CN113420674A - 基于点云数据的森林档案模型构建方法、装置及存储介质 - Google Patents
基于点云数据的森林档案模型构建方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113420674A CN113420674A CN202110708286.9A CN202110708286A CN113420674A CN 113420674 A CN113420674 A CN 113420674A CN 202110708286 A CN202110708286 A CN 202110708286A CN 113420674 A CN113420674 A CN 113420674A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- forest
- cloud data
- data
- layer
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于点云数据的森林档案模型构建方法、装置及存储介质,方法包括:获取预设区域的点云数据;结合森林防火专题数据库将对处理修正后点云数据进行分类,包括地面层、不同高度植被层、建筑物层、林下道路层、车行道路层、电力塔和电力线层、水域层等;基于不同类型数据层导入单木参数信息、树种模型库等构建森林档案模型。通过实施本发明,将获取的点云数据进行点云分类,确定了森林场景中的不同类型地物信息数据点,不仅实现了森林场景中较为全面的场景识别和三维建模,同时可以提取地形高程、坡度、坡向等关键地理信息,通过不同类型数据层中的重点参考信息,为林火蔓延模型的建立提供数据支撑,为制定火灾扑救方案提供决策依据。
Description
技术领域
本发明涉及点云数据处理技术领域,具体涉及一种基于点云数据的森林档案模型构建方法、装置及存储介质。
背景技术
激光雷达(Light Detection And Ranging,LIDAR)技术的兴起为解决如何快速获取大规模空间数据的问题提供了新的选择。激光雷达技术属于一种主动式的信息获取技术,从出现至今已经过了多年的发展,逐渐兴起并且越来越受到相关行业的重视。激光雷达测量技术是从20世纪中后期出现并逐步发展起来的一门新型技术,该技术通过采用LIDAR系统解算获取点云数据空间信息。
森林是复杂室外场景的一个典型代表,它不仅整体模型复杂,如树木种类繁多,数量庞大,而且其中每一个个体树木所包含的枝叶数不胜数,森林绘制的数据量非常庞大,远远超出了当前图形硬件的处理能力,对森林进行建模与绘制就显得更加困难。因此要实现三维森林场景的构建以及森林场景中交互式实时漫游,必须采用一些特殊的优化处理技术,来保证场景的实时渲染。同时,高精度地形数据也是海量数据,如何对其组织和管理,也存在技术难题。此外,森林作为一个火灾高发地,如何对森林中火灾进行有效的防范和治理也是当前亟待解决的技术问题。
发明内容
有鉴于此,本发明实施例提供了涉及一种基于点云数据的森林档案模型构建方法、装置及存储介质,以解决现有技术中对于森林场景的数据处理存在技术难题的问题。
本发明提出的技术方案如下:
本发明实施例第一方面提供一种基于点云数据的森林档案模型构建方法,包括:获取预设区域的点云数据;基于森防专题数据库将所述点云数据进行点云分类,得到不同类型数据层,所述不同类型数据层包括地面层、不同高度植被层、建筑物层、林下道路层、车行道路层、电力塔和电力线层、水域层;基于所述不同类型数据层构建森林档案模型。
可选地,该基于点云数据的森林档案模型构建方法还包括:基于影响火灾蔓延的参数构建火灾蔓延模型;根据所述火灾蔓延模型确定火蔓延信息;根据所述火蔓延信息以及所述森林档案模型进行火灾分析及监测。
可选地,在将所述点云数据进行点云分类之前,包括:将所述点云数据进行坐标转换和高程拟合,得到处理后的点云数据;将所述处理后的点云数据进行去燥和滤波;
可选地,将所述点云数据进行点云分类,包括:根据所述点云数据的参数信息判断预设区域是否为水体;当判断为水体时,基于影像数据提取分块后非地面点数据的水域轮廓,得到水域轮廓线;对水域轮廓线进行矢量化,得到水域层。
可选地,将所述点云数据进行点云分类,还包括:选取林下道路作为训练样本,构建基于深度学习的分类模型;根据基于深度学习的分类模型对所述点云数据进行分类,得到林下道路;基于数学形态学和Hough变换对林下道路进行处理,得到道路边界和中心线;根据所述林下道路、道路边界和中心线确定林下道路层。
可选地,将所述点云数据进行点云分类,还包括:基于改进的形态学算法将所述点云数据中的地面点滤除,得到剩余点云数据;根据电力塔和电力线在水平方向和垂直方向的分布特征以及投影特征对所述剩余点云数据进行一次分类,得到分类数据;根据高程密度分割算法对所述分类数据进行提取,得到电力塔和电力线层。
可选地,将所述点云数据进行点云分类,还包括:根据形态学滤波算法对所述点云数据进行分类,得到地面点和非地面点;对所述非地面点进行分类确定植被点云;根据高度阈值对所述植被点云进行分类得到不同高度植被点;基于单木分割算法对不同高度植被点进行计算,得到植被参数信息;基于树种模型库对得到的不同高度植被层以及植被参数信息进行补充修正。
本发明实施例第二方面提供一种基于点云数据的森林档案模型构建装置,包括:数据获取模块,用于获取预设区域的点云数据;分类模块,用于基于森防数据库将所述点云数据进行点云分类,得到不同类型数据层,所述不同类型数据层包括地面层、不同高度植被层、建筑物层、林下道路层、车行道路层、电力塔和电力线层、水域层;模型构建模块,用于基于所述不同类型数据层构建森林档案模型。
可选地,该基于点云数据的森林档案模型构建装置,还包括:模型构建模块,用于基于影响火灾蔓延的参数构建火灾蔓延模型;信息确定模块,用于根据所述火灾蔓延模型确定火蔓延信息;分析模块,用于根据所述火蔓延信息以及所述森林档案模型进行火灾分析及监测。
本发明实施例第三方面提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行如本发明实施例第一方面及第一方面任一项所述的基于点云数据的森林档案模型构建方法。
本发明实施例第四方面提供一种电子设备,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行如本发明实施例第一方面及第一方面任一项所述的基于点云数据的森林档案模型构建方法。
本发明提供的技术方案,具有如下效果:
本发明实施例提供的基于点云数据的森林档案模型构建方法、装置及存储介质,通过获取的点云数据进行点云分类,确定了森林场景中的地面层、不同高度植被层、建筑物层、林下道路层、车行道路层、电力塔和电力线层、水域层,不仅实现了森林场景中较为全面的场景识别,同时不同类型数据层中的林下道路网点、建筑物点、电力塔和电力线点、水域轮廓点等重点保护目标的确定,为森林火灾防控以及森防队伍制定火灾扑救方案提供了依据。
本发明实施例提供的基于点云数据的森林档案模型构建方法、装置及存储介质,依托激光雷达技术获取LiDAR点云数据,明确了森林档案建模过程中大批量数据获取与处理的关键技术流程,并提出LiDAR点云数据中植被、水域、林下道路、电力塔与电力线的提取方法,依托树种模型和专题数据资源库完成森林的档案建模,通过可视化渲染后有效获取林下道路、电力塔等重点保护目标、植被树种等森林档案信息,为制定森林火灾最佳扑救方案提供基础数据支撑。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的基于点云数据的森林档案模型构建方法的流程图;
图2是根据本发明另一实施例的基于点云数据的森林档案模型构建方法的流程图;
图3是根据本发明另一实施例的基于点云数据的森林档案模型构建方法的流程图;
图4是根据本发明另一实施例的基于点云数据的森林档案模型构建方法的流程图;
图5是根据本发明另一实施例的基于点云数据的森林档案模型构建方法的流程图;
图6是根据本发明另一实施例的基于点云数据的森林档案模型构建方法的流程图;
图7是根据本发明另一实施例的基于点云数据的森林档案模型构建方法的流程图;
图8是根据本发明实施例的基于点云数据的森林档案模型构建装置的结构框图;
图9是根据本发明实施例提供的计算机可读存储介质的结构示意图;
图10是根据本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供一种基于点云数据的森林档案模型构建方法,如图1所示,该处理方法包括如下步骤:
步骤S101:获取预设区域的点云数据;具体地,可以在直升机或无人机等飞行平台上搭载激光雷达,如激光探测与测量设备(Light Detection And Ranging,LIDAR),然后通过直升机或无人机等飞行平台对预设区域进行巡检,在巡检过程中飞行平台上搭载的激光雷达对预设区域进行数据采集,得到预设区域的点云数据。在一实施例中,预设区域可以是森林场景的某一区域或全部区域。当预设区域面积较大时,可以采用分块采集的方式实现点云数据的获取。
在一实施例中,在获取点云数据之后,可以先对点云数据进行预处理,从而便于后续对数据的分类处理过程。其中,在进行预处理时,可以先对点云数据进行坐标转换和高程拟合。坐标转换的目的是为了满足测量工程需要,并且与可视化系统坐标对接。高程拟合是将椭球高修正转换为大地水准面的正常高。坐标转换和高程拟合之后还可以对点云数据进行去燥和滤波处理,从而提高后续处理结果的准确性。
步骤S102:基于森防专题数据库将点云数据进行点云分类,得到不同类型数据层,不同类型数据层包括地面层、不同高度植被层、建筑物层、林下道路层、车行道路层、电力塔和电力线层、水域层;在一实施例中,在进行点云分类时,可以基于专题数据库将点云数据进行点云分类,专题数据库包括:油库、风景地区库、供电库以及供气库等森林重点防火隐患风险点。具体地,通过在点云分类时导入森防专题数据库,由此使得分类后的数据能够为火灾蔓延提供基础参数。其中,不同类型数据层除上述提到的地面层、不同高度植被层、建筑物层、林下道路层、车行道路层、电力塔和电力线层、水域层之外,还可以设置铁路层、救援力量、重点保护目标层等等,为构建森林档案模型提供更加全面的数据基础。
步骤S103:基于不同类型数据层构建森林档案模型。具体地,在进行森林档案建模时,不仅可以基于分类得到的不同类型数据层,还可以结合原有的林木参数信息、测绘影响以及气象信息等,实现模型的构建。同时,在模型构建过程中,还可以依托视频监控点以及重点公共服务设施等数据信息。此外,在完成模型构建之后,还可以基于构建的模型对不同类型数据层进行渲染后实现可视化展示。其中,对于地面层、不同高度植被层、建筑物层、林下道路层、车行道路层、电力塔和电力线层、水域层等可以采用图层的形式显示。
本发明实施例提供的基于点云数据的森林档案模型构建方法,通过获取的点云数据进行点云分类,确定了森林场景中的地面层、不同高度植被层、建筑物层、林下道路层、车行道路层、电力塔和电力线层、水域层,不仅实现了森林场景中较为全面的场景识别,同时不同类型数据层中的林下道路层、建筑物层、电力塔和电力线层、水域层等重点保护目标的确定,为森林火灾防控以及森防队伍制定火灾扑救方案提供了依据。
在一实施例中,基于点云数据的森林档案模型构建方法还包括:基于影响火灾蔓延的参数构建火灾蔓延模型;根据火灾蔓延模型确定火蔓延信息;根据火蔓延信息以及森林档案模型进行火灾分析及监测。
具体地,通过构建的森林档案模型还可以用于火灾监测中。如图2所示,首先,确定影响火灾蔓延的参数信息包括可燃物相对湿度、可燃物类型、坡度和坡向、初始蔓延速度、风速风向、可燃物热值、郁闭度、树冠高度、树干高度、树冠密度、含水率等等。然后基于这些信息建立火灾蔓延模型,基于火灾蔓延模型可以计算确定火蔓延速度、火蔓延范围以及火蔓延方向等火蔓延信息。根据火蔓延信息以及构建的森林档案模型可以对森林场景中火灾行为进行可视化分析和监测,比如是否会蔓延到各类型数据点,如是否会对电力塔和电力线等造成影响等等。由此,通过该第二火灾蔓延模型可以确定如何制定火灾扑救方案,在火灾扑救中有效为指挥扑救提供决策参考。
作为本发明实施例的一种可选地实施方式,将点云数据进行点云分类,还包括如下步骤:根据点云数据的参数信息判断预设区域是否为水体;当判断为水体时,基于影像数据提取分块后点云数据的水域轮廓,得到水域轮廓线;对水域轮廓线进行矢量化,得到水域层。
具体地,激光雷达所发射的激光脉冲很容易被水系所吸收,尤其在清澈的水体处几乎没有激光点;在浑浊的水体处虽有部分激光反射回去,由于在某一小范围内的水面基本水平,所以在同一区域内的水体点云高程非常接近;从水面反射回去的激光强度较弱,即回波强度弱。由于点云数据具有的特征,使得其比彩色影像能够更易、更稳健地提取大部分的水体。
在进行水域提取时,如图3所示,首先,根据点云数据的参数信息如高程、强度以及密度特性等判断预设区域是否为水体,例如,当点云数据小于设定阀值时,表示点云稀少;当高程方差小于设定阀值时,表示高程相近;当水面点上的平均回波强度小于设定阀值时,表示回波强度弱。由此,可以判断预设区域为水体。
