三維建模道路地形三維可視化分析

徐 亮，沈蘊紅

（中國市政工程西南設計研究總院有限公司，四川 成都 610000）

0 引 言

在基于GIS的高精度三維地形模型上進行道路規劃設計與施工設計，是當前道路基建規劃設計中的重要技術改革方向。道路BIM工程信息綜合管理系統中的基礎數據質量，直接影響到后續的施工接續調度、工程量分析、工程造價分析、成本控制、勞動組織、附屬設施規劃設計等管理環節。而基于高精度三維地形模型的基礎數據的獲取、治理、建模方案，是向BIM提供更高精度數據的前提條件。

使用無人機攜帶高精度傾斜攝影設備對道路規劃區進行低空航拍掃描，在機載高精度GPS設備提供的參考點數據支持下，與GIS高精度平面地圖進行數據融合，使用Smart3D軟件工具包獲取規劃區的DEM三維模型。部分工程使用傾斜攝影與激光點云成像技術相結合，實現對數據精度的更大提升。

基于無人機低空航拍技術的DEM三維模型的數據治理，即對誤差數據進行充分平差的計算方式，是其三維可視化成果精度的有效保障。因為當前使用全站儀進行水平坐標和垂直高程定位的方式誤差可以做到±50mm以內，所以該模式在無人機機載GPS移動定位信號精度僅能達到米級水平的前提下，實現對地表測量點誤差小于±50mm的平差計算，是本文研究的重點。

1 道路規劃無人機航拍的數據來源

基于無人機航拍的數據，一般來自3個方向，一是無人機機載GPS的實時數據，在航拍系統的設計中，無人機每次傾斜攝影拍照或者獲取激光點云數據時，均會在數據頭部標記拍照時的GPS實時定位結果；二是傾斜攝影的圖像點陣數據；三是激光點云點陣數據。另外，在進行后期數據融合時，所有相關數據需要與GIS平面地理信息數據進行融合，見圖1。

圖1 道路規劃測量的數據流圖

圖1中，道路規劃測量的數據來源，主要為無人機數據和GIS數據兩個核心來源，其中GIS數據的精度一般為±50mm，傾斜攝影和激光點云數據本身的精度遠小于±50mm，但機載GPS在高速移動模式下的定位精度，一般大于±1000mm。此時，綜合平差方案將DEM模型的精度控制在±50mm以內。DEM模型注入到道路工程BIM管理信息系統中，用于后續的道路工程管理。

所以，本文研究重點在于研究在機載GPS定位數據、傾斜攝影數據、激光點云數據、GIS地理信息數據的基礎上，實現對綜合平差數據精度的有效控制。

2 傳統平差算法及其局限性

傳統平差算法中，使用傾斜攝影的照片數據集與機載GPS定位數據集相結合，形成傾斜攝影定位數據，使用激光點云數據集與機載GPS定位數據集相結合，形成激光點云定位數據，將上述兩個數據初步平差結果與GIS地球地理信息數據集相結合，形成傾斜攝影定位數據的平差結果和激光點云定位數據的平差結果，進而在兩個平差結果的基礎上，再次結合GIS地球地理信息數據集，形成最終的綜合平差結果，見圖2。

圖2 傳統平差算法數據流圖

圖2中，第一步形成傾斜攝影定位和激光點云定位的過程，可以利用Smart3D工業軟件工具包實現，該過程為一個全封裝過程。經過相關文獻的數據分析研究，該過程的數據平差算法已經擁有一定的領先性，本文研究也同樣采用了Smart3D的工業軟件工具包，所以對其詳細平差過程不再進行深入討論。而在整合GIS地球地理信息數據集的過程中，則需要進行深入研究。

其中，不論是傾斜攝影定位、激光點云定位、GIS數據坐標等，其數據本質是基于水平坐標系的（X，Y）坐標和基于高程系統的H坐標，即對特定標志點，在上述數據流中形成一個坐標系統M，見式（1）：

Smart3D分析后的DEM結果和激光點云經Smart3D分析后的DEM結果；為該標志點在GIS地球地理信息數據庫中的標記坐標；

經過式（2）的兩次平差，即使用GIS地球地理信息數據分別對傾斜攝影DEM數據和激光點云DEM數據進行兩次平差，再將兩次平差結果與GIS地球地理信息數據再進行一次平差，最終得出的平差結果，距離的直線距離，應遠小于理論值的±50mm級別，基本可以保證實現亞厘米級的平差計算。

3 基于機器學習的平差技術革新

3.1 傳統算法的局限性

3.2 神經網絡的左右互搏算法

將傾斜攝影定位DEM結果和激光點云定位DEM結果，結合GIS地球地理信息數據進行基于機器學習多列神經網絡的結果，且每次調整系數后，判斷一列理論直線狀態坐標的R2值，使其無限趨向于1.000，那么，機器學習過程會得到持續優化。其數據流見圖3。

圖3中，選擇一列神經網絡訓練用數據，該數據通過計算機直接模擬獲得，并非為實測數據，使其更接近直線分布的規律。通過針對X，Y，H三列輸出結果的神經元網絡系統，對該列數據進行平差計算，最終得到一列平差結果數據，然后使用SPSS二次開發接口實現的線性回歸和R2值輸出，比較數據的R2值差異，選擇R2值最小的神經網絡待回歸參數的深度迭代回歸方案，進而生成新方案進行二次比較，當該循環過程將R2值迭代到0.999990以上時，認為神經元網絡的優化結果達到要求并將該方案保留。

圖3 神經網絡的左右互搏算法數據流圖

此時，神經網絡的多列架構見圖4。

圖4 多列神經網絡內部數據流圖

圖4中，來自傾斜攝影的DEM數據、激光點云的DEM數據、GIS的記錄數據，進行拆分重組后，形成針對X，Y，H三個輸出需求的輸入數據集，分別為三組數據的X數據、Y數據和H數據，三列數據分別輸入后，使用2個卷積模塊，實現對數據的卷積整合，再將卷積數據整合到三列神經網絡的平差模塊中。最終輸出經過多列神經網絡平差計算的X結果、Y結果和H結果。

其中，X輸入、Y輸入、H輸入、卷積A、卷積B模塊，其統計學意義在于實現數據的充分融合，所以可以使用多項式函數進行模塊中的隱藏層節點設計，且因為X輸入、Y輸入、H輸入三個模塊的輸入項為4項，卷積A、卷積B的輸入項為1項，所有卷積輸入模塊的輸出項均為1項，且其統計學意義僅為數據融合，所以其隱藏層結構按照最簡設計，第1層設計5個節點，第2層設計3個節點，然后直接進入輸出層。其節點函數可以寫做式（3）：

式中：Xi為第i個輸入數據；Y為節點輸出數據；j為多項式階數；Aj為第j階多項式的待回歸變量；當j=0時

在三列多列神經網絡的平差模塊中，即X平差、Y平差、H平差，分別為2個、3個、2個輸入項，均提供1個輸出項，輸出項直接為平差后的帶量綱結果。該過程的統計學意義為發現數據的深度統計學規律，所以，如果同樣采用2層隱藏層設計，那么第1層應為充分發現數據的統計學非線性分布規律，所以仍需要采用公式（3）的多項式回歸函數進行節點設計，第2層應對數據細節進行充分整理，應采用對數函數進行節點管理。且為了加深數據特征的逼近能力，節點數量應適當加大，所以，隱藏層第1層設計11個節點，第2層設計17個節點。其第2層的對數回歸函數的基函數如式（4）：

式中：Xi為第i個輸入數據；Y為節點輸出數據；A，B為待回歸變量。

4 數據的仿真驗證

使用激光放線法，在地表構建長度為5km的5條直線分布點序列，使用無人機掛載激光點云設備、傾斜攝影設備、機載GPS設備進行基于多次通場法的試驗性測量，且將該坐標點在GIS地球地理信息數據庫中進行標注，獲得GIS地球地理信息數據集。對該方案使用直接激光點云數據、直接傾斜攝影數據、系統內置平差法整合上述三組信息獲得的傳統方案平差數據，以及基于上述機器學習算法的神經網絡平差數據進行比較，可以得到表1。

表1 仿真實測數據的R2值比較結果對比表

表1中，5條基于激光放線法實現的長度5km±200m的測線中，高程差為154～357m，符合一般公路規劃地形的特征。在實測四種方式獲得的數據R2值時，發現激光點云的直接DEM數據R2＞0.998，傾斜攝影的直接DEM數據R2＞0.997，傳統平差算法的R2＞0.999，而采用本文優化的神經網絡平差算法的結果值R2＞0.99999?？梢哉J定，本文優化后的神經網絡平差算法將傳統平差算法結果優化了至少2個數量級，如果傳統平差算法的平差結果誤差達到±50mm級別，那么使用本文優化的神經網絡平差算法的實際測量結果，可以實現亞毫米級的平差計算。

但是，上述仿真實證方案為基于直線測線的理想測量過程，如果驗證本文優化算法對實際公路規劃設計中的應用效果，需要在CAE平臺上，基于GIS全息三維地圖，實現更優化的可視化結果展示，即通過在CAE+GIS的仿真平臺上進行測量仿真，以獲得更高精度的全息三維地圖。因為在GIS系統中直接構建三維地圖的方式可以獲得完全已知的坐標，所以可以在仿真計算中求取實際工程量的可視化量取值差異，見表2。

表2 基于CAE+GIS仿真評價結果對比表

表2中，對比傳統平差算法獲得的三維DEM可視化模型和基于本文優化的神經網絡平差獲得的三維DEM模型，在可視化結果中的長度截取誤差、以及基于上述長度截取過程獲得的工程量計算誤差、材料費計算誤差、工程總造價誤差等方面，本文優化算法分別將數據精度提升90.7%、86.0%、87.6%、79.3%。該結果與上述理想狀態下數據提升2個數量級的結果基本吻合。

5 結語

通過現狀及問題分析，發現當前道路規劃設計過程中，工程測量精度仍有較大提升空間。在當前基于無人機航測遙感技術的三維DEM可視化硬件設備沒有升級的前提下，通過充分優化基于多種測量模式獲得數據的平差過程，在傳統的三角法平差算法的基礎上，引入神經網絡和機器學習技術，使用帶深度卷積的多列神經網絡輔助平差計算，可以將當前平差計算的數據水平提升2個數量級，獲得更高精度的測量結果。雖然該方案尚未被工程測量相關國家標準接納和支持，但單純從數據角度分析，該方案在公路規劃設計領域的工程測量中表現出一定的積極意義，具有一定的推廣價值。