Investigadores de Japón proponen, en un nuevo estudio, un algoritmo basado en el aprendizaje profundo que puede extraer automáticamente la...
En Japón, se midió y acumuló una cantidad sustancial de datos de nubes de puntos, un conjunto de puntos de datos en el espacio, para obras públicas utilizando sistemas de mapeo móviles y escáneres láser terrestres.
13 diciembre 2022.- Sin embargo, esta gran cantidad de datos tiene un uso limitado en un estado no procesado y no estructurado. Afortunadamente, se puede estructurar extrayendo automáticamente una característica utilizando un "plano de dibujo de finalización" que muestra la geometría completa de un objeto de construcción.
A principios de este año, investigadores de Japón, dirigidos por el profesor Ryuichi Imai de la Universidad de Hosei, Japón, propusieron otro método para extraer características de carreteras utilizando datos de mapas 3D (HD) de alta precisión. Sin embargo, la aplicabilidad de su enfoque se limita a las secciones desarrolladas de los mapas de ruta. Si bien el problema se puede resolver con la identificación basada en el aprendizaje profundo, requieren una gran cantidad de datos de capacitación de alta calidad preparados manualmente.
Recientemente, el profesor Imai y sus colaboradores, Kenji Nakamura de la Universidad de Economía de Osaka, Yoshinori Tsukada de la Universidad de Setsunan, Noriko Aso de Dynamic Map Platform y Jin Yamamoto de la Universidad de Hosei desarrollaron un algoritmo para automatizar el proceso de generación de datos de entrenamiento y construyeron un modelo de identificación de características viales a partir de datos de nubes de puntos extraídos automáticamente de mapas HD.
En su estudio, los investigadores primero separaron la superficie del suelo de los datos de la nube de puntos utilizando el software CloudCompare. A continuación, generaron datos de área del mapa HD y extrajeron puntos componentes de características. Si bien estos puntos se asignaron como señales de tráfico o semáforos, se proporcionaron otras etiquetas para los datos restantes.
Luego, los datos de área correspondientes a los puntos componentes se ampliaron para generar los datos de entrenamiento. Usando esto, los investigadores generaron más imágenes de proyección de nube de puntos. Por último, usaron los datos de entrenamiento para construir el modelo de identificación usando un algoritmo de detección de objetos YOLOv3. El modelo podría detectar características de la carretera en función de puntos de agrupación distintos de los identificados para la superficie del suelo mediante CloudCompare.
Una vez establecido el marco computacional, los investigadores realizaron experimentos de demostración en la prefectura de Shizuoka en una carretera con 65 señales de tráfico, 46 semáforos y características de ruido en una distancia de 1,5 kilómetros. Utilizaron 258 señales de tráfico y 168 semáforos para entrenar su modelo de identificación y utilizaron 36 y 24 imágenes, respectivamente, para calcular la precisión de determinación del algoritmo.
Los investigadores encontraron que la precisión, el recuerdo y la medida F fueron 0,84, 0,75 y 0,79, respectivamente, para las señales de tránsito y 1,00, 0,75 y 0,86, respectivamente para los semáforos, lo que indica cero determinaciones falsas. Se demostró que la precisión del modelo propuesto es mayor que la de los modelos existentes.
"Un modelo de producto construido a partir de datos de nubes de puntos permitirá la realización de un entorno gemelo digital para el espacio urbano con mapas de carreteras actualizados regularmente. Será indispensable para gestionar y reducir las restricciones de tráfico y los cierres de carreteras durante las inspecciones de carreteras. Se espera que la tecnología reduzca costos de tiempo para las personas que usan carreteras, ciudades y otras infraestructuras en su vida diaria", indicaron los autores del desarrollo.
Más información: Conferencia: www.j-soft.org/2022
COMENTARIOS