Derin öğrenme tekniklerini kullanarak hava lidar nokta bulutlarının sınıflandırılması
Classification of airborne lidar point clouds using deep learning
- Tez No: 724947
- Danışmanlar: DR. ÖĞR. ÜYESİ ABDULLAH VARLIK
- Tez Türü: Doktora
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Necmettin Erbakan Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 152
Özet
Hava LiDAR (Light Detection and Ranging) nokta bulutlarının filtrelenmesi ve sınıflandırılması için birçok teknik geliştirilmiştir. Hesaplama verimliliği ve doğruluğun iyileştirilmesi, LiDAR nokta bulutları ile çalışırken üzerinde durulması gereken etkenlerin başındadır. Derin öğrenme teknikleri son yıllarda görüntü sınıflandırma alanında yoğun şekilde kullanılmaya başlamıştır. Elde edilen yüksek doğruluk ve son teknoloji grafik işlemcileri sayesinde hesaplama yükünün hafiflemesi ile araştırmacılar LiDAR nokta bulutlarını sınıflandırma çalışmalarını makine öğrenmesi alanına özellikle de derin sinir ağlarına kaydırmıştır. Bu tez çalışmasının amacı derin öğrenme tekniği kullanılarak 3 boyutlu (3B) LiDAR nokta bulutlarının filtrelenmesi ve sınıflandırılmasıdır. Derin öğrenme tekniklerinin görüntü işlemedeki gücünden faydalanmak için 3B LiDAR verisini 2 boyutlu (2B) görüntüye çeviren bir teknik önerilmiştir. LiDAR verilerine derin sinir ağına girdi olarak verilmeden uygulanan ön işlemlerden bahsedilmiştir. Sonraki aşamada piksel bazlı sınıflandırma yapılmış, en son aşamada ise sınıflar tekrar 3B nokta bulutuna aktarılmıştır. Eğitim ve test verisi olarak Norveç'in Bergen şehrine ve Kanada'nın Surrey şehrine ait Dayton Annotated Laser Earth Scan (DALES) LiDAR nokta bulutları kullanılmıştır. Doğruluk metrikleri olarak Precision (Kesinlik), Recall (Duyarlılık) ve F1 puanı hesaplanmış ve Bergen veri seti için sırasıyla ortalama 0.89, 0.84 ve 0.86 ve DALES veri seti için sırasıyla 0.86, 0.89 ve 0.87 değerleri elde edilmiştir. Ayrıca, önerilen yöntemin sınıflandırma performansı çeşitli ticari yazılımların nokta bulutu filtreleme algoritmaları ile kıyaslanmıştır.
Özet (Çeviri)
Many techniques have been developed for filtering and classifying airborne LiDAR (Light Detection and Ranging) point clouds. Computing efficiency and accuracy are key factors that need to be addressed when working with LiDAR point clouds. Deep learning techniques have been used extensively in image classification in recent years. With the resulting high accuracy and reduced computational burden, the researchers shifted their focus to machine learning techiques for classification of LiDAR point clouds , especially deep neural networks. This thesis aims to create a neural network that classify and filter 3D LiDAR point clouds using deep learning techniques. To take the advantage of the power of deep learning techniques in image processing, a new workflow including conversion method of 3D LiDAR data to 2D images was proposed. Before the LiDAR data is given as input to the deep neural network, the preprocessing steps applied to the data are mentioned. In the next stage, pixel-based classification was made, and at the last stage, the class labels were transferred to the 3D point cloud again. LiDAR point cloud of Bergen city of Norway and DALES dataset, which is covering the Surrey city of Canada, were used as training and test data. Precision, Recall, and F1 scores were calculated as accuracy metrics for two dataset and mean values of 0.89, 0.84, and 0.86 for Bergen dataset and 0.86, 0.89, and 0.87 for Surrey were obtained, respectively. In addition, the classification performance of the proposed method is compared with the point cloud filtering algorithms of various commercial software.
Benzer Tezler
- Developing algorithm for automatic detection of caves using unmanned aerial vehicle data
İnsansız hava araçlarından elde edilen verilerle otomatik mağara tespiti yapabilen algoritmanın geliştirilmesi
MUSTAFA BÜNYAMİN SAĞMAN
Yüksek Lisans
İngilizce
2023
Savunma ve Savunma Teknolojileriİstanbul Teknik ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
DOÇ. DR. ORKAN ÖZCAN
- Semantic segmentation of UAV images in archaeological sites using deep learning
Arkeolojik alanlardaki İHA görüntülerinin derin öğrenme yardımıyla anlamsal segmentasyonu
DAMLA KUMBASAR
Yüksek Lisans
İngilizce
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. DURSUN ZAFER ŞEKER
- Gaziantep'te PM2.5 konsantrasyonunun zamansal ve mekânsaltahminine yönelik transfer öğrenme destekli hibrit yapay zeka modelleri
Spatio-temporal estimation of PM2.5 concentrations in gaziantepusing transfer learning-based hybrid artificial intelligence models
TÜRKAN ZENGİN GÖMLEKSİZ
Yüksek Lisans
Türkçe
2025
Meteorolojiİstanbul Teknik Üniversitesiİklim Bilimi ve Meteoroloji Mühendisliği Ana Bilim Dalı
PROF. DR. HÜSEYİN TOROS
- Data-driven anomaly detection for airspace security using ADS-B surveillance data
ADS-B gözetim verisi ile hava sahası güvenliği için veri tabanlı anomali tespiti
ABDULLAH ÇERKEZOĞLU
Yüksek Lisans
İngilizce
2025
Savunma ve Savunma Teknolojileriİstanbul Teknik ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
DOÇ. BARIŞ BAŞPINAR
- Classification of abnormal respiratory sounds using deep learning techniques
Solunum seslerinin derin öğrenme yöntemleri ile sınıflandırılması
AHAMADI ABDALLAH IDRISSE
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. OKTAY YILDIZ