使用3D点云数据在地铁道中检测泄漏:与XGBoost分类器集成强度和几何特征
Anyin Zhang1, Junjun Huang2, Zexin Sun1
1Jiangsu Geological Engineering Survey Institute, Nanjing 210018, China.
Sensors (Basel, Switzerland)
|July 30, 2025
概括
本研究介绍了一种基于XGBoost的方法,用于检测移动激光扫描 (MLS) 点云中的道泄漏. 整合几何和强度特征显著提高了对深度学习模型的准确性和效率.
科学领域:
- 地质科学 地质科学
- 土木工程 土木工程是指土木工程.
- 计算机科学 计算机科学
背景情况:
- 从3D点云中检测道泄漏是具有挑战性的,因为噪音和复杂的形态.
- 现有的方法在精确的特征提取和泄漏模式的细分方面扎.
研究的目的:
- 开发一种使用移动激光扫描 (MLS) 点云检测道泄漏的准确和高效方法.
- 整合强度和几何特征,以提高分类性能.
- 将拟议的XGBoost方法与其他机器学习和深度学习模型进行比较.
主要方法:
- 使用RANSAC算法进行噪声过,以移除不泄漏的道物体.
- 功能提取结合强度和k-邻近的几何特征.
- 基于F1得分的最佳社区规模选择.
- 使用XGBoost分类器进行二进制分类,用于泄漏检测.
主要成果:
- 提出的方法在两个数据集上获得了高F1分数 (91.18%和97.84%).
- 在四个异质数据集中展示了强大的概括.
- 在准确性和效率方面,XGBoost的表现优于随机森林,AdaBoost,LightGBM和CatBoost.
- 在精度和计算效率方面,与PointNet,PointNet++和DGCNN相比,性能优越.
结论:
- 整合几何特征显著提高了MLS点云中的泄漏检测准确度.
- 基于XGBoost的方法为道泄漏检测提供了强大而高效的解决方案.
- 该方法在道检查和维护方面具有很强的实际应用潜力.
