publicidad

Machine Learning se conecta con la fotogrametría

publicidad

Clasificación de nube de puntos con aprendizaje automático (Machine Learning).

Machine Learning se conecta con la fotogrametría  Pix4Dmapper 4.0
Machine Learning se conecta con la fotogrametría Pix4Dmapper 4.0

Con Pix4Dmapper 4.0, tiene en sus manos herramientas de aprendizaje automático para aplicaciones en fotogrametría. Le permite clasificar nubes de puntos 3D en categorías como edificios, carreteras o vegetación.

Y este es solo el comienzo del último viaje de Pix4D.

Creemos en la capacidad de las técnicas de fotogrametría y aprendizaje automático para revolucionar los flujos de trabajo actuales y permitir muchos nuevos. Al final, permitirá la conversión de imágenes en bruto a modelos de realidad 3D con información semántica atribuida.

Esto significa que, en lugar de que los operadores inspeccionen y miden manualmente modelos de realidad 3D, recibirán directamente respuestas generadas automáticamente a preguntas como las siguientes:

Responder a estas preguntas muy específicas hará que los flujos de trabajo sean viables y permitan que el procesamiento fotogramétrico se conecte directamente a las bases de datos GIS para actualizar su información vectorizada en función de cualquier nuevo dato recolectado.

Todavía hay trabajo por hacer. Las técnicas de aprendizaje automático son tan buenas como los datos de entrenamiento que se usan para construir los modelos de clasificación. Optamos por brindarles a nuestros usuarios las herramientas para controlar y refinar la clasificación. Al igual que un bebé, a medida que él aprende a ver e interpretar su entorno, gradualmente crece. Nuestras técnicas de aprendizaje automático evolucionan con los datos de entrenamiento y los resultados moldearán más categorías de objetos y serán más confiables.

A partir de hoy, los profesionales utilizarán la nueva clasificación de puntos basada en el aprendizaje automático principalmente para generar automáticamente modelos de terreno digitales (DTM). En un futuro próximo, la clasificación de puntos también forma la base para extraer edificios y modelarlos como una composición semántica de elementos geométricos como techo, fachada, ventanas, puertas y balcones, por ejemplo.

Nuestro equipo creciente de I + D en Lausana, Berlín y San Francisco están dedicados a este desafío.

– Christoph Strecha, CEO y fundador Pix4D

 

Algoritmos entrenados basados en geometría

Nuestro primer paso en esta dirección es nuestra nueva clasificación de nube de puntos basada en el aprendizaje automático.

Hemos entrenado algoritmos basados en geometría y valores de píxeles para comprender las clases de objetos.

Podemos recopilar las entradas de los usuarios para entrenar nuevos algoritmos que se puedan adaptar a muchos temas, por ejemplo, en agregados que separan las existencias del terreno desnudo y midan los volúmenes automáticamente con una precisión sin precedentes, o digitalizando automáticamente nuevas áreas urbanas y de carreteras.

 

Edificios: estructuras verticales o grandes infraestructuras independientes.

Vegetación alta: árboles o arbustos más altos que alrededor de medio metro

Objetos hechos en humanos: otros objetos artificiales sobre el suelo

Carreteras: superficies cubiertas de asfalto

Suelo: suelo, césped extremadamente corto o césped disperso

 

Extrae el terreno de tierra desnuda excluyendo los objetos sobre el suelo

Es necesario realizar muchos análisis hidrológicos y/o geológicos con modelos de terreno desnudo. En Pix4Dmapper, puede utilizar la función de clasificación de puntos para separar todos los objetos sobre el suelo y mejorar la clasificación utilizando las herramientas de edición de puntos.

 

Ignore las vegetaciones en la parte superior de una pila para una medición de volumen más precisa

Para obtener una medición de volumen precisa, es fundamental eliminar la vegetación o los objetos hechos por el hombre de la nube de puntos. Con la clasificación de puntos, sería más rápido ahorrar cálculos de volumen más confiables.

 

Prevenir el corte de electricidad mediante el control del crecimiento de la vegetación

La vegetación es una de las principales causas del corte de la línea eléctrica. Es extremadamente importante para la compañía energética seguir el crecimiento de la vegetación para poder recortarla antes de que cause daños. Con la clasificación de puntos, las infraestructuras extraídas se pueden agrupar y digitalizar manualmente para un análisis posterior.

 

Fuente: https://pix4d.com/machine-learning-meets-photogrammetry/

publicidad
Salir de la versión móvil