用于分配测量数据内特定的感兴趣类别的方法与流程

本发明涉及用于测量和/或度量(尤其是地面测量、机载测量、移动测绘、全站仪测量、地面激光扫描、坐标测量机测量、激光跟踪仪测量、铰接臂测量以及三角测量传感器测量)的方法和系统，用以分别根据权利要求1和权利要求8分配测量数据内的特定类别。

背景技术：

在测量数据的一般分类领域中，原始数据(例如，点云数据、成像数据(2d或3d)、多光谱数据、雷达数据、激光雷达数据、全站仪数据或来自激光跟踪仪的数据)被转换成更高级别的几何和语义表达，例如，用于表面重建、几何拟合、3d建模(尤其是表面网格化)、参数化2d或3d基元的拟合、选择性处理、数据抽取、数据可视化、基准测试和/或对象检测或识别。

测量数据内的感兴趣目标通常被分类为语义和几何目标类别，和可能的分级子类别，例如

ο语义目标类别

·地形：人造的或自然的

·植被：高(树)或低(灌木)

·硬景观：建筑物、汽车以及其余对象，例如其中建筑物可以由墙壁、屋顶、阳台、窗口、门等构成

·应用特定类别：工件、产品、工具等

·用于过滤和/或数据缩减的类别，例如，用于自动滤除不需要的点的类别，如扫描由移动的对象或植物造成的可能与施工项目无关的人为因素，

ο几何目标类别

·轮廓线(“折线”)，即，表面的曲率半径小的线性特征，即，沿着该轮廓线，下表面的取向(“法向向量”)表现出独特的不连续性

·平坦表面

·具有预定义几何形状的对象(例如类似于光柱的长垂直圆柱体)。

例如，点云分类可以基于由点或区域式特性构成的特征向量，例如

ο局部邻域中的几何形状，其例如基于邻域中的结构张量的协方差矩阵和/或矩的特征值/特征向量指示如平面性、曲率、线性度、取向和/或粗糙度的特性

ο高度信息，诸如垂直范围、距地面/天花板的高度等

ο强度和/或颜色及其变化。

例如，对图像数据的分类可以基于由局部、区域式或全局特性构成的特征向量，例如

ο定向梯度直方图或密集sift特征(尺度不变特征变换)

οhaar式特征

οbag-of-words特征

ο基于图像过分割的图像特征。

尤其是在深度学习的机器学习框架中，例如基于卷积神经网络，从训练数据中自动提取特征和分类规则。

测量数据中这些类别和子类别的分配仍然需要耗费时间的过程以及人眼和人的判断。为了尝试通过计算机实现的解决方案来自动化这种分配过程，面临许多计算挑战。

通常所采集的数据是非结构化的，并且随着点密度的强烈变化(例如，在3d点云中)而高度不均匀，该点密度的强烈变化是由于点密度随着到点云获取装置的距离的二次减小，以及激光/光强度随着距离的降低，以及落在检测阈值以下的点或者以降低的准确度(低s/n)获取的点而引起的。在扫描数据集中，特定的扫描模式可以沿x、y、z方向以不同的扫描点间隔来使用，或者数据集可能由于遮挡而不完整。

在图像数据的情况下，对象外观的变化性同样可能非常高。例如，对象外观取决于观察方向、到对象的距离、图像分辨率、照明条件以及图像传感器特性。此外，与3d点云相比，图像上的对象的绝对尺度没有被定义。

因此，需要描述短程、中程和远程语义和几何特性(例如还包括取向和高度信息)的多尺度分类特征，并且计算算法需要处理不均匀和不完整的数据集。而且，由于需要处理数千万至数亿个数据点或图像像素，所以需要高效的算法(例如实现并行计算)和大数据存储。

存在许多具有不同的类别定义的应用程序。例如，对于一个应用程序，将点云分为三类(例如“人造”、“植被”和“地形”)可能就足够了，而另一个应用程序可能需要将植被分解为单独的类别“树”、“灌木”等。

