استخراج نقاط نمای ساختمان های شهری از ابرنقاط لیزراسکنر همراه

در دهه های اخیر، علوم ژیوماتیک پیشرفت چشمگیری کرده و این پیشرفت ها، ناشی از ابزارهای پیشرفته اندازه گیری و تکنولوژی های نوآورانه در زمینه اخذ داده های هندسی و مکانی است. در این زمینه، لیزراسکنرهای همراه به عنوان ابزاری اساسی و کارآمد معرفی شده اند که قابلیت انجام اندازه گیری دقیق و سریع اشیاء و محیط های مختلف از جمله فضاهای شهری، را دارا هستند. این دستگاه ها به شکل خودکار تمامی جزییات فضای شهری را به شکل ابرنقطه ثبت می کنند. برای استخراج اطلاعات هندسی ساختمان ها از درون این جزییات، لازم است از روش های بینایی ماشین استفاده شود. در راستای دستیابی به مدل های دقیق و قابل اعتماد از ساختمان ها، هنگام پردازش داده های ابرنقطه، دنباله ای از عملیات پس پردازش اجرا می شود. یکی از مهمترین مراحل این پردازش ها، قطعه بندی ابرنقاط است. این مراحل انتقال داده های ابرنقطه را به اطلاعات مفهومی تر و قابل تحلیل تر تبدیل می کنند. یکی از مسایل مهم در پردازش داده های ابرنقطه، توانایی استخراج سطوح مسطح نما های ساختمانی (دیوارها) است. این سطوح مسطح به عنوان اجزاء اساسی در مدل سازی و تحلیل وضعیت ساختمان ها از اهمیت ویژه ای برخوردارند. دقت در اطلاعات مرتبط با این سطوح مسطح، امکان تمایز دقیق تر و کامل تر بین اجزاء مختلف ساختمان ها را فراهم می کند. این امر در کاربردهای متعددی از جمله برنامه ریزی شهری، مدیریت ساخت و ساز، و تجزیه و تحلیل مصرف انرژی ساختمان ها اهمیت دارد.

در این مقاله، برای استخراج سطوح مسطح از داده های ابرنقطه از دو الگوریتم MSAC و G-DBSCAN استفاده شده است. این دو الگوریتم به صورت متوالی اجرا می شوند. به طوری که ابتدا محتمل ترین سطوح مسطح در فضای مطالعه با استفاده از MSAC استخراج شده و سپس به منظور جداسازی دیوارها از میان این سطوح مسطح از G-DBSCAN استفاده می شود. در این مقاله، از دستگاه لیزراسکنر همراه GeoSLAM ZEB-HORIZON برای اخذ داده ها استفاده شده است و محوطه ای که برای این منظور انتخاب شده، ساختمان های دانشکده مهندسی دانشگاه بوعلی سینا در همدان می باشد. دلیل انتخاب این محوطه وجود ویژگی هایی از جمله تنوع معماری، وجود نماهای غیرمسطح و مسطح، حالت های مختلف قرارگیری دیوارها نسبت به هم با ابعاد مختلف، و چالش های مرتبط با معماری متنوع فضای اطراف ساختمان ها است.

ارزیابی جامع این تحقیق، سه ساختمان مجزا را دربرمی گیرد. نتایج میانگین دقت (Precision) بالای 93 درصد را نشان می دهد که استخراج دقیق داده ها را تضمین می کند. به علاوه، نتایج به میانگین بازنمایی (Recall) بالای 94% دست یافته است، که اکثریت عناصر نما را به تصویر می کشد. در نتیجه، امتیاز  F1(F1 score) مقدار متوسط 94% را به دست آورده است. این تحقیق، به پیشرفت در زمینه استخراج دقیق داده های ساختمانی و مدل سازی معماری کمک می کند. البته، در مواجهه با ساختمان ها و محیط های پیچیده تر، الگوریتم با چالش هایی مواجه می شود. از جمله چالش هایی که می توان به آن ها اشاره کرد، ویژگی های معماری متنوع ساختمان ها و موانع خارجی می باشد. برای مثال، در ساختمان های دارای درب ها و پنجره های شیشه ای بزرگ، این الگوریتم ها ممکن است دیوارهای داخلی را به اشتباه استخراج کنند. همچنین، وجود پوشش گیاهی متراکم در اطراف نما می تواند موانعی ایجاد کند که مانع از توانایی لیزراسکنر در برداشت کامل نما شوند.

نتایج، نشان می دهد الگوریتم به طور کلی توانسته عملکرد قابل توجهی در استخراج اطلاعات نمای ساختمان ها به خصوص در سناریوهای معماری چالش برانگیز ارایه دهد. این پیشرفت ها، امیدوارکننده اند و امکانات جدیدی را در حوزه تحلیل داده های مکانی و مدل سازی ساختمانی ایجاد می کند. از این رویکرد نوآورانه، می توان در کاربردهای مختلفی استفاده نمود و به توسعه مدل های معماری مدرن و مبتنی بر داده کمک کرد.