LiDAR પોઇન્ટ ક્લાઉડ પ્રોસેસિંગ અને વર્ગીકરણ

નફો:

• AI વર્કફ્લોમાં LiDAR પોઈન્ટ ક્લાઉડ, રિટર્ન, ડેન્સિટી અને ક્લાસ કોડના ખ્યાલોનો યોગ્ય રીતે ઉપયોગ કરવાની ક્ષમતા
• એઆઈ સાથે ગ્રાઉન્ડ ફિલ્ટરિંગ, ડીટીએમ પ્રોડક્શન અને ઑબ્જેક્ટ (બિલ્ડિંગ, ટ્રી, પોલ) વર્ગીકરણ સ્ટેપ્સને ગોઠવવાની ક્ષમતા
• પ્રોફાઇલ વિભાગો અને એલિવેશન લોજિક સાથે પોઇન્ટ ક્લાઉડ વર્ગીકરણ આઉટપુટને ચકાસવાની ક્ષમતા

LiDAR (લાઇટ ડિટેક્શન અને રેન્જિંગ) એક સક્રિય શોધ તકનીક છે જે લેસર પલ્સ મોકલીને અને વળતરનો સમય માપીને પૃથ્વીની સપાટીના ત્રિ-પરિમાણીય માપનું ઉત્પાદન કરે છે. પરિણામ એ પોઈન્ટ ક્લાઉડ છે જેમાં લાખો અથવા તો અબજો પોઈન્ટનો સમાવેશ થાય છે; દરેક બિંદુમાં x, y, z સંકલન અને વધારાના લક્ષણો છે. મોજણી ઇજનેરીમાં LiDAR; તે ડિજિટલ ટેરેન મોડલ બનાવવા, જંગલ અને શહેરી વિસ્તારોનું મોડેલિંગ કરવા અને ઈન્ફ્રાસ્ટ્રક્ચર (પાવર લાઈન, રસ્તા) બનાવવા માટે અનિવાર્ય છે. આ એકમમાં, અમે કવર કરીએ છીએ કે કેવી રીતે આર્ટિફિશિયલ ઇન્ટેલિજન્સ પોઇન્ટ ક્લાઉડ પ્રોસેસિંગ અને વર્ગીકરણને વેગ આપે છે. સિદ્ધાંત: AI વર્ગીકરણ સૂચવે છે; ઊંચાઈ અને વિભાગના તર્ક સાથેની ચકાસણી એન્જિનિયર પાસે રહે છે.

મૂળભૂત શરતો. વળતર એ વિવિધ સપાટીઓ (ઝાડના પાંદડા, શાખાઓ, જમીન) પરથી પ્રતિબિંબિત એક લેસર પલ્સનાં બહુવિધ પડઘા છે; પ્રથમ વળાંક સામાન્ય રીતે ઉપરની સપાટી છે, છેલ્લો વળાંક ઘણીવાર જમીન છે. તીવ્રતા એ પરત આવેલા સિગ્નલની તાકાત છે; તે સપાટીના પ્રકાર વિશે સંકેત આપે છે. વર્ગ કોડ એ દરેક બિંદુ (જેમ કે જમીન, મકાન, નીચી/મધ્યમ/ઉચ્ચ વનસ્પતિ, પાણી, પાવર લાઇન) માટે અસાઇન કરેલ પ્રમાણભૂત લેબલ છે; તે LAS/LAZ ફાઇલ ફોર્મેટમાં સંગ્રહિત છે. ગ્રાઉન્ડ ફિલ્ટરિંગ એ બિન-ગ્રાઉન્ડ પોઈન્ટને દૂર કરવાની અને એકદમ ગ્રાઉન્ડ સપાટી (ડીટીએમ) દૂર કરવાની પ્રક્રિયા છે. વોક્સેલ, 3D જગ્યામાં સેલ; બિંદુ ક્લાઉડને પાતળું/પ્રક્રિયા કરવા માટે વપરાય છે.

પોઇન્ટ ક્લાઉડ પ્રોસેસિંગમાં AI ની ભૂમિકા

કૃત્રિમ બુદ્ધિ આ ક્ષેત્રમાં ત્રણ સ્તરે ફાળો આપે છે:

1. વર્કફ્લો અને પેરામીટર સેટઅપ. ગ્રાઉન્ડ ફિલ્ટરિંગ, અવાજ દૂર કરવા, મંદન પગલાં અને પરિમાણોની ભલામણ કરે છે; કોડ હાડપિંજર (PDAL, laspy જેવા સાધનો સાથે) ઉત્પન્ન કરે છે.
2. ઑબ્જેક્ટ વર્ગીકરણ. ડીપ લર્નિંગ મોડલ પોઈન્ટને મકાન, વૃક્ષ, ધ્રુવ, વાહન જેવા વર્ગોમાં વર્ગીકૃત કરી શકે છે; આ તે ક્ષેત્ર છે જ્યાં AI વાસ્તવિક કાર્ય કરે છે.
3. લક્ષણ નિષ્કર્ષણ અને અહેવાલ. તે તર્ક સ્થાપિત કરે છે અને તેનો સારાંશ આપે છે જે વ્યુત્પન્ન માપની ગણતરી કરે છે જેમ કે વૃક્ષની ઊંચાઈ, બિલ્ડિંગ ફ્લોર એરિયા અને લાઇન સેગ.

બ્લાઇન્ડ સ્પોટ: બિંદુ વાદળ ત્રિ-પરિમાણીય છે અને સપાટ નકશા પર સંપૂર્ણપણે દૃશ્યમાન નથી. અયોગ્ય વર્ગીકરણ (દા.ત. પુલને જમીન તરીકે ગણવો, નીચી ઝાડી મકાન તરીકે) નકશા પર નિર્દોષ લાગે છે અને ડીટીએમને વિકૃત કરે છે. તેથી, વર્ગીકરણ પ્રોફાઇલ સ્લાઇસેસ દ્વારા ચકાસાયેલ હોવું આવશ્યક છે (બાજુથી પોઇન્ટ ક્લાઉડની ઊભી સ્લાઇસ જોઈને).

ટીપ: વર્ગીકરણની પુષ્ટિ કરતા પહેલા ઘણા સ્થળોએ ઊભી વિભાગો લો. શું ગ્રાઉન્ડ ક્લાસ ખરેખર નીચેની સતત સપાટીને અનુસરે છે, અથવા તે છતની ઉપર "ફ્લોટ" કરે છે? કટવે આને એક નજરમાં બતાવે છે.

સ્ટેપ બાય સ્ટેપ: ડીટીએમ જનરેશન માટે પોઈન્ટ ક્લાઉડ પ્રોસેસિંગ

1. ડેટા જાણો. બિંદુ ઘનતા (બિંદુ/m²), વળાંકની સંખ્યા, વર્તમાન વર્ગ કોડ, CRS અને વર્ટિકલ ડેટમની પુષ્ટિ કરો.
2. સ્પષ્ટ અવાજ. એરબોર્ન (ઉચ્ચ અવાજ) અને ભૂગર્ભ (ઓછો અવાજ) આઉટલિયર્સ દૂર કરો.
3. જમીનને ફિલ્ટર કરો. બિન-ગ્રાઉન્ડ પોઈન્ટ (બિલ્ડીંગ, વૃક્ષ, વાહન) ને અલગ કરો અને ખાલી ગ્રાઉન્ડ પોઈન્ટ્સ છોડી દો. આ પગલું ડીટીએમનું હૃદય છે.
4. સપાટી બનાવો. ગ્રાઉન્ડ પોઈન્ટથી ગ્રીડ ડીટીએમ ઈન્ટરપોલેશન કરો.
5. ચકાસો. પ્રોફાઇલ વિભાગો સાથે ગ્રાઉન્ડ ટ્રેસ તપાસો; જાણીતા એલિવેશન પોઈન્ટ સાથે એલિવેશનની સરખામણી કરો.

શા માટે ગ્રાઉન્ડ ફિલ્ટરેશન જટિલ છે?

ડીટીએમ (બેર ગ્રાઉન્ડ) અને ડીએસએમ (સપાટી) વચ્ચે માત્ર એટલો જ તફાવત છે કે ઓફ-ગ્રાઉન્ડ પોઈન્ટ અલગ કરવામાં આવ્યા છે કે નહીં. વોલ્યુમની ગણતરી, ઢોળાવનું વિશ્લેષણ, પાણીના પ્રવાહનું મોડેલિંગ અથવા પૂર અભ્યાસ માટે DTMની જરૂર પડે છે; જો DSM નો ઉપયોગ કરવામાં આવે છે, તો ઇમારતો અને વૃક્ષો "જમીન" માટે ભૂલથી થાય છે અને પરિણામ વિકૃત થાય છે. ગ્રાઉન્ડ ફિલ્ટરિંગ પેરામીટર્સ ભૂપ્રદેશ અનુસાર ગોઠવવામાં આવે છે: બેહદ ઢોળાવવાળા વિસ્તારમાં, વધુ પડતું આક્રમક ફિલ્ટર વાસ્તવિક જમીનને પણ ભૂંસી નાખે છે, સપાટ વિસ્તારમાં, છૂટક ફિલ્ટર જમીન માટે ઓછી વસ્તુઓને ભૂલ કરે છે. AI એક સારા પ્રારંભિક પરિમાણનું સૂચન કરી શકે છે, પરંતુ પરિણામ ક્રોસ-સેક્શનલી ચકાસાયેલ હોવું જોઈએ.

