Тел: 8 (863) 256-24-07

E-mail: geoygservis@mail.ru

Публикации

Назад в раздел
Потенциал трехмерных облаков с искусственным интеллектом

Компания Supper & Supper GmbH разработала Программное обеспечение как сервис под названием Pointly, которое позволяет обрабатывать трехмерные облака точек с помощью искусственного интеллекта (AI).

Трехмерные облака точек являются ключевой технологией в цифровой трансформации многих отраслей, от строительства и лесного хозяйства до городского планирования и робототