Luận văn thạc sĩ: Nghiên cứu phương pháp phân loại đám mây điểm LiDAR bằng học máy

Luận văn thạc sĩ nghiên cứu nghiên cứu phương pháp phân lớp đám mây điểm lidar bằng học máy, khảo sát thực trạng, phân tích nguyên nhân, đề xuất giải pháp cải thiện thực tiễn.

• Tác giả: Bùi Đức Tiến
• Người hướng dẫn: PGS. Đặng Văn Đức
• Trường học: Học viện khoa học và công nghệ Việt Nam
• Chuyên ngành: Hệ thống thông tin
• Đề tài: Nghiên cứu phân loại đám mây điểm LiDAR bằng học máy
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2021
• Địa điểm: Hà Nội

Mục lục chi tiết

• DANH MỤC KÝ HIỆU VÀ CÁC CHỮ VIẾT TẮT
• DANH MỤC HÌNH VẼ VÀ ĐỒ THỊ
• MỞ ĐẦU
• Những nội dung nghiên cứu
• 1. CHƯƠNG 1: GIỚI THIỆU VỀ CÔNG NGHỆ LIDAR
• 1.1. Tổng quan về công nghệ LiDAR
• 1.1.1. Cấu trúc hệ thống LiDAR
• 1.1.2. Đặc điểm cơ bản của công nghệ LiDAR
• 1.1.3. Khả năng ứng dụng của LiDAR
• 1.2. Bài toán phân loại dữ liệu LiDAR
• 1.2.1. Cơ bản về tập tin
• 1.2.2. Phân loại đám mây điểm LiDAR trong tập tin LAS
• 1.3. Kết chương
• 2. CHƯƠNG 2: MỘT SỐ KỸ THUẬT PHÂN LOẠI DỮ LIỆU LIDAR
• 2.1. Nghiên cứu phân lớp đám mây điểm LiDAR bằng thuật toán K- Means và phương pháp học sâu
• 2.1.1. Thuật toán K-means
• 2.1.2. Phương pháp học sâu
• 2.2. Kết quả phân loại LiDAR
• 2.2.1. Thuật toán K-means
• 2.2.2. Phương pháp học sâu sử dụng PointNet trong phân loại đám mây điểm LiDAR
• 3. CHƯƠNG 3: XÂY DỰNG ỨNG DỤNG THỬ NGHIỆM
• 3.1. Giới thiệu bài toán thử nghiệm
• 3.2. Lựa chọn thuật toán phân loại và dữ liệu thử nghiệm
• 3.3. Môi trường và các công cụ để xây dựng chương trình
• 3.4. Kết quả thử nghiệm
• 3.4.1. Phân loại với K-means
• 3.4.2. Phân loại với PointNet
• 3.4.3. So sánh kết quả phân lớp với K-means và PointNet
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về nghiên cứu phân loại đám mây điểm LiDAR

Nghiên cứu phân loại đám mây điểm LiDAR bằng học máy đang trở thành một lĩnh vực quan trọng trong công nghệ thông tin và viễn thám. Công nghệ LiDAR (Light Detection And Ranging) cho phép thu thập dữ liệu không gian 3D với độ chính xác cao. Việc phân loại đám mây điểm giúp tách biệt các lớp dữ liệu khác nhau, từ đó hỗ trợ trong việc xây dựng mô hình số địa hình (DEM) và các ứng dụng khác. Sự phát triển của các thuật toán học máy đã mở ra nhiều cơ hội mới cho việc cải thiện độ chính xác và hiệu quả trong phân loại dữ liệu LiDAR.

1.1. Công nghệ LiDAR và ứng dụng của nó

Công nghệ LiDAR sử dụng tia laser để đo đạc khoảng cách và thu thập dữ liệu địa lý. Dữ liệu này có thể được ứng dụng trong nhiều lĩnh vực như khảo sát địa hình, lâm nghiệp, và quản lý tài nguyên thiên nhiên. Việc phân loại đám mây điểm LiDAR giúp xác định các lớp khác nhau như mặt đất, thực vật, và các công trình xây dựng.

1.2. Tầm quan trọng của phân loại đám mây điểm

Phân loại đám mây điểm là bước quan trọng trong việc xử lý dữ liệu LiDAR. Nó giúp tách biệt các lớp dữ liệu, từ đó tạo ra các mô hình chính xác hơn. Việc này không chỉ hỗ trợ trong nghiên cứu mà còn trong các ứng dụng thực tiễn như quy hoạch đô thị và quản lý môi trường.

II. Thách thức trong phân loại đám mây điểm LiDAR

Mặc dù công nghệ LiDAR mang lại nhiều lợi ích, nhưng việc phân loại đám mây điểm vẫn gặp phải nhiều thách thức. Các vấn đề như độ chính xác của dữ liệu, sự phức tạp trong cấu trúc dữ liệu, và sự biến đổi của môi trường tự nhiên đều ảnh hưởng đến kết quả phân loại. Đặc biệt, việc phân loại các lớp dữ liệu trong điều kiện ánh sáng khác nhau và các yếu tố môi trường có thể gây khó khăn cho các thuật toán học máy.

