基于多源点云数据的LNG储罐外壁分析方法

李柏松; 张云卫; 雷江开; 鲁特; 吴风安

doi:10.12404/j.issn.1671-1815.2501629

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (3) :926-933 DOI: 10.12404/j.issn.1671-1815.2501629

论文：天文学、地球科学

基于多源点云数据的LNG储罐外壁分析方法

李柏松 ¹ ,
张云卫 ² ,
雷江开 ³ ,
鲁特 ³ ,
吴风安 ⁴^,^*

作者信息 +

Analysis Method of LNG Storage Tank Outer Wall Based on Multi-source Point Cloud Data

LI Bai-song ¹ ,
ZHANG Yun-wei ² ,
LEI Jiang-kai ³ ,
LU Te ³ ,
WU Feng-an ⁴^,^*

Author information +

文章历史 +

摘要

液化天然气(liquefied natural gas,LNG)储罐是储存液化天然气的重要设施,因此LNG储罐外壁的监测对确保其安全性、结构完整性至关重要。目前针对LNG储罐的形变监测仍以全站仪测量或地面激光雷达为主,存在测量效率低和罐体覆盖率低的问题。提出了一种基于多源点云数据融合的LNG储罐外壁分析方法。通过采用全站仪、地基激光雷达、机载激光雷达与无人机倾斜摄影测量4种技术进行数据采集,利用基于特征随机抽样一致性(random sample consensus,RANSAC)算法与迭代最近点(iterative closest point,ICP)算法,将多源点云精确配准至统一坐标系构建储罐外壁三维模型,并基于分段拟合与椭圆度计算对罐体倾斜与形变进行了定量分析。研究表明:该LNG储罐在321.98°的方位角方向上存在2.58°的倾斜变化和27 mm的偏差。罐体存在轻微由西北倾的变化趋势。LNG储罐平均椭圆度为0.053%、平均倾斜和偏差27 mm均满足规范要求,处理建议为对LNG储罐进行定期监测。若其测量值超过规范限值,可采用注浆加固、增加支撑、液压顶升、重力平衡等措施进行处理。

Abstract

Liquefied natural gas (LNG) storage tanks are critical facilities for storing liquefied natural gas, making the monitoring of their outer walls essential for ensuring safety and structural integrity. Currently, deformation monitoring of LNG storage tanks primarily relies on total station measurements or terrestrial laser scanning, which suffer from low measurement efficiency and limited tank coverage. An analysis method was developed for LNG storage tank outer walls based on multi-source point cloud data fusion. By employing four data acquisition techniques—total station, terrestrial laser radar, airborne laser radar, and UAV oblique photogrammetry—and utilizing feature-based random sample consensus (RANSAC) and iterative closest point (ICP) algorithms, multi-source point clouds were accurately registered into a unified coordinate system to construct a 3D model of the tank outer wall. Quantitative analysis of tank inclination and deformation was conducted through segmented fitting and ovality calculations. Results indicate that the LNG storage tank exhibits a tilt variation of 2.58° and a deviation of 27 mm in the azimuth direction of 321.980°. The tank shows a slight tendency to tilt from the northwest. The average ovality of the LNG storage tank is 0.053%, and the average inclination and deviation of 27 mm both meet standard requirements. The recommended action is to conduct regular monitoring of the LNG storage tank. If measured values exceed standard limits, measures such as grouting reinforcement, additional support, hydraulic jacking, or gravity balancing can be implemented.

