基于无人机(UAV)倾斜摄影测量点云沉积露头提取方法——沉积跨尺度自注意力网络(SedCSA-Net)的应用

《Sensors》:A Method for Extracting Sedimentary Outcrops from UAV Oblique Photogrammetry Point Clouds

【字体: 大 中 小 】 时间:2026年06月22日 来源:Sensors 3.5

编辑推荐:

  摘要:利用无人机(UAV)倾斜摄影测量(Oblique Photogrammetry)点云进行沉积露头(Sedimentary Outcrop)分析是实现沉积体系表征、地层对比及油气勘探类比研究的重要手段。然而在大尺度野外场景中,露头常呈分散、破碎状分布,植被

  
摘要:利用无人机(UAV)倾斜摄影测量(Oblique Photogrammetry)点云进行沉积露头(Sedimentary Outcrop)分析是实现沉积体系表征、地层对比及油气勘探类比研究的重要手段。然而在大尺度野外场景中,露头常呈分散、破碎状分布,植被与土壤覆盖广泛,且存在严重的类别不平衡(Class Imbalance)问题。人工解译工作量大,而现有聚类算法、传统机器学习方法及通用点云分割网络难以同时保证几何保真度、少类识别率与多尺度特征融合能力。针对上述问题,研究人员提出了一种基于UAV倾斜摄影测量获取策略、从野外地表点云中提取沉积露头点云的语义分割方法。该方法的核心分割模块——沉积跨尺度自注意力网络(Sedimentary Cross-Scale Self-Attention Network, SedCSA-Net)是在PointNet++基础上的增强版本,从数据增强、采样策略、特征编码和损失函数优化四个维度进行了协同改进。以准噶尔盆地南缘楼庄子地区清水河组(Qingshuihe Formation, Cretaceous)露头为研究案例,实验结果表明SedCSA-Net能够克服UAV倾斜摄影测量点云中阴影、空洞及密度不均等自然变异,平均交并比(mean Intersection over Union, mIoU)达89.51%,总体精度(Overall Accuracy, OA)达96.08%,露头类交并比(Outcrop-class IoU)达86.90%。基于分割结果提取的地层产状(Attitude)测量值与人工标注参考值偏差小于3°,证明该框架为大规模沉积露头点云的智能分割、几何重建及产状提取提供了一种端到端、可推广的解决方案。
论文解读:基于无人机倾斜摄影测量点云沉积露头提取方法——SedCSA-Net的应用
本文发表于《Sensors》期刊。研究背景方面,沉积露头(Sedimentary Outcrop)是地表出露的沉积岩层及其构造,保存了地层序列、沉积构造及古环境演化关键信息,是油气储层类比研究的重要地质档案。传统地面激光扫描(Terrestrial Laser Scanning, TLS)虽能达到毫米级精度,但设备昂贵、布站困难,难以单次获取公里级大场景数据。无人机(UAV)搭载多镜头倾斜相机结合运动恢复结构(Structure-from-Motion, SfM)和多视立体匹配(Multi-View Stereo, MVS)可快速获取大范围三维点云,但此类点云存在点密度随航高和地形起伏不均、阴影导致颜色失真、陡壁重建产生几何空洞及SfM累积误差等固有缺陷;此外野外地表类别(露头、植被、土壤)严重不平衡(约1:4:9),露头形态复杂且不连续,与土壤、植被边界模糊,现有聚类算法、随机森林(Random Forest)及通用点云深度学习网络(如PointNet、PointNet++)难以兼顾几何保真、少类识别与多尺度特征集成。为此,研究人员开展了面向公里级UAV倾斜摄影测量点云的沉积露头智能提取研究,提出SedCSA-Net分割架构并构建真实野外数据集进行验证,最终实现了高精度露头分割及后续地层产状自动量测,具有重要的大场景数字露头(Digital Outcrop)建模应用价值。
主要关键技术方法:研究人员选用准噶尔盆地南缘楼庄子地区白垩系清水河组露头为研究区(面积约0.69 km2),采用DJI Phantom 4 RTK无人机80%航向/70%旁向重叠率采集影像,DJI Terra软件完成SfM-MVS三维重建生成含XYZ及RGB的点云,去除人工地物及离群噪点后保留原始密度不均、阴影及空洞以贴近实际部署条件。关键点技术包括:(1)地质先验特征增强(Geological-Prior Feature Enhancement):在原始坐标与RGB基础上计算各点局部邻域的主成分分析(Principal Component Analysis, PCA)法向与曲率(几何特征向量)、邻域点到拟合平面距离方差(粗糙度Roughness)及RGB三通道沿XYZ方向的距离加权空间偏导(颜色梯度Color Gradient),拼接为增强输入向量并做Z-score归一化;(2)加权随机采样(Weighted Random Sampling):按含少类(露头)比例给空间块分配采样权重,提升少类块被选中概率以缓解类别不平衡;(3)跨尺度自注意力模块(Cross-Scale Self-Attention, CSA)嵌入多点集抽象层(Multi-Scale Grouping, MSG)的Set Abstraction(SA)层,对多半径提取的局部特征分支做全局平均池化后经Query-Key-Value线性投影计算尺度间注意力权重并重新加权融合,自适应选取最相关尺度;(4)混合损失函数(Hybrid Loss Function):Focal–Tversky Loss(侧重难分少类样本)与Lovász–Softmax Loss(直接优化IoU度量)加权求和,配合采样策略双重缓解不平衡并优化边界。网络以PointNet++为基线,逐点输出露头(Outcrop)、植被(Vegetation)、土壤(Soil)三分类结果,并基于分割出的露头点集最小二乘平面拟合求地层产状。
