vdgtuВестник Дагестанского государственного технического университета. Технические наукиHerald of Dagestan State Technical University. Technical Sciences2073-61852542-095XDaghestan State Technical University10.21822/2073-6185-2023-50-1-75-80vdgtu-1219Research ArticleИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ И ТЕЛЕКОММУНИКАЦИИINFORMATION TECHNOLOGY AND TELECOMMUNICATIONSПрименение существующих алгоритмов по классификации и кластеризации точек лазерного отражения (k-Means, DBSCAN, SVM) для решения задач территориального планированияApplication of existing algorithms for classification and clustering of laser reflection points (k-Means, DBSCAN, SVM) to solve territorial planning problemsГураД. А.GuraD. A.

Дмитрий Андреевич Гура, кандидат технических наук, доцент, кафедра кадастра и геоинженерии

350072, г. Краснодар, ул. Московская, д. 2

Dmitry A. Gura, Cand. Sci. (Eng), Assoc. Prof., Department of Cadastre and Geoengineering

2 Moskovskaya St., Krasnodar 350072

gda-kuban@mail.ruБолтовнинаО. С.BoltovninaO. S.

Ольга Сергеевна Болтовнина, студент, кафедра кадастра и геоинженерии 

350072, г. Краснодар, ул. Московская, д. 2

Olga S. Boltovnina, Student, Department of Cadastre and Geoengineering

2 Moskovskaya St., Krasnodar 350072

barilchenko00@mail.ruКубанский государственный технологический университетРоссияKuban State Technological UniversityRussian Federation2023100520235017580Copyright © Гура Д.А., Болтовнина О.С., 20232023Гура Д.А., Болтовнина О.С.Gura D.A., Boltovnina O.S.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnik.dgtu.ru/jour/article/view/1219Цель

Цель. Целью исследования является обобщение опыта применения и раскрытие особенностей методов классификации и кластеризации изображений, полученных путем лазерного сканирования.

 Метод

 Метод. Исследование основано на применении алгоритмов распознавания, кластеризации и классификации данных.

Результат

Результат. Проведен краткий обзор имеющих алгоритмов, используемых для кластеризации изображений, полученных путем лазерного сканирования. Показана возможность использования последовательно алгоритмов K-means и DBSCAN для осуществления кластеризации в отношении объектов различной формы. Проанализированы возможности использования алгоритмов по классификации и кластеризации точек лазерного отражения (k-Means, DBSCAN, SVM) в рамках решения задач территориального планирования.

Вывод

Вывод. Применение представленных алгоритмов позволяет сформировать массивы данных, которые при наложении друг на друга позволяют получить еще более точные отображения объектов и территорий в документах территориального планирования, а в перспективе на основе применения методов машинного обучения и обработки матриц данных, имеющихся в памяти, получать более точные сведения об объектах на местности.

Objective

Objective. The aim of the study is to generalize the experience of using and reveal the features of methods for classifying and clustering images obtained by laser scanning.

Method

Method. The study is based on the use of algorithms for recognition, clustering and classification of data obtained using laser scanning.

Result

Result. A brief review of existing algorithms used for clustering images obtained by laser scanning has been carried out. The possibility of using sequentially the K-means and DBSCAN algorithms for clustering in relation to objects of various shapes is shown. The possibilities of using algorithms for the classification and clustering of laser reflection points (k-Means, DBSCAN, SVM) in the framework of solving territorial planning problems are analyzed.

Conclusion

Conclusion. The use of the presented algorithms makes it possible to form data arrays that, when superimposed on each other subsequently and further processed, make it possible to obtain even more accurate representations of objects and territories in territorial planning documents, and in the future, based on the use of machine learning methods and processing of data matrices available in memory, get more accurate information about objects on the ground.

