Применение существующих алгоритмов по классификации и кластеризации точек лазерного отражения (k-Means, DBSCAN, SVM) для решения задач территориального планирования

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

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

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. 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.

1. Градостроительный 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/fe0cad704c69e3b97bf615f0437ecf1996a5767

2. Богданов А.Н., Алешутин И.А. Наземное лазерное сканирование в строительстве и ВIМтехнологиях//Известия Казанского государственного архитектурно-строительного университета, №. 4 (46), 2018, С. 326-332.

3. 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.

4. 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.

5. 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.

6. Ковач Н.С. Картографирование линейных инженерных объектов по данным лазерного сканирования // Вестник Московского университета. Серия 5. География, №. 1, 2013, С. 47-54.

7. Кошан Е.К. Возможности, преимущества и недостатки наземного лазерного сканирования // Интерэкспо Гео-Сибирь, Т. 9, №. 1, 2017, С. 27-30.

8. Ленченкова Е.П. Моделирование трассы железнодорожного пути по результатам мобильного лазерного сканирования//Известия Петербургского университета путей сообщения, Т. 15, №. 3, 2018, С. 408-413.

9. 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.

10. 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.

11. 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.

12. 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.

13. 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).

14. 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.

15. 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.

16. 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.

17. Cho M., Alahari K., Ponce J. Learning graphs to match, in IEEE Interational Conference on Computer Vision (ICCV), 2013, pp. 25-32.

18. Chavel I. Riemannian Geometry: A Modern Introduction // Cambridge University Press, Cambridge, 2006. – Vol. 98. – P. 471.

19. 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.

20. 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.