Deep Learning in land surveying - Semantic Segmentation of terrestrial point clouds
Authors
Knudsen, Mikkel ; Westergaard, Mads
Term
4. semester
Publication year
2021
Submitted on
2021-06-04
Pages
116
Abstract
Dette afgangsprojekt undersøger, hvordan semantisk segmentering af terrestriske punktskyer ved hjælp af deep learning kan gøre landmåling mere effektiv. En punktsky er en 3D-samling af målepunkter, og semantisk segmentering betyder, at hvert punkt tildeles en meningsfuld kategori (semantisk klasse). Projektet tager udgangspunkt i metoden PointNet++, som er udviklet til at analysere 3D-punktskyer. Først testes metoden på et benchmark-datasæt og på egne data for at opnå grundlæggende forståelse. Derefter behandles hovedspørgsmålet: hvordan kan håndteringen af punktskysdata gøres mere effektiv med segmentering? Undersøgelsen består af tre dele: 1) kortlægning af opgavetyper i landinspektørpraksis, hvor segmentering kan hjælpe, 2) implementering og afprøvning af semantisk segmentering på én udvalgt opgavetype, og 3) vurdering af potentialer og udfordringer ved at tage teknologien i brug. I projektet fokuseres der konkret på urbane punktskyer. En målrettet model trænes til at segmentere punkterne i syv foruddefinerede klasser, og kvaliteten måles ved at sammenligne resultatet med en ground truth punktsky, hvor punkterne er manuelt klassificeret. Med PointNet++ opnås en samlet nøjagtighed på knap 96% for de urbane datasæt, hvilket viser, at de fleste punkter klassificeres korrekt. Praktiske erfaringer kombineres med input fra landmålingsvirksomheder. Det vigtigste potentiale er muligheden for at fjerne støj og uønskede elementer og dermed reducere manuel sortering. Den største udfordring er implementeringen i praksis, som kan lettes af mere intuitive værktøjer. Samlet konkluderes det, at semantisk segmentering kan forbedre håndteringen af punktskyer og forkorte den samlede datahåndteringstid, hvilket kan gøre punktskyer til et mere konkurrencedygtigt produkt i landmålingssammenhænge.
This thesis project investigates how semantic segmentation of terrestrial point clouds using deep learning can make surveying workflows more efficient. A point cloud is a 3D collection of measured points, and semantic segmentation means assigning each point a meaningful category (semantic class). The project is based on the PointNet++ method, developed for analyzing 3D point clouds. First, the method is tested on a benchmark dataset and on in-house data to build basic understanding. The main question is how to handle point cloud data more efficiently through segmentation. The study has three parts: 1) identify surveying tasks where segmentation can help, 2) implement and test semantic segmentation for one selected task, and 3) assess the potentials and challenges of adopting the technology. The implementation focuses on urban point clouds. A task-specific model is trained to split points into seven predefined classes, and performance is evaluated against a hand-labeled ground truth point cloud. Using PointNet++, the approach achieves an overall accuracy of nearly 96% on the urban datasets, indicating that most points are classified correctly. Practical experience is combined with input from surveying companies. The main potential is faster data handling by removing noise and unwanted elements, reducing manual sorting. The main challenge is practical implementation, which could be eased by more intuitive tools. Overall, the project concludes that semantic segmentation can improve point cloud handling and shorten total data processing time, making point clouds a more competitive product in surveying.
[This abstract was generated with the help of AI]
Keywords
Documents