Segmentation Method for 3D Point Cloud[J]. Journal of Information Processing Systems,2017.
[6] Jahirabadkar S,Kulkarni P.Algorithm to determineε-distance parameter in density based clustering[J].ExpertSystems with Applications,2014,41(6):2939-2946.
[7] Kim J H,Choi J H,Yoo K H,et al. AA-DBSCAN:anapproximate adaptive DBSCAN for finding clusters withvarying densities[J].Journal of Supercomputing,2018:1-28.
[8] 王祝,王智,张旭,等.基于二维激光雷达的自适应阈值聚类分割方法[J].中国激光, 2021, 48(16):182-189.
[9] Yue S H,Ping L I, Guo J D, et al. A statistical information-based clustering approach in distance space[J]. Journalof Zhejiang University-Science A,2005, 6(1):71-78.
[10] 周治平,王杰锋,朱书伟,等.一种改进的自适应快速AF-DBSCAN聚类算法[J].智能系统学报, 2016,11(1):93-98.
[11] Khan M M R,Siddique M,Bakr A,et al. ADBSCAN:adaptive density-based spatial clustering of applicationswith noise for identifying clusters with varying densi-ties[J].ar Xiv:1809.06189,2018.
[12] 李宗林，罗可.DBSCAN算法中参数的自适应确定[J].计算机工程与应用，2016,52(3):70-73.
[13] 李文杰,闫世强,蒋莹,等.自适应确定DBSCAN算法参数的算法研究[J].计算机工程与应用, 2019,55(5):1-7,148.
[14] 隋立春,张熠斌,张硕,等.基于渐进三角网的机载LiDAR点云数据滤波[J].武汉大学学报:信息科学版, 2011, 36(10):1159-1163.
[15] ChangC C, Lin C J.Libsvm:a library for supporetvector machines[J]. ACM Transactions on IntelligentSystems and Technology, 2011, 2(3):1-27.

上一篇文章： CNKI设计叙事研究的文献计量可视化分析

下一篇文章：果园绿肥粉碎打捆装备研究现状分析