OTHERS_CITABLE
روشی نوین برای جانمایی ابرهای نقاط زمینی محلی در ابرنقاط هوایی سراسری
تهیه یک پوشش کامل و متراکم از نواحی شهری، عمدتاً نیازمند اخذ دادههای محلی در چندین ایستگاه زمینی و ادغام آنها با یک داده سراسری اخذشده از منظرهای هوایی میباشد. مقاله حاضر مسأله زمینمرجعسازی و مرتبطسازی اسکنهای محلی اخذشده بوسیله لیزراسکنر زمینی را در فضای واسطه ابرنقاط هوایی سراسری، بدون استفاده از هرگونه دادههای کمکی و یا عملیات دستی، مدنظر قرار داده است. از این رهگذر، جانمایی اسکنهای زمینی محلی در ابرنقاط هوایی سراسری، به عنوان چالش اصلی در مرتبطسازی این دادهها مورد تأکید قرار گرفته است. علاوه بر نامتجانس بودن منظرهای هوایی و زمینی، هریک از ابرنقاط کوچکمقیاس زمینی به سختی با ابرنقاط بالاسری و بزرگمقیاس هوایی قابلمقایسه هستند. روشی چندمرحلهای جهت جانمایی خودکار اسکنهای زمینی در ابرنقاط هوایی ارائه شده است. روش پیشنهادی با شناسایی موقعیتهای کاندید استقرار لیزراسکنر در ابرنقاط هوایی آغاز میشود. در ادامه، با شبیهسازی عملکرد لیزراسکنر، محدوده رؤیتپذیر به این موقعیتها از ابرنقاط هوایی شناسایی و در قالب ابرنقاط هوایی کاندید استقرار استخراج میشوند. در نتیجه مسأله جانمایی به مسأله تناظریابی میان چند ابرنقطه زمینی با چند ابرنقطه هوایی تبدیل میگردد. به منظور افزایش قیاسپذیری ابرهاینقاط زمینی و هوایی در پروسه تناظریابی، ساختارهای هندسی شاخص موجود در هر ابرنقطه با استفاده از چهار ویژگی هندسی طراحیشده استخراج و در قالب نقشه-ویژگیهای معرف هر ابرنقطه سازماندهی میگردند. نقشه-ویژگیهای تولیدشده برای هر ابرنقطه توسط توصیفگر مستقل از دوران F-HOG توصیف میشوند و در نهایت مسأله تناظریابی در قالب یک طبقهبندی k-nn میان کلاسهای تولیدشده برای این توصیفگرها، ساختاردهی میشود. نهایتاً جانمایی هر اسکن زمینی بر اساس نتایج طبقهبندی انجام میپذیرد. نتایج ارزیابی روش پیشنهادی بر روی مجموعه داده مأخوذه از منطقهای شهری، دقت در حدود 5 متر را برای جانمایی اسکنهای زمینی در سیستم مختصات مربوط به ابرنقطه هوایی نشان داد که جهت ورود به فرآیند مرتبطسازی ابرهاینقاط زمینی و هوایی کافی به نظر میرسد.
