Enrichment of LiDAR Data With Semantic Data Attributes Based on Semantic WEB Technology
Author
Paskauskas, Linas
Term
4. term
Publication year
2018
Submitted on
2018-06-08
Pages
51
Abstract
Dette speciale undersøger, hvordan LiDAR‑punktskydata kan beriges med semantiske dataattributter ved hjælp af Semantic Web‑teknologier. Baggrunden er, at punktskyer er udbredt i den arkitektoniske praksis, men der mangler etablerede standarder for at forbinde dem med maskinlæsbare betydninger og relationer. Arbejdet gennemgår centrale komponenter som RDF, OWL, SPARQL/GeoSPARQL samt BIM/IFC og opstiller et proof‑of‑concept‑forløb, hvor en Revit‑baseret BIM‑model eksporteres som IFC og indlæses i en PostGIS‑database (via FME), en laserscannet punktsky lagres i databasen med PDAL, og rumlige snit mellem modelgeometrier og punkter bruges til at tildele elementklasser (fx vægge) som semantiske etiketter. De berigede data modelleres i en ontologi og publiceres som RDF, hvorefter de kan forespørges med SPARQL/GeoSPARQL og visualiseres (fx i Potree); værktøjer som Protégé/Cellfie indgår i ontologimappningen. Prototypen demonstrerer, at punkter kan annoteres med bygningsobjekters typer og egenskaber og efterfølgende udtrækkes via semantiske forespørgsler. Arbejdet peger på potentialet for bygningsinspektion, hvor målrettede semantiske oplysninger kan udledes fra indendørs skanninger, og skitserer muligheder for videreudvikling.
This thesis investigates how LiDAR point cloud data can be enriched with semantic attributes using Semantic Web technologies. While point clouds are widely used in architectural practice, there are no established standards for linking them to machine‑readable meanings and relations. The work reviews key components—RDF, OWL, SPARQL/GeoSPARQL and BIM/IFC—and implements a proof‑of‑concept workflow in which a Revit BIM model is exported to IFC and loaded into a PostGIS database (via FME), a laser‑scanned point cloud is ingested with PDAL, and spatial intersections between model geometries and points are used to assign element classes (e.g., walls) as semantic labels. The enriched data are mapped to an ontology and published as RDF, then queried with SPARQL/GeoSPARQL and visualized (e.g., in Potree); tools such as Protégé/Cellfie support the ontology mapping. The prototype shows that points can be annotated with building element types and properties and subsequently retrieved through semantic queries. The work outlines the potential for building inspection, where targeted semantic information can be extracted from indoor scans, and identifies avenues for further development.
[This summary has been generated with the help of AI directly from the project (PDF)]
Documents