Tạp chí
 
Năm 2023
 
Số 64, Kỳ 4, [08 - 2023]

Xây dựng chương trình tự động phân loại dữ liệu đám mây điểm

DOI:10.46326/JMES.2023.64(4).01

  • Cơ quan:

    1 Trường Đại học Mỏ - Địa chất, Việt Nam
    2 Nhóm nghiên cứu nghiên cứu phát triển công nghệ quản lý và phân tích dữ liệu không gian địa lý, Hà Nội, Việt Nam
    3 Công ty TNHH MTV Tài nguyên và Môi trường Việt Nam, Hà Nội, Việt Nam
    4 Công ty TNHH GeoPro, Hà Nội, Việt Nam

  • *Tác giả liên hệ:
    This email address is being protected from spambots. You need JavaScript enabled to view it.
  • Nhận bài: 01-04-2023
  • Sửa xong: 23-07-2023
  • Chấp nhận: 17-08-2023
  • Ngày đăng: 31-08-2023
Trang: 1 - 11
Lượt xem: 746
Xem onlineXem online
Lượt tải: 53
Tải về PDF
★★★★★Yêu thích: 5.0, Số lượt: 1
  • ★
  • ★
  • ★
  • ★
  • ★
Bạn yêu thích

Tóm tắt:

Cùng với sự phát triển trong lĩnh vực khoa học và công nghệ đo đạc bản đồ, công tác thu nhận dữ liệu thông qua hệ thống quét laser hàng không đã có sự phát triển mạnh mẽ. Đây là nguồn dữ liệu quan trọng và chi tiết cho công tác xây dựng cơ sở dữ liệu, thành lập bản đồ, xây dựng mô hình 3D thành phố,... Quá trình xây dựng mô hình 3D thành phố đòi hỏi phải xử lý nhiều loại dữ liệu, trong đó công tác xử lý và phân loại dữ liệu đám mây điểm có vai trò quan trọng trong việc tạo nguồn dữ liệu đầu vào cho mô hình. Tuy nhiên, việc xử lý và phân loại dữ liệu đám mây điểm hiện nay chủ yếu phụ thuộc vào các phần mềm thương mại có bản quyền với giá thành rất cao, hơn nữa các thuật toán và tham số của phần mềm thương mại được mã hóa làm cho người dùng không thể can thiệp để cải thiện độ chính xác của sản phẩm. Do vậy, việc xây dựng một chương trình tự động phân loại dữ liệu đám mây điểm thành các đối tượng địa lý khác nhau giúp chúng ta có thể làm chủ được công nghệ xử lý dữ liệu phục vụ công tác xây dựng các mô hình 3D thành phố tiến tới góp phần quan trọng vào tiến trình xây dựng và phát triển thành phố thông minh. Bài báo giới thiệu quy trình các bước thực hiện phân loại dữ liệu đám mây điểm LiDAR và quá trình triển khai xây dựng chương trình tự động phân loại dữ liệu đám mây điểm dựa trên ngôn ngữ Visual Studio.Net. Kết quả bài báo đã xây dựng được chương trình tự động phân loại dữ liệu đám mây điểm song ngữ (Việt – Anh), có thể đọc và triển khai đầy đủ các thuật toán để xử lý dữ liệu đám mây điểm LiDAR chứa thông tin 4 kênh màu (đỏ, lục, lam và cận hồng ngoại). Quá trình xử lý chính dựa theo các bước và ngưỡng phân loại đã đề xuất cho phân loại dữ liệu đám mây điểm thành 8 lớp đối tượng địa lý khác nhau bao gồm: thủy văn, mặt đất, giao thông, thực vật thấp, thực vật trung bình, thực vật cao, nhà và các đối tượng khác phục vụ cho công tác thành lập các mô hình 3D thành phố.

Trích dẫn
Bùi Ngọc Quý ., Lê Đình Hiển, Phạm Văn Hiệp ., Vũ Sơn Tùng, Dương Anh Quân . và Trần Thị Thu Trang, 2023. Xây dựng chương trình tự động phân loại dữ liệu đám mây điểm, Tạp chí Khoa học kỹ thuật Mỏ - Địa chất, số 64, kỳ 4, tr. 1-11.
Tài liệu tham khảo

Alexandre Boulch (2020). ConvPoint: Continuous Convolutions for Point Cloud Processing. Computers and Graphics, 88, 24-34. doi.org/10.1016/j.cag.2020.02.005

Arief, H. A. A., Indahl, U. G., Strand, G. H., and Tveite, H. (2019). Addressing overfitting on point cloud classification using Atrous XCRF. ISPRS Journal of Photogrammetry and Remote Sensing, 155, 90-101. doi.org/10.1016/j.isprsjprs.2019.07.002.

