מערכת AI לשחזור תלת-ממדי של מבנים מנתוני סורק LiDAR

מיפוי תלת-ממדי אוטומטי של שטח ובניינים מסריקות LiDAR

סקר אווירי ב-LiDAR מייצר קבוצת נקודות תלת-ממדית: 50–200 נקודות למ"ר, כל אחת עם קואורדינטות XYZ ועוצמת החזר. מנתונים אלה אנו צריכים לחלץ מידע מובנה—בניינים, עצים, כבישים, שטח—ולבנות מודל תלת-ממדי מדויק של השטח. אנו פותרים בעיה זו עם AI: אנו הופכים סיווג, פילוח ושחזור לאוטומטיים, ומפחיתים את זמן העיבוד פי 5–10 בהשוואה לשיטות ידניות.

בעיות שאנו פותרים

בעיות אופייניות: רעש (ציפורים, חפצים מסורק), חפיפות (קווי מתח, גשרים), שטח מורכב עם שינויי גובה חדים. הצינורות שלנו מתמודדים עם אלה באמצעות מנגנוני קשב עצמי והרחבת נתונים. פרמטרים—צפיפות נקודות, פורמט LAS/LAZ, מערכת קואורדינטות—אנו מתאימים ללא אובדן דיוק, דבר שחשוב במיוחד עבור שטחים גדולים.

איך אנחנו עושים את זה

טכנולוגיה: מודלים מאומנים מראש RandLA‑Net ו-PointNet++ מכווננים לנוף שלך, ומשיגים mIoU = 0.927 על מדדים ייחוסיים. התוצאה—קבוצת נקודות מסווגת ומודל תלת-ממדי ב-CityGML עם רמת פירוט LoD1–LoD3—תוך 1–3 ימים עבור אזור פיילוט.

שלבי עיבוד נתוני LiDAR

1. נורמליזציה וסינון רעש—הסרת חריגים (ציפורים, חפצים), נורמליזציית גובה יחסית ל-DTM. כלים סטנדרטיים: Open3D, PDAL. AI בשלב זה: גלאי חריגים ברשת עצבית עולה על שיטות סטטיסטיות (LOF, SOR) בשטח מורכב.
2. סיווג נקודות—כל נקודה מקבלת מחלקה: קרקע, צמחייה, בניין, מים, קווי מתח, רעש. אלגוריתם קלאסי: LASTools, CloudCompare. גישת AI: PointNet++, RandLA-Net, KPConv.
3. פילוח אובייקטים—חילוץ בניינים בודדים, עצים, עמודים מענני נקודות מאותה מחלקה.
4. שחזור משטח—מנקודות מפולחות אנו בונים רשת: LoD1 (מודל קופסה), LoD2 (עם גג), LoD3 (חזית מפורטת).

איך עובד סיווג נקודות עם רשתות עצביות

RandLA‑Net—המתקדם ביותר כיום לסצנות חיצוניות בקנה מידה גדול. עיקרון: דגימת נקודות אקראית + צבירת תכונות מקומית (LFA). עובד עם 10M+ נקודות ישירות ללא ווקסליזציה. כמתואר במאמר המקורי RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds, המודל משיג mIoU של 0.927 על Semantic3D.

import torch
from randlanet import RandLANet

model = RandLANet(
    num_classes=8,  # ground, veg_low, veg_med, veg_high, building,
    # water, powerline, noise
    decimation=4,
    num_neighbors=16
).cuda()

# Входные данные: (B, N, 3) - координаты xyz
# Опционально: (B, N, F) - дополнительные features (интенсивность, RGB)
point_coords = torch.rand(2, 100000, 3).cuda()
features = torch.rand(2, 100000, 1).cuda()  # интенсивность

logits = model(point_coords, features)  # (B, N, num_classes)

על מדד Semantic3D mIoU = 0.927. על נתוני LiDAR אוויריים אמיתיים לאחר כוונון עדין—0.89 על פני 7 מחלקות (קרקע, רמות צמחייה, בניין, תשתית). אנו מבטיחים דיוק לא נמוך מ-85% על כל סוג של נוף.

השוואת ארכיטקטורות רשתות עצביות לענני נקודות

חילוץ בניינים אוטומטי ובניית LoD

לאחר סיווג: כל הנקודות במחלקת "בניין" מחולקות למבנים בודדים באמצעות אשכול DBSCAN. כל מבנה הוא אשכול נקודות נפרד.

• LoD1 (מודל בלוק): תיבת גבול מכוונת מינימלית + גובה מנקודות גג. אלגוריתמי לחלוטין, אוטומציה של 100%.
• LoD2 (מודל גג): זיהוי צורת גג (שטוח, גמלון, ירך, מנסארד). מסווג PointNet++ על ענן נקודות גג מנורמל: דיוק של 93% על 8 סוגי גגות. שחזור גיאומטרי של משטחים משופעים באמצעות התאמת מישור RANSAC.
• LoD3 (חזית מפורטת): דורש נתונים נוספים (סריקות לייזר קרקעיות או תמונות). רק LoD3 מציג חלונות, דלתות, פרטים אדריכליים.

למה LoD2 חשוב לתכנון עירוני

LoD2 מאפשר חישוב מדויק של נפחי בניינים, קרינת שמש ואזורי צל. אנו בונים LoD2 אוטומטית עבור שטח שלם תוך 2–3 ימים לכל 100 קמ"ר, שזה מהיר ב-80% ממודלים ידניים. חיסכון בתקציב עד 40% עקב ביטול עבודה ידנית. עיבוד שטח של 100 קמ"ר מתחיל ב-€8,000, עם אזור פיילוט של 1 קמ"ר מ-€1,000.

מודלים דיגיטליים של שטח ופני שטח

• DSM (מודל פני שטח דיגיטלי): גובה של החזר ראשון—הכל כולל צמחייה ובניינים.
• DTM (מודל שטח דיגיטלי): רק קרקע, לאחר סינון אובייקטים.
• הפרש DSM - DTM = nDSM (מודל פני שטח דיגיטלי מנורמל)—"גובה מעל הקרקע." זה הבסיס לחישוב נפחי בניינים, גבהי עצים, ביומסה.

אלגוריתם קלאסי ל-DTM: Progressive Densification (Axelsson). מסנן רשת עצבית CLOTH_NET: טוב יותר בשטח מורכב (גשרים, מדרונות, צמחייה צפופה).

פורמטים ואינטגרציה

• LAS/LAZ—פורמט סטנדרטי לענני נקודות
• CityGML—תקן למודלים עירוניים תלת-ממדיים (LoD1–LoD3)
• 3D Tiles (Cesium)—להדמיה אינטרנטית של שטחים גדולים
• IFC—לאינטגרציית BIM (בנייה)

מה כלול בעבודה

• ניתוח נתוני LiDAR מקוריים ובחירת ארכיטקטורת מודל
• פריסת צינור על שרת GPU או ענן (AWS, GCP)
• כוונון עדין של המודל על האזור שלך עם מסירת כרטיס מודל
• סיווג, פילוח ושחזור LoD
• תיעוד בפורמט PDF (מדדי דיוק, תיאור צינור)
• ייעוץ מהנדסים בכל השלבים
• 3 חודשי תמיכה לאחר מסירת הפרויקט

קבל ייעוץ מהנדס: אנו ננתח את הנתונים שלך ונציע צינור אופטימלי. הזמן פרויקט פיילוט על שטח מ-1 קמ"ר—אנו מקימים את הצינור תוך 3–5 שבועות.

לוחות זמנים

העלות מחושבת לפי שטח ורמת הפירוט הנדרשת (LoD). הניסיון שלנו—10+ שנים ב-AI/ML, 50+ פרויקטים בעיבוד LiDAR. צור קשר כדי להעריך את הפרויקט שלך.