还有，为了减少数据，只具有一些选择性的类别可能就足够了，例如在简单的情况下，仅基于两个类别(即“要保留的数据点”和“要滤除的数据点”)来过滤数据集。

而且，如果在不同的地方以及一年中的不同季节记录数据，则对象可能看起来不同。例如，由于亚洲的建筑物可能与欧洲的建筑物看起来有很大的不同，所以纯粹基于在欧洲获取的数据进行训练的分类器在世界其它地区可能效果不佳。

因此，需要与手动分类步骤有关的很大努力(例如手动数据过滤和手动数据分配)。另一方面，这些正在进行的努力可以被有利地用作基于机器学习的创造性分类和/或训练工作流程的出发点。

机器学习算法的应用允许自动化分类测量数据过程中的不同过程。基于一般机器学习(ml)的子类别的这种分类框架与基于规则的编程相比提供了用于模式识别的非常有效的“学习方法”。机器学习算法可以处理高复杂度的任务，利用隐式或显式的用户反馈(从而变得自适应)，并提供分类的“每点”概率。这节省了时间，降低了处理成本并减少了手动工作量。

在所谓的“受监督的ml”中，算法根据用户在标记训练数据时所做的定义来隐式地学习哪些表征特性(即特征的组合)定义了点的目标特性(诸如类别成员、与轮廓线的关系等)。

另一方面，在所谓的“无监督的ml”中，该算法例如单独基于数据或者借助于附加信息(例如基于特定分类器或一组分类器的类别特定(先验)模型)来找出未标记的数据中的隐藏结构。这也被称为“聚类”或“分割”，并且涉及基于内在相似性或距离的某一度量将测量数据的点分成多个类别。

概率分类算法还使用统计推断来找出给定实例的最佳类别。概率算法不是简单地针对每个实例确定一个“最佳”类别，而是提供该实例是每个可能类别的成员的概率，其中通常选择具有最高概率的一个类别。与非概率算法相比，这具有多个优点，即，关联置信度值以对其选择进行加权，并因此提供当其置信度值太低时放弃选择的选项。

然而，机器学习算法的使用需要大量的训练数据。在受监督的机器学习的情况下，标记信息(即，将对象类别分配给数据)也是必要的。数据采集、准备和标记需要花费大量的精力和时间。

总而言之，在实践中难以使用一个预先训练好的分类器来处理大量不同的应用、类别的定义、对象的外观等。

即使随着计算能力和数据存储的提升，自动分配测量数据内特定的感兴趣类别所需的高复杂度也将传统方法(诸如基于规则的计算方法)推到它们的极限，并且仍然需要高度的人机交互。

技术实现要素：

因此，本发明的一个目的是改进在测量和/或度量中用于分配测量数据内的感兴趣类别的过程，尤其是通过改进当前工作流程和/或通过启用新的工作流程和应用。

一个特定目的是在分类算法中改进对分类器的训练，其中，训练是基于机器学习的。

另一个目的是降低自动分类的错误率，尤其是提高对象检测率、减少虚假警报和/或减少人为干预的需要。

这些目的通过实现独立权利要求的特征来实现。在从属权利要求中描述了以替代或有利方式进一步开发本发明的特征。

本发明涉及用于分配测量数据内的感兴趣类别的测量和/或度量用方法，该方法包括针对至少一个测量对象采集测量数据(尤其是成像数据、多光谱数据、雷达数据、激光雷达数据以及点云数据中的至少一个)，所述至少一个测量对象至少部分地通过所述测量数据获取；以及通过分类算法对测量数据进行分类，该分类算法用于基于所述测量数据和分类模型将所述至少一个测量对象(由测量数据的单个数据点或多个测量点表示)分配给测量数据内的第一感兴趣类别，所述分类模型至少包括所述第一感兴趣类别。

