三維激光掃描技術在輪船上層建筑舊改設計中的應用

中圖分類號：TQ018;TP391 文獻標識碼：A 文章編號：1001-5922（2025）10-0183-04

The application of three-dimensional laser scanning technology in the old design of ship superstructures

QIANYachao1，YITianqi1，WENJianliang2，HELiuming ² . WANG Yawen2，GE Jiacheng1，2 （1.Yuan Yuzhi Digital Shenzhen Technology Co.，Ltd.，Shenzhen 5181O9，Guangdong China; Shenzhen China Merchants Real Estate Co.，Ltd.，Shenzhen 518O65，Guangdong China）

Abstract： Inorderto improve thequalityof theold designofthe ship superstructure，basedon the pointcloud data of theship superstructure based on3D laser scanning，a crack feature extraction method of the ship superstructure based on the improved K nearest neighbor（KNN） algorithm is proposed.Firstly，the improved KNN algorithm is proposed bycombining binomial functionand Euclidean distance as thesimilarity measure of KNN algorithm. Then，the improved KNNalgorithm isused to extract the crack characteristics of the superstructure of the ship，and the simulation test is carried out.Theresults show that this methodcan efectivelyextractthearea，lengthand maximum width of the cracks inthe superstructureof the ship，and the absolute error and relative error are 12.35% and （20 3.51% respectively. Compared with the feature extraction algorithms such as approximate curvature and normal vector， it is closer to the actual measurement results.

Key words： ship superstructure;3D laser scanning;KNN algorithm;crack extraction

實現輪船上層建筑裂縫修復的前提是對裂縫特征進行提取。目前，針對裂縫特征提取的主要方法是利用邊界提取特征算法對裂縫輪廓進行提取，如張程恩等1利用邊界提取特征算法中的蟻群優化算法，通過提取測井電成像圖像的邊緣特征，實現了測井裂縫的自動追蹤與提取；賀福強等2結合邊界提取特征算法和海森矩陣強大的圖像增強能力，提出一種橋梁裂縫提取算法，實現了對復雜背景的橋梁圖像的裂縫提取；王康等3基于邊界提取特征算法提出一種特征自動提取算法，通過對混凝土復雜表面圖像的裂縫骨架提取，實現了混凝土表面裂縫提取，邊界提取特征算法在各個領域的裂縫檢測中取得良好的效果，但陳浩瀚等4人認為，上述方法在提取精度方面還有待進一步提高，其原因在于所選用的特征提取算法本身精度具有一定的局限性。因此，本文以KNN算法為基礎，并結合KNN算法自身的局限性，利用二項式函數和歐式距離對KNN進行改進，提出一種基于改進KNN算法的輪船上層建筑裂縫提取方法，以實現更精確地輪船上層建筑裂縫提取，為輪船上層建筑舊改設計奠定基礎。

1輪船上層建筑裂縫提取算法

1.1 KNN算法簡介

KNN算法是一種在向量空間模型中具有良好分類效果的監督學習算法。KNN算法的分類原理是利用不同特征值的相似度進行分類[57]。通常情況下，KNN算采用歐氏距離確定不同特征值的相似度[8-9]：

式中： X₁=（x₁₁，x₁₂，…，x_1n），X₂=（x₂₁，x₂₂，…，x_2n） 分別為候選樣本和分類樣本的特征向量。

輪船上層建筑裂縫提取實際上可看作是對裂縫數據和正常數據的分類，故本研究選用KNN算法提取輪船上層建筑裂縫。但由于KNN算法采用的歐式距離計算相似度，使不同樣本分配得到相同的權重，嚴重影響了分類精度。因此，為解決KNN算法的分類精度問題，研究對該算法進行了改進。

1.2 KNN算法改進

針對KNN算法相似度計算方法采用歐式距離進行計算的局限性，研究結合二項式函數在某一區間內單調增長的特性，通過在歐氏距離中引入二項式函數進行改進，即利用二項式函數與歐氏距離共同計算KNN算法中候選樣本和分類樣本的相似度[1]。

