Загрузка и изучение данных
Для начала вы загрузите три файла .zip, содержащие данные, которые будут использоваться на протяжении всего учебного пособия для обучения и классификации данных облака точек. После того, как вы загрузите и извлечете данные, вы изучите файлы наборов данных LAS в ArcGIS Pro и присвоите им символы.
Загрузка данных
Все данные, необходимые для выполнения учебного пособия, находятся в трех файлах .zip, которые вы сейчас загрузите.
- Прежде чем загружать данные, убедитесь, что у вас установлены библиотеки Глубокого обучения, и в том, что ваш компьютер готов.
Примечание:
Для использования инструментов глубокого обучения в ArcGIS Pro необходимо, чтобы на вашем компьютере были установлены библиотеки глубокого обучения. Если эти файлы еще не установлены, убедитесь, что ArcGIS Pro закрыто и следуйте инструкциям по установке в статье Подготовка к глубокому обучению в ArcGIS Pro. В этих инструкциях вы также можете узнать, как проверить, можно ли запускать рабочие процессы глубокого обучения, используя ваше оборудование и программное обеспечение, а также познакомится с другими советами по использованию. После завершения вы можете продолжить работу с руководством.
- На вашем компьютере откройте Проводник.
- На диске C:\ создайте папку с именем LearnArcGIS. В папке LearnArcGIS создайте другую папку с именем DL.
В папке C:\LearnArcGIS\DL вы будете хранить все данные и результаты учебного пособия.
- Загрузите следующие файлы .zip:
- smalldata.zip — содержит небольшой набор данных для обучения и границы области обучения, небольшой набор данных для проверки и границы области проверки, а также растр ЦМР.
- testdata.zip — содержит тестовый набор данных, границу обработки и растр ЦМР.
- results.zip — содержит результаты обучения для большого набора данных, которые можно использовать вместо обучения модели для большого набора данных.
- Когда файлы будут загружены, извлеките каждый файл .zip в папку LearnArcGIS/DL.
Примечание:
Чтобы извлечь файл .zip, щелкните на нем правой кнопкой мыши, выберите Извлечь все и перейдите в папку LearnArcGIS\DL.
Папки содержат различные данные, которые вы будете использовать для подготовки и обучения данных. Некоторые из основных файлов в папке являются файлами LAS. Файл LAS – это отраслевой стандартный двоичный формат для хранения данных лазерной аэросъемки. Набор данных LAS позволяет вам быстро и легко изучать файлы LAS в их исходном формате, предоставляет детализированную статистику и область покрытия данных лазерного сканирования, содержащихся в файлах LAS. Папка результатов содержит модель, обученную с помощью большого набора данных на компьютере с графическим процессором 24 ГБ. В заключительном разделе данного руководства вы будете использовать эту обученную модель для классификации набора данных LAS.
Далее вы просмотрите и скачанные данные в ArcGIS Pro.
Просмотр обучающих данных и данных для проверки
Вы создадите проект ArcGIS Pro и просмотрите небольшие обучающие данные и данные для проверки.
- Запустите ArcGIS Pro.
- Если необходимо, войдите под учетной записи организации ArcGIS.
Примечание:
Если у вас нет доступа к ArcGIS Pro или учетной записи организации ArcGIS, см. варианты доступа к программному обеспечению.
- В разделе Новый проект щелкните Локальная сцена.
- В диалоговом окне Новый проект для Имени введите Powerline Classification with DL. Для Местоположения щелкните Обзор. Перейдите к C:\LearnArcGIS, щелкните папку DL и щелкните OK. Снимите отметку Создать папку для этого локального проекта.
- Нажмите OK.
- В панели Каталог разверните Папки и затем разверните DL.
Примечание:
Если панель Каталог не видна, на ленте щелкните Вид, а в группе Окна нажмите Панель каталога.
Вы увидите папки с данными, которые вы загрузили и извлекли в это место.
