使用非接触测量和RANSAC方法的浮木体积测定

《Geomorphology》：Floating wood volume determination using non-contact measurements and RANSAC method

　　

漂浮物，尤其是较大的漂浮物，常常积聚在水工结构上，降低其过流能力，导致漫顶、结构损坏和水流条件改变，从而增加洪水和冲刷的风险。当漂浮物在桥梁或涵洞处与泥沙输移相结合时，上游水位可能上升，可能破坏基础并引起冲刷。了解漂浮物的数量、特征和运动对于减轻其不利影响至关重要。为此，研究人员进行了一项实验室实验，考虑了浮木，这是最常见的河川碎屑类型之一。研究分析了四个锯材样品和65个原木。测量使用二维（2D）工业激光扫描仪和工业相机系统进行。这两种方法生成点云，从中计算单个体积。与先前根据物体水上体积和材料密度估算体积的方法不同，本研究旨在使用随机样本一致性（RANSAC）方法实现更高的精度。RANSAC方法此前未在类似研究中使用，是一种用于拟合含噪声数据模型的鲁棒算法。它通过随机选择点的子集并迭代识别最佳拟合模型，最大化内点数量。虽然计算量大且对参数选择敏感，但RANSAC仍然是模型拟合的可靠工具，并广泛应用于计算机视觉。计算体积的准确性通过使用阿基米德原理获得的参考值进行验证。

河流中的漂浮物，尤其是浮木，常在水工结构处积聚，导致过流能力降低、漫顶、结构损坏及冲刷，增加洪灾风险。现有体积估算方法多依赖物料密度，但木材密度变异性大（同种木材差异可达±100?kg/m³，不同种差异更大），导致显著误差。为此，研究人员开展实验室研究，旨在利用非接触测量和随机样本一致性（RANSAC，一种鲁棒模型拟合算法）方法提高浮木体积估算精度。研究人员在卢布尔雅那大学土木与测量工程系水力学实验室，使用二维（2D）激光扫描仪（LiDAR）和工业相机系统，采集4个锯材（云杉）和65个原木（涵盖桦木、山毛榉、云杉、栗树、榛树、鹅耳枥、橡树、松树、胡桃、樱桃、柳树、李树、悬铃木共13种）的点云数据。通过RANSAC方法将样品沿长度分割为2–10?mm的圆柱切片，对每个切片点云进行圆拟合，计算体积；参考值由阿基米德原理确定。研究得出，RANSAC方法结合LiDAR数据时平均误差约±2%，显著优于基于密度的方法（未知木种时误差范围-80%至+115%，已知木种时-60%至+50%）。这一成果发表于《Geomorphology》，为水管理提供了更精确的浮木体积估算手段。

**技术方法概述**
研究人员在实验室水槽中布设测量系统：使用SICK LMS4000 2D激光扫描仪（LiDAR，频率600?Hz，精度±1?mm）和11台Vision Datum工业相机（2448×2048?px，全局快门），通过SfM-MVS（运动恢复结构-多视图立体）生成密集点云。样本包括4个锯材（云杉，半径2.5–6.5?cm，长40?cm）和65个原木（长度17.5–44.5?cm，半径3.5–8.1?cm，来自13个树种）。参考体积由阿基米德原理测定（水容器+游标尺，精度±0.1?mm，绝对误差12?ml）。主要技术为：基于密度法（使用文献中已知/未知木种的最小、平均、最大密度值，乘以上水体积估算总体积）和RANSAC法（对点云沿长度以2–10?mm间隔分割，对每个切片进行圆拟合，计算圆柱体积之和）。

**研究结果**
**基于材料密度的体积估算误差**
通过比较未知木种（假设密度350、600、850?kg/m³）和已知木种（根据文献对各树种取最小、平均、最大密度）的估算结果，发现未知木种时误差范围极大（-80%至+115%），已知木种时误差缩小但仍可达-60%至+50%。个别树种（如栗树、悬铃木）因平均密度与实际吻合而误差较小，但柳树、山毛榉等因密度偏差导致显著误差。摄影测量与LiDAR在此方法中结果差异仅±1%，故仅呈现一项数据。

**基于RANSAC方法的体积估算精度**
RANSAC方法结合摄影测量或LiDAR数据时，误差均小于密度法。LiDAR数据结果更优，平均误差约±2%，且不同切片长度（2–10?mm）间差异小于2%。柳树样品因水上部分极少，难以拟合圆，导致误差增大。RANSAC法独立于密度假设，主要误差源于形状假设（圆截面）和样品局部不规则性。

**讨论总结**
**4.1 本研究方法相比以往研究的优缺点**
RANSAC法避免了密度估算的显著误差，仅依赖点云和形状拟合。但精度受样品形状影响：对不规则原木，圆拟合可能低估或高估体积；椭圆拟合虽更准确，但因水上部分通常<50%而不可行。锯材（方形截面）需通过平面拟合和水面交线计算水上体积，仍需密度信息，结果与已知木种密度法相当。

**4.2 摄影测量与LiDAR的对比**
摄影测量生成更密集、更精确的点云，但LiDAR点云分散性反而掩盖局部异常，使得RANSAC处理更稳定，体积估算更准确。摄影测量受光照、相机几何、夜间限制，且数据处理耗时（约10?min/场景），不适合实时监测。LiDAR可全天候连续采集，数据量小（500–3000?KB），易于实时处理。

**4.3 实际应用潜力**
建议在桥梁等位置安装多个2D激光扫描仪，结合流速测量，实现实时监测。摄影测量可用于材料识别（通过机器学习），以辅助RANSAC不适用的情况（如无规则形状）。环境因素（水浊度、波浪、生物膜）影响有限，高速测量下可忽略。未来需在自然河流中进一步验证。

**研究结论翻译**
河流中的漂浮物主要来自集水区和洪泛区，包括木材、塑料和金属物体，其尺寸和密度各异。这些物体常通过自然过程和人类活动进入河流，影响水生生态系统和水工结构功能。无论类型如何，漂浮物均可阻塞水流，降低水工基础设施运行效率，增加局部洪水和冲刷风险。低流量时，物体在桥梁、水坝等处积聚；高流量时，大量物体可被携带过结构，增加损坏风险。本研究开发的测量系统是减轻漂浮物风险的重要一步。通过整合摄影测量和LiDAR测量与计算机视觉算法，可实现漂浮物的准确识别和体积分析。生成的点云提供了关键数据，有助于理解漂浮物动态，促进更有效的水管理策略。本研究强调了结合多种测量技术的优势：摄影测量提供高分辨率点云，实现精确重建；LiDAR方法提供鲁棒、连续的数据采集，更适用于实际环境。基于水上体积和材料密度的体积估算虽简单，但密度变异性导致显著误差（木材密度可差数百?kg/m³），且浸水木材密度增加进一步放大误差。本研究采用的基于RANSAC的体积估算方法提供了可靠替代方案，减少了对密度假设的依赖，提高了精度。未来工作应聚焦于系统在大尺度应用中的优化，特别是自然河流环境，以及机器学习分类和数据自动整合的改进。长期现场部署将提供漂浮物时空变化的宝贵见解，支持主动碎屑管理策略的发展。