利用分割技术和合成数据对图像点云进行去噪处理，以提升隧道结构健康分析的准确性

《Data-Centric Engineering》：Denoising image point clouds using segmentation and synthetic data for enhanced structural health analysis of tunnels

　　摘要：来自无人机摄影测量的点云是进行基础设施检查的一种成本效益较高的替代方案，但它们通常包含结构元素和非结构元素，这加剧了分析的复杂性。传统的去噪滤波器不加区分地移除异常值，并经常侵蚀边缘，使得在区分螺栓、通道门或管道的同时难以保留弯曲的隧道衬里。相比之下，基于分割的方法利用几何上下文明确将衬里表面与辅助组件分离，从而实现更准确的变形分析和结构评估。为此，本文提出了一种使用合成训练数据集对图像点云进行去噪的新方法，以解决标记公共数据稀缺的问题，以提高点云质量。与其他依赖于投影或假设点位于预定义表面形状的去噪方法不同，这种基于分割的去噪方法仅保留原始位置中有意义的点，从而允许更准确地分析变形。通过合成训练数据集的增强，将该去噪方法应用于道路隧道图像点云和地铁隧道地面激光扫描点云，展示了其提高具有不同几何形状和点云数据资源隧道的点云质量的潜力，即使数据有限也是如此。该方法在道路隧道和地铁隧道中实现了80%的平均交并比（即正确点与错误点的比值）。这使得在毫米级别上改进结构变形分析成为可能。

影响声明：本研究提出了一种新颖的3D深度学习方法，用于通过解决点云精度问题来改进基于无人驾驶航空器的隧道检查。利用合成数据集进行训练，该方法通过移除错误点并保留关键的结构细节，有效去噪点云。这种方法提高了隧道监测的精度和效率，为捕捉复杂地下环境中的隧道几何形状和表面变形提供了一种可扩展的解决方案。所提出的技术显著提高了自动隧道检查的可行性，支持更好的基础设施维护和安全评估。

1. 引言：基于图像的检查已成为监测和维护隧道基础设施的重要方法，尤其是随着此类结构的退化问题日益严重（Attard等人，参考文献Attard, Debono, Valentino和Di Castro 2018；Attard等人，参考文献Attard, Debono, Valentino和Di Castro 2018；Li等人，参考文献Li, Xie, Gong, Yu, Xu, Sun和Wang 2021）。隧道空间结构变形的监测是其结构健康评估的关键要素（Xu和Yang，参考文献Xu和Yang 2020；Yang和Xu，参考文献Yang和Xu 2021）。虽然传统的点测量技术（如变形监测节点）已被广泛使用，但它们无法捕捉隧道的完整变形轮廓，对结构健康的洞察有限（Wang等人，参考文献Wang, Friedman和Li 2023）。无人驾驶航空器（UAV）已成为隧道结构检查的一种流行且可扩展的替代方案，能够持续监测大型隧道表面，并提供全面的结构健康评估数据，即使在几何形状复杂的隧道中也是如此（Li等人，参考文献Li, Soga和Wright 2015；Zhang等人，参考文献Zhang, Hao, Zhang和Li 2023）。无人机摄影测量直接产生点云，从而能够提取空间信息并对隧道可观察（内部）表面进行详细分析。通过将几何原型（例如圆形或椭圆形）拟合到弯曲的隧道衬里上，无人机生成的点云可以进行横截面的几何分析，并检测与预期几何形状的偏差。这些偏差可能表明潜在的隧道变形，并支持可靠的结构健康评估。从无人机生成的数字表面模型（DSM）中提取变形的概念起源于Pietersen在机场铺装检查方面的工作，其精度达到了6毫米（Pietersen，参考文献Pietersen 2022）。同样，对桥梁（Chen等人，参考文献Chen, Laefer, Mangina, Zolanvari和Byrne 2019）和其他基础设施（Lattanzi和Miller，参考文献Lattanzi和Miller 2017；Greenwood等人，参考文献Greenwood, Lynch和Zekkos 2019；Keizer等人，参考文献Keizer, Dubay, Waugh和Bradley 2022）的无人机检查也实现了厘米级的精度。对于隧道，无人机检查已在交叉通道的双隧道段进行，并结合几何分析，以评估其老化变形性能（Zhang等人，参考文献Zhang, Wang和Li 2024）。无人机生成的点云的一个关键优势是它们能够提供包含颜色特征的镶嵌图像，以及精确捕捉表面点位置的DSM。尽管基于摄影测量的点云为基础设施监测提供了灵活、可扩展且成本效益高的解决方案，但其精度较低（Gaspari等人，参考文献Gaspari, Ioli, Barbieri, Belcore和Pinto 2022）。特别是对于隧道检查，由于隧道内部的摄影测量，会产生更多伪影、粗糙表面和异常值，这些都增加了生成模型中这些因素的可能性（Wolff等人，参考文献Wolff 2016）。这种噪声既出现在高光谱区域（如结构边缘），也出现在低光谱区域（如伪影）。后者通常位于真实表面点15厘米以内（Peterson等人，参考文献Peterson, Lopez和Munjy 2019）。然而，研究表明，表面拟合技术可以将平均误差降低到1毫米，接近地面激光扫描（TLS）数据的精度（Peterson等人，参考文献Peterson, Lopez和Munjy 2019）。