Segmentation sémantique de nuages de points multisources de parcelles et d’ouvrages existants à l'aide de techniques d'apprentissage machine

Montlahuc, Jérémy (2023). Segmentation sémantique de nuages de points multisources de parcelles et d’ouvrages existants à l'aide de techniques d'apprentissage machine. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (16MB) | Prévisualisation

Résumé

Les technologies d’acquisition à distance sont de plus en plus disponibles et performantes. Leur déploiement comme technologie de mesure sans contact est plus fréquent et les possibilités d’utilisation ne font qu’augmenter. Ces technologies, couplées à la puissance de calcul des ordinateurs, rendent possibles l’acquisition et le traitement d’un grand nombre de données. La combinaison des données issues de diverses technologies devient donc envisageable, et même souhaitable pour pallier les limites de chaque technologie.

Ce projet de recherche s’inscrit dans cette lignée. Il a pour domaine d’application la numérisation de larges zones géographiques, allant de 10² m² au 10 km² avec l’exploitation simultanée de plusieurs technologies d’acquisition. Dans notre cas spécifique, nous avons accès à des relevés de quatre technologies d’acquisition distinctes que sont le lidar aéroporté à bord d’avions, lidar aéroporté à bord d’hélicoptères, la photogrammétrie par drones et le lidar terrestre. Le principal requis est la création automatisée, à partir de plusieurs types de relevés et via un algorithme de segmentation sémantique, d’un nuage de points multisource complet et consolidé. Ce sujet soulève la question fondamentale qui est de comment exploiter au mieux les différents relevés, qui sont divers par leurs densités et caractéristiques, dans le but de créer et de segmenter précisément le nuage de points multisource.

Les différentes sources de données fournissant des données hétérogènes, leur fusion et leur consolidation sont des sujets peu traités dans la littérature. La principale raison est le manque de projets industriels qui impliquent plusieurs technologies d’acquisition. Ces dernières, lorsqu’elles sont mises en place simultanément pour un projet, doivent répondre au mieux aux critères qui se résume à un nuage cohérent et une segmentation précise. L’utilisation d’une unique technologie par projet est de plus en plus remise en cause. En effet, l’utilisation croissante des drones et de la photogrammétrie aérienne pour soutenir les lidars terrestres procure un accès grandissant à des captations dites multisources. Cependant, la littérature scientifique est, pour le moment, maigre en articles prenant plusieurs sources, et est encore plus pauvre quand il s’agit de sources autre qu’un couple images/lidar.

Nos travaux s’inscrivent dans l’optique d’une ouverture des projets de captation numérique pour l’usage de diverses sources complémentaires. Notre principale contribution propose différents modules développés pour traiter et segmenter sémantiquement les nuages de points multisources. La propagation des attributs acquis par les différentes sources est basée sur la notion de proximité. Les points avoisinants sont interjumelés et les attributs sont ainsi consolidés, ce qui a permis de segmenter sémantiquement tout en bénéficiant des avantages de chaque technologie. Une étude d’ablation est réalisée dans le but d’évaluer l’intérêt des différents modules de notre proposition. Notre proposition est validée sur des nuages de points multisources mis à disposition par notre partenaire industriel. Également, les performances de notre proposition sont comparées, avantageusement, avec d’autres algorithmes récemment proposés dans la littérature scientifique sur ce sujet. Notre proposition a permis d’obtenir de meilleures performances de segmentation sémantique. Toutefois, le temps des calculs est légèrement plus grand.

Titre traduit

Semantic segmentation of multisources point clouds of existing parcels and structures using machine learning techniques

Résumé traduit

Remote acquisition technologies are becoming more and more accessible and are no longer reserved for professionals. They are therefore being used more frequently and opportunities to use them are only increasing. These technologies, coupled with the growing computing power of computers, make it possible to acquire and process a large amount of data. Combining data from different technologies is therefore becoming possible.

This research project aligns with this topic and involves the digitization of large geographic areas ranging in size from several hundred square meters to one square kilometer with several acquisition technologies. In our case, we had access to surveys from four distinct acquisition sources: airborne lidar onboard aircraft and helicopters, photogrammetry from UAVs and terrestrial lidar. The main requirements to fulfill the project are to be able to create a complete point cloud from several types of sources and be able to semantically segment multisources point clouds. These requirements raise the question of how best to use the various sources available to create and segment a multisource point cloud.

The use of multiple data sources that provide heterogeneous data for the same project is not well covered in the literature for a variety of reasons. One of the main reasons is that there are very few projects involving multiple technologies in the industry. The acquisition technologies that are selected for a project are those that best meets the project’s needs. The idea of using only one technology per project is increasingly being challenged with the use of UAVs and photogrammetry to support ground-based lidar. However, the body of scientific literature currently includes few articles that take into account multiple sources and even fewer that use other combinations of sources than photography + lidar. This project therefore provides multiple contributions. First, it includes multiple modules that have been developed to process and semantically segment multisources point clouds. Second, the propagation of the attributes acquired by the different sources on the neighboring points and, finally, a simple system to take into account the neighborhood. Our proposed method enabled us to semantically segment multisources point clouds by taking into account the attributes of each source using different modules. An ablation study was then performed to evaluate the interest of the different modules in our proposed method. Our method provided very good semantic segmentation results in comparison with algorithms used in existing works on this subject. Our work aligns with the openness to complementary sources that is observed in digital capture projects.

Type de document:	Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires:	"Thèse présentée à l’École de technologie supérieure et à l’École nationale supérieure des arts et métiers comme exigence partielle à l’obtention du doctorat en génie". Comprend des références bibliographiques (pages 165-176).
Mots-clés libres:	segmentation sémantique, réseaux de neurones artificiels, lidar aéroporté, lidar terrestre, fusion de données, photogrammétrie
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Rivest, Louis
Codirecteur:	Codirecteur Tahan, Souheil-Antoine Pernot, Jean-Philippe Polette, Arnaud
Programme:	Doctorat en génie > Génie
Date de dépôt:	18 oct. 2023 14:35
Dernière modification:	11 mars 2024 17:11
URI:	https://espace.etsmtl.ca/id/eprint/3296

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt