Исследователи НЦМУ СПбПУ использовали модель Петербурга для переноса реального мира в цифровое пространство
Исследователи НЦМУ «Передовые цифровые технологии» СПбПУ разработали алгоритм, который делает более эффективным перенос данных о геометрических характеристиках объектов физического мира в цифровое пространство в рамках решения задач цифровой трансформации промышленности. Для этого был разработан алгоритм выделения отдельных объектов реального мира и их классификации. Результаты разработки были представлены в публикации в научном журнале «Remote Sensing»
Автоматизированная обработка результатов лазерного сканирования объектов физического мира для создания цифровых образов объектов в виртуальном мире является актуальной задачей, над которой работают специалисты со всего мира. При работе с существующими промышленными объектами облака точек получаются огромных размеров и без специальных алгоритмов не обойтись. Перспективным является использование алгоритмов искусственного интеллекта. Для их использования необходимо создавать специальные наборы данных, которые будут использоваться для кластеризации и идентификации объектов облаках точек.
Исследователям НЦМУ СПбПУ удалось создать такой набор данных для облаков точек, полученных в результате мобильного лазерного сканирования. Отличительной особенностью данного набора является то, что он предназначен для распознавания объектов на основе универсальной схемы классификации. Соответствующие типы объектов представляют особый интерес для формирования цифрового представления существующих промышленных предприятий. При этом следует отметить, что существующие наборы данных облаков точек имеют разные схемы классификации, что делает невозможным их совместное использование для обучения и тестирования моделей глубокого обучения.
Предложенная специалистами НЦМУ СПбПУ находится в открытом доступе (https://github.com/lytkinsa96/Saint‐Petersburg‐3D‐Dataset) и может быть использована широким кругом исследователей.
- «Поскольку наша классификационная схема содержит набор из 10 универсальных категорий объектов (здания, транспорт, растительность и др.), на которые можно разделить облака точек лазерного сканирования, ее можно использовать для разработки регламентированных наборов данных, которые в итоге можно использовать как единый набор данных для обучения моделей глубокого обучения (deep learning)»,
– прокомментировал особенность разработки соавтор исследования, ведущий научный сотрудник лаборатории «Моделирование технологических процессов и проектирование энергетического оборудования» НЦМУ СПбПУ Владимир Баденко.
Основываясь на собственной классификации, специалисты НЦМУ СПбПУ разработали гибридный набор, состоящий из реальных и синтетических данных, для сегментации объектов. Он содержит 34 миллиона реальных точек и 34 миллиона синтетических. Реальные данные были собраны на ул. Комсомольской в Санкт-Петербурге при помощи мобильной картографическую системы Riegl VMX-450, имеющей два лазерных сканера, а также 6 цифровых камер высокого разрешения. Облака точек реального мира из набора данных описывают объекты типичной городской среды начала ХХ века, включая дома высотой до 50 м (5 этажей) с историческими фасадами, заборами, столбами, линиями электропередач и объектами ландшафта (деревья, реклама, урны, скамейки и т. д.). Данные также содержат множество динамических объектов, таких как пешеходы и движущиеся транспортные средства.
Синтетическая часть была сгенерирована из 3 виртуальных сред городских районов, созданных из 3D-моделей. Ученые использовали объекты с реалистичной геометрией и размещали их внутри городских сцен так, чтобы макеты сцен соответствовали реальному миру.
- «Мы получили высокую оценку производительности нейронной сети Kernel Point (KP-FCNN), обученной на нашем наборе данных, – 92,56% mIoU, что демонстрирует высокую эффективность использования моделей глубокого обучения для семантической сегментации плотных крупномасштабных облаков точек в соответствии с предложенной схемой классификации. Мы уверены, что наш набор данных будет способствовать разработке моделей глубокого обучения для сегментации сложных объектов»,
– отметил Владимир Баденко.
Столь высокий результат ученые объясняют тем, что, во-первых, набор данных SP3D включает в себя широкий спектр классов объектов, а также в SP3D используются высококачественные аннотации, обеспечивающие точную и подробную маркировку объектов.
В дальнейшем авторы исследования планируют продолжить свои разработки в направлении разработки наборов данных для воздушного лазерного сканирования.