DeepFilter 在东平湖水下及近岸地形测量项目中的应用研究

徐花芝，张奇伟，孟 萌，王 博，郑伟安

（山东省国土测绘院，山东 济南 250013）

1 研究背景

机载LiDAR 测量技术的出现和发展，为地理空间三维信息获取提供了全新的技术手段[1]，获取的点云具有海量、高冗余、局部数据缺失、点密度不均一、非结构化的特点[2]。

目前，机载LiDAR 点云已经广泛地应用于高精度大比例尺数字高程模型（DEM）制作、电力巡线、建筑物三维建模、变化检测、森林资源调查、海岸带测量、城市规划等领域。点云滤波分类是点云应用的基础性工作，虽然国内外对点云自动滤波方法进行了大量研究，但是滤波效果差强人意，还有许多问题没有得到解决，且已有点云分类商业软件需要大量人机交互，效率低下，已经成为目前激光雷达测量技术进步的最大障碍[3]。

近年来，深度学习和人工智能技术快速发展，在很多行业得到了应用。在测绘地理信息领域，对基于深度学习的影像分析与解译技术进行了大量的研究，并取得了一定的成果。运用深度学习技术，实现机载LiDAR 点云地面点和非地面点快速精细滤波的全自动化处理，是点云数据处理的发展趋势[4]。

为了提高山东省点云滤波的自动化精度和效率，与武汉大学软件研发团队和广州建通开展三方合作，建立沟通交流渠道，开展深度学习辅助点云分类方法的研究，将基于深度学习的点云自动分类技术引入到山东省国土测绘院。根据山东省地形特点，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，分别选取一定数量的样本数据，基于深度学习算法对点云成果样本进行大量训练，形成了适合山东省地形特点的点云最优滤波模型，提高分类效率。

2 项目应用

2.1 项目概况

为丰富内陆水下地理信息资源，加强水上水下一体化测量系统研究与应用，为给水资源利用、水环境保护、防洪排涝及重大水利工程建设提供数据支撑。根据山东省规划建设需求，山东省国土测绘院承担了东平湖1∶2 000 水下及近岸地形测量项目。

项目范围面积为22.88 km2，鉴于摄区形状不规则、面积大、工期紧、空管情况复杂、适航天气少等原因，为按时圆满完成任务，投入了一台机载LiDAR 和一架大棕熊通用飞机用于数据获取，其中Orion H300 型机载LiDAR 集成CS10000 航摄仪。综合考虑摄区的地形特点、仪器设备的飞行要求及空域情况等因素，将整个摄区划分为1 个分区，共飞行航线28 条，绝对航高1 000 m，点云密度为1～2 点/m2，航线敷设如图1所示。

图1 东平湖摄区航线敷设示意图

2.2 DeepFilter 优化技术路线

经过样本训练后的点云辅助分类DeepFilter 软件对山东省的机载LiDAR 点云滤波效果较好，但是此软件功能单一，不能进行航线切割、点云分块、航线校正、重叠带去除等前期处理。结合山东省国土测绘院已有的点云处理软件，提出新的适合山东省地形地貌的机载LiDAR 点云自动化提取地面点成果解决方案，优化生产流程，即前期航线切割、点云分块、航线校正、重叠带切割等利用Terrasolid 处理，然后利用Terrasolid 设置参数、DeepFilter 全自动处理进行自动过滤，对比分析2 种分类结果，选取效果好、效率高的结果进行人工编辑，生产DEM（Digital Elevation Model）成果。

3 效率对比

外业航飞获取的数据经过预处理后获得LiDAR点云数据，分别用Terrasolid 老流程和DeepFilter 优化流程进行生产试验，对分类效率进行统计对比，如表1所示。

表1 新老流程分类效率对比表

通过项目生产试验可以发现：DeepFilter 软件自动化自动过滤成果的正确率，在现有软件的基础上提高了10%，达到了80%，自动过滤效率也比Terrasolid 软件提升了12.5%；基于DeepFilter 软件的适合山东省地形地貌的点云分类解决方案，由于自动分类正确率的提高，人工编辑效率提升了28.6%，工作量大大减少，使得综合分类效率整体提高了28%，成功地优化了生产流程。

4 结果分析

4.1 DeepFilter 自动分类精度分析

对DeepFilter 自动分类结果进行统计，有9 种类型地形，具体如下：S1 为平原空地，S2 为平原植被，S3为乡村房屋，S4 为城区房屋，S5 为大型建筑，S6为梯田，S7 为崎岖地表，S8 为山区缓坡，S9 为山区陡坡。

与人工编辑成果对比分析发现：S4、S7、S9 这3种地形DeepFilter 自动分类精度高于人工编辑分类精度，不再需要进行人工编辑，尤其是S7 和S9 明显高于人工编辑分类精度，如图2 所示；S2、S3、S6 这3种地形DeepFilter 自动分类精度与人工编辑分类精度差不多，几乎不需要再进行人工编辑；S1、S5、S8 这3 种地形DeepFilter 自动分类精度低于人工编辑分类精度，还需要进一步进行人工编辑，尤其是S8 明显低于人工编辑分类精度。

图2 山地自动分类结果展示

综上，DeepFilter 自动分类精度整体上可达80%，各地形精度统计如图3 所示。

图3 各地形平均分类精度

4.2 DeepFilter 自动分类效率分析

DeepFilter 目前处理效率为平均2～3 min 处理100 万点（显卡为GeForce GTX 1 080Ti）。同样处理22.88 km2，点云密度为1～2 点/m2，1∶2 000 比例尺的点云数据，Terrasolid 自动分类需80 min，DeepFilter自动分类需70 min，自动分类效率提升了12.5%。

4.3 新的优化的解决方案中自动分类精度分析

新的优化的解决方案采用DeepFilter 进行自动分类，因此自动分类精度整体上可达80%。

4.4 点云分类（自动+人工）综合效率分析

新的优化的解决方案由于DeepFilter 自动分类精度的提高（达到80%，提升了10%），使得人工编辑效率大大提升，通过东平湖摄区1∶2 000 航空摄影项目生产试验提高了28.6%，因此综合分类效率整体提高了28.0%。

5 结束语

目前，虽然DeepFilter 软件在自动分类方面取得了很大的进步，但其功能单一，不能满足机载LiDAR 点云项目的全流程生产，例如：①不能进行航线切割、点云分块、航线校正、重叠带切除等前期处理；②航线重叠部分会分类到航线边缘，引起航线间高差；③对特殊高密度（如密度为160 点/m2）的点云数据无法处理，需继续优化；④虽然自动过滤精度有所提升，但仍然需要人工进行编辑。

运用深度学习技术，以实现大规模机载LiDAR 点云数据地面点和非地面点快速精细滤波的全自动化处理，是点云数据处理的发展趋势。因此，下一步建议对DeepFilter 软件持续跟进，继续加强与武汉大学软件研发团队和广州建通的交流合作，持续改进软件，使软件更加开放灵活。