利用 AI 实现自动化点云处理

创建精确分类的点云通常需要手动注释的大量输入。在Flai，通过使用人工智能的最新创新可以大大减少所有这些重复的程序。Flai开发了一个基于云的Web应用程序，为地理空间数据的分类，探索和管理提供易于使用的解决方案，特别关注点云数据集。

Flai由来自不同背景的专家团队创建，从大地测量学和物理学到计算机工程和机器学习。通过将Flai在利用最新技术处理大量数据方面的专业知识与对客户需求的理解相结合，开发了Flai，作为满足对常见地理空间任务自动化和定制请求日益增长的需求的解决方案。Flai的解决方案使使用点云数据的公司能够从劳动密集型人工处理转变为由最新机器学习 （ML） 和人工智能 （AI） 技术提供支持的更快、更高效的自主流程。这些方法对于始终如一地以前所未有的速度交付准确的产品至关重要。

Automatic Lidar Point Cloud Classification | Flai

Web 应用程序和数据引入

为了更轻松地使用Flai的工具并独立于运行它们的底层硬件和操作系统，所有操作都可以通过 Flai Web 应用程序进行。该应用程序支持上传，浏览和组合各种地理空间数据集，例如点云，栅格，矢量和图像。上传后，数据集将安全可靠地存储在云中，并且只有启动数据引入过程的组织才能访问。当要求更高的安全性并且数据无法离开其来源国或数据生产公司时，可以将 Flai 环境部署在用户自己的计算设施中。在处理大量数据的情况下，Flai还为特定任务提供现场批处理服务，而无需使用Web应用程序。

Web 应用程序界面可轻松访问上传的数据，并提供用于创建和运行用户定义的处理流程的直观界面。每个流可以组合多个不同类型的输入数据集，并同时输出从输入数据生成的无数新数据集。主要关注点云数据集，用户可以从广泛的预定义处理工具中进行选择，从简单的操作（如类重映射和过滤）到旨在解释数据并创建更广泛公众可以理解的更高级别结果的复杂操作。最受欢迎的工具是点云语义分割，它进行原始测量并为每个激光雷达点分配有意义的语义标签。生成的标签集取决于所选的感兴趣字段和所需的详细级别。

Flai点云分类如何工作？

Flai努力在所有数据处理任务中使用最新的方法和最佳实践。这在Flai的点云分类任务中最为明显，该任务使用最先进的 AI 和 ML 算法来处理点云。处理此类数据最具挑战性的部分来自无序结构和数据细节，因为即使是以统一方式获取的数据集也可能具有截然不同的密度和高度跨度。为了克服这些潜在的危害，首先将数据集分成重叠的小部分，每个部分都单独处理。为了使分类算法了解点之间的关系，它们的确切笛卡尔坐标、离地面高度和其他激光雷达属性（强度、回波数、回波数和 RGB 值）被传递给预先训练的 AI 模型。该模型的内部计算输出每个点的分类标签，其含义由Flai的团队根据平均客户需求和用例预定义。

该应用程序包括适用于大规模测绘、无人机应用、林业清单创建和移动测绘的即用型 AI 模型。他们接受了大量不同点云场景的培训，这些场景由Flai的数据工程师团队精心挑选和巧妙地注释。每当Flai遇到新类型的结构、植被或地形时，这个不断增长的集合都会扩大。对于更高级和更具体的用例，Flai还提供了一个选项，用于创建用户定制的分类模型，这些模型根据其数据和分类标签进行训练。此功能也可供所有用户试用其数据并创建自己的自定义模型。训练过程还包括一个交互式组件，该组件将建议应额外标记哪些数据并将其添加到训练集中以提高预测质量。

手动点云注释

自动分类程序完成后，可以在应用程序中查看、编辑和测量结果。为此，Flai嵌入了一个直观的三维查看器，允许用户无缝地浏览最大的数据集。同时，任何已识别的错误分类都可以通过一系列点选择工具进行纠正。其中包括条形、框形和多边形选择，这些选择可以互换组合，通过将一个或多个标签的点重新映射到新标签来实现所需的结果。此外，手动分类任务可以通过虚拟磁贴在用户组织中的多个人员之间分配，这些虚拟磁贴将数据集无缝拆分为更小、更易于管理的块。每当任何注释者在决定对象类型时遇到问题时，他们都可以通过将注释直接放在点云中来启动对话。

我怎样才能从使用Flai中受益？

点云的可能应用多种多样，远远超出了所描述的分类任务。Flai不断开发和添加新工具，从点云中提取信息更丰富且更易于管理的矢量产品。Flai的团队还可以开发定制解决方案，以简化和加快您当前的工作流程，从而更轻松地将建筑工地、城市规划、采矿作业和测量等活动数字化。

大比例尺航空测绘

大多数大型激光雷达采集公司仍然使用半自动脚本，这些脚本只能从采集的点云中提取最基本和最简单的对象。为了提取额外的分类标签和后处理，它们仍然依赖于劳动密集型的人工注释。在Flai的帮助下，他们中的一些人已经抛弃了旧的方法，取而代之的是自动化解决方案。由于数字高程模型的生成是大面积测绘数据集的主要目的，因此对于如此广泛的制图项目，Flai的主要任务是提取没有任何异常值的可靠地面表示。此外，根据客户的需求，Flai还可以为建筑物、植被、桥梁、水、电力线基础设施和所有其他剩余的人造结构提供注释。在过去的一年中，Flai的人工智能模型为最终客户节省了大量时间。关于分配给手动注释的时间，报告的时间节省范围在 30% 到 80% 之间，具体取决于用例的复杂性。

使用无人机映射

相同的方法也可以应用于无人机（UAV或“无人机”）通常更密集的数据集。在这里，Flai专注于处理捕获的小区域以了解特定区域。这些区域需要高频监测，而这通常无法从地面进行，或者地面测量太耗时而无法进行。因此，无人机扫描与Flai的自动程序相结合，是及时、持续交付可靠产品以监控关键基础设施和风险评估的最佳解决方案。Flai的客户来自各个不同领域，如采矿、城市规划、山体滑坡和岩面监测、输电线检测等。Flai的应用程序已帮助多家无人机测绘公司在几天内完成他们的项目，而不是像以前那样的几周。

森林清查

随着对可持续工艺的需求不断增长，以及核算和测量温室气体汇和温室气体源的需要，越来越多的倡议正试图编制尽可能准确的森林清单。提取树木大小、直径和树种等清单信息通常非常耗费人力，并且仅限于广袤森林中的几个样本位置。为了使这项工作更容易并产生更准确的结果，对直接从点云中提取这些信息的需求不断增长。当点密度足够高并且足够数量的激光雷达点穿透树冠直至地面并击中树干时，它们是在单个树木水平上估计生物量的理想来源。

为了简化过渡，Flai开发了一个自定义分类器，可以将森林体积识别为三个重要部分：树冠、树干和林下。它们用于创建单个树顶位置和高度的精确地图，跟踪树冠轮廓并计算垂直树冠密度剖面。此外，单树干分类使Flai能够在三维空间中监测树干，沿其长度创建径向轮廓并估计单个体积。所描述的方法已经帮助世界各地的多个客户释放了在森林清查和碳交易应用中使用AI和ML的未开发潜力。

结论

事实证明，Flai的Web应用程序可用于与分析来自不同来源的点云数据相关的众多用例。Flai的应用程序可以处理任何类型的数据，从低密度航空数据到非常高密度的地面扫描数据。为了使您能够毫无风险地测试Flai的应用程序并了解 Flai 如何帮助您的业务，Flai为所有现有工具提供了一个免费增值计划，其中处理资源有限。只需在Flai的网页上创建一个帐户并尝试一下。

Automatic Lidar Point Cloud Classification | Flai