Akademik Veri Yönetim Sistemi
19. Türkiye Harita Bilimsel ve Teknik Kurultayı, Ankara, Türkiye, 4 Ekim - 06 Kasım 2023, ss.1
Son yıllarda, bina yenileme, iç mekân navigasyonu, mimari ve tesis yönetimi gibi alanlarda iç mekânın üç boyutlu (3B) modellerinin oluşturulması önemli bir yer edinmiştir (Shi, Ye, & Zeng, 2020) İç mekânlara ait 3B nokta bulutu sınıflandırması, navigasyon otomasyonu, sanal gerçeklik, robot nesne etiketleme ve iç mekân harita üretimi gibi uygulamalarda iç mekân modellerinin oluşturulmasında önemli bir rol oynamaktadır (Lin vd., 2021). Dış mekâna ait nokta bulutlarının tanınmasında önemli ilerlemeler kaydedilmiştir. Ancak iç mekân sahnelerinin dar bir çevreye, çeşitli yapısal özelliklere ve kolon, duvar vb. birçok engele sahip olması nedeniyle tanınması hala bir sorundur (Hangbin vd., 2020). Son yıllarda, derin öğrenme algoritmaları kullanılarak LiDAR tabanlı iç mekân nokta bulutlarının sınıflandırılması aktif bir konu olmuştur. Farklı derin öğrenme algoritmalarının Stanford 3D Indoor Semantics (S3DIS) veri seti sınıflandırma performansları Lin vd. (2021) çalışmasında verilmiştir. Poux, Mattes, & Kobbelt (2020), optimal parametreleri tanımlamak için bir öğrenme tabanlı sezgisel süreç önermiş ve bu S3DIS üzerinde test etmiş, buna göre nesne tabanlı sınıflandırma için ortalama %88.1 F1 doğruluğu elde etmiştir. Poux & Ponciano (2020), denetimsiz bir segmentasyon üzerine kurulmuş ve kendi kendine öğrenmeye dayanan bir ontoloji tabanlı sınıflandırma önermiş ve S3DIS üzerinde test etmiş baskın sınıflar için %99.99 doğruluk elde etmiştir. Zhao, Zhang & Wang (2020), otomatik uçtan uca segmentasyon yöntemi önermiş duvar, kapı gibi yapısal öğeleri segmente etmek için %80 doğruluk, her yapısal öğenin ortalama segmentasyonu için %66 doğruluk elde etmiştir.
İç mekân nokta bulutlarının sınıflandırılmasında makine öğrenimi yöntemlerinin performansı literatürde güncel araştırma konularından biridir. Bu çalışmada, Standford Üniversitesi tarafından üretilen S3DIS veri setine (Armeni vd., 2016) ait iç mekân nokta bulutları makine öğrenimi yöntemlerinden ağaç temelli Rastgele Orman (RO) ve bir yapay sinir ağı olan Çok Katmanlı Algılayıcı (ÇKA) yöntemleriyle sınıflandırılmıştır. Giriş verileri için x, y, z ve RGB öznitelik bilgileri kullanılmıştır. Sınıflar tavan, zemin, duvar, kapı, pencere, kolon, masa, sandalye, pano, dağınıklık ve kitaplık olarak ayrık bir dosya şeklinde etiketlenmiştir. Eğitim ve test verilerinde iç mekân haritalarının oluşturulması amacıyla duvar, kapı, pencere, kolon, pano ve kitaplık bir sınıf (birleştirilmiş sınıf 1); masa, sandalye ve dağınıklık bir sınıf (birleştirilmiş sınıf 2) olacak şekilde sınıflar birleştirilmiştir. Eğitim verisi için bir ofis kullanılmış ve 5 ayrı ofiste test edilmiştir. RO yöntemiyle ortalama %89, ÇKA yöntemiyle ortalama %84 sınıflandırma doğruluğu elde edilmiştir. Nesne bazında RO ve ÇKA yöntemleriyle tavan için sırasıyla ortalama %98 ve %96, zemin için %92 ve %90, birleştirilmiş sınıf 1 için %91 ve %87 ve birleştirilmiş sınıf 2 için %61 ve %56 F1 doğruluğu elde edilmiştir. Bu sonuçlara göre RO yöntemi, ÇKA yöntemine göre daha iyi bir sınıflandırma gerçekleştirmiştir. İç mekân haritası ve yaya navigasyonu için gerekli tüm sınıflar (tavan, zemin ve birleştirilmiş sınıf 1) yüksek doğrulukla sınıflandırılmıştır. Böylece RO ve ÇKA yöntemlerinin iç mekân nokta bulutlarının sınıflandırılmasında ve iç mekan harita üretiminde kullanılabileceği gözlemlenmiştir.