Geri Dön

İç mekân nokta bulutu verilerinin makine öğrenimi yöntemleri kullanılarak sınıflandırılması

Indoor point cloud data classification using machine learning methods

PDF İndir

  1. Tez No: 958864
  2. Yazar: SENA VARBİL
  3. Danışmanlar: DOÇ. DR. ALPER ŞEN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  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: Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Bilim Dalı
  13. Sayfa Sayısı: 67

Özet

İç mekânlara ait 3B nokta bulutu sınıflandırması, iç mekân harita yapımı, iç mekân navigasyonu, bina yenileme, tesis yönetimi vb. uygulamalarda iç mekân modellerinin oluşturulmasında büyük önem taşımaktadır. Bu çalışmada, Stanford Üniversitesi tarafından üretilen S3DIS veri setinde bulunan ofis odalarına ait nokta bulutları makine öğrenmesi yöntemlerinden Rastgele Orman, Çok Katmanlı Algılayıcı, Kategorik Artırma (CatBoost), Aşırı Gradyan Artırma (XGBoost), Hafif Gradyan Artırma Makinesi (LightGBM) ve Sınıflandırma ve Regresyon Ağaçları (CART) yöntemleri ile sınıflandırılarak iç mekân planları oluşturulmuştur. Giriş verileri için X, Y, Z koordinatları ve R, G, B renk değerleri öznitelik bilgileri olarak kullanılmıştır. Sınıflar tavan, zemin, duvar, kapı, pencere, kolon, masa, sandalye, pano, dağınıklık ve kitaplık nesnelerini kapsamaktadır. Eğitim ve test verilerinde iç mekân planlarının oluşturulması amacıyla duvar, kapı, pencere, kolon, pano ve kitaplık bir sınıf (birleştirilmiş sınıf-1); masa, sandalye ve dağınıklık bir sınıf (birleştirilmiş sınıf-2) halinde birleştirilmiştir. İç mekân nokta bulutlarının sınıflandırılması için kullanılan makine öğrenimi yöntemlerinden Rastgele Orman yöntemiyle ortalama %90, Çok Katmanlı Algılayıcı yöntemiyle ortalama %87, CatBoost yöntemiyle ortalama %91, XGBoost yöntemiyle ortalama %88,LightGBM yöntemiyle ortalama %89 ve CART yöntemiyle ortalama %86 genel sınıflandırma doğruluğu elde edilmiştir.

Özet (Çeviri)

The classification of 3D point clouds for indoor environments plays a crucial role in the creation of indoor models for applications such as indoor mapping, indoor navigation, building renovation, facility management, etc. In this study, indoor plans were generated by classifying point clouds of office rooms from the S3DIS dataset, produced by Stanford University, using machine learning methods such as Random Forest, Multi-Layer Perceptron, Categorical Boosting (CatBoost), Extreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine (LightGBM), and Classification and Regression Trees (CART). For the input data, X, Y, Z coordinates and R, G, B color values are used as attribute information. The classes include ceiling, floor, wall, door, window, column, table, chair, board, clutter, and bookcase objects. In the training and test datasets, to create indoor plans, wall, door, window, column, board, and bookcase were combined into a single class (merged class-1), while table, chair, and clutter were grouped into another class (merged class-2). Among the machine learning methods used for the classification of indoor point clouds, Random Forest method has an average classification accuracy of 90%, Multilayer Perceptron method has an average classification accuracy of 87%, CatBoost method has an average classification accuracy of 91%,XGBoost method has an average classification accuracy of 88%, LightGBM method has an average classification accuracy of 89% and CART method has an average classification accuracy of 86%.

Benzer Tezler

  1. Tez No

    932053

    A conceptual model for image recognition based progress monitoring: retail construction and finishing works

    Görüntü tanıma tabanlı ilerleme takibi için kavramsal bir model: perakende inşaat ve ince yapı işleri

    SALİH KAAN MAZLUM

    Doktora

    İngilizce

    İngilizce

    2025

    Mimarlıkİstanbul Teknik Üniversitesi

    Mimarlık Ana Bilim Dalı

    PROF. DR. BEGÜM SERTYEŞİLIŞIK

  2. Tez No

    856753

    Makine öğrenmesi yöntemleri kullanılarak üç boyutlu nokta bulutlarının sınıflandırılması

    Classification of three-dimensional point cloud via machine learning methods

    KORAY AKSU

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. HANDE DEMİREL

  3. Tez No

    455377

    Design and control of an autonomous electrical vehicle for indoor transport applications

    İç mekanda taşıma uygulamalarına yönelik elektrikli otonom araç tasarımı ve kontrolü

    ŞÜKRÜ YAREN GELBAL

    Yüksek Lisans

    İngilizce

    İngilizce

    2016

    Mekatronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ERDİNÇ ALTUĞ

  4. Tez No

    650427

    3D Lidar nokta bulutu işlemede sınır gözetimli voksel tabanlı bir segmentasyon yöntemi geliştirilmesi

    Developing a border constrained voxel-based segmentation method in 3D Lidar point cloud processing

    ALİ SAĞLAM

    Doktora

    Türkçe

    Türkçe

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ NURDAN BAYKAN

  5. Tez No

    920145

    Kriminal alanlarda yersel lazer tarayıcıların kullanımı

    Use of terrestrial laser scanners in criminal areas

    DİLARA ÖZDEN GÜR

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    HukukMersin Üniversitesi

    Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı

    PROF. DR. MURAT YAKAR

Geri Dön