http://jgit.kntu.ac.ir/article-1-551-fa.pdf
2021-04-20
1
26
10.52547/jgit.8.4.1
ابرنقاط
مرتبطسازی
طبقهبندی
تناظریابی
لیزراسکنر
فتوگرامتری پهپاد
A novel method for locating the local terrestrial laser scans in a global aerial point cloud
In addition to the heterogeneity of aerial and terrestrial views, the small scale terrestrial point clouds are hardly comparable with large scale and overhead aerial point clouds. A hierarchical method is proposed for automatic locating of terrestrial scans in aerial point cloud. The proposed method begins with detecting the candidate positions for the deployment of the terrestrial laser scanner in the aerial point cloud. After that, by simulating the performance of the laser scanner, the visible portion of the aerial point cloud is detected and it is extracted as the candidate deployment aerial point cloud. As a result, the problem of scan locating is converted to a corresponding one between several local terrestrial point clouds and several local aerial point clouds. In order to increase the comparability of these two datasets in the corresponding process, the main geometric structures of each point cloud are extracted using four predesigned geometric feature indexes, and they are organized in the form of four feature-maps of each point cloud. The feature-maps generated for each point cloud are described by the rotation invariant Fourier-HOG descriptor. Afterward, the corresponding problem is structured in the form of a k-nn classification among the classes established for these descriptors. Finally, the location of each terrestrial scan is obtained based on the classification results. The evaluation results of the proposed method on an urban dataset, showed an average accuracy of about 5 meters for locating the terrestrial scans in aerial point cloud. The obtained accuracies seem to be sufficient to enter the process of registering the terrestrial scans to the aerial point cloud.
http://jgit.kntu.ac.ir/article-1-551-en.pdf
2021-04-20
1
26
10.52547/jgit.8.4.1
point cloud
Registration
Classification
Corresponding
Laser scanner
UAV Photogrammetry.
Amin
Baghani
amin_baghani@mail.kntu.ac.ir
1
K.N. Toosi University of Technology
AUTHOR
Mohammad Javad
Valadan Zoej
valadanzouj@kntu.ac.ir
2
K.N. Toosi University of Technology
AUTHOR
Mehdi
Mokhtarzade
m_mokhtarzade@kntu.ac.ir
3
K.N. Toosi University of Technology
AUTHOR
OTHERS_CITABLE
بررسی تأثیر حذف پریودهای شناخته شده از سری زمانی دادههای TEC در شناسایی آنامولی لرزهای یونسفری
ایران بر روی یکی از دو کمربند بزرگ لرزهخیز جهان، موسوم به آلپا قرار دارد. وقوع زمینلرزههای مخرب در تمام نقاط کشور، سالانه خسارتهای جانی و مالی فراوانی به مردم وارد میکند. پیشبینی این پدیده میتواند تأثیر بسزایی در کاهش مخاطرات ناشی از آن داشته باشد. از جمله پیشنشانگرهای زمینلرزه که امروزه مورد توجه بسیاری از دانشمندان میباشد، میتوان به وقوع تغییرات ناهنجار در پارامترهای یونسفری اشاره نمود. پارامتر یونسفری مورد بررسی در این مقاله محتوای چگالی الکترون کل (TEC) حاصل از نقشههای جهانی یونسفری (GIM) است. سری زمانی دادههای TEC شامل فرکانسهای شناخته شدهای میباشد که منشأ لرزهای ندارند. به نظر میرسد با حذف تأثیر این عوامل تا حد امکان، شناسایی آنامولی لرزهای یونسفر به نحو مؤثرتری صورت پذیرد. در این مطالعه تغییرات TEC پیش از وقوع دو زمینلرزه در ایران با استفاده از روش میانگین، یکبار پیش از حذف فرکانسهای شناخته شده و یکبار پس از آن بررسی شده است. نتایج نشان میدهد حذف پریودهای شناخته شده از دادههای TEC در شناسایی آنامولی لرزهای یونسفر مفید میباشد. در واقع پس از حذف فرکانسهای شناخته شده، برای زمینلرزههای خوزستان و سمنان در محدوده شناسایی آنامولی لرزهای یونسفر، در اغلب نقاط به ترتیب بهبود بیش از 50 درصد و بیش از 10 درصد وجود دارد.
