An explainable AI-based framework for estimating knot vectors in parameterized nurbs surface reconstruction from point clouds
Nokta bulutlarından parametrik nurbs yüzey oluşturulmasında düğüm vektörlerinin tahmini için açıklanabilir yapay zeka tabanlı çerçeve
- Tez No: 1023360
- Danışmanlar: DOÇ. DR. BAHADIR ERGÜN
- Tez Türü: Doktora
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Gebze Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Jeodezi ve Coğrafi Bilgi Teknolojileri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Nesne yüzeyleri, karakteristik özelliklerini tanımlayarak nesnelerin dijital modellenmesinde temel rol oynar. Bu yüzeyleri dijital ortamda verimli bir şekilde temsil etmek için, daha doğru geometrik temsiller ve yüzey geometrisi üzerinde daha fazla kontrol sağlayan parametrik eğriler sıklıkla kullanılır. Özellikle, karmaşık geometrilerin hassas bir şekilde modellenmesine olanak tanıyan parametrik eğri temsilleri olan spline tabanlı yöntemler bu alanda yaygın olarak kullanılmaktadır. B-spline ve tekdüze olmayan rasyonel B-spline (NURBS) eğrileri ise geometrik süreklilik sağlamaları, yerel kontrol imkânı sunmaları ve serbest biçimli geometrileri etkili bir şekilde temsil edebilmeleri nedeniyle bilgisayar destekli tasarım ve tersine mühendislik uygulamalarında tercih edilmektedir. Bu tez çalışmasında, nokta bulutu verilerinden NURBS yüzeylerinin parametrik temsili ele alınmış ve düğüm parametrelerinin üretimi ve tahmini için bir yaklaşım önerilmiştir. Çalışmada, ahşap bir nesne ile açık kaynak Stanford Bunny ve Armadillo nokta bulutu veri setleri kullanılarak, farklı geometrik karmaşıklık seviyelerini temsil eden üç veri seti üzerinde analiz gerçekleştirilmiştir. Temel bileşenler analizi (PCA) tabanlı eğime duyarlı bir parametrizasyon yöntemi uygulanmış; bu yöntem ile yüzeyin ana yönelimleri belirlenerek u-v parametreleri, yüzey geometrisine uygun şekilde tekdüze olmayan (non-uniform) bir yapı içerisinde oluşturulmuştur. Bu parametrelerden türetilen knot vektörleri kullanılarak NURBS yüzeyleri elde edilmiştir. Elde edilen yüzeyler üzerinde her düğüm noktası için, nokta bulutu verisinden yararlanılarak yerel geometrik özellikler kapsamında yüzey normalleri, PCA özdeğerleri, eğrilik tabanlı özellikler ve şekil tanımlayıcıları hesaplanmıştır. Bu özellikler kullanılarak u-v parametre tahmini bir regresyon problemi olarak ele alınmış ve rastgele orman algoritması ile tahmin edilmiştir. Modelin öğrenme süreci ve karar mekanizması ise Shapley eklemeli açıklamaları (SHAP), birikmiş yerel etkiler (ALE) ve yerel yorumlanabilir modelden bağımsız açıklamalar (LIME) açıklanabilir yapay zeka (XAI) yöntemleri kullanılarak analiz edilmiştir. Ayrıca, geliştirilen yaklaşımın kullanıcılar tarafından kolaylıkla uygulanabilmesi amacıyla, tüm işlem adımlarını gerçekleştiren bir MATLAB kullanıcı arayüzü tasarlanmıştır. Tahminleme sonuçları, NURBS yüzey üretiminde düğüm parametre vektörü ve dolayısıyla düğüm noktalarının yeterli doğruluk düzeyinde elde edilebildiğini göstermiştir. XAI analizlerine göre yüzey normalleri en belirleyici özellikler olarak öne çıkmıştır. Ayrıca grid örnekleme yoğunluğunun model performansını doğrudan etkilediği tespit edilmiştir. Böylece bu tez çalışması, NURBS yüzeylerde knot tahminini XAI tabanlı makine öğrenmesi yaklaşımı ile ele alarak hem geometrik doğruluk hem de model yorumlanabilirliği açısından literatürde ilk defa kullanılan ve bu anlamda literatüre katkı sağlayan bütüncül bir çerçeve sunmaktadır.