સાવધાન: પુલ અને વાયડક્ટ એ ઉત્તમ ટ્રેપ છે. આ જમીન ઉપર લટકાવેલા માળખાં છે; જો ગ્રાઉન્ડ ફિલ્ટર ભૂલથી આને ગ્રાઉન્ડ માને છે, તો DTMમાં એક "સેટ" બનાવવામાં આવશે જે વાસ્તવમાં અસ્તિત્વમાં નથી અને પાણીના પ્રવાહનું વિશ્લેષણ સંપૂર્ણપણે ખોટું હશે.

ત્રણ મિની કેસ: સંખ્યાઓ દ્વારા

કેસ 1 - બ્રિજ ટ્રેપ. ફ્લડ મોડેલિંગમાં, ગ્રાઉન્ડ ફિલ્ટર પુલને જમીન તરીકે વર્ગીકૃત કરે છે; ડબ્લ્યુટીસીમાં એક ખોટો ડેમ દેખાયો, જે પ્રવાહને અવરોધે છે, અને મોડેલે ગણતરી કરી હતી કે પાણી ઉપરવાસમાં એકઠું થશે. પ્રોફાઇલ વિભાગ સ્પષ્ટપણે પુલ દર્શાવે છે; જ્યારે બ્રિજ પોઈન્ટનું પુનઃવર્ગીકરણ કરવામાં આવ્યું હતું, ત્યારે ફ્લો યોગ્ય રીતે મોડલ કરવામાં આવ્યો હતો.

કેસ 2 — વૃક્ષની ઊંચાઈની યાદી. વન અધ્યયનમાં 240 હેક્ટર માટે, AI-સહાયિત વર્ગીકરણે ઉચ્ચ છોડ વર્ગમાંથી વૃક્ષની છત્રની પેટર્ન કાઢી અને અંદાજે 18 મીટરની સરેરાશ વૃક્ષની ઊંચાઈની ગણતરી કરી. તેની સરખામણી ખેતરમાં 30 રેન્ડમ વૃક્ષોના હાથના માપ સાથે કરવામાં આવી હતી; તફાવત ±0.8 મીટરની અંદર હતો. સ્વતંત્ર ક્ષેત્ર માપન મોડેલ આઉટપુટ વિશ્વસનીય બનાવે છે.

કેસ 3 — ઘોંઘાટ બિંદુ એલિવેશન ભૂલ. જ્યારે હવામાં લટકેલા અનેક અવાજના બિંદુઓ (પક્ષીઓ, ધૂળ)ને સાફ કર્યા વિના ડીટીએમ જનરેટ કરવામાં આવ્યું હતું, ત્યારે એક કોષમાંની ઊંચાઈ વાસ્તવિક મૂલ્ય કરતાં 40 મીટર વધારે હતી. ઓર્ડર કંટ્રોલ અને નોઈઝ ક્લિનિંગ સ્ટેપથી આ વ્યક્તિગત બાઉન્સ દૂર થઈ ગયા. પાઠ: DTM પહેલાં આઉટલાયર સફાઈ જરૂરી છે.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

આ બિંદુના વાદળમાંથી ગ્રાઉન્ડ મોડલ બહાર આવે છે.

