Derin öğrenme ile nokta bulutu üzerinden bina çatı tiplerinin sınıflandırılması
Classification of building roof types through point cloud with deep learning
- Tez No: 775677
- Danışmanlar: PROF. DR. FEVZİ KARSLI
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Karadeniz Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 79
Özet
Binaların otomatik olarak algılanması ve çıkarılması, kentsel alan planlama, güneş potansiyel analizi, arazi ve afet yönetimi, kentsel haritalama ve 3 boyutlu (3B) şehir modeli oluşturma gibi birçok alan üzerinde önemli bir etkiye sahip olduğundan; binaların tespit edilmesi ve çıkarılması, günümüzde Uzaktan Algılama, Fotogrametri, Coğrafi Bilgi Sistemleri (CBS) ve bilgisayarla görme alanlarında aktif bir araştırma konusu haline gelmiştir. Nokta bulutu ya da hava ve uydu görüntüsü verilerinden bina çatı türlerinin sınıflandırılması, çatı yüzeylerinin ayrı ayrı tanımlanması, bina şekillerinin yeniden yapılandırılması ve belirlenmesi için anlamlı olduğundan tüm bu alanlar için önemli bir adım teşkil etmektedir. Son yıllarda, 3B bina modellerinin oluşturulması için derin öğrenme metotlarının önem kazanmasıyla ile derin öğrenme algoritmalarını eğitebilecek kaliteli ve makul boyutlara sahip verilere olan ihtiyaç artmıştır. Özellikle bina çatı türlerinin sınıflandırılmasında 3 boyutlu nokta bulutlarının kullanıldığı derin öğrenme yöntemlerinde var olan bu veri açığı RoofN3D veri seti ile giderilmeye çalışılmıştır. Bu tez çalışmasında RoofN3D veri seti kullanılarak çatı türlerinin sınıflandırılması için nokta bulutlarını direkt işleyen ve çıktı olarak da her bir çatıya ait sınıf etiketi üreten bir yapay sinir ağı mimarisi geliştirilmiştir. Geliştirilen mimaride kullanılacak verinin düzenlenmesi için ise çatılara ait nokta bulutlarının histogramları kullanılmış, her bir nokta bulutunda kaç adet nokta olması gerektiğine karar verilmiştir. Belirlenen nokta sayısından fazla sayıda nokta içeren çatılar için nokta sayısı azaltılarak; az sayıda nokta içeren çatılar için ise enterpolasyon ile nokta sayısı artırılarak veri seti sinir ağına uygun hale getirilmiştir. Yapay sinir ağı mimarisinin hiperparametreleri ise, Bayesian optimizasyonu kullanılarak optimum seviyeye getirilmiştir. Üçgen, kırma ve piramit olmak üzere üç çatı türünde yapılan sınıflandırmanın Kesinlik (Precision), Hassasiyet (Recall) ve F1-Skoru (F1-Score) metrikleri kullanılarak gerçekleştirilen doğruluk analizlerinde genel doğruluk %95 olarak elde edilmiştir.
Özet (Çeviri)
Since the automatic detection and extraction of buildings has a significant impact on many areas such as urban area planning, solar potential analysis, land and disaster management, urban mapping and three-dimensional (3D) city model creation, detection and extraction of buildings has become an active research topic in the fields of Remote Sensing, Photogrammetry, Geographic Information Systems (GIS) and computer vision. Classification of building roof types from point cloud or aerial and satellite image data is an important step for all these areas as it is meaningful for defining roof surfaces separately, reconstructing and determining building shapes. In recent years, with the importance of deep learning methods for the creation of 3D building models, the need for high quality and reasonably sized data that can train deep learning algorithms has increased. Especially in the classification of building roof types, this data gap in deep learning methods using 3D point clouds has been tried to be eliminated with the RoofN3D data set. In this thesis, an artificial neural network architecture has been developed for the classification of roof types using the RoofN3D dataset, which directly processes the point clouds and produces the class label of each roof as output. In order to organize the data to be used in the developed architecture, the histograms of the point clouds belonging to the roofs were used, and it was decided how many points should be in each point cloud. The data set is made suitable for the neural network by reducing the number of points for frames containing more than the specified number of points, and by increasing the number of points by interpolation for frames containing a small number of points. The hyperparameters of the artificial neural network architecture are optimized using Bayesian optimization. In the accuracy analyzes performed using Precision, Recall and F1-Score metrics, the classification accuracy was obtained as 95% for the saddleback, two-sided hip and pyramid roof types.
Benzer Tezler
- Çok katmanlı küresel derinlik parametreleri ve derin öğrenme yöntemleri ile 3B şekil tamamlama ve üretme
3D shape completion and generation using multilayer spherical depth parameters with deep learning methods
ABDÜLLATİF AĞCA
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTOBB Ekonomi ve Teknoloji ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. FATMA BETÜL ATALAY SATOĞLU
- Nokta bulutu ile elde edilen altyapı elemanlarının sınıflandırılmasında makine öğrenmesi ve derin öğrenme algoritmalarının performanslarının değerlendirilmesi
Evaluation of the performance of machine learning and deep learning algorithms in the classification of infrastructure elements obtained with point cloud
YALÇIN YILMAZ
Doktora
Türkçe
2024
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
DOÇ. DR. ARZU SOYCAN
- Derin öğrenme yöntemleri kullanarak 3B geometri işleme ve uygulamaları
3D geometry processing and applications by using deep learning methods
KAYA TURGUT
Doktora
Türkçe
2022
Elektrik ve Elektronik MühendisliğiEskişehir Osmangazi ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HELİN DUTAĞACI
- Investigation of artificial intelligence-based point cloud semantic segmentation
Yapay zeka tabanlı nokta bulutu semantik bölümlendirmesinin incelenmesi
MUHAMMED ENES ATİK
Doktora
İngilizce
2022
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ZAİDE DURAN
- Deep learning based road segmentation from multi-source and multi-scale data
Çok kaynaklı ve çok ölçekli veriyle derin öğrenme tabanlı yol bölütlenmesi
OZAN ÖZTÜRK
Doktora
İngilizce
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. DURSUN ZAFER ŞEKER