例如，该方法可应用于地面测量、机载测量、移动测绘、全站仪测量、地面激光扫描、坐标测量机测量、激光跟踪仪测量、铰接臂测量或三角测量传感器测量；其中测量数据可以包括地面穿透雷达数据、点云数据(例如由激光雷达测量产生或由图像数据生成)、来自2d照相机或3d照相机的多光谱成像数据、来自激光跟踪仪、激光雷达扫描仪的数据等。

测量对象可以是具有特定的特性(例如特定的多光谱或电响应)的物理的2d或3d对象(例如特定表面、景观、工件、反射器或工具)，其中测量对象可以通过测量数据的单个数据点或多个测量点来获取。此外，测量数据可以包括仅来自一个对象的信息，例如，整个对象被获取或者仅仅是对象的子部分，或者数据可以包括关于多个不同对象的信息，以及未被预见用于分类的背景数据。

根据本发明，通过提供反馈数据的反馈过程来处理至少一个测量对象到测量数据内的第一感兴趣类别的分配，所述反馈数据包括以下中的至少一个：用于将测量对象分配给第一感兴趣类别的验证信息，尤其是确认分配、拒绝分配以及警告中的至少一个，尤其是如果分配是错误的或不确定的；关于所述测量对象到所述第一感兴趣类别的分配的变化信息，尤其是将所述分配去除和重新分配到第二感兴趣类别中的至少一个；新感兴趣类别的定义，例如通过把现有的类别合并成一个新的类别，或者通过把现有的类别拆分成新的类别，或者通过修改现有的类别来从头开始定义一个新的类别；用于从分类模型中去除一感兴趣类别的指令；要用于分类的测量数据的第一选择；以及识别针对进一步处理要忽略的测量数据的第二选择；其中所述反馈数据被提供给训练过程，所述训练过程基于机器学习算法，例如，依靠深度学习进行受监督学习和/或无监督学习，并提供用于分类模型的更新信息。

尤其是，利用本发明的方法，适合的训练数据可以利用每个测量任务来采集和准备，尤其是减少数据存储、开销时间以及错误分类，这导致用于宽泛范围的不同应用的大量分类器的更准确分类和更有效训练。

反馈过程可以接近实时执行，例如，在借助于作为测量装置的一部分(整体或外部)的反馈单元进行测量的过程中，或者反馈过程可以离线执行，例如，在专用反馈工作步骤中，例如利用安装在计算机上的专用软件工具。

在特定实施方式中，基于以下中的至少一个来提供反馈数据：尤其是由用于采集测量数据的测量装置的操作员和/或通过用于处理测量数据的软件借助于反馈过程提供的显式反馈；以及尤其基于用于采集测量数据的测量装置的系统设置(尤其是其中，所述系统设置由测量装置的操作员定义)、测量数据的质量评估(尤其是通过分类单元的控制和评价功能进行的自动质量评估)以及作为分配的确认的显式反馈的缺少的解释中的至少一个的隐式反馈。

例如，分类单元的控制和评价功能可以由与测量装置集成于一体的显示器和触发键、外部操作装置的触摸屏或用于专用办公软件的输入选项来提供。

在另一实施方式中，反馈过程由提供分类的状态信息的通知功能来支持，所述通知功能尤其包括以下中的至少一个：分配完成时的通知、分类失败时的通知以及关于分配的质量评估，例如，如果分配不确定则发出警告，可能会有关于不确定性的程度或不确定性的原因的指示。

例如，对于特征空间内的边界线情况可能会出现不确定性，例如，其中(基于在计算特征向量时给定的不确定性，尤其是当对象位于特征空间中的边界线附近或边界线上时)对象具有被分配给多个类别的相似的概率。在这种情况下，如果反馈过程在继续处理之前自动要求明确的用户反馈，则可能会更有用。