Сначала вы изучите файлы в папке smalldata и обновите статистику набора данных, чтобы убедиться, что отображаются правильные коды классов.
- На панели Каталог разверните папку smalldata. Щелкните правой кнопкой мыши train_small.lasd и выберите Свойства.
- В окне Свойства набора данных LAS щелкните вкладку Статистика.
Набор данных содержит несколько кодов классов:
- 1- Не назначено представляет неклассифицированные точки, в основном низкую растительность или объекты на земной поверхности, которые ниже высокой растительности и зданий.
- 2 - Земля представляет земную поверхность.
- 5 - Высокая растительность представляет высокую растительность, например, деревья.
- 6 - Здание представляет здания и другие сооружения.
- 7 - Шум представляет низкие точки.
- 14 - Провода представляет фактические провода линий электропередач.
- 15 – Опора линии передач представляет опоры линий электропередач.
Вас интересует код классификации 14 Wire - Conductor - Провода. Ваша задача — научить модель обнаруживать лидарные точки, которые являются линиями электропередач, чтобы вы могли более точно оценивать риски лесных пожаров для линий электропередач, находящихся рядом с деревьями.
В нижней части окна есть сообщение о том, что один файл устарел или у него отсутствует статистика. Вы исправите эту проблему, чтобы можно было отображать в сцене корректные коды классов.
- Щелкните Обновить.
Появится сообщение, подтверждающее актуальность статистики.
Теперь, когда статистика обновлена, вы можете оформить слой в соответствии с кодами классов.
- Нажмите OK.
- На панели Каталог щелкните правой кнопкой мыши train_small.lasd и выберите Добавить к текущей карте.
В сцене появится слой набора данных LAS.
Теперь, когда вы обновили статистику для файла LAS небольшого набора данных, вы сделаете то же самое для набора данных LAS val_small.lasd, который будет использоваться для проверки модели.
- В панели Каталог откройте свойства val_small.lasd, обновите статистику и нажмите OK. Добавьте val_small.lasd на текущую карту.
- В сцене, перетаскивая указатель, нажмите V и C, чтобы наклонить и панорамировать сцену и исследовать наборы данных в 3D.
Вы будете использовать train_small.lasd для обучения модели и val_small.lasd для проверки обученной модели, чтобы предотвратить перегрузку компьютера в процессе обучения.
Далее вы обновите символы каждого слоя набора данных LAS, чтобы отображать различные цвета для кодов класса. Вы начнете со слоя train_small.lasd.
- В панели Содержание щелкните слой train_small.lasd, чтобы выбрать его. На ленте щелкните вкладку Слой набора данных LAS.
- На вкладке Слой набора данных LAS в группе Отображение для Символов щелкните ниспадающее меню и выберите Класс.
Появится панель Символы, и слой train_small.lasd будет отображен символами по кодам классов.
Примечание:
Если в слое набора данных LAS есть пробелы, это может вызвать проблемы кэширования. Вы можете перейти к свойствам набора данных LAS, выбрать Кэш и нажать Очистить кэш, чтобы исправить это, или это будет исправлено автоматически при закрытии и открытии ArcGIS Pro.
- В панели Содержание щелкните val_small.lasd. На вкладке Слой набора данных Las щелкните раскрывающееся меню Символы и выберите Класс.
Слой val_small.lasd теперь обозначается с помощью кодов класса.
Примечание:
Наборы данных LAS могут быть большими, и для их отображения требуется больше времени, чем для других слоев. Для ускорения отображения можно построить пирамидные слои с помощью инструмента Построить пирамидные слои набора данных LAS. Этот инструмент создает или обновляет кэш отображения набора данных LAS, что оптимизирует производительность отображения.
- Под лентой на панели инструментов Быстрый доступ нажмите на кнопку Сохранить, чтобы сохранить проект.
Далее вы будете обучать модель, используя два изученных набора данных.