http://jgit.kntu.ac.ir/article-1-639-fa.pdf
2021-04-20
27
43
10.52547/jgit.8.4.27
یونسفر
زمین لرزه
TEC
سری زمانی
آنالیز هارمونیک
Investigating the effect of the removing well-known periods from TEC time series data in identifying seismo-ionospheric anomaly
Iran is situated on one of the two largest seismic belt of the world which is called Alpa. The occurrence of damaging earthquakes all around the country causes a lot of pecuniary losses and casualties. The prediction of this phenomenon can have a profound impact on reducing the risks which are posed by it. Among the earthquake predictors, which are of interest to many scholars today, we can mention the occurrence of abnormal changes in the ionospheric parameters. The studied ionospheric parameter in this paper is the Total Electron density Content (TEC) obtained from the Global Inosphere Map (GIM). The time series of the TEC data comprises well-known periods whose causes are not seismic. It seems that, by eliminating the effect of these factors, as much as possible, the identification of the ionospheric-seismic anomaly could be done much more accurately. In this study, changes in TEC before the occurrence of two earthquakes in Iran have been investigated by using the mean method two times, once before the elimination of the periods and once afterwards. In fact, after the removal of known frequencies for Khuzestan and Semnan earthquakes in the area of identification of seismo-ionospheric anamolysis, the improvement of more than 50% and 10% is seen in most of the places respectively.
http://jgit.kntu.ac.ir/article-1-639-en.pdf
2021-04-20
27
43
10.52547/jgit.8.4.27
Ionosphere
Earthquake
TEC
Time series
Harmonic Analysis.
Zahra
Sadeghi
z.sadeghi@mail.kntu.ac.ir
1
K. N. Toosi University of Technology
AUTHOR
masoud
Mashhadi-Hossainali
Hossainali@kntu.ac.ir
2
K. N. Toosi University of Technology
AUTHOR
OTHERS_CITABLE
پیشنهاد یک شبکه عصبی کانوولوشنی چندمقیاسه برای آشکارسازی خودکار ابرها و سایه ابرها در تصاویر ماهواره گائوفِن-1
یک گام مهم در پیشپردازش تصاویر ماهوارهای با قدرت تفکیک مکانی بالا، بازسازی اطلاعات آلوده به پوشش ابرها و سایه ابرها است. اولین گام در فرآیند خودکار بازسازی اطلاعات آلوده به ابرها و سایه ابرها، مرحله آشکارسازی خودکار ابرها و سایه ابرها است. این مرحله به دلیل عملکرد نسبتاً نامناسب روشهای موجود در صحنههای پیچیده در تصاویر با قدرت تفکیک مکانی بالا، یک چالش قابلتوجه است. در سالهای اخیر، دقت فرآیند آشکارسازی ابرها و سایه ابرها با بهکارگیری شبکههای عصبی کانوولوشنی عمیق بهبود یافته است. مسأله افزایش تعمیمپذیری برای آشکارسازی ابرها و سایه ابرها یکی از مشکلهای شبکههای عصبی کانوولوشنی عمیق است. در این تحقیق، راهحلی برای مشکل تعمیمپذیری آشکارسازی ابرها و سایه ابرها در تصاویر ماهواره گائوفِن-1 ارائه شده است. در این راستا، یک معماری یادگیری عمیق چندمقیاسه (MultiCloud-Net) مبتنی بر فیلترهایی با ابعاد مختلف برای آشکارسازی دقیق ابرها و سایه ابرها در تصاویر تک زمانه ماهواره گائوفِن-1 بر اساس طراحی بلوکهای باقیمانده جدید مبتنی بر حذف تصادفی عُمق، پیشنهاد شده است. در معماری پیشنهادی، فرآیند آشکارسازی ابرها و سایه ابرها بر اساس تابع آنتروپی متقاطع وزندار برای حل مسأله عدم تعادل پیکسلهای هدف، برای تولید نقشه نهایی صورت میگیرد. روش پیشنهادی با استفاده از 12 تصویر ماهواره گائوفِن-1 با توزیع جهانی و با استفاده از سرویس رایانش ابری گوگل کولَب پیادهسازی و اعتبارسنجی شده است. نتایج با استفاده از مجموعه تصاویر ماهواره گائوفِن-1، با کسب میانگین نمره F1 و ضریب شباهت ژاکارد برابر 97 و 96 برای کلاس ابر و مقادیر 5/95 و 5/94 برای کلاس سایه ابر و با ضریب کاپای 98/0 نشاندهنده دقت مناسبتر در آشکارسازی خودکار جزئیات حاشیهای ابرها و سایه ابرها و دستیابی به هزینه محاسباتی کمتر در مقایسه با یک روش پیشرفته یادگیری عمیق و یک روش پیشرفته آماری است.
