Genaue 3D-Daten zu Überlandleitungen sind sehr wichtig bei der Erkennung potenzieller Gefahren (z. B. wuchernde Vegetation) und Bewertung der strukturellen Stabilität der Stromleitungen. LIDAR-Methoden ermöglichen eine schnelle, genaue und kostengünstige Erfassung von Stromleitungen als 3D-Punktwolken. Deshalb spielt diese Technologie eine wichtige Rolle beim Erhalt dieser Informationen.
Dennoch stellt das Extrahieren von Stromleitungspunkten aus LIDAR-Punktwolken eine Herausforderung dar, insbesondere dann, wenn sich Bäume oder andere Objekte in unmittelbarer Nähe befinden. Herkömmliche Methoden beruhen oft auf regelbasierten Algorithmen und manuellen Bearbeitungsschritten, die in komplexen Umgebungen zeitaufwendig und fehleranfällig sein können. Deep Learning stellt eine leistungsstarke Alternative dazu dar, indem Modelle so trainiert werden, dass sie Muster aus den Daten erlernen und wiedererkennen. Auf diese Weise wird eine genauere automatisierte Klassifizierung möglich.
ArcGIS Pro umfasst Deep-Learning-Werkzeuge für Punktwolken, die das Trainieren von Klassifizierungsmodellen für Stromleitungen und Anwenden dieser Modelle zum Klassifizieren von Stromleitungen in LIDAR-Punktwolken unterstützen.
Software- und Hardwareanforderungen:
- ArcGIS Pro mit der Erweiterung "3D Analyst"
- Deep-Learning-Bibliotheken, die mit dem Deep Learning Libraries Installer for ArcGIS installiert werden können
- NVIDIA-Grafikkarte mit CUDA-Compute Capability und mindestens 8 GB dediziertem Grafikspeicher
Datenanforderungen:
- Luftgestützte LIDAR-Punktwolken, die von Luftfahrzeugen, Hubschraubern oder Drohnen aufgenommen wurden
- Durchschnittlicher Punktabstand von weniger als einem Fuß, damit ausreichend Details für das Klassifizieren der Stromleitungen vorhanden sind
Empfehlungen
Beachten Sie unbedingt die allgemeinen Richtlinien für das Trainieren eines Deep-Learning-Klassifizierungsmodells, Bewerten der Trainingsergebnisse und Klassifizieren einer Punktwolke mit dem trainierten Modell. Die folgenden Empfehlungen gelten besonders für die Klassifizierung von Stromleitungen:
Auswählen repräsentativer Trainingsgebiete
Stromleitungen befinden sich in unterschiedlichem Terrain mit wechselnden Umgebungsbedingungen. Die Einbeziehung von Punktwolken aus verschiedenen Terrain-Typen spiegelt diese Variabilität wider und verbessert die Robustheit des Modells. Stromleitungen gibt es außerdem in verschiedenen Höhen und Materialien. Die Berücksichtigung von Beispielen mit Variationen dieser Eigenschaften erleichtern es dem Modell, verschiedene Stromleitungstypen zu erlernen. Auch die Vegetation in der unmittelbaren Umgebung von Stromleitungen variiert in Art und Dichte. Die Verwendung unterschiedlicher Vegetationsbeispiele ermöglicht es dem Modell, Stromleitungen besser von in der Nähe wachsenden Blättern zu unterscheiden.
Konzentrieren des Trainings auf den Bereich in der Nähe der Stromleitung
Stromleitungen werden normalerweise innerhalb besonderer Korridore und in bestimmten Höhen installiert, damit stets ein sicherer Abstand gewahrt bleibt. Im Laufe der Zeit kann die Vegetation in diesen Bereichen bis zu den Stromleitungen vordringen, sodass sich diese zwischen dem in der Nähe wachsenden Laub schwer erkennen lassen.
