Nokta bulutu verilerinin semantik özelliklerine göre yapay zeka (AI) ile sınıflandırılması
Classification of point cloud data using artificial intelligence (AI) based on semantic features
- Tez No: 1017745
- Danışmanlar: DOÇ. DR. BAHADIR ERGÜN
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Gebze Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Jeodezi ve Coğrafi Bilgi Teknolojileri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Son zamanlarda mühendislik alanında yapılan çalışmalarda yapay zeka kullanımı artmıştır. Bu çalışmada, iç mekânlara ait üç boyutlu lazer tarama verilerinin sınıflandırılması ve geometrik olarak yorumlanması amacıyla açıklanabilir yapay zekâ ve geometrik modelleme yaklaşımlarının iki farklı veri setinde karşılaştırmalı olarak bir arada kullanıldığı bir iş akışı izlenmiştir. Çalışmada kullanılan yöntemin veri setleri üzerindeki tutarlılığını karşılaştırabilmek amacıyla iki farklı veri seti kullanılmış ve aynı işlem adımları izlenmiştir. Çalışmada kullanılan ilk veri seti, Gebze Teknik Üniversitesi Harita Mühendisliği Bölümü binasında bulunan fotogrametri laboratuvarına ait yoğun nokta bulutu verisi Matterport Pro 2 sensörü kullanılarak elde edilmiştir. Diğer veri seti ise bir yatak odası iç mekanına ait olmakta ve içerisinde çeşitli mobilyalar ve düzlemler bulunmaktadır. Her iki nokta bulutu verisi üzerinde gürültü giderme ve seyreltme işlemleri uygulanmış, ardından her bir nokta için konumsal, renk, normal vektör, özdeğer tabanlı geometrik ölçütler, yoğunluk ve eğrilik özelliklerini içeren toplam 31 öznitelik hesaplanmıştır. Elde edilen öznitelik matrisleri kullanılarak, Random Forest ve XGBoost olmak üzere iki farklı ağaç tabanlı makine öğrenmesi algoritması ile sınıflandırma gerçekleştirilmiştir. Veri seti eğitim ve test kümeleri olarak %70–%30 oranında ayrılmış, hiperparametre optimizasyonu Grid Search yöntemi ile yapılmıştır. Sınıflandırma sürecinde, laboratuvar nokta bulutu verisinde 50 farklı sınıf, yatak odası nokta bulutu verisinde 23 farklı sınıf kullanılarak modellerin performansı karşılaştırmalı olarak değerlendirilmiştir. SHAP (SHapley Additive exPlanations) analizi kullanılarak modellerin karar mekanizmaları incelenmiş ve sınıflandırmalar üzerinde en etkili 12 öznitelik belirlenmiştir. Belirlenen 12 öznitelik kullanılarak tekrar sınıflandırma yapılmış ve sınıflandırma doğruluklarındaki değişim gözlemlenmiştir. Makine öğrenmesi tabanlı sonuçları geometrik açıdan desteklemek amacıyla, RANSAC algoritması kullanılarak her bir sınıfa ait baskın düzlemsel yapılar tespit edilmiş ve düzlem parametreleri hesaplanmıştır. Elde edilen düzlemlerin aynı sınıfa ait nesneler için tutarlı parametreler göstermesi, sınıflandırma sonuçlarının geometrik olarak da anlamlı olduğunu ortaya koymuştur. Son aşamada, RANSAC ile çıkarılan düzlemler kullanılarak mesh (OBJ) modeller üretilmiş ve iç mekân yüzeylerinin geometrik bütünlüğü korunarak üç boyutlu temsilleri elde edilmiştir. Sonuç olarak, önerilen yöntem, iç mekân nokta bulutu verilerinin hem anlamsal hem de geometrik açıdan birlikte değerlendirilmesini sağlamış; makine öğrenmesi ve geometrik modelleme yaklaşımlarının bir arada kullanımının iç mekân sahnelerinin analizinde etkili ve güvenilir sonuçlar sunduğunu göstermiştir. Elde edilen bulgular, önerilen iş akışının 3B iç mekân modelleme, yüzey analizi, dijital ikiz ve mühendislik uygulamalarında etkin biçimde kullanılabileceğini ortaya koymaktadır.
