دانشگاه تربیت دبیر شهید رجائی

  اخبار و اعلانات

 آمار

تعداد نشریات13
تعداد شماره‌ها188
تعداد مقالات1,880
تعداد مشاهده مقاله2,478,836
تعداد دریافت فایل اصل مقاله1,746,997
حیدری مظفر, مرتضی, حسینی, سید عادل. (1402). استخراج نقاط نمای ساختمان‌های شهری از ابرنقاط لیزراسکنر همراه. فناوری آموزش, (), 163-176. doi: 10.22061/jgce.2023.10344.1035
مرتضی حیدری مظفر; سید عادل حسینی. "استخراج نقاط نمای ساختمان‌های شهری از ابرنقاط لیزراسکنر همراه". فناوری آموزش, , , 1402, 163-176. doi: 10.22061/jgce.2023.10344.1035
حیدری مظفر, مرتضی, حسینی, سید عادل. (1402). 'استخراج نقاط نمای ساختمان‌های شهری از ابرنقاط لیزراسکنر همراه', فناوری آموزش, (), pp. 163-176. doi: 10.22061/jgce.2023.10344.1035
حیدری مظفر, مرتضی, حسینی, سید عادل. استخراج نقاط نمای ساختمان‌های شهری از ابرنقاط لیزراسکنر همراه. فناوری آموزش, 1402; (): 163-176. doi: 10.22061/jgce.2023.10344.1035

استخراج نقاط نمای ساختمان‌های شهری از ابرنقاط لیزراسکنر همراه

ژئوانفورماتیک در مهندسی عمران
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 23 آبان 1402    اصل مقاله (893.14 K)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22061/jgce.2023.10344.1035
نویسندگان
مرتضی حیدری مظفر* 1؛ سید عادل حسینی* 2
1گروه عمران، دانشکده مهندسی، دانشگاه بوعلی سینا، همدان، ایران
2گروه مهندسی نقشه‌برداری، دانشکده عمران و حمل و نقل، دانشگاه اصفهان، اصفهان، ایران
تاریخ دریافت: 07 تیر 1402،  تاریخ بازنگری: 14 شهریور 1402،  تاریخ پذیرش: 23 مهر 1402 
چکیده
پیشینه و اهداف: در دهه‌های اخیر، علوم ژئوماتیک پیشرفت چشمگیری کرده و این پیشرفت‌ها، ناشی از ابزارهای پیشرفته اندازه‌گیری و تکنولوژی‌های نوآورانه در زمینه اخذ داده‌های هندسی و مکانی است. در این زمینه، لیزراسکنرهای همراه به عنوان ابزاری اساسی و کارآمد معرفی شده‌اند که قابلیت انجام اندازه‌گیری دقیق و سریع اشیاء و محیط‌های مختلف از جمله فضاهای شهری، را دارا هستند. این دستگاه‌ها به شکل خودکار تمامی جزئیات فضای شهری را به شکل ابرنقطه ثبت می‌کنند. برای استخراج اطلاعات هندسی ساختمان‌ها از درون این جزئیات، لازم است از روش‌های بینایی ماشین استفاده شود. در راستای دستیابی به مدل‌های دقیق و قابل اعتماد از ساختمان‌ها، هنگام پردازش داده‌های ابرنقطه، دنباله‌ای از عملیات پس‌پردازش اجرا می‌شود. یکی از مهمترین مراحل این پردازش‌ها، قطعه‌بندی ابرنقاط است. این مراحل انتقال داده‌های ابرنقطه را به اطلاعات مفهومی‌تر و قابل تحلیل‌تر تبدیل می‌کنند. یکی از مسائل مهم در پردازش داده‌های ابرنقطه، توانایی استخراج سطوح مسطح نما‌های ساختمانی (دیوارها) است. این سطوح مسطح به عنوان اجزاء اساسی در مدل‌سازی و تحلیل وضعیت ساختمان‌ها از اهمیت ویژه‌ای برخوردارند. دقت در اطلاعات مرتبط با این سطوح مسطح، امکان تمایز دقیق‌تر و کامل‌تر بین اجزاء مختلف ساختمان‌ها را فراهم می‌کند. این امر در کاربردهای متعددی از جمله برنامه‌ریزی شهری، مدیریت ساخت و ساز، و تجزیه و تحلیل مصرف انرژی ساختمان‌ها اهمیت دارد.
روش‌ها: در این مقاله، برای استخراج سطوح مسطح از داده‌های ابرنقطه از دو الگوریتم MSAC و G-DBSCAN استفاده شده است. این دو الگوریتم به صورت متوالی اجرا می‌شوند. به‌طوری‌که ابتدا محتمل‌ترین سطوح مسطح در فضای مطالعه با استفاده از MSAC استخراج شده و سپس به منظور جداسازی دیوارها از میان این سطوح مسطح از G-DBSCAN استفاده می‌شود. در این مقاله، از دستگاه لیزراسکنر همراه GeoSLAM ZEB-HORIZON برای اخذ داده‌ها استفاده شده است و محوطه‌ای که برای این منظور انتخاب شده، ساختمان‌های دانشکده مهندسی دانشگاه بوعلی سینا در همدان می‌باشد. دلیل انتخاب این محوطه وجود ویژگی‌هایی از جمله تنوع معماری، وجود نماهای غیرمسطح و مسطح، حالت‌های مختلف قرارگیری دیوارها نسبت به هم با ابعاد مختلف، و چالش‌های مرتبط با معماری متنوع فضای اطراف ساختمان‌ها است.
یافته‌ها: ارزیابی جامع این تحقیق، سه ساختمان مجزا را دربرمی‌گیرد. نتایج میانگین دقت (Precision) بالای 93 درصد را نشان می‌دهد که استخراج دقیق داده‌ها را تضمین می‌کند. به‌علاوه، نتایج به میانگین بازنمایی (Recall) بالای 94% دست یافته است، که اکثریت عناصر نما را به تصویر می‌کشد. در نتیجه، امتیاز  F1(F1 score) مقدار متوسط 94% را به‌دست آورده است. این تحقیق، به پیشرفت در زمینه استخراج دقیق داده‌های ساختمانی و مدل‌سازی معماری کمک می‌کند. البته، در مواجهه با ساختمان‌ها و محیط‌های پیچیده‌تر، الگوریتم‌ با چالش‌هایی مواجه می‌شود. از جمله چالش‌هایی که می‌توان به آن‌ها اشاره کرد، ویژگی‌های معماری متنوع ساختمان‌ها و موانع خارجی می‌باشد. برای مثال، در ساختمان‌های دارای درب‌ها و پنجره‌های شیشه‌ای بزرگ، این الگوریتم‌ها ممکن است دیوارهای داخلی را به اشتباه استخراج کنند. همچنین، وجود پوشش گیاهی متراکم در اطراف نما می‌تواند موانعی ایجاد کند که مانع از توانایی لیزراسکنر در برداشت کامل نما شوند.
نتیجه‌گیری: نتایج، نشان می‌دهد الگوریتم‌ به طور کلی توانسته‌ عملکرد قابل توجهی در استخراج اطلاعات نمای ساختمان‌ها به خصوص در سناریوهای معماری چالش برانگیز ارائه دهد. این پیشرفت‌ها، امیدوارکننده‌اند و امکانات جدیدی را در حوزه تحلیل داده‌های مکانی و مدل‌سازی ساختمانی ایجاد می‌کند. از این رویکرد نوآورانه، می‌توان در کاربردهای مختلفی استفاده نمود و به توسعه مدل‌های معماری مدرن و مبتنی بر داده کمک کرد.
کلیدواژه‌ها
لیزراسکنر همراه؛ الگوریتمهای DBSCAN و RANSAC؛ مدل‌سازی ساختمان؛ استخراج صفحه؛ قطعه‌بندی ابرنقطه؛ خوشه‌بندی ابرنقطه
عنوان مقاله [English]
Extracting FaçadePoints of Urban Buildings from Mobile Laser Scanner Point Clouds
نویسندگان [English]
M. Heidarimozaffar1؛ S.A. Hosseini2
1Department of Civil Engineering, Faculty of Engineering, Bu-Ali Sina University, Hamadan, Iran