2.1. Độ chính xác và độ tin cậy của dữ liệu

Độ chính xác của dữ liệu LiDAR phụ thuộc vào nhiều yếu tố như độ cao bay, tốc độ quét, và điều kiện thời tiết. Việc đảm bảo độ chính xác cao trong phân loại đám mây điểm là một thách thức lớn, đặc biệt trong các khu vực có nhiều đối tượng phức tạp.

2.2. Sự phức tạp trong cấu trúc dữ liệu

Cấu trúc dữ liệu LiDAR thường rất phức tạp với hàng triệu điểm dữ liệu. Việc xử lý và phân loại một lượng lớn dữ liệu này đòi hỏi các thuật toán mạnh mẽ và hiệu quả. Sự phức tạp này có thể dẫn đến thời gian xử lý lâu và yêu cầu tài nguyên tính toán cao.

III. Phương pháp phân loại đám mây điểm LiDAR bằng học máy

Các phương pháp học máy đã được áp dụng để cải thiện quy trình phân loại đám mây điểm LiDAR. Trong đó, thuật toán K-means và các phương pháp học sâu như PointNet đã cho thấy hiệu quả cao trong việc phân loại dữ liệu. Những phương pháp này không chỉ giúp tăng độ chính xác mà còn giảm thiểu thời gian xử lý dữ liệu.

3.1. Thuật toán K means trong phân loại

Thuật toán K-means là một trong những phương pháp đơn giản và hiệu quả để phân loại đám mây điểm. Nó hoạt động bằng cách phân nhóm các điểm dữ liệu thành các cụm dựa trên khoảng cách giữa chúng. Phương pháp này dễ dàng triển khai và có thể đạt được kết quả tốt trong nhiều trường hợp.

3.2. Phương pháp học sâu với PointNet

PointNet là một trong những phương pháp học sâu tiên tiến nhất cho phân loại đám mây điểm. Nó cho phép xử lý dữ liệu không gian 3D một cách hiệu quả, giúp cải thiện độ chính xác trong việc phân loại các lớp dữ liệu khác nhau. Phương pháp này đã được chứng minh là vượt trội so với các phương pháp truyền thống.

IV. Ứng dụng thực tiễn của phân loại đám mây điểm LiDAR

Phân loại đám mây điểm LiDAR có nhiều ứng dụng thực tiễn trong các lĩnh vực như quy hoạch đô thị, quản lý tài nguyên thiên nhiên, và nghiên cứu môi trường. Các mô hình số địa hình được tạo ra từ dữ liệu LiDAR giúp các nhà nghiên cứu và quản lý đưa ra quyết định chính xác hơn trong việc phát triển và bảo vệ môi trường.

4.1. Quy hoạch đô thị và xây dựng

Dữ liệu LiDAR được sử dụng để tạo ra các mô hình 3D cho quy hoạch đô thị. Việc phân loại đám mây điểm giúp xác định vị trí các công trình, cây xanh, và các yếu tố khác trong môi trường đô thị, từ đó hỗ trợ trong việc thiết kế và phát triển hạ tầng.

4.2. Quản lý tài nguyên thiên nhiên

Phân loại đám mây điểm LiDAR cũng được áp dụng trong quản lý tài nguyên thiên nhiên. Dữ liệu này giúp theo dõi sự thay đổi của môi trường, đánh giá tình trạng rừng, và lập bản đồ ngập úng, từ đó hỗ trợ trong việc bảo vệ và phát triển bền vững tài nguyên.

V. Kết luận và tương lai của nghiên cứu phân loại đám mây điểm LiDAR

Nghiên cứu phân loại đám mây điểm LiDAR bằng học máy đang mở ra nhiều cơ hội mới cho việc cải thiện độ chính xác và hiệu quả trong xử lý dữ liệu không gian. Tương lai của lĩnh vực này hứa hẹn sẽ có nhiều tiến bộ với sự phát triển của các thuật toán học máy và công nghệ LiDAR. Việc áp dụng các phương pháp mới sẽ giúp nâng cao khả năng phân loại và mở rộng ứng dụng của LiDAR trong nhiều lĩnh vực khác nhau.

5.1. Xu hướng phát triển công nghệ LiDAR

Công nghệ LiDAR đang phát triển nhanh chóng với nhiều cải tiến về độ chính xác và tốc độ thu thập dữ liệu. Các hệ thống mới sẽ cho phép thu thập dữ liệu với mật độ cao hơn và trong thời gian ngắn hơn, mở ra nhiều cơ hội mới cho nghiên cứu và ứng dụng.