在进行水体区域的判断后,如图3所示,还需要提取水体的轮廓线。在获取轮廓线时可以结合卫星遥感影像或航空影像。首先,将影像和点云数据进行配准。之后,按照点云格网分块地理坐标对影像进行分块,然后对点云求得的各块水体边缘块进行处理,从而得到水体边缘点或水域轮廓线。在确定水域轮廓线之后,为了降低点云提取的误判率和漏判率,可以通过对水域轮廓线进行矢量化的方式修正确定的水域轮廓线。
作为本发明实施例的一种可选地实施方式,如图4所示,将点云数据进行点云分类,还包括如下步骤:选取林下道路作为训练样本,构建基于深度学习的分类模型;根据基于深度学习的分类模型对点云数据进行分类,得到林下道路;基于数学形态学和Hough变换对林下道路进行处理,得到道路边界和中心线;根据林下道路、道路边界和中心线确定林下道路层。
具体地,林下道路被植被遮挡,卫星遥感和航空影像无法有效识别林下道路信息,而激光雷达发射的激光点可以透过植被到达地面,由此,可以通过激光雷达获取的点云数据进行林下道路网点的提取。首先,可以基于林下道路的一些历史数据作为训练样本,构建基于深度学习的分类模型;然后将获取的点云数据输入该分类模型,实现林下道路和非林下道路的分类。之后,通过数学形态学和Hough变换对林下道路进行处理,得到道路边界和中心线;具体可以先采用数学形态学进行预处理,消除其中的无关信息,然后采用Canny算子进行边缘检测,最后采用Hough变换实现对道路边界和中心线的提取。在得到林下道路和其边界及中心线之后,可以最终确定林下道路层。
作为本发明实施例的一种可选地实施方式,将点云数据进行点云分类,还包括如下步骤:基于改进的形态学算法将点云数据中的地面点滤除,得到剩余点云数据;根据电力塔和电力线在水平方向和垂直方向的分布特征以及投影特征对剩余点云数据进行一次分类,得到分类数据;根据高程密度分割算法对分类数据进行提取,得到电力塔和电力线层。
具体地,电力塔和电力线作为林区重要保护目标之一,有效提取电力塔和电力线对于森林火灾扑救方案的制定具有重要意义,因此,在进行森林档案模型的构建时,电力线和电力塔点的提取时必不可少的。由机载激光扫描雷达扫描作业方法可知,机载激光扫描雷达获取的点云数据中除电力线和电力塔点云外,还有地面点云,因此,如图5所示,在进行电力塔和电力线点的提取时,可以先采用改进的形态学算法将点云数据中的地面点滤除。其中,改进的形态学算法可以是现有的任意一种能够实现地面点滤除的算法,如数学形态学算法等等,在此不做限定。
如图5所示,在进行电力线和电力塔点提取之前,可以先对其分布特征进行分析。首先,在水平空间上,电力线通常需要穿越平原、丘陵、山区等多种复杂地形,在不同地形中点云数据分布存在一定特征差异:在平原等地形变化较小的平坦区域中,各电力塔基本处于同一水平高度,且电力线点云分布高程空间与地面点分布高程空间无重叠;在丘陵、山区等地势起伏较大区域,由于地形变化大,往往造成相邻两电力塔水平高度不一致,甚至出现一端电力塔塔顶比另一端电力塔底端更低的情况,此时,电力线点云分布高程与地面点分布高程将发生重叠。其次,在垂直空间上,电力塔点云分布较为集中,高程分布范围较广,但具有水平投影后基本分布在一个小范围的矩形区域中,密度较大的特征;电力线点云在三维空间中呈线状分布,由于安全需求,通常与地面具有较大的高程差,且密度最小。
如图5所示,基于上述水平和垂直空间的特征分析,电力线和电力塔高程在局部范围内较大,而电力塔在水平面上的投影密度比电力线大,因此,可以先基于其分布和投影的形态特征实现电力线和电力塔的一次分类。之后可以采用高程密度分割算法实现电力塔和电力线点的提取。
作为本发明实施例的一种可选地实施方式,将点云数据进行点云分类,还包括如下步骤:根据形态学滤波算法对点云数据进行分类,得到地面点和非地面点;对非地面点进行分类确定植被点云;根据高度阈值对植被点云进行分类得到不同高度植被点;基于单木分割算法对不同高度植被点进行计算,得到植被参数信息;基于树种模型库对得到的不同高度植被层以及植被参数信息进行补充修正。
在一实施例中,在进行森林档案模型的构建时,植被信息也是不可或缺的。具体地,如图6所示,在获取植被数据时,由于植被点包含在非地面点中,由此可以先采用形态学滤波算法对点云数据进行分类,得到地面点和非地面点。之后,可以采用分类算法实现非地面点中植被点云的分类。其中,该分类算法可以是采用现有的树种库作为训练样本训练得到的分类模型,也可以是其他的分类算法。此外,在采用分类算法的基础上,还可以采用人机交互的方式进行植被提取,实现植被分类的准确性。