Bui, N. Q., Le, D. H., Duong, A. Q., Nguyen Q. L. (2021). Rule-based classification of Airborne Laser Scanner data for automatic extraction of 3D objects in the urban area. Journal of the Polish Mineral Engineering Society, 48(2), 103-114. DOI: doi.org/10.29227/IM-2021-02-09

Bui, N. Q., Le, Di. H., Nguyen, Q. L., Tong, S. S., Duong, A. Q., Pham, V. H., Phan, T. H., Pham, T. L. (2020). Method of defining the parameters for UAV point cloud classification algorithm. Journal of the Polish Mineral Engineering Society, 46(1) 49-56. DOI: doi.org/10. 29227/IM-2020-02-08.

Chenglu Wen, Xiaotian Sun, Jonathan Li, Cheng Wang, Yan Guo, Ayman Habib (2019). A Deep Learning Framework for Road Marking Extraction, Classification and Completion from Mobile Laser Scanning Point Clouds. ISPRS Journal of Photogrammetry and Remote Sensing, 147, 178-92. doi.org/10.1016/j.isprsjprs.2018.10.007

Dương, A. Q., Lê, Đ. H., Phạm, V. H., Nguyễn, Q. C., Bùi, N. Q. (2022). Xây dựng quy trình thu nhận, xử lý và phân loại dữ liệu đám mây điểm LiDAR phục vụ thành lập mô hình 3D thành phố. Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất, 63(4), 1-12. doi:10.46326/JMES.2022.63(4).01  

Heidar Rastiveis, Alireza Shams, Wayne A. Sarasua, Jonathan Li (2020). Automated Extraction of Lane Markings from Mobile LiDAR Point Clouds Based on Fuzzy Inference. ISPRS Journal of Photogrammetry and Remote Sensing, 160, 149-66. doi.org/10.1016/j.isprsjprs.2019.12.009

Lê, Đ. H. (2019). Nghiên cứu quy trình xử lý dữ liệu thu nhận từ hệ thống bay chụp ảnh and quét Lidar Leica City Mapper trong thành lập mô hình Cyber City. Luận văn Thạc sĩ Kỹ thuật, Trường Đại học Mỏ - Địa chất. Hà Nội, 82 trang. (Việt Nam).

Lê, Đ. H. (2023). Nghiên cứu tối ưu hóa thuật toán tự động phân loại dữ liệu đám mây điểm hỗ trợ xây dựng mô hình 3D thành phố thông minh. Luận án Tiến sĩ Kỹ thuật, Trường Đại học Mỏ - Địa chất. Hà Nội, 135 trang. (Việt Nam).

Markus Gerke, Jing Xiao (2014). Fusion of Airborne Laserscanning Point Clouds and Images for Supervised and Unsupervised Scene Classification. ISPRS Journal of Photogrammetry and Remote Sensing, 87, 78-92. doi.org/10.1016/j.isprsjprs.2013.10.011.

Qiang Lu, Chao Chen, Wenjun Xie, Yuetong Luo (2020). “PointNGCNN: Deep Convolutional Networks on 3D Point Clouds with Neighborhood Graph Filters. Computers and Graphics, 86, 42–51. doi.org/10.1016/j.cag.2019.11.005.

Ronggang Huang, Bisheng Yang, Fuxun Liang, Wenxia Dai, Jianping Li, Mao Tian, Wenxue Xu (2018). A Top-down Strategy for Buildings Extraction from Complex Urban Scenes Using Airborne LiDAR Point Clouds. Infrared Physics and Technology, 92, 203-18. doi.org/10.1016/j.infrared.2018.05.021.

Wuzhao Li, Fu Dong Wang, Gui Song Xia (2020). A Geometry-Attentional Network for ALS Point Cloud Classification. ISPRS Journal of Photogrammetry and Remote Sensing, 164, 26-40. doi.org/10.1016/j.isprsjprs.2020.03.016.

Xudong Lai, Yifei Yuan, Yongxu Li, Mingwei Wang (2019). Full-Waveform LiDAR Point Clouds Classification Based on Wavelet Support Vector Machine and Ensemble Learning. Sensors, 19(14). doi.org/10.3390/s19143191.

Yangbin Lin, Cheng Wang, Dawei Zhai, Wei Li, Jonathan Li (2018). Toward Better Boundary Preserved Supervoxel Segmentation for 3D Point Clouds. ISPRS Journal of Photogrammetry and Remote Sensing, 143,  39-47. doi.org/10.1016/j.isprsjprs.2018.05.004

Yi Yang, Hairong Fang, Yuefa Fang, Shijian Shi (2020). Three-Dimensional Point Cloud Data Subtle Feature Extraction Algorithm for Laser Scanning Measurement of Large-Scale Irregular Surface in Reverse Engineering. Journal of Measurement, 151, 107-220. doi.org/10.1016/j.measurement.2019.107220

Yongguang Yang, Feng Chen, Fei Wu, Deliang Zeng, Yi-mu Ji, Xiao-Yuan Jing (2020). Multi-View Semantic Learning Network for Point Cloud-Based 3D Object Detection. Neurocomputing, doi.org/10.1016/j.neucom.2019.10.116.