5.2. Tương lai của phân loại đám mây điểm

Tương lai của phân loại đám mây điểm LiDAR sẽ phụ thuộc vào sự phát triển của các thuật toán học máy. Việc áp dụng các phương pháp học sâu sẽ giúp cải thiện đáng kể độ chính xác và hiệu quả trong phân loại, từ đó mở rộng khả năng ứng dụng của công nghệ này trong nhiều lĩnh vực.

Nội dung chính

Tổng quan nghiên cứu

Công nghệ quét laser viễn thám LiDAR (Light Detection And Ranging) là bước tiến đột phá trong việc thu nhận dữ liệu không gian ba chiều với độ chính xác mặt bằng đạt dưới 25cm và sai số độ cao dưới 20cm. Tốc độ phát xung của các hệ thống hiện đại đạt từ 150.000 đến 240.000 xung mỗi giây, cho phép đo quét diện tích 1.000 km2 chỉ trong khoảng 25 đến 30 giờ bay thực địa. Tuy nhiên, việc khai thác hiệu quả nguồn dữ liệu này gặp rào cản lớn do kích thước dữ liệu đám mây điểm quá lớn, thường dao động từ hàng triệu đến hàng trăm triệu điểm không có cấu trúc. Các giải pháp lọc tự động truyền thống hiện nay mới chỉ đạt hiệu suất xử lý khoảng 90% đến 95%, vẫn đòi hỏi can thiệp thủ công từ 5% đến 10% khối lượng công việc, làm tăng chi phí và kéo dài thời gian xử lý dữ liệu.

Vấn đề nghiên cứu trọng tâm của luận văn là giải quyết bài toán phân loại tự động đám mây điểm LiDAR, nhằm phân tách chính xác các lớp điểm bề mặt mặt đất (Ground) và phi mặt đất (Non-Ground) phục vụ xây dựng mô hình số độ cao (DEM) và mô hình số bề mặt (DSM). Mục tiêu cụ thể là nghiên cứu cơ chế hoạt động, triển khai thực nghiệm và so sánh toàn diện hiệu năng giữa thuật toán phân cụm K-Means và mạng nơ-ron học sâu PointNet.

Phạm vi nghiên cứu được thực hiện trên các bộ dữ liệu bay quét thực tế tại khu vực Nghệ An và Quảng Ninh, kết hợp bộ dữ liệu chuẩn quốc tế Sydney Urban Objects trong giai đoạn năm 2021. Kết quả nghiên cứu mang lại ý nghĩa kinh tế và kỹ thuật to lớn, giúp rút ngắn thời gian thành lập bản đồ địa hình từ 10 ngày xuống còn vài giờ, đồng thời giảm thiểu sự phụ thuộc vào các gói phần mềm thương mại đắt đỏ.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên sự tích hợp của ba hệ thống thành phần trong công nghệ LiDAR: thiết bị phát xung laser dải sóng cận hồng ngoại, hệ thống định vị vệ tinh vi phân toàn cầu GNSS và hệ thống dẫn đường quán tính INS. Cấu trúc đồng bộ này xác định chính xác tọa độ không gian ba chiều (X, Y, Z), góc quét từ âm 90 độ đến dương 90 độ, cùng cường độ phản xạ ánh sáng với khả năng ghi nhận tối đa 4 lần xung phản hồi trên mỗi tia phát.

Mô hình lý thuyết thứ nhất là thuật toán phân cụm không giám sát K-Means, vận hành theo nguyên lý tối thiểu hóa tổng bình phương khoảng cách Euclid giữa các điểm dữ liệu tới K tâm cụm khởi tạo qua nhiều vòng lặp. Mô hình lý thuyết thứ hai là kiến trúc học sâu PointNet, giải quyết trực tiếp dữ liệu đám mây điểm thưa thớt bằng cách kết hợp các tầng mạng perceptron đa lớp (Shared MLP), mạng biến đổi không gian T-Net và hàm đối xứng Max Pooling nhằm đảm bảo tính bất biến đối với thứ tự điểm và hướng xoay không gian.

Các khái niệm chuyên ngành then chốt bao gồm: định dạng dữ liệu nhị phân chuẩn LAS của Hiệp hội Đo ảnh và Viễn thám Hoa Kỳ (ASPRS), mô hình số độ cao (DEM), mô hình số bề mặt (DSM), và kỹ thuật Voxelization chuyển đổi không gian điểm thành lưới thể tích ba chiều.

Phương pháp nghiên cứu

Dữ liệu nghiên cứu bao gồm bộ dữ liệu thực địa 485 điểm đo tại Nghệ An, tệp dữ liệu bay quét laser hàng không (ALS) định dạng LAS tại Quảng Ninh và tập dữ liệu chuẩn Sydney Urban Objects gồm 100 đối tượng đô thị phân lớp chi tiết.

Về cỡ mẫu và phương pháp chọn mẫu, nghiên cứu áp dụng phương pháp lấy mẫu phân tầng ngẫu nhiên với 485 điểm thử nghiệm cho thuật toán K-Means nhằm đại diện cho nhiều dạng địa hình biến thiên. Đối với mạng PointNet, mỗi đám mây điểm đối tượng được chuẩn hóa về cỡ mẫu cố định 1024 điểm nhằm tối ưu hóa độ phân giải hình học và cân bằng tải tính toán của bộ nhớ GPU.

Lý do lựa chọn phương pháp phân tích bắt nguồn từ nhu cầu so sánh giữa thuật toán gom cụm hình học truyền thống và kiến trúc mạng học sâu hiện đại. Thuật toán K-Means được xử lý trên nền tảng phần mềm IBM SPSS 20 dựa trên thuộc tính độ cao Z. Mạng PointNet được lập trình trên nền tảng TensorFlow, kết hợp ngôn ngữ C# và bộ công cụ LASTools trên môi trường Visual Studio 2015 để đọc, ghi và trực quan hóa tệp LAS. Toàn bộ lộ trình nghiên cứu và thực nghiệm được tiến hành liên tục trong thời gian 24 tháng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Thứ nhất, thực nghiệm thuật toán K-Means trên 485 điểm mẫu địa hình tại Nghệ An cho thấy tỷ lệ điểm không gán được vào cụm (điểm lỗi) chiếm 31,55% (tương đương 153 điểm). Khi thiết lập K=5 qua 10 vòng lặp, cụm 3 chiếm tỷ trọng lớn nhất với 208 điểm (42,88%), cụm 4 có 110 điểm (22,68%), các cụm 1, 2 và 5 chỉ chiếm từ 2 đến 10 điểm. Khi tăng lên K=7, số lượng điểm lỗi vẫn giữ nguyên ở mức 153 điểm (31,55%), trong đó cụm 3 chiếm 179 điểm (36,90%) và cụm 4 chiếm 99 điểm (20,41%).

Thứ hai, mạng học sâu PointNet thể hiện hiệu năng xử lý vượt bậc khi đạt tốc độ phân loại hơn 1.000.000 điểm mỗi giây (tương đương xấp xỉ 1.000 đối tượng mỗi giây) trên phần cứng đồ họa GPU GTX 1080X, cho phép trích xuất đặc trưng hình học trực tiếp mà không gây suy giảm chất lượng dữ liệu như kỹ thuật tạo lưới Voxel.

Thứ ba, trên tập dữ liệu Sydney Urban Objects với số lượng mẫu hạn chế, mô hình phân loại PointNet đạt độ chính xác xác thực xấp xỉ 60% sau khi áp dụng kỹ thuật tối ưu hóa Adam kết hợp chuẩn hóa trọng số L2.

Thứ tư, chương trình ứng dụng xây dựng trên ngôn ngữ C# kết hợp LASTools trên dữ liệu Quảng Ninh đã phân tách thành công đám mây điểm thành hai lớp Ground và Non-Ground, thành lập mô hình DEM và DSM đạt độ phân giải không gian 1m x 1m.

Thảo luận kết quả

Tỷ lệ sai số 31,55% của K-Means bắt nguồn từ việc thuật toán phụ thuộc tuyệt đối vào khoảng cách hình học của trục độ cao Z và độ nhạy cảm với vị trí tâm cụm khởi tạo. Khi địa hình có độ dốc phức tạp, K-Means dễ rơi vào cực trị địa phương. Ngược lại, PointNet khắc phục hoàn toàn nhược điểm này nhờ cơ chế ánh xạ đặc trưng đa chiều từ 3 chiều lên 1024 chiều, kết hợp lớp gộp Max Pooling giúp trích xuất thông tin toàn cục ổn định.

So với các thuật toán lọc cổ điển như mô hình góc nghiêng di động của Vosselman hay mô hình lưới tam giác di động TIN của Axelsson, phương pháp học sâu PointNet thể hiện khả năng khái quát hóa vượt trội trên các cấu trúc hình học phức tạp. Dữ liệu thực nghiệm được trực quan hóa sinh động qua biểu đồ Histogram thể hiện sự phân bổ tách biệt rõ ràng giữa hai lớp điểm mặt đất và vật thể, cùng mô hình 3D địa hình phân giải 1m phản ánh chân thực hiện trạng khu vực khảo sát.

Đề xuất và khuyến nghị

Thứ nhất, tăng cường kích thước và độ đa dạng của tập dữ liệu huấn luyện. Các đơn vị nghiên cứu cần áp dụng kỹ thuật Data Augmentation (xoay góc, co giãn, thêm nhiễu ngẫu nhiên) để mở rộng tập mẫu từ 100 đối tượng lên hơn 10.000 đối tượng trong vòng 6 tháng tới. Mục tiêu cụ thể là nâng độ chính xác xác thực của mô hình PointNet từ 60% lên trên 85% đối với các lớp đối tượng phức tạp như thảm thực vật và xe cộ.

Thứ hai, thiết kế mô hình phân loại lai kết hợp giữa lọc hình học và mạng nơ-ron học sâu. Nhóm phát triển phần mềm nên ứng dụng thuật toán lọc thô của LASTools để loại bỏ 95% điểm nhiễu ban đầu, sau đó chuyển giao các điểm biên phức tạp cho mạng C-PointNet xử lý phân lớp ngữ nghĩa chi tiết. Thời gian hoàn thiện giải pháp dự kiến trong 12 tháng do các kỹ sư hệ thống thông tin đảm nhiệm.

Thứ ba, xây dựng phần mềm xử lý dữ liệu LiDAR nội địa trên nền tảng .NET và điện toán đám mây. Doanh nghiệp công nghệ địa không gian cần tích hợp các mô hình học máy vào ứng dụng máy tính độc lập để thay thế các phần mềm thương mại đóng đắt đỏ. Giải pháp này giúp tiết kiệm khoảng 70% chi phí đầu tư công nghệ cho các cơ quan khảo sát trắc địa trong lộ trình 18 tháng.

Thứ tư, chuẩn hóa quy trình phân loại dữ liệu theo tiêu chuẩn quốc tế ASPRS. Các cơ quan quản lý nhà nước về tài nguyên môi trường cần ban hành khung phân loại tối thiểu 20 lớp đối tượng địa vật, thực hiện kiểm chuẩn chất lượng dữ liệu định kỳ 6 tháng một lần nhằm giữ tỷ lệ lỗi dữ liệu dưới 5%.

Đối tượng nên tham khảo luận văn

Thứ nhất, học viên cao học, nghiên cứu sinh và giảng viên chuyên ngành Hệ thống thông tin, Khoa học máy tính và Viễn thám. Luận văn cung cấp cơ sở toán học chặt chẽ về mạng PointNet và thuật toán K-Means, hỗ trợ trực tiếp cho việc phát triển các thuật toán phân tích dữ liệu không gian 3D.

Thứ hai, kỹ sư trắc địa, chuyên viên GIS và bản đồ số tại các cơ quan đo đạc địa chính. Nghiên cứu cung cấp tài liệu thực hành chi tiết về quy trình chuyển đổi tệp tin LAS, trích xuất điểm mặt đất và thành lập mô hình DEM/DSM độ phân giải 1m phục vụ quy hoạch hạ tầng.

Thứ ba, chuyên gia phát triển phần mềm và kiến trúc sư hệ thống tại các doanh nghiệp công nghệ địa không gian. Nhóm này có thể ứng dụng mã nguồn, giải pháp kết nối C# với LASTools để xây dựng các sản phẩm thương mại xử lý dữ liệu đám mây điểm chi phí thấp.

Thứ tư, cán bộ quản lý quy hoạch đô thị, giao thông vận tải và lâm nghiệp. Luận văn hỗ trợ ra quyết định ứng dụng công nghệ quét LiDAR trong việc giám sát biến động rừng, quản lý hành lang an toàn lưới điện và mô phỏng nguy cơ ngập lụt đô thị.

Câu hỏi thường gặp

Công nghệ LiDAR có ưu điểm gì vượt trội so với phương pháp đo ảnh lập thể truyền thống? Công nghệ LiDAR thu nhận trực tiếp tọa độ không gian 3D với độ chính xác mặt bằng dưới 25cm và độ cao dưới 20cm mà không phụ thuộc vào điều kiện chiếu sáng. Xung laser có khả năng xuyên qua tán cây với tối đa 4 lần phản xạ để ghi nhận chính xác bề mặt đất bên dưới.

Tại sao thuật toán K-Means lại có tỷ lệ phân loại lỗi lên tới 31,55% trong thực nghiệm? Trong thực nghiệm với 485 điểm tại Nghệ An, K-Means chỉ sử dụng duy nhất giá trị độ cao Z để phân cụm. Thuật toán phân nhóm thuần túy theo khoảng cách hình học nên khi gặp các điểm dị biệt hoặc địa hình biến thiên mạnh, 153 điểm dữ liệu đã không thể gán chính xác vào các tâm cụm đại diện.

Kiến trúc mạng PointNet giải quyết tính chất không có thứ tự của đám mây điểm như thế nào? PointNet sử dụng các mạng nơ-ron đa tầng perceptron kết hợp với lớp biến đổi không gian T-Net để chuẩn hóa dữ liệu đầu vào. Sau đó, mạng áp dụng hàm đối xứng Max Pooling để tổng hợp toàn bộ các vector đặc trưng, đảm bảo kết quả đầu ra hoàn toàn bất biến đối với thứ tự sắp xếp của tập điểm.