采用二項式函數與歐氏距離共同計算KNN算法的相似度公式如下：

式中， a，b，c 為二項式系數。

對比式（1）和式（2）可知，采用二項式函數與歐氏距離共同計算的相似度具有明顯差異，可賦予不同候選樣本不同權重，進而可有效提高KNN算法的分類精度。因此，為實現更精確的輪船裂縫提取，本研究選用改進的KNN算法作為輪船上層建筑裂縫提取算法，并利用該算法對三維激光掃描的輪船上層建筑點云數據分類，以提取更高精度的輪船上層建筑裂縫信息。

2基于輪船的上層建筑三維激光掃描裂縫提取

輪船上層建筑的裂縫提取就是利用算法對數據進行分析，判斷數據是否為裂縫信息數據。結合上述改進的KNN算法，將輪船上層建筑的三維激光掃描裂縫提取流程設計如下：

（1）點云數據獲取。將三維激光掃描儀按照設計的輪船上層建筑測點進行部署，并采集輪船上層建筑點云數據；

（2）數據的預處理。考慮到數據采集過程中可能存在噪聲且數據量較大等問題，因此實驗前對原始點云數據進行了去噪和冗余點刪除等預處理[12]，此外考慮到不同點云數據的坐標系不同，對所有點云數據進行了坐標轉換，以統一所有點云數據坐標；

（3）空間存取模型構建。利用R-tree將數據擴展為三維空間數據結構，建立點云數據的空間存取模型[13]

（4）參考點集切平面擬合。使用改進KNN算法尋找所有點云的 K 近鄰 N_j（j=0，1，…，k-1） ，構成參考點集合 X 。然后使用最小二乘法進行擬合，得到平面方程為式（3），矩陣方程如式（4）[1415]：

F（x，y，z）=c₁x+c₂y+c₃z+c₄=0

Ac=0

式中：

平面投影。將 X 投影到切平面上，得到 X={（x_i， y，zi），i=0，1，，k}。假設當前投影點的起始點和終點分別為 P_i 和 N_j（j=0，1，…，k-1） ，起點到終點的向量表示為 P_iN_j（j=0，1，…，k-1） 。從 P_iN_j（j=0 1，…，k-1） 中取向量 P_iN_j-1 ，求解其與切平面的法向量叉積 u ，以及其與其他向量的夾角 a_j ， u 與其相鄰向量的夾角βj。當βj≥90°時，αj=360°-αj。

按大小順序排列 α_j（j=0，1，…，k-1） ，并計算相鄰向量間的夾角，如式（7）[16]；

判斷相鄰最大夾角 δ_max 與設定閾值 ε 的大小，當 δ_max 更大時，則認為該點為裂縫邊界點。

上述流程可用示意圖表示，如圖1所示。

圖1輪船上層建筑裂縫提取流程 Fig.1Ship superstructure crack extraction process

3仿真實驗與驗證

3.1 實驗環境

本次實驗基于TensorFlow和MATLAB軟件實現輪船裂縫特征提取算法，并利用 C++ 語言和VS編譯器在Window10操作系統上運行。系統配置Inteli78700K中央處理器，AORUSGTX1080Ti11G顯卡。

3.2 數據來源及預處理

實驗數據來自使用FAR0X130三維激光掃描儀采集的某船舶上層建筑點云數據，共1590萬個。

考慮采集的數據中存在噪聲數據等問題，實驗前對所采集的數據進行了預處理。針對因為人為或環境等因素產生的噪聲數據。根據噪聲數據在空間排列，可分為散亂噪聲數據和有序噪聲數據兩類。針對散亂噪聲數據，通常采用最小二乘濾波進行處理；針對有序噪聲數據，通常采用高斯濾波進行處理[]。