http://jgit.kntu.ac.ir/article-1-736-fa.pdf
2021-04-20
45
68
10.52547/jgit.8.4.45
گائوفِن-1
ابرها
سایه ابرها
یادگیری عمیق
کانوولوشن چندمقیاسه.
A multi-scale convolutional neural network for automatic cloud and cloud shadow detection from Gaofen-1 images
The reconstruction of the information contaminated by cloud and cloud shadow is an important step in pre-processing of high-resolution satellite images. The cloud and cloud shadow automatic segmentation could be the first step in the process of reconstructing the information contaminated by cloud and cloud shadow. This stage is a remarkable challenge due to the relatively inefficient performance of the current methods in complex scenes in multispectral high-resolution satellite images. In recent years, using deep convolutional neural networks has largely improved the performance of cloud and cloud shadow segmentation. Increasing the generalization capability of cloud and cloud shadow segmentation is one of the problems of deep convolutional neural networks. In this paper, we focus on tackling the poor generalization performance of automatic cloud and cloud shadow segmentation in Gaofen-1 (GF-1) images. In this regard, we propose a deep learning multi-scale method, founded on multi-dimension filters, for accurate segmentation of cloud/cloud shadow in single date GF-1 images which is based on a new multi-scale deep residual-convolutional neural network called MultiCloud-Net. The cloud/cloud shadow masks are extracted based on a new loss function to generate the final cloud/cloud shadow masks. The MultiCloud-Net was implemented in the Google Colab and was validated using 12 globally distributed GF-1 images. The quantitative assessments of test images show that the average F1 score, the average Jaccard Similarity Index (JSI), and the Kappa coefficient for cloud (cloud shadow) segmentation are about 97 (95.5), 96 (94.5), and 0.98, respectively. The experimental results using the GF-1 images demonstrate a more reasonable accuracy and efficient computational cost achievement of the proposed method compared to the automatic cloud/cloud shadow segmentation performance of two advanced deep learning and statistical methods.
http://jgit.kntu.ac.ir/article-1-736-en.pdf
2021-04-20
45
68
10.52547/jgit.8.4.45
Gaofen-1
cloud
cloud shadow
deep learning
multi-scale convolution.
Mehdi
Khoshboresh-Masouleh
m.khoshboresh@ut.ac.ir
1
School of Surveying and Geospatial Engineering, College of Engineering, University of Tehran
AUTHOR
Reza
Shah-Hosseini
rshahosseini@ut.ac.ir
2
School of Surveying and Geospatial Engineering, College of Engineering, University of Tehran
AUTHOR
OTHERS_CITABLE
تولید گراف مسیریابی در فضای بسته ساختمانی با روش معنایی-هندسی
توسعه خدمات مکانمبنا در فضای داخلی ساختمان، با چالشهای مختلفی روبروست که یکی از آنها نحوه تولید گراف مسیریابی در فضای بسته است. با توجه به ضعفهایی که در روشهای صرفاً هندسی برای تولید گراف مسیریابی فضای بسته وجود دارد، در این پژوهش یک روش معنایی-هندسی برای پوشش خلأهای موجود در ترکیب روشهای معنایی و هندسی ارائهشده است. در این روش از مدل داده CityGML که درواقع یک مدلسازی معنایی از فضای ساختمان است، استفادهشده است. خروجی این روش نیز با چند سناریو امتحان و نتایج آن ارائهشده است. استفاده از اطلاعات معنایی و گراف معنایی، درواقع راهبرد مناسبی برای روشهای صرفاً هندسی است و با توجه به نتایج، روش معنایی-هندسی ارائهشده برای تولید گراف مسیریابی فضای بسته، کارآمد بوده است.