Graphical abstract

关键词

LNG储罐 / 点云 / 配准 / 多源数据融合 / 形变分析

Key words

LNG tank / point cloud / registering / multi-source data fusion / deformation analysis

引用本文

引用格式 ▾

李柏松, 张云卫, 雷江开, 鲁特, 吴风安. 基于多源点云数据的LNG储罐外壁分析方法[J]. 科学技术与工程, 2026, 26(3): 926-933 DOI:10.12404/j.issn.1671-1815.2501629

LI Bai-song, ZHANG Yun-wei, LEI Jiang-kai, LU Te, WU Feng-an. Analysis Method of LNG Storage Tank Outer Wall Based on Multi-source Point Cloud Data[J]. Science Technology and Engineering, 2026, 26(3): 926-933 DOI:10.12404/j.issn.1671-1815.2501629

登录浏览全文

4963

注册一个新账户忘记密码

液化天然气(liquefied natural gas,LNG)储罐用于储存液态天然气,储罐外壁在确保储罐安全发挥关键作用,外壁的变形、裂缝会损害储罐结构完整性,导致灾难性事故。因此,LNG储罐外壁测量对其安全、结构完整性至关重要。使用传统仪器全站仪或载波相位差分技术(real-time kinematic,RTK)测量储罐外壁测量范围有限、耗时且难以准确捕获弯曲表面,但使用光探测和测距(lightlaser detection and ranging,LiDAR)和无人机摄影测量技术能够克服上述局限,提供更全面准确的测量^[1-2]。

LiDAR是一种遥感技术,使用激光脉冲测量传感器和物体的距离。根据LiDAR搭载方式不同分为地基激光雷达和机载激光雷达。地基激光雷达能提供储罐下部高分辨率的点云,但其覆盖区域具有局限性;机载激光雷达可提供储罐顶部高覆盖率点云,来补充低视角点云数据集的空白,但机载激光雷达在精度方面有所局限。通过将两者结合^[3],可获得更全面、准确的储罐表面的三维信息,为变形分析和结构完整性评估提供更全面的信息。

无人机摄影测量技术使用配备有摄像头的无人机,来捕捉LNG储罐上部高分辨率航空图像,进而根据这些二维图像来生成高视角下LNG储罐点云和三维模型^[4]。无人机摄测技术可用来弥补LiDAR所缺失的视觉信息,捕获高度精确的真彩色点云数据,补偿激光雷达无法捕获颜色信息,对于识别表面的特定区域非常关键^[5]。然而,与激光雷达相比,无人机摄影测量需要良好的天气条件和合适的照明来捕捉储罐表面的清晰图像,存在图像失真和视差误差等问题。

目前中外学者关于LiDAR和无人机摄影测量技术开展了大量的研究。Deng等^[6]提出了一种3D激光雷达分阶段实时地面分割算法。Lee等^[7]使用斜向图像实现了建筑模型详细的重建和提高定位精度。Petras等^[8]研究了机载激光雷达点云的点密度变化对重建模型误差的影响规律,并提出了采用抽样和均匀化方式减少误差的方法。杨健等^[9]提出了一种利用无人机激光雷达(LiDAR)技术与倾斜摄影技术完成测图的方法。刘慧等^[10]提出基于Potree结构的激光点云与建筑信息模型(building information modeling,BIM)点云差异检测方法。徐郡彬等^[11]提出激光与影像融合的古建筑建模方法,通过无人机航摄与三维激光扫描获取数据,采用迭代最近点算法(iterative cloest point,ICP)算法实现异源点云配准,重建精细化三维模型。朱旺煌等^[12]提出融合空间密度检测的单体提取算法。首先结合过绿指数与法向量分类植被点,再通过密度聚类识别误分区域并重分类,最终分割出完整建筑物单体。

关于多源点云数据融合技术研究也挺多。Guo等^[13]提出了基于热红外和近景摄影图像提取点云的裂缝识别方法,裂缝识别精度为97.6%。Feng等^[14]以某图书馆为工程依托,提出倾斜摄影测量和三维激光点云融合的方法,验证了建模方法的可行性。王宗辉等^[15]研究了基于LiDAR和倾斜摄影数据融合的建筑物三维建模方法。杜世立等^[16]将激光扫描仪和无人机贴近摄影测量技术相结合,采用基于KD树(K-dimensional tree,)改进的ICP算法进行点云配准,实测数据精度上提高56%。黄北生等^[17]采用基于倾斜摄影、贴近摄影测量和地面三维点云数据的多源数据融合技术进行文物三维建模。陈立家等^[18]提出了无人机倾斜摄影与近地面摄影测量相结合方法进行港口建模。多源点云数据精简采用体素滤波下采样,并基于采样一致性初始配准算法的粗配准和基于KD树改进Point-to-Plane ICP算法的精配准进行点云数据融合。

