基于煤尘对激光雷达电磁波散射和吸收效应的点云数据增强方法

doi:10.11772/j.issn.1001-9081.2025010085

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (1): 331-340.DOI: 10.11772/j.issn.1001-9081.2025010085

• 前沿与综合应用 • 上一篇

基于煤尘对激光雷达电磁波散射和吸收效应的点云数据增强方法

李世伟¹, 周昱峰¹, 孙鹏飞¹, 刘伟松², 孟竹喧², 廉浩杰¹()

^1.原位改性采矿教育部重点实验室（太原理工大学），太原 030024
^2.中国人民解放军军事科学研究院，北京 100091

收稿日期:2025-01-22 修回日期:2025-03-21 接受日期:2025-03-27 发布日期:2026-01-10 出版日期:2026-01-10
通讯作者: 廉浩杰
作者简介:李世伟（1999—），男，山西晋城人，硕士研究生，主要研究方向：深度学习
周昱峰（2003—），男，山西运城人，硕士研究生，主要研究方向：深度学习
孙鹏飞（1997—），男，山西运城人，硕士研究生，主要研究方向：深度学习
刘伟松（1993—），男，山东济宁人，助理研究员，博士，主要研究方向：信息评估、数值计算
孟竹喧（1990—），女，吉林白山人，助理研究员，博士，主要研究方向：信息评估、数值计算
基金资助:
国家自然科学基金资助项目(52274222)

Point cloud data augmentation method based on scattering and absorption effects of coal dust on LiDAR electromagnetic waves

Shiwei LI¹, Yufeng ZHOU¹, Pengfei SUN¹, Weisong LIU², Zhuxuan MENG², Haojie LIAN¹()

^1.Key Laboratory of In-situ Property-improving Mining of Ministry of Education （Taiyuan University of Technology），Taiyuan Shanxi 030024，China
^2.Academy of Military Science，Beijing 100091，China

Received:2025-01-22 Revised:2025-03-21 Accepted:2025-03-27 Online:2026-01-10 Published:2026-01-10
Contact: Haojie LIAN
About author:LI Shiwei， born in 1999， M. S. candidate. His research interests include deep learning.
ZHOU Yufeng， born in 2003， M. S. candidate. His research interests include deep learning.
SUN Pengfei， born in 1997， M. S. candidate. His research interests include deep learning.
LIU Weisong， born in 1993， Ph. D.， assistant research fellow. His research interests include information assessment， numerical computation.
MENG Zhuxuan， born in 1990， Ph. D.， assistant research fellow. Her research interests include information assessment， numerical computation.
Supported by:
National Natural Science Foundation of China(52274222)

摘要/Abstract

摘要：

当前的三维目标检测模型大都基于数据驱动的深度学习技术，因此数据集的质量对模型的性能至关重要。针对煤尘环境数据集缺失和建立真实煤尘环境数据集费时费力的问题，提出一种基于煤尘对激光雷达（LiDAR）电磁波散射和吸收效应的点云数据增强方法。该方法针对煤尘粒子的光学特性，构建LiDAR电磁波在煤尘中的传播仿真模型，从而模拟LiDAR信号在煤尘环境中的衰减与散射；然后，在晴朗环境下采集的真实点云数据基础上，基于仿真模型对点云的三维坐标和反射强度进行修正，从而生成符合煤尘环境感知特性的仿真点云数据；最后，在增强后的仿真数据集上训练并测试5种主流三维目标检测模型（PV-RCNN++、PV-RCNN、PointRCNN、PointPillars和Voxel_RCNN_Car）。结果表明，所提方法让这5种检测模型在煤尘环境下的检测精度均有所提升，其中模型复杂度最高的PV-RCNN模型在汽车、行人和骑行者类别上的中等难度表现分别提高了1.88、1.74和0.84个百分点。可见，在煤尘环境中，相较于在晴朗条件下训练的模型，使用增强后的点云数据训练的目标检测模型的检测精度有显著提升，能更可靠地感知露天矿复杂环境，为无人驾驶矿车的稳定运行提供了数据支撑。

关键词: 无人驾驶矿车, 激光雷达, 三维点云, 数据增强, 物理仿真, 目标检测

Abstract:

Current 3D object detection models are predominantly based on data-driven deep learning techniques， so that dataset quality plays a pivotal role in model performance. Aiming at the scarcity of coal dust environment data and the time-consuming and labor-intensive construction process of real-world datasets， a point cloud data augmentation method was proposed on the basis of scattering and absorption effects of coal dust on Light Detection and Ranging （LiDAR） electromagnetic waves. In the method， by considering the optical characteristics of coal dust particles， a propagation simulation model of LiDAR electromagnetic waves was built to characterize LiDAR signal attenuation and scattering phenomena in coal dust environment. Secondly， based on real point cloud data acquired under clear weather conditions， 3D coordinates and reflection intensities were adjusted via the simulation model， so as to generate simulated point cloud data that conforms to the perception characteristics of coal dust environment. Finally， five mainstream 3D models （PV-RCNN++， PV-RCNN， PointRCNN， PointPillars， Voxel-RCNN_Car） were trained and tested on the augmented dataset. The results demonstrate that the proposed method improves the detection precision of these five detection models in coal dust environment. For the most complex model， PV-RCNN， improved performance is 1.88， 1.74， and 0.84 percentage points in the car， pedestrian， and cyclist categories， respectively. It can be seen that in comparison with models trained in clear weather conditions， using the augmented point cloud data to train object detection models improves detection precision in coal dust environment significantly， so as to enable more reliable perception in complex environments in open-pit mines， thereby providing data support for stable operation of autonomous mine carts.

Key words: autonomous mine cart, Light Detection and Ranging (LiDAR), 3D point cloud, data augmentation, physics simulation, object detection

中图分类号:

TP391.9

李世伟, 周昱峰, 孙鹏飞, 刘伟松, 孟竹喧, 廉浩杰. 基于煤尘对激光雷达电磁波散射和吸收效应的点云数据增强方法[J]. 计算机应用, 2026, 46(1): 331-340.

Shiwei LI, Yufeng ZHOU, Pengfei SUN, Weisong LIU, Zhuxuan MENG, Haojie LIAN. Point cloud data augmentation method based on scattering and absorption effects of coal dust on LiDAR electromagnetic waves[J]. Journal of Computer Applications, 2026, 46(1): 331-340.

图/表 16

图1 散射粒子对脉冲的散射效果

Fig. 1 Scattering effect of scattered particles on pulses

图2 雪仿真算法示例［14］

Fig. 2 Example of snow simulation algorithm［14］

图3 露天矿基本环境

Fig. 3 Basic environments of open-pit mines

图4 煤尘光学特性分析实验示意图［21］

Fig. 4 Schematic diagram of coal dust optical characteristics analysis experiment［21］

表1 消光系数及权重计算值［21］

Tab. 1 Calculation for extinction coefficients［21］ and weights

粒径大小/μm	$a 0$	$a 1 / 10 - 4$	权重
（0，20］	0.006 1	9.5	0.689
（20，45］	0.044 5	10.7	0.279
（45，60］	0.000 0	19.2	0.022
（60，90］	-0.008 8	25.2	0.009
（90，125］	-0.000 2	34.3	0.001
（125，150］	0.024 6	36.8	0.000
（150，180］	0.030 3	44.4	0.000
（212，250］	0.023 7	216.6	0.000

表1 消光系数及权重计算值［21］

Tab. 1 Calculation for extinction coefficients［21］ and weights

粒径大小/μm	$a 0$	$a 1 / 10 - 4$	权重
（0，20］	0.006 1	9.5	0.689
（20，45］	0.044 5	10.7	0.279
（45，60］	0.000 0	19.2	0.022
（60，90］	-0.008 8	25.2	0.009
（90，125］	-0.000 2	34.3	0.001
（125，150］	0.024 6	36.8	0.000
（150，180］	0.030 3	44.4	0.000
（212，250］	0.023 7	216.6	0.000

图5 双光束配置的LiDAR传感器示意图［23］

Fig. 5 Schematic diagram of LiDAR sensor with dual-beam configuration［23］

图6 单个LiDAR脉冲的接收信号功率比较［13］

Fig. 6 Comparison of received signal power of single LiDAR pulse［13］

图7 煤尘环境点云仿真算法的流程

Fig. 7 Flow of point cloud simulation algorithm in coal dust environment

图8 照相机视角

Fig. 8 Camera perspective

图9 AutoMine数据集的仿真结果（示例1）

Fig. 9 Simulation results of AutoMine dataset （sample 1）

图10 AutoMine数据集的仿真结果（示例2）

Fig. 10 Simulation results of AutoMine dataset （sample 2）

图11 KITTI数据集的仿真结果（示例1）

Fig. 11 Simulation results of KITTI dataset （sample 1）

图12 KITTI数据集的仿真结果（示例2）

Fig. 12 Simulation results of KITTI dataset （sample 2）

图13 KITTI数据集的仿真结果（示例3）

Fig. 13 Simulation results of KITTI dataset （sample 3）

表2 煤尘环境三维目标检测模型的检测精度 (%)