http://jgit.kntu.ac.ir/article-1-753-fa.pdf
2021-04-20
69
80
10.52547/jgit.8.4.69
CityGML
مسیریابی
فضای داخل ساختمان
گراف معنایی
Generating an Indoor space routing graph using semantic-geometric method
The development of indoor Location-Based Services faces various challenges that one of which is the method of generating indoor routing graph. Due to the weaknesses of purely geometric methods for generating indoor routing graphs, a semantic-geometric method is proposed to cover the existing gaps in combining the semantic and geometric methods in this study. The proposed method uses the CityGML data model, which is actually a semantic modeling of building space. The output of the method is also presented with several test scenarios, and their results. Using semantic information and semantic graphs is in fact a good strategy for purely geometric methods, and according to the results, the proposed semantic-geometric method for producing indoor routing graphs seems to be efficient.
http://jgit.kntu.ac.ir/article-1-753-en.pdf
2021-04-20
69
80
10.52547/jgit.8.4.69
CityGML
routing
indoor building space
semantic graph.
Javad
Sadidi
jsadidi@gmail.com
1
Kharazmi University
AUTHOR
Zahra
Joudaki
judaki_z@yahoo.com
2
Kharazmi University
AUTHOR
Hani
Rezayan
hani.rezayan@gmail.com
3
Kharazmi University
AUTHOR
OTHERS_CITABLE
بررسی تأثیر تغییرات رطوبت خاک بر فاز تداخل سنجی راداری
تداخلسنجی راداری تفاضلی (DInSAR) به عنوان یک ابزار بالقوه سنجش از دور برای شناسایی جابجاییهای سطح زمین با دقت زیر سانتیمتر شناخته شده است. تغییرات رطوبت سطحی خاک ( ) در زمان میان دو تصویر به عنوان یک پارامتر تأثیرگذار بر فاز تداخلسنجی ( )، باعث ایجاد خطا در برآورد جابجایی میشود. در این پژوهش، میزان و نحوه تأثیرگذاری بر φ در زمینهایی با پوشش گیاهی گندم، کلزا، علف هرز، نخود و زمین بایر با استفاده از یک مدل رگرسیونی بطور تجربی بررسی شده است. برای این بررسی از دادههای هوایی سنجنده UAVSAR (باند L) همراه با دادههای اندازهگیری شده زمینی در کمپین زمینی کانادا برای رطوبت خاک در سال 2010 (CanEx-SM10) استفاده شده است. با توجه به نمودارهای پراگندگی بین φ و و مشاهده رابطه مستقیم و تقریبا خطی بین این دو پارامتر، تعدادی فرضیه برای استفاده از یک مدلسازی رگرسیونی در نظر گرفته شد. با مقایسه فاز تخمین زده شده با استفاده از مدل رگرسیونی کالیبره شده و فاز محاسبه شده از تکنیک تداخلسنجی، بهترین نتایج مدل در زمین بایر با خطای جذر میانگین مربعات (RMSE)، 3/0 رادیان تا 6/0 رادیان و ضریب تعیین (R2)، 69% تا 72% در قطبیدگیهای VV و HH بدست آمده است. بطور کلی، نتایج مدل رگرسیونی نشان میدهد بدون تأثیر بقیه عوامل تأثیرگذار بر φ، این پارامتر میتواند به عنوان تابعی رگرسیونی از تغییرات سطح رطوبت خاک در زمینهای بایر باشد. همچنین، این مدلسازی نتایج قابل قبولی برای زمینهای دارای پوشش گیاهی ارائه میدهد (RMSE، 6/0 رادیان تا 99/0 رادیان و R2، 40% تا 55% با توجه به نوع پوشش گیاهی و قطبیدگیهای مختلف). در مقایسهی قطبیدگیها، نوسانات φ در قطبیدگیهای همقطبش (HH و VV) همبستگی بیشتری با نشان میدهند. بطور کلی، φ تابعی مستقیم و تقریبا خطی از میباشد و تغییرات زیاد رطوبت سطحی خاک باعث ورود خطای قابل توجهی در برآورد جابجایی میشود.