通知功能可以基于以下中的至少一个：状态信息的视觉表示(尤其是利用针对被分配给不同的感兴趣类别的测量数据的子样本定义的颜色编码和/或通过文本消息呈现在显示器上的测量数据的视觉表示)以及状态信息的声音通知(尤其是音频代码或语音信号)，尤其是其中通知功能触发反馈过程。

例如，反馈过程可以包括清单、功能图、示意图或图像(例如被测量的场景的2d或3d图像)的可视化，其中特定类别的对象由专用颜色突出显示。

例如，当分类已经完成或失败时，声音通知可以是音频信号或音频代码(诸如单个蜂鸣声信号或者一系列蜂鸣声信号)，或者声音通知可能更复杂，例如，给出关于分类状态(例如“点已存储”)的详细信息和/或给出关于分类结果的附加信息(例如“消防栓-点已存储”)的语音信号。例如，通过还指示分类结果(“消防栓”)，如果分类不正确，用户可以立即采取行动。

基于通知，用户然后可以通过测量装置的输入装置、与测量装置相关联的操作装置、或者在计算机上运行的专用办公软件的输入选项来查看分类。

当反馈过程由通知功能触发时，例如可以在完成分配选项之后为操作员提供定义的时间窗口以输入反馈，其中不这样做被解释为确认分配，或者可能触发输入请求，要求用户在将数据发送到训练过程之前确认分类。

在特定实施方式中，训练过程适用于以下中的至少一个：处理由多个测量数据的分类所提供的反馈数据，尤其是其中由多个测量装置采集的多个测量数据；以及处理提供给训练过程的附加数据，尤其是包括数字建筑物模型(尤其是cad模型)、数字测绘数据、卫星数据、成像数据和覆盖区数据中的至少一个的附加数据。

因此，许多运营商(例如在测量室工作的测量师)可以在其日常工作中为分类模型的分类器的改进做出贡献，并且在更新其测量仪器上的分类单元或办公软件之后，他们所有人都将受益于改进的分类器。

在另一实施方式中，用于分类模型的更新信息可供多个分类算法使用，尤其是在具有定义的对更新信息的访问和定义的更新过程的多个分类单元上运行的分类算法。

例如，改进的分类器可以被存储并在中央数据库上共享(例如，在“分类器应用商店”的意义上)，其中对特定分类器的访问可以基于特定更新间隔、特定测量应用的用户组、测量位置或测量时间，其中可以自动执行更新，或者其中测量装置的操作员可以从中央数据库为特定测量任务下载所需模型。

尤其是，可以从因以下中的至少一个而彼此不同的一组不同模型中提供分类模型：区域特定分类参数；区域特定感兴趣类别；时间特定分类参数；时间特定感兴趣类别；应用特定分类参数；以及应用特定感兴趣类别；其中所述分类模型基于与测量数据的采集相对应的时间信息、位置信息和应用信息中的至少一个来提供，所述采集尤其通过采集(尤其是用于分类季节性植被、区域特定植被以及区域特定基础设施(尤其是建筑类型)中的至少一个的)全球定位系统的附加数据来提供。

分类性能高度依赖于要分类的测量数据的类型和特征。因此，需要在不同的算法和不同的分类参数集之间进行选择。例如，分类可以基于以下中的至少一个：基于语义属性的感兴趣类别，尤其是基于地形、植被和硬景观中的至少一个；基于几何属性的感兴趣类别，尤其是基于平坦表面、折线和3d基元中的至少一个；线性分类，尤其是基于fisher线性判别式、逻辑回归，朴素贝叶斯分类器或感知器；支持向量机，尤其是最小二乘支持向量机；二次分类器；核估计，尤其是k-最近邻；boosting算法；决策树，尤其是基于随机森林的决策树；深度学习，尤其基于神经网络，尤其是卷积神经网络；以及学习向量量化。

本发明还涉及一种用于分配测量数据内的感兴趣类别的测量和/或度量用系统，该系统包括：具有数据采集单元的测量装置，该数据采集单元用于针对至少一个测量对象采集测量数据(尤其是成像数据、多光谱数据、雷达数据、激光雷达数据和点云数据中的至少一个)，所述至少一个测量对象至少部分地通过所述测量数据获取；以及分类单元，该分类单元用于通过分类算法执行测量数据的分类，所述分类算法用于基于可供分类单元使用的测量数据和分类模型将所述至少一个测量对象分配给所述测量数据内的第一感兴趣类别，所述分类模型至少包括所述第一感兴趣类别。

根据本发明，该系统还包括用于通过反馈过程处理分配的反馈功能，所述反馈过程提供反馈数据，该反馈数据包括以下中的至少一个：用于将测量对象分配给第一感兴趣类别的验证信息，尤其是确认分配、拒绝分配以及警告中的至少一个，尤其是如果分配是错误的或不确定的；关于所述测量对象到所述第一感兴趣类别的分配的变化信息，尤其是将所述分配去除和重新分配到第二感兴趣类别中的至少一个；新感兴趣类别的定义，尤其是通过修改现有类别、将现有类别拆分成至少两个新的类别、以及将多个现有类别合并成新的类别中的至少一个；用于从分类模型中去除一感兴趣类别的指令；要用于分类的测量数据的第一选择；以及识别针对进一步处理要忽略的测量数据的第二选择；其中所述反馈数据被提供给包括训练过程的训练单元，所述训练过程基于机器学习算法并提供所述分类模型的更新信息。

在该系统的特定实施方式中，尤其是由用于采集测量数据的测量装置的操作员和/或通过用于处理测量数据的软件基于借助于反馈功能的显式反馈中的至少一个来提供反馈数据；以及尤其基于测量装置的系统设置(尤其是其中，所述系统设置由测量装置的操作员定义)、测量数据的质量评估(尤其是通过分类单元的控制和评价功能进行的自动质量评估)以及作为分配的确认的显式反馈的缺少的解释中的至少一个的隐式反馈。

另一实施方式涉及一种系统，其中反馈过程由提供分类的状态信息的通知功能支持，尤其包括分配完成时的通知、分类失败时的通知以及关于分配的质量评估中的至少一个，其中所述通知功能基于以下中的至少一个：状态信息的视觉表示(尤其是在显示器上的测量数据的视觉表示，利用针对被分配给不同的感兴趣类别的测量数据的子样本定义的颜色编码和/或通过文本消息)；以及状态信息的声音通知(尤其是音频代码或语音信号)；尤其是其中所述通知功能触发反馈过程。

在另一实施方式中，训练过程适用于以下中的至少一个：处理由多个测量数据的分类所提供的反馈数据，尤其是其中由多个测量装置采集的多个测量数据；以及处理提供给训练过程的附加数据，尤其是包括数字建筑物模型(尤其是cad模型)、数字测绘数据、卫星数据、成像数据和覆盖区数据中的至少一个的附加数据。

在特定实施方式中，该系统的特征在于，用于分类模型的更新信息可供多个分类算法使用，尤其是在具有定义的对更新信息的访问和定义的更新过程的多个分类单元上运行的分类算法。

还一实施方式涉及一种具有分类模型的系统，从因以下中的至少一个而彼此不同的一组不同模型中提供所述分类模型：区域特定分类参数；区域特定感兴趣类别；时间特定分类参数；时间特定感兴趣类别；应用特定分类参数；以及应用特定感兴趣类别；其中所述分类模型基于与测量数据的采集相对应的时间信息、位置信息和应用信息中的至少一个来提供，所述采集尤其通过采集(尤其是用于分类季节性植被、区域特定植被以及区域特定基础设施(尤其是建筑类型)中的至少一个的)全球定位系统的附加数据来提供。