Özet (Çeviri)
In recent years, the use of artificial intelligence in engineering studies has significantly increased. In this study, a workflow is proposed in which explainable artificial intelligence and geometric modeling approaches are jointly employed and comparatively evaluated on two different datasets for the classification and geometric interpretation of indoor three-dimensional laser scanning data. In order to assess the consistency of the proposed methodology across datasets, the same processing steps were applied to both datasets. The first dataset consists of a dense point cloud acquired from the photogrammetry laboratory located in the Department of Geomatics Engineering at Gebze Technical University using a Matterport Pro 2 sensor. The second dataset represents an indoor bedroom environment containing various furniture and planar structures. For both point cloud datasets, noise removal and downsampling processes were applied, followed by the computation of a total of 31 features for each point, including spatial coordinates, color information, normal vectors, eigenvalue-based geometric descriptors, density, and curvature features. Using the derived feature matrices, classification was performed with two tree-based machine learning algorithms, namely Random Forest and XGBoost. The datasets were divided into training and testing sets with a ratio of 70%–30%, and hyperparameter optimization was carried out using the Grid Search method. During the classification process, model performance was comparatively evaluated using 50 classes for the laboratory dataset and 23 classes for the bedroom dataset. SHAP (SHapley Additive exPlanations) analysis was employed to investigate the decision-making mechanisms of the models, and the 12 most influential features were identified. Classification was then repeated using only these selected features, and the changes in classification accuracy were analyzed. To geometrically support the machine learning-based results, dominant planar structures corresponding to each class were detected using the RANSAC algorithm, and plane parameters were estimated. The consistency of the extracted planes for objects belonging to the same class demonstrated that the classification results are also geometrically meaningful. In the final stage, mesh (OBJ) models were generated using the planes obtained from RANSAC, enabling the three-dimensional representation of indoor surfaces while preserving geometric integrity. In conclusion, the proposed method enables the joint evaluation of indoor point cloud data from both semantic and geometric perspectives, demonstrating that the integration of machine learning and geometric modeling approaches yields effective and reliable results in the analysis of indoor scenes. The findings indicate that the proposed workflow can be effectively utilized in 3D indoor modeling, surface analysis, digital twin applications, and various engineering domains.
Benzer Tezler
- Investigation of artificial intelligence-based point cloud semantic segmentation
Yapay zeka tabanlı nokta bulutu semantik bölümlendirmesinin incelenmesi
MUHAMMED ENES ATİK
Doktora
İngilizce
2022
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ZAİDE DURAN
- Hardware ımplementatıon of 3D data processıng usıng deep neural networks
Derin öğrenme algoritmaları ile 3 boyutlu veri işleme ve donanım gerçeklemesi
MUHAMMED YASİN ADIYAMAN
Doktora
İngilizce
2025
Elektrik ve Elektronik MühendisliğiBoğaziçi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İSMAİL FAİK BAŞKAYA
- Üzüm sularının pastörizasyonu ve kontsantresi sırasında hidroksimetilfurfural oluşumu üzerinde bir araştırma
Başlık çevirisi yok
ŞERİFE ŞAHİN
Yüksek Lisans
Türkçe
1985
Gıda MühendisliğiEge ÜniversitesiTarım Ürünleri Teknolojisi Ana Bilim Dalı
DOÇ. DR. AYDIN URAL
- NaI (TI) dedektörleri için toplam verim ve tüm enerji pik duyarlığının Monte Carlo metodu ile elde edilmesi
Başlık çevirisi yok
N. REMZİYE ERGÜL
Yüksek Lisans
Türkçe
1987
Fizik ve Fizik MühendisliğiUludağ ÜniversitesiFizik Ana Bilim Dalı
PROF. DR. CİHAN ÖZMUTLU
- NaI (TI) dedektörleri için gamma cevap fonksiyonunun Monte Carlo metodu ili elde edilmesi
Başlık çevirisi yok
AHMET CENGİZ
Yüksek Lisans
Türkçe
1986
Fizik ve Fizik MühendisliğiUludağ ÜniversitesiFizik Ana Bilim Dalı
PROF. DR. CİHAN ÖZMUTLU