روشی نوین برای استخراج نقشه دوبعدی ساختمان های مسکونی از داده های ابرنقاط

استخراج نقشه دوبعدی ساختمان های مسکونی، یک نیاز اساسی در مطالعات و کاربردهای حوزه های معماری، مهندسی عمران و نقشه برداری به شمار می رود. نقشه دوبعدی، نمایش برداری از چیدمان داخلی ساختمان است که موقعیت و شکل هندسی دقیق دیوارها و اتاق ها را بازنمایی می کند. استخراج نقشه ساختمان های مسکونی، فرآیندی زمان بر است و به مشارکت انسانی گسترده نیاز دارد. پیاده سازی روش های نیمه خودکار می تواند این روند را تسهیل کرده و دقت و سرعت استخراج نقشه ها را به طور قابل توجهی افزایش دهد. داده های ابرنقاط، بازنمایی دقیق هندسه سه بعدی محیط هستند و جزئیات ساختار داخلی ساختمان را به خوبی ارائه می دهند. هدف این تحقیق، ارائه روشی نوین برای بازنمایی برداری فضای داخلی ساختمان های مسکونی از داده های ابرنقاط بر پایه تحلیل مولفه های اصلی، یادگیری عمیق و عملگرهای مورفولوژیکی است. در این روش با تحلیل مولفه های اصلی، بردار نرمال نقاط که ویژگی اصلی برای تفکیک دیوارها است، محاسبه می شود. ابتدا تصاویر تراکم حاصل از پیش پردازش ابرنقاط، با مدل یادگیری عمیق U-Net قطعه بندی می شوند. سپس خروجی پیکسل- مبنای قطعه بندی با استفاده از عملگرهای مورفولوژیکی به صورت برداری بازسازی می شود. عملکرد روش پیشنهادی، بر روی مجموعه داده Structure۳D مورد ارزیابی قرار گرفت. برای سنجش دقت بازسازی برداری نقشه ساختمان، معیارهای استاندارد Precision و Recall در سطح گوشه ها و اتاق ها اندازه گیری شد. نتایج آزمایش ها نشان داد که نرخ دقت و نرخ بازخوانی روش پیشنهادی در سطح گوشه ها به ترتیب ۷۵% و ۸۲% است. برخلاف روش های پیشین که وابسته به آموزش دو مرحله ای مدل های Mask R-CNN و ترنسفورمر برای تهیه نقشه های برداری هستند، روش پیشنهادی پیچیدگی محاسباتی کمتری دارد و همزمان نتایج پایدار و با کیفیت مطلوب ارائه می دهد.

کلیدواژه ها:

ابرنقاط ، بردار نرمال ، یادگیری عمیق ، بازسازی برداری