территориальное планированиеK-meansDBSCAN кластеризацияклассификацияоблако точеклазерное сканированиеterritorial planningK-meansDBSCAN clusteringclassificationpoint cloudlaser scanningReferencesГрадостроительный кодекс Российской Федерации от 29.12.2004 N 190-ФЗ (ред. от 30.12.2021)(с изм. и доп., вступ. в силу с01.01.2022)//База Консультант. URL: http://www.consultant.ru/document/cons_doc_LAW_51040/fe0cad704c69e3b97bf615f0437ecf1996a5767Town Planning Code of the Russian Federation of December 29, 2004 N 190-FZ (as amended on December 30, 2021)(as amended and supplemented, effective from January 1, 2022). Consultant. URL: http://www.consultant.ru/document/cons_doc_LAW_51040/fe0cad704c69e3b97bf615f0437ecf1996a5767Богданов А.Н., Алешутин И.А. Наземное лазерное сканирование в строительстве и ВIМтехнологиях//Известия Казанского государственного архитектурно-строительного университета, №. 4 (46), 2018, С. 326-332.Bogdanov A.N., Aleshutin I.A. Terrestrial laser scanning in construction and vim-technologies. Proceedings of the Kazan State University of Architecture and Civil Engineering, 2018; 4 (46): 326-332.[In Russ]Горохов Д.А., Ожигин Д.С., Ожигина С.Б., Дорош Н.А., Кулыгин Д.А., Воробьева Ю.Б. Инструментальные наблюдения за деформациями техногенных объектов // Интерэкспо Гео-Сибирь, Т. 1, №. 1, 2017, С. 135-139.D. A. Gorokhov, D. S. Ozhigin, S. B. Ozhigina, N. A. Dorosh, D. A. Kulygin, and Yu. Instrumental observations of the deformations of technogenic objects. Interexpo Geo-Siberia, 2017; 1(1): 135-139. [In Russ]Каркищенко А.Н. Левашев С.П. Метод распознавания объектов по данным лазерного сканирования на основе спектральной теории графов//Известия ЮФУ. Технические науки. 2019. №3 (205). С. 72- 85.Karkishchenko A.N. Levashev S.P. Object recognition method based on laser scanning data based on spectral graph theory. Izvestiya SFedU. Technical science. 2019; 3 (205): 72-85.[In Russ]Киямов И.К., Мингазов Р.Х., Музафаров А.Ф., Ибрагимов Р.А., Сибгатуллин А.А. Технология лазерного сканирования в 3D проектировании // Экспозиция Нефть Газ, №. 7 (32), 2013, С. 41-43.Kiyamov I.K., Mingazov R.Kh., Muzafarov A.F., Ibragimov R.A., Sibgatullin A.A. Laser scanning technology in 3D design. Oil and Gas Exposition, 2013; 7 (32): 41-43 .[In Russ]Ковач Н.С. Картографирование линейных инженерных объектов по данным лазерного сканирования // Вестник Московского университета. Серия 5. География, №. 1, 2013, С. 47-54.Kovach N.S. Mapping of linear engineering objects according to laser scanning data. Bulletin of Moscow University. Series 5. Geography, 2013; 1: 47-54.[In Russ]Кошан Е.К. Возможности, преимущества и недостатки наземного лазерного сканирования // Интерэкспо Гео-Сибирь, Т. 9, №. 1, 2017, С. 27-30.Koshan E.K. Possibilities, advantages and disadvantages of terrestrial laser scanning. Interexpo GeoSiberia, 2017; 9(1): 27-30.[In Russ]Ленченкова Е.П. Моделирование трассы железнодорожного пути по результатам мобильного лазерного сканирования//Известия Петербургского университета путей сообщения, Т. 15, №. 3, 2018, С. 408-413.Lenchenkova E.P. Modeling the route of the railway track based on the results of mobile laser scanning. Bulletin of the Petersburg University of Railway Transport, 2018; 15(3): 408-413.[In Russ]Левашев С.П. Распознавание 3D объектов на основе спектральных инвариантов с использованием глубокого машинного обучения//Известия Южного федерального университета. Технические науки, 2019, №. 3 (205), С. 20-31.Levashev S.P. Recognition of 3D objects based on spectral invariants using deep machine learning. Bulletin of the Southern Federal University. Technical sciences, 2019; 3 (205): 20-31.[In Russ]Пантюхин Д.В., Нгуен Данг Тао, Ву Вьет Тханг Применение нейронной сети типа многослойный персептрон для распознавания типа атаки на информационную систему на примере базы KDD’99. XI Всероссийская научная конференция «Нейрокомпьютеры и их применение», 17 Марта 2015, МГППУ.Pantyukhin D.V., Nguyen Dang Tao, Vu Viet Thang Application of a neural network of the multilayer perceptron type for recognizing the type of attack on an information system on the example of the KDD'99 base. XI All-Russian Scientific Conference "Neurocomputers and their applications", March 17, 2015 , MSUPU.[In Russ]Середович В.