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.