Tab. 2 Detection precisions of 3D object detection models in coal dust environment

模型	数据	汽车 AP@0.7IoU			行人AP@0.25IoU			骑行者AP@0.25IoU
模型	数据	Easy	Moderate	Hard	Easy	Moderate	Hard	Easy	Moderate	Hard
PV-RCNN++	原始数据	95.89	85.88	86.23	63.04	45.90	42.60	72.51	48.16	45.02
PV-RCNN++	仿真数据	96.01	86.35	86.41	64.31	51.42	47.56	74.96	49.68	46.54
PV-RCNN	原始数据	91.88	80.10	77.41	50.57	43.89	39.97	70.35	51.67	48.22
PV-RCNN	仿真数据	92.90	81.98	78.26	54.06	45.63	40.88	70.95	52.51	49.97
PointRCNN	原始数据	88.52	74.60	70.56	49.62	43.24	38.18	69.28	49.47	46.26
PointRCNN	仿真数据	89.68	75.27	71.72	50.89	44.39	39.59	68.36	50.89	47.33
PointPillars	原始数据	87.25	72.86	68.32	35.00	29.81	27.44	63.28	43.24	40.22
PointPillars	仿真数据	87.98	73.90	69.16	35.88	31.20	29.49	59.70	43.83	39.75
Voxel_RCNN_Car	原始数据	98.56	92.85	91.12
Voxel_RCNN_Car	仿真数据	98.38	93.57	91.68

表3 煤尘环境鸟瞰图视角的检测精度 (%)

Tab. 3 Detection precisions from bird's-eye view in coal dust environment

模型	数据	汽车AP@0.7IoU			行人AP@0.25IoU			骑行者AP@0.25IoU
模型	数据	Easy	Moderate	Hard	Easy	Moderate	Hard	Easy	Moderate	Hard
PV-RCNN++	原始数据	96.03	86.29	86.80	63.06	45.95	42.66	72.51	48.16	45.02
PV-RCNN++	仿真数据	96.04	86.99	86.97	64.31	51.60	47.67	74.96	49.68	46.54
PV-RCNN	原始数据	95.12	87.24	84.93	58.04	51.14	47.22	70.56	52.89	50.10
PV-RCNN	仿真数据	96.41	88.38	86.14	58.60	51.71	46.04	71.50	53.97	51.77
PointRCNN	原始数据	92.48	83.19	79.23	52.66	47.52	41.27	71.38	52.09	48.67
PointRCNN	仿真数据	93.58	84.21	79.88	54.50	48.63	42.63	74.00	55.90	52.89
PointPillars	原始数据	92.09	85.05	82.00	44.63	38.75	35.73	66.85	48.11	44.94
PointPillars	仿真数据	93.55	85.94	83.16	45.77	39.76	36.13	61.28	48.90	44.23
Voxel_RCNN_Car	原始数据	98.60	93.09	91.28
Voxel_RCNN_Car	仿真数据	98.41	93.76	91.81

