CN107292335A - 一种基于随机森林模型的输电线路点云数据自动分类方法 - Google Patents
一种基于随机森林模型的输电线路点云数据自动分类方法 Download PDFInfo
- Publication number
- CN107292335A CN107292335A CN201710431077.8A CN201710431077A CN107292335A CN 107292335 A CN107292335 A CN 107292335A CN 201710431077 A CN201710431077 A CN 201710431077A CN 107292335 A CN107292335 A CN 107292335A
- Authority
- CN
- China
- Prior art keywords
- cloud data
- random forest
- model
- transmission line
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种基于随机森林模型的输电线路点云数据自动分类方法,随着激光雷达技术的发展和应用,机载激光雷达也被逐渐地引入到输电线路巡视作业中,激光雷达对输电线路走廊进行扫描后会产生大量的点云数据,点云数据的分类是后续点云数据分析和处理的基础。但是,如果采用传统的人工分类方法,工作量较大、非常耗时。本发明主要阐述了一种基于随机森林的自动分类的方法,本方法基于点的局部特征定义机器学习的特征,逐点计算所有的特征值,再通过随机森林构建学习器,以人工分类的点云数据作为训练样本构建有监督的学习模型。在模型训练完成后,将模型运用于未分类的点云数据进行自动分类。
Description
技术领域
本发明涉及以一种机载激光雷达对输电线路走廊扫描后的点云数据进行自动分类方法,是一种对输电线路点云数据的自动分类方法。
背景技术
激光雷达技术(LiDAR)是一种主动式的对地观察和测量的技术,在电力、公路、铁路、林业、矿山、城市规划等众多领域都有广泛地应用。由于机载LiDAR可以完整地记录飞行路线及其两侧走廊范围内的三维信息,具有安全、高效、快速等优点,因此逐渐被引入到输电线路巡线中,特别是在地形复杂、条件恶劣的地区。
机载LiDAR在进行输电巡线作业时会产生大量的扫描数据(点云数据),对点云数据的分析和应用主要包括:电力线路走廊点云分类、输电线路缺陷分析、输电走廊三维重建及可视化等多个方面。其中,电力线路走廊点云分类是其他应用的基础,只要在完成了点云分类以后,才能继续进行深入的分析和研究。传统的分类方法主要采用手动分类,即以人工方式选取点云,手动设置类别,工作量较大、非常耗时。
发明内容
本发明的目的正是为了解决传统输电线路点云数据的分类方法所存在的问题,通过机器学习算法,从已分类的样本中学习分类的知识,然后再将这些知识应用于未分类的点云数据,从而实现点云数据的自动分类。
为了实现上述目的,本发明提供如下技术方案:
一种基于随机森林模型的输电线路点云数据自动分类方法,首先,获取输电线路走廊的机载激光雷达点云数据,基于点云数据中每个点的局部特征定义机器学习的特征,逐点计算所有的特征值,采用有监督的机器学习算法随机森林作为学习器,以人工分类的点云数据作为训练样本来构建模型;在模型训练完成后,将模型运用于未分类的点云数据进行自动分类。
2、本发明所述的一种基于随机森林模型的输电线路点云数据自动分类方法,
1)点云数据的特征定义
只基于点的空间信息来定义特征,不使用回波、颜色等其他信息,从点的邻域中获取局部特征,逐个点地进行特征提取;
对于任意点P及其邻域N,可知存在邻域N的协方差矩阵C,求解矩阵C的特征向量(λ1≥λ2≥λ3≥0)及其对应的特征值(e1,e2,e3),而特征向量能表达出每个点的局部几何特征,通过特征向量和特征值的组合得到机器学习的特征。
2)设置随机森林参数
随机森林由127棵决策树构成,其中,决策树采用Gini系数作为节点分裂的维度选择标准;
3)样本选择优化
由于在输电走廊通道的点云数据中,电力设施的点数量通常会远远小于其他类别的数量,而数量较多的类别会在分类结果上表现出更大的权重;为了平衡各类别在训练样本中数量,需要对点数量较多的类别采取“欠采样”,对点数量较少的类别采取“过采样”,以此来平衡训练样本;
4)模型训练
首先,对获取到的输电线路走廊点云数据进行人工分类,将分类后的点云作为训练集。其次,计算训练集中所有点的特征值;对训练集按照上述方法进行均衡采样,按照上述参数设置随机森林模型,并进行训练,得到随机森林分类模型;
5)自动分类
读取未进行分类的点云数据,逐点进行特征计算,将计算后的特征向量输入上述训练得到的模型,得到所有点的分类结果。
表1点云数据特征值选取表。
附图说明
图1为本发明结构框图。
具体实施方式
见图1,本发明一种基于随机森林模型的输电线路点云数据自动分类方法,首先,获取输电线路走廊的机载激光雷达点云数据,基于点云数据中每个点的局部特征定义机器学习的特征,逐点计算所有的特征值,采用有监督的机器学习算法随机森林作为学习器,以人工分类的点云数据作为训练样本来构建模型;在模型训练完成后,将模型运用于未分类的点云数据进行自动分类。
