研究目的
利用激光雷达点云数据开发一种沥青路面病害识别方法,重点探究采用低空无人机激光雷达与随机森林分类器(RFC)精准提取不同类型路面病害的可行性。
研究成果
采用无人机激光雷达数据识别路面病害时,RFC方法取得了高精度(总体精度92.3%,Kappa系数0.902),其表现优于MLC和SVM。该方法展现出对多样本、高维数据的稳健性与适用性,为公路养护部门监测路况提供了可靠工具。未来研究应结合更高分辨率数据与多光谱影像以提升性能。
研究不足
数据质量(点密度为40个/平方米)限制了对轻微病害(如宽度≤5厘米的裂缝)的检测。由于受周围区域影响,该方法在受损与未受损路面之间的过渡区域可能存在误差。提高数据分辨率并与其他遥感数据整合可提升精度。
1:实验设计与方法选择:
研究采用无人机激光雷达采集点云数据,经预处理、特征提取(高程、反射强度、多尺度统计特征及面向对象几何特征)后,使用随机森林分类器(RFC)进行分类。方法学部分包含RFC与多类逻辑回归(MLC)、支持向量机(SVM)的精度对比评估。
2:样本选取与数据来源:
数据采集自中国新疆石河子市一段150米长的沥青路面,通过机载激光雷达系统获取。数据划分为实验集(90米)与验证集(45米)。
3:实验设备与材料清单:
无人机(Scout B1-100)、激光扫描仪(RIEGL VUX-1LR)、惯性测量单元/全球定位系统(IMU/GPS)及软件(RT Post-Process、ENVI/IDL)。
4:0)、激光扫描仪(RIEGL VUX-1LR)、惯性测量单元/全球定位系统(IMU/GPS)及软件(RT Post-Process、ENVI/IDL)。
实验流程与操作步骤:
4. 实验流程与操作步骤:无人机以30米高度飞行采集数据,点云数据经过滤波和预处理以去除噪声与异常值。提取多尺度特征后,采用交叉验证的随机森林分类器进行分类。
5:数据分析方法:
特征统计分析、基于总体精度与卡帕系数的精度评估,以及与MLC、SVM方法的对比。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容