2Department of Surveying and Geomatics Engineering, Faculty of Civil Engineering and Transportation, University of Isfahan, Isfahan, Iran
چکیده [English]
Background and Objectives: In recent decades, geomatics science has made significant progress, and these advances are due to advanced measurement tools and innovative technologies in the field of geometric and spatial data acquisition. In this context, mobile laser scanners have been introduced as a basic and efficient tool that has the ability to perform accurate and fast measurements of various objects and environments, including urban spaces. These devices automatically record all the details of the urban space in the form of point cloud. To extract the geometric information of buildings from these details, it is necessary to use machine vision methods. In order to achieve accurate and reliable models of buildings, a sequence of post-processing operations is implemented when processing point cloud data. One of the most important stages of these processes is the segmentation of point cloud. These steps transform point cloud data into more conceptual and analyzable information. One of the important issues in processing point cloud data is the ability to extract planar surfaces of building facades (walls). These planar surfaces are of special importance as basic components in modeling and analyzing the condition of buildings. Accuracy in the information related to these planar surfaces allows for a more accurate and complete distinction between different components of buildings. This is important in several applications including urban planning, construction management, and energy consumption analysis of buildings.
Methods: In this article, MSAC and G-DBSCAN algorithms are used to extract planar surfaces from point cloud data. These two algorithms are executed sequentially. First, the most probable planar surfaces in the study area are extracted using MSAC, and then G-DBSCAN is used to separate the walls from these planar surfaces. In this article, the GeoSLAM ZEB-HORIZON mobile laser scanner device is used to collect data, and the area chosen for this purpose is the buildings of the Faculty of Engineering of Bo Ali Sina University in Hamedan. Because this place has features such as architectural diversity, the presence of non-planar and planar facades, different positions of the walls relative to each other with different dimensions, and challenges related to the diverse architecture of the space around the buildings.
Findings: Comprehensive evaluation of this research that includes three separate buildings. The results show an average precision of over 93%, which guarantees accurate data extraction. In addition, it has achieved an average recall of over 94%, which captures the majority of elements in the view. As a result, F1 score with an average value of 94% has been obtained. This research contributes to the progress in the field of accurate building data extraction and architectural modeling. Of course, when dealing with buildings and more complex environments, the algorithm faces challenges. Among the challenges that can be mentioned are various architectural features of buildings and external obstacles. For example, in buildings with large glass doors and windows, these algorithms may incorrectly extract interior walls. Also, the presence of dense vegetation around the facade can create obstacles that hinder the laser scanner's ability to fully capture the facade.
Conclusion: However, the results show that the algorithm in general was able to provide a significant performance in extracting the facade information of buildings, especially in challenging architectural scenarios. These developments are promising and create new possibilities in the field of spatial data analysis and building modeling. This innovative approach can be used in various applications and help to develop modern and data-based architectural models.
کلیدواژه‌ها [English]
Mobile Laser Scanner, DBSCAN and RANSAC, Building Modeling, Plane Extraction, Point Cloud Segmentation, Point Cloud Clustering
مراجع
[1] Cornelis N, Leibe B, Cornelis K, and Van Gool L. 3D urban scene modeling integrating recognition and reconstruction. Int. J. Comput. Vis. 2008; 78 (2–3):121–141.