Schließen Sie LIDAR-Punkte, die außerhalb einer bestimmten Entfernung von den Stromleitungen liegen, während des Trainings aus, um die Modellgenauigkeit zu verbessern. Dadurch konzentriert sich das Modell auf die unmittelbare Nachbarschaft der Stromleitungen und erleichtert das Erlernen relevanterer Unterscheidungen. Gleichzeitig reduziert sich dadurch der Dataset-Umfang und die Trainingseffizienz verbessert sich.
Verwenden von Attributen zum Unterscheiden zwischen Stromleitungen und anderen Features
Stromleitungen sind lineare Features, die sich normalerweise innerhalb eines bestimmten Höhenbereichs über dem Boden befinden. Das Attribut Relative Höhe ist besonders hilfreich beim Identifizieren derselben, besonders dann, wenn Bodenpunkte aus den Trainingsdaten ausgeschlossen wurden. Die relative Höhe bietet einen sinnvolleren Kontext als die absolute Höhe.
Bei Niederspannungsleitungen ist das Attribut Intensität hilfreich, da hier oft niedrigere Intensitätswerte im Vergleich zu anderen Features zurückgegeben werden. Im Gegensatz dazu tendieren Hochspannungsleitungen dazu, Laserpulse mit höheren Intensitätswerten zu reflektieren, die denen anderer Objekte ähnlich sind. Somit lassen sie sich weniger zuverlässig über die Intensität identifizieren.
Abschwächen der Auswirkungen von unausgeglichenen Daten
Unausgeglichene Daten liegen vor, wenn einige Klassen über wesentlich mehr Beispieldaten als andere verfügen. Das Modell wird dann in Richtung der mehrheitlich vorhandenen Klassen verzerrt. Dieses Problem ist besonders bedeutsam bei der Klassifizierung von Stromleitungen, da Stromleitungspunkte eine kleine Minderheit im Vergleich zu dominanten Klassen wie Boden und Vegetation darstellen.
Reduzieren Sie die Beispieldaten der mehrheitlich vorhandenen Klassen für das Training, indem Sie etwa Bodenpunkte ausschließen, um diesen Effekt abzuschwächen und die Verzerrung zu minimieren. Wenn Sie zusätzlich Fokusverlust anwenden, werden die Beispieldaten der Minderheitsklassen höher gewichtet, damit das Modell effektiver aus den beschränkt vorliegenden Stromleitungsdaten lernen kann.
Überblick über den Workflow
Der folgende Workflow beginnt mit nicht klassifizierten LIDAR-Punktwolken. Wenn Ihre Daten bereits klassifiziert wurden, können Sie die für die Klassifizierung relevanten Schritte überspringen.
- Erstellen Sie mit dem Geoverarbeitungswerkzeug LAS-Dataset-Pyramide erstellen LAS-Pyramiden für das LAS-Dataset, um die Darstellung zu optimieren.
- Klassifizieren Sie die Bodenpunkte mit dem Geoverarbeitungswerkzeug LAS-Boden klassifizieren.
- Erstellen Sie ein DEM- und DSM-Raster mit dem Werkzeug LAS-Dataset in Raster.
- Erstellen Sie ein normalisiertes DSM mit dem Geoverarbeitungswerkzeug Minus (DSM – DEM), um die Stromleitungen hervorzuheben. Erstellen Sie Verarbeitungsgrenzen, die alle Stromleitungen mit einem entsprechenden Pufferabstand umgeben (z. B. 10 Meter).
Stromleitungen im normalisierten DEM-Raster mit hellbraunen Linien, die die Verarbeitungsgrenzen angeben. - Beschriften Sie Stromleitungen mit dem Geoverarbeitungswerkzeug Punktwolke mithilfe des trainierten Modells klassifizieren, wenn ein geeignetes Modell verfügbar ist. Beschriften Sie die Stromleitungen andernfalls, indem Sie das Profil bearbeiten, oder verwenden Sie das Geoverarbeitungswerkzeug LAS nach Höhe klassifizieren, und korrigieren Sie falsch klassifizierte Punkte wie Masten und Vegetation innerhalb des angegebenen Höhenbereichs für Stromleitungen mit den interaktiven Bearbeitungswerkzeugen.