中外学者研究激光雷达、无人机摄影测量联合应用主要集中于房建、桥梁和农业等领域,在LNG储罐方面应用研究有限。地基与机载LiDAR、无人机摄影测量和全站仪测量的结合对于实现LNG储罐外壁的准确和可靠测量非常重要,将它们结合起来可发挥整合优势,克服每种方法局限性,实现测量效果最优化。综上,现以广西液化天然气LNG工程项目受火后的LNG储罐为工程依托,采用本文发展的基于多源数据融合的LNG外壁的测量和分析方法进行试验研究。

1 技术基本原理

1.1 无人机倾斜摄影测量

无人机倾斜摄影测量是使用运动恢复结构(structure from motion, SFM)技术从无人机拍摄二维图像中生成三维点云并提取有关三维结构和相机位置信息重建三维场景的技术。SFM算法主要步骤包括特征提取、匹配、相机姿势估计、三维重建和密集点云生成。首先,从图像中提取特征用于识别不同图像中的对应点,如角落或边缘。其次,在成对的图像之间匹配提取的特征建立最佳匹配关系。然后,通过求解摄像机位置和方向估计图像的相机姿态,由三角测量法计算匹配特征点的三维位置生成稀疏点云。最后,计算场景中所有点的三维位置生成密集点云。点云三维坐标与图像像素坐标之间的映射关系为

(1)

X Y Z 1

u 0 v 0 1

K^-1

R t 01 - 1

式(1)中:R为旋转矩阵;t为摄像机坐标与地面坐标的平移向量;[

u 0 v 0

]为图像像素点,u₀和v₀分别为光心在像素坐标系下的x和y方向坐标;K表示摄像机内部参数矩阵。

1.2 三维激光扫描

三维激光扫描是使用激光测距原理采用非接触方式获取三维坐标(X,Y,Z)和一定属性(反射强度等)的海量、不规则空间分布的三维点云数据,三维激光扫描仪扫描示意,如图1所示。

三维激光扫描仪中点云坐标采用左手坐标系,XOY面为横向扫描面,Z轴与横向扫描面垂直。任意一个被测点云P的三维坐标可表示为

(2)

X = S c o s θ c o s α Y = S c o s θ s i n α Z = S s i n θ

式(2)中:X、Y、Z表示点云各方向坐标;S为观测距离;α为S在XOY平面的投影与X轴的夹角;θ为S与XOY投影平面的夹角。

2 技术路线

为获取LNG储罐变形的高分辨率影像和点云数据,基于“地基激光雷达扫描+无人机机载激光雷达扫描+倾斜摄影测量”三方技术融合依次进行多源数据采集、数据预处理、点云配准融合、精度评定等操作实现精确测量,其技术路线如图2所示。

多源数据融合采用算法配准方式。点云配准是针对两帧有重叠信息点云求解转换矩阵(旋转矩阵R和平移矩阵T),使重叠部分点云变换到同一个坐标系下,即数据的粗配准和精配准。首先采用基于特征随机采样一致(random sample consensus, RANSAC)的算法进行粗配准为精配准提供变换初值。其次,采用ICP算法进行精配准进一步优化结果。

(1)基于特征RANSAC的算法的粗配准。RANSAC是一种随机参数估计算法。RANSAC在源点云(source cloud)中随机取点,查找对应目标点云(target cloud)中的对应点,根据点对计算转换矩阵,利用该转换矩阵对源点云中的随机点进行旋转平移,然后用转换后的点去查询目标点云中距离阈值范围内的点记为内点,以此循环找到包含内点数最多的转换矩阵,如图3所示。