Обучение модели с помощью небольшого набора данных
В этом модуле вы будете использовать небольшие наборы данных, чтобы пройти процесс обучения модели классификации. Поскольку этот набор данных не содержит достаточного количества точек для обучения более точной модели классификации, вероятно, будет получена менее точная модель классификации. В этом разделе показан процесс обучения модели, а затем вы будете использовать обученную модель для большей выборки точек позже в этом учебном пособии для классификации набора данных LAS и визуализации линий электропередачи.
Подготовьте обучающий набор данных
Наборы данных LAS нельзя использовать напрямую для обучения модели. Наборы данных LAS должны быть конвертированы в меньшие обучающие блоки. Вы будете использовать инструмент геообработки Подготовить обучающие данные облаков точек в ArcGIS Pro для экспорта файлов LAS в блоки.
Ваша задача — обучить модель идентифицировать и классифицировать точки, являющиеся линиями электропередач. Не каждую точку в облаке данных LAS необходимо просматривать. Необходимо проверить только те точки, которые попадают в пределы окрестности линий электропередач. Вы будете использовать подготовленные данные границ, bnd_train_small и bnd_val_small, чтобы указать, какие точки должны быть преобразованы в обучающие блоки. Ниже приведен график, показывающий границы обучения и проверки, окружающие линии электропередач.
- Щелкните вкладку Анализ на ленте. В группе Геообработка щелкните Инструменты.
Откроется панель Геообработка.
- В панели Геообработка найдите и откройте инструмент Подготовка обучающих данных облаков точек.
Примечание:
Для этого инструмента необходим ArcGIS 3D Analyst extension. - В инструменте Подготовка обучающих данных облаков точек задайте следующие параметры:
- Для Входное облако точек выберите train_small.lasd.
- Для Обучающие ограничивающие объекты щелкните Обзор, перейдите к C:\LearnArcGIS\DL\small_data\boundaries.gdb, выберите bnd_train_small и щелкните OK.
- Для Облако точек проверки выберите val_small.lasd.
- Для Объекты, ограничивающие проверку щелкните Обзор, перейдите к C:\LearnArcGIS\DL\small_data\boundaries.gdb, выберите bnd_val_small и щелкните OK.
- Для Reference Surface щелкните Обзор и перейдите к C:\LearnArcGIS\DL\smalldata. Щелкните dem_small.tif и затем щелкните OK.
Растр ЦМР будет использоваться для расчета относительной высоты точек над землей. Вы ввели все обучающие данные, данные проверки и границы обработки.
Далее вы укажете, какие коды классов следует исключить.
- Для Исключенные коды классов введите 2. Нажмите кнопку Добавить еще и введите 7.
Точки поверхности земли (класс 2) и точки шума (класс 7) исключаются из обучающих данных. Точки поверхности земли обычно составляют большую часть общего количества точек, поэтому исключение точек поверхности земли ускорит процесс обучения.
- Оставьте Фильтровать блоки по коду класса пустым.
- Для Выходные обучающие данные щелкните Обзор и перейдите к C:\LearnArcGIS\DL\results. Для Имя введите training_data_small.pctd.
Примечание:
Расширение выходного файла .pctd расшифровывается как обучающие данные облака точек.
- Щелкните Сохранить.
- В инструменте Подготовить обучающие данные облаков точек продолжайте вводить следующие параметры:
- Для Размер блока введите 82. Для параметра Неизвестно щелкните раскрывающееся меню и выберите Геодезические футы США.
- Для Ограничение точек в блокеоставьте значение по умолчанию 8192.
Размер блока и Ограничение точек в блоке регулируют количество точек в одном блоке. Для определения данного значения при установке этих двух параметров важно учитывать среднее расстояние между точками, объекты интереса, доступную выделенную память графического процессора и размер пакета. Общее правило заключается в том, что размер блока должен быть достаточно большим, чтобы захватить интересующие объекты с наименьшим количеством подвыборок.