尤其是，分类可以基于以下中的至少一个：基于语义属性的感兴趣类别，尤其是基于地形、植被和硬景观中的至少一个；基于几何属性的感兴趣类别，尤其是基于平坦表面、折线和3d基元中的至少一个；线性分类，尤其是基于fisher线性判别式、逻辑回归，朴素贝叶斯分类器或感知器；支持向量机，尤其是最小二乘支持向量机；二次分类器；核估计，尤其是k-最近邻；boosting算法；决策树，尤其是基于随机森林的决策树；深度学习，尤其基于神经网络，尤其是卷积神经网络；以及学习向量量化。

附图说明

下面仅通过示例的方式参照附图中示意性示出的工作示例对根据本发明的方法和系统进行更详细地描述或说明。具体地，

图1：用于分类过程的示例性图示，这里是在建造或建筑测量领域；

图2：在不同测量位置采集待分类的实际测量数据并且为分类模型的训练过程提供反馈信息和反馈数据的本发明方法的示例性图示；

图3a至图3d：数据采集单元、分类单元、反馈单元和训练单元的不同布置的示意性实施方式。

附图的图不应被认为是按比例绘制的。在适当的情况下，相同的附图标记用于相同的特征或具有类似功能的特征。

具体实施方式

图1示出了用于分类过程的示例性图示，这里是在建造或建筑测量领域，其中例如由地面激光雷达扫描系统或摄影测量重建系统记录的场景的原始测量数据(这里是点云1)用以下类别进行分类：几何类别(例如，边缘线2、边界线3或矩形窗框4)；以及语义类别和子类别(例如，窗户5、屋顶6、植被(例如被分成(高)树7a和(低)灌木7b))，以便将初始点云1转换成点云的较高级表示100，例如，用于提取更多信息或用于监视目的。

测量数据内的类别和子类别的自动分配(例如，点云1)通常需要耗时的准备过程，尤其是用于定义专用的分类参数，例如，用于计算由给定分类场景特有的点或区域式特性构成的特征向量，例如，局部邻域中的几何形状、取向或曲率/粗糙度、结构张量的协方差矩阵和矩的特征值/特征向量、强度和颜色变化等。

测量数据内的待分类的对象和感兴趣类别也可以针对不同的应用而变化。此外，通常需要对对象或轮廓线进行初始粗略分类，其中在许多情况下，人眼和人的判断仍然是识别测量数据内的对象的最佳方案。

测量数据内的感兴趣目标通常被分类为语义和几何目标类别，和可能的分级子类别，例如，“人造”或“自然地形”、“高”(树)或“低”(灌木)“植被”、轮廓线(即下表面的取向(法向向量)沿其表现出独特的不连续性的线性特征)、平坦表面或2d或3d基元(诸如圆形、圆柱形、椭圆形)等。

机器学习算法的应用允许自动化分类测量数据过程中的不同过程。基于一般机器学习(ml)的子类别的这种分类算法与基于规则的编程相比提供了用于模式识别的非常有效的自适应“学习方法”。机器学习算法可以处理高复杂度的任务，利用隐式或显式的用户反馈，并提供分类的“每点”概率。这节省了时间，降低了处理成本并减少了准备工作量。

然而，机器学习算法的使用需要大量的训练数据。在受监督的机器学习的情况下，标记信息(即，将对象类别分配给数据)也是必要的。因为具有可变分类参数和感兴趣类别的不同应用的复杂性和宽范围，所以数据采集、准备以及标记需要极大的努力。

此外，为了选择合适的训练数据，采集大量的盈余数据，经常将数据处理和数据存储推向极限。现代测量装置能够每天采集tb的数据。瓶颈在于将数据从测量装置发送到例如在互联网上运行的服务。因此，基于分类反馈直接在测量装置上进行数据缩减(即去除不相关的数据或不含附加信息内容的数据)是有利的。一个示例是扫描可能由数千个扫描点表示的平坦墙壁，而只有少数数据点和参数对于定义墙壁的位置、取向和尺寸是必需的。

