Klasifikace bodového mračna v prostředí pískovcových skalních měst pomocí strojového učení

Abstract

Diplomová práce se zabývá klasifikací rozsáhlého bodového mračna pořízeného v členitém reliéfu pískovcového skalního města s cílem nahradit běžně používané filtrační přístupy, jejichž spolehlivost je v tomto typu prostředí omezená. Bodové mračno bylo pořízeno UAV laserovým skenováním v Národní přírodní rezervaci Adršpašsko-teplické skály na ploše 0,38 kmš s průměrnou hustotou přibližně 593 bodů/mš. Práce navazuje na předchozí studii, která řešila klasifikaci bodů skal a vegetace na menším území ve stejné lokalitě pomocí klasifikátoru Random Forest využívajícího příznaky z lokálního okolí bodu. Oproti této studii je navržený přístup rozšířen o využití hlubokých neuronových sítí PointNet a PointNet++ a o příznaky odvozené z klasterizačního algoritmu IHFL (Incremental Heuristic Facility Location). Pro detailnější analýzu bylo modelové území rozděleno do čtyř kategorií podle typu reliéfu. V každé z nich byla pomocí algoritmu Random Forest porovnána přesnost klasifikace při využití příznaků z lokálního okolí bodů a příznaků odvozených z klasterizačního algoritmu IHFL. Na celém modelovém území pak byly mezi sebou porovnány klasifikátor Random Forest a architektury hlubokých neuronových sítí PointNet a PointNet++ při využití obou typů příznaků. Nejvyšší celkovou přesnost klasifikace zaznamenala...

This master's thesis deals with the classification of an extensive point cloud acquired in the rugged terrain of a sandstone rock formation, with the aim of replacing commonly used filtering methods, whose reliability is limited in this type of environment. The point cloud was acquired via airborne laser scanning in the Adršpach-Teplice Rocks National Nature Reserve, which covers an area of 0.38 kmš with an average density of approximately 593 points/mš. This work builds upon a previous study that addressed the classification of rock and vegetation points in a smaller area within the same location using a Random Forest classifier that utilized features from the point's local neighborhood. Compared to that study, the proposed approach is expanded to include the use of the deep neural networks PointNet and PointNet++, as well as features derived from the IHFL (Incremental Heuristic Facility Location) clustering algorithm. For a more detailed analysis, the study area was divided into four categories based on relief type. In each category, the Random Forest algorithm was used to compare classification accuracy when using features from the local vicinity of points and features derived from the IHFL clustering algorithm. Across the entire model area, the Random Forest classifier was then compared with...