Derin öğrenme tekniklerini kullanarak hava lidar nokta bulutlarının sınıflandırılması
Yükleniyor...
Tarih
2022
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Necmettin Erbakan Üniversitesi Fen Bilimleri Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Hava LiDAR (Light Detection and Ranging) nokta bulutlarının filtrelenmesi ve sınıflandırılması için birçok teknik geliştirilmiştir. Hesaplama verimliliği ve doğruluğun iyileştirilmesi, LiDAR nokta bulutları ile çalışırken üzerinde durulması gereken etkenlerin başındadır. Derin öğrenme teknikleri son yıllarda görüntü sınıflandırma alanında yoğun şekilde kullanılmaya başlamıştır. Elde edilen yüksek doğruluk ve son teknoloji grafik işlemcileri sayesinde hesaplama yükünün hafiflemesi ile araştırmacılar LiDAR nokta bulutlarını sınıflandırma çalışmalarını makine öğrenmesi alanına özellikle de derin sinir ağlarına kaydırmıştır. Bu tez çalışmasının amacı derin öğrenme tekniği kullanılarak 3 boyutlu (3B) LiDAR nokta bulutlarının filtrelenmesi ve sınıflandırılmasıdır. Derin öğrenme tekniklerinin görüntü işlemedeki gücünden faydalanmak için 3B LiDAR verisini 2 boyutlu (2B) görüntüye çeviren bir teknik önerilmiştir. LiDAR verilerine derin sinir ağına girdi olarak verilmeden uygulanan ön işlemlerden bahsedilmiştir. Sonraki aşamada piksel bazlı sınıflandırma yapılmış, en son aşamada ise sınıflar tekrar 3B nokta bulutuna aktarılmıştır. Eğitim ve test verisi olarak Norveç'in Bergen şehrine ve Kanada'nın Surrey şehrine ait Dayton Annotated Laser Earth Scan (DALES) LiDAR nokta bulutları kullanılmıştır. Doğruluk metrikleri olarak Precision (Kesinlik), Recall (Duyarlılık) ve F1 puanı hesaplanmış ve Bergen veri seti için sırasıyla ortalama 0.89, 0.84 ve 0.86 ve DALES veri seti için sırasıyla 0.86, 0.89 ve 0.87 değerleri elde edilmiştir. Ayrıca, önerilen yöntemin sınıflandırma performansı çeşitli ticari yazılımların nokta bulutu filtreleme algoritmaları ile kıyaslanmıştır.
Many techniques have been developed for filtering and classifying airborne LiDAR (Light Detection and Ranging) point clouds. Computing efficiency and accuracy are key factors that need to be addressed when working with LiDAR point clouds. Deep learning techniques have been used extensively in image classification in recent years. With the resulting high accuracy and reduced computational burden, the researchers shifted their focus to machine learning techiques for classification of LiDAR point clouds , especially deep neural networks. This thesis aims to create a neural network that classify and filter 3D LiDAR point clouds using deep learning techniques. To take the advantage of the power of deep learning techniques in image processing, a new workflow including conversion method of 3D LiDAR data to 2D images was proposed. Before the LiDAR data is given as input to the deep neural network, the preprocessing steps applied to the data are mentioned. In the next stage, pixel-based classification was made, and at the last stage, the class labels were transferred to the 3D point cloud again. LiDAR point cloud of Bergen city of Norway and DALES dataset, which is covering the Surrey city of Canada, were used as training and test data. Precision, Recall, and F1 scores were calculated as accuracy metrics for two dataset and mean values of 0.89, 0.84, and 0.86 for Bergen dataset and 0.86, 0.89, and 0.87 for Surrey were obtained, respectively. In addition, the classification performance of the proposed method is compared with the point cloud filtering algorithms of various commercial software.
Many techniques have been developed for filtering and classifying airborne LiDAR (Light Detection and Ranging) point clouds. Computing efficiency and accuracy are key factors that need to be addressed when working with LiDAR point clouds. Deep learning techniques have been used extensively in image classification in recent years. With the resulting high accuracy and reduced computational burden, the researchers shifted their focus to machine learning techiques for classification of LiDAR point clouds , especially deep neural networks. This thesis aims to create a neural network that classify and filter 3D LiDAR point clouds using deep learning techniques. To take the advantage of the power of deep learning techniques in image processing, a new workflow including conversion method of 3D LiDAR data to 2D images was proposed. Before the LiDAR data is given as input to the deep neural network, the preprocessing steps applied to the data are mentioned. In the next stage, pixel-based classification was made, and at the last stage, the class labels were transferred to the 3D point cloud again. LiDAR point cloud of Bergen city of Norway and DALES dataset, which is covering the Surrey city of Canada, were used as training and test data. Precision, Recall, and F1 scores were calculated as accuracy metrics for two dataset and mean values of 0.89, 0.84, and 0.86 for Bergen dataset and 0.86, 0.89, and 0.87 for Surrey were obtained, respectively. In addition, the classification performance of the proposed method is compared with the point cloud filtering algorithms of various commercial software.
Açıklama
Doktora Tezi
Anahtar Kelimeler
Derin Öğrenme, Fotogrametri, LiDAR, Nokta Bulutu, Sinir Ağları, Uzaktan Algılama, Deep Learning, LiDAR, Neural Networks, Photogrammetry, Point Cloud, Remote Sensing
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Uray, F. (2022). Derin öğrenme tekniklerini kullanarak hava lidar nokta bulutlarının sınıflandırılması. (Yayınlanmamış Doktora Tezi). Necmettin Erbakan Üniversitesi, Fen Bilimleri Enstitüsü Harita Mühendisliği Anabilim Dalı, Konya.