Özet (Çeviri)
Object surfaces play a fundamental role in the digital modeling of objects by defining their characteristic properties. To represent these surfaces efficiently in a digital environment, parametric curves are often employed, enabling more accurate geometric representations and greater control over surface geometry. In particular, spline-based methods, which are parametric curve representations that allow for the precise modeling of complex geometries, are widely used in this field. B-spline and non-uniform rational B-spline (NURBS) curves are preferred in computer-aided design and reverse engineering applications due to their ability to provide geometric continuity, support local control, and represent free-form geometries effectively. This dissertation addresses the parametric representation of NURBS surfaces from point cloud data and proposes an approach for generating and estimating knot parameters. The study analyzes three datasets representing different levels of geometric complexity, including a wooden object and the Stanford Bunny and Armadillo point cloud datasets. A slope-sensitive parameterization method based on principal component analysis (PCA) is applied. The main orientations of the surface are determined, and the u-v knot parameters are generated in a non-uniform structure appropriate to the surface geometry. NURBS surfaces are then constructed using the knot vectors derived from these parameters. For each knot point on the obtained surfaces, local geometric properties such as surface normals, PCA eigenvalues, curvature-based features, and shape descriptors were calculated using the point cloud data. Using these features, the u-v parameter estimation was formulated as a regression problem and performed using the random forest algorithm. The learning process and decision-making mechanism of the model were analyzed using artificial intelligence (XAI) methods, including Shapley Additive Explanations (SHAP), Accumulated Local Effects (ALE), and Local Interpretable Model-agnostic Explanations (LIME). Additionally, a MATLAB user interface was designed to integrate all processing steps, enabling easy implementation of the proposed approach. The prediction results indicated that the knot parameter vector, and consequently the knot points, could be obtained with sufficient accuracy in NURBS surface generation. XAI analysis results revealed that surface normals emerged as the most defining features. Furthermore, it was found that grid sampling density directly affects model performance. Thus, this dissertation study presents a framework that addresses knot estimation on NURBS surfaces using an XAI-based machine learning approach, which is used for the first time in the literature in terms of both geometric accuracy and model interpretability, thereby contributing to the field in this regard.
Benzer Tezler
- Scalable vulnerability triage using multi-agent ai systems and automated cvss assessment
Çok etmenli yapay zeka sistemleri kullanılarak ölçeklenebilir zafiyet onay süreci ve otomatik cvss değerlendirmesi
NOVRUZ AMİROV
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı (disiplinlerarası)
PROF. DR. ŞERİF BAHTİYAR
- Mandibular üçüncü molarların çekim zorluğunun açıklanabilir derin öğrenme teknikleri ile tahmini
Prediction of the extraction difficulty of mandibular third molars using explainable deep learning techniques
İSMAİL KAYADİBİ
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. UTKU KÖSE
DOÇ. DR. GÜR EMRE GÜRAKSIN
- Demiryolu ağında trafik sayımlarından O-D matrisi tahmini
Başlık çevirisi yok
ZEYNEP AĞCI
Yüksek Lisans
Türkçe
1998
İnşaat Mühendisliğiİstanbul Teknik ÜniversitesiUlaştırma Ana Bilim Dalı
PROF. DR. HALUK GERÇEK
- Bağımsız denetimde veri madenciliği tekniklerinin kullanılması
Using data mining techniques in audit
KARDELEN YILMAZ
Yüksek Lisans
Türkçe
2021
İşletmeAlanya Alaaddin Keykubat Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. SÜLEYMAN UYAR