فتوگرامتری
مرتضی حیدری مظفر؛ زهرا دالوند
چکیده
پیشینه و اهداف: استخراج نقشه دوبعدی فضاهای داخلی ساختمان در حوزههای مختلف ازجمله معماری، نقشهبرداری، مدلسازی اطلاعات ساختمان (BIM)، رباتیک و واقعیت مجازی نقش حیاتی دارد. اسکنرهای لیزری همراه، ساختار هندسی محیط را با دقت میلیمتری اندازهگیری کرده و نتایج حاصل را به صورت دادههای ابرنقاط ثبت میکنند. دادههای ابرنقاط، ...
بیشتر
پیشینه و اهداف: استخراج نقشه دوبعدی فضاهای داخلی ساختمان در حوزههای مختلف ازجمله معماری، نقشهبرداری، مدلسازی اطلاعات ساختمان (BIM)، رباتیک و واقعیت مجازی نقش حیاتی دارد. اسکنرهای لیزری همراه، ساختار هندسی محیط را با دقت میلیمتری اندازهگیری کرده و نتایج حاصل را به صورت دادههای ابرنقاط ثبت میکنند. دادههای ابرنقاط، منبع غنی اطلاعات برای استخراج نقشه دوبعدی فضاهای داخلی ساختمان هستند. بااینحال، عواملی مانند نویز ناشی از بازتابهای سطحی، انسداد دید توسط اجسام درون ساختمان و تراکم غیریکنواخت نقاط، پردازش این نوع داده را با چالش مواجه میکنند. در ابتدا استخراج نقشه دوبعدی ساختمان، با تکیه بر روشهای کلاسیک هندسی انجام میشد و در سالهای اخیر، روشهای مبتنی بر یادگیری عمیق بهدلیل توانایی بالا در درک الگوهای پیچیده و مقاومت در برابر نویز بهطور فزایندهای مورد توجه قرار گرفتهاند. هدف این پژوهش، ارائه یک چارچوب موثر برای استخراج نقشه دوبعدی فضاهای داخلی ساختمان از دادههای ابرنقاط با استفاده از روشهای یادگیری عمیق و مقایسه عملکرد آن با روشهای کلاسیک است.روشها: در این پژوهش، یک چارچوب موثر برای استخراج نقشه دوبعدی فضاهای داخلی ساختمان از دادههای ابرنقاط پیشنهاد شده است که شامل سه گام متوالی پیشپردازش دادهها، پیادهسازی و ارزیابی نهایی مدلها است. این چارچوب امکان مقایسه مستقیم روشهای کلاسیک و یادگیری عمیق را در یک بستر مشترک فراهم میکند. دادههای ابرنقاط دارای ساختار گسسته و غیرساختیافته هستند و پردازش مستقیم آنها دشوار است. در گام پیشپردازش دادهها، ابتدا با نگاشت ابرنقاط به فضای دوبعدی، تصاویر تراکم تولید شد تا پیچیدگی محاسباتی کاهش یابد. درگام دوم، دو مدل یادگیری عمیق U-Net و Pix2Pix و الگوریتم کلاسیک تبدیل هاف پیادهسازی شد و تصاویر تراکم بهعنوان ورودی مشترک این روشها استفاده شد. در گام سوم به منظور ارزیابی عملکرد روش پیشنهادی، آزمایشها روی مجموعهدادههای دردسترس FloorNet و Structure3D انجام شد. دادههای ورودی به سه مجموعه داده آموزشی، اعتبارسنجی و آزمون تقسیم شدهاند و به منظور ارتقای تعمیمپذیری، تکنیکهای دادهافزایی اعمال شده است. ارزیابی عملکرد مدلها با استفاده از معیارهای Dice Score و IoU انجام شد.