Детальная информация

Данная работа посвящена повышению эффективности обработки данных наземного лазерного сканирования в строительных задачах за счет автоматизации этапа очистки и классификации облаков точек. Исследование охватывает анализ существующих методов сегментации 3D-данных, разработку методики SSCloud и экспериментальную апробацию программного комплекса в прикладном контуре. В ходе исследования решались следующие задачи: 1. Провести обзор современных подходов к обработке облаков точек и семантической сегментации, определить их применимость в строительной отрасли. 2. Разработать методику автоматизированной семантической сегментации для очистки данных НЛС на основе проекционного 2D/3D-подхода. 3. Обосновать выбор архитектуры нейронной сети U-Net и сформировать воспроизводимый контур обучения и инференса. 4. Реализовать полуавтоматическую методику подготовки обучающих данных с использованием SAM и интерактивной классификации оператором. 5. Разработать программный комплекс SSCloud, включающий обучающий модуль, сервисный слой, пакетную обработку и визуализацию результатов. 6. Выполнить вычислительные и абляционные эксперименты, оценить точность сегментации, вычислительную эффективность и снижение трудоемкости ручной обработки. В первой главе выполнен сравнительный анализ методов сегментации облаков точек (воксельных, проекционных, point-based и гибридных), рассмотрены архитектуры PointNet/PointNet++, PointCNN, LDGCNN, GAPNet, RGCNN, SO-Net и другие подходы. Показаны перспективы применения в строительстве, ограничения масштабируемости, проблемы дисбаланса классов и дефицита качественной аннотации. Во второй главе разработана методика SSCloud, основанная на преобразовании 3D-облака в панорамы нормалей, сегментации панорам сетью U-Net и обратной проекции предсказанных классов в трехмерное пространство. Сформирован последовательный конвейер обработки: проекция, сегментация, обратная проекция и фильтрация. Предложена полуавтоматическая схема разметки обучающих данных с применением SAM, что позволило существенно сократить время подготовки датасета. В третьей главе реализован программный комплекс SSCloud и проведена экспериментальная апробация. Исследованы конфигурации модели (baseline, attention, hybrid), стратегии балансировки классов и режимы обучения. Подтверждена работоспособность сервисного контура для пакетной обработки и визуальной верификации результатов. По сравнению с полностью ручной сегментацией достигнуто значительное сокращение трудозатрат (до порядка 15–20 минут на панораму против 120–240 минут при ручной обработке в традиционном подходе). Основные результаты работы: - сформирована воспроизводимая методика SSCloud для автоматизированной очистки облаков точек в строительных сценариях; - реализован рабочий программный комплекс с сервисной интеграцией, визуализацией и экспортом результатов; - показано улучшение практической эффективности обработки за счет сочетания нейросетевой сегментации и human-in-the-loop разметки; - обоснован комплексный подход к повышению качества сегментации через архитектурные модификации и балансировку классов. Для достижения результатов использованы следующие информационные технологии и программные средства: Python, PyTorch, U-Net, Segment Anything Model (SAM), Docker, FastAPI-сервис, инструменты визуализации и обработки облаков точек (включая CloudCompare), форматы E57/LAZ, а также стандартные средства подготовки и управления датасетами.

This work focuses on improving the efficiency of terrestrial laser scanning data processing in construction by automating point-cloud cleaning and classification. The study includes a review of state-of-the-art 3D segmentation methods, the development of the SSCloud methodology, and its experimental validation in an applied software pipeline. The research includes: (1) analysis of modern point-cloud segmentation approaches; (2) development of a projection-based 2D/3D semantic segmentation workflow; (3) justification of U-Net architecture and reproducible training/inference setup; (4) semi-automatic dataset annotation using SAM with operator-in-the-loop classification; (5) implementation of SSCloud software components; and (6) ablation-based evaluation of segmentation quality, computational performance, and labor reduction. The proposed SSCloud pipeline converts 3D scans into normal panoramas, performs semantic segmentation in 2D, and back-projects class labels to 3D points. Experimental results confirm practical applicability of the approach and show substantial reduction of manual processing time compared to fully manual workflows. The implementation relies on Python, PyTorch, U-Net, Segment Anything Model (SAM), Docker, FastAPI-based services, point-cloud processing/visualization tools, and E57/LAZ data formats.