Ēku 3D modeļu rekonstrukcija, izmantojot plakņu marķēšanas algoritmus un tālizpētes datus

Abstract

Pilsētvides problēmu risināšanā noderīgi ir ēku 3D (trīs dimensiju) modeļi, kas var tikt pielietoti pilsētas infrastruktūras plānošanā, scenāriju modelēšanā u.c. specifisku problēmu risināšanā. Darbs ir turpinājums autora bakalaura darbam, kurā tika piedāvāta metode ēku 3D modeļu izveidei. Tās galvenais trūkums ir nepieciešamība pēc lietotāja iejaukšanās, padarot metodi nepiemērotu plašai pilsētas 3D modelēšanai. Darba mērķis ir uzlabot jumta plakņu noteikšanas procesu, izmantojot mašīnmācīšanās metodes, un izstrādāt plašāk lietojamu ēku 3D modeļu ģenerēšanas algoritmu, kas būtu piemērots dažādām jumtu arhitektūrām. Darba rezultātā tiek apmācīts Mask R-CNN konvolūciju neironu tīkls jumta plakņu segmentācijai, uzrādot precizitāti 0.544 mAP @ IoU >= 0.75. Izmantojot lidara datus un Mask R-CNN jumta plaknes tiek, automātiski izveidoti ēku 3D modeļi izvēlētam pilsētvides apgabalam. Atslēgvārdi: Ēku 3D modeļi, jumta plaknes, jumta plakņu marķēšana, Mask R-CNN, lidars.

Title of the master’s thesis: Reconstruction of building 3D models using machine learning methods for roof plane segmentation. Building 3D models can be used for city infrastructure planning and modeling of different processes like noise pollution, sunlit areas etc. This work is the continuation of the author’s bachelor’s thesis where a building 3D model reconstruction method was proposed but due to the need of constant user interference, was not scalable for large city regions. The aim of the master’s thesis is to improve the roof plane segmentation process by using machine learning methods and to create a scalable 3D building reconstruction workflow for varying kinds of building types. Mask R-CNN instance segmentation network was trained on orthophotos to segment individual roof planes, with a precision of 0.544 mAP @ IoU >= 0.75. Using the segmented roof planes and lidar data, a workflow is proposed for building 3D reconstruction for a selected city area. Keywords: Building 3D models, roof planes, roof plane segmentation, Mask R-CNN, lidar.