مدلسازی پل ها با استفاده از قطعه بندی ابر نقاط حاصل از پهپاد فتوگرامتری

در سال های اخیر، تلاش های بسیاری جهت دستیابی به مدل های 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 سازه های 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 داده های 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 کوله ها استفاده می شود. بدین منظور، با بکارگیری دانش موجود در شکل و ساختار پل ها و روابط هندسی بین المان های تشکیل دهنده آنها، الگوریتمی دانش مبنا ارائه می شود که می تواند مدل سه بعدی انواع پل را با فرمت مناسب برای پایگاه داده های مکانی فراهم نماید. ابتدا، به منظور قطعه بندی ابرنقطه پل، از روش خوشه بندی فازی (fuzzy c-means) به همراه مقادیر ارتفاعی، طیفی و ویژگی های مستخرج از ابرنقاط نظیر چگالی سه بعدی، مقادیر بردار نرمال و قید هم صفحه ای (planarity) استفاده می شود. سپس از روش مدلسازی نگاشت مبنا که متناسب با ویژگی های هندسی و ساختاری هر قطعه از پل است، برای بازسازی مدل سه بعدی آن قطعه استفاده می گردد. روند مدلسازی شامل نگاشت ابرنقاط به فضای دو بعدی، برازش مدل های هندسی پایه به نقاط و تعیین موقعیت نقاط مبنا در فضای دوبعدی و سپس گسترش آنها به فضای سه بعدی می باشد. جهت ارزیابی روش پیشنهادی، ابعاد المان های سازه ای موجود در پلان های طراحی پل با ابعاد الما ن ها در مدل سه بعدی مقایسه می شوند. علیرغم وجود چالش های بسیار در مدلسازی، نتایج حاصله در این تحقیق، حاکی از دقت و توانایی بالای الگوریتم پیشنهادی در مدلسازی سه بعدی پل ها با هندسه و طراحی های مختلف می باشد، به طوری که برای داده های مطالعاتی، متوسط خطای میانگین و انحراف معیار برابر 03/0 و 01/0 متر است.

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 UAVbased 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 knowledgebased algorithm is proposed to provide 3D models of different types of bridge structures in GISbased data format using the knowledge in the shape, structure and geometric relationships between the bridge rsquo;s elements. First, the fuzzy cmeans clustering method including height and spectral values as well as pointbased features such as the 3D density, normal vectors ​​and planarity is used to segment the point cloud. Next, a projectionbased 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.