尽管如此，相机在照明不均匀的区域往往难以捕捉特征，导致点云中出现空洞或密集区域，这取决于计算机视觉算法的检测结果（Gevaert等人，参考文献Gevaert, Persello, Sliuzas和Vosselman 2017）。这些点云密度的变化使得去噪过程变得复杂，特别是在不同颜色表面相接的边缘处。认识到改进的数据收集活动，如增强照明、更高放大倍率或更受控制的无人机飞行路径，可以减少一些伪影。然而，即使在计划良好的条件下，摄影测量也本质上受到成像原理（如纹理变化、遮挡和反射）的噪声影响。实际上，隧道内的检查活动经常受到安全要求、有限照明和进入限制的限制，这意味着理想的采集条件并不总是能够实现。这使得强大的后处理和去噪方法成为改进数据收集实践的必要补充。另一个经常被忽视的挑战是，隧道点云通常不仅捕捉弯曲的衬里表面，还捕捉许多辅助元素，如螺栓、管道、通道门和临时设备。为了进行可靠的结构健康评估，必须将衬里几何结构与这些非结构组件分离。传统的异常值移除滤波器无法进行这种区分，因为它们将所有偏差都视为噪声。然而，基于分割的深度学习方法可以学会区分衬里和非衬里元素，从而实现去噪和更准确的结构分析。重要的是要指出，本研究中的分割目的是为了将隧道衬里隔离出来进行几何分析，而不是直接检测表面缺陷，如裂缝或漏水。最近，关于点云去噪的研究取得了显著进展（Sun等人，参考文献Sun, Chen, Wang, Zhou, Li, Yang, Cong和Wang 2023），重点在于提高精度和效率。手动去噪通常是许多点云处理工作流程中的第一步（Zeybek和?anl?o?lu，参考文献Zeybek和?anl?o?lu 2019），但它具有主观性和耗时性（Zhou等人，参考文献Zhou, Sun, Li, Li和Su 2022）。传统的滤波器，如统计异常值移除（SOR）滤波器（Balta等人，参考文献Balta, Velagic, Bosschaerts, De Cubber和Siciliano 2018；Ortiz-Coder和Sánchez-Ríos，参考文献Ortiz-Coder和Sánchez-Ríos 2020）被广泛使用，但可能会无意中移除重要点（Zeybek，参考文献Zeybek 2021），特别是在隧道结构的角落和边缘，那里的聚类噪声有时会被误认为是实际结构的一部分（Zhang等人，参考文献Zhang, Wu和Wang 2023）。最近的研究表明，可以通过利用它们的空间信息有效地检测和分割噪声点（Vetrivel等人，参考文献Vetrivel, Gerke, Kerle和Vosselman 2015）。基于分割的方法也被证明优于高斯滤波器和传统特征去噪技术，因为它们更能学习隧道的几何形状并识别障碍物（Rhee和Kim，参考文献Rhee和Kim 2016）。尽管取得了这些进展，但仍存在几个关键挑战。专门为隧道结构定制的分割方法尚未成熟，这导致关于如何开发、训练和在实际隧道检查场景中应用这些模型的不确定性。缺乏为隧道设计的分割模型引发了对其性能的担忧，尤其是在具有弯曲表面和不一致照明的复杂环境中。此外，现有的去噪技术在区分数据中的实际结构特征和噪声方面存在困难，特别是在点云密度波动或视觉特征被遮挡或扭曲的区域。这一问题因缺乏代表真实隧道条件的注释良好、多样化的数据集而变得更加复杂，限制了更准确去噪解决方案的开发和验证。为了解决这个问题，本文介绍了一种新的3D深度学习（DL）方法，该方法利用合成数据进行隧道点云清理，解决了基于图像的点云精度低的问题，并提高了基于无人机的自动隧道检查的可行性。合成数据集的生成不需要手动注释。该数据集考虑了数据缺陷，如由视觉特征质量低导致的空洞和噪声簇（Sapronova等人，参考文献Sapronova, Unterlass, Dickmann, Hecht-Méndez, Marcher, Correia, Azenha, Cruz, Novais和Pereira 2023）。它还解决了在类似检查条件下收集的注释不足的数据集问题。然后使用合成数据训练DL分割模型，并通过真实世界数据集进行评估。一旦训练完成，分割模型可以实时处理新的隧道点云以生成去噪输出。通过应用于两个真实世界案例来验证所提出的去噪方法的有效性：（a）都柏林港口隧道（DPT）交叉通道双隧道，以及（b）包含中国无锡地铁4号线的开源Wuxi数据集。与将所有点投影到假设的隧道表面上的传统方法不同，这种方法通过移除错误点来准确测量隧道的横截面几何形状，同时保持最终结果中隧道衬里的完整性。总之，所提出的基于分割的深度学习框架不仅抑制了噪声，更重要的是，它将弯曲的隧道衬里与周围组件分开，从而保留了用于可靠几何分析和原始拟合的几何准确性，以支持变形评估。

2. 合成数据生成和基于DL的去噪
2.1 去噪工作流程：本文提出了一种3D DL去噪框架，以减少与传统手动去噪过程相关的时间和成本（见图1）。该工作流程为多样的隧道点云质量提供了一种自适应的去噪方法，同时训练模型根据输入参数针对特定的检查环境进行定制。以下部分通过DPT数据集中的VCP 16段的示例来演示这一过程。该框架的流程图包括四个阶段：（1）点云视觉评估，（2）合成数据生成，（3）使用RandLA-Net DL架构进行训练，以及（4）应用于基础设施点云。图1. 所提出的去噪方法论的流程图（算法来自（Hu等人，参考文献Hu, Yang, Xie, Rosa, Guo, Wang, Trigoni和Markham 2022；Lin等人，参考文献Lin, Sheil, Zhang, Zhou, Wang和Xie 2024））。在第一阶段，根据表1量化合成数据生成的关键参数。隧道横截面采用圆形或椭圆形轮廓，在2.5米的垂直间隙处垂直截断，以模拟道路铺装障碍。空洞缺陷由体积比定义，直径为0-r厘米，而噪声簇遵循具有矩形形状的空间泊松分布。在第二阶段，合成数据的生成分为三个步骤：构建均匀的隧道截面，移除空洞点并添加噪声簇，如下所述：
1) 隧道模型创建：可以根据隧道技术图纸中指定的尺寸定义隧道横截面的几何形状，包括衬里、铺装和拱顶等元素。确定隧道长度以平衡训练的计算负载和所需训练信息的数量。
2) 空洞移除：隧道点云模型中的空洞表示应该被捕获在隧道模型中的点缺失。它是由于光滑隧道表面附近的纹理不足造成的。空洞的程度是通过从最初创建的隧道模型中按比例移除圆形区域的点来量化的。表1中的两组关键参数决定了空洞缺陷的状况：空洞点数与总隧道点数的比例，以及隧道表面非纹理区域的物理尺寸（圆的直径）。3) 噪声添加：同样，噪声点是非真实隧道结构的虚假伪影。这种噪声是通过在矩形区域内按比例添加点来模拟噪声团簇而引入的。空洞和噪声的随机生成是用表1中相似参数的空间泊松分布来实现的。表1. 用于合成数据生成算法的输入参数。例如，在DPT数据集中，根据隧道尺寸确定适当的模型长度为40米。这种模型长度提供了足够的分割数据以进行训练，并节省了计算成本。在选择输入参数后，合成数据生成算法生成标记点云。这一阶段模拟了由图像拼接伪影引起的真实噪声分布，从而消除了手动注释的需要。在第三阶段，使用RanDLA-Net算法训练DL模型，以实现基于空间信息的点云分割。2.2 合成数据集准备 图2展示了一个为DPT生成的合成数据集示例，其中包含三类主要点：路面（红色）、内衬（绿色）和噪声（蓝色）。通过这种方式，所提出的方法产生了真实世界点云数据的基本特征。在这项研究中，训练和验证数据集的生成是通过合成数据生成算法来实现的。共有16个合成训练数据集和4个验证数据集。合成点云的优势包括与手动方法相比，注释效率和准确性大幅提高，特别是对于通常在高度不平衡的数据集中属于少数类的噪声，其注释不可避免地会受到人为错误的影响。此外，单独的原始真实DPT数据集不足以进行有效训练，而使用合成数据可以确保足够的数据量。图2. 合成数据集的一个实现示例，包含噪声团簇和空洞（绿色：隧道内衬，蓝色：噪声，红色：道路路面），以及VCP 16测试数据集的放大部分点云。2.3 3D深度学习方法 在图1的流程图的第四阶段，3D深度学习算法在合成训练数据集上进行训练，以生成被检查区域的预测模型。采用3D深度学习RandLA-Net模型（Hu等人，参考文献Hu, Yang, Xie, Rosa, Guo, Wang, Trigoni和Markham2022；Lin等人，参考文献Lin, Sheil, Zhang, Zhou, Wang和Xie2024）进行训练和验证，因其具有处理大规模点云的同时保持复杂几何结构的优势。图3(a)展示了RandLA-Net架构的基本原理。首先，使用随机下采样来降低计算成本，同时保留关键特征。从左到右，图3(a)中的层（1）到（3）描述了两个局部特征聚合过程。局部空间编码（L）用于提取有价值的空间信息，注意力池化（A）用于信息聚合。结果， colored circles中的一个点用于表示几个邻近点，这个过程逐渐增加感受野的大小，同时最小化信息损失。图3. RandLA-Net的原理 (a) 示意图和 (b) 下采样性能 (Hu等人，参考文献Hu, Yang, Xie, Rosa, Guo, Wang, Trigoni和Markham2022)。图3(b)提供了一个从合成数据集中下采样的示例，其中DL方法将点数减少了三个数量级，同时保留了重要特征。相比之下，传统滤波器使用固定数量的点来找到靠近点簇中心的点，而不考虑点簇的实际几何形状。例如，图4展示了一个Sigma SOR滤波器，它统计分析每个点$p_i$的K个最近邻点$p_j$，以计算点去噪的阈值距离（在这个特定示例中K=3）。进行分析是为了建立一个阈值公式：(1) $$ {D}_{max}=i+{n}_{\sigma}\cdotp \sigma $$ 其中$i$是每个点到其K个最近邻点的全球平均距离，${n}_{\sigma}$是偏差$\sigma$的用户定义乘数。对于$p_i$，如果$p_i$和$p_j$之间的距离（$D_i$）超过阈值${D}_{max}$，它将被视为噪声（图4中的红色点）。这种方法假设噪声点在表面周围均匀分布，但这在隧道角落处并不成立。因此，Sigma SOR滤波器在复杂地下结构中难以保留几何特征，尽管它可能非常适合去噪平滑表面。图4. 传统滤波器原理的示意图。RandLA-Net使用批量大小为4和学习率0.01进行训练。该网络有5层，子采样比例为（Attard等人，参考文献Attard, Debono, Valentino和Di Castro2018；Xu和Yang，参考文献Xu和Yang2020），各层的输出维度为[16, 64, 128, 256, 512]。上述超参数适用于所有案例研究。一旦训练完成，模型就被应用于识别未见过的真实世界基础设施点云中的噪声。2.4 评估指标 模型训练是在配备NVIDIA GeForce RTX 3080 Ti GPU和Intel core i9 12900K CPU的消费级计算机上进行的。训练一个40米的模型大约需要16小时。