三維激光掃描過程中，為進一步提高掃描精度，獲取了大量的點云數據，可能導致對點云數據的處理與計算難度增大。因此，需要精簡所采集的數據量。本次實驗選用具有簡單易行且高效的包圍盒法，對所采集的數據進行處理[18-19]

此外，考慮到所采集的點云數據測點方位不同，因此坐標系也存在差異，這導致點云數據不能存在統一坐標系中。為此，研究將所采集的所有點云數據導入SCENE中進行點云配準，實現了點云數據的坐標轉換[20]

通過上述預處理，最終得到可用于本次實驗的輪船上層建筑點云數據共986萬個。

3.3 評價指標

本次實驗采用相對誤差（RE）和絕對誤差（AE）作為評價指標，其計算方法如下：

3.4參數設置

改進KNN算法中， K 值的取值大小對算法提取信息的多少具有重要影響， K 值越大，提取的信息越多。但是 K 值過大，會提取到部分無用信息，影響算法性能。因此，為確定合理的 K 值，實驗通過設置不同 K 值大小，并觀察最終裂縫提取效果進行確定。

當 K 為50、100、150時，改進KNN對輪船上層建筑裂縫的提取效果如圖2所示。

圖2不同 K 值下輪船上層建筑裂縫提取效果對比Fig.2Comparison ofcrack extraction effectsinshipsuperstructureunderdifferent K values

由圖2可知，當 K 值為50時，不僅提取到了輪船上層建筑的裂縫，同時也提取到了輪船的鋼坑，提取效果并不理想；當 K 值為100時，可有效提取輪船上層建筑的裂縫，但有效減少了輪船鋼坑數量；當 K 值為150時，已不能提取到輪船上層建筑的裂縫。因此，本次實驗設置改進KNN算法的 K 值為 100

3.5 結果與分析

3.5.1 算法驗證

為驗證本研究KNN算法的改進效果，實驗對比了改進前后KNN算法對三維激光掃描輪船上層建筑裂縫的提取效果，并與實際測量的輪船上層建筑裂縫進行對比，結果如圖3所示。

由圖3可知，改進KNN算法對輪船上層建筑的裂縫面積、長度、最大寬度與實際測量結果較為接近，平均絕對誤差和相對誤差更小，分別為 12.35% 和3.51% 。相較于改進前KNN算法，平均絕對誤差和相對誤差下降了 8.76% 和 5.86% 。由此說明，本研究對KNN算法的改進有效，可更精確地提取到輪船上層建筑裂縫面積、長度、最大寬度信息。

3.5.2 算法對比

為進一步驗證改進KNN算法對三維激光掃描輪船上層建筑的裂縫提取效果，實驗對比了本方法與常用邊界特征提取算法近似曲率和法向量算法的特征提取效果，結果如表1所示。

表1不同方法提取效果對比

Tab.1Comparisonofextractioneffects ofdifferentmethods

由表1可知，本方法采用改進的KNN算法對輪船上層建筑裂縫的提取效果更好，提取的裂縫面積、長度和最大寬度與實際測量值更接近。相較于對比算法，本方法在輪船上層建筑裂縫提取上具有明顯優勢。

為定量分析本方法與對比方法對輪船上層建筑的特征提取效果，實驗對比了不同方法的絕對誤差和相對誤差，結果如表2所示。

表2不同方法評價指標對比Tab.2 Comparisonof evaluationindexesofdifferentmethods

由表2可知，相較于法向量和近似曲率算法，本方法采用改進KNN算法提取的輪船上層建筑裂縫特征的平均絕對誤差和相對誤差更低，進一步證明了改進KNN算法在輪船上層建筑裂縫信息提取中的明顯優勢。