Вы начнете с Размера блока 82 фута (около 25 метров) и Ограничения точек в блоке 8192. 82 фута — это подходящий размер блока для захвата геометрии линии электропередач. Вы изучите выходные данные, чтобы увидеть, является ли значение 8192 подходящим ограничением количества точек в блоке. Если большинство блоков имеют более 8192 точек, вам потребуется увеличить ограничение точек в блоке, чтобы уменьшить подвыборку.
Примечание:
Для больших данных рекомендуется использовать инструмент Статистика точек LAS как растра, чтобы построить гистограмму и определить правильный размер блока и ограничение точек в блоке, прежде чем запускать инструмент Подготовить обучающие данные облаков точек. Чтобы использовать этот инструмент, выберите Число точек в качестве метода и Размер ячейки в качестве типа выборки и попробуйте различные значения Размера блока.
- Щелкните Запустить.
После завершения работы инструмента в нижней части панели инструментов появится подтверждающее сообщение.
- Щелкните Просмотреть подробности.
На вкладке Сообщения вы можете увидеть две гистограммы количества точек блока: одну для обучающих данных и одну для данных проверки.
Обе гистограммы показывают, что большинство блоков имеют количество точек менее 8000, что подтверждает, что Размер блока 82 фута и Ограничение точек в блоке по умолчанию 8192 подходят для этих наборов данных.
- Закройте окно Подготовить обучающие данные облаков точек.
- В Windows откройте Проводник и перейдите в папку C:\LearnArcGIS\DL\results. Папка результатов теперь содержит папку training_data_small.pctd.
- Дважды щелкните training_data_small.pctd, чтобы открыть папку.
Выходной файл содержит две подпапки, train и val, которые содержат экспортированные обучающие данные и данные проверки соответственно.
- Откройте каждую папку, чтобы просмотреть содержимое.
В каждой папке вы увидите файлы Statistics.json, ListTable.h5, BlockPointCountHistogram.png и папку 0, содержащую файлы Data_x.h5.
Файлы ListTable.h5 и Data_x.h5 содержат информацию о точках (xyz и такие атрибуты, как возвращаемый номер, интенсивность и т.д.), которые организованы в блоки.
Теперь, когда вы подготовили обучающие данные, вы можете использовать блоки для обучения модели классификации с помощью глубокого обучения.
Обучить модель классификации
Далее вы будете использовать инструмент геообработки Обучение модели классификации облака точек, чтобы обучить модель классификации линий электропередач с использованием небольшого набора обучающих данных. Результаты могут различаться в зависимости от запусков инструмента и разных конфигураций компьютера.
- В ArcGIS Pro в панели Геообработка щелкните стрелку назад. Найдите и откройте инструмент Обучение модели классификации облака точек.
- В инструменте Обучение модели классификации облака точек задайте следующие параметры:
- Для Входных обучающих данных щелкните Обзор. Перейдите к C:\LearnArcGIS\DL\resultsи дважды щелкните training_data_small.pctd.
- Для Предварительно обученная модель оставьте значение пустым.
- Для Архитектуры модели оставьте RandLA-Net по умолчанию.
Примечание:
Вы будете использовать архитектуру RandLA-Net для обучения модели классификации. RandLA-Net использует случайную выборку, чтобы уменьшить использование памяти и затраты вычислительных ресурсов, а также использует локальную агрегацию объектов, чтобы сохранить полезные объекты из большого соседства.
- Для Выбор атрибута отметьте Интенсивность и Относительная высота.
Примечание:
Интенсивность отображения линий электропередач ниже по сравнению с другими объектами, поэтому этот атрибут эффективен для выявления линий электропередач. Относительная высота линий электропередач обычно находится в определенном диапазоне, поэтому она также используется для отделения линий электропередач от других объектов.
- Для Местоположение выходной модели перейдите к папке results. Щелкните на ней и нажмите ОК.