Tệp định dạng LAS đóng vai trò như thế nào trong bài toán phân loại dữ liệu LiDAR? Tệp LAS là định dạng nhị phân tiêu chuẩn được ASPRS thiết kế riêng để lưu trữ dữ liệu đám mây điểm. Tệp quản lý đồng thời tọa độ X, Y, Z, cường độ phản xạ, số lượng xung hồi đáp và các trường mã phân loại, giúp phần mềm truy xuất và xử lý hàng triệu điểm mà không làm giảm tốc độ hệ thống.

Mô hình số độ cao DEM và mô hình số bề mặt DSM thành lập từ dữ liệu LiDAR ứng dụng trong thực tế ra sao? Mô hình DEM phản ánh địa hình bề mặt đất tự nhiên không chứa vật thể, ứng dụng chính trong phân tích dòng chảy, quy hoạch thoát nước và cảnh báo trượt lở đất. Mô hình DSM bao gồm cả thảm thực vật và công trình xây dựng, phục vụ đắc lực cho quản lý chiều cao đô thị và hành lang truyền tải điện.

Kết luận

• Luận văn đã hệ thống hóa toàn diện cơ sở lý thuyết công nghệ LiDAR và cấu trúc lưu trữ dữ liệu đám mây điểm theo định dạng tiêu chuẩn LAS của ASPRS.
• Thực nghiệm chứng minh rõ giới hạn của thuật toán K-Means khi phân loại theo trục độ cao đơn lẻ với tỷ lệ điểm lỗi chiếm 31,55% trên 485 điểm mẫu.
• Mô hình học sâu PointNet khẳng định tính ưu việt với tốc độ xử lý đạt trên 1.000.000 điểm mỗi giây trên môi trường GPU, mở ra tiềm năng ứng dụng phân loại thời gian thực.
• Xây dựng thành công ứng dụng C# tích hợp thư viện LASTools, tự động hóa quy trình phân tách lớp điểm và thành lập mô hình DEM, DSM độ phân giải 1m tại Quảng Ninh.
• Đề tài đóng góp giải pháp công nghệ quan trọng, giúp tự động hóa trên 90% công đoạn phân loại dữ liệu địa không gian và cắt giảm đáng kể chi phí sản xuất bản đồ.

Đóng góp lớn nhất của công trình là làm chủ quy trình phân loại dữ liệu LiDAR bằng trí tuệ nhân tạo tại Việt Nam. Lộ trình phát triển trong 12 tháng tới sẽ tập trung tối ưu hóa kiến trúc C-PointNet trên các bộ dữ liệu quy mô lớn. Hãy tải toàn văn tài liệu nghiên cứu và áp dụng ngay các giải pháp học máy tiên tiến này vào dự án xử lý dữ liệu không gian của bạn.

Trích đoạn nội dung tài liệu

CHƯƠNG 1 : GIỚI THIỆU VỀ CÔNG NGHỆ LIDAR 1.1 Tổng quan về công nghệ LiDAR 1.1 Cấu trúc hệ thống LiDAR LiDAR, Light Detection And Ranging, là thuật ngữ để chỉ một công nghệ viễn thám mới, chủ động, sử dụng các loại tia laser để khảo sát đối tượng từ xa. Dữ liệu thu được của hệ thống là tập hợp đám mây điểm phản xạ 3 chiều của tia laser từ đối tượng được khảo sát. Công nghệ này cũng mới được áp dụng tại Việt Nam, nó cho phép đo đạc độ cao chi tiết địa hình một cách chính xác và nhanh chóng [3]. Hệ thống LiDAR bao gồm bộ đầu quyết (bộ cảm biến), hệ thống đo quán tính (IMU), hệ thống GPS, hệ thống quản lý bay, hệ thống camera số và hệ thống các thiết bị lưu trữ dữ liệu.

Bộ máy quét Laser (bộ cảm biến): Gồm hai bộ phận được gắn vào bên dưới máy bay; một bộ phận có vai trò phát xung laser hẹp đến bề mặt trái đất trong khi máy bay di chuyển với tốc độ nhất định. Một máy thu gắn trên máy bay sẽ thu nhận phản hồi của những xung này khi chúng đập vào bề mặt trái đất và quay trở lại thiết bị thu trên máy bay. Hầu hết các hệ thống LiDAR đều sử dụng gương quét để tạo ra một dải xung. Sóng Laser nằm trong dải sóng cận hồng ngoại để phục vụ công tác đo đạc địa hình, bề mặt trái đất, còn với laser dải sóng xanh lá cây phục vụ công tác đo sâu mặt nước.

