2024年6月11日上午,《Big Earth Data》期刊副主编、挪威科技大学范红超教授做客星湖大讲坛第十七期,为线上线下的听众呈现了一场精彩的学术报告:利用ALS点云技术自动生成多细节层次的三维建筑模型。
多细节层次的三维建筑模型作为数字孪生城市的核心构件,不仅可涵盖复杂的屋顶结构特征,还能包含具有丰富语义信息的立面几何形态。在轻松愉悦的氛围中,范红超教授首先向我们展示了挪威科技大学的校园风采以及他在挪威的多彩生活点滴,让现场听众感受到了异国文化的魅力。
随后,范教授以一系列生动的案例,深入细致地阐述了如何运用深度学习技术与传统的参数化、规则化方法相结合,从机载激光扫描(ALS)点云中生成LoD1至LoD3级别的三维建筑模型。
![a00180e6033e9dcdf4f52102366a3fe](/__local/D/F1/C9/62F815413C36E3A3726AAE1C2FF_7E6831FC_96B1.jpg)
范教授深入剖析了LoD1模型构建中的挑战与难点,随后,他对比了两种实现LoD2级别建筑物屋顶面提取的方法:一种是利用深度学习技术进行分割,再依据既定规则提取边缘线,最终合成多边形;另一种是在面对成片建筑点云分割难题时,采用传统算法,首先识别关键点,然后根据点与邻域的拓扑结构进行检测。这两种方法各有优劣,可根据实际情况进行选用,其建模精度足可满足大多数应用场景的需求。在报告的最后部分,范教授介绍了一个结合众源地理数据的LoD3模型交互式平台,并展望了实现全球范围内建筑物三维建模的宏伟蓝图。
![2e1e4e7c75649e99ed0bb816d5d2e04](/__local/F/52/1A/D1B66FC9B695AAF13786A938240_B8DCD861_A481.jpg)
此外,围绕当今热门的深度学习技术,范教授还深入分析了其在面向测绘科学、摄影测量等专业领域问题时的优势和局限性,探讨了深度学习模型的不可解释性问题,并给出了一些富有洞悉力的见解。范教授鼓励学生们培养独立解决问题的科研思维,强调了在研究过程中创新思维和批判性思考的重要性。
报告结束后,范红超教授和听众们展开了热烈的互动交流,耐心解答现场观众的提问问题,大家受益匪浅。
![831b8d35466f1194865dc7b5bb198d8](/__local/9/DB/6B/9FF7BF6FD01A192A18D8F87D062_BC656415_FD4E.jpg)
提问
问:能否实现基于影像进行5cm左右精度的树尺寸提取?街景影像能不能提取出立面材质?
答:当前技术在检测窗户和门方面的精度大约在15-50厘米之间,这一水平对于城市中的大部分应用而言已经相当充足。要达到5厘米左右的精度,即使是在普通相机进行拍照定位时也极具挑战,实际上几乎是不可能实现的。因此,采用与参照物体尺寸比例相结合的透视原理进行反算的方法,是一种相对合理的解决方案。而通过拍照后生成点云或利用前方交会技术进行测算,难度和复杂度较高。人工智能大模型有一定的帮助,比如解决一些科普性的问题和简单的数据调用,但面对高精度的专业问题,它们仍然难以胜任。在材质提取方面,传统的学习方法面临诸多困难,通常需要依赖映射表和补偿模型来进行更精确的分析。至于众源影像,由于变量众多,实现精确的分析和处理非常困难,但进行大致的类别区分是可行的。
问:城市模型表面纹理色彩信息,比如屋顶墙面颜色纹理在未来有没有比较好的应用?
答:这是肯定有用的。布设太阳能板时,附近不同材质的房屋墙面对太阳能的反射不同;5G信号发射受周围环境影响大,需要了解周边建筑材质对信号的吸收发射特性;时间久远建筑物表面老化程度的评估,来判断是否需要推倒或部分更换。
问:基于激光点云数据建模时,欧洲建筑物屋顶附属物是否需要去除?对于现在的倾斜摄影方式相比机载点云是否更廉价、精度更低?
答:2-3平米的大的附属物需要考虑,较小的一般当作噪声处理。影像密集匹配点云比激光点云精度高很多,但存在有同名点、运算量大等大量问题。但是飞机造价高,飞行时两种数据都采集。一般航空影像用于地图更新等二维使用,点云用于三维重建。
问:城中村建筑物距离近,密集匹配模型墙体相连,小范围激光点云能否解决?
答:无人机可以辅助解决。挪威有类似案例,比如花园中违建的附属小楼,可以自动提取建筑物与以往数据对比判断。过于密集的建筑区的确挑战性更强。
问:点云密度很低时,非深度学习怎么构造规则进行关键点提取?
答:一般高质量的数据点云密度达到30-40个每平米,过稀的点云确实很难判断或判断精度低。未来点云密度会越来越高。
(撰稿、摄影:胡佳琪,审核:郑先伟、石立特)