Geri Dön

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

PDF İndir

  1. Tez No: 873784
  2. Yazar: YALÇIN YILMAZ
  3. Danışmanlar: DOÇ. DR. ARZU SOYCAN
  4. Tez Türü: Doktora
  5. Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
  6. Anahtar Kelimeler: Derin ög˘renme, makine ög˘renmesi, altyapı sınıflandırma, rastgele orman, hafif gradyan artırma, aşırı gradyan artırma, Deep learning, machine learning, infrastructure classification, random forest, eXtreme gradient boosting machine, light gradient boosting machines
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Geomatik Bilim Dalı
  13. Sayfa Sayısı: 156

Özet

Üç boyutlu (3B) as-built modelleri, teknik altyapı projeleri kapsamında kentsel dinamiklerde önemli bir rol oynamaktadır. Dinamik kentsel alanlarda 3B veri analizinin sag˘lanması, tasarımdan imalata kadar inşaat süreçlerin izlenmesi ve yönetimi için avantajlar sag˘lamaktadır. Nokta bulutları, her bir noktanın konum ve renk bilgilerini içeren bir dizi 3B nokta kullanarak bir ortamı temsil eder. Bu noktalara anlamsal bilgi atamak, yani nokta bulutu sınıflandırması yapmak, 3B ortamın belgelenmesi ve izlenmesi için kritik öneme sahiptir. Her bir noktanın çok ölçekli geometrik özelliklerini kullanan makine ög˘renimi (MÖ) sınıflandırıcıları ve derin ög˘renme (DÖ) modelleri, nokta bulutu sınıflandırması için sıklıkla kullanılmaktadır. Bu çalışma, karmaşık altyapı alanlarında MÖ ve DÖ sınıflandırma performansını deg˘erlendirmeyi ve hedef ortam farkındalıg˘ını tanımlamada en etkili olan geometrik özellikleri belirlemeyi amaçlamaktadır. Uygulama çalışması Yıldız Teknik Üniversitesi (YTÜ) Hidrolik Laboratuvarı ve Britanya Kolumbiyası İçmesuyu hattı gibi altyapı unsurlarını içeren iki farklı alanda gerçekleştirilmiştir ve her alan için 5 farklı senaryo oluşturulmuştur. Her iki alan için, Rastgele Orman (Random Forest-RF), Aşırı Gradyan Artırma (eXtreme Gradient Boosting Machines -XGBoost), Hafif Gradyan Artırma (Light Gradient Boosting Machines -LightGBM) MÖ sınıflandırıcıları ve çekirdek nokta konvolüsyonu (Kernel Point Convolution - KPConv) DÖ modelinin sınıflandırma performansları 5 farklı senaryo (S1, S2, S3, S4, S5) üzerinden irdelenmiştir. YTÜ Hidrolik Laboratuvarında RF, XGBoost ve LightGBM ile gerçekleştirilen senaryo bazlı sınıflandırma dog˘rulukları sırasıyla; S1 (0.948, 0.963, 0.961), S2 (0.894, 0.935, 0.924), S3 (0.901, 0.941, 0.905), S4 (0.885, 0.935, 0.848) ve S5 (0.739, 0.840, 0.831) olarak elde edilmis¸tir. Britanya Kolumbiyası İçmesuyu hattında RF, XGBoost ve LightGBM ile gerçekles¸tirilen senaryo bazlı sınıflandırma dog˘rulukları; S1 (0.885, 0.871, 0.886), S2 (0.910,.898, 0.896), S3 (0.781, 0.769, 0.789), S4 (0.831, 0.815, 0.830) ve S5 (0.738, 0.661, 0.618) olarak elde edilmiştir. YTÜ Laboratuvarında KPConv ile gerçekleştirilen senaryo bazlı sınıflandırma dog˘rulukları sırasıyla; S1 (0.972), S2 (0.989), S3 (0.993), S4 (0.989), ve S5 (0.990) olarak bulunmuştur. Britanya Kolumbiyası ˙Içmesuyu hattında KPConv ile gerçekleştirilen senaryo bazlı sınıflandırma dog˘rulukları sırasıyla; S1 (0.957), S2 (0.967), S3 (0.905), S4 (0.976), ve S5 (0.968) olarak elde edilmiştir. Makine ög˘renmesi sınıflandırıcılarının sınıflandırma sonuçlarına göre YTÜ veri seti için genel olarak XGBoost üstünlüg˘ü göze çarparken, Britanya Kolumbiyası veri setinde RF'nin daha fazla senaryoda üstün oldug˘u görülmüştür. Ayrıca, bu sınıflandırıcılar farklı yaklas¸ımlara sahip olsalarda, bu sınıflandırıcıların sınıflandırmada önemli olarak belirledikleri geometrik özelliklerde benzerlikler oldug˘u tespit edilmiştir. Her iki çalışma bölgesinin derin ög˘renme ve makine ög˘renme yöntemleri ile elde edilen dog˘ruluk sonuçları kıyaslandıg˘ında bütün senaryolarda KPConv derin ög˘renme modelinin sınıflandırma performansının oldukça üstün oldug˘u görülmüştür.

Özet (Çeviri)

Three-dimensional (3D) as-built models play a crucial role in urban dynamics within the scope of technical infrastructure projects. Enabling 3D data analysis in dynamic urban areas provides advantages for monitoring and managing construction processes, from design to production. Point clouds represent an environment using a set of 3D points, each containing location and color information. Assigning semantic information to these points, known as point cloud classification, is critical for documenting and monitoring 3D environments. Machine learning (ML) classifiers and deep learning (DL) models, which utilize multi-scale geometric features of each point, are frequently used for point cloud classification. This study aims to evaluate the performance of ML and DL classifiers in complex infrastructure areas and to identify the most effective geometric features for defining target environment awareness. The case study was conducted in two different areas involving infrastructure elements: the Hydraulic Laboratory at Yıldız Technical University (YTU) and the potable water pipeline in British Columbia, with five different scenarios created for each area. The classification performances of the Random Forest (RF), eXtreme Gradient Boosting Machines (XGBoost), Light Gradient Boosting Machines (LightGBM) ML classifiers, and the Kernel Point Convolution (KPConv) DL model were examined over five different scenarios (S1, S2, S3, S4, S5) for each area. In the YTU Hydraulic Laboratory, the scenario-based classification accuracies for RF, XGBoost, and LightGBM were as follows: S1 (0.948, 0.963, 0.961), S2 (0.894, 0.935, 0.924), S3 (0.901, 0.941, 0.905), S4 (0.885, 0.935, 0.848), and S5 (0.739, 0.840, 0.831). In the British Columbia potable water pipeline, the scenario-based classification accuracies for RF, XGBoost, and LightGBM were as follows: S1 (0.885, 0.871, 0.886), S2 (0.910, 0.898, 0.896), S3 (0.781, 0.769, 0.789), S4 (0.831, 0.815, 0.830), and S5 (0.738, 0.661, 0.618). The scenario-based classification accuracies with KPConv in the YTU Laboratory were as follows: S1 (0.972), S2 (0.989), S3 (0.993), S4 (0.989), and S5 (0.990). In the British Columbia potable water pipeline, the scenario-based classification accuracies with KPConv were as follows: S1 (0.957), S2 (0.967), S3 (0.905), S4 (0.976), and S5 (0.968). Based on the classification results of the ML classifiers, XGBoost generally showed superiority for the YTU dataset, while RF was more dominant in more scenarios for the British Columbia dataset. Moreover, despite having different approaches, these classifiers were found to have similarities in the geometric features they identified as significant for classification. When comparing the accuracy results obtained with DL and ML methods in both study areas, the classification performance of the KPConv DL model was found to be significantly superior in all scenarios.

Benzer Tezler

  1. Tez No

    909011

    Mekânsal dijital ikizlere yönelik yapı modeli üretiminde prosedürel modelleme yönteminin tasarımı ve geliştirilmesi

    Design and development of procedural modeling method in generating structure models for spatial digital twins

    GÜÇLÜ ŞENYURDUSEV

    Doktora

    Türkçe

    Türkçe

    2024

    Bilim ve Teknolojiİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AHMET ÖZGÜR DOĞRU

  2. Tez No

    666011

    Bina rölevesi kapsamında yersel lazer tarama ve insansız hava araçları yardımıyla üretilen verilerin doğruluk analizi

    Accuracy analysis of data produced by terresterial laser scanner and unmanned aerial vehicle in building relief scope

    HACI TEVFİK ÇAŞKURLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TURAN ERDEN

  3. Tez No

    911200

    Histogram-based sampling and multi-level global registration for 3D point clouds

    3B nokta bulutları için histogram tabanlı örnekleme ve çok katmanlı global eşleştirme

    OSMAN ERVAN

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    PROF. DR. HAKAN TEMELTAŞ

  4. Tez No

    899956

    Hava Lidarda doğruluk araştırması ve model geliştirmesi

    Accuracy research and model development with airborne Lidar

    ZÜMRÜT KURTULGU

    Doktora

    Türkçe

    Türkçe

    2024

    Jeodezi ve FotogrametriYıldız Teknik Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    PROF. DR. ATINÇ PIRTI

    DR. ÖĞR. ÜYESİ ZENNURE UÇAR

  5. Tez No

    794770

    Analysis of visual design principles in art and architecture by computer vision and learning based model

    Sanat ve mimaride görsel tasarım prensiplerinin bilgisayarlı görü ve öğrenme tabanlı model ile analizi

    GÖZDENUR DEMİR

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilişim Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ASLI KANAN

Geri Dön