使用交叉熵损失（Schult等人，参考文献Schult, Engelmann, Hermans, Litany, Tang和Leibe2023；Kolodiazhnyi等人，参考文献Kolodiazhnyi, Vorontsova, Konushin和Rukhovich2024）对点云进行语义分割，而总体准确性（OA）和平均交并比（mIoU）被用作这些不平衡数据集的评估指标。这些指标用于评估每次迭代中的训练性能（Rainio等人，参考文献Rainio, Teuho和Klén2024）：(1) $$ {\displaystyle \begin{array}{c} OA=\frac{\sum_{i=1}^n{TP}_i\;}{n}\end{array}} $$ (2) $$ {\displaystyle \begin{array}{c} IoU=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FP}+\mathrm{FN}}\end{array}} $$ (3) $$ {\displaystyle \begin{array}{c} mIoU=\frac{1}{n}\sum \limits_{i=1}^n Io{U}_i\end{array}} $$ 其中OA是总体准确性，n是类别总数，IoU（和$Io{U}_i$）是交并比（对于第i类），TP（和${TP}_i$）是真正例数（对于第i类），FP是假正例数，FN是假负例数，mIoU代表平均交并比。3. 基于真实世界图像的点云 所提出的点云方法基于点分割，并通过一个图像数据集（DPT）和一个TLS数据集（Wuxi）进行了验证。前者是使用无人机在道路隧道中获取的，后者是来自地铁隧道的LiDAR扫描器的。与TLS数据集不同，基于图像的点云在点云位置信息上不够准确，但包含颜色信息。第3节介绍了从图像生成这种类型点云的方法，以展示误差的形式和特征。3.1 数据采集 DPT是欧洲最长的城市道路隧道之一。DPT双隧道结构显示出随着时间发展而来的隧道内衬变形和表面缺陷，需要定期进行结构健康状况评估。检查区域涵盖了南行隧道（SB）和北行隧道（NB），两者由车辆交叉通道（VCPs）连接，如图1所示。检查集中在“VCP 16”区域内的备用隧道，该隧道沿交通方向长度为40米，与其他隧道部分相比显示出最显著的表面缺陷。在感兴趣的区域（检查区域），还有其他相邻的结构，如每隔1公里的备用隧道和VCPs，每隔65米的消防水管，以及每隔250米的电话壁龛。对包括上述结构和组件的DPT内衬进行了检查，从而得到了被检查部分的3D数字模型（见图5）。图5. 从无人机图像中提取的DPT VCP 16部分的3D可视化（左侧SB通过VCP连接到右侧NB）。所使用的视觉数据采集平台是C2级别的DJI Mavic 2 Enterprise Dual。图像是使用专门为自动和稳定检查道路隧道（如DPT）而预先编程的无人机捕获的（Zhang等人，参考文献Zhang, Hao, Zhang和Li2024）。图6展示了在昏暗照明条件下的无人机检查环境。隧道内衬和道路路面是可见的，但隧道顶部缺乏足够的视觉细节，因此没有被纳入无人机检查。图像是从距离隧道内衬表面大约3米的地方拍摄的，分辨率为4056×3040像素。总共使用了2494张图像进行隧道模型重建，总大小为13.3 GB。出于安全原因以及考虑检查环境可能的变化，进行了多次飞行，其中30%的图像被重新拍摄，可能会引入伪影，需要进行数据清洗。图像点云中的噪声会引入明显的表面粗糙度，不利地影响从隧道内衬中提取空间信息。在隧道健康状况评估的背景下，使用无噪声的准确数据是至关重要的，以确保可靠的结果。图6. 作为DPT VCP 16部分一部分的无人机检查区域。3.2 点云生成 生成图像点云是为了利用配对的颜色和位置信息，从而便于同时识别缺陷和变形。图7概述了主要的图像处理工作流程，其中步骤（1）到（5）由图8(1)到（5)所示，用于从单个图像生成无人机图像点云。图像质量过滤步骤（1）去除了可能导致超光谱特征（如边缘或角点）错位的模糊图像（图8(1)）。图像拼接步骤（2）使用特征匹配在3D空间中对齐图像，使用Pix4Dmapper软件创建隧道内衬的数字模型（Zhang等人，参考文献Zhang, Hao, Zhang和Li2024），图8(2)展示了此过程中的软件界面。左上角的数字标签（例如，“DJI_0407”）对应于包含特定示例特征出现的原始图像序列号。随后的步骤（3）在图8(3)中，点云生成，产生包含颜色或亮度信息的点簇。步骤（4），缺陷和空间信息提取，生成对结构健康分析至关重要的配对数据集。表面缺陷在图8(4)中用不同的颜色标识和高亮显示（裂缝用红色表示，水泄漏用黄色框表示）。在这个工作流程中，基于图像的分析用于检测诸如裂缝和水泄漏等缺陷。然后点云提供位置信息，以准确定位和测量这些缺陷的大小。然而，DL分割的点云并不直接用于缺陷检测，而是用于确保隧道内衬的几何保真度以进行变形分析。根据缺陷的密度，隧道内衬被划分为不同的区域。结构空间信息被整合到图8(5)中的DSM中，显示为深度图像，并可以使用GIS软件提取。图7. 点云处理工作流程概览。图8. 点云处理步骤示意图：(a) 图像质量过滤，(b) 多视图图像拼接（橙色十字：连接点；绿色十字：控制点），(c) 点云生成，(d) 正射镶嵌中的缺陷，(e) 来自DSM的深度图像。隧道模型重建过程对特征非常敏感，特别是对于隧道裂缝、结构组件和边缘等元素，导致点云密度不均匀。