یافتهها: مدلهای یادگیری عمیق در نمونههای فاقد انسداد، عملکرد قابل قبولی داشته و دقت بیش از ۹۰٪ نشان دادند. بهویژه، مدل U-Net در مجموعه داده Structure3D به دقت ۹۷٪ در معیار Dice Score دست یافت. بااینحال، مدلها درنمونههایی که شامل عارضه انسداد بودند، نتوانستند نقشه را به طور کامل استخراج کنند. در مقابل، الگوریتم تبدیل هاف در تشخیص خطوط عملکرد قابل قبول داشت اما بهدلیل عدم تشخیص ساختار توپولوژیک، در تولید خروجیهای منسجم و قابلاستفاده برای مدلسازی نقشههای داخلی محدودیت دارد. همچنین آزمون و خطا برای تنظیم مقادیر پارامترها، باعث افزایش قابل توجه زمان اجرای الگوریتم شد.نتیجهگیری: یافتههای این پژوهش نشان داد که روشهای یادگیری عمیق، در صورت وجود دادههای کامل، قادر به استخراج دقیق و ساختیافته نقشه دوبعدی از دادههای ابرنقاط هستند اما در شرایط واقعی که عارضه انسداد اجتنابناپذیر است، توسعه مدلهای مقاوم نسبت به داده ناقص ضروری است. برای این منظور بهرهگیری از معماریهای ترکیبی، استفاده از منابع اطلاعاتی مکمل نظیر تصاویر RGB یا دادههای عمق مسیر پژوهشهای آینده است. چارچوب پیشنهادی این پژوهش، گامی مؤثر در جهت مقایسهی نظاممند روشهای استخراج نقشه دوبعدی و ایجاد بستر توسعه برای مدلهای پیشرفتهتر در کاربردهای واقعی تلقی میشود.
فتوگرامتری
مرتضی حیدری مظفر؛ سیدعادل حسینی
چکیده
پیشینه و اهداف: در دهههای اخیر، علوم ژئوماتیک پیشرفت چشمگیری کرده و این پیشرفتها ناشی از ابزارهای پیشرفته اندازهگیری و تکنولوژیهای نوآورانه در زمینه اخذ دادههای هندسی و مکانی است. در این زمینه، لیزراسکنرهای همراه و پهپادها به عنوان ابزاری اساسی و کارآمد معرفی شدهاند که قابلیت انجام اندازهگیری دقیق و سریع اشیاء و محیطهای ...
بیشتر
پیشینه و اهداف: در دهههای اخیر، علوم ژئوماتیک پیشرفت چشمگیری کرده و این پیشرفتها ناشی از ابزارهای پیشرفته اندازهگیری و تکنولوژیهای نوآورانه در زمینه اخذ دادههای هندسی و مکانی است. در این زمینه، لیزراسکنرهای همراه و پهپادها به عنوان ابزاری اساسی و کارآمد معرفی شدهاند که قابلیت انجام اندازهگیری دقیق و سریع اشیاء و محیطهای مختلف از جمله فضاهای شهری، را دارا هستند. این دستگاهها به شکل خودکار تمامی جزئیات فضای شهری را به شکل ابرنقطه یا تصویر ثبت میکنند. برای استخراج اطلاعات هندسی ساختمانها از درون این جزئیات، لازم است از روشهای بینایی ماشین استفاده شود. در راستای دستیابی به مدلهای دقیق و قابل اعتماد از ساختمانها، هنگام پردازش دادههای ابرنقطه، دنبالهای از عملیات پسپردازش اجرا میشود. یکی از مهمترین مراحل این پردازشها، قطعهبندی ابرنقاط است. این مراحل انتقال دادههای ابرنقطه را به اطلاعات مفهومیتر و قابل تحلیلتر تبدیل میکنند. یکی از مسائل مهم در پردازش دادههای ابرنقطه، توانایی استخراج سطوح مسطح نماهای ساختمانی (دیوارها) است. این سطوح مسطح به عنوان اجزاء اساسی در مدلسازی و تحلیل وضعیت ساختمانها از اهمیت ویژهای برخوردارند. دقت در اطلاعات مرتبط با این سطوح مسطح، امکان تمایز دقیقتر و کاملتر بین اجزاء مختلف ساختمانها را فراهم میکند. این امر در کاربردهای متعددی از جمله برنامهریزی شهری، مدیریت ساخت و ساز، و تجزیه و تحلیل مصرف انرژی ساختمانها اهمیت دارد.