具体地,在获取到植被分类之后,可以以高程、树种等形式通过单株树木识别和不同高度阈值将植被分为高植被、中等植被和低矮植被。例如,如图6所示,可以先基于种子点分割算法对植被点云进行单株树木识别,然后根据植物分类学理论,根据不同高度阈值对植被进行类型划分。同时,对于不同高度的植被,还可以采用单木分割算法提取植被的坐标、树高、体积、冠幅等详细参数信息。在获取预设区域的所有植被信息之后,可以结合树种模型库实现森林档案模型的三维重建。
在一实施例中,如图7所示,该基于点云数据的森林档案模型构建方法可以按照以下流程实现:使用激光雷达获取LiDAR点云数据,完成坐标转换和高程拟合,然后对处理修正后的LiDAR点云数据进行去燥和滤波,之后可以结合专题数据库和相关算法进行点云分类,得到地面点、高、中、低植被点、建筑物点、林下道路网点、车行道路网点、电力塔和电力线点、水体轮廓点等。对于高、中、低植被点数据还可以进行单木分割,获取单木坐标、树高等参数信息,最后结合树种模型库并依托视频监控点、重点公共服务设施、重点市政公共设施等数据信息构建森林档案模型,对LiDAR点云数据渲染后可视化展示,为森林火灾防控及相关林火蔓延模型计算建立数据和三维可视化模型基础。
本发明实施例提供的基于点云数据的森林档案模型构建方法,依托激光雷达技术获取LiDAR点云数据,明确了森林档案建模过程中大批量数据获取与处理的关键技术流程,并提出LiDAR点云数据中植被、水域、林下道路、电力塔与电力线的提取方法,依托树种模型和专题数据资源库完成森林的档案建模,通过可视化渲染后有效获取林下道路、电力塔等重点保护目标、植被树种等森林档案信息,为制定森林火灾最佳扑救方案提供基础数据支撑。
本发明实施例还提供一种基于点云数据的森林档案模型构建装置,如图8所示,该装置包括:
数据获取模块1,用于获取预设区域的点云数据;详细内容参见上述方法实施例中步骤S101的相关描述。
分类模块2,用于将所述点云数据进行点云分类,得到不同类型数据层,所述不同类型数据层包括地面层、不同高度植被层、建筑物层、林下道路层、车行道路层、电力塔和电力线层、水域层;详细内容参见上述方法实施例中步骤S102的相关描述。
模型构建模块3,用于基于所述不同类型数据层构建森林档案模型。详细内容参见上述方法实施例中步骤S103的相关描述。
本发明实施例提供的基于点云数据的森林档案模型构建装置,通过获取的点云数据进行点云分类,确定了森林场景中的地面层、不同高度植被层、建筑物层、林下道路层、车行道路层、电力塔和电力线层、水域层,不仅实现了森林场景中较为全面的场景识别,同时不同类型数据层中的林下道路层、建筑物层、电力塔和电力线层、水域层等重点保护目标的确定,为森林火灾防控以及森防队伍制定火灾扑救方案提供了依据。
在一实施例中,该基于点云数据的森林档案模型构建装置,还包括:模型构建模块,用于基于影响火灾蔓延的参数构建火灾蔓延模型;信息确定模块,用于根据所述火灾蔓延模型确定火蔓延信息;分析模块,用于根据所述火蔓延信息以及所述森林档案模型进行火灾分析及监测。
本发明实施例提供的基于点云数据的森林档案模型构建装置的功能描述详细参见上述实施例中基于点云数据的森林档案模型构建方法描述。
本发明实施例还提供一种存储介质,如图9所示,其上存储有计算机程序601,该指令被处理器执行时实现上述实施例中基于点云数据的森林档案模型构建方法的步骤。该存储介质上还存储有音视频流数据,特征帧数据、交互请求信令、加密数据以及预设数据大小等。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard DiskDrive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(RandomAccessMemory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
本发明实施例还提供了一种电子设备,如图10所示,该电子设备可以包括处理器51和存储器52,其中处理器51和存储器52可以通过总线或者其他方式连接,图10中以通过总线连接为例。
处理器51可以为中央处理器(Central Processing Unit,CPU)。处理器51还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器52作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中的对应的程序指令/模块。处理器51通过运行存储在存储器52中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的基于点云数据的森林档案模型构建方法。
存储器52可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储处理器51所创建的数据等。此外,存储器52可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器52可选包括相对于处理器51远程设置的存储器,这些远程存储器可以通过网络连接至处理器51。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器52中,当被所述处理器51执行时,执行如图1-7所示实施例中的基于点云数据的森林档案模型构建方法。
上述电子设备具体细节可以对应参阅图1至图7所示的实施例中对应的相关描述和效果进行理解,此处不再赘述。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (11)
1.一种基于点云数据的森林档案模型构建方法,其特征在于,包括:
获取预设区域的点云数据;
基于森防专题数据库将所述点云数据进行点云分类,得到不同类型数据层,所述不同类型数据层包括地面层、不同高度植被层、建筑物层、林下道路层、车行道路层、电力塔和电力线层、水域层;
基于所述不同类型数据层构建森林档案模型。
2.根据权利要求1所述的基于点云数据的森林档案模型构建方法,其特征在于,还包括:
基于影响火灾蔓延的参数构建火灾蔓延模型;
根据所述火灾蔓延模型确定火蔓延信息;
根据所述火蔓延信息以及所述森林档案模型进行火灾分析及监测。
3.根据权利要求1所述的基于点云数据的森林档案模型构建方法,其特征在于,在将所述点云数据进行点云分类之前,包括:
将所述点云数据进行坐标转换和高程拟合,得到处理后的点云数据;
将所述处理后的点云数据进行去燥和滤波。
4.根据权利要求1所述的基于点云数据的森林档案模型构建方法,其特征在于,将所述点云数据进行点云分类,包括:
根据所述点云数据的参数信息判断预设区域是否为水体;
当判断为水体时,基于影像数据提取分块后非地面点数据的水域轮廓,得到水域轮廓线;
对水域轮廓线进行矢量化,得到水域层。
5.根据权利要求1所述的基于点云数据的森林档案模型构建方法,其特征在于,将所述点云数据进行点云分类,还包括:
选取林下道路作为训练样本,构建基于深度学习的分类模型;
根据基于深度学习的分类模型对所述点云数据进行分类,得到林下道路;
基于数学形态学和Hough变换对林下道路进行处理,得到道路边界和中心线;
根据所述林下道路、道路边界和中心线确定林下道路层。
6.根据权利要求1所述的基于点云数据的森林档案模型构建方法,其特征在于,将所述点云数据进行点云分类,还包括:
基于改进的形态学算法将所述点云数据中的地面点滤除,得到剩余点云数据;
根据电力塔和电力线在水平方向和垂直方向的分布特征以及投影特征对所述剩余点云数据进行一次分类,得到分类数据;
根据高程密度分割算法对所述分类数据进行提取,得到电力塔和电力线层。
7.根据权利要求1所述的基于点云数据的森林档案模型构建方法,其特征在于,将所述点云数据进行点云分类,还包括:
根据形态学滤波算法对所述点云数据进行分类,得到地面点和非地面点;
对所述非地面点进行分类确定植被点云;
根据高度阈值对所述植被点云进行分类得到不同高度植被层;
基于单木分割算法对不同高度植被点进行计算,得到植被参数信息;
基于树种模型库对得到的不同高度植被层以及植被参数信息进行补充修正。
8.一种基于点云数据的森林档案模型构建装置,其特征在于,包括:
数据获取模块,用于获取预设区域的点云数据;
分类模块,用于基于森防数据库将所述点云数据进行点云分类,得到不同类型数据层,所述不同类型数据层包括地面层、不同高度植被层、建筑物层、林下道路层、车行道路层、电力塔和电力线层、水域层;
模型构建模块,用于基于所述不同类型数据层构建森林档案模型。
9.根据权利要求8所述的基于点云数据的森林档案模型构建方法,其特征在于,还包括:
模型构建模块,用于基于影响火灾蔓延的参数构建火灾蔓延模型;
信息确定模块,用于根据所述火灾蔓延模型确定火蔓延信息;
分析模块,用于根据所述火蔓延信息以及所述森林档案模型进行火灾分析及监测。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行如权利要求1-7任一项所述的基于点云数据的森林档案模型构建方法。
11.一种电子设备,其特征在于,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行如权利要求1-7任一项所述的基于点云数据的森林档案模型构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110708286.9A CN113420674A (zh) | 2021-06-24 | 2021-06-24 | 基于点云数据的森林档案模型构建方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110708286.9A CN113420674A (zh) | 2021-06-24 | 2021-06-24 | 基于点云数据的森林档案模型构建方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113420674A true CN113420674A (zh) | 2021-09-21 |
Family
ID=77717678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110708286.9A Pending CN113420674A (zh) | 2021-06-24 | 2021-06-24 | 基于点云数据的森林档案模型构建方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113420674A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114419250A (zh) * | 2021-12-27 | 2022-04-29 | 广州极飞科技股份有限公司 | 点云数据矢量化方法及装置、矢量地图生成方法及装置 |
CN114463512A (zh) * | 2021-12-24 | 2022-05-10 | 广州极飞科技股份有限公司 | 点云数据的处理方法、矢量化方法及装置 |
CN115019163A (zh) * | 2022-04-01 | 2022-09-06 | 湖南大学 | 基于多源大数据的城市要素识别方法 |
CN116246069A (zh) * | 2023-02-07 | 2023-06-09 | 北京四维远见信息技术有限公司 | 自适应地形点云滤波的方法、装置、智能终端及存储介质 |
-
2021
- 2021-06-24 CN CN202110708286.9A patent/CN113420674A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114463512A (zh) * | 2021-12-24 | 2022-05-10 | 广州极飞科技股份有限公司 | 点云数据的处理方法、矢量化方法及装置 |
CN114419250A (zh) * | 2021-12-27 | 2022-04-29 | 广州极飞科技股份有限公司 | 点云数据矢量化方法及装置、矢量地图生成方法及装置 |
CN114419250B (zh) * | 2021-12-27 | 2023-03-10 | 广州极飞科技股份有限公司 | 点云数据矢量化方法及装置、矢量地图生成方法及装置 |
CN115019163A (zh) * | 2022-04-01 | 2022-09-06 | 湖南大学 | 基于多源大数据的城市要素识别方法 |
CN116246069A (zh) * | 2023-02-07 | 2023-06-09 | 北京四维远见信息技术有限公司 | 自适应地形点云滤波的方法、装置、智能终端及存储介质 |