在光线不足的条件下，无人机漂移可能导致空洞、伪影和粗糙表面的生成。这些问题通常源于地理围栏相关的点缺失、传感器质量的提高以及检查视图数量的增加。虽然更高质量的传感器和额外的检查视图可以缓解一些这些限制，但受限的隧道环境以及与安全相关的限制通常会阻碍最佳采集策略的实现。因此，开发能够在不完美的数据集上有效运行的去噪技术对于实际的隧道监测工作流程至关重要。3.3 图像点云的缺陷，包括空洞、噪声和虚假的粗糙表面，可以从点的空间分布中识别出来。图9展示了从手动去噪输出的隧道内衬的提取横截面，数据来源于钻孔段和备用段。图9(a)显示了平面图中的整体提取图，其中两组分别标记为A–F和(1)–(4)：1) 标签A到F代表用于研究VCP结构附近隧道行为的提取位置，这与相关的前期研究（Zhang等人，参考文献Zhang, Wang和Li2024）一致。这些提取点大致均匀分布，以确保数据的一致性，同时避开障碍物；2) 标签(1)–(4)代表检查段，这些是用于通过圆拟合分析评估去噪效果的对照样本位置。具体来说，图9(b)展示了检查段(1)至(3)的隧道剖面，突出显示了噪声簇。图9. 低质量横截面提取的例子：(a) 平面图中的整体提取图（两组分别标记为A到F和(1)–(4)）；(b) 检查段(1)–(3)的隧道内衬剖面，显示噪声簇；(c) 钻孔段(B1和B2)和备用段(L)的隧道圆拟合细节）。高质量的点云能够量化表面缺陷并评估隧道几何形状。然而，当将隧道的设计规范与关键位置的采集检查数据进行比较时（见图9(a)），从图像点云中得到的原始 DSM 不可避免地包含比隧道变形测量更大的误差。因此，必须对这些测量结果进行去噪。图9(c)展示了隧道内衬，钻孔段标记为B1和B2，备用段标记为L。还显示了钻孔段（建模为圆形）和备用区域（建模为多中心圆形）的拟合隧道直径尺寸。横截面提取（见图9(b)）用于表示隧道的被检查部分。根据建成后的设计（见图9(c)），在这些区域，隧道应在未损坏的情况下呈现平滑的圆形或多中心圆形表面。噪声的级别是根据拟合到DSM提取结果的圆形的特征来评估的。虽然噪声评估受到隧道变形的影响，但噪声簇通常表现为表面粗糙度，其尺度大于隧道内衬的实际变形。因此，噪声水平是使用圆半径和中心的置信区间来评估的，如表1所列。更接近钻孔段和备用段的设计几何形状（分别为$ {R}_1 $ 和 $ {R}_2 $）意味着噪声簇的出现较少，重建精度更高，而较小的置信区间表示噪声簇的影响较小。在这项研究中，进行了手动点去噪，以便与后续的自动化方法进行比较。值得注意的是，这种手动过程仍然是主观的，劳动强度高，并且引入了文件编码问题。异常值去除主要集中在隧道内衬边缘附近和颜色变化区域。表1中对无噪声横截面的比较揭示了重要的结构健康状况洞察。例如，从D段到F段的半径略有减小，这表明备用段附近的局部压缩较大。这可能归因于土壤拱效应的减弱，因为土壤被交叉通道隧道取代（Li等人，参考文献Li, Soga和Wright2015）。在两个双隧道之间，东侧钻孔的刚度更高，尤其是在右侧手镯形状的隧道弯曲处，由于压缩阻力增加。此外，在护壁结构周围观察到了局部加固。先前研究（Chao，参考文献Chao2023）对同一检查区域的研究结果也验证了这种变形机制。这些信息对于结构分析和完整性评估至关重要，使得去噪成为提高精度的重要步骤（表2）。表2. SB横截面A–F的圆拟合细节（中心坐标(xc, yc)和半径r）以及毫米级别的拟合误差；为了简洁起见，标准误差<5E-4被省略；较大的误差被列出以表示圆拟合的不确定性。4. 在DPT数据集上的测试 4.1 实验设置和模型性能 提出的去噪方法在两个实际案例上进行了测试：DPT和无锡地铁。首先考虑应用于DPT。每个合成训练和验证数据集包含102,400个点。合成模型中无噪声数据的参数被选择为与原始点云数据集的参数相匹配，以确保去噪数据具有代表性。在合成数据集中使用了代表隧道大部分长度的备用区域的均匀横截面（见图5和图8）来构建隧道几何形状。横截面的多中心圆形被简化为椭圆，长轴和短轴分别为7.42米和5.18米。椭圆在±2.8米的高度处被截断，以代表天花板和平铺层。隧道模型的总长度为40米。其内宽在护壁和VCP处有所不同。训练后的模型在钻孔段和备用段上都进行了测试，结果结合在一起，生成了一个覆盖整个隧道长度的去噪点云。原始图像点云被降采样以保持10毫米的分辨率，以保留细节并提高训练效率；合成模型的降采样体素大小为0.01米。DPT模型中的噪声和空洞分布是根据图像点云数据的初步评估来配置的。噪声以ratio_noise_lin设置为5%、ratio_noise_pav设置为1%的比例添加。噪声以0.05米的空间分辨率引入，噪声矩形形状的尺寸随机范围从0 × 0米到0.5 × 0.5米。此外，引入空洞以模拟图像数据采集中的不完美之处，ratio_crop_lin设置为50%、ratio_crop_pav设置为10%。圆形空洞的半径在0米到1米之间随机分布。图10展示了在合成数据集上的训练过程。它显示DL模型收敛迅速，在100个周期内无论是在训练数据还是在验证数据上都表现良好，获得了高的mIoU分数。重要的是，训练和验证损失都显著下降并趋于平稳，表明训练有效且没有过拟合，因此能够在数据集之间进行泛化。大约20个周期后，这些评估指标保持稳定，表明模型已经达到了最佳学习状态。随后的数据集预测每个模型需要几分钟的时间，显示出与手动标注相比，在长期或大型数据集预测方面的效率优势。