શક્તિશાળી પ્રોમ્પ્ટ:

કાર્ય: LiDAR પોઈન્ટ ક્લાઉડમાંથી DTM જનરેશન વર્કફ્લો અને PDAL/laspy ફ્રેમવર્ક બનાવો. સંદર્ભ:- ઘનતા ~12 પોઈન્ટ/m², પરિભ્રમણ માહિતી ઉપલબ્ધ છે, CRS EPSG:5256, વર્ટિકલ ડેટમ TUDKA નો ઉલ્લેખ કરવો આવશ્યક છે- વિસ્તાર: મિશ્ર (સ્ટ્રીમ, પુલ, છૂટાછવાયા મકાન, ઢોળાવ) આવશ્યકતાઓ: 1) ક્રમ: અવાજ દૂર -> ગ્રાઉન્ડ ડક્ટ અને ડીટીએમ 2 દ્વારા ગ્રાઉન્ડ ફિલ્ટરિંગ માટે. ફિલ્ટરિંગ જોખમોની ઢાળ ચેતવણી. 3) ચકાસણી: પ્રોફાઇલ ક્રોસ-સેક્શન અને જાણીતા એલિવેશન પોઇન્ટ સાથે સરખામણીનું પગલું. 4) DTM અને DSM વચ્ચેનો તફાવત અને આ કામ માટે DTM શા માટે જરૂરી છે તે લખો.

મજબૂત પ્રોમ્પ્ટ ઘનતા ભૂપ્રદેશના જોખમો (પુલ, ઢાળ) અને ચકાસણીનું પગલું આપે છે; બહાર આવ્યો અને મેદાનમાં ફિટ થઈ ગયો.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) પોઇન્ટ ક્લાઉડ પ્રારંભિક સમીક્ષા:

નીચેના LAS/LAZ મેટાડેટાનું અર્થઘટન કરો: બિંદુ ઘનતા, સ્પિન વિતરણ, વર્તમાન વર્ગ કોડ, CRS/વર્ટિકલ ડેટમ. ગુમ થયેલ અથવા શંકાસ્પદ માહિતીને ચિહ્નિત કરો અને પ્રક્રિયા શરૂ કરતા પહેલા શું ઉકેલવાની જરૂર છે તેની સૂચિ બનાવો. મેટાડેટા: [સારાંશ]

2) ગ્રાઉન્ડ ફિલ્ટરિંગ સેટઅપ:

PDAL સાથે ગ્રાઉન્ડ ફિલ્ટરિંગ સ્ટેપ્સ લખો; ભૂપ્રદેશ પ્રકાર [ફ્લેટ/સ્લોપ/મિશ્ર] માટે પરિમાણ ભલામણ આપો. પુલ, ઓછી ઝાડી અને ઢોળાવના જોખમોની પણ ચેતવણી આપે છે. પ્રોફાઇલ વિભાગ સાથે પરિણામ ચકાસવાનું પગલું ઉમેરો.

3) ઑબ્જેક્ટ વર્ગીકરણ ચકાસણી:

બિંદુ ક્લાઉડ વર્ગીકરણ (ગ્રાઉન્ડ/બિલ્ડિંગ/પ્લાન્ટ/લાઇન) ચકાસવા માટેની યોજના લખો: કયા પ્રોફાઇલ વિભાગો લેવા જોઈએ, કયા વર્ગનું મિશ્રણ અપેક્ષિત છે (બ્રિજ-ગ્રાઉન્ડ, બુશ-બિલ્ડિંગ), દરેકને કેવી રીતે ચકાસવું.

4) વ્યુત્પન્ન માપ નિયંત્રણ:

બુદ્ધિગમ્યતા માટે નીચેના વ્યુત્પન્ન માપ (ઝાડની ઊંચાઈ, બિલ્ડીંગ ફૂટપ્રિન્ટ, લાઇન સેગ) તપાસો: પીચ, નકારાત્મક મૂલ્ય, આઉટલાયર. ક્ષેત્ર માપન સાથે સરખામણી માટે સૂચન ઉમેરો. પરિમાણો: [કોષ્ટક]

પોઇન્ટ ક્લાઉડ કન્સેપ્ટ્સ સરખામણી

ખ્યાલ

અર્થ

મહત્વ

પ્રથમ/છેલ્લો વળાંક

ફટકાનો પ્રથમ/છેલ્લો પડઘો

ટોચની સપાટી વિ જમીન વિભાજન

વર્ગ કોડ

ડોટ લેબલ

DTM/DSM અને ઑબ્જેક્ટ નિષ્કર્ષણ

જમીન ગાળણક્રિયા

ફ્લોરની બહારથી અલગ કરવું

ડીટીએમનો પાયો

ઘનતા (ડોટ/m²)