- Для Имя выходной модели введите Powerline_classification_model_small_data.
- Для Минимальное количество точек на блок введите 1000.
Если во время обучения установить для Минимальное количество точек на блок значение 1000, блоки с количеством точек менее 1000 будут пропущены. Блоки с небольшим количеством точек, скорее всего, будут располагаться на границах, где нет точек ЛЭП. Пропуск этих блоков в процессе обучения ускорит обучение и сделает обучение модели более эффективным. Этот параметр применяется только к блокам обучающих данных, а не к блокам данных для проверки.
- Разверните Управление классами.
- В разделе Перекодировка класса для Текущий класс выберите 14. Для Перекодированный класс выберите 14.
Класс 14 представляет провода, которые вы хотите классифицировать и выявить в облаке точек.
- В следующей строке для Текущий класс выберите ДРУГОЕ и из Перекодированный класс выберите 1.
Задав Перекодировку классов таким образом, код классификации 14 останется неизменным, а это означает, что точки в наборе данных LAS, которые уже классифицированы как линии электропередач, останутся линиями электропередач. Все остальные коды классов (1, 5 и 15) будут переназначены в код класса 1. Итоговые обучающие данные будут иметь два класса, 1 и 14, что позволит легче различать линии электропередач в сцене.
- Для Описание класса примите заполненные коды и описания классов.
- Разверните Параметры обучения. Для Критерий выборки модели примите значение по умолчанию Recall.
Критерий выборки модели определяет статистическую основу, которая будет использоваться для определения окончательной модели. Заданное по умолчанию значение Recall будет выбирать модель, которая обеспечивает наилучшее среднее значение отзыва для всех кодов класса. Значение отзыва каждого кода класса определяется отношением правильно классифицированных точек (истинных положительных результатов) ко всем точкам, которые должны были быть классифицированы с этим значением (ожидаемые положительные результаты). Для каждого класса его значение отзыва — это отношение правильно предсказанных точек этого класса ко всем опорным точкам этого класса в данных проверки. Например, значение отзыва кода класса 14 представляет собой отношение правильно предсказанных точек линий электропередач ко всем эталонным точкам линии электропередач в данных проверки.
- Для Максимальное число эпох введите 10.
Эпоха — это полный цикл всех обучающих данных, полученных нейронной сетью (другими словами, все обучающие данные проходят через нейронную сеть вперед и назад один раз). Вы будете обучать модель для 10 эпох, чтобы сэкономить время.
- Для Итераций на эпоху (%) примите значение по умолчанию 100.
Значение параметра Итераций на эпоху (%) равное 100 гарантирует, что за эпоху будут передаваться все обучающие данные.
Примечание:
Вы можете выбрать передачу определенного процента обучающих данных в каждую эпоху. Установите для этого параметра значение, отличное от 100, если хотите сократить время завершения для каждой эпохи путем случайного выбора меньшего количества пакетов. Однако это может привести к большему количеству эпох, прежде чем модель сойдется. Этот параметр полезен, если вы хотите быстро увидеть показатели модели в окне сообщений инструмента.
- Для Стратегия скорости обучения оставьте значение по умолчанию Скорость обучения за один цикл.
- Для Скорость обучения введите .005.
Примечание:
Вы также можете оставить поле Скорость обучения пустым и позволить инструменту подобрать для вас оптимальную скорость обучения.
- Для Размера пакета введите 6.
Размер пакета определяет то, сколько блоков обрабатываются одновременно. Обучающие данные разбиты на пакеты. Например, если для параметра Размер пакета установлено значение 20, 1000 блоков разбиваются на 50 пакетов, и каждый из 50 пакетов обрабатывается за одну эпоху. Разделив блоки на пакеты, процесс потребляет меньше памяти графического процессора.
