apping
2020-4 I Geo-Info
slag vond plaats door de gemakkelijkste en de
meeste herkenbare features uit de puntenwolk
te halen. Op basis van herhalende patronen
gecombineerd met de al aanwezige attributen
in de puntenwolk (X, Y, Z en intensiteit) is
software ontwikkeld om automatisch features
uit de puntenwolk te halen. Eerst is In 2011
is software ontwikkeld dat de extractie van
belijning automatiseert. Hierbij wordt gebruik
gemaakt van contrastverschillen tussen
de wegmarkering en het asfalt (mate van
intensiteit van het punt). Vervolgens is in 2013
software ontwikkeld waarmee de geleiderail
voor een groot gedeelte automatisch uit de
puntenwolken gehaald kan worden. Daarbij is
de unieke en constante vorm van de geleide-
rail gebruikt. In 2016 is op basis van clustering
van punten software ontwikkeld om rondvor-
mige objecten te kunnen detecteren. Hierbij
moest nog wel handmatig het gevonden
object worden voorzien van de juiste code.
Helaas bleef door de hoge 'false positive rate'
van de software nog behoorlijk wat handma
tig werk over. 2018 markeert het begin van
de ontwikkeling van detectie software om
2D- en 3D-objecten te kunnen extraheren.
Op dit moment ligt de focus op automatische
extractie van 3D-objecten uit de puntenwolk.
De eerste ontwikkeling
van Deep Learning
Met Mobile Mapping wordt bijzonder veel digi
tale data binnengehaald. Het ligt dan ook voor
de hand om zelflerende algoritmes te gebruiken
bij het verder automatiseren van extracten van
features uit puntenwolken. In ons geval zijn we
begonnen met de extractie van pijlen op de weg
uit de puntenwolk. Dit hebben we gedaan door
puntenwolken om te zetten naar 2D-afbeeldin-
gen. Objectdetectie op 2D-afbeeldingen is inmid
dels al ver doorontwikkeld en deze kennis is goed
te gebruiken om de pijlen te kunnen detecteren.
Ervaringen met de ontwikkeling
Om pijlen in de puntenwolk te kunnen detec
teren zijn er twee uitdagingen: het vinden van
de locatie van de pijl en het juist classificeren
van de gevonden pijl (classificatieprobleem).
Voorbeelden van Deep Learning-modellen
voor objectdetectie zijn vormen van CNN's
(Convolutional Neural Networks), YOLO (You
Only Look Once) en SSD (Single Shot Detec
tor). In ons geval is een keuze gemaakt voor
het SSD-model. Het voordeel van dit model
is dat het gebalanceerd is qua nauwkeurig-
Figuur2 - Vectoriseren.
Figuur3 - Bounding boxes.