(2)基于ICP算法的精配准。为提高粗配准后点云配准精度,使用ICP进行精配准。使用奇异值分解(singular value decomposition,SVD)得到最优转换矩阵(旋转和平移)的解析解。首先计算最优旋转矩阵R,再计算最优平移矩阵T,为了去除平移的影响,先将源点云和目标点云都转换到质心坐标下,即

(3)

p ∧ s, i = p s, i - p - s p ∧ t, i = p t, i - p - t

式(3)中:

p ∧ s, i

为源点云中第i个点相对于其质心的坐标;

p ∧ t, i

为目标点云中第i个点相对于其质心的坐标;p_s,_i为源点云中第i个点的坐标;p_t,_i为目标点云中第i个对应点的坐标;

p - s

为源点云中所有点的质心;

p - t

为目标点云中所有点的质心。

则点云配准问题的损失函数可以写为

(4)F(R)=

∑ i = 1 N R p ∧ s, i - p ∧ t, i ‖ 2

∑ i = 1 N

(

‖ p ∧ s, i ‖ 2

‖ p ∧ t, i ‖ 2

-2

p ∧ t, i T

p ∧ s, i

)

式(4)中:F(R)为损失函数;R为旋转矩阵;N为点对的数量。

因为点云的坐标是确定的,因此最小化损失函数转化为

(5)R^*=

a r g m i n R

(-2

∑ i = 1 N p ∧ t, i T

p ∧ s, i

)≅

a r g m i n R

(

∑ i = 1 N p ∧ t, i T

p ∧ s, i

a r g m a x t r a c e R

(RUΣV^T)=

a r g m a x t r a c e R

(ΣV^TRU)=

a r g m a x t r a c e R

(ΣM)

式(5)中:U、V为正交矩阵;Σ为奇异值对角矩阵;M为对偶变量。

由奇异值非负和正交矩阵性质可知,当M为单位阵时R^*最大,即V^TRU=I,因为R为旋转矩阵,可得解为

(6)R=VU^T,

R = 1

式(6)中:V、U^T为奇异值分解得到的正交矩阵。

最优平移矩阵为

(7)T=

1 N ∑ i = 1 N

p_t,_i-R

1 N ∑ i = 1 N

p_s,_i=

p - t

-R

p - s

式(7)中:T为最优平移向量。

3 试验监测

LNG储罐曾在施工时发生爆炸和火灾事故。由于外壁是储罐最外层防护,一旦外壁发生损伤,会导致LNG泄漏。为确保LNG储罐安全和可靠性,需对其外壁完整性进行检查。该储罐结构为轴对称体,下方为圆柱体,上方为穹顶,外侧半径和高度分别为42、60 m。为确保检查准确和全面性,采用全站仪测量、地基激光雷达、机载激光雷达和无人机摄影技术等多种测量方式融合对储罐外壁量测。首先,采用全站仪在LNG储罐表面布设反射标靶点进行坐标测量,反射标靶布设在储罐外壁南部下侧表面。其次,采用地基和机载激光雷达对LNG储罐的下部分和上部分进行三维扫描测量;采用无人机摄影技术获取外壁高精度二维影像数据,提供三维激光扫描缺失的视觉色彩信息。然后,将采集多源数据经预处理后,将得到的点云数据以地基激光雷达点云数据(P_t)为目标点云,机载激光雷达点云数据(P_s1)和倾斜摄影测量点云数据(P_s2)为源点云进行点云的配准。最后,将采集到的全部数据配准到统一的地理坐标系下,并进行精度评价,得到带有真实场景坐标的LNG储罐整体点云数据。

3.1 点云数据预处理及配准

首先,采用地基激光雷达采集了LNG储罐外壁下部25站点云数据,扫描范围从地面一直延伸到罐体顶部,距地面约40 m。其次,对点云数据进行拼接、去噪和平滑,提高结果的准确性。最后,进行坐标转换,通过全站仪控制测量获取控制点绝对坐标,将获取的相对坐标下的点云数据进行坐标转换。地基激光雷达局部点云精度配准精度可达毫米级,满足LNG分析的精度要求,如图4所示。