研究结果如下:
5.1. Experimental Setup and Evaluation Metrics(实验设置与评估指标)
研究人员采用NVIDIA RTX 2080 Ti显卡、PyTorch 2.4.1环境,将点云按100 m边长分块,每块随机采样4096点输入网络,Adam优化器训练200轮。评估指标采用mIoU、各类别IoU及OA。通过空间外推划分训练集(区域6–8)、验证集(区域5)、测试集(区域1–4)以检验模型对未见过地理区域的泛化能力。
5.2. Ablation Study and Baseline Comparison(消融实验)
研究人员设计五组渐进消融实验(基线PointNet++→加地质先验→加加权采样→加CSA模块→加混合损失)。结果显示基线mIoU 82.91%、OA 89.50%、露头IoU 75.69%;逐步引入四模块后最终SedCSA-Net达mIoU 89.51%、OA 96.08%、露头IoU 86.90%,各模块均带来单调增益且具有协同效应,其中CSA模块对mIoU和OA贡献最大,加权随机采样对少类IoU边际提升最显著。
5.3. Comparative Experiment Analysis(对比实验分析)
研究人员将SedCSA-Net与DBSCAN、Random Forest、PointNet及PointNet++在相同数据划分下对比。DBSCAN(mIoU 37.37%,露头IoU 15.73%)与Random Forest(露头IoU仅19.48%,露头与土壤混淆严重)不适用于此类空间交错大场景;PointNet因缺乏层次局部几何建模导致边界模糊(露头IoU 25.81%);PointNet++有所改善(露头IoU 75.69%)但仍存在小露头欠分割及过渡带误分。SedCSA-Net各项指标最优(露头IoU 86.90%,植被IoU 89.69%,土壤IoU 91.95%),能准确恢复沿走向带状连续露头及碎片化小露头并保有明显边界。
5.4. Robustness Analysis to the Natural Variability of UAV-SfM Data(对UAV-SfM数据自然变异的鲁棒性分析)
研究人员选取含重建空洞、密度不均及阴影的悬崖露头区域测试。结果表明即便不做预处理填补空洞或去阴影,SedCSA-Net分割结果与真值高度一致;阴影区靠颜色梯度对绝对光照不敏感及CSA跨尺度借用非失真区纹理信息维持稳健分割,仅阴影崖脚有极少量露头-植被点误分但无区域性崩溃,证明模型对UAV-SfM点云自然缺陷具良好鲁棒性。
5.5. Geological Measurement Validation Based on Segmentation Results(基于分割结果的地质测量验证)
研究人员对分割所得露头区域提取连续层理界面点集做最小二乘平面拟合求地层产状(走向/倾向/倾角),与人工标注参考拟合面比较。结果表明两者倾向与倾角误差均小于3°,确认SedCSA-Net分割结果几何连贯、边界可靠,可直接支撑定量沉积地层界面分析及产状测量。
讨论与结论翻译:
讨论指出UAV倾斜摄影测量适合公里级露头走廊快速覆盖,SedCSA-Net通过地质先验增强与跨尺度特征聚合克服了SfM点云自然变异影响;四模块分别从输入判别力扩充、少类曝光提升、中间层自适应感受野及输出IoU导向优化形成协同;相比TLS细粒度岩性分类研究与2D图像投影3D分割路线,本框架专注大场景三类语义分割及产状提取;局限性包限于单种岩性(中粗砂岩)验证、未融多多光谱/激光强度、仅三分类未细分岩相与构造、未与更先进点云网络系统对比。未来拟扩展多区域多岩性基准数据集、融合多源数据、增加岩相及构造单元细粒度识别及更广泛模型评测。
结论:研究人员提出了面向UAV倾斜摄影测量公里级沉积露头点云解释的端到端智能解译框架,核心SedCSA-Net在PointNet++基础上融入地质先验特征增强、少类感知加权随机采样、跨尺度自注意力编码及Focal–Tversky与Lovász–Softmax混合损失优化。以准噶尔盆地南缘楼庄子清水河组露头为案例,框架测试集mIoU达89.51%、OA达96.08%、露头类IoU达86.90%,显著优于DBSCAN、Random Forest、PointNet及PointNet++;基于分割结果最小二乘拟合地层界面所得倾向与倾角较人工标注参考偏差均小于3°。该框架为大规模沉积露头点云智能分割、几何重建及产状提取提供了实用方案,可支撑地层对比、产状量测及沉积构型分析等下游地质任务。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号