图2示出了本发明的一个具体构思，这里是在利用多个激光扫描仪8、8'进行测量的领域中，为了改善训练数据的提供，其中，采集适合的训练数据和用于训练过程(尤其是对于基于机器学习的训练过程)的分类反馈与每个实际测量数据的采集和分类并行地获取。因此，许多运营商(例如在测量室工作的测量师)可以在其日常工作中为分类模型的分类器的改进作出贡献，并且在更新其测量仪器上的分类单元或办公软件(例如，在分类器的“基于人群的训练”的意义上)之后，他们所有人都将受益于改进的分类器。

例如，多个激光扫描仪8、8'用于在不同的测量位置9、9'采集测量数据。测量数据根据具有预定义的感兴趣类别和归因分类参数的分类模型通过分类算法被自动分类。自动分类结果和测量数据然后通过反馈过程进行验证或修改(显式地，例如，通过操作员反馈，和/或隐式地，例如，通过作为分配的确认的显式反馈的缺少的解释)，并且来自反馈过程的反馈数据(例如，包括经验证或修改的分类信息和部分测量数据)被提供给(例如存储在中央服务器11上的)训练算法，以在训练过程中用作训练数据，从而为感兴趣类别提供改进的分类器。

具有预定义的感兴趣类别以及所属的分类参数的分类模型10也可以存储在中央服务器11上，并且可供激光扫描仪8、8'的分类单元(例如，集成到激光扫描仪8、8'上和/或存储在激光扫描仪8、8'的外部装置(例如用于操作激光扫描仪8的专用平板装置12)上的分类单元)使用。

另选地，分类模型可以存储在用于分类由激光扫描仪8、8'采集的测量数据的专用办公软件中，或者可以将由激光扫描仪8、8'采集的测量数据发送到中央服务器11，并且分类可以仅在中央服务器11上执行。

为了提供对分类结果的反馈，可以为激光扫描仪8、8'的操作员(或办公室中使用包含分类算法的专用办公软件并被提供有激光扫描仪8、8'的测量数据的离线工作人员)提供视觉辅助(例如借助于平板装置12或办公软件)和/或听觉辅助。例如，可以向用户通知分类结果，例如在仪器屏幕、音频输出13(例如“井盖-点测量”)、led颜色指示器等上。在分配不正确的情况下，用户则可以手动将正确的类别分配给测量点，例如，通过使用激光扫描仪8、8'上的触发键、平板装置12的触摸屏，或专用办公软件的输入选项。

尤其是，反馈过程可以进一步由通知功能(例如，分类已完成的声音通知13，例如，给激光扫描仪8、8'的操作员提供在限定的时间窗内提供反馈的选择，其中不这样做被解释为对分配的确认)来触发。

通过使用来自多个反馈过程的反馈数据(即考虑专用应用和环境的反馈，例如，考虑多种不同的工件、一天中的时间、白天和夜间测量、一年中的特定部分、日期或季节、全球位置、诸如经度和纬度的粗略位置、或气候区)，专用分类器的训练得以改进，尤其是通过机器学习算法进行的训练。

改进的分类器然后可供专用分类算法使用并分发给专用分类算法，例如，在需要特定分类器(诸如用于西欧和北美基础设施的分类器与用于亚洲基础设施的分类器、基于季节(例如夏季与冬季)和位置(例如冷杉森林与橡木森林)的分类器)的测量室内的专用测量仪器和测量软件上。

例如，改进的分类器可以(例如，在“分类器应用商店”的意义上)被存储在中央数据库上，其中对特定分类器的访问可能受到限制(例如基于用户群)，其中，测量装置的操作员可以从中央数据库为特定的测量任务下载所需的分类模型。

另选地，测量仪器(这里是激光扫描仪8、8')可以被提供有关应用或测量任务的信息和/或时间和/或位置数据(例如，从全球定位系统14或由操作员手动输入)，基于这些自动地从中央数据库检索具有区域特定、时间特定和/或应用特定的分类器的专用分类模型。