4結語

基于改進KNN算法的輪船上層建筑裂縫提取算法，通過結合二項式函數和歐式距離，作為KNN算法的相似度計算方法，提高了KNN算法的相似度計算精度；采用改進KNN算法對三維掃描的輪船上層建筑點云數據進行分類，實現了輪船上層建筑裂縫面積、長度和最大寬度信息的特征提取，且具有良好的提取效果。從實驗結果來看，改進KNN算法在對輪船上層建筑裂縫提取的平均絕對誤差和相對誤差，分別為 12.35% 和 3.51% ；相較于改進前標準KNN算法和常用邊界提取特征算法法向量和近似曲率，改進KNN算法在輪船上層建筑裂縫提取中具有明顯優勢，提取的輪船上層建筑裂縫面積、長度和最大寬度與實際測量值更接近，為輪船上層建筑的舊改設計奠定了基礎，為提升輪船上層建筑的舊改設計質量提供了理論依據。

【參考文獻】

[1]張程恩，付艷雙，郭正權，等.基于蟻群優化算法的電成像裂縫提取[J].電子測量技術，2020，43（14）：123-126.

[2]賀福強，羅紅，平安，等.基于海森矩陣增強與局部裂縫拼接相結合的橋梁裂縫提取算法[J].貴州大學學報（自然科學版），2020，37（3）：69-75.

[3]王康，強晟，徐春雷，等.混凝土復雜表面裂縫特征自動提取算法研究[J].三峽大學學報（自然科學版），2021，43（6）：17-22.

[4]陳浩瀚，謝仁平，魏文紅.基于區域生長和梯度閾值分割的路面裂縫提取算法[J].東莞理工學院學報，2022，29 （3）：64-68.

[5]朱萌，李敬兆，李化順，等.基于改進KNN的離散型車間物流車定位系統[J].湖北民族大學學報（自然科學版），2023，41（3）：368-374.

[6]霍文博，高源，李致家，等.改進的KNN實時校正方法在山區中小流域的應用[J].河海大學學報（自然科學版），2023，51（4）：27-32.

[7]賈科軍，王佳寧，葡瑩，等.基于粗糙集改進的KNN級聯均衡器抑制LED非線性研究[J].北京郵電大學學報，2023，46（5）：15-21.

[8]張書瑤，王梓齊，劉長良.基于改進集成KNN回歸算法的風電機組齒輪箱狀態監測[J].動力工程學報，2023，43（6）：759-767.

[9]詹學燕，彭寧寧，殷杏子.基于持續同調改進的KNN拓撲分類算法[J].武漢理工大學學報，2023，45（3）：146-155.

[10]周寒，莫李平，劉淵，等.基于特征優化與改進KNN的航空發動機故障診斷[J].航空計算技術，2023，53（2）：45-49.

[11]商磊，關維國，龔瑞雪.基于聚類優選自適應KNN的改進定位算法[J].傳感器與微系統，2023，42（3）：136-139.

[12]韓彥鵬，秦飛舟.基于LeapMotion的手勢識別算法改進與研究[J].電子設計工程，2023，31（1）：7-10.

[13]王浩維.基于三維激光掃描技術的歷史建筑三維重建與病害研究[D].連云港：江蘇海洋大學，2022.

[14]費鮮蕓，戴哲，劉如飛.三維激光點云中建筑物立面邊界特征提取方法[J].山東科技大學學報（自然科學版），2022，41（2）：21-30.

[15]薛巍，楊志偉.基于線段分析的城市建筑景觀邊界特征提取[J].信息技術，2022（3）：109-113.

[16]楊宏偉.航空部件測量數據的三維散亂點云邊界特征快速提取算法[J].工業控制計算機，2021，34（4）：116-117.

[17]王雪迎.手寫數字字符的邊界特征提取[J].遼寧師專學報（自然科學版），2020，22（2）：8-12.

[18]趙高尚，劉道偉，陳樹勇，等.基于尺度不變特征轉換的暫態穩定邊界特征提取[J].中國電機工程學報，2019，39（S1） ：84-94.

[19]林舒姬，林曉敏，歐亞，等.基于kNN算法的智能電網5G海量接人數據異常檢測[J].粘接，2024，51（2）：155-158.