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 öğrenme, makine öğrenmesi, 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 sağlanması, tasarımdan imalata kadar inşaat süreçlerinin izlenmesi ve yönetimi için avantajlar sağlamaktadır. 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 öğrenimi (MO) sınıflandırıcıları ve derin öğrenme (DO) modelleri, nokta bulutu sınıflandırması için sıklıkla kullanılmaktadır. Bu çalışma, karmaşık altyapı alanlarında MO ve DO sınıflandırma performansını değerlendirmeyi ve hedef ortam farkındalığını tanımlamada en etkili olan geometrik özellikleri belirlemeyi amaçlamaktadır. Uygulama çalışması Yıldız Teknik Üniversitesi (YTU) 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) MO sınıflandırıcıları ve çekirdek nokta konvolüsyonu (Kernel Point Convolution-KPConv) DO modelinin sınıflandırma performansları 5 farklı senaryo (S1, S2, S3, S4, S5) üzerinden irdelenmiştir. YTU Hidrolik Laboratuvarında RF, XGBoost ve LightGBM ile gerçekleştirilen senaryo bazlı sınıflandırma doğrulukları 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 edilmiştir. Britanya Kolumbiyası İçmesuyu hattında RF, XGBoost ve LightGBM ile gerçekleştirilen senaryo bazlı sınıflandırma doğrulukları; 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. YTU Laboratuvarında KPConv ile gerçekleştirilen senaryo bazlı sınıflandırma doğrulukları sırasıyla; S1 (0.972), S2 (0.989), S3 (0.993), S4 (0.989), ve S5 (0.990) olarak bulunmuştur. Britanya Kolumbiyası İçmesuyu hattında KPConv ile gerçekleştirilen senaryo bazlı sınıflandırma doğrulukları sırasıyla; S1 (0.957), S2 (0.967), S3 (0.905), S4 (0.976), ve S5 (0.968) olarak elde edilmiştir. Makine öğrenmesi sınıflandırıcılarının sınıflandırma sonuçlarına göre YTU veri seti için genel olarak XGBoost üstünlüğü göze çarparken, Britanya Kolumbiyası veri setinde RF'nin daha fazla senaryoda üstün olduğu görülmüştür. Ayrıca, bu sınıflandırıcılar farklı yaklaşımlara sahip olsalar da bu sınıflandırıcıların sınıflandırmada önemli olarak belirledikleri geometrik özelliklerde benzerlikler olduğu tespit edilmiştir. Her iki çalışma bölgesinin derin öğrenme ve makine öğrenme yöntemleri ile elde edilen doğruluk sonuçları kıyaslandığında bütün senaryolarda KPConv derin öğrenme modelinin sınıflandırma performansının oldukça üstün olduğu 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

    917998

    Enhancing UCAV operations with AI-driven point cloud semantic segmentation for precision gimbal targeting in defense industry

    Savunma sanayiinde hassas gimbal hedefleme için yapay zeka tabanlı nokta bulutu semantik segmentasyon yaklaşımlarıyla S/İHA operasyonlarının iyileştirilmesi

    SALİH BOZKURT

    Doktora

    İngilizce

    İngilizce

    2024

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. ZAİDE DURAN

  2. Tez No

    947374

    Performance of historical bridge subjected to theblast loads

    Patlama yüklerıne maruz kalan tarıhı köprününperformansı

    AMIN BAGHERZADEH AZAR

    Doktora

    İngilizce

    İngilizce

    2025

    Mühendislik Bilimleriİstanbul Teknik Üniversitesi

    Deprem Mühendisliği Ana Bilim Dalı

    PROF. DR. ALİ SARI

  3. 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

  4. 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

  5. Tez No

    947610

    3D nokta bulutu verileri kullanılarak otonom sürüş için nesne algılama yöntemi ile karayolu envanterlerinin tespit edilmesi

    Determination of highway inventories with object detection method for autonomous driving using 3D point cloud data

    HİLAL GEZGİN

    Doktora

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Ana Bilim Dalı

    PROF. DR. REHA METİN ALKAN

Geri Dön