[2] S. Becker. Generation and application of rules for quality dependent Façade reconstruction. ISPRS J. Photogramm. Remote Sens. 2009; 64(6): 640– 653.

[3] Abreu N, Pinto A, Matos A, and Pires M. Procedural Point Cloud Modelling in Scan-to-BIM and Scan-vs-BIM Applications: A Review. ISPRS Int. J. Geo-Information 2023; 12(7): 260.

[4] La Russa F. M, Grilli E, Remondino F, Santagati C, and Intelisano M. Advanced 3D Parametric Historic City Block Modeling Combining 3D Surveying, AI and VPL. Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci 2023; 48: 903–910.

[5] Su Z. et al. Building Plane Segmentation Based on Point Clouds. Remote Sens. 2021; 14: 95.

[6] Wagner W, Ullrich A, Ducic V, Melzer T, and Studnicka N. Gaussian decomposition and calibration of a novel small-footprint full-waveform digitising airborne laser scanner. ISPRS J. Photogramm. Remote Sens. 2006; 60, (2): 100–112.

[7] Vosselman G and Maas H.-G. Airborne and terrestrial laser scanning. CRC press 2010.

[8] Arachchige N. H. and Maas H.-G. Automatic Building Facade Detection in Mobile Laser Scanner point Clouds. Inst. Photogramm. Remote Sensing, Tech. Univ. Dresden, Helmholtz Straße 2012: 1– 8.

[9] Hu D, Gan V. J. L, and Yin C. Robot-assisted mobile scanning for automated 3D reconstruction and point cloud semantic segmentation of building interiors. Autom. Constr. 2023; 152: 104949.

[10] Arachchige N. H, Perera S. N, and Maas H. Automatic Processing of Mobile Laser Scanner Point Clouds for Building Façade  Detection 2012 September; XXXIX: 187–192.

[11] Treccani D and Adami A. Single Building Point Cloud Segmentation: Towards Urban Data Modeling and Management. Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci. 2023; 48: 511–516.

[12 ] Boulaassal H, Landes T, and Grussenmeyer P. Automatic extraction of planar clusters and their contours on building façades recorded by terrestrial laser scanner. Int. J. Archit. Comput. 2009; 7(1): 1–20. https://journals.sagepub.com/doi/ abs/10.1260/147807709788549411‎

[13] Tarsha-Kurdi F, Landes T, and Grussenmeyer P. Hough-transform and extended ransac algorithms for automatic detection of 3d building roof planes from lidar data. ISPRS Workshop on Laser Scanning 2007 and SilviLaser 2007; 36 : 407–412.

[14] Sampath A and Shan J. Segmentation and Reconstruction of Polyhedral Building Roofs From Aerial Lidar Point Clouds. IEEExplore 2009; 48(3): 1554–1567.

[15] Zhou G, Cao S, and Zhou J. Planar segmentation using range images from terrestrial laser scanning. IEEE Geosci. Remote Sens. Lett. 2016; 13(2): 257–261.

[16] Arnaud A, Gouiffès M, and Ammi M.On the fly plane detection and time consistency for indoor building wall recognition using a tablet equipped with a depth sensor. IEEE Access 2018; 6: 17643–17652.

[17] Weinmann M, Jutzi B, Hinz S, and Mallet C. Semantic point cloud interpretation based on optimal neighborhoods, relevant features and efficient classifiers. ISPRS J. Photogramm. Remote Sens. 2015; 105: 286–304.

[18] Lerma J. L and Biosca J. M.Segmentation and Filtering of Laser Scanner Data for Cultural Heritage 2005.

[19] Stamos l. Yu G. Wolberg G. Zokai S. 3D Modeling Using Planar Segments And Mesh Elements.IEEE xplore 2007(c).

[20] Dold C and Brenner C. Registration of terrestrial laser scanning data using planar patches and image data. Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci. - ISPRS Arch. 2006; 36: 78–83.

[21] Xiao J, Zhang J, Adler B, Zhang H, and Zhang J. Three-dimensional point cloud plane segmentation in both structured and unstructured environments. Rob. Auton. Syst. 2013; 61(12): 1641–1652.

[22] Jochem A, Höfle B, Wichmann V, Rutzinger M, and Zipf A. Area-wide roof plane segmentation in airborne LiDAR point clouds. Comput. Environ. Urban Syst. 2012;  36(1): 54–64.

[23] Kwak E, Al-Durgham M, and Habib A. Automatic 3D building model generation from lidar and image data using sequential minimum bounding rectangle. Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci. 2012;  39: 285–290.

[24] Hough P. V. C. Method and means for recognizing complex patterns. Google Patents 1962 Dec. 18.

[25] Fischler M. A. and Bolles R. C. Random Sample Paradigm for Model Consensus: A Apphcatlons to Image Fitting with Analysis and Automated Cartography. Graph. Image Process. 1981; 24(6): 381–395. https://dl.acm.org/doi/abs/10.1145/ 358669.358692‎

[26] Deschaud J. A Fast and Accurate Plane Detection Algorithm for Large Noisy Point Clouds Using Filtered Normals and Voxel Growing HAL Id : hal-01097361 2014  Dec.