А., Иванов А.В., Середович А.В., Горохова Е.И., Бородулина И.В., Романович Е.В. Применение наземного лазерного сканирования для контроля строительства и капитального ремонта автомобильных дорог // Интерэкспо Гео-Сибирь, Т. 1, №. 3, 2010, С. 69-72.Seredovich V.A., Ivanov A.V., Seredovich A.V., Gorokhova E.I., Borodulina I.V., Romanovich E.V. Application of terrestrial laser scanning to control the construction and overhaul of highways. Interexpo GeoSiberia, 2010; 1(3): 69-72.[In Russ]Середович В.А., Алтынцев М.А., Егоров А.К. Определение индекса ровности дорожного покрытия по данным мобильного лазерного сканирования // Вестник СГУГиТ (Сибирского государственного университета геосистем и технологий), Т. 22, №. 3, 2017, С. 33-44.Seredovich V.A., Altyntsev M.A., Egorov A.K. Determination of the evenness index of the road surface according to mobile laser scanning data. Vestnik SSUGiT (Siberian State University of Geosystems and Technologies), 2017; 22(3): 33-44.[In Russ]Созыкин А.В. Обзор методов обучения глубоких нейронных сетей // Вестник ЮУрГУ. Серия: Вычислительная математика и информатика. 2017. №3. URL: https://cyberleninka.ru/article/n/obzormetodov-obucheniya-glubokih-neyronnyh-setey (дата обращения: 13.12.2022).Sozykin A.V. Overview of learning methods for deep neural networks. Bulletin of SUSU. Series: Numerical Mathematics and Informatics. 2017. №3. URL: https://cyberleninka.ru/article/n/obzor-metodovobucheniya-glubokih-neyronnyh-setey (date of access: 12/13/2022)[In Russ]Холодов П. Н., Титов К. М., Подвербный В. А. Моделирование плана оси железнодорожного пути и его изменения в процессе эксплуатации // Современные технологии. Системный анализ. Моделирование, №. 1 (61), 2019, С. 74-81.Kholodov P. N., Titov K. M., Podverbny V. A. Modeling the plan of the axis of the railway track and its changes during operation. Sovremennye tekhnologii. System analysis. Modeling, 2019;1(61):74-81[In Russ]Шоломицкий А.А., Лагутина Е.К., Соболева Е.Л. Применение лазерного сканирования для мониторинга большепролетных сооружений // Вестник СГУГиТ (Сибирского государственного университета геосистем и технологий), Т. 23, №. 2, 2018, С. 43-57.Sholomitsky A.A., Lagutina E.K., Soboleva E.L. Application of laser scanning for monitoring of largespan structures. Bulletin of SGUGiT (Siberian State University of Geosystems and Technologies), 2018; 23(2): 43-57[In Russ]Шокина М.О. Применение алгоритма k-means++ для кластеризации последовательностей с неизвестным количеством кластеров // Новые информационные технологии в автоматизированных системах, №. 20, 2017, С. 160-163.Shokina M.O. Application of the k-means++ algorithm for clustering sequences with an unknown number of clusters. New information technologies in automated systems, 2017; 20: 160-163.[In Russ]Cho M., Alahari K., Ponce J. Learning graphs to match, in IEEE Interational Conference on Computer Vision (ICCV), 2013, pp. 25-32.Cho M., Alahari K., Ponce J. Learning graphs to match, in IEEE Interational Conference on Computer Vision (ICCV), 2013; 25-32.Chavel I. Riemannian Geometry: A Modern Introduction // Cambridge University Press, Cambridge, 2006. – Vol. 98. – P. 471.Chavel I. Riemannian Geometry: A Modern Introduction. Cambridge University Press, Cambridge, 2006; 98: 471.Krizhevsky A., Sutskever I., Hinton G.E. ImageNet classification with deep convolutional neural networks // NIPS'12 Proceedings of the 25th International Conference on Neural Information Processing Systems. – Lake Tahoe, USA, 2012. – P. 1097-1105.Krizhevsky A., Sutskever I., Hinton G.E. ImageNet classification with deep convolutional neural networks. NIPS'12 Proceedings of the 25th International Conference on Neural Information Processing Systems. Lake Tahoe, USA, 2012; 1097-1105.Macrini D., Siddiqi K., Dickinson S. From Skeletons to Bone Graphs: Medial Abstraction for Object Recognition // 26th IEEE Conference on Computer Vision and Pattern Recognition, CVPR. – Anchorage, Alaska, USA, 2008. – P. 1-8.Macrini D., Siddiqi K., Dickinson S. From Skeletons to Bone Graphs: Medial Abstraction for Object Recog-nition. 26th IEEE Conference on Computer Vision and Pattern Recognition, CVPR. Anchorage, Alaska, USA, 2008; 1-8.

The authors declare that there are no conflicts of interest present.