નમૂનાની આવર્તન

વિગતો અને ચોકસાઈ મર્યાદા

પ્રોફાઇલ વિભાગ

વર્ટિકલ સ્લાઇસ દૃશ્ય

વર્ગીકરણ ચકાસણી

સામાન્ય ભૂલો

• ગ્રાઉન્ડ ફિલ્ટરેશન વિના ડીટીએમનું ઉત્પાદન. હકીકતમાં, DSM મેળવવામાં આવે છે; જીન્સ/વોલ્યુમ વિકૃત છે.
• જમીન તરીકે પુલ/વાયડક્ટની ગણતરી. નકલી સેટ, ખોટો ફ્લો મોડલ.
• અવાજ પોઈન્ટની સફાઈ ન કરવી. એકવચન ડેનિમ સ્પ્લેશ.
• ક્રોસ-સેક્શન દ્વારા વર્ગીકરણની ચકાસણી ન કરવી. નકશા પર નિર્દોષ દેખાતી 3D ભૂલો ખૂટે છે.
• વર્ટિકલ ડેટમને અવગણીને. જીન્સ ખોટા સંદર્ભ પર બેસે છે.
• વિગતની અપૂરતી તીવ્રતાની અપેક્ષા. ડોટ રેન્જ કરતાં નાની વસ્તુઓ ઉકેલી શકાતી નથી.

સારાંશમાં

LiDAR પોઇન્ટ ક્લાઉડ પ્રોસેસિંગમાં કૃત્રિમ બુદ્ધિ; તે વર્કફ્લો સંપાદન, ગ્રાઉન્ડ ફિલ્ટરિંગ પરિમાણો, ઑબ્જેક્ટ વર્ગીકરણ અને વ્યુત્પન્ન માપ ગણતરી માટે પ્રવેગક છે. ડીટીએમના ઉત્પાદનમાં ફરજિયાત પગલું ગ્રાઉન્ડ ફિલ્ટરિંગ છે; જો આને અવગણવામાં આવશે, તો DSM મેળવવામાં આવશે અને એલિવેશન/વોલ્યુમ/ફ્લો વિશ્લેષણ વિકૃત કરવામાં આવશે. પુલ, ઢાળવાળી ઢોળાવ અને ઘોંઘાટ બિંદુઓ લાક્ષણિક ફાંસો છે. પ્રોફાઇલ વિભાગો અને જાણીતા એલિવેશન પોઈન્ટ સાથે દરેક વર્ગીકરણને ચકાસો; વર્ટિકલ ડેટમ હંમેશા સ્પષ્ટ કરો.

એપ્લિકેશન કાર્ય

LiDAR દૃશ્ય પસંદ કરો (ઉદાહરણ તરીકે, સ્ટ્રીમ અને પુલ સાથેની ખીણ). AI ને અવાજ દૂર કરવા, ગ્રાઉન્ડ ફિલ્ટરિંગ અને DTM પ્રક્ષેપના પગલાંઓ ઉત્પન્ન કરવા દો; તેને પુલ અને ઢોળાવના જોખમો વિશે ચેતવણી આપવા માટે કહો. પછી વેરિફિકેશન પ્લાન લખો: તમે પ્રોફાઈલ સેક્શન ક્યાં લેશો અને કયા જાણીતા એલિવેશન પોઈન્ટ્સ સાથે તમે તેની સરખામણી કરશો તે કોંક્રીટાઇઝ કરો.

ચેકલિસ્ટ

• [ ] મેં બિંદુ ઘનતા, પરિભ્રમણ માહિતી અને CRS/વર્ટિકલ ડેટમની પુષ્ટિ કરી.
• [ ] મેં ઘોંઘાટ/આઉટલિયર્સને સાફ કર્યા.
• [ ] મેં ગ્રાઉન્ડ ફિલ્ટરિંગ સાથે DTM માટે ગ્રાઉન્ડની બહારનો ભાગ અલગ કર્યો.
• [ ] મેં પુલ/વાયડક્ટ અને ઢોળાવના જોખમો તપાસ્યા.
• [ ] મેં પ્રોફાઇલ વિભાગો સાથે વર્ગીકરણની ચકાસણી કરી.
• [ ] મેં એલિવેશનની તુલના જાણીતા બિંદુઓ સાથે કરી.
• [ ] મેં એલિવેશન/વોલ્યુમ/ફ્લો વર્ક માટે DTM નો ઉપયોગ કર્યો, DSM નો નહીં.
• [ ] મેં એન્જિનિયરની મંજૂરીમાં વર્ગીકરણની સ્વીકૃતિ જાળવી રાખી.