Rilievo stradale con LiDAR e classificazione automatica degli elementi stradali con metodologia OBIA.
La metodologia OBIA (Object Based Image Analysis) permette il riconoscimento e la classificazione di oggetti attraverso l’analisi dell’immagine.
In questo breve articolo sarà illustrata l’evoluzione della classificazione OBIA automatica di elementi stradali a partire da un rilievo LiDAR con l’utilizzo del software eCognition.
Introduzione al rilievo stradale con LiDAR
Questo caso di studio analizza le nuove funzionalità di eCognition 10.2 di Trimble. In particolare, focalizza gli sviluppi e le tecnologie aggiuntive introdotte nella sua ultima versione (10.2).
eCognition è una suite di analisi di immagini che fonda i suoi principi nella classificazione OBIA (Object Base Image Analysis). La suite è ad oggi tra i prodotti più utilizzati per la classificazione e l’automatizzazione delle analisi di dati geospaziali. eCognition opera una svolta radicale rispetto agli approcci convenzionali di analisi dei dati grazie alla sua capacità di emulare i processi cognitivi della mente umana e di fondere dati da diversi input geospaziali.
Questo progetto è un upgrade di una recente analisi effettuata con eCognition 10. Obiettivo principale è la classificazione di una nuvola di punti in automatico. Il dato in input è stato già classificato all’interno di eCognition Developer 10 e oggetto di un caso di studio pubblicato e disponibile sul sito www.sysdecoitalia.com
Questo progetto, grazie alle nuove funzionalità della suite eCognition, dimostra ancora una volta, la grande versatilità del software, e la robusta struttura tecnologica che conserva all’interno.
Dati a disposizione dal rilievo stradale LiDAR
I dati utilizzati sono rappresentati da una nuvola di punti acquisita con sistema Trimble Mobile Mapping MX9 su un tratto autostradale in Italia. Trimble MX9 è una soluzione di Mobile Mapping pensato per essere montato sul tetto di un veicolo e per acquisire rapidamente nuvole di punti, sia panoramiche che multi-angolo, in modo da raccogliere dati ricchi di dettagli a velocità sostenuta, migliorando in modo significativo l’acquisizione su tratti stradali trafficati, evitando chiusure di corsia.
Infatti la nuvola di punti presenta dati continui e densi lungo una carreggiata e alcuni buchi e densità meno accentuata sull’altra carreggiata (fig.2)
Le classi in analisi sono principalmente rappresentate dalla segnaletica orizzontale e verticale presente sul tratto autostradale. In prima battuta vengono presi in considerazione anche le classi relative al ground e alla vegetazione che verranno poi escluse dalla classificazione applicando una maschera al dato in input.
Elaborazione in eCognition 10.2
La nuvola di punti in formato .las è stata importata all’interno del software eCognition Developer 10.2 e visualizzata sulla base della feature intensity insita nelle proprietà del layer. Per la classificazione, come già esplicitato in introduzione, è stato scelto il nuovo algoritmo di classificazione automatica “deep learning based point cloud classification” che utilizza le tecniche di deep learning più all’avanguardia e fornisce agli utenti un accesso semplificato a risultati di alta precisione tramite un modello pre-addestrato e in continua crescita per sensori sia terrestri che aerei.
L’utilizzo del nuovo algoritmo riduce drasticamente i tempi di sviluppo del ruleset, nel precedente studio infatti, il ruleset era significativamente più elaborato e corposo; ad una prima classificazione automatica con algoritmo “automatic point cloud classification” venivano inseriti altri algoritmi al fine di creare classi temporanee e pulire il più possibile la prima classificazione. Nella modalità deep learning point cloud, invece, è possibile classificare grandi quantità di dati in poco tempo senza sviluppare o implementare il process tree. L’algoritmo infatti essendo addestrato su grandi scenari di dati riesce a classificare differenti nuvole di punti con pochissimo scarto in termini di errore.
L’architettura alla base del modello di deep learning si chiama CONVPOINT, la letteratura è disponibile di seguito: https://arxiv.org/pdf/1904.02375.pdf
Il modello implementato in eCognition si basa su dati etichettati terrestri e aerei ed è in grado di classificare automaticamente i punti in alcune classi comuni. Questo algoritmo è considerato ancora un prototipo e il team è tuttora al lavoro per migliorare l’usabilità dell’algoritmo, oltre a perfezionare ulteriormente il modello stesso per renderlo più accurato e utilizzabile in più teatri operativi.
Risultati
Il risultato ottenuto è da considerarsi estremamente soddisfacente considerando che l’algoritmo:
- offre una classificazione automatica rapida – 51.494.859 punti in meno di 10 minuti risparmiando tutto il tempo di creazione del ruleset che nella precedente versione ha comportato tra sviluppo ed esecuzione più di due giorni lavorativi;
- non richiede particolari specifiche tecniche;
- non è stato necessario alcun editing manuale ne assegnazioni di altre classi.
Inoltre, la tecnologia deep learning alla base è in continuo sviluppo da parte del team eCognition che prevede di completare il processo di istruzione dell’algoritmo stesso prima del rilascio della prossima versione del prodotto (10.3). Da notare che la classificazione è validissima per quando riguarda la segnaletica verticale mentre va ancora affinata e calibrata su quella orizzontale che presenta alcuni dettagli non analizzati. Questo problema può essere facilmente risolto applicando un filtro del terreno o, come nel precedente caso di studio, basando la classificazione anche su un DTM o DSM. Siamo certi, inoltre, che nella sua versione definitiva l’algoritmo sarà in grado di rispondere anche a questa particolare richiesta.
Per maggiori informazioni contattare sales@sysdecoitalia.com
(Fonte: Sysdeco Italia)
 per rilievo stradale LiDAR e classificazione automatica di elementi ed oggetti.){kind=link}