CN116246069B (zh) * | 2023-02-07 | 2024-01-16 | 北京四维远见信息技术有限公司 | 自适应地形点云滤波的方法、装置、智能终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113420674A (zh) | 基于点云数据的森林档案模型构建方法、装置及存储介质 | |
CN111340317B (zh) | 架空输电线路树障隐患的自动预警方法及电子设备 | |
CN107273902B (zh) | 一种从机载LiDAR数据自动提取电塔点云的方法 | |
CN109993789A (zh) | 一种共享单车的违停判定方法、装置及相机 | |
CN112216052A (zh) | 森林防火监测预警方法和装置及设备、存储介质 | |
CN115902901A (zh) | 一种气象区域识别方法、装置及计算机设备 | |
CN114333207A (zh) | 基于遥感数据的火灾全过程监测方法和装置 | |
Douss et al. | Extraction of individual trees based on Canopy Height Model to monitor the state of the forest | |
CN115115595B (zh) | 一种面向森林火灾监测的机载激光雷达和红外相机的实时标定方法 | |
KR20180112650A (ko) | 모디스 위성영상 및 aws 자료를 이용한 시설물붕괴위험지도 자동정보시스템 | |
JP2022119973A (ja) | 画像識別に基づく飛行体強制着陸経路計画方法、システムおよび装置 | |
Barrile et al. | Integrated GIS system for post-fire hazard assessments with remote sensing | |
CN114418932A (zh) | 一种基于数字孪生技术的历史建筑修复方法及系统 | |
CN113780311A (zh) | 杆塔藤蔓攀爬检测方法、装置、设备及存储介质 | |
JP2014093063A (ja) | 林野火災の予測装置及び林野火災の予測プログラム | |
CN112016641A (zh) | 一种异物导致线路短路故障告警方法及装置 | |
Soundranayagam et al. | An analysis of land use pattern in the industrial development city using high resolution satellite imagery | |
Bisson et al. | LiDAR-based digital terrain analysis of an area exposed to the risk of lava flow invasion: the Zafferana Etnea territory, Mt. Etna (Italy) | |
CN113569801B (zh) | 一种配电施工现场带电设备及其带电区域识别方法及装置 | |
US20220261713A1 (en) | Computer Vision Systems and Methods for Detecting Power Line Hazards from Imagery | |
CN113223155A (zh) | 一种距离预测方法、装置、设备及介质 | |
CN115578654A (zh) | 一种基于点云的输电线杆塔类型识别方法及系统 | |
CN114241324A (zh) | 树木绿叶的修剪预警方法、电子设备及程序产品 | |
CN114518612A (zh) | 雷暴风险预警方法、系统及电子设备 | |
Maric et al. | Derivation of Wildfire Ignition Index using GIS-MCDA from High-Resolution UAV Imagery Data and Perception Analysis in Settlement Sali, Dugi Otok Island (Croatia). |
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 |