三維激光掃描技術(shù)在輪船上層建筑舊改設(shè)計(jì)中的應(yīng)用

中圖分類號(hào)：TQ018;TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：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(shí)現(xiàn)輪船上層建筑裂縫修復(fù)的前提是對(duì)裂縫特征進(jìn)行提取。目前，針對(duì)裂縫特征提取的主要方法是利用邊界提取特征算法對(duì)裂縫輪廓進(jìn)行提取，如張程恩等1利用邊界提取特征算法中的蟻群優(yōu)化算法，通過(guò)提取測(cè)井電成像圖像的邊緣特征，實(shí)現(xiàn)了測(cè)井裂縫的自動(dòng)追蹤與提取；賀福強(qiáng)等2結(jié)合邊界提取特征算法和海森矩陣強(qiáng)大的圖像增強(qiáng)能力，提出一種橋梁裂縫提取算法，實(shí)現(xiàn)了對(duì)復(fù)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(dòng)提取算法，通過(guò)對(duì)混凝土復(fù)雜表面圖像的裂縫骨架提取，實(shí)現(xiàn)了混凝土表面裂縫提取，邊界提取特征算法在各個(gè)領(lǐng)域的裂縫檢測(cè)中取得良好的效果，但陳浩瀚等4人認(rèn)為，上述方法在提取精度方面還有待進(jìn)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(chǔ)，并結(jié)合KNN算法自身的局限性，利用二項(xiàng)式函數(shù)和歐式距離對(duì)KNN進(jìn)行改進(jìn)，提出一種基于改進(jìn)KNN算法的輪船上層建筑裂縫提取方法，以實(shí)現(xiàn)更精確地輪船上層建筑裂縫提取，為輪船上層建筑舊改設(shè)計(jì)奠定基礎(chǔ)。

1輪船上層建筑裂縫提取算法

1.1 KNN算法簡(jiǎn)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(jiān)督學(xué)習(xí)算法。KNN算法的分類原理是利用不同特征值的相似度進(jìn)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(shí)際上可看作是對(duì)裂縫數(shù)據(jù)和正常數(shù)據(jù)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(jì)算相似度，使不同樣本分配得到相同的權(quán)重，嚴(yán)重影響了分類精度。因此，為解決KNN算法的分類精度問(wèn)題，研究對(duì)該算法進(jìn)行了改進(jìn)。

1.2 KNN算法改進(jìn)

針對(duì)KNN算法相似度計(jì)算方法采用歐式距離進(jìn)行計(jì)算的局限性，研究結(jié)合二項(xiàng)式函數(shù)在某一區(qū)間內(nèi)單調(diào)增長(zhǎng)的特性，通過(guò)在歐氏距離中引入二項(xiàng)式函數(shù)進(jìn)行改進(jìn)，即利用二項(xiàng)式函數(shù)與歐氏距離共同計(jì)算KNN算法中候選樣本和分類樣本的相似度[1]。

采用二項(xiàng)式函數(shù)與歐氏距離共同計(jì)算KNN算法的相似度公式如下：

式中， a，b，c 為二項(xiàng)式系數(shù)。

對(duì)比式（1）和式（2）可知，采用二項(xiàng)式函數(shù)與歐氏距離共同計(jì)算的相似度具有明顯差異，可賦予不同候選樣本不同權(quán)重，進(jìn)而可有效提高KNN算法的分類精度。因此，為實(shí)現(xiàn)更精確的輪船裂縫提取，本研究選用改進(jìn)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(duì)三維激光掃描的輪船上層建筑點(diǎn)云數(shù)據(jù)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(duì)數(shù)據(jù)進(jìn)行分析，判斷數(shù)據(jù)是否為裂縫信息數(shù)據(jù)。結(jié)合上述改進(jìn)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(shè)計(jì)如下：

（1）點(diǎn)云數(shù)據(jù)獲取。將三維激光掃描儀按照設(shè)計(jì)的輪船上層建筑測(cè)點(diǎn)進(jìn)行部署，并采集輪船上層建筑點(diǎn)云數(shù)據(jù)；

（2）數(shù)據(jù)的預(yù)處理。考慮到數(shù)據(jù)采集過(guò)程中可能存在噪聲且數(shù)據(jù)量較大等問(wèn)題，因此實(shí)驗(yàn)前對(duì)原始點(diǎn)云數(shù)據(jù)進(jìn)行了去噪和冗余點(diǎn)刪除等預(yù)處理[12]，此外考慮到不同點(diǎn)云數(shù)據(jù)的坐標(biāo)系不同，對(duì)所有點(diǎn)云數(shù)據(jù)進(jìn)行了坐標(biāo)轉(zhuǎn)換，以統(tǒng)一所有點(diǎn)云數(shù)據(jù)坐標(biāo)；

（3）空間存取模型構(gòu)建。利用R-tree將數(shù)據(jù)擴(kuò)展為三維空間數(shù)據(jù)結(jié)構(gòu)，建立點(diǎn)云數(shù)據(jù)的空間存取模型[13]

（4）參考點(diǎn)集切平面擬合。使用改進(jìn)KNN算法尋找所有點(diǎn)云的 K 近鄰 N_j（j=0，1，…，k-1） ，構(gòu)成參考點(diǎn)集合 X 。然后使用最小二乘法進(jìn)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(shè)當(dāng)前投影點(diǎn)的起始點(diǎn)和終點(diǎn)分別為 P_i 和 N_j（j=0，1，…，k-1） ，起點(diǎn)到終點(diǎn)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(dāng)βj≥90°時(shí)，αj=360°-αj。

按大小順序排列 α_j（j=0，1，…，k-1） ，并計(jì)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(shè)定閾值 ε 的大小，當(dāng) δ_max 更大時(shí)，則認(rèn)為該點(diǎn)為裂縫邊界點(diǎn)。

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(shí)驗(yàn)與驗(yàn)證

3.1 實(shí)驗(yàn)環(huán)境

本次實(shí)驗(yàn)基于TensorFlow和MATLAB軟件實(shí)現(xiàn)輪船裂縫特征提取算法，并利用 C++ 語(yǔ)言和VS編譯器在Window10操作系統(tǒng)上運(yùn)行。系統(tǒng)配置Inteli78700K中央處理器，AORUSGTX1080Ti11G顯卡。

3.2 數(shù)據(jù)來(lái)源及預(yù)處理

實(shí)驗(yàn)數(shù)據(jù)來(lái)自使用FAR0X130三維激光掃描儀采集的某船舶上層建筑點(diǎn)云數(shù)據(jù)，共1590萬(wàn)個(gè)。

考慮采集的數(shù)據(jù)中存在噪聲數(shù)據(jù)等問(wèn)題，實(shí)驗(yàn)前對(duì)所采集的數(shù)據(jù)進(jìn)行了預(yù)處理。針對(duì)因?yàn)槿藶榛颦h(huán)境等因素產(chǎn)生的噪聲數(shù)據(jù)。根據(jù)噪聲數(shù)據(jù)在空間排列，可分為散亂噪聲數(shù)據(jù)和有序噪聲數(shù)據(jù)兩類。針對(duì)散亂噪聲數(shù)據(jù)，通常采用最小二乘濾波進(jìn)行處理；針對(duì)有序噪聲數(shù)據(jù)，通常采用高斯濾波進(jìn)行處理[]。

三維激光掃描過(guò)程中，為進(jìn)一步提高掃描精度，獲取了大量的點(diǎn)云數(shù)據(jù)，可能導(dǎo)致對(duì)點(diǎn)云數(shù)據(jù)的處理與計(jì)算難度增大。因此，需要精簡(jiǎn)所采集的數(shù)據(jù)量。本次實(shí)驗(yàn)選用具有簡(jiǎn)單易行且高效的包圍盒法，對(duì)所采集的數(shù)據(jù)進(jìn)行處理[18-19]

此外，考慮到所采集的點(diǎn)云數(shù)據(jù)測(cè)點(diǎn)方位不同，因此坐標(biāo)系也存在差異，這導(dǎo)致點(diǎn)云數(shù)據(jù)不能存在統(tǒng)一坐標(biāo)系中。為此，研究將所采集的所有點(diǎn)云數(shù)據(jù)導(dǎo)入SCENE中進(jìn)行點(diǎn)云配準(zhǔn)，實(shí)現(xiàn)了點(diǎn)云數(shù)據(jù)的坐標(biāo)轉(zhuǎn)換[20]

通過(guò)上述預(yù)處理，最終得到可用于本次實(shí)驗(yàn)的輪船上層建筑點(diǎn)云數(shù)據(jù)共986萬(wàn)個(gè)。

3.3 評(píng)價(jià)指標(biāo)

本次實(shí)驗(yàn)采用相對(duì)誤差（RE）和絕對(duì)誤差（AE）作為評(píng)價(jià)指標(biāo)，其計(jì)算方法如下：

3.4參數(shù)設(shè)置

改進(jìn)KNN算法中， K 值的取值大小對(duì)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(guò)大，會(huì)提取到部分無(wú)用信息，影響算法性能。因此，為確定合理的 K 值，實(shí)驗(yàn)通過(guò)設(shè)置不同 K 值大小，并觀察最終裂縫提取效果進(jìn)行確定。

當(dāng) K 為50、100、150時(shí)，改進(jìn)KNN對(duì)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(duì)比Fig.2Comparison ofcrack extraction effectsinshipsuperstructureunderdifferent K values

由圖2可知，當(dāng) K 值為50時(shí)，不僅提取到了輪船上層建筑的裂縫，同時(shí)也提取到了輪船的鋼坑，提取效果并不理想；當(dāng) K 值為100時(shí)，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(shù)量；當(dāng) K 值為150時(shí)，已不能提取到輪船上層建筑的裂縫。因此，本次實(shí)驗(yàn)設(shè)置改進(jìn)KNN算法的 K 值為 100

3.5 結(jié)果與分析

3.5.1 算法驗(yàn)證

為驗(yàn)證本研究KNN算法的改進(jìn)效果，實(shí)驗(yàn)對(duì)比了改進(jìn)前后KNN算法對(duì)三維激光掃描輪船上層建筑裂縫的提取效果，并與實(shí)際測(cè)量的輪船上層建筑裂縫進(jìn)行對(duì)比，結(jié)果如圖3所示。

由圖3可知，改進(jìn)KNN算法對(duì)輪船上層建筑的裂縫面積、長(zhǎng)度、最大寬度與實(shí)際測(cè)量結(jié)果較為接近，平均絕對(duì)誤差和相對(duì)誤差更小，分別為 12.35% 和3.51% 。相較于改進(jìn)前KNN算法，平均絕對(duì)誤差和相對(duì)誤差下降了 8.76% 和 5.86% 。由此說(shuō)明，本研究對(duì)KNN算法的改進(jìn)有效，可更精確地提取到輪船上層建筑裂縫面積、長(zhǎng)度、最大寬度信息。

3.5.2 算法對(duì)比

為進(jìn)一步驗(yàn)證改進(jìn)KNN算法對(duì)三維激光掃描輪船上層建筑的裂縫提取效果，實(shí)驗(yàn)對(duì)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(jié)果如表1所示。

表1不同方法提取效果對(duì)比

Tab.1Comparisonofextractioneffects ofdifferentmethods

由表1可知，本方法采用改進(jìn)的KNN算法對(duì)輪船上層建筑裂縫的提取效果更好，提取的裂縫面積、長(zhǎng)度和最大寬度與實(shí)際測(cè)量值更接近。相較于對(duì)比算法，本方法在輪船上層建筑裂縫提取上具有明顯優(yōu)勢(shì)。

為定量分析本方法與對(duì)比方法對(duì)輪船上層建筑的特征提取效果，實(shí)驗(yàn)對(duì)比了不同方法的絕對(duì)誤差和相對(duì)誤差，結(jié)果如表2所示。

表2不同方法評(píng)價(jià)指標(biāo)對(duì)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(jìn)KNN算法提取的輪船上層建筑裂縫特征的平均絕對(duì)誤差和相對(duì)誤差更低，進(jìn)一步證明了改進(jìn)KNN算法在輪船上層建筑裂縫信息提取中的明顯優(yōu)勢(shì)。

4結(jié)語(yǔ)