无人机激光雷达对目标区域进行空中扫描,横向重叠70%,飞行线间距为47 m,飞行高度为110 m,默认飞行速度为14 m/s。

机载激光雷达点云由无人机的球导航卫星系统(global navigation satellite system,GNSS)和惯性测量单元(inertial measurement unit,IMU)数据解算出轨迹,得到每帧点云在空间中的位置和姿态,从而将多帧点云配准在同一坐标系下。机载激光雷达点云以航带为单位进行解算,由空中三角测量解算得到点云,依次对点云进行拼接、去噪,根据全站仪控制测量进行坐标转换。最后,根据高度进行统一着色,方便后续进行整体配准,如图5所示。

无人机搭载相机在贴近LNG储罐外壁环绕飞行并拍照,获取倾斜影像。以目标储罐为中心,向周围外扩30 m作为测区,设置航向高度80 m,航向重叠度80%,旁向重叠度70%,按照“井”字航线进行倾斜摄影,每隔5 m自动拍摄一次。共产生722张斜向照片,最大照片分辨率为1 600×1 300(4∶3.25),生成了较高质量顶部点云数据。

在采集数据处理阶段,首先对采集影像数据进行几何校正,包括相机姿态和畸变校正。采集到的图像自动提取图像中的特征点并进行匹配,实现图像对齐。利用相机位置和姿态和匹配的特征点,通过空中三角测量加密刺点生成点云,根据插值法生成密集的三维点云。最后,通过处理去除错误的匹配点、噪声和坐标转换操作,得到无人机摄影测量密集点云,摄影测量以RTK测量的地面特征点为控制点,配准精度为3 cm,如图6所示。

将地基激光雷达、机载激光雷达和无人机摄影测量获得的局部点云经过预处理后,进行整体点云的配准。首先,以倾斜摄影测量点云和机载激光雷达点云作为源点云(P_s1和P_s2)依次与地基激光雷达目标点云(P_t)采用基于特征RANSAC的算法的粗配准和基于ICP算法的精配准进行点云融合。最后,通过全站仪测得的反射标靶点坐标,将配准后的整体点云转换到地方坐标系中,得到最终的整体点云,如图7所示。

3.2 点云质量精度分析

本次试验结果采用计算中误差的方式来检核精度,以全站仪所测量反射标靶值为真值,与融合后点云坐标进行比对,从而计算中误差。点云平面中误差计算公式为

(8)

m X = ± Δ X) 2 / n m Y = ± Δ Y) 2 / n m = ± (m X) 2 + (m Y) 2

模型高程中误差计算公式为

(9)m_z=±

Δ Z) 2 / n

式中:(ΔX,ΔY,ΔZ)为三维坐标X、Y、Z之间的差值;n为检查点总数。

本次试验共设置5个靶标位置,得到5个平面检查点与高程点,精度统计如表1所示。

由表1可知,5个平面点位的最大差值为0.037 m,均值为0.005 m,中误差为0.048 m;5个高程检查点的最大差值为0.056 m,均值为0.041 m,中误差为0.012 m。满足《三维地理信息模型数据产品规范》中1∶500比例尺精度要求。

3.3 量测结果分析

LNG储罐外部轮廓近似圆柱体,采用分段拟合方法得到图像中心轴并计算倾角。具体步骤如下:①在高度方向(Z轴)上对图像切片39个,如图8所示,从水平截面获取点云数据;②使用最小二乘法^[19]对储罐水平截面的点云数据拟合圆并计算圆截面的半径和圆心,拟合得到圆心坐标如表2所示。最小二乘法拟合公式和损失函数定义为