[27] Thomson C and Boehm J. Automatic geometry generation from point clouds for BIM. Remote Sens 2015; 7(9) :11753–11775.

[28] Qu J, Li S, Li Y, and Liu L. Research on Railway Obstacle Detection Method Based on Developed Euclidean Clustering. Electronics 2023; 12(5): 1175.

[29] Comm J. V, Hulik R, Spanel M, Smrz P, and Materna Z. Continuous plane detection in point-cloud data based on 3D Hough Transform. J. Vis. Commun. Image Represent. 2013.

[30] Awwad, T. M., Zhu, Q., Du, Z., & Zhang, Y. An improved segmentation approach for planar surfaces from unstructured 3D point clouds. The Photogrammetric Record 2010; 25(129): 5-23. https://onlinelibrary.wiley.com/doi/abs/10.1111/j.1477-9730.2009.00564.x‎

[31] Xu B, Jiang W, Shan J, Zhang J, and Li L. Investigation on the Weighted RANSAC Approaches for Building Roof Plane Segmentation from LiDAR Point Clouds. Remote Sensing. 2015; Dec 23;8(1):5.

[32] Cells T. An Improved RANSAC for 3D Point Cloud Plane Segmentation Based on Normal Distribution Transformation Cells. Remote Sens. 2017; 9(5): 433.

[33] Torr P. H. S and Zisserman A. MLESAC: A new robust estimator with application to estimating image geometry. Comput. Vis. Image Underst. 2000; 78(1): 138–156.

[34] Andrade G, Ramos G, Madeira D, Sachetto R, Ferreira R, and Rocha L. G-dbscan: A gpu accelerated algorithm for density-based clustering. Procedia Comput. Sci. 2013; 18: 369–378.

[35] Ester M, Kriegel H, Xu X, and Miinchen D.-. A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise. 1996.

[36] Kalentev O, Rai A, Kemnitz S, and Schneider R. Connected component labeling on a 2D grid using CUDA. J. Parallel Distrib. Comput. 2011; 71(4): 615–620.

[37] Nolan J. et al. Multi-pass Approach for Mobile Terrestrial Laser Scanning. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences 2015;( II-3/W5).

[38] Nolan J, Eckels R, Olsen M. J, Yen K. S, Lasky T. A, and Ravani B. Analysis of the multipass approach for collection and processing of mobile laser scan data. J. Surv. Eng. 2017; 143(3): 4017004. https://ascelibrary.org/doi/abs/10.1061/(ASCE)SU. 1943-5428.0000224‎

[39] Oliveira A, Oliveira J. F, Pereira J. M, De Araújo B. R, and Boavida J. 3D modelling of laser scanned and photogrammetric data for digital documentation: the Mosteiro da Batalha case study. J. real-time image Process. 2014; 9(4): 673–688.

[40] Vo A.-V, Truong-Hong L, Laefer D. F, and Bertolotto M. Octree-based region growing for point cloud segmentation. ISPRS J. Photogramm. Remote Sens. 2015; 104: 88–100.

[41] Polak, M., Zhang, H., & Pi, M. An evaluation metric for image segmentation of multiple objects. Image and Vision Computing 2009; 27(8): 1223-1227.

[42] Martin, D., Fowlkes, C., Tal, D., & Malik, J. A database of human segmented natural images and its application to evaluating segmentation algorithms and measuring ecological statistics. In Proceedings Eighth IEEE International Conference on Computer Vision. ICCV 2001; 2: 416-423.

[43] Yan, J., Shan, J., & Jiang, W. A global optimization approach to roof segmentation from airborne lidar point clouds. ISPRS journal of photogrammetry and remote sensing 2014; 94: 183-193.

[44] Awrangjeb, M., & Fraser, C. S. An automatic and threshold-free performance evaluation system for building extraction techniques from airborne LIDAR data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 2014; 7(10): 4184-4198.

آمار
تعداد مشاهده مقاله: 61
تعداد دریافت فایل اصل مقاله: 6


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب