Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Le mobile laser scanning (MLS) est une méthode d'acquisition de nuages de points 3D qui permet une acquisition rapide et précise. Ce travail vise à développer une méthode de segmentation et de classification pour les nuages de points 3D relevés par MLS en environnement ferroviaire. La méthode se décompose en trois parties. La première est l'extraction du sol, des rails et des panneaux sur base des attributs du nuages. La seconde est le calcul de caractéristiques qui décrivent la structure du nuage. La dernière partie est la classification des éléments restants de l'infrastructure ferroviaire en utilisant le modèle de classification supervisée Random Forest. La méthode proposée obtient une exactitude globale de 99~\% avec un temps de traitement relativement rapide. Mobile laser scanning (MLS) is a 3D point cloud acquisition method that allows fast and accurate acquisition. This work aims to develop segmentation and classification method for 3D point clouds collected by MLS in a railway environment. The method consists of three parts. The first is the extraction of ground, rails and traffic signs based on cloud attributes. The second is the computation of features that describe the structure of the cloud. The last part is the classification of the remaining elements of the railway infrastructure using the Random Forest supervised classification model. The proposed method achieves an overall accuracy of 99~\% with a relatively fast processing time.

point cloud --- lidar --- mobile laser scanning --- segmentation --- classification --- Physique, chimie, mathématiques & sciences de la terre > Sciences de la terre & géographie physique

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

L’utilisation des nuages de points s’est accrue au cours des dernières années. Afin d’exploiter correctement ces données, la segmentation et la classification semblent essentielles et font dès lors l’objet de nombreuses recherches. La plupart de ces recherches se concentrent uniquement sur le post-traitement des données. Il semble toutefois intéressant de considérer l’intégration d’informations sémantiques lors de l’acquisition pour faciliter ces traitements. C’est le principe de la géocodification, principalement utilisée par les géomètres lors de leurs levés.
Ce travail envisage donc l’utilisation d’une géocodification lors de l’acquisition d’un nuage de points avec l’objectif d’améliorer le processus de segmentation/classification d’un environnement bâti grâce aux informations récoltées.
Deux méthodologies différentes ont été développées à cet effet. La première se rapproche d’une géocodification traditionnelle puisqu’elle consiste à combiner les informations spatiales et sémantiques issues d’un levé topographique avec un nuage de points afin de procéder à sa classification. La seconde méthode, plus innovante, se base sur le positionnement de cibles sur les éléments d’intérêts afin de guider le processus de segmentation/classification. Les différentes étapes nécessaires à la réalisation de ces deux méthodes sont détaillées dans ce travail, depuis l’établissement des géocodifications jusqu’à l’obtention des nuages de points classifiés, en passant par l’acquisition et les différents prétraitements à appliquer. 
Les résultats obtenus pour les deux méthodes sont ensuite présentés, validés et comparés entre eux. Il en ressort que les deux méthodes proposées sont plus rapides mais un peu moins précises qu’une segmentation manuelle avec un F1-score moyen compris entre 0,82 et 0,93 pour le nuage étudié. La méthode avec levé topographique présente des résultats de meilleure qualité que la méthode des cibles mais elle nécessite un temps d’acquisition plus long. Ce travail se clôture sur la mise en évidence des limites rencontrées pour les deux méthodes. Des perspectives d’amélioration et de développement sont également présentées. The use of point clouds has increased in recent years. In order to exploit these data correctly, segmentation and classification appear essential and are therefore the subject of numerous researches. Most of these researches only focus on post-processing data. However, it seems interesting to consider the integration of semantic information during the data acquisition to facilitate the treatments. This is the principle of feature codes, mainly used by land surveyors during their surveys. 
Therefore, this work considers the use of feature codes during a point cloud acquisition with the aim of improving the segmentation/classification process of a built environment through the collected information.
Two different methodologies have been developed for this purpose. The first one is similar to traditional feature codes since it consists in combining spatial and semantic information from a topographical survey with a point cloud in order to proceed with its classification. The second method, more innovative, is based on the positioning of targets on the elements of interest to guide the segmentation/classification process. The different steps necessary to achieve these two methods are detailed in this work, from the establishment of the feature codes list to the point clouds classification, passing by the acquisition and the pre-processing.
The obtained results for both methods are then presented, validated and compared. It shows that the two proposed methods are faster but slightly less accurate than a manual segmentation with an average F1-score between 0.82 and 0.93 for the point cloud studied. The topographic survey method presents better results than the target method but it requires a longer acquisition time. This work concludes by highlighting the limitations encountered for the two methods. Improvement and development perspectives are also presented.

Géocodification --- Segmentation --- Classification --- Scanner laser terrestre --- Nuage de points --- Point cloud --- Physique, chimie, mathématiques & sciences de la terre > Sciences de la terre & géographie physique