Research Information System
TUFUAB XII. TEKNİK SEMPOZYUMU, Sivas, Turkey, 24 May - 26 June 2023, pp.1-4
Three-dimensional high-accuracy point cloud data obtained via terrestrial laser scanning methods are frequently preferred in building information modeling, facility management and digital twin projects. However, processing point cloud data can be time-consuming and resource-intensive due to their large size and complex structure. To address these challenges, deep learning, and computer vision techniques can be deployed to automate the process and extract valuable information. In this study, point cloud data was collected using Terrestrial Laser Scanning in the selected corridors of Istanbul Technical University's Faculty of Civil Engineering. The data was prepared for training after undergoing pre-processing and labeling procedures. PointNet++ and PointCNN deep learning models were used to perform semantic segmentation, and the performance of various deep learning models was assessed for indoor settings. According to the comparison of two deep learning models, the mean average accuracy of PointNet++ was 84.85%, where the same accuracy for PointCNN was 79.46%.
Yersel tarama yöntemleri ile elde edilen üç boyutlu ve yüksek doğruluklu nokta bulutu verisi, yapı bilgi modeli, tesis yönetimi ve dijital ikiz çalışmalarında sıklıkla tercih edilmektedir. Fakat görsel olarak başarılı ve hızlı analiz kabiliyeti sunan nokta bulutları, nesnelerin geometrik yapısını elde etmek aşamasında, uzmanlık, yoğun iş gücü, zaman ve yüksel donanım kapasitesi gerektirmektedir. Nesne çıkarımının derin öğrenme ve bilgisayarla görü tabanlı gerçekleştirilmesi, sürecin daha hızlı ve otomatize bir şekilde yapılmasına olanak sağlamaktadır. Bu kapsamda yapılan mevcut çalışmalarda farklı derin öğrenme modelleri geliştirilerek iç mekanlara ait nokta bulutu verilerinde semantik segmentasyon uygulanarak bilgi çıkarımı yapılmaktadır. Bu çalışmada, İstanbul Teknik Üniversitesi İnşaat Fakültesi’nin seçilen koridorlarında yersel lazer tarama ile nokta bulutu verileri elde edilmiştir. Elde edilen verilere ön işleme adımları ve etiketleme işlemleri uygulanarak eğitime hazır hale getirilmiştir. Semantik segmentasyon için, iç mekanlarda nesne çıkarımına yönelik geliştirilen PointNet++ ve PointCNN derin öğrenme modelleri kullanılmıştır. Farklı mimari yapıya sahip olan bu iki modelin iç mekanlarda bulunan yapı elemanlarının otomatik çıkarımı için performansları değerlendirilmiştir. Her iki model karşılaştırıldığında, PointNet++’ın ortalama doğruluğu %84.85 iken, PointCNN modelinin genel ortalama doğruluğu %79.46’dur.