روشها: در این مقاله، برای استخراج سطوح مسطح از سه مجموعه داده ابرنقطه ( ابرنقطه اخذ شده از دستگاههای لیزراسکنر همراه GeoSLAM ZEB-HORIZON، ابرنقطه بدست آمده از پردازش تصویربرداری پهپاد Phantom 4 Pro و ابرنقطه ترکیبی) از ترکیب دو الگوریتم MSAC و G-DBSCAN استفاده شده است. این دو الگوریتم به صورت متوالی اجرا میشوند. محوطهای که برای این منظور انتخاب شده، ساختمانهای دانشکده مهندسی دانشگاه بوعلی سینا در همدان میباشد. زیرا این محیط ویژگیهایی از جمله تنوع معماری، وجود نماهای مسطح و حالتهای مختلف قرارگیری دیوارها نسبت به هم با ابعاد مختلف را داراست.یافتهها: این تحقیق با ارزیابی جامع سه مجموعه داده مجزا، میانگین دقت (Precision) بیش از 97% را نشان میدهد که دقت بالا در استخراج دادهها را تضمین میکند. علاوه بر این، میانگین بازنمایی (Recall) به بیش از 94% رسیده است که اغلب عناصر نما را پوشش میدهد. نتیجه این ارزیابی، امتیاز F1 (F1 score) با میانگین 95% است که نشاندهنده پیشرفت در زمینه استخراج دقیق دادههای ساختمانی و مدلسازی معماری است. با این حال، الگوریتم در مواجهه با دیوارهایی که عمود بر مسیر حرکت لیزراسکنر قرار دارند، دچار چالشهایی شد که موجب کاهش نرخ بازنمایی گردید. همچنین، الگوریتم SfM در تولید نقاط بر روی شیشههای پنجرهها مشکل دارد، که باعث شده برخی نقاط مربوط به فضای داخل پنجرهها به عنوان نقاط دیوار تشخیص داده شوند. این مسئله نشان میدهد که الگوریتمهای تولید ابرنقطه از تصاویر بر نتایج این الگوریتم تأثیرگذار هستند. در مقابل، نتایج دادههای ترکیبی بسیار امیدوارکننده بوده است، به گونهای که این دادهها در مرحله اول الگوریتم با سرعت بیشتری نسبت به دو مجموعه داده دیگر همگرا شدند و عملکرد بالایی در دقت و نرخ بازنمایی داشتند.نتیجهگیری: با این حال، یافتهها نشان میدهد که الگوریتم به طور کلی عملکرد برجستهای در استخراج اطلاعات نماهای ساختمانی، بهویژه با استفاده از دادههای متنوع و گوناگون، از خود نشان داده است. این پیشرفتها نویدبخش بوده و افقهای جدیدی را در تحلیل دادههای مکانی و مدلسازی ساختمانی میگشاید. این رویکرد نوآورانه میتواند در کاربردهای مختلف مورد استفاده قرار گرفته و به توسعه مدلهای معماری مدرن و دادهمحور کمک کند.
فتوگرامتری
مرتضی حیدری مظفر؛ سید عادل حسینی
چکیده
پیشینه و اهداف: در دهههای اخیر، علوم ژئوماتیک پیشرفت چشمگیری کرده و این پیشرفتها، ناشی از ابزارهای پیشرفته اندازهگیری و تکنولوژیهای نوآورانه در زمینه اخذ دادههای هندسی و مکانی است. در این زمینه، لیزراسکنرهای همراه به عنوان ابزاری اساسی و کارآمد معرفی شدهاند که قابلیت انجام اندازهگیری دقیق و سریع اشیاء و محیطهای مختلف ...
بیشتر
پیشینه و اهداف: در دهههای اخیر، علوم ژئوماتیک پیشرفت چشمگیری کرده و این پیشرفتها، ناشی از ابزارهای پیشرفته اندازهگیری و تکنولوژیهای نوآورانه در زمینه اخذ دادههای هندسی و مکانی است. در این زمینه، لیزراسکنرهای همراه به عنوان ابزاری اساسی و کارآمد معرفی شدهاند که قابلیت انجام اندازهگیری دقیق و سریع اشیاء و محیطهای مختلف از جمله فضاهای شهری، را دارا هستند. این دستگاهها به شکل خودکار تمامی جزئیات فضای شهری را به شکل ابرنقطه ثبت میکنند. برای استخراج اطلاعات هندسی ساختمانها از درون این جزئیات، لازم است از روشهای بینایی ماشین استفاده شود. در راستای دستیابی به مدلهای دقیق و قابل اعتماد از ساختمانها، هنگام پردازش دادههای ابرنقطه، دنبالهای از عملیات پسپردازش اجرا میشود. یکی از مهمترین مراحل این پردازشها، قطعهبندی ابرنقاط است. این مراحل انتقال دادههای ابرنقطه را به اطلاعات مفهومیتر و قابل تحلیلتر تبدیل میکنند. یکی از مسائل مهم در پردازش دادههای ابرنقطه، توانایی استخراج سطوح مسطح نماهای ساختمانی (دیوارها) است. این سطوح مسطح به عنوان اجزاء اساسی در مدلسازی و تحلیل وضعیت ساختمانها از اهمیت ویژهای برخوردارند. دقت در اطلاعات مرتبط با این سطوح مسطح، امکان تمایز دقیقتر و کاملتر بین اجزاء مختلف ساختمانها را فراهم میکند. این امر در کاربردهای متعددی از جمله برنامهریزی شهری، مدیریت ساخت و ساز، و تجزیه و تحلیل مصرف انرژی ساختمانها اهمیت دارد.روشها: در این مقاله، برای استخراج سطوح مسطح از دادههای ابرنقطه از دو الگوریتم MSAC و G-DBSCAN استفاده شده است. این دو الگوریتم به صورت متوالی اجرا میشوند. بهطوریکه ابتدا محتملترین سطوح مسطح در فضای مطالعه با استفاده از MSAC استخراج شده و سپس به منظور جداسازی دیوارها از میان این سطوح مسطح از G-DBSCAN استفاده میشود. در این مقاله، از دستگاه لیزراسکنر همراه GeoSLAM ZEB-HORIZON برای اخذ دادهها استفاده شده است و محوطهای که برای این منظور انتخاب شده، ساختمانهای دانشکده مهندسی دانشگاه بوعلی سینا در همدان میباشد. دلیل انتخاب این محوطه وجود ویژگیهایی از جمله تنوع معماری، وجود نماهای غیرمسطح و مسطح، حالتهای مختلف قرارگیری دیوارها نسبت به هم با ابعاد مختلف، و چالشهای مرتبط با معماری متنوع فضای اطراف ساختمانها است.یافتهها: ارزیابی جامع این تحقیق، سه ساختمان مجزا را دربرمیگیرد. نتایج میانگین دقت (Precision) بالای 93 درصد را نشان میدهد که استخراج دقیق دادهها را تضمین میکند. بهعلاوه، نتایج به میانگین بازنمایی (Recall) بالای 94% دست یافته است، که اکثریت عناصر نما را به تصویر میکشد. در نتیجه، امتیاز F1(F1 score) مقدار متوسط 94% را بهدست آورده است. این تحقیق، به پیشرفت در زمینه استخراج دقیق دادههای ساختمانی و مدلسازی معماری کمک میکند. البته، در مواجهه با ساختمانها و محیطهای پیچیدهتر، الگوریتم با چالشهایی مواجه میشود. از جمله چالشهایی که میتوان به آنها اشاره کرد، ویژگیهای معماری متنوع ساختمانها و موانع خارجی میباشد. برای مثال، در ساختمانهای دارای دربها و پنجرههای شیشهای بزرگ، این الگوریتمها ممکن است دیوارهای داخلی را به اشتباه استخراج کنند. همچنین، وجود پوشش گیاهی متراکم در اطراف نما میتواند موانعی ایجاد کند که مانع از توانایی لیزراسکنر در برداشت کامل نما شوند.نتیجهگیری: نتایج، نشان میدهد الگوریتم به طور کلی توانسته عملکرد قابل توجهی در استخراج اطلاعات نمای ساختمانها به خصوص در سناریوهای معماری چالش برانگیز ارائه دهد. این پیشرفتها، امیدوارکنندهاند و امکانات جدیدی را در حوزه تحلیل دادههای مکانی و مدلسازی ساختمانی ایجاد میکند. از این رویکرد نوآورانه، میتوان در کاربردهای مختلفی استفاده نمود و به توسعه مدلهای معماری مدرن و مبتنی بر داده کمک کرد.