Manuelle Klassifizierung von Stromleitungen in der Profilansicht. Hinweis:
Mit dem Geoverarbeitungswerkzeug LAS nach Höhe klassifizieren können Sie zudem Punkte klassifizieren, die über oder unter dem Höhenbereich für Stromleitungen liegen. Diese Punkte können ebenso wie die Beodenpunkte aus dem Training ausgeschlossen werden, um die Größe des Datasets zu reduzieren und das Modelltraining auf die unmittelbare Umgebung der Stromleitung einzugrenzen.
- Teilen Sie die Daten in Trainings- und Validierungs-Subsets auf, z. B. im Verhältnis 80:20.
- Bereiten Sie die Trainingsdaten mit dem Geoverarbeitungswerkzeug Punktwolken-Trainingsdaten vorbereiten vor, um Trainings- und Validierungsblöcke zu exportieren. Weitere Informationen dazu finden Sie im Abschnitt weiter unten.
- Trainieren Sie das Modell mit dem Geoverarbeitungswerkzeug Punktwolken-Klassifizierungsmodell trainieren. Weitere Informationen dazu finden Sie im Abschnitt weiter unten.
- Klassifizieren Sie Stromleitungen mit dem Geoverarbeitungswerkzeug Punktwolke mithilfe des trainierten Modells klassifizieren. Weitere Informationen dazu finden Sie im Abschnitt weiter unten.
Verwenden des Geoverarbeitungswerkzeugs "Punktwolken-Trainingsdaten vorbereiten"
LAS-Datasets müssen in kleinere Trainingsblöcke konvertiert werden, bevor sie zum Trainieren eines Modells verwendet werden können. Mit dem Geoverarbeitungswerkzeug Punktwolken-Trainingsdaten vorbereiten werden LAS-Daten in solche Blöcke exportiert. Im Folgenden finden Sie eine Übersicht der wichtigsten Parameter und Nutzungshinweise für die Klassifizierung von Stromleitungen.
Trainings-Grenz-Features und Validierungs-Grenz-Features: Verwenden Sie Grenzpolygone, um nur die Punkte in der Nähe von Stromleitungen zu exportieren und das Training auf die relevanten Gebiete zu konzentrieren.
Bezugsfläche: Geben Sie ein DEM-Raster zum Berechnen der relativen Höhenwerte an. Dieses Attribut ist von zentraler Bedeutung für die Unterscheidung von Stromleitungen von anderen Features.
Ausgeschlossene Klassencodes: Schließen Sie Klassen, die außerhalb des Höhenbereichs von Stromleitungen liegen (etwa Bodenpunkte, niedrige/mittlere Höhen, Rauschen), aus den Trainingsdaten aus. Insbesondere Bodenpunkte stellen oft einen großen Teil des Datasets dar. Wenn sie entfernt werden, wird das Datenvolume erheblich reduziert und das Training beschleunigt.
Blockgröße und Blockpunktgrenze: Diese Parameter bestimmen die Anzahl der Punkte, die in einem Block enthalten sind. Legen Sie sie fest, indem Sie Punktdichte, Objektgröße, GPU-Speicher und Batch-Größe ausgleichen. Möglicherweise müssen Sie etwas experimentieren, bis Sie die optimale Konfiguration für das Dataset und die Hardware gefunden haben.
Hinweis:
- Es hat sich bewährt, die Blöcke so groß zu lassen, dass relevante Objekte mit minimalem Subsampling erfasst werden. Auf diese Weise lassen sich kritische Features und eine ausreichende Detailgenauigkeit in den Trainingsdaten beibehalten.
- Die Blockgröße und Anzahl der darin enthaltenen Punkte hängen überwiegend von Ihrem GPU-Speicher ab. Größere Blöcke und dichtere Punktwolken führen zu einer höheren Speicherauslastung. Die Blockpunktgröße legt die maximale Anzahl der Punkte pro Block fest. Bei Überschreiten dieses Werts wird der Block in mehrere Blöcke aufgeteilt. Wenn ein Block beispielsweise 10.000 Punkte enthält und die Punktobergrenze bei 3.000 liegt, wird er in vier Blöcke aufgeteilt, die jeweils 3.000 zufällig ausgewählte Punkte umfassen. (Einige Punkte können in zwei Blöcken enthalten sein.)
- Die Batch-Größe bestimmt, wie viele Blöcke gleichzeitig von der GPU verarbeitet werden. Größere Batches belegen mehr GPU-Speicher, kleinere dagegen weniger.
- Passen Sie diese Parameter an Ihren GPU-Speicher an. Bei einer GPU mit großem Arbeitsspeicher können Sie einen höheren Wert für die Blockgröße (zum Erfassen von mehr Kontext), eine höhere Blockpunktgrenze (zum Reduzieren von Subsampling) und größere Batches für ein schnelleres und stabileres Training auswählen.
Prüfen Sie nach der Ausführung des Werkzeugs die Histogramme in den Meldungen, um zu prüfen, ob die Blockgröße und die Blockpunktgrenze angemessen sind. Die Ausgabe-Trainingsdaten werden in einem Ordner mit der Erweiterung .pctd und den zwei Unterordnern "train" und "val" gespeichert. Diese enthalten die exportierten Trainings- und Validierungsdaten. Punktdaten werden in .h5-Dateien gespeichert und in Blöcken organisiert.
Verwenden des Geoverarbeitungswerkzeugs "Punktwolken-Klassifizierungsmodell trainieren"
Verwenden Sie die vom Werkzeug "Punktwolken-Trainingsdaten vorbereiten" exportierten Trainingsdaten, um ein Klassifizierungsmodell zu trainieren. Wenn ein geeignetes vortrainiertes Klassifizierungsmodell für Stromleitungen verfügbar ist, können Sie es mit Ihren Daten optimieren. Trainieren Sie andernfalls ein neues Modell von Grund auf. Im Folgenden finden Sie die Liste der Werkzeugparameter mit Hinweisen dazu, wie Sie sie für die Klassifizierung von Stromleitungen konfigurieren können.
Vortrainiertes Modell: Wählen Sie ein geeignetes vortrainiertes Modell, falls verfügbar. Stellen Sie sicher, dass die Trainingsdaten mit den beim ursprünglichen Training verwendeten Attributen, Klassencodes und maximalen Punkten übereinstimmen.
Modellarchitektur: Bei der Klassifizierung von Stromleitungen ist Point Transformer V3 aufgrund seiner hohen Performance und Genauigkeit die beste Wahl, besonders beim Identifizieren von Minderheitenklassen. Auch RandLA-Net wird empfohlen. Es ermöglicht eine effizienze Speicherauslastung und erzeugt dennoch genaue Ergebnisse. Im Gegensatz dazu erfordert PointCNN mehr GPU-Speicher und erzielt oft eine niedrigere Genauigkeit. Das Semantic Query Network kann effektive Modelle mit einer begrenzten Anzahl von Beispieldaten trainieren, ist hier jedoch weniger geeignet. Stromleitungen sind linear verteilt und stellen nur einen kleinen Teil des Datasets dar, deshalb kann die zufällige Referenzpunkterfassung für Stromleitungen dazu führen, dass wichtige lokale Features verloren gehen und die Modellgenauigkeit abnimmt.
Attributauswahl: Wählen Sie Relative Höhe und bei Niederspannungsleitungen außerdem Intensität aus. Diese Attribute helfen dabei, Stromleitungen von anderen Objekten in der Punktwolke zu unterscheiden.
Klassenneuzuordnung: Ordnen Sie alle Klassen, die keine Stromleitungen darstellen, einer Hintergrundklasse zu. So kann sich das Modell auf die Unterscheidung von Stromleitungen von einer einzelnen Hintergrundklasse konzentrieren. Das vereinfacht die Klassifizierung, beschleunigt das Training und verbessert oft auch die Modellgenauigkeit, indem die Komplexität reduziert wird.
Verlustfunktion: Wählen Sie die Funktion Fokusverlust aus, um Klassenungleichgewichten durch das Zuweisen einer höheren Gewichtung für die als Minderheit vorliegende Stromleitungsklasse gegenzusteuern.
Kriterien für die Modellauswahl: Wählen Sie die Standardoption für Recall aus. Sie berechnet den Makrodurchschnitt von Recall für alle Klassencodes.
Minimale Anzahl an Punkten pro Block: Blöcke mit weniger Punkten als in diesem Wert angegeben werden aus dem Training ausgeschlossen. Das Überspringen von Blöcken, die nur wenige Stromleitungspunkte enthalten, kann das Training beschleunigen und die Lerneffizienz des Modells erhöhen.
Maximale Anzahl an Epochen: Verwenden Sie die Standardeinstellung von 25 Epochen. Wenn sich das Modell nach 25 Epochen weiter verbessert, können Sie es als vortrainiertes Modell weiter optimieren.
Iterationen pro Epoche (%): Behalten Sie den Standardwert 100 bei, um alle Trainingsdaten der einzelnen Epochen zu durchlaufen.
Lernratenstrategie: Behalten Sie die Standardoption Lernrate mit einem Zyklus bei. Bei dieser Strategie wird die Lernrate im Lauf des Trainings dynamisch angepasst, wobei mit einer niedrigeren Rate begonnen wird, die sich zu einem Höhepunkt steigert und dann wieder abnimmt. Dies beschleunigt die Konvergenz, verhindert Überanpassungen, erleichtert es dem Modell, lokale Minimumwerte zu finden, und verbessert so die Trainingsgeschwindigkeit und Modellgenauigkeit.
Lernrate: Wenn Sie sich nicht sicher sind, wie Sie diesen Parameter festlegen sollen, lassen Sie ihn leer. Das Werkzeug kann die optimale Lernrate dann automatisch berechnen.
Batch-Größe: Die Batch-Größe gibt an, wie viele Blöcke gleichzeitig verarbeitet werden. Die Trainingsdaten werden in Batches aufgeteilt. Beispielsweise werden 1.000 Blöcke bei einer Batch-Größe von 20 Blöcken in 50 Batches aufgeteilt, die jeweils in einer Epoche verarbeitet werden. Kleinere Batch-Größen können das Training stabilisieren und eignen sich für GPUs mit begrenztem Speicher, sie können jedoch zu einer längeren Trainingszeit führen. Größere Batches beschleunigen das Training, belegen jedoch wesentlich mehr Speicher und können sich auf die Generalisierung auswirken. Oft müssen Sie experimentieren, um eine optimale Batch-Größe zu finden, bei der GPU-Speicher, Trainingsgeschwindigkeit und Modellgenauigkeit gleichermaßen berücksichtigt werden.
Training beenden, wenn sich das Modell nicht mehr verbessert: Aktivieren Sie diese Option, um das Training zu beenden, wenn das Modell nach 5 Epochen keine weitere Verbesserung zeigt. So werden Überanpassungen vermieden.
Überwachen Sie den Trainingsprozess während des Vorgangs, indem Sie Veränderungen bei Trainingsverlusten, Validierungsverlusten und Recall nachverfolgen.
Hinweis:
Die Abnahme von Trainingsverlusten und Validierungsverlusten sowie ein zunehmender Recall bei Durchlaufen der Epochen weist darauf hin, dass das Modell lernt.
Die Ausgabe besteht aus zwei Ordnern. Einer davon ist der Ordner "model", der das gespeicherte Modell mit dem besten Gesamt-Recall enthält. Der andere ist der Ordner "checkpoints", der die an den einzelnen Prüfpunkten gespeicherten Modelle enthält.
Bei der Klassifizierung von Stromleitungen ist das Modell mit dem besten Gesamt-Recall (Makrodurchschnitt für Recall von Stromleitung und Hintergrund) möglicherweise nicht am besten für das Klassifizieren von Stromleitungen geeignet. Das beste Modell hierfür ist das Modell mit dem höchsten Recall für Stromleitungen. Öffnen Sie die Datei Epoch_Statistics.csv im Ordner "checkpoints", suchen Sie die Epoche mit dem höchsten Recall für Stromleitungen, und verwenden Sie dieses Modell für das Klassifizieren der Stromleitungen.
Verwenden des Geoverarbeitungswerkzeugs "Punktwolke mithilfe des trainierten Modells klassifizieren"
Stellen Sie beim Klassifizieren von Punktwolken mit dem trainierten Modell sicher, dass die zu klassifizierenden LIDAR-Daten Ähnlichkeiten mit den Trainingsdaten aufweisen. Wenn Sie Verarbeitungsgrenzen und eine DEM-Oberfläche verwendet oder bestimmte Klassencodes bei der Vorbereitung der Trainingsdaten ausgeschlossen haben, wenden Sie hier dieselben Einstellungen an. Die folgenden Anleigungen untersützen Sie beim effizienten Konfigurieren der Parameter für die Klassifizierung von Stromleitungen.
Definition des Eingabemodells: Wählen Sie das Prüfpunktmodell mit dem höchsten Recall für Stromleitungen aus.
Verarbeitung vorhandener Klassencodes: Wählen Sie entweder Ausgewählte Punkte bearbeiten oder Ausgewählte Punkte beibehalten aus, um die Klassifizierungsgenauigkeit zu verbessern. Klassifizieren Sie die Zielpunktwolken vorab, wie Boden (Klasse 2), niedrige Vegetation (Klasse 3) und mittelhohe Vegetation (Klasse 4), und geben Sie an, welche Klassencodes bei der Klassifizierung bearbeitet oder beibehalten werden sollen. Wenn beispielsweise mittelhohe Vegetation beibehalten wird, bleibt der Klassencode unverändert, auch wenn das Modell einen Teil der mittelhohen Vegetationspunkte fälschlicherweise als Stromleitungen klassifiziert.
Batch-Größe: Wenn Sie sich nicht sicher sind, wie Sie diesen Parameter festlegen sollen, lassen Sie ihn leer. Das Werkzeug kann die optimale Batch-Größe dann automatisch auf Grundlage des verfügbaren GPU-Speichers berechnen.
Verarbeitungsgrenzen, Bezugsoberfläche und Ausgeschlossene Klassencodes: Wenn das Klassifizierungsmodell für Stromleitungen mit einer dieser Eingaben trainiert wurde, müssen Sie hier dieselben Einstellungen anwenden.
Untersuchen Sie die Ergebnisse in der Szenenansicht, nachdem das Werkzeug ausgeführt wurde. Verwenden Sie Werkzeuge für die interaktive Auswahl und Bearbeitung, um falsch klassifizierte Stromleitungspunkte zu berichtigen. Außerdem können Sie mit dem Werkzeug Stromleitungen aus Punktwolke extrahieren 3D-Linien zum Modellieren der Stromleitungen generieren. Zur weiteren Analyse können Sie mit dem Werkzeug Abstandsfläche generieren die Abstandszone um die Stromleitungen abgrenzen. Features innerhalb der Zone (oft Bäume) befinden sich gefährlich nahe an den Stromleitungen und bergen das Risiko von Stromausfällen oder Bränden, daher sollten so schnell wie möglich entsprechende Maßnahmen getroffen werden.
Quellennachweise für LIDAR-Daten:
- NASA Grant NNX13AP69G, University of Maryland und Sonoma County Vegetation Mapping and LiDAR Program
- Praxisnahe Übungen finden Sie im Lernprogramm Stromleitungen mithilfe von Deep Learning klassifizieren.