http://jgit.kntu.ac.ir/article-1-811-fa.pdf
2021-04-20
81
101
10.52547/jgit.8.4.81
تداخل سنجی راداری
فاز
رطوبت سطحی خاک
تغییرات پوشش گیاهی.
Study of soil moisture change effects on L-band DInSAR phase
The Differential Synthetic Aperture Radar Interferometry (DInSAR) technique is recognized as a potential remote sensing tool for detecting ground surface displacements with less than a centimetre accuracy. The surface soil moisture changes ( ) during the time between the two images as an effective parameter on interferometry phase ), leads to incorrect calculation of ground movement . In this research, the amount and the way that affects on wheat, rapeseed, weed, pea and idle land fields have been investigated empirically using a regression model. To do this investigation, airborne data UAVSAR (L-band) along with ground-based data in the CanEx-SM10 campaign in 2010 were used. According to the scattergraphs between and , and observing a direct and approximately linear relationship between them, some hypotheses were taken into consideration in order to use a regression modeling . Comparing the estimated 𝜑 using the calibrated regression model and calculated 𝜑 from the interferometry technique shows that the model provided the best results for the bare field in VV and HH polarizations (RMSE) of 0.3 to 0.6 rad and R2 of 69% to 72%. In general, the results of the regression model showed that without other factors’ effects on , this parameter can be modelled based on a regression function in bare fields. The model also provided acceptable results in vegetated fields (RMS of 0.6 to 0.99 rad and R2 of 40% to 55% depending on the different vegetation types and different polarizations). Comparing polarizations, fluctuations in co-polarizations (HH and VV) showed a higher correlation with . Consequently, φ is directly affected by , and significant changes in brings about a considerable error in displacement estimation.
http://jgit.kntu.ac.ir/article-1-811-en.pdf
2021-04-20
81
101
10.52547/jgit.8.4.81
DInSAR
phase
temporal decorrelation
surface soil moisture change.
Sadegh
Ranjbar
sranjbar91543397@gmail.com
1
University of Tehran
AUTHOR
Mehdi
Akhoondzadeh
makhonz@ut.ac.ir
2
University of Tehran
AUTHOR
OTHERS_CITABLE
مدلسازی پل ها با استفاده از قطعه بندی ابر نقاط حاصل از پهپاد فتوگرامتری
در سالهای اخیر، تلاشهای بسیاری جهت دستیابی به مدلهای سه بعدی عوارض شهری در حوزه فتوگرامتری و سنجش از دور صورت پذیرفته است که در این میان، عنصر پل به عنوان یکی از مهمترین سازههای شهری، علیرغم اهمیت فراوان در زمینه حمل و نقل، به دلیل پیچیدگی هندسی و ساختاری از این امر مستثنی بوده است. با توجه به پیشرفت فناوری پهپاد در اخذ دادههای مکانی، در این مطالعه، از ابر نقاط حاصل از تصاویر پهپاد برای مدلسازی سه بعدی چهار قطعه اصلی سازه پل شامل نرده، بدنه، پایه و کولهها استفاده میشود. بدین منظور، با بکارگیری دانش موجود در شکل و ساختار پلها و روابط هندسی بین المانهای تشکیلدهنده آنها، الگوریتمی دانشمبنا ارائه میشود که میتواند مدل سه بعدی انواع پل را با فرمت مناسب برای پایگاه دادههای مکانی فراهم نماید. ابتدا، به منظور قطعهبندی ابرنقطه پل، از روش خوشهبندی فازی (fuzzy c-means) به همراه مقادیر ارتفاعی، طیفی و ویژگیهای مستخرج از ابرنقاط نظیر چگالی سه بعدی، مقادیر بردار نرمال و قید همصفحهای (planarity) استفاده می شود. سپس از روش مدلسازی نگاشت مبنا که متناسب با ویژگیهای هندسی و ساختاری هر قطعه از پل است، برای بازسازی مدل سه بعدی آن قطعه استفاده میگردد. روند مدلسازی شامل نگاشت ابرنقاط به فضای دو بعدی، برازش مدلهای هندسی پایه به نقاط و تعیین موقعیت نقاط مبنا در فضای دوبعدی و سپس گسترش آنها به فضای سه بعدی میباشد. جهت ارزیابی روش پیشنهادی، ابعاد المانهای سازهای موجود در پلانهای طراحی پل با ابعاد المانها در مدل سه بعدی مقایسه میشوند. علیرغم وجود چالشهای بسیار در مدلسازی، نتایج حاصله در این تحقیق، حاکی از دقت و توانایی بالای الگوریتم پیشنهادی در مدلسازی سه بعدی پلها با هندسه و طراحیهای مختلف میباشد، به طوری که برای دادههای مطالعاتی، متوسط خطای میانگین و انحراف معیار برابر 03/0 و 01/0 متر است.
http://jgit.kntu.ac.ir/article-1-810-fa.pdf
2021-04-20
103
127
10.52547/jgit.8.4.103
فتوگرامتری
مدلسازی سه بعدی
پل
الگوریتم نگاشت مبنا
ابرنقاط پهپاد
Bridge Modeling using Segmentation of Point Cloud Captured from Photogrammetric UAV
In recent years, great efforts have been made to generate 3D models of urban structures in photogrammetry and remote sensing. 3D reconstruction of the bridge, as one of the most important urban structures in transportation systems, has been neglected because of its geometric and structural complexity. Due to the UAV technology development in spatial data acquisition, in this study, the point clouds generated from UAV-based images are used for 3D modeling of the four main elements of a bridge structure, including the railing, body, base and abutment elements. For this, a knowledge-based algorithm is proposed to provide 3D models of different types of bridge structures in GIS-based data format using the knowledge in the shape, structure and geometric relationships between the bridge’s elements. First, the fuzzy c-means clustering method including height and spectral values as well as point-based features such as the 3D density, normal vectors and planarity is used to segment the point cloud. Next, a projection-based reconstruction technique, which is developed based on the geometric and structural features of each bridge element, is proposed to generate a 3D model for that element. The proposed reconstruction workflow includes the projection of point clouds to a 2D space, fitting the primitive geometric models to 2D points, locating the primitive coordinates of the models in the 2D space, and then developing 2D models into 3D space. To evaluate the proposed method, the dimensions of the structural elements in the bridge design plans are compared with the dimensions of the elements in the generated 3D model. Despite the many challenges in modeling steps, the results of this study indicate a high accuracy and ability for the proposed algorithm in 3D modeling of bridges with different geometry and designs, with a mean error and a standard deviation of about 3 cm and 1cm, respectively.
http://jgit.kntu.ac.ir/article-1-810-en.pdf
2021-04-20
103
127
10.52547/jgit.8.4.103
Photogrammetry
3D Modelling
Bridge
Projection-based Algorithm
UAV Point Cloud.
Mansour
Mehranfar
mansour.mehranfar@ut.ac.ir
1
University of Tehran
AUTHOR
Hossein
Arefi
hossein.arefi@ut.ac.ir
2
University of Tehran
AUTHOR
Fatemeh
Alidoost
fatemeh.alidoost@hft-stuttgart.de
3
University of Applied Science (HFT), Stuttgart
AUTHOR