Độ rộng của dải quét phụ thuộc vào góc dao động của gương, và mật độ điểm mặt đất phụ thuộc vào các yếu tố như tốc độ máy bay và tốc độ gương. Tốc độ dao động được xác định bằng cách tính toán tổng thời gian tia laser rời máy bay, đi đến mặt đất và trở lại bộ cảm biến. Hệ thống xác định quán tính IMU: Các giá trị góc xoay, góc nghiêng dọc, nghiêng ngang, hướng bay quét của hệ thống LiDAR được xác định chính xác bằng thiết bị đạo hàng, góc quay gương tức thời và các khoảng cách thu nhận và dữ liệu GPS được dùng để tính toán toạ độ ba chiều của các điểm LiDAR. 4 Hệ thống GPS: Dữ liệu LiDAR được kết hợp với các thông tin vị trí chính xác thu nhận từ thiết bị GPS và hệ thống thiết bị xác định các thông số định hướng góc xoay, góc nghiêng dọc, nghiêng ngang cùng đặt trên máy bay.

Các thông tin này được lưu trữ và xử lý, để xác định giá trị toạ độ (x,y,z) chính xác của mỗi điểm trên mặt đất. Hệ thống GPS gồm một máy thu đặt trên máy bay và một máy thu đặt tại mặt đất, quá trình xử lý dữ liệu này cho ra kết quả vị trí điểm có độ chính xác cao (+/- vài cm đến vài chục cm). Hệ thống quản lý bay: Cho phép lập kế hoạch, thiết kế tuyến bay và theo dõi quá trình bay quét LiDAR. Hình 1: Tổng quan về hệ thống LiDAR 1.2 Đặc điểm cơ bản của công nghệ LiDAR Bản chất của công nghệ LiDAR là kỹ thuật đo dài laser, định vị không gian GPS/INS và sự nhận biết cường độ phản xạ ánh sáng [3].

Xung của laser được phát hướng xuống mặt đất trên một độ cao nào đó. Sóng laser được phản hồi từ mặt đất hay từ các bề mặt đối tượng như là cây, đường hoặc nhà ., với mỗi xung sẽ đo được thời gian đi và về của tín hiệu, tính được khoảng cách từ nguồn phát laser tới đối tượng. Ở mỗi thời điểm phát xung laser, hệ thống định vị vệ tinh GNSS sẽ xác định vị trí không gian của điểm phát, và hệ thống đạo hàng quán 5 tính sẽ xác định các góc định hướng trong không gian của tia quét. Với các trị đo tổng hợp đó tính được vị trí (tọa độ không gian) của các điểm trên bề mặt đất.

Công nghệ LiDAR có nhiều tính năng vượt trội so với các công nghệ đo đạc truyền thống, nó có những đặc điểm cơ bản như: - Độ chính xác xác định vị trí không gian của các đối tượng địa lý rất cao. Độ chính xác độ cao < 20cm, độ chính xác mặt phẳng < 25cm. - Thời gian thu thập và xử lý dữ liệu cực nhanh. Thời gian bay quét LiDAR với khoảng 1000km2 là khoảng 25-30 giờ, thời gian xử lý tạo DEM với 1000km2 là khoảng 10 ngày.

- Không giống như các phương pháp đo ảnh hay đo đạc ngoài trời khác, công nghệ LiDAR chủ yếu là tự động hóa, ít có sự can thiệp trực tiếp của con người. Thành quả dữ liệu rất khách quan, mức độ tin cậy cao. - Hệ thống LiDAR thu thập dữ liệu không phụ thuộc vào ánh sáng mặt trời, có thể thực hiện cả ngày và đêm, điều kiện thời tiết không đòi hỏi khắt khe. - Xung ánh sáng của hệ thống LiDAR có thể đi qua đối tượng vòm như tán cây, mặt nước, mái che kính, tấm ni lông mỏng … và phản xạ tới 4 lần.

Mỗi lần phản xạ là một mức truyền khác nhau và ghi nhận một giá trị tọa độ (XYZ) khác nhau. Đây là một tính năng đặc biệt mà công nghệ đo vẽ ảnh khác không thể thực hiện được. Với tính năng này việc thực hiện bay quét ở vùng rừng cây hoặc nơi có thực phủ không quá dày đặc vẫn có thể thi công và thể hiện được bề mặt đất. - Điểm phân giải điểm đo chi tiết cao, khi đầu phát đạt 150.000 xung trên 1 giây, độ cao bay 1000m thì mật độ khoảng 3 điểm trên 1m2.

Hiện nay có nhiều hệ thống LiDAR có đầu phát đạt 240.000 xung trên 1 giây. Công nghệ LiDAR với khả năng đo điểm trực tiếp ngoại nghiệp mật độ rất cao, độ chính xác lớn, tốc độ nhanh. - Điểm khống chế mặt đất rất ít, có thể chỉ 1 điểm cho mục đích cải chính DGPS. Công nghệ LiDAR đặc biệt lợi ích là công cụ lý tưởng khi nó 6 được áp dụng 7 cho các vùng xa xăm, hẻo lánh khi mà con người rất khó tiếp cận trong triển khai đo đạc ngoại nghiệp.

- Công nghệ LiDAR ghi nhận được các giá trị mức phản xạ ánh sáng của các đối tượng trên mặt đất, dữ liệu này có thể được dùng để tạo ra ảnh cường độ xám, phân loại đối tượng, chiết xuất đối tượng trên mặt đất. Đây là một đặc tính có giá trị gia tăng của dữ liệu LiDAR. - Một số hệ thống LiDAR ngoài chức năng đo quét trên mặt đất, còn có thể thực hiện chức năng đo sâu (hiện nay có thể đo sâu đến 40m). - Tổ chức thi công đơn giản, gọn nhẹ hơn các phương pháp khác, số người cần tham gia rất ít (khoảng 10-15 người).

- Hiệu quả kinh tế rất cao khi ứng dụng công nghệ LiDAR cho mục đích thu thập dữ liệu không gian với yêu cầu thời gian ngắn, độ chính xác cao và mật độ dày đặc [3].2 Khả năng ứng dụng của LiDAR Công nghệ LiDAR đã thể hiện nhiều ưu thế vượt trội hơn với các công nghệ khác trong việc đo đạc thành lập bản đồ, xây dựng cơ sở dữ liệu hay mô phỏng không gian ba chiều. Các nguồn dữ liệu thu nhận được có thể được ứng dụng trong nhiều lĩnh vực khác nhau như giáo dục, viễn thông, theo dõi đánh giá khai thác mỏ, quân sự, nghiên cứu lập bản đồ khu vực ngập lụt, dự báo thảm hoạ, bản đồ địa hình dải ven biển, quy hoạch đô thị, lập bản đồ đường dây tải điện,… a) Khảo sát địa hình và lập bản đồ: Kết quả đầu ra cơ bản là các mô hình số địa hình (DEM – Digital Elavation Model) và mô hình số bề mặt (DSM – Digital Surface Model) với độ phân giải và độ chính xác cao, LiDAR rất phù hợp để ứng dụng trong việc thành lập bản đồ tỷ lệ lớn, các ứng dụng liên quan đến phát triển hoặc quản lý duy trì hạ tầng cơ sở [1]. 7 Hình 2: Ứng dụng LiDAR trong khảo sát địa hình và lập bản đồ b) Lâm nghiệp: Trong lĩnh vực lâm nghiệp, công nghệ LiDAR chủ yếu được sử dụng để đánh giá, thống kê, phân tích điều kiện sống hoang dã, tương quan của các yếu tố như tán, độ dày tán, dạng lá,… hay sản lượng gỗ rừng; ước tính sinh khối, trữ lượng gỗ và các tham số lâm nghiệp khác. Hình 3: Ứng dụng LiDAR trong lâm nghiệp c) Lập bản đồ ngập úng: Dữ liệu LiDAR được sử dụng hiệu quả trong xây dựng các mô hình ngập úng, xác định ranh giới ngập úng, cung cấp thêm nhiều thông tin về các đối tượng/địa vật chịu ảnh hưởng; từ đó thành lập bản đồ nguy cơ ngập úng, vùng ưu tiên sơ tán.

8 Hình 4: Ứng dụng LiDAR trong lập bản đồ ngập úng d) Các ứng dụng cho đới duyên hải: Do dữ liệu LiDAR có độ chính xác cao cùng mật độ điểm dữ liệu dày đặc trong thời gian thu thập dữ liệu ngắn. Dữ liệu này rất phù hợp cho các ứng dụng để quản lý và dự báo xói mòn bờ biển; giúp đánh giá và dự báo bồi lắng, quan trắc cũng như lập dự báo ngập lụt ven biển…[2] Hình 5: Ứng dụng LiDAR cho đới duyên hải e) Địa hình ven biển: Công nghệ LiDAR có thể giúp lập bản đồ địa hình đáy biển độ sâu tới 70m, hữu ích trong các dự án xác định luồng lạch tàu vào, thiết kế quy hoạch cảng và các kênh giao thông thuỷ [2]. 9 Hình 6: Ứng dụng LiDAR trong lập bản đồ địa hình ven biển f) Trượt lở: LiDAR có thể sử dụng để quan trắc và dự báo trượt lở, đặc biệt với ác sườn dốc, nhờ đặc điểm thu thập dữ liệu nhanh chóng với độ chính các cao và mật độ dữ liệu dày đặc. Công nghệ này cũng có thể được sử dụng để đánh giá nhanh thiệt hại và thiết lập bản đồ thể hiện tình trạng hậu trượt lở nhanh chóng chính xác.

Hình 7: Ứng dụng LiDAR trong quan trắc dự báo trượt lở g) Các tuyến truyền tải: LiDAR được áp dụng trong việc lập bản đồ các tuyến truyền tải trải dài, giúp thể hiện chính xác vị trí các tháp truyền tải hoặc cột điện, phân định địa hình của hành lang truyền tải và các loại đối tượng tồn tại trong hành lang (cây xanh…) giúp điều chỉnh, sửa chữa duy tu và thiết kế nâng cấp.