基于改進(jìn)KNN算法的輪船上層建筑裂縫提取算法，通過(guò)結(jié)合二項(xiàng)式函數(shù)和歐式距離，作為KNN算法的相似度計(jì)算方法，提高了KNN算法的相似度計(jì)算精度；采用改進(jìn)KNN算法對(duì)三維掃描的輪船上層建筑點(diǎn)云數(shù)據(jù)進(jìn)行分類，實(shí)現(xiàn)了輪船上層建筑裂縫面積、長(zhǎng)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(shí)驗(yàn)結(jié)果來(lái)看，改進(jìn)KNN算法在對(duì)輪船上層建筑裂縫提取的平均絕對(duì)誤差和相對(duì)誤差，分別為 12.35% 和 3.51% ；相較于改進(jìn)前標(biāo)準(zhǔn)KNN算法和常用邊界提取特征算法法向量和近似曲率，改進(jìn)KNN算法在輪船上層建筑裂縫提取中具有明顯優(yōu)勢(shì)，提取的輪船上層建筑裂縫面積、長(zhǎng)度和最大寬度與實(shí)際測(cè)量值更接近，為輪船上層建筑的舊改設(shè)計(jì)奠定了基礎(chǔ)，為提升輪船上層建筑的舊改設(shè)計(jì)質(zhì)量提供了理論依據(jù)。

【參考文獻(xiàn)】

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

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

[3]王康，強(qiáng)晟，徐春雷，等.混凝土復(fù)雜表面裂縫特征自動(dòng)提取算法研究[J].三峽大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，43（6）：17-22.

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

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

[6]霍文博，高源，李致家，等.改進(jìn)的KNN實(shí)時(shí)校正方法在山區(qū)中小流域的應(yīng)用[J].河海大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，51（4）：27-32.

[7]賈科軍，王佳寧，葡瑩，等.基于粗糙集改進(jìn)的KNN級(jí)聯(lián)均衡器抑制LED非線性研究[J].北京郵電大學(xué)學(xué)報(bào)，2023，46（5）：15-21.

[8]張書(shū)瑤，王梓齊，劉長(zhǎng)良.基于改進(jìn)集成KNN回歸算法的風(fēng)電機(jī)組齒輪箱狀態(tài)監(jiān)測(cè)[J].動(dòng)力工程學(xué)報(bào)，2023，43（6）：759-767.

[9]詹學(xué)燕，彭寧寧，殷杏子.基于持續(xù)同調(diào)改進(jìn)的KNN拓?fù)浞诸愃惴╗J].武漢理工大學(xué)學(xué)報(bào)，2023，45（3）：146-155.

[10]周寒，莫李平，劉淵，等.基于特征優(yōu)化與改進(jìn)KNN的航空發(fā)動(dòng)機(jī)故障診斷[J].航空計(jì)算技術(shù)，2023，53（2）：45-49.

[11]商磊，關(guān)維國(guó)，龔瑞雪.基于聚類優(yōu)選自適應(yīng)KNN的改進(jìn)定位算法[J].傳感器與微系統(tǒng)，2023，42（3）：136-139.

[12]韓彥鵬，秦飛舟.基于LeapMotion的手勢(shì)識(shí)別算法改進(jìn)與研究[J].電子設(shè)計(jì)工程，2023，31（1）：7-10.

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

[14]費(fèi)鮮蕓，戴哲，劉如飛.三維激光點(diǎn)云中建筑物立面邊界特征提取方法[J].山東科技大學(xué)學(xué)報(bào)（自然科學(xué)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(shù)，2022（3）：109-113.

[16]楊宏偉.航空部件測(cè)量數(shù)據(jù)的三維散亂點(diǎn)云邊界特征快速提取算法[J].工業(yè)控制計(jì)算機(jī)，2021，34（4）：116-117.

[17]王雪迎.手寫(xiě)數(shù)字字符的邊界特征提取[J].遼寧師專學(xué)報(bào)（自然科學(xué)版），2020，22（2）：8-12.

[18]趙高尚，劉道偉，陳樹(shù)勇，等.基于尺度不變特征轉(zhuǎn)換的暫態(tài)穩(wěn)定邊界特征提取[J].中國(guó)電機(jī)工程學(xué)報(bào)，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(wǎng)5G海量接人數(shù)據(jù)異常檢測(cè)[J].粘接，2024，51（2）：155-158.