Примечание:
Размер пакета 20 рекомендуется для графической карты 8 ГБ. Если вы получили сообщение об ошибки переполнения памяти CUDA, вам следует использовать меньший размер пакета.
- Снимите отметку Завершить обучение, когда модель больше не улучшается.
Снятие отметки с этой опции позволит в процессе обучении запустить 10 эпох. Если отметка установлена, обучение завершится, когда после прохождения нескольких эпох модель перестанет улучшаться, независимо от указанного максимального количества эпох.
- Щелкните Запустить.
Примечание:
В зависимости от ресурсов вашей системы время, необходимое для выполнения этого инструмента, может варьироваться. На графическом процессоре NVIDIA Quadro RTX 4000 с 8 ГБ выделенной памяти запуск этого инструмента займет около 20 минут. Во время работы инструмента вы можете следить за ходом его выполнения.
- В нижней части панели Геообработка щелкните Просмотреть подробности.
Появится окно Обучение модели классификации облака точек (инструменты 3D Analyst), в котором отображается вкладка Параметры, на которой показаны параметры, использованные для запуска инструмента.
- Щелкните вкладку Сообщения.
Примечание:
Сообщения геообработки заполняются по ходу выполнения инструмента. По завершении работы инструмента в сообщениях геообработки отображаются результаты для каждой эпохи.
Примечание:
Информация в ваших сообщениях может отличаться от показанного примера, так как зависит от вашего графического процессора и настроек системы.
Инструмент сообщает следующую информацию:
- Графический процессор, используемый в обучении.
- Количество блоков обучающих данных, используемых в обучении (в обучении используются только те блоки обучающих данных, которые содержат более 1000 точек).
- Количество блоков данных проверки, используемых при проверке — при проверке используются все блоки данных проверки.
- Итераций на эпоху — количество блоков обучающих данных, деленное на размер пакета.
Инструмент сообщает о Потерях при обучении, Потерях при проверке, Погрешности, Точности, Отзыве, F1-оценке и Времени, затраченном на каждую эпоху.
По мере прохождения каждой эпохи вы можете видеть, как значения потерь при обучении и потерь при проверке уменьшаются, что указывает на то, что модель обучается.
После 10 эпох максимальное значение Отзыва превышает 0.98.
Эта модель неточная, что ожидаемо, так как модель была обучена на небольшом наборе данных. Эти результаты подчеркивают необходимость иметь большее количество точек выборки в отдельных наборах данных, чтобы можно было достичь лучших результатов.
- Закройте окно Обучение модели классификации облака точек.
Изучите выходные данные обучения
Далее вы посмотрите результаты обучения модели классификации.
- В Проводнике перейдите к C:\LearnArcGIS\DL\results.
Каждый набор данных обучения и проверки имеет по две подпапки. Одна папка модели, а другая папка контрольных точек.
- Разверните папку Powerline_classification_model_small_data и разверните папку Model Characteristics.
Папка Powerline_classification_model_small_data включает в себя сохраненную модель эпохи 9. В папке с моделью есть несколько файлов. Среди них файл .pth - это файл модели, а файл .emd - файл определения модели Esri (файл конфигурации в формате .JSON). model_metrics.htm включает график потерь при обучении. Файл .dlpk представляет собой пакет модели глубокого обучения. Это сжатый файл, который можно опубликовать в ArcGIS Online.
Папка Model Characteristics содержит графики потерь, истинно точных данных и результатов прогнозов.
- Вернитесь в папку results. Откройте папку Powerline_classification_model_small_data.checkpoints и просмотрите ее содержимое.
Папка Powerline_classification_model_small_data.checkpoints включает в себя папку models, которая содержит модели для каждой из контрольных точек эпохи и два файла .csv. В ходе работы инструмента после каждой эпохи создавалась одна контрольная точка. Каждая контрольная точка содержит файл .pth и файл .emd.
- В папке Powerline_classification_model_small_data.checkpoints откройте файл Powerline_classification_model_small_data_Epoch_Statistics Microsoft Excel, чтобы просмотреть статистику.