参考文献 34

[1]	孙继平，程继杰.煤矿冲击地压和煤与瓦斯突出事故自动发现与报警方法研究［J］.工矿自动化， 2024， 50（5）： 1-5.
	SUN J P， CHENG J J. Research on automatic detection and alarm methods for coal mine rock burst and coal and gas outburst accidents ［J］. Journal of Mine Automation， 2024， 50（5）： 1-5.
[2]	BAO H， ZHANG R. Study on optimization of coal truck flow in open-pit mine ［J］. Advances in Civil Engineering， 2020， 2020： 1-13.
[3]	ZHANG Z， CHEN X， HUANG J. Research on innovation posture of automated driving technology based on patentometrics ［J］. Technology and Investment， 2018， 9（3）： No.137.
[4]	于明凯，陈留金，林泽阳，等.基于城市轨道交通无人驾驶技术的矿车无人驾驶系统［J］.科技创新与应用， 2022， 12（1）： 132-134.
	YU M K， CHEN L J， LIN Z Y， et al. Autonomous mine car system based on urban rail transit unmanned technology ［J］. Technology Innovation and Application， 2022， 12（1）： 132-134.
[5]	GAO Y， AI Y， TIAN B， et al. Parallel end-to-end autonomous mining： an IoT-oriented approach ［J］. IEEE Internet of Things Journal， 2019， 7（2）： 1011-1023.
[6]	ZHANG Y， CARBALLO A， YANG H， et al. Perception and sensing for autonomous vehicles under adverse weather conditions： a survey ［J］. ISPRS Journal of Photogrammetry Remote Sensing， 2023， 196： 146-177.
[7]	URMSON C， ANHALT J， BAGNELL D， et al. Autonomous driving in urban environments： boss and the urban challenge ［J］. Journal of Field Robotics， 2008， 25（8）： 425-466.
[8]	ZAMANAKOS G， TSOCHATZIDIS L， AMANATIADIS A， et al. A comprehensive survey of LIDAR-based 3D object detection methods with deep learning for autonomous driving ［J］. Computers Graphics， 2021， 99： 153-181.
[9]	DO A T， YOO M. LossDistillNet： 3D object detection in point cloud under harsh weather conditions ［J］. IEEE Access， 2022， 10： 84882-84893.
[10]	HU X， DUAN Z， HUANG X， et al. Context-aware data augmentation for lidar 3D object detection ［C］// Proceedings of the 2023 IEEE International Conference on Image Processing. Piscataway： IEEE， 2023： 11-15.
[11]	AN P， LIANG J， MA J， et al. RS-Aug： improve 3D object detection on LiDAR with realistic simulator based data augmentation ［J］. IEEE Transactions on Intelligent Transportation Systems， 2023， 24（9）： 10165-10176.
[12]	ZHANG Y， DING M， YANG H， et al. LiDAR point cloud augmentation for adverse conditions using conditional generative model ［J］. Remote Sensing， 2024， 16（12）： No.2247.
[13]	HAHNER M， SAKARIDIS C， DAI D， et al. Fog simulation on real LiDAR point clouds for 3D object detection in adverse weather ［C］// Proceedings of the 2021 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2021： 15283-15292.
[14]	HAHNER M， SAKARIDIS C， BIJELIC M， et al. Lidar snowfall simulation for robust 3D object detection ［C］// Proceedings of the 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2022： 16364-16374.
[15]	VARGAS RIVERO J R， GERBICH T， BUSCHARDT B， et al. Data augmentation of automotive lidar point clouds under adverse weather situations ［J］. Sensors， 2021， 21（13）： No.4503.
[16]	张康，刘澈，王帅钦.激光雷达点云数据增强方法、装置、设备、介质及产品： CN202411081199.5 ［P］. 2024-12-24.
	ZHANG K， LIU C， WANG S Q. LiDAR point cloud data augmentation method， device， equipment， medium， and product： CN202411081199.5 ［P］. 2024-12-24.
[17]	刘磊，郭二民，李忠华，等.加强“十四五”露天煤矿开采环境管理的建议［J］.中国煤炭， 2021， 47（10）： 61-66.
	LIU L， GUO E M， LI Z H， et al. Suggestions on strengthening environmental management of open-pit coal mining during the 14th Five-Year Plan ［J］. China Coal， 2021， 47（10）： 61-66.
[18]	唐珏，王俊. “双碳”目标下煤炭发展及对策建议［J］.中国矿业， 2023， 32（9）： 22-31.
	TANG Y， WANG J. Coal development and countermeasures under the goal of "double carbon" ［J］. China Mining Magazine， 2023， 32（9）： 22-31.
[19]	WANG Z， ZHOU W， JISKANI I M， et al. Dust pollution in cold region Surface Mines and its prevention and control ［J］. Environmental Pollution， 2022， 292（Part A）： No.118293.
[20]	SWINEHART D F. The Beer-Lambert Law ［J］. Journal of Chemical Education， 1962， 39（7）： No.333.
[21]	LI B， MAO S， ZHANG H. Laser attenuation and ranging correction in the coal dust environment based on MIE theory and phase ranging principle ［J］. Atmosphere， 2023， 14（5）： No.845.
[22]	AZAM S， MISHRA D P. Effects of particle size， dust concentration and dust-dispersion-air pressure on rock dust inertant requirement for coal dust explosion suppression in underground coal mines ［J］. Process Safety Environmental Protection， 2019， 126： 35-43.
[23]	RASSHOFER R H， SPIES M， SPIES H. Influences of weather phenomena on automotive laser radar systems ［J］. Advances in Radio Science， 2011， 9： 49-60.
[24]	SASSEN K， DODD G C. Lidar crossover function and misalignment effects ［J］. Applied Optics， 1982， 21（17）： 3162-3165.
[25]	LI Y， LI Z， TENG S， et al. AutoMine： an unmanned mine dataset ［C］// Proceedings of the 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2022： 21308-21317.
[26]	GEIGER A， LENZ P， URTASUN R. Are we ready for autonomous driving？ the KITTI vision benchmark suite ［C］// Proceedings of the 2012 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2012： 3354-3361.
[27]	CHEN X， KUNDU K， ZHANG Z， et al. Monocular 3D object detection for autonomous driving ［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016： 2147-2156.
[28]	SIMONELLI A， BULO S R， PORZI L， et al. Disentangling monocular 3d object detection ［C］// Proceedings of the 2019 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2019： 1991-1999.
[29]	TEAM O. OpenPCDet： an open-source toolbox for 3D object detection from point clouds ［EB/OL］. ［2024-12-14］. .
[30]	SHI S， JIANG L， DENG J， et al. PV-RCNN++： point-voxel feature set abstraction with local vector representation for 3D object detection ［J］. International Journal of Computer Vision， 2023， 131（2）： 531-551.
[31]	SHI S， GUO C， JIANG L， et al. Pv-RCNN： point-voxel feature set abstraction for 3D object detection ［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 10529-10538.
[32]	SHI S， WANG X， LI H. PointRCNN： 3D object proposal generation and detection from point cloud ［C］// Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2019： 770-779.
[33]	LANG A H， VORA S， CAESAR H， et al. PointPillars： fast encoders for object detection from point clouds ［C］// Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2019： 12697-12705.
[34]	DENG J， SHI S， LI P， et al. Voxel R-CNN： towards high performance voxel-based 3D object detection ［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2021，32（2）： 1201-1209.

