Классификация облако точек, полученных с ДЗЗ на примере БПЛА

Подал: Василенко Дмитрий Владимирович (очно)

Авторы
Василенко Д.В.
Организации
Московский физико-технический институт (национальный исследовательский университет)
Акционерное общество «ФИРМА «РАКУРС»
Секция
Дистанционное зондирование Земли
Подсекция
LIDAR
Научный руководитель
Сечин Андрей Юрьевич
Место работы научного руководителя
Акционерное общество «ФИРМА «РАКУРС»
Текст тезисов
Данные дистанционного зондирования Земли (ДЗЗ), к которым относятся космическая и аэрофотосъемка, воздушное лазерное сканирование являются ценным источником информации об объектах и местности. В результате обработки таких данных с помощью специализированных программных решений создаются различные информационные продукты: ортофотопланы, цифровые модели рельефа и местности, 3D модели строений, карты, топопланы, и другие материалы, используемые в разных отраслях экономики.
Появление новых типов съемочной аппаратуры, увеличение объема данных, качественный и количественный рост потребителей материалов ДЗЗ требует постоянного совершенствования программного обеспечения.
Технология использования лазерных сканеров (лидаров, LIDAR) все шире используется профессионалами. Воздушное лазерное сканирование (с борта самолета или с борта БПЛА) стало синонимом получения 3D облака точек. Почти всегда лазерное сканирование проводится совместно с аэросъемкой, что позволяет совместить оптические аэроснимки с 3D облаком точек, полученных при лазерном сканировании. В результате лазерные точки кроме трехмерных координат получают и важный атрибут цвет. В случае, если же на борту самолета или БПЛА не было лазерного сканера, современные фотограмметрические методы позволяют строить трехмерные облака точек, даже более плотные, чем в случае использования лидара. Работа посвящена вопросам классификации 3-х мерных облаков точек с цветам не зависимо от того, каким способом они были получены - с помощью лазерного сканера или фотограмметрическим методом.
В процессе работы была спроектированы и разработаны модули обучения и применения сверточной нейросети для классификации облаков точек. Для контроля качества классификации использовались метрики точности и объединения над пересечением. При обучении на открытом наборе фотограмметрических данных SensatUrban достигнуты следующие показатели: точность 85%, объединение над пересечением 70%. Разработанный модуль позволит значительно повысить производительность ручной классификации облаков точек.