(Luận văn) nghiên cứu phương pháp phân lớp đám mây điểm lidar bằng học máy

BỘ GIÁO DỤC VIỆN HÀN LÂM VÀ ĐÀO TẠO KHOA HỌC VÀ CÔNG NGHỆ VN HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ BÙI ĐỨC TIẾN lu an Bùi Đức Tiến n va gh tn to p ie NGHIÊN CỨU PHƯƠNG PHÁP PHÂN LỚP ĐÁM MÂY ĐIỂM LIDAR d u nf va an lu LUẬN VĂN THẠC SĨ NGÀNH MÁY TÍNH ll oi m z at nh HỆ THỐNG THÔNG TIN oa nl w BẰNG HỌC MÁY z m co l gm @ an Lu n va 2021 Hà Nội – 2021 ac th si BỘ GIÁO DỤC VIỆN HÀN LÂM VÀ ĐÀO TẠO KHOA HỌC VÀ CÔNG NGHỆ VN HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ Bùi Đức Tiến lu an n va gh tn to ie NGHIÊN CỨU PHƯƠNG PHÁP PHÂN LỚP ĐÁM MÂY ĐIỂM LIDAR p BẰNG HỌC MÁY d oa nl w lu va an Chuyên ngành : Hệ thống thông tin ll u nf Mã số: 8480104 oi m z at nh LUẬN VĂN THẠC SĨ NGÀNH MÁY TÍNH z gm @ l NGƯỜI HƯỚNG DẪN KHOA HỌC : m co PGS.TS ĐẶNG VĂN ĐỨC an Lu n va Hà Nội – 2021 ac th si LỜI CAM ĐOAN Tôi Bùi Đức Tiến, học viên khóa 2019B, ngành Máy tính, chun ngành Hệ Thống Thông Tin Tôi xin cam đoan luận văn cơng trình tơi nghiên cứu, tìm hiểu thực hướng dẫn PGS.TS Đặng Văn Đức Trong q trình làm luận văn tơi có tham khảo tài liệu có liên quan ghi rõ nguồn tài liệu tham khảo Tơi xin chịu trách nhiệm lời cam đoan Hà Nội, ngày 08 tháng 11 năm 2021 Tác giả lu an Bùi Đức Tiến n va p ie gh tn to d oa nl w ll u nf va an lu oi m z at nh z m co l gm @ an Lu n va ac th si LỜI CẢM ƠN Lời cảm ơn trân trọng muốn dành tới thầy cô Học viện khoa học công nghệ Việt Nam, Viện công nghệ thông tin, Viện Hàn lâm khoa học công nghệ Việt Nam tận tình giảng dạy truyền đạt kiến thức quý báu, tạo môi trường học tập, nghiên cứu khoa học nghiêm túc suốt thời gian vừa qua, giúp tơi có kiến thức chun mơn tảng để làm sở lý luận khoa học cho luận văn Đặc biệt xin chân thành cảm ơn thầy PGS.TS Đặng Văn Đức định hướng, dìu dắt hướng dẫn tơi suốt q trình làm luận văn, bảo lu thầy giúp tự tin nghiên cứu vấn đề giải tốn an Tơi xin trân trọng cảm ơn Ban giám hiệu Học viện khoa học công nghệ n va cách khoa học to gh tn Việt Nam - Viện Hàn lâm khoa học công nghệ Việt Nam tạo điều kiện p ie cho học tập làm luận văn cách thuận lợi w Xin gửi lời cảm ơn tới đồng nghiệp, gia đình bạn bè người d oa nl ủng hộ, động viên tạo điều kiện giúp đỡ để có kết ngày hơm lu an Trong q trình học tập thực luận văn, thực với tinh u nf va thần nghiêm túc, chắn khơng tránh khỏi thiết sót Tơi mong ll thơng cảm bảo tận tình thầy cô bạn oi m Hà Nội, ngày 08 tháng 11 năm 2021 z at nh Tác giả z m co l gm @ Bùi Đức Tiến an Lu n va ac th si MỤC LỤC DANH MỤC KÝ HIỆU VÀ CÁC CHỮ VIẾT TẮT vii DANH MỤC HÌNH VẼ VÀ ĐỒ THỊ viii MỞ ĐẦU 1 Đặt vấn đề Những nội dung nghiên cứu CHƯƠNG : GIỚI THIỆU VỀ CÔNG NGHỆ LIDAR 1.1 Tổng quan công nghệ LiDAR lu 1.1.1 Cấu trúc hệ thống LiDAR an n va 1.1.2 Đặc điểm công nghệ LiDAR tn to 1.2 Khả ứng dụng LiDAR gh 1.3 Bài toán phân loại liệu LiDAR 13 p ie 1.3.1 Khái niệm 13 1.3.2 Cơ tập tin LAS 14 oa nl w 1.3.3 Phân loại đám mây điểm LiDAR tập tin LAS 16 d 1.4 Kết chương 18 lu va an CHƯƠNG 2: MỘT SỐ KỸ THUẬT PHÂN LOẠI DỮ LIỆU LIDAR 19 u nf 2.1 Nghiên cứu phân lớp đám mây điểm LiDAR thuật toán K- ll Means phương pháp học sâu 19 m oi 2.1.1 Thuật toán K-means 19 z at nh 2.1.2 Phương pháp học sâu 21 z 2.2 Kết phân loại LiDAR 26 gm @ 2.2.1 Thuật toán K-means 26 2.2.2 Phương pháp học sâu sử dụng PointNet phân loại đám mây l m co điểm LiDAR 30 an Lu CHƯƠNG 3: XÂY DỰNG ỨNG DỤNG THỬ NGHIỆM 37 3.1 Giới thiệu toán thử nghiệm 37 va n 3.2 Lựa chọn thuật toán phân loại liệu thử nghiệm 37 ac th si 3.3 Môi trường công cụ để xây dựng chương trình 38 3.4 Kết thử nghiệm 41 3.4.1 Phân loại với K-means 41 3.4.2 Phân loại với PointNet 44 3.4.3 So sánh kết phân lớp với K-means PointNet 47 KẾT LUẬN 48 TÀI LIỆU THAM KHẢO 49 lu an n va p ie gh tn to d oa nl w ll u nf va an lu oi m z at nh z m co l gm @ an Lu n va ac th si DANH MỤC KÝ HIỆU VÀ CÁC CHỮ VIẾT TẮT Từ viết tắt Từ chuẩn lu an n va Light Detection And Ranging Laser Light amplification by stimulated emission of radiation GNSS Global Navigation Sattelite System ASPRS American Society for Photogrammetry and Remote Sensing INS Inertial Navigation System DEM Digital Elevation Model DTM Digital Terrain Model DSM Digital Surface Model tn to LiDAR Multiscale Curvature Classification ie gh MCC Boise Center Aerospace Laboratory LiDAR p BCAL d oa nl w ll u nf va an lu oi m z at nh z m co l gm @ an Lu n va ac th si DANH MỤC HÌNH VẼ VÀ ĐỒ THỊ Hình 1: Tổng quan hệ thống LiDAR Hình 2: Ứng dụng LiDAR khảo sát địa hình lập đồ Hình 3: Ứng dụng LiDAR lâm nghiệp Hình 4: Ứng dụng LiDAR lập đồ ngập úng Hình 5: Ứng dụng LiDAR cho đới duyên hải Hình 6: Ứng dụng LiDAR lập đồ địa hình ven biển 10 Hình 7: Ứng dụng LiDAR quan trắc dự báo trượt lở 10 Hình 8: Ứng dụng LiDAR lập đồ tuyến truyền tải .11 Hình 9: Ứng dụng LiDAR lập đồ giao thông .11 Hình 10: Ứng dụng LiDAR quy hoạch quản lý mạng điện thoại di động .12 lu an Hình 11: Ứng dụng LiDAR lập đồ thị mô đô thị 12 n va Hình 12: Hiển thị liệu tập tin LAS 15 to Hình 13: Ví dụ đám mây điểm hiển thị dạng 3D 17 tn Hình 14: Quy trình phân loại đám mây điểm LiDAR 18 ie gh Hình 15: Mơ tả thuật tốn K-means .19 p Hình 16: Ví dụ phân loại với K-means 20 Hình 17: Cấu trúc tổng quát PointNet 23 w oa nl Hình 18: Luồng xử lý PointNet 25 d Hình 19: Pseudo code thuật toán K-means phân loại đám mây điểm LiDAR an lu 27 va Hình 20: Sơ đồ phân loại đám mây điểm LiDAR với K-means 27 u nf Hình 21: Kết phân loại với k=5 .28 ll Hình 22: Kết phân loại với k=7 .29 m oi Hình 23: Thống kế điểm lớp 31 z at nh Hình 24: Dữ liệu tăng cường tiền xử lý 32 Hình 25: Ví dụ hiển thị điểm thuộc lớp car 35 z Hình 26: Đám mây điểm khu vực khảo sát 38 @ gm Hình 27: Ảnh vệ tinh khu vực đo vẽ 