图10. RandLA-Net在DPT合成数据集上的训练过程，共100个周期。图11展示了原始的原始点云（图11(a)）、DPT南行钻孔中主要分割数据的DL预测（图11(b)）以及去除了噪声的DL分割数据（图11(c)）。DL分割结果揭示了隧道内衬周围的噪声。道路铺装和隧道内衬通常分割得很好，但是道路铺装上的狭窄人行区域没有被识别出来，因为它在合成数据模拟器中没有建模。去除噪声类别后，图11(c)减少了原始模型中低保真度区域的噪声点，包括有许多空洞的南部区域、结构复杂的区域如防火门区域和VCP区域。图11. 应用于VCP 16的点云数据可视化：(a) 原始的原始实际点云数据，(b) 分割成主要类别的DL分割数据，(c) 去除噪声后的DL分割数据。4.2 定性观察 DPT可视化模型包含大量噪声和伪影（类似于医学成像中的彗尾伪影）。大量噪声表现为随机分布的噪声，覆盖了模型表面的大部分。它导致分辨率降低和由于传感器噪声而产生的颗粒状纹理。相比之下，伪影更频繁地出现在结构边缘，表现为模糊的线条，例如由于处理能力不足。图12展示了NB点云的分割。图12(a)展示了整个结构，重点关注两个区域：道路铺装（由绿色框突出显示）和隧道内衬边缘（由红色框突出显示）。图12(b)和(c)分别更仔细地展示了这两个区域。数据分为两类：预测的无噪声结构（黑色点）和预测的噪声（蓝色点）。铺装部分的无噪声点的绝对范围为0.2米，而噪声的绝对范围为2米。相比之下，对于隧道内衬，无噪声点和噪声的绝对范围分别为0.2米和0.5米。总体而言，这种技术有效地减少了目标区域中的伪影噪声，提高了结构模型的清晰度和精度。图12. 基于深度学习的点云去噪，在(a)整个南行方向，(b) 14米长的道路铺装，以及(c) 冠部内衬边缘。图13展示了从2022年9月到2023年3月的三个检查日期的多时相无人机图像获取生成的SB备用隧道的分割光度测量点云。在防火门后面观察到的密集噪声簇（用蓝色突出显示）主要源于两个协同因素：(1) 由于重复的无人机飞行捕获瞬态对象（包括停放的维护车辆、临时设备安装和动态门位置（干预期间的打开/关闭状态）而产生的时间冗余，在结构从运动（SfM）处理中被错误地解释为持久的结构特征；(2) 由于监控期间LED照明的升级而导致的环境变化，从而导致扫描之间的照明波动。这些光度不一致性降低了特征匹配的准确性，将位置错误传播为虚假的3D点。图13. (a) SPT SB备用隧道的分割结果，展示了两个放大的噪声示例：(b) 靠近空洞的地方，以及(c) 防火门后面。图13提供了点云的三维可视化，不同类别再次通过不同的颜色进行标识。噪声点在隧道内衬边缘和铺装顶部特别明显。这些区域对应于结构边缘附近的伪影或在扫描期间防火门后面捕获的错误数据。所提出的方法有效消除了7232个虚假点（初始8560个噪声点的84%），在防火门关闭状态下改进了重建模型的几何精度（RMSE从2.6米减少到0.2米）。此外，可以看出当前的DL方法有效地保留了两个结构和几何细节，例如隧道墙壁和道路表面之间的连接。相比之下，图14展示了使用传统的SOR方法对于三种不同的K和σ组合的点云，分别代表用于平均距离估计的点数和用于异常值检测的偏差因子。SOR方法依赖于基于邻域的统计阈值（方程1），特别是在几何形状复杂的区域引入了边缘模糊伪影。如图14所示，在K = 10、σ = 1和K = 5、σ = 1的情况下，尽管在防火门后面实现了更好的噪声去除效果，但隧道内衬的纹理被侵蚀了。这表明了一个关键的权衡：较大的K提高了全局去噪效果，但牺牲了局部几何精度。这是因为传统方法平等地对待数据中的所有点，没有考虑一个点是否是平面的一部分、边缘还是角落。这些传统去噪方法经常在像角落这样的锐利特征中丢失细节，而所提出的方法保留了几何细节，使其非常适合精度要求高的应用。图14.方程1中定义的SOR参数的敏感性分析：(a) K = 10，σ = 1：过度平滑状态，隧道衬砌出现关键细节损失；(b) K = 5，σ = 1：过度平滑状态；(c) K = 5，σ = 2：欠过滤状态，防火门接缝附近存在残留噪声簇。4.3 定量隧道几何检查 图15比较了四个检查位置去噪前后的隧道横截面几何形状：(1) 如图15(a)所示；(2)–(4) 如图15(b)所示。表3量化了圆拟合性能、中心坐标偏差（最大偏移：201毫米）和半径偏差（平均差异：169毫米）在去噪和原始点云之间的差异。这反映了隧道扫描条件中的固有不确定性。这些数值可归因于动态采集伪影和去噪算法的容忍度。值得注意的是，这些小于200毫米的差异代表了基础设施检查的操作级别精度，其中关键警报阈值通常设定为大于500毫米（ASCE 95-2023）。去噪/原始数据集之间保持的相关性（皮尔逊相关性r = 1）证明了方法的一致性，尽管存在绝对值差异。图15. 北行隧道（NB）中DL去噪前后两个拟合圆的比较 (a) 检查段(1) (b) 从右到左的检查段(2)、(3)、(4)。表3. NB中DL去噪前后两个示例横截面的圆拟合细节（单位：/m）去噪显著提高了高噪声区域（第3节和第4节）的拟合精度。特别是，它将局部水平误差从0.4米降低到最多0.2米，而在图14(b)中圈出的第3节区域的半径最多缩小了17厘米。统计上，DL去噪将拟合优度的卡方值降低了74%，在有噪声的旁置部分至少降低了28%，两种模型的决定系数（R2）值均超过了0.99。这些在3.5米×0.5米局部检查区域内的毫米级变化，证明了变形评估的关键敏感性改进。