(10)R²=(x-OX)²+(y-OY)²

(11)Q=∑[(x_i-OX)²+(y_i-OY)²-(x-OX)²-(y-OY)²]²

式中:R为圆截面半径;OX、OY分别为圆心在X、Y轴上的投影;Q为误差平方和(当Q最小时为拟合圆的函数表达式);x_i、y_i分别为横断面点云在X轴和Y轴上的投影。

根据储罐外壁不同高度的横切面,从椭圆形变和中轴线偏移两个方面,描述了储罐的整体形变情况。椭圆度定义为

(12)θ=100(R_max-R_min)/R

式(12)中:θ为椭圆度;R_max、R_min分别为最大和最小半径;R为半径取42 m。

储罐的中轴线被认为是最适合这些圆形中心坐标的直线。中轴线的水平倾斜可以分为它的东分量和北分量。由于原点在高程参考平面的中间,所以在水平方向上不存在偏移。LNG储罐圆心中轴线偏移如图9所示,X、Y分别表示中心点在东部和北部离原点的位移。X值向东偏移为正,Y值向北偏移为正,SD(standard deviation)、MAE (mean absolute error)、RMSE(root mean square error)分别代表标准差、平均绝对误差和均方根误差。

由图9可知,X方向的平均偏差为-1.85 cm。极值范围为-5.49~0.45 cm;Y方向上,平均偏差为1.97 cm,极值范围为-2.9 ~ 8.59 cm。

RMSE高于MAE表明数据存在一些较大的偏差。此外,Y比X表现出更明显的异常点。其中X方向上的斜率为-0.020,倾斜角为1.15°,Y方向斜率为-0.043,倾斜角为2.46°,总的来说,储罐在322°方位角方向上存在2.58°的倾斜变化和2.70 cm的偏差。

在椭圆形变分析中,标高基线定义为储罐与基础支撑桩接触的平面,标高为0 m。从这个基线开始,将整个点云划分为厚度为0.01 m的点云横截面,沿高程增加的方向移动。将步长设置为约1 m,总共提取了39个截面。每个截面都进行了最优椭圆和圆形拟合,从而获得了椭圆的最大和最小半径,以及理论圆半径,储罐外壁椭圆度形变如图10所示。

由图10可知,储罐平均椭圆度为0.053%,最小椭圆度为0.008%,最大椭圆度为0.137%。SD、MAE与均值偏差小说明接近均值的椭圆度分布高度上分布均匀。RMSE略高于MAE说明局部存在大的变异。高度15、31 m处椭圆度可以看出,椭圆度分别为0.137%和0.123%,与平均值0.053%有显著差异。

表3中列出了实测值与规范值对比,LNG储罐椭圆度、倾斜和偏差均满足规范要求,处理建议为对LNG储罐进行定期监测。若其测量值超过规范限值,应当采用加固措施。若由基础不均匀沉降引起变形,可采用注浆加固、增加支撑、液压顶升、重力平衡等措施进行处理。

4 结论

提出了采用非接触式的地基激光雷达、机载激光雷达、无人机和全站仪多种测量方式对LNG储罐外壁进行多源点云数据融合处理的测量方法。以广西液化天然气LNG工程项目为工程依托对LNG储罐外壁完整性进行分析,得到如下结论。

(1)采用提出的非接触式测量LNG储罐外壁分析方法,对发生爆炸和火灾事故的LNG储罐进行监测,结果表明:该LNG储罐在322°方位角方向上存在2.58°的倾斜变化和27 mm的偏差。罐体存在轻微由西北倾的变化趋势。LNG储罐椭圆度和倾斜和偏差均满足规范要求,处理建议为对LNG储罐进行定期监测。若其测量值超过规范限值,应当采用加固措施。例如,采用注浆加固、增加支撑、液压顶升、重力平衡等措施进行处理。

(2) 提出了一种综合多种数据采集技术的LNG储罐外壁分析方法。通过结合全站仪、地基激光雷达、机载激光雷达和机载摄影测量,形成了一个一种考虑空间、角度、颜色的LNG多源点云数据融合的检测技术。采用分段拟合的方法处理LNG罐复杂的几何形状,获得每个切面的中心轴坐标和倾角信息,为分析和评估LNG罐的结构变形提供重要数据。此外,通过绘制偏差统计图,量化了拟合结果的精度,为后续相关工程监测提供借鉴。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	张浦阳, 白宇, 刘洋, 等. 液化天然气混凝土储罐罐壁-环梁节点结构性能试验研究[J]. 工业建筑, 2022, 52(8): 127-131.

[2]	Zhang Puyang, Bai Yu, Liu Yang, et al. The experimental research on hypersonic flow around the double ellipsoid[J]. Industrial Construction, 2022, 52(8): 127-131.

[3]	郭明, 闫冰男, 周腾飞, 等. 激光雷达技术在应县木塔形变分析中的应用[J]. 建筑科学与工程学报, 2020, 37(2): 109-117.

[4]	Guo Ming, Yan Bingnan, Zhou Tengfei, et al. Application of LiDAR technology in deformation analysis of Yingxian Wooden Pagoda[J]. Journal of Architecture and Civil Engineering, 2020, 37(2): 109-117.

[5]	郭明, 齐慧慧, 郭可才, 等. 融合北斗/GNSS定位和5G通讯的地基激光雷达测量系统[J]. 光学精密工程, 2023, 31(4): 450-458.

[6]	Guo Ming, Qi Huihui, Guo Kecai, et al. Ground-based LiDAR measurement system integrating Beidou/GNSS positioning and 5G communication[J]. Optics and Precision Engineering, 2023, 31(4): 450-458.

[7]	吴凌霄, 段祝庚, 江学良. 无人机倾斜摄影测量构建悬索桥三维模型与病害检测——以邵阳市桂花大桥为例[J]. 科学技术与工程, 2023, 23(8): 3153-3161.

[8]	Wu Lingxiao, Duan Zhugeng, Jiang Xueliang. The experimental research on hypersonic flow around the double ellipsoid[J]. Science Technology and Engineering, 2023, 23(8): 3153-3161.

[9]	樊冰, 胡晓宁, 马良, 等. 无人机LiDAR及倾斜摄影测量技术在复杂河道工程测绘中的融合研究[J]. 水运工程, 2023, 48(1): 11-17.

[10]	Fan Bing, Hu Xiaoning, Ma Liang, et al. UAV LiDAR and tilt photogrammetry technology in complex river channels fusion research in engineering mapping[J]. Port and Waterway Engineering, 2023, 48(1): 11-17.

[11]	Deng W, Chen X, Jiang J. A staged real-time ground segmentation algorithm of 3D LiDAR point cloud[J]. Electronics, 2024, 13(5): 841.

[12]	Lee E, Park S, Jang H, et al. Enhancement of low-cost UAV-based photogrammetric point cloud using MMS point cloud and oblique images for 3D urban reconstruction[J]. Measurement, 2024, 226(2): 114158.

[13]	Petras V, Petrasova A, McCarter J B, et al. Point density variations in airborne lidar point clouds[J]. Sensors, 2023, 23(3): 1593.

[14]	杨健, 黄小兵, 李康, 等. 无人机激光雷达技术和倾斜摄影技术在地形测绘中的应用[J]. 北京测绘, 2024, 38(7): 974-979.

[15]	Yang Jian, Huang Xiaobing, Li Kang, et al. Application of UAV airborne LiDAR technology and oblique photogrammetry in topographic mapping[J]. Beijing Surveying and Mapping, 2024, 38(7): 974-979.

[16]	刘慧, 刘宇航, 钟晨. 基于Potree结构的建筑物激光点云与BIM点云的变化检测[J]. 科学技术与工程, 2024, 24(3): 1176-1183.

[17]	Liu Hui, Liu Yuhang, Zhong Chen. Potree based building change detection with BIM to point clouds of lidar[J]. Science Technology and Engineering, 2024, 24(3): 1176-1183.

[18]	徐郡彬, 宋建平, 黄小林, 等. 利用激光与影像融合优化区域古建筑模型的方法[J]. 科学技术与工程, 2025, 25(1): 37-43.

[19]	Xu Junbin, Song Jianping, Huang Xiaolin, et al. Method of optimizing regional ancient architectural models using laser and image fusion[J]. Science Technology and Engineering, 2025, 25(1): 37-43.

[20]	朱旺煌, 刘荣, 龚循强, 等. 基于倾斜摄影测量点云的建筑物单体提取[J]. 科学技术与工程, 2024, 24(30): 12843-12852.

[21]	Zhu Wanghuang, Liu Rong, Gong Xunqiang, et al. Extraction of individual buildings based on point clouds from oblique photogrammetry[J]. Science Technology and Engineering, 2024, 24(30): 12843-12852.

[22]	Guo M, Zhu L, Zhao Y, et al. Intelligent extraction of surface cracks on LNG outer tanks based on close-range image point clouds and infrared imagery[J]. Journal of Nondestructive Evaluation, 2024, 43(3): 84.

[23]	Feng Y Y, Li H, Li C K, et al. 3D modelling method and application to a digital campus by fusing point cloud data and image data[J]. Heliyon, 2024, 10(17): e36529.

[24]	王宗辉, 温世林. 多源数据融合的高层建筑物三维建模研究[J]. 科技资讯, 2024, 22(5): 5-9.

[25]	Wang Zonghui, Wen Shilin. Research on the 3D modeling of high-rise buildings based on multi-source data fusion[J]. Science and Technology Information, 2024, 22(5): 5-9.

[26]	杜世立, 付贵, 陶嘉, 等. 多源数据融合的三维建模技术研究[J]. 淮阴工学院学报, 2023, 32(3): 78-87.

[27]	Du Shili, Fu Gui, Tao Jia, et al. The experimental research on hypersonic flow around the double ellipsoid[J]. Journal of Huaiyin Institute of Technology, 2023, 32(3): 78-87.

[28]	黄北生, 王云凯. 基于多源数据融合的复杂区域文物三维重建应用[J]. 北京测绘, 2023, 37(1): 43-47.

[29]	Huang Beisheng, Wang Yunkai. 3D reconstruction of complex regional cultural relics based on multi-source data fusion[J]. Beijing Surveying and Mapping, 2023, 37(1): 43-47.

[30]	陈立家, 王莹涛, 王凯, 等. 一种多源数据融合的虚拟港口三维重建方法[J]. 武汉理工大学学报, 2024, 48(6): 1-12.

[31]	Chen Lijia, Wang Yingtao, Wang Kai, et al. A 3D reconstruction method of virtual port with multi-source data fusion[J]. Journal of Wuhan University of Technology, 2024, 48(6): 1-12.

[32]	曲宏辉, 于见丽, 王正茂. 全站仪拟合圆测立木直径方法研究[J]. 林业调查规划, 2024, 49(6): 6-9.

[33]	Qu Honghui, Yu Jianli, Wang Zhengmao. Method of measuring tree diameter by fitting circle with total station[J]. Forest Inventory and Planning, 2024, 49(6): 6-9.

[34]	国家能源局.低温液化气储罐混凝土结构设计和施工规范: SY/T 7304—2016[S]. 北京: 石油工业出版社, 2016.

[35]	National Energy Administration.Code requirements for design and construction of concretes structures for the containment of refrigerated liquedied gases: SY/T 7304—2016[S]. Beijing: Petroleum Industry Press, 2016.

[36]	住房和城乡建设部.液化天然气接收站工程设计规范: GB 51156—2015[S]. 北京: 中国计划出版社, 2015.

[37]	Ministry of Housing and Urban-Rural Development.Code for design of liquefied natural gas receiving terminal: GB 51156—2015[S]. Beijing: China Planning Press, 2015.