CSV-файл открывается в Excel.
Примечание:
Если в Microsoft Excel появится окно с предложением преобразовать большие числа в экспоненциальное представление, щелкните Преобразовать.
Это та же самая таблица, которую вы видели в сообщении инструмента.
Файл Powerline_classification_model_small_data_Statistics включает значения точности, отклика и f1-оценки для каждого класса после каждой эпохи. В некоторых случаях модель с лучшими общими показателями может не совпадать с моделью, которая показала наилучшие результаты при классификации определенного кода класса. Если вас интересует только классификация определенных кодов классов, вы можете рассмотреть возможность использования модели контрольных точек, связанной с лучшими показателями для этого кода класса. При просмотре статистики в Excel вы можете сортировать столбцы и легко находить эпоху с самым высоким значением отзыва. Вы обучили модель, используя небольшую выборку точек. Далее для классификации набора данных LAS вы будете использовать модель, которая была обучена с использованием большой выборки точек.
Классификация набора данных LAS с помощью обученной модели
С помощью обученной модели вы будете классифицировать набор данных LAS, содержащий более 3 миллионов точек. Классификация набора данных LAS с использованием обученной модели позволяет найти линии электропередач в области исследования, которые будут использоваться для анализа оценки рисков. При обучении модели были назначены два классификационных кода: Не назначено и Провода. Классификация точек в облаке точек как проводов, а остальных точек как не назначенных, делает набор данных более ценным, так как в нем четко идентифицируются линии электропередач.
Исследуйте результаты модели и выберите лучшую эпоху
Вы исследуете результаты предоставленной модели обучения, для которой использовался большой набор данных. Вы найдете значение ответного сигнала, наилучшим образом идентифицирующее провода.
- Откройте Проводник и перейдите к папке C:\LearnArcGIS\DL\results.
Папки содержат результаты обучения больших массивов данных на компьютере с 24 ГБ выделенной памяти GPU.
- Откройте папку PowerLine_Classion_Model_Large_data.Checkpoints и дважды щелкните PowerLine_Classification_Model_Large_data_Statistics, чтобы просмотреть статистику в Excel.
Файл откроется в Excel.
- В Excel дважды щелкните разделители столбцов, чтобы расширить их и видеть весь текст.
Вы отсортируете столбец Recall и найдете наибольшее значение для Wire Conductor, чтобы использовать эту эпоху для классификации набора данных LAS. Наибольшее значение Recall для Wire Conductor указывает на эпоху, которую вы должны использовать в классификации.
- Нажмите заголовок столбца Recall, чтобы выделить весь столбец.
- В ленте в разделе Редактирование нажмите Сортировка и Фильтр и выберите Сортировать от наибольшего к наименьшему.
- В появившемся окне Сортировать предупреждение щелкните Сортировать.
Строки в электронной таблице отсортированы таким образом, чтобы вы могли видеть наибольшее значение для Wire Conductor.
- Найдите первую строку с CLASS_CODE, равным 14, и CLASS_Description, равным Wire Conductor (строка 23).
Это самое высокое значение ответного сигнала 0.993655113 для Wire Conductor, которое произошло в 18 эпоху.
Вы будете использовать эпоху или контрольную точку 18 при классификации набора данных LAS, поскольку она имеет наибольшее значение ответного сигнала для кода класса линии электропередач и обеспечивает наилучшие результаты.
Классифицируйте линии электропередачи, используя обученную модель.
Далее вы будете использовать обученную модель для классификации линий электропередач из тестового набора данных. Вы примените границы области обработки, чтобы классифицировать точки в ее пределах.
- Восстановите ArcGIS Pro.
- В панели Каталог разверните Папки, затем разверните DL и testdata. Откройте свойства test.lasd и обновите статистику. Нажмите OK.