本发明根据上述技术特征所采取的技术手段是:
1)点云数据的特征定义
对于任意点P,只基于点的空间信息(x,y,z)来定义特征,计算P的邻域N,计算N协方差矩阵C,求解矩阵C的特征向量(λ1≥λ2≥λ3≥0)及其对应的特征值(e1,e2,e3),按照表1定义的16个维度计算每个点的特征。
2)设置随机森林参数
随机森林由127棵决策树构成,其中,决策树采用Gini系数作为节点分裂的维度选择标准;
3)样本选择优化
由于在输电走廊通道的点云数据中,电力设施的点数量通常会远远小于其他类别的数量,而数量较多的类别会在分类结果上表现出更大的权重;为了平衡各类别在训练样本中数量,需要对点数量较多的类别采取“欠采样”,对点数量较少的类别采取“过采样”,以此来平衡训练样本;
4)模型训练
首先,对获取到的输电线路走廊点云数据进行人工分类,将分类后的点云作为训练集。其次,计算训练集中所有点的特征值;对训练集按照上述方法进行均衡采样,按照上述参数设置随机森林模型,并进行训练,得到随机森林分类模型;
5)自动分类
读取未进行分类的点云数据,逐点进行特征计算,将计算后的特征向量输入上述训练得到的模型,得到所有点的分类结果。
Claims (2)
1.一种基于随机森林模型的输电线路点云数据自动分类方法,其特征是:首先,获取输电线路走廊的机载激光雷达点云数据,基于点云数据中每个点的局部特征定义机器学习的特征,逐点计算所有的特征值,采用有监督的机器学习算法随机森林作为学习器,以人工分类的点云数据作为训练样本来构建模型;在模型训练完成后,将模型运用于未分类的点云数据进行自动分类。
2.根据权利要求1所述的一种基于随机森林模型的输电线路点云数据自动分类方法,其特征是:
1)点云数据的特征定义
只基于点的空间信息来定义特征,不使用回波、颜色等其他信息,从点的邻域中获取局部特征,逐个点地进行特征提取;
对于任意点P及其邻域N,可知存在邻域N的协方差矩阵C,求解矩阵C的特征向量(λ1≥λ2≥λ3≥0)及其对应的特征值(e1,e2,e3),而特征向量能表达出每个点的局部几何特征,通过特征向量和特征值的组合得到机器学习的特征;
2)设置随机森林参数
随机森林由127棵决策树构成,其中,决策树采用Gini系数作为节点分裂的维度选择标准;
3)样本选择优化
由于在输电走廊通道的点云数据中,电力设施的点数量通常会远远小于其他类别的数量,而数量较多的类别会在分类结果上表现出更大的权重;为了平衡各类别在训练样本中数量,需要对点数量较多的类别采取“欠采样”,对点数量较少的类别采取“过采样”,以此来平衡训练样本;
4)模型训练
首先,对获取到的输电线路走廊点云数据进行人工分类,将分类后的点云作为训练集。其次,计算训练集中所有点的特征值;对训练集按照上述方法进行均衡采样,按照上述参数设置随机森林模型,并进行训练,得到随机森林分类模型;
5)自动分类
读取未进行分类的点云数据,逐点进行特征计算,将计算后的特征向量输入上述训练得到的模型,得到所有点的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710431077.8A CN107292335A (zh) | 2017-06-06 | 2017-06-06 | 一种基于随机森林模型的输电线路点云数据自动分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710431077.8A CN107292335A (zh) | 2017-06-06 | 2017-06-06 | 一种基于随机森林模型的输电线路点云数据自动分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107292335A true CN107292335A (zh) | 2017-10-24 |
Family
ID=60096780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710431077.8A Pending CN107292335A (zh) | 2017-06-06 | 2017-06-06 | 一种基于随机森林模型的输电线路点云数据自动分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107292335A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108509935A (zh) * | 2018-04-12 | 2018-09-07 | 电子科技大学 | 一种基于随机森林算法的雷达工作模式识别方法 |
CN108896996A (zh) * | 2018-05-11 | 2018-11-27 | 中南大学 | 一种基于随机森林的铅锌矿吸水井泥水界面超声波回波信号分类方法 |
WO2019104781A1 (zh) * | 2017-11-29 | 2019-06-06 | 北京数字绿土科技有限公司 | 一种点云数据处理方法、装置、电子设备及计算机可读存储介质 |
WO2019104780A1 (zh) * | 2017-11-29 | 2019-06-06 | 北京数字绿土科技有限公司 | 激光雷达点云数据分类方法、装置、设备及存储介质 |
CN109858571A (zh) * | 2019-03-12 | 2019-06-07 | 湖南科技大学 | 基于正态分布和聚类的激光雷达点云电力线分类方法 |
CN109901618A (zh) * | 2019-03-29 | 2019-06-18 | 国网山东省电力公司梁山县供电公司 | 电力巡线系统及方法 |
CN109948414A (zh) * | 2018-12-29 | 2019-06-28 | 中国科学院遥感与数字地球研究所 | 基于LiDAR点云特征的电力走廊场景分类方法 |
CN110058606A (zh) * | 2019-03-29 | 2019-07-26 | 国网山东省电力公司梁山县供电公司 | 电力线路运维检修系统及方法 |
CN110427986A (zh) * | 2019-07-16 | 2019-11-08 | 浙江大学 | 一种基于毫米波雷达点云特征的核支持向量机目标分类方法 |
CN111860359A (zh) * | 2020-07-23 | 2020-10-30 | 江苏食品药品职业技术学院 | 一种基于改进随机森林算法的点云分类方法 |
CN112488215A (zh) * | 2020-12-04 | 2021-03-12 | 广东电网有限责任公司 | 一种电缆沟点云自动分类方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324945A (zh) * | 2013-07-08 | 2013-09-25 | 南京大学 | 一种基于模式识别的森林点云分类方法 |
CN103942420A (zh) * | 2014-04-08 | 2014-07-23 | 北京大学 | 一种建筑物尺度的太阳能快速估算方法 |
-
2017
- 2017-06-06 CN CN201710431077.8A patent/CN107292335A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324945A (zh) * | 2013-07-08 | 2013-09-25 | 南京大学 | 一种基于模式识别的森林点云分类方法 |
CN103942420A (zh) * | 2014-04-08 | 2014-07-23 | 北京大学 | 一种建筑物尺度的太阳能快速估算方法 |
Non-Patent Citations (3)
Title |
---|
张爱武 等: "一种机载LiDAR点云分类的自适应特征选择方法", 《激光与光电子学进展》 * |
范士俊: "基于随机森林的全波形点云数据分类研究", 《首都师范大学学报(自然科学版)》 * |
陈湘涛 等: "不平衡数据分类研究综述", 《邵阳学院学报(自然科学版)》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019104781A1 (zh) * | 2017-11-29 | 2019-06-06 | 北京数字绿土科技有限公司 | 一种点云数据处理方法、装置、电子设备及计算机可读存储介质 |
WO2019104780A1 (zh) * | 2017-11-29 | 2019-06-06 | 北京数字绿土科技有限公司 | 激光雷达点云数据分类方法、装置、设备及存储介质 |
US11636289B2 (en) | 2017-11-29 | 2023-04-25 | Beijing Greenvalley Technology Co., Ltd. | Method, apparatus, and device for classifying LiDAR point cloud data, and storage medium |
US11544511B2 (en) | 2017-11-29 | 2023-01-03 | Beijing Greenvalley Technology Co., Ltd. | Method, apparatus, and electronic device for processing point cloud data, and computer readable storage medium |
CN108509935B (zh) * | 2018-04-12 | 2020-01-03 | 电子科技大学 | 一种基于随机森林算法的雷达工作模式识别方法 |
CN108509935A (zh) * | 2018-04-12 | 2018-09-07 | 电子科技大学 | 一种基于随机森林算法的雷达工作模式识别方法 |
CN108896996A (zh) * | 2018-05-11 | 2018-11-27 | 中南大学 | 一种基于随机森林的铅锌矿吸水井泥水界面超声波回波信号分类方法 |
CN108896996B (zh) * | 2018-05-11 | 2019-09-20 | 中南大学 | 一种基于随机森林的铅锌矿吸水井泥水界面超声波回波信号分类方法 |
CN109948414A (zh) * | 2018-12-29 | 2019-06-28 | 中国科学院遥感与数字地球研究所 | 基于LiDAR点云特征的电力走廊场景分类方法 |
CN109858571A (zh) * | 2019-03-12 | 2019-06-07 | 湖南科技大学 | 基于正态分布和聚类的激光雷达点云电力线分类方法 |
CN109858571B (zh) * | 2019-03-12 | 2021-07-30 | 湖南科技大学 | 基于正态分布和聚类的激光雷达点云电力线分类方法 |
CN110058606A (zh) * | 2019-03-29 | 2019-07-26 | 国网山东省电力公司梁山县供电公司 | 电力线路运维检修系统及方法 |
CN109901618A (zh) * | 2019-03-29 | 2019-06-18 | 国网山东省电力公司梁山县供电公司 | 电力巡线系统及方法 |
CN110427986A (zh) * | 2019-07-16 | 2019-11-08 | 浙江大学 | 一种基于毫米波雷达点云特征的核支持向量机目标分类方法 |
CN111860359A (zh) * | 2020-07-23 | 2020-10-30 | 江苏食品药品职业技术学院 | 一种基于改进随机森林算法的点云分类方法 |
CN111860359B (zh) * | 2020-07-23 | 2021-08-17 | 江苏食品药品职业技术学院 | 一种基于改进随机森林算法的点云分类方法 |
CN112488215A (zh) * | 2020-12-04 | 2021-03-12 | 广东电网有限责任公司 | 一种电缆沟点云自动分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107292335A (zh) | 一种基于随机森林模型的输电线路点云数据自动分类方法 | |
CN110378909B (zh) | 基于Faster R-CNN的面向激光点云的单木分割方法 | |
CN104820830B (zh) | 一种基于全波形LiDAR冠层剖面模型的树种识别方法 | |
CN109816581A (zh) | 一种综合业态大数据与建筑形态的城市用地自动识别系统 | |
CN110516596A (zh) | 基于Octave卷积的空谱注意力高光谱图像分类方法 | |
CN106845559B (zh) | 顾及poi数据空间异质性的地表覆盖验证方法及系统 | |
CN108226894A (zh) | 一种点云数据处理方法及装置 | |
Schelling | Soil genesis, soil classification and soil survey | |
CN103839078B (zh) | 一种基于主动学习的高光谱图像分类方法 | |
CN106096661B (zh) | 基于相对属性随机森林的零样本图像分类方法 | |
CN106096627A (zh) | 顾及特征优化的极化sar图像半监督分类方法 | |
CN104463168B (zh) | 一种基于遥感影像的空废宅基地信息自动提取方法 | |
CN110929592A (zh) | 一种用于海上养殖区外边界的提取方法及系统 | |
CN107966116A (zh) | 一种水稻种植面积的遥感监测方法及系统 | |
CN108182544A (zh) | 一种农产品的品质评估方法 | |
CN107392237A (zh) | 一种基于迁移视觉信息的交叉域地基云图分类方法 | |
CN108229589A (zh) | 一种基于迁移学习的地基云图分类方法 | |
CN106909972A (zh) | 一种传感器数据校准模型的学习方法 | |
CN106228136A (zh) | 基于聚合通道特征的全景街景隐私保护方法 | |
CN107341521A (zh) | 一种基于煤炭光谱数据对煤炭分类的方法 | |
CN116129262A (zh) | 一种面向宜机化改造的耕地适宜性评价方法及系统 | |
Klein et al. | Quantification of carbon sequestration in urban forests | |
CN115390040A (zh) | 一种基于分割几何特征的树林点云枝叶分离方法 | |
CN103617417A (zh) | 植物自动识别方法和系统 | |
CN113049509A (zh) | 一种基于光谱技术的农产品检测管理系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171024 |