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.
