PL: Klasyfikacja chmur punktów skaningu laserowego pozyskanych przez bezzałogowy system latający | EN: Classification of laser scanning point clouds acquired by an unmanned aerial system

abstractPL: Skanowanie laserowe to innowacyjna technika pozyskiwania danych przestrzennych, która rewolucjonizuje wiele dziedzin, w tym m.in. geodezję, kartografię i badania środowiskowe. Wykorzystuje promienie laserowe do precyzyjnego pomiaru odległości i generowania trójwymiarowych modeli powierzchni. Dzięki temu możliwe jest uzyskanie szczegółowych informacji o zadrzewieniu, kształcie terenu czy obiektach na jego powierzchni. Klasyfikacja chmur punktów skaningu laserowego może być czasochłonnym procesem ze względu na objętość danych. Dodatkowo, co charakteryzuje skaning laserowy wykonywany przez bezzałogowe systemy latające to bardzo gęsty pomiar punktów, co powoduje trudność w przetwarzaniu danych. Celem pracy jest opracowanie efektywnego i precyzyjnego systemu klasyfikacji chmur punktów bezzałogowego skaningu laserowego, który pozwoli na automatyczną analizę tych danych. Przedstawiono podstawy teoretyczne dotyczące skanowania laserowego, proces pozyskiwania danych oraz analizę chmur punktów. Następnie zaprezentowano narzędzia i techniki stosowane w klasyfikacji danych, ze szczególnym uwzględnieniem modelu Random Forest. Podczas przygotowań zbiorów danych utworzono szereg cech, obliczanych na podstawie właściwości punktów oraz relacji punktów z otoczeniem. Punkty z obliczonymi wartościami cech wraz z przypisaną im etykietą klasy biorą udział w treningu modelu, co prowadzi do utworzenia klasyfikatora służącego dalszej klasyfikacji zbiorów danych. Przeprowadzono testy, w których zbadano wpływ różnych parametrów modelu Random Forest oraz parametrów wyznaczania cech na jakość klasyfikacji. Parametry zostały wielokrotnie zmieniane, a następnie porównywano wyniki klasyfikacji. Celem było znalezienie optymalnej konfiguracji parametrów, która zapewni najlepszą jakość klasyfikacji chmur punktów skaningu laserowego. Przeprowadzono analizę wyników klasyfikacji poprzez klasyfikacje zbioru walidacyjnego oraz testowego. Zbiór walidacyjny brał udział w procesie doskonalenia modelu, natomiast zbiór testowy można traktować jak surowe dane pozyskane ze skaningu laserowego. Otrzymane rezultaty wykazały, że model Random Forest sklasyfikował dane testowe z dokładnością 98,10%, co potwierdza skuteczność opracowanej metody.

abstractEN: Laser scanning is an innovative technique for acquiring spatial data that revolutionizes various fields, including geodesy, cartography, and environmental research. It utilizes laser beams to precisely measure distances and generate three-dimensional surface models, providing detailed information about vegetation, terrain shape, and surface objects. However, the classification of laser scanning point clouds can be time-consuming due to the volume of data. Furthermore, the dense point measurements obtained by unmanned aerial systems during laser scanning pose challenges in data processing. The objective of this study is to develop an efficient and accurate classification system for unmanned aerial laser scanning point clouds, enabling automated analysis of the data. The theoretical foundations of laser scanning, data acquisition processes, and point cloud analysis are presented. Tools and techniques used in data classification, with a particular focus on the Random Forest model, are introduced. During the data preparation phase, a set of geometric features is created, calculated based on point properties and relationships with the surrounding points. Points with computed geometric feature values, along with their assigned class labels, are used in training the model, resulting in the creation of a classifier for further data classification. Tests are conducted to examine the impact of different Random Forest model parameters and geometric feature determination parameters on classification quality. The parameters are iteratively adjusted, and the classification results are compared. The objective is to find the optimal parameter configuration that ensures the best quality for laser scanning point cloud classification. The classification results are analyzed through the classification of the validation and test datasets. The validation dataset is involved in the model refinement process, while the test dataset can be considered as raw data obtained from laser scanning. The obtained results showed that the Random Forest model classified the test data with an accuracy of 98.10%, confirming the effectiveness of the developed method.

status: finished