38 l Hình 28: Giao diện GUI lastool .40 m co Hình 29: Cơng cụ lastool ARCGIS 41 Hình 30: Tâm cụm khởi tạo 41 an Lu Hình 31: Sự thay đổi tâm cụm qua lần lặp 42 va Hình 32: Tâm cụm sau lần lặp thứ 42 n Hình 33: Số điểm cụm 42 ac th si Hình 34: Mơ hình DEM với độ phân giải 1m 43 Hình 35: Mơ hình DSM với độ phân giải 1m 43 Hình 36: Mơ hình 3D đám mây điểm khu vực bay quét 43 Hình 37: Biểu đồ Histogram phân bố hai lớp điểm 46 Hình 38: Mơ hình DSM với độ phân giải 1m 46 Hình 39: Mơ hình DEM độ phân giải 1m .46 Hình 40: Mơ hình 3D đám mây điểm khu vực bay quét 47 lu an n va p ie gh tn to d oa nl w ll u nf va an lu oi m z at nh z m co l gm @ an Lu n va ac th si MỞ ĐẦU Đặt vấn đề Từ năm đầu thập niên 60 kỷ 20, đời khuếch đại ánh sáng phát xạ kích thích – laser mở nhiều ứng dụng mới, phải kể đến kỹ thuật khảo sát từ xa sử dụng nguồn kích thích tia laser gọi LiDAR(Light Detection And Ranging) Hệ thống LiDAR hệ thống tích hợp từ thành phần chính: Hệ thống thiết bị Laser (Light amplification by stimulated emission of radiation), hệ thống định vị vệ tinh GNSS (Global Navigation Sattelite System) hệ thống đạo hàng quán tính INS (Inertial Navigation System) Tổ hợp thiết bị mối quan hệ hữu cơ, tác động lu chi phối lẫn nhau, tạo nên hệ thống LiDAR an n va Bản chất công nghệ LiDAR kỹ thuật đo dài laser, định vị không gian to GPS/INS nhận biết cường độ phản xạ ánh sáng Xung laser phát gh tn hướng xuống mặt đất độ cao Sóng laser phản hồi từ mặt p ie đất hay từ bề mặt đối tượng cây, đường nhà , với xung w đo thời gian tín hiệu, tính khoảng cách từ nguồn phát laser oa nl tới đối tượng d Ở thời điểm phát xung laser, hệ thống định vị vệ tinh GNSS xác lu an định vị trí khơng gian điểm phát, hệ thống đạo hàng quán tính xác định u nf va góc định hướng không gian tia quét Với giá trị đo tổng hợp ll tính vị trí (tọa độ không gian) điểm bề mặt đất m oi Công nghệ LiDAR công nghệ tiên tiến hàng đầu hệ thống z at nh công nghệ thu thập liệu không gian giới Với khả trực tiếp thu nhận đám mây điểm 3D với độ xác cao, LiDAR áp dụng rộng rãi z gm @ việc thành lập mơ hình số độ cao (Digital Elevation Model - DEM) bề mặt l địa hình, dựa vào theo dõi dịng chảy nước hay giám sát di m co chuyển khối, thành lập đồ viễn thám Công nghệ LiDAR phát triển ứng dụng thiết bị laser, định vị vệ tinh đo quán tính để thu thập liệu an Lu địa lý bề mặt trái đất So sánh với phương pháp thu nhận xử lý trắc địa n va ac th si Theo thực nghiệm, PointNet xử lý nhiều triệu điểm giây để phân loại đám mây điểm (khoảng 1K đối tượng / giây) phân đoạn ngữ nghĩa (khoảng đối tượng / giây) với GPU 1080X TensorFlow, cho thấy tiềm lớn cho ứng dụng thời gian thực lu an n va p ie gh tn to d oa nl w ll u nf va an lu oi m z at nh z m co l gm @ an Lu n va ac th 36 si CHƯƠNG 3: XÂY DỰNG ỨNG DỤNG THỬ NGHIỆM 3.1 Giới thiệu toán thử nghiệm Dữ liệu điểm có giá trị tọa độ ba chiều (x, y, z) tạo công nghệ LiDAR thường có mật độ dày đặc chứa thơng tin hữu ích bề mặt địa hình khu vực đo vẽ Nhưng để xác định nhãn lớp mà điểm thuộc lại khó khăn đối tượng có nhiều điểm trả Để làm công việc này, cần phải tiến hành tốn phân loại đám mây điểm để sử dụng điểm có giá trị đám mây điểm LiDAR Bài toán phân loại đám mây điểm LiDAR thuộc vào toán lọc phân tách đưa điểm lớp riêng biệt Việc phân loại liệu tự động đám lu mây điểm phải tách đám mây liệu thành lớp khác theo tính an n va chất riêng như: Lớp chứa điểm mặt đất, Lớp chứa điểm thực phủ, Lớp chứa điểm to mái nhà tường nhà công trình xây dựng, Lớp chứa điểm khơng, gh tn Lớp chứa điểm bị lỗi, Lớp chứa điểm mặt nước … Từ phân loại p ie thành lớp Ground NonGround w Bài toán thực nghiệm luận văn tập trung vào ứng dụng hai thuật toán oa nl PointNet K-means phân loại đám mây điểm LiDAR, từ đánh giá độ d xác hai thuật tốn liệu thử nghiệm lu an 3.2 Lựa chọn thuật toán phân loại liệu thử nghiệm u nf va Trong toán phân loại, lựa chọn thuật toán quan trọng định ll đến độ xác toán phân loại Hai thuật toán lựa chọn luận oi m văn K-means PointNet z at nh Bộ liệu thử nghiệm thu nhận khu vực tỉnh Quảng Ninh Công nghệ LiDAR sử dụng ALS (Aerial Scanning Laser) Dữ liệu sau thu nhận z gm @ lưu dạng file las với chuẩn 1.2 Đám mây điểm có 934.843 điểm, l Xmin: 289267.833391, Xmax: 290127.315851, Ymin: 4117197.654465, Ymax: m co 4117559.134703, mật độ điểm: 7.17pt/m2, Các tham số liệu thể bảng an Lu n va ac th 37 si Đám mây điểm LiDAR thể hình vẽ 3.1 ảnh vệ tinh khu vực khảo sát thể hình 21 lu Hình 26: Đám mây điểm khu vực khảo sát an n va p ie gh tn to d oa nl w u nf va an lu ll Hình 27: Ảnh vệ tinh khu vực đo vẽ m oi 3.3 Môi trường công cụ để xây dựng chương trình z at nh Chương trình xây dựng ngôn ngữ C# Visual Studio 2015 z tích hợp với cơng cụ LASTools @ gm C# ngơn ngữ lập trình hướng đối tượng phát triển l Microsoft, phần khởi đầu cho kế hoạch NET họ Tên ngôn ngữ bao m co gồm ký tự thăng theo Microsoft theo ECMA C#, bao gồm dấu số an Lu thường Microsoft phát triển C# dựa C++ Java C# miêu tả ngơn ngữ có cân C++, Visual Basic, Delphi Java n va ac th 38 si LASTools tập hợp cơng cụ dịng lệnh để phân loại, xếp, chuyển đổi, lọc, raster, tam giác, đường viền, clip đa giác liệu LiDAR (để vài chức năng) Tất công cụ chạy qua GUI có sẵn dạng hộp công cụ xử lý LiDAR cho phiên ArcGIS 9.3, 10.0 10.1 ESRI Quản lý dự án đầy đủ bao gồm công cụ: lu an n va Mã hóa liệu địa lý chuyển đổi - Theo dõi liên kết - Lọc phân loại nâng cao - Tạo DSM / DTM - Phát đột phá tính - Nhiều định dạng đầu vào đầu (bao gồm định dạng LAS) - Thế hệ chỉnh hình thực - Tích hợp đầy đủ liệu Dạng sóng Lidar gh tn to - Và trình xem trình chỉnh sửa linh hoạt để hiển thị thao tác p ie - w liệu hình ảnh liệu hình ảnh oa nl LasTools cung cấp công cụ cần thiết để tạo DSM DTM từ liệu d khai thác thô xử lý trước cách độc lập ứng dụng Nó có lu an tính quản lý thơng minh liệu dự án, nhập mã hóa địa lý liệu hình u nf va ảnh liệu thô, hiệu chuẩn hệ thống, lọc phân loại liệu LiDAR, tạo mơ ll hình độ cao xuất kết theo định dạng phổ biến khác Sự nhấn mạnh m oi đặc biệt đặt vào giao diện người dùng đồ họa trực quan quy trình làm z at nh việc hợp lý phép tạo mơ hình nhanh chóng hiệu Ngồi ra, LasTools cung cấp tính để xử lý xử lý liệu khai thác tiên tiến dạng sóng z API để đọc/ghi file LAS - lasinfo an Lu - m co LASTool có cơng cụ sau: l liệu LiDAR ảnh kỹ thuật số vào ảnh ortho gm @ tín hiệu trở lại màu sắc bề mặt thật, tích hợp nhanh chóng n va ac th 39 si - lasview - las2txt txt2las - laszip - las2las lu an n va p ie gh tn to d oa nl w ll u nf va an lu Hình 28: Giao diện GUI lastool oi m z at nh z m co l gm @ an Lu n va ac th 40 si lu an n va to gh tn Hình 29: Cơng cụ lastool ARCGIS p ie 3.4 Kết thử nghiệm 3.4.1 Phân loại với K-means oa nl w Đám mây đưa phân cụm với K-means, số cụm lựa chọn d (K=2), số lần lặp tối đa lựa chọn 10 Thuộc tính đưa vào sử dụng an lu phân cụm thuộc tính độ cao Z điểm ll hình 30, 31 u nf va Tâm cụm khởi tạo thay đổi tâm cụm lần lặp thể oi m z at nh z @ m co l gm Hình 30: Tâm cụm khởi tạo an Lu n va ac th 41 si Hình 31: Sự thay đổi tâm cụm qua lần lặp Thuật tốn có điểm hội tụ 0, với lần lặp Tâm cụm lần lặp cuối lu thể hình 32, phân bố số điểm cụm thể an hình 33, với số điểm lỗi n va p ie gh tn to d oa nl w Hình 32: Tâm cụm sau lần lặp thứ u nf va an lu ll Hình 33: Số điểm cụm oi m z at nh Kết phân cụm sử dụng thành lập mơ hình DEM/DSM với độ phân giải 1m Mơ hình DEM thể hình 34, DSM thể z hình 35 m co l gm @ an Lu n va ac th 42 si Hình 34: Mơ hình DEM với độ phân giải 1m lu an n va p ie gh tn to d oa nl w Hình 35: Mơ hình DSM với độ phân giải 1m ll u nf va an lu oi m z at nh z l gm @ m co Hình 36: Mơ hình 3D đám mây điểm khu vực bay quét an Lu n va ac th 43 si 3.4.2 Phân loại với PointNet Với đám mây điểm sử dụng phân loại với PointNet, thực trích chọn đặc trưng với lớp điểm: Ground Non-ground Lựa chọn số điểm huấn luyện kiểm tra theo nguyên tắc: 2/3 train 1/3 test Dữ liệu xác thực yêu cầu Nó sử dụng để cung cấp đánh giá khách quan mơ hình q trình đào tạo hữu ích để xác định ngăn chặn việc trang bị q mức, mơ hình hoạt động tốt liệu đào tạo khơng có khác Dữ liệu xác thực phải tương tự liệu đào tạo chỗ bao gồm lĩnh vực đại diện quan tâm sử dụng sơ đồ phân loại đến từ địa điểm khác Có thể sử dụng lu liệu dự án sử dụng để đào tạo, tập hợp khác Nói chung, an n va cần nhiều liệu đào tạo liệu xác thực Khơng có quy tắc cố định nào, to khơng có lạ sử dụng liệu đào tạo nhiều nhiều lần so với gh tn liệu xác thực p ie Dữ liệu xác thực huấn luyện kích thước khối chia thành khối w nhỏ quản lý Các khối điểm sau đặt thành định dạng oa nl truy cập vào thư viện học sâu Kích thước khối cách hợp lý Mục d tiêu chúng chứa số điểm hợp lý so với nhớ GPU khả dụng Huấn lu an luyện tải điểm cấu trúc liệu thứ cấp cho khối thời u nf va điểm đặt tham số huấn luyện gọi kích thước lơ Ở có ll tác động lẫn số biến số cần ý Các lơ kiểm sốt số lượng khối m oi xử lý thời điểm Khối tập hợp điểm thuộc tính chúng z at nh Số lượng điểm khối xác định kích thước khối mật độ điểm vị trí khối Các khối chứa số điểm tương đối quán z gm @ mật độ đám mây điểm quán Có thể sử dụng liệu mật l độ điểm thay đổi nhiều, yêu cầu đào tạo nhiều để làm m co cho hoạt động tốt Ước tính kích thước khối, chiều dài cạnh khối, yêu cầu cần biết an Lu khoảng cách điểm danh nghĩa liệu số điểm mong muốn khối: n va ac th 44 si block_size = square_root(target_point_count) * 2d_point_spacing Cài đặt điểm tối thiểu cho khối công cụ huấn luyện sử dụng để bỏ qua khối huấn luyện chứa không đủ số điểm Thông thường, khối xung quanh chu vi dự án nhiều điểm Ngồi ra, tạo liệu huấn luyện, giới hạn điểm khối đạt đến cho khối khác Các khối thực để giữ điểm tràn Trong hai trường hợp, khối có tương đối điểm khơng đặc biệt hữu ích tốt khơng nên đưa chúng vào q trình huấn luyện Sau q trình huấn luyện, độ xác mơ hình đánh giá với độ xác acc = 0.768 lu Các lớp phân loại với PointNet thể bảng 2: an Điểm Ground Non-Ground va n 453.982 Missing 480.861 tn to p ie gh Bảng 2: Sự phân bố điểm sau phân loại với PointNet w Cumulative Frequency 453982 lu 480861 an % Frequency % 453982 83,21% 100,00% 480861 100,00% 100,00% 100,00% More ll u nf va More Bin 83,21% d oa nl Bin Cumulative oi m Bảng 3: Sự tương quan điểm hai lớp điểm Ground Non-Ground z at nh Histogram z 400000 100.00% 200000 50.00% 0.00% More an Lu Bin Cumulative % m co Frequency l gm Frequency 150.00% @ 600000 n va ac th 45 si Hình 37: Biểu đồ Histogram phân bố hai lớp điểm Qua biểu đồ tương quan thấy, tương quan hai lớp mức cao, kết phân loại đảm bảo độ xác đánh giá kết Đám mây điểm sau phân lớp, sử dụng thành lập DEM/DSM thực hình 38, 39 lu an n va gh tn to p ie Hình 38: Mơ hình DSM với độ phân giải 1m d oa nl w ll u nf va an lu oi m z at nh z Hình 39: Mơ hình DEM độ phân giải 1m m co l gm @ an Lu n va ac th 46 si Hình 40: Mơ hình 3D đám mây điểm khu vực bay quét lu an 3.4.3 So sánh kết phân lớp với K-means PointNet n va Kết phân lớp với hai thuật toán sử dụng độ đo Precision, p ie gh tn to Recall F1 để đánh giá độ xác thể bảng 4: Precision K-means 89,90% 88,90% 89,40% PointNet 91,29% 91,00% 91,14% Recall F1 d oa nl w Thuật toán u nf va an lu Bảng 4: Bảng kết đánh giá độ đo Qua bảng kết đánh giá, thấy lựa chọn mơ hình phù hợp, ll z at nh so với K-means oi m thực huấn luyện xác giúp cho PointNet có kết phân loại xác Với mơ hình PointNet, vấn đề tiền xử lý liệu trích chọn đặc z trưng định nhiều đến độ xác mơ hình @ l gm Trong đó, K-means thuật tốn hồn tồn phân cụm dựa khoảng cách điểm, lựa chọn tâm cụm số lần lặp định số lượng m co điểm phân vào cụm Tuy nhiên, kết K-means bị ảnh hưởng an Lu điểm nhiễu, điểm lỗi làm độ xác bị giảm xuống n va ac th 47 si KẾT LUẬN Hiện nay, Việt Nam công nghệ LiDAR ứng dụng rộng rãi nhiều lĩnh vực như: Trắc địa đồ, kỹ thuật môi trường, vật lý, khảo cổ học, … Tuy nhiên, việc áp dụng dừng lại việc ứng dụng công nghệ LiDAR xây dựng đồ địa hình, lập đồ ngập úng, dự báo trượt lở, lập đồ giao thông, tạo mơ hình DTM, DSM, lập đồ tuyến truyền tải dài, lu … Việc sâu nghiên cứu giải toán phân loại điểm nhằm mở rộng an khả ứng dụng công nghệ LiDAR chưa có sản phẩm n va cơng bố Việt Nam Do đó, đề tài nghiên cứu góp phần làm rõ hiệu quả, to gh tn độ xác sử dụng số thuật tốn việc giải toán phân p ie loại đám mây điểm đồng thời sở để mở rộng ứng dụng khai thác liệu d oa nl w LiDAR ll u nf va an lu oi m z at nh z m co l gm @ an Lu n va ac th 48 si TÀI LIỆU THAM KHẢO TIẾNG VIỆT TS Lương Chính Kế, “Thành lập DEM/DTM/DSM công nghệ LiDAR”, 2005 TS Trần Đình Luật, Th.S Nguyễn Thị Kim Dung, Th.S Lưu Thị Thu Thủy, Th.S Trần Hồng Hạnh, “Khả ứng dụng cơng nghệ LiDAR xây dựng mơ hình số địa hình vùng bãi bồi cửa sơng ven biển điều kiện Việt Nam”, Tạp chí Tài ngun Mơi trường, vol.1, pp 24-28, 2015 Trần Đình Trí, “Cơng nghệ LiDAR”, Bài giảng dành cho cao học, Trường lu Đại học Mỏ - Địa chất, 2013 an n va J.Niemeyer, gh tn to TIẾNG ANH C.Mallet, F.Rottensteiner, U.Sorgel, "CRF for the p ie classification of LiDAR point cloud," Remote Sensing, 2011 J Kunapo, "Spatial data integration for classification of 3D point cloud w oa nl from digital photogrammetry," Applied GIS, Monash University Express, vol 3, d no 3, pp 26.1-26.15, 2005 lu Jeffrey S.Evans, Andrew T.Hudak, "A multiscale curvature algorithm for va an m N.El-Ashmawy, A.Shaker, "Raster vs Point cloud LiDAR data oi ll 1029- 1038, 2007 u nf classifying discrete return LiDAR in forested environments," IEEE, vol 45, pp z at nh classification," The International Archives of the Photogrammetry, RS and Spatial z Information Sciences, Vols XL-7, pp 79-83, 2014 @ N.Yastikli, Z.Cetin, "Classification of LiDAR data with point based S.forge,"SourceForge,"[Online],Available: an Lu http://sourceforge.net/projects/mcclidar m co l gm classification methods," vol 3, 2015 n va ac th 49 si Wade T.Tinkham, Hongyu Huang, "A comparision of two open source 10 LiDAR surface classification algorithm," Remote Sensing, vol 3, pp 638-649, 2011 Binbin Zhang, Shikun Huang, Wen Shen, Zhihua Wei, "Explaining the 11 PointNet: What Has Been Learned Inside the PointNet?," CVPR Workshops, 2019 12 http://stanford.edu/~rqi/pointnet/ (truy cập ngày 15/10/2021) lu an n va p ie gh tn to d oa nl w ll u nf va an lu oi m z at nh z m co l gm @ an Lu n va ac th 50 si