• Mikkel Knudsen
  • Mads Westergaard
Indeværende afgangsprojekt handler om semantisk segmentering af terrestriske punktskyer ved hjælp af deep learning, og hvordan det kan bruges i landmålings sammenhænge. Projektet tager udgangspunkt i en præudviklet Deep Learning metode kaldet PointNet++ til segmentering af disse punktskyer. Formålet med projektet er at undersøge, hvordan dataevalueringen af punktskysdata kan gøres mere effektiv.

Projektets indledende del undersøger hvordan PointNet++ kan implementeres på et "benchmark datasæt", men også på egne datasæt for at opnå en grundlæggende forståelse for hvordan teknologien virker.

Den primære problemstilling i projektet er centreret omkring, hvordan håndtering af punktskydata kan gøres mere effektiv ved hjælp af segmentering med deep learning. Undersøgelsen af problemstillingen er delt op i 3 dele, som hver især vil bidrage til den samlet besvarelse. Første led i besvarelsen omhandler hvilke typer af opgaver, der forekommer i landinspektørsammenhænge, hvor segmentering kan bidrage til en mere effektiv datahåndtering. Næste led tager fat i én af de netop beskrevne opgavetype og undersøger, hvordan semantisk segmentering kan implementeres for denne type opgave. Denne del vil teste forskellige metoder til at implementere Semantisk Segmentering, men også teste resultatet heraf. Sidste og tredje del af undersøgelsen vil undersøge, hvilke potentialer og udfordringer der er forbundet med Semantisk Segmentering i et landmålingsperspektiv.

I undersøgelsen konkluderes det, at der findes en række af opgavetyper, hvor segmentering potentielt kunne forbedre den nuværende håndtering og efterbehandling af punktskysdata. Dernæst implementeres segmenterings-teknologien for én af de beskrevne opgavetyper, i projektets tilfælde er det punktskyer af urbane miljøer. Implementering af semantisk segmentering kræver, at der trænes en målrettet model til segmentering af den valgte punktsky, hvorefter den segmenteres. Kvaliteten af den segmenterede punktsky evalueres ved at sammenholde den mod en ”ground truth” punktsky, hvor alle punkter manuelt er blevet opdelt i 7 fordefinerede semantiske klasser. Herved dokumenteres det, hvor og hvor meget segmenteringen fejler. Det konkluderes ved PointNet++ metoden at der kan opnås en overordnet nøjagtighed på næsten 96 \% for klassificeret urbane punktskyer, hvilket vil sige, at den opdeler og klassificerer 96 \% af punkterne korrekt ift. punkternes ”ground truth” semantiske klasse. Den tredje del og sidste delspørgsmål er overvejende en undersøgelse af hvilke potentialer og udfordringer, der vil være forbundet med at bruge denne teknologi i landmålingspraksis. Praktiske erfaringer opnået under implementering af semantisk segmentering kombineres med udtalelser og betragtninger om semantisk segmentering fra landmålingsvirksomheder. Det konkluderes, at det primære potentiale ved semantisk segmentering er effektivisering af datahåndteringen ved at kunne fjerne støj eller uønskede elementer fra punktskyer. Modsat er den primære udfordring at implementere segmenteringen i landmålingspraksis, hvilket kunne imødekommes ved at udforme et program der gjorde implementeringen mere intuitiv.

Problemformulering besvares samlet i en konklusion for rapporten, heri konkluderes det at Semantisk Segmentering kan forbedre den nuværende håndtering af punktskyer. Konkret kan dele af den manuelle sortering af punktskyer fjernes ved at implementere Semantisk Segmentering. Dermed bliver den samlede datahåndteringstid skåret ned, hvilket potentielt gør punktskyer til et mere konkurrencedygtigt produkt i landinspektørsammenhænge.
LanguageEnglish
Publication date4 Jun 2021
Number of pages116
ID: 413675920