Comparing machine-learning classifiers of power-lines in point cloud data
Translated title
Sammenligning af machine-learning klassificeringsmetoder anvendt på højspændingsledninger i punktskysdata
Author
Jensen, Tobias Hjelmbjerg
Term
4. semester
Publication year
2020
Submitted on
2020-06-04
Pages
59
Abstract
Dette speciale undersøger, hvorvidt tre publicerede deep-learning algoritmer til punktskyklassificering—PointNet++, Superpoint Graph og PointCNN—kan implementeres praktisk til automatisk segmentering af højspændingskorridorer. For at afspejle virkelige anvendelser trænes og testes modellerne på et ikke-standard, ikke-offentligt datasæt med punktskyer over kraftlinjeinfrastruktur og nærmeste omgivelser. Målet er at segmentere punktskyen i seks klasser: terræn, vegetation, ledninger, master/tværbjælker samt to typer støj. Undersøgelsen vurderer både nøjagtighed og ressourceforbrug (trænings- og testtid) og anvender en række evalueringsmål; herunder belyses, hvilken effekt klassifikationsfejl i udvalgte klasser har, bl.a. via rasterbaseret efteranalyse og sammenligning af terrænklassen med referencedata. Resultaterne viser generelt høj segmenteringsnøjagtighed, hvor enkelte klasser når over 95% korrekt klassifikation, og peger på, at metoderne har et modenhedsniveau, der kan muliggøre helt eller delvis automatisering af arbejdsintensive klassifikationsopgaver. Afslutningsvis diskuteres praktiske udfordringer ved implementering samt perspektiver for videre udvikling af automatiseret punktskybehandling.
This thesis investigates whether three published deep-learning algorithms for point cloud classification—PointNet++, Superpoint Graph, and PointCNN—can be practically implemented to automatically segment power-line corridors. To reflect real-world use, the models are trained and tested on a non-benchmark, non-public dataset capturing power-line infrastructure and adjacent areas. The goal is to segment the point cloud into six classes: terrain, vegetation, wires, pylons/crossbeams, and two noise types. The study evaluates both accuracy and resource demands (training and testing time) and employs a range of metrics, including analyses of how misclassification in specific classes affects downstream results via raster-based assessments and comparison of the derived terrain surface against reference data. Overall, the experiments yield high segmentation accuracy, with some classes exceeding 95% correct classification, indicating that these methods are mature enough to partially or fully automate labor-intensive classification tasks. The thesis concludes with a discussion of practical implementation challenges and prospects for further development of automated point cloud processing.
[This summary has been generated with the help of AI directly from the project (PDF)]
Keywords
Machine learning ; Point cloud ; Punktsky ; Ledninger ; Infrastruktur ; Infrastructure ; Power-lines ; Deep learning ; Algorithms ; Algoritmer ; Data ; Automation ; Automatisering ; Python ; GIS ; Geography ; Geographic Information System
Documents