基于煤尘对激光雷达电磁波散射和吸收效应的点云数据增强方法

Point cloud data augmentation method based on scattering and absorption effects of coal dust on LiDAR electromagnetic waves

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 16

参考文献 34

相关文章 15

编辑推荐

Metrics

[1]	菅银龙, 陈学斌, 景忠瑞, 钟琪, 张镇博. 联邦学习中基于条件生成对抗网络的数据增强方案[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 21-32.
[2]	谢斌红, 王瑞, 张睿, 张英俊. 代理原型蒸馏的小样本目标检测算法[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 233-241.
[3]	李玟, 李开荣, 杨凯. 基于数据增强的子图感知对比学习[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 1-9.
[4]	边小勇, 袁培洋, 胡其仁. 双编码空频混合的红外小目标检测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 252-259.
[5]	黄舒雯, 郭柯宇, 宋翔宇, 韩锋, 孙士杰, 宋焕生. 基于单目图像的多目标三维视觉定位方法[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 207-215.
[6]	桑雨, 贡同, 赵琛, 于博文, 李思漫. 具有光度对齐的域适应夜间目标检测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 242-251.
[7]	昝志辉, 王雅静, 李珂, 杨智翔, 杨光宇. 基于SAA-CNN-BiLSTM网络的多特征融合语音情感识别方法[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 69-76.
[8]	魏利利, 闫丽蓉, 唐晓芬. 上下文语义表征和像素关系纠正的小样本目标检测[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2993-3002.
[9]	王闯, 俞璐, 陈健威, 潘成, 杜文博. 开集域适应综述[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2727-2736.
[10]	张嘉祥, 李晓明, 张佳慧. 结合新类特征增强与度量机制的小样本目标检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2984-2992.
[11]	李莉, 宋涵, 刘培鹤, 陈汉林. 基于数据增强和残差网络的敏感信息命名实体识别[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2790-2797.
[12]	梁一鸣, 范菁, 柴汶泽. 基于双向交叉注意力的多尺度特征融合情感分类[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2773-2782.
[13]	颜承志, 陈颖, 钟凯, 高寒. 基于多尺度网络与轴向注意力的3D目标检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(8): 2537-2545.
[14]	廖炎华, 鄢元霞, 潘文林. 基于YOLOv9的交通路口图像的多目标检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(8): 2555-2565.
[15]	谢斌红, 剌颖坤, 张英俊, 张睿. 自步学习指导下的半监督目标检测框架[J]. 《计算机应用》唯一官方网站, 2025, 45(8): 2546-2554.