DeepFilter 在東平湖水下及近岸地形測量項目中的應用研究

徐花芝，張奇偉，孟 萌，王 博，鄭偉安

（山東省國土測繪院，山東 濟南 250013）

1 研究背景

機載LiDAR 測量技術的出現和發展，為地理空間三維信息獲取提供了全新的技術手段[1]，獲取的點云具有海量、高冗余、局部數據缺失、點密度不均一、非結構化的特點[2]。

目前，機載LiDAR 點云已經廣泛地應用于高精度大比例尺數字高程模型（DEM）制作、電力巡線、建筑物三維建模、變化檢測、森林資源調查、海岸帶測量、城市規劃等領域。點云濾波分類是點云應用的基礎性工作，雖然國內外對點云自動濾波方法進行了大量研究，但是濾波效果差強人意，還有許多問題沒有得到解決，且已有點云分類商業軟件需要大量人機交互，效率低下，已經成為目前激光雷達測量技術進步的最大障礙[3]。

近年來，深度學習和人工智能技術快速發展，在很多行業得到了應用。在測繪地理信息領域，對基于深度學習的影像分析與解譯技術進行了大量的研究，并取得了一定的成果。運用深度學習技術，實現機載LiDAR 點云地面點和非地面點快速精細濾波的全自動化處理，是點云數據處理的發展趨勢[4]。

為了提高山東省點云濾波的自動化精度和效率，與武漢大學軟件研發團隊和廣州建通開展三方合作，建立溝通交流渠道，開展深度學習輔助點云分類方法的研究，將基于深度學習的點云自動分類技術引入到山東省國土測繪院。根據山東省地形特點，按照平原、丘陵、山地、低矮建筑物、高大建筑、低矮植被、高植被等不同地形，分別選取一定數量的樣本數據，基于深度學習算法對點云成果樣本進行大量訓練，形成了適合山東省地形特點的點云最優濾波模型，提高分類效率。

2 項目應用

2.1 項目概況

為豐富內陸水下地理信息資源，加強水上水下一體化測量系統研究與應用，為給水資源利用、水環境保護、防洪排澇及重大水利工程建設提供數據支撐。根據山東省規劃建設需求，山東省國土測繪院承擔了東平湖1∶2 000 水下及近岸地形測量項目。

項目范圍面積為22.88 km2，鑒于攝區形狀不規則、面積大、工期緊、空管情況復雜、適航天氣少等原因，為按時圓滿完成任務，投入了一臺機載LiDAR 和一架大棕熊通用飛機用于數據獲取，其中Orion H300 型機載LiDAR 集成CS10000 航攝儀。綜合考慮攝區的地形特點、儀器設備的飛行要求及空域情況等因素，將整個攝區劃分為1 個分區，共飛行航線28 條，絕對航高1 000 m，點云密度為1～2 點/m2，航線敷設如圖1所示。

圖1 東平湖攝區航線敷設示意圖

2.2 DeepFilter 優化技術路線

經過樣本訓練后的點云輔助分類DeepFilter 軟件對山東省的機載LiDAR 點云濾波效果較好，但是此軟件功能單一，不能進行航線切割、點云分塊、航線校正、重疊帶去除等前期處理。結合山東省國土測繪院已有的點云處理軟件，提出新的適合山東省地形地貌的機載LiDAR 點云自動化提取地面點成果解決方案，優化生產流程，即前期航線切割、點云分塊、航線校正、重疊帶切割等利用Terrasolid 處理，然后利用Terrasolid 設置參數、DeepFilter 全自動處理進行自動過濾，對比分析2 種分類結果，選取效果好、效率高的結果進行人工編輯，生產DEM（Digital Elevation Model）成果。

3 效率對比

外業航飛獲取的數據經過預處理后獲得LiDAR點云數據，分別用Terrasolid 老流程和DeepFilter 優化流程進行生產試驗，對分類效率進行統計對比，如表1所示。

表1 新老流程分類效率對比表

通過項目生產試驗可以發現：DeepFilter 軟件自動化自動過濾成果的正確率，在現有軟件的基礎上提高了10%，達到了80%，自動過濾效率也比Terrasolid 軟件提升了12.5%；基于DeepFilter 軟件的適合山東省地形地貌的點云分類解決方案，由于自動分類正確率的提高，人工編輯效率提升了28.6%，工作量大大減少，使得綜合分類效率整體提高了28%，成功地優化了生產流程。

4 結果分析

4.1 DeepFilter 自動分類精度分析

對DeepFilter 自動分類結果進行統計，有9 種類型地形，具體如下：S1 為平原空地，S2 為平原植被，S3為鄉村房屋，S4 為城區房屋，S5 為大型建筑，S6為梯田，S7 為崎嶇地表，S8 為山區緩坡，S9 為山區陡坡。

與人工編輯成果對比分析發現：S4、S7、S9 這3種地形DeepFilter 自動分類精度高于人工編輯分類精度，不再需要進行人工編輯，尤其是S7 和S9 明顯高于人工編輯分類精度，如圖2 所示；S2、S3、S6 這3種地形DeepFilter 自動分類精度與人工編輯分類精度差不多，幾乎不需要再進行人工編輯；S1、S5、S8 這3 種地形DeepFilter 自動分類精度低于人工編輯分類精度，還需要進一步進行人工編輯，尤其是S8 明顯低于人工編輯分類精度。

圖2 山地自動分類結果展示

綜上，DeepFilter 自動分類精度整體上可達80%，各地形精度統計如圖3 所示。

圖3 各地形平均分類精度

4.2 DeepFilter 自動分類效率分析

DeepFilter 目前處理效率為平均2～3 min 處理100 萬點（顯卡為GeForce GTX 1 080Ti）。同樣處理22.88 km2，點云密度為1～2 點/m2，1∶2 000 比例尺的點云數據，Terrasolid 自動分類需80 min，DeepFilter自動分類需70 min，自動分類效率提升了12.5%。

4.3 新的優化的解決方案中自動分類精度分析

新的優化的解決方案采用DeepFilter 進行自動分類，因此自動分類精度整體上可達80%。

4.4 點云分類（自動+人工）綜合效率分析

新的優化的解決方案由于DeepFilter 自動分類精度的提高（達到80%，提升了10%），使得人工編輯效率大大提升，通過東平湖攝區1∶2 000 航空攝影項目生產試驗提高了28.6%，因此綜合分類效率整體提高了28.0%。

5 結束語

目前，雖然DeepFilter 軟件在自動分類方面取得了很大的進步，但其功能單一，不能滿足機載LiDAR 點云項目的全流程生產，例如：①不能進行航線切割、點云分塊、航線校正、重疊帶切除等前期處理；②航線重疊部分會分類到航線邊緣，引起航線間高差；③對特殊高密度（如密度為160 點/m2）的點云數據無法處理，需繼續優化；④雖然自動過濾精度有所提升，但仍然需要人工進行編輯。

運用深度學習技術，以實現大規模機載LiDAR 點云數據地面點和非地面點快速精細濾波的全自動化處理，是點云數據處理的發展趨勢。因此，下一步建議對DeepFilter 軟件持續跟進，繼續加強與武漢大學軟件研發團隊和廣州建通的交流合作，持續改進軟件，使軟件更加開放靈活。