Yapay zeka ve makine öğrenimi ile LiDAR nokta bulutu sınıflandırma

Yapay Zeka ile Nokta Bulutu Sınıflandırma — AI-based Point Cloud Classification

Yapay zeka ile nokta bulutu sınıflandırma, her noktanın zemin, bitki, bina gibi sınıfını etiketli örneklerden öğrenilmiş bir modelle tahmin etmektir. Kural tabanlı yöntemleri tamamlar; sonucu yine de bağımsız ölçütlerle denetlemek gerekir.

Kural tabanlı yöntem ile makine öğrenimi arasındaki fark

Klasik sınıflandırma kurallara dayanır: en alçak noktaları zemin say, üçgen ağı yoğunlaştır, komşuya göre belirli bir yükseklik ve eğimi aşan noktayı zeminden çıkar. Kuralları bilen biri neden öyle karar verildiğini açıklayabilir; ancak aynı kural seti farklı arazide (dik yamaç, yoğun orman, taş ocağı) farklı davranır ve parametrelerin elle ayarlanması gerekir.

Makine öğreniminde ise model, daha önce elle sınıflandırılmış örneklerden noktanın çevresindeki geometriyi, yükseklik dağılımını, geri dönüş bilgisini ve yoğunluğu birlikte değerlendirmeyi öğrenir. Kural yazmak yerine örnek göstermek gerekir. Sonuçta bir nokta yalnızca kendi yüksekliğine göre değil, komşuluğundaki örüntüye göre sınıflandırılır.

Makine öğrenimi nerede fark yaratır?

• Karmaşık sahalar: bitki, bina, kablo ve yamaçların iç içe geçtiği yerlerde tek bir eşik değeri yetersiz kalır; öğrenilmiş model bu ayrımı daha tutarlı yapabilir.
• Tekrarlanan işler: aynı sensör ve benzer arazide çok sayıda karo işlenirken, bir kez düzeltilen sınıf davranışı diğer karolara taşınır ve elle iş azalır.
• Sınıf çeşitliliği: zemin dışında bina, düşük/orta/yüksek bitki gibi ASPRS sınıfları aynı modelden elde edilebilir.

Buna karşılık model yalnızca gördüğü veri türünü iyi tanır. Eğitimde hiç görmediği bir arazi tipinde (örneğin taşlı çıplak yamaç) hata yapabilir; bu yüzden sonuç körü körüne kabul edilmez.

Yapay zekâ tek başına yetmez: elle düzeltme döngüsü

Üretim hattında dürüst bir iş akışı şöyledir: otomatik sınıflandırma, bölge bölge görsel kontrol, hatalı yerlerin elle düzeltilmesi ve gerekirse yeniden çalıştırma. Düzeltmeler hem ürünü iyileştirir hem de sonraki işlerde modele daha iyi örnek sağlar.

HRYScan'de bu yaklaşım üç bileşenle kurulur: KAZI sınıflandırma motoru, manuel düzeltme araçları ve makine öğrenimi. Zemin ayrımının temeli geometri ve geri dönüş analizine dayanır; makine öğrenimi ve elle düzeltme bunu sahaya uyarlamak için kullanılır.

Kalite nasıl ölçülür?

"Haritaya iyi göründü" bir ölçüt değildir. Sağlam doğrulama için bağımsız denetim noktaları ile zemin yüzeyinin kotu karşılaştırılır; ayrıca elle etiketlenmiş küçük bir referans bölgede sınıf bazlı doğruluk hesaplanır: gerçek zeminin ne kadarı zemin kaldı, zemin olmayanın ne kadarı yanlışlıkla zemin sayıldı.

Zemin sınıfının kalitesi doğrudan sayısal arazi modelinin kalitesidir; bu nedenle hata maliyeti yüksek işlerde (kazı-dolgu, şev) ayrıntılı kontrol zorunludur. Kalite ayrıca verinin kendisine bağlıdır: yetersiz zemin yoğunluğu veya şeritler arası uyumsuzluk hiçbir modelle telafi edilemez.

Hangi veride denemeli?

İlk denemeyi, daha önce elle sınıflandırdığınız bir bölgede yapmak en güvenli yoldur: otomatik sonucu kendi referansınızla karşılaştırarak yöntemin sizin arazi tipinizde ne kadar tuttuğunu görürsünüz. Ardından farklı karakterde (dik yamaç, yoğun bitki, kentsel) bir karoda denemeyi tekrarlayın.

Sık sorulanlar

İlgili terimler

Tüm terimler için Haritacılık Sözlüğü. Bir hata gördüyseniz ya da eklenmesini istediğiniz terim varsa yazın. Son güncelleme: 2026-10-21.