استخراج نقشه دو بعدی فضاهای داخلی ساختمان با روش های یادگیری عمیق از ابرنقاط لیزر اسکنر های همراه

پیشینه و اهداف: استخراج نقشه دوبعدی فضاهای داخلی ساختمان در حوزه های مختلف ازجمله معماری،  نقشه برداری، مدل سازی اطلاعات ساختمان (BIM)، رباتیک و واقعیت مجازی نقش حیاتی دارد. اسکنرهای لیزری همراه، ساختار هندسی محیط را با دقت میلی متری اندازه گیری کرده و نتایج حاصل را به صورت داده های ابرنقاط ثبت می کنند. داده های ابرنقاط، منبع غنی اطلاعات برای استخراج نقشه دوبعدی فضاهای داخلی ساختمان هستند.  با این حال، عواملی مانند نویز ناشی از بازتاب های سطحی، انسداد دید توسط اجسام درون ساختمان و تراکم غیریکنواخت نقاط، پردازش این نوع داده را با چالش مواجه می کنند. در ابتدا استخراج نقشه دوبعدی ساختمان، با تکیه بر روش های کلاسیک هندسی انجام می شد و در سال های اخیر، روش های مبتنی بر یادگیری عمیق به دلیل توانایی بالا در درک الگوهای پیچیده و مقاومت در برابر نویز به طور فزاینده ای مورد توجه قرار گرفته اند. هدف این پژوهش، ارائه یک چارچوب موثر برای استخراج نقشه دوبعدی فضاهای داخلی ساختمان از داده های ابرنقاط با استفاده از روش های یادگیری عمیق و مقایسه عملکرد آن با روش های کلاسیک است.روش ها : در این پژوهش، یک چارچوب موثر برای استخراج نقشه دوبعدی فضاهای داخلی ساختمان از داده های ابرنقاط پیشنهاد شده است که شامل سه گام متوالی پیش پردازش داده ها، پیاده سازی و ارزیابی نهایی مدل ها است. این چارچوب امکان مقایسه مستقیم روش های کلاسیک و یادگیری عمیق را در یک بستر مشترک فراهم می کند. داده های ابرنقاط دارای ساختار گسسته و غیر ساخت یافته هستند و پردازش مستقیم آن ها دشوار است. در گام پیش پردازش داده ها، ابتدا با نگاشت ابرنقاط به فضای دوبعدی، تصاویر تراکم تولید شد تا پیچیدگی محاسباتی کاهش یابد. درگام دوم، دو مدل یادگیری عمیق U-Net و Pix۲Pix و الگوریتم کلاسیک تبدیل هاف پیاده سازی شد و تصاویر تراکم به عنوان ورودی مشترک این روش ها استفاده شد. در گام سوم به منظور ارزیابی عملکرد روش پیشنهادی، آزمایش ها روی مجموعه داده های دردسترس FloorNet و Structure۳D انجام شد. داده های ورودی به سه مجموعه داده آموزشی، اعتبارسنجی و آزمون تقسیم شده اند و به منظور ارتقای تعمیم پذیری، تکنیک های داده افزایی اعمال شده است. ارزیابی عملکرد مدل ها با استفاده از معیارهای Dice Score و IoU انجام شد.یافته ها: مدل های یادگیری عمیق در نمونه های فاقد انسداد، عملکرد قابل قبولی داشته و دقت  بیش از ۹۰٪ نشان دادند. به ویژه، مدل U-Net در مجموعه داده Structure۳D به دقت ۹۷٪ در معیار Dice Score دست یافت. با این حال، مدل ها درنمونه هایی که شامل عارضه انسداد بودند، نتوانستند نقشه را به طور کامل استخراج کنند. در مقابل، الگوریتم تبدیل هاف در تشخیص خطوط عملکرد قابل قبول داشت اما به دلیل عدم تشخیص ساختار توپولوژیک، در تولید خروجی های منسجم و قابل استفاده برای مدل سازی نقشه های داخلی محدودیت دارد. هم چنین آزمون و خطا برای تنظیم مقادیر پارامترها، باعث افزایش قابل توجه زمان اجرای الگوریتم شد.نتیجه گیری: یافته های این پژوهش نشان داد که روش های یادگیری عمیق، در صورت وجود داده های کامل، قادر به استخراج دقیق و ساخت یافته نقشه دوبعدی از داده های ابرنقاط هستند اما در شرایط واقعی که عارضه انسداد اجتناب ناپذیر است، توسعه مدل های مقاوم نسبت به داده ناقص ضروری است. برای این منظور بهره گیری از معماری های ترکیبی، استفاده از منابع اطلاعاتی مکمل نظیر تصاویر RGB یا داده های عمق مسیر پژوهش های آینده است. چارچوب پیشنهادی این پژوهش، گامی موثر در جهت مقایسه ی نظام مند روش های استخراج نقشه دوبعدی و ایجاد بستر توسعه برای مدل های پیشرفته تر در کاربردهای واقعی تلقی می شود.

کلیدواژه ها:

نقشه دوبعدی ، ابر نقاط ، تصویر تراکم ، یادگیری عمیق‎ ‎