未来的扩展可以结合椭圆拟合来分析局部变形模式，特别是在显示不对称轮廓变化的区域。5. 在吴西数据集上的测试 5.1 实验设置 为了评估所提出工作流程的通用性，使用吴西数据集（Lin等人，参考文献Lin, Sheil, Zhang, Zhou, Wang和Xie2024）的TLS数据进行了额外的实验。该隧道由半径为2.75米的预制混凝土衬砌环组成，在底部水平截断以与路面接口。每个分段环轴向延伸1.5米，并包含工程接头。数据集还包括相邻结构，包括螺栓、管道和路面。这些高保真数据使得能够对单个衬砌段进行稳健的分割，特别是检测服务阶段的变形，如接头错位>2毫米或径向偏差超过名义半径的1.5%。合成训练数据集是通过系统噪声模拟生成的，以近似真实世界的TLS测量伪影。衬砌噪声以5%的比例（ratio_noise_lin = 0.05）沿结构边缘引入，而路面噪声以1%的密度（ratio_noise_pav = 0.01）引入。这些噪声元素以0.05米的分辨率空间分布，在0×0米到0.5×0.5米的尺寸范围内随机采样，以模拟不规则扫描噪声。在平滑的隧道表面上，明确排除了空腔伪影。对于RandLA-Net实现，采用了5层架构，并采用了渐进式下采样比例（Attard等人，参考文献Attard, Debono, Valentino和Di Castro2018；Xu和Yang，参考文献Xu和Yang2020），对应于特征维度从16个扩展到512个通道。训练使用了4的批量大小和0.01的初始学习率，并通过带动量稳定的梯度下降进行优化，以减少对高噪声的敏感性。图16展示了一个合成点云，其中感兴趣的结构组件（衬砌）用红色标识，所有其他点（噪声加上路面）用蓝色标识。这个合成数据集的一个局限性在于难以包含诸如轨道、螺栓和管道等细节。每个训练数据集包含204,800个点，经过下采样后体素大小为0.04米。模型在合成数据上的验证结果达到了98.88%的客观准确性（OA）和97.18的平均互信息（mIoU），突显了该方法在分割合成数据方面的卓越准确性和有效性。图16. 吴西数据集中的一个示例合成点云。5.2 DL模型评估 图17将DL去噪结果（图17(1)）与手动分割的真实值（图17(2)）进行了比较。可以看出，该方法在去除非衬砌结构方面表现出了高水平的准确性，特别是螺栓、管道和轨道，这些在训练数据集中并未作为主要结构细节进行优先处理。然而，DL预测与真实值之间仍存在某些差异，特别是在路面内的错误分割片段中。此外，隧道顶部表面附近2米高度的连续管道被错误地分类为隧道衬砌。当应用于真实世界测试集时，该方法取得了令人满意的结果，客观准确性为89.68%，平均互信息为80.06%。尽管从合成数据过渡到真实世界数据时性能略有下降，但这些结果仍然表明了其稳健性和良好的泛化能力。这些性能差异的原因可以归因于建模过程的快捷性，该过程没有提供其他数据伪影，如各种障碍物。图17. 吴西数据集中的分割结果和真实值 (a) 使用机器学习进行的分割结果 (b) 手动注释的真实值。5.3 模型比较 为了验证本文采用的RandLA-Net深度学习网络的有效性，使用了代表性的方法进行比较，即集成学习和Point Transformer。由于合成数据中没有强度或颜色信息，基础模型的输入特征包括三维坐标（X, Y, Z）和法向量（Nx, Ny, Nz）。法向量是使用10个最近点计算得出的。选择了K最近邻（KNN）、梯度提升（GB）、支持向量机（SVM）、随机森林（RF）和自助聚合（bagging）算法作为基础模型。基础模型使用训练集独立训练。通过网格搜索优化了基础模型中的超参数。然后将基础模型的输出输入到元模型中进行另一轮训练。元模型采用堆叠策略并使用逻辑回归。模型训练工作流程与之前的工作相同（Peng等人，参考文献Peng, Lin, Xia, Yu和Wang2024）。结果表明，元模型的客观准确性和平均互信息分别为84.43%和74.96%。这些结果突显了所采用的深度学习算法对特定任务的适应性。可能的原因是合成数据仅包含基本几何信息，阻碍了集成学习方法有效学习真实世界点云中的高级特征。通过用Point Transformer（Zhao等人，参考文献Zhao, Jiang, Jia, Torr和Koltun2021）替换RandLANet中的局部特征聚合模块，进行了额外的比较。所有其他实验设置和超参数保持不变，以确保严格比较。使用Point Transformer训练的模型的客观准确性和平均互信息分别为88.51%和77.65%，显示出与RandLA-Net相比的性能有所下降。结果表明，RandLA-Net中设计的自注意力机制的特征聚合模块更适合隧道点云分割。比较方法的分割性能列在表4中。事实证明，合成数据对不同方法都是有效的，平均互信息超过74%，尽管在分割性能上存在轻微差异。此外，比较方法的分割结果展示在图18中。尽管评估指标存在数值差异，所有三种比较方法在识别隧道点云中的结构点方面都表现出了令人满意的结果，证明了合成数据的可行性。表4. 比较方法的分割性能 图18. 比较方法的分割结果。6. 计算效率和准确性分析 本节评估了DPT和吴西数据集的计算成本与去噪准确性之间的权衡。对于有经验的标注者来说，手动去噪在DPT数据集中每10米每孔可能需要数小时，具体取决于局部噪声分布。相比之下，使用训练有素的3D DL模型的自动化去噪在NVIDIA 3060 Ti 16G GPU上运行时大约需要2分钟，显示出效率和自动化的显著提高。