根据本发明，针对数据采集单元、分类单元、反馈功能和训练单元，各种实现和布置是可能的。图3a至图3d示意性地示出了不同实现的选择。

图3a示出了其中利用第一测量装置80a的数据采集单元15来采集测量数据的实施方式。基于可供分类单元16使用的测量数据和分类模型，执行第一分类，即(由测量数据的多个测量点或者单个测量点定义的)对象被自动分配给由分类模型给出的感兴趣类别，例如“井盖”。

向用户通知分类结果(例如在仪器屏幕、音频输出、led颜色指示器等上)。用户然后(隐式地或者显式地)借助于生成反馈数据的反馈单元17提供关于分类的反馈，例如，用户可以确认分类结果、改变结果、定义新的感兴趣类别、删除感兴趣类别，以及选择将用于未来分类和/或训练的测量数据的子样本。

反馈数据被发送到训练单元18，例如，存储在外部服务器110上，在那里根据基于机器学习的训练过程对分类器进行训练和改进。

然后将改进的分类模型(即，包括一个改进的分类器或一组改进的分类器)发送到一组定义的测量装置80a、80b、80c、80x(未示出)用于更新它们的分类算法。

另选地或另外地(未示出)，改进的分类模型可以被推广到(例如，存储在专用计算机或中央服务器上)用于分类数据的软件产品。

图3b示出了其中由第一测量装置81a的数据采集单元15来采集测量数据的实施方式。基于存储在与第一测量装置81a一体集成的分类单元16中的测量数据和分类模型，基于分类模型执行第一分类(即，将对象自动分配给感兴趣类别，例如，“井盖”)。

测量数据和第一分类结果被发送到包括反馈单元17(例如，诸如leicainfinity的专用软件产品)的计算机120，其中用户(例如，诸如测量装置81a的操作员的在线用户或办公室中的离线用户)提供关于分类的反馈，该反馈为训练单元18(这里存储在同一计算机120上)创建反馈数据。

然后，具有改进的分类器的改进的分类模型被发送到一组定义的测量装置81a、81b、81c、81x(未示出)用于更新它们的分类算法，和/或改进的分类模型可以被进一步提供给(例如存储在专用计算机或中央服务器上)用于分类数据的专用软件产品(未示出)。

图3c示出了其中测量数据由测量装置82(例如，不具备分类功能的通用测量装置)的数据采集单元15生成的实施方式。测量数据被导入到专用软件产品(例如leicacyclone软件)中，该专用软件产品存储在计算机121上，并且具有用于基于分类模型对测量数据进行分类的自动分类功能16。这里，该软件还包括反馈功能17和训练功能18，其中用户(例如办公室中的离线用户)借助反馈功能17提供隐式或显式反馈，该反馈功能17为软件的训练功能18创建反馈数据。

然后，具有改进的分类器的改进的分类模型可供软件产品的分类部分16使用，并被发送到具有分类功能16的一组定义的测量装置83a、83b、83x(未示出)用于更新它们的分类算法，和/或改进的分类模型可以进一步推广到不同计算机上的不同软件产品(未示出)。

图3d示出了其中测量数据由测量装置84(例如，不具备分类功能的通用测量装置)的数据采集单元15生成的实施方式。测量数据被发送到第一计算机122a上，该第一计算机122a包括具有自动分类功能16(基于分类模型)和提供反馈数据的反馈部分17的专用软件产品(例如leicacyclone)。然后反馈数据被提供给训练过程(这里例如存储在中央服务器111上)，用于训练分类器并提供改进的分类模型。

然后，将改进的分类模型作为更新从中央服务器111分发到安装在不同计算机122a、122b、122c、122x(未示出)上的软件产品的一组实例，和/或改进的分类模型可以例如被进一步提供给具有分类功能的一组测量装置(未示出)。

虽然上面已经例示了本发明，但是部分参考一些优选实施方式，必须理解，可以进行实施方式的不同特征的许多修改和组合。所有这些修改都在所附权利要求的范围内。