- Щелкните правой кнопкой мыши test.lasd, выберите Добавить к новой и выберите Локальная сцена.
Набор данных test.lasd LAS появляется в локальной сцене.
- На панели Содержание щелкните test.lasd, чтобы выбрать его. На ленте щелкните вкладку LAS Dataset Layer, щелкните стрелку раскрывающегося списка Символы и выберите Класс.
Набор данных LAS test.lasd теперь визуализируется с использованием кодов классов.
Наземные точки (класс 2) и точки низкого шума (класс 7) уже классифицированы. Оставшиеся точки не назначены (класс 1).
- В панели Геообработка найдите и откройте инструмент Классификация облака точек с использованием обучающей модели.
- Для Целевое облако точек щелкните раскрывающееся меню и выберите test.lasd.
- Для Определение входной модели щелкните Обзор. Перейдите к папке C:\LearnArcGIS\DL\results\Powerline_classification_model_large_data.checkpoints\models\checkpoint_2023-03-28_18-21-34_epoch_18 и откройте ее. Щелкните checkpoint_2023-03-28_18-21-34_epoch_18.emd и затем OK.
Примечание:
Для Определение входной модели вы можете выбрать файл .emd, файл .dlpk или URL-адрес модели, опубликованной в ArcGIS Online или ArcGIS Living Atlas of the World.
Параметр Целевая классификация появляется после выбора файла определения модели.
Оставьте Размер пакета пустым, и пусть инструмент рассчитает для вас оптимальный размер пакета на основе доступной памяти графического процессора.
- Для Границы обработки перейдите в папку C:\LearnArcGIS\DL\testdata\boundaries.gdb и дважды щелкните bnd_test.
При выборе Границы обработки инструмент будет использовать предоставленную вами обученную модель для классификации только тех точек, которые находятся в пределах этой границы.
- Для Базовая поверхность щелкните Обзор и перейдите к C:\LearnArcGIS\DL\testdata. Щелкните dem_test.tif и затем OK.
Примечание:
Поскольку модель классификации линий электропередач была обучена с использованием границ, базовой поверхности и исключения определенных кодов классов, те же параметры должны быть установлены и для инструмента Классификация облака точек с использованием обучающей модели.
- Для Исключенные коды классов добавьте 2 и 7.
Коды классов 2 и 7 исключены из классификации. Модель классифицирует только оставшиеся точки (класс 1). При запуске модели точки будут распознаваться как линии электропередач, и их кодам класса будет присвоено значение 14; в противном случае код класса будет сохраняться равным 1.
- Щелкните Запустить.
Инструмент запустится. Далее вы обновите символы, чтобы показать результаты модели классификации.
- В панели Символы для Значение нажмите Больше и нажмите Добавить все значения.
Символы обновляются, и точки облака точек, являющиеся проводами, отображаются желтым цветом.
- Используйте инструменты навигации и клавиши быстрого доступа для изучения результатов классификации в локальной сцене.
При использовании обученной модели результаты классификации точны. Почти все точки линий электропередач классифицированы правильно. Обратите внимание, что столбы ЛЭП по-прежнему Не назначены.
В данном руководстве вы изучили рабочий процесс классификации облака точек с использованием технологии глубокого обучения. Вы узнали о концепциях глубокого обучения, о важности проверочных данных в процессе обучения и о том, как оценивать качество обученных моделей. Дальше вы можете использовать инструмент Извлечь линии электропередач из облака точек, чтобы создать 3D-линии для моделирования линий электропередач. Вы также можете использовать инструмент Создать поверхность клиренса, чтобы определить зону пустоты вокруг линий электропередач. Точки в зоне пустоты, в основном деревья, находятся слишком близко к линиям электропередач, что может привести к отключению электроэнергии или возникновению пожара. Эти инструменты могут предоставить важную информацию для оценки страховых рисков.
Вы можете найти больше учебных пособий в галерее учебных пособий.