就训练效率而言，DPT数据集完成100个周期需要16小时，而吴西数据集在类似的硬件配置下需要21小时。这种差异可以归因于两个数据集的复杂性和大小不同。尽管存在这些差异，所提出的方法在两个数据集之间保持了计算效率和去噪性能的一致平衡。重要的是要注意，所提出的方法已经应用于 subsampled 点云以优化计算效率。具体来说，只有原始DPT点云的1%，相当于0.1百万点，被用于训练、验证和测试。虽然 subsampled 点云对于当前分析来说是令人满意的，但在更大的数据集上进行训练可能需要显著更多的内存和计算资源。这表明，虽然所提出的方法对于中等规模的数据集非常高效，但可能需要进一步优化才能处理如吴西数据集中的极大规模点云，而不会导致过高的训练成本。关于去噪质量，由于手动去噪的主观性和不可重复性，通常难以获得一致且令人满意的结果。例如，两个手动去噪的输出可能在消除的噪声簇上没有共同点。另一方面，一旦训练出DL去噪模型并保存其输出，就可以反复用于更长的检查距离，使得DL方法适用于大规模应用。对于DPT数据集，所提出的模型达到了95.2%的平均互信息。同样，对于吴西数据集，模型展示了80.06%的类似准确率。7. 结论 UAV图像点云数据为评估基础设施健康状况提供了有价值的信息。尽管与LiDAR点云相比，UAV数据的准确性较低，但在特定检查条件下，如无法进入或危险区域、表面纹理和颜色分析以及成本效益高的基础设施监控方面，UAV数据具有很大的优势。然而，其效用经常受到噪声和虚假数据伪影的影响。为了高效有效地去噪基础设施点云，本文描述了一种涉及使用合成训练数据集来识别不需要的噪声的DL分割方法。该方法在两个真实世界隧道数据集上进行了测试。需要强调的是，改进的摄影测量数据采集（例如，优化照明、更高分辨率的成像）仍然是减少源头上伪影的重要途径。因此，我们的工作是互补的：通过解决在现实、往往次优的现场条件下持续存在的残余噪声，所提出的去噪方法增强了基于UAV的隧道检查的可靠性，当无法保证理想的数据质量时。本研究的主要发现如下：(1) 使用合成数据对于准备训练数据集非常有益，特别是在具有挑战性的检查环境中。这种方法增强了模型的稳健性，并允许更灵活的训练条件。所提出的工作流程消除了数据注释的需要，减少了实施时间和人工努力，从而提高了其在实际应用中的实用性。(2) UAV图像点云中的噪声主要被分为边缘伪影和虚假数据。基于深度学习的分割被证明能够有效地识别和去除大部分此类噪声，实现了大约95%的高平均互信息（mIoU）分数。在路面上，噪声的空间范围从5米减少到0.2米，而在隧道衬砌上，从0.5米减少到0.2米。大量“块状”噪声减少了84%，8560个噪声点中有7232个被成功去除。(3) 与手动去噪的DSM相比，所提出的去噪方法在变形提取方面提供了更优的结果。在噪声较大的区域，该方法显著改善了隧道表面的拟合。拟合圆的半径变化范围为5毫米到170毫米，模型精度提高了11%到55%，降低的卡方值提高了24%到73%。此外，所提出的方法在保留隧道结构的角点方面优于SOR滤波器，并且对数据质量的依赖性较低。 (4) 所提出的深度学习去噪方法在各种点云数据集上表现出稳健的性能，包括DPT数据集和无锡数据集，达到了80%的mIoU分数，并有效识别了合成数据和真实世界数据中的关键特征。该方法能够很好地适应具有不同噪声特征的数据集，由于训练数据中缺少行人等元素，导致性能略有变化。未来的改进将优先考虑扩大训练数据集的多样性，以提高准确性。 (5) 本研究的主要局限性在于其依赖于单一的噪声类型和分布。本研究中的噪声是随机在表面上生成的，而在现实世界中，噪声通常集中在空腔、结构边缘和防火门周围。将这些特定的噪声类型纳入合成数据集可以显著提高模型在噪声干扰下的性能。未来的工作将侧重于在合成数据生成中多样化噪声类型和分布规则，以确保模型更适用于隧道检测条件。本研究强调了深度学习技术在提高无人机图像点云数据的质量和实用性方面的潜力。通过有效降低噪声和提高准确性，这些方法可以显著促进可靠和高效的基础设施健康评估。除了噪声抑制之外，所提出的分割方法的一个关键优势是它能够将隧道内壁与非结构元素（如螺栓、通道门和管道）分离。这种分离对于精确的结构分析至关重要，因为它确保变形测量仅来源于真实的内壁几何形状，而不是被辅助特征扭曲。这一能力比传统的去噪滤波器有了显著改进，并突显了深度学习分割在隧道检测中的更广泛应用价值。未来的研究将进一步完善这些技术，重点了解数据质量问题（如空腔和噪声）的分布可能性，并改进合成数据生成过程。

数据可用性声明：数据可在https://zenodo.org/records/18471574获取。

致谢：作者感谢Enok Cheon博士和Dieter Issler博士在编码建议和计算平台方面提供的宝贵帮助。

作者贡献：
概念化：B.S.、R.Z.和W.L.
方法论：W.L.和R.Z.
数据整理：R.Z.
数据可视化：R.Z.
撰写初稿：R.Z.
审阅与编辑：B.S.、C.W.和Z.L.
指导：Z.L.
资金获取：Z.L.

所有作者均批准了最终提交的版本。

资助声明：本研究得到了中国国家留学基金委的资助；作者还感谢爱尔兰科学基金会根据“未来前沿计划”提供的研究资助[资助编号：21/FFP-P/10090]。部分资金由挪威研究委员会提供给NGI的基础资助提供。

利益冲突：无。

伦理标准：本研究符合所有伦理准则，包括遵守研究所在国家的法律要求。