风电场点云数据分类方法研究
2022-02-13李志伟陈联鹏江尧尧
科学技术创新 2022年36期
李志伟,陈联鹏,江尧尧,张 升
(1.中国电建集团江西省水电工程局有限公司,江西 南昌 330096;2.南昌大学工程建设学院,江西 南昌 330031)
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LiDAR 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[6-8]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MinPts 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MinPts 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(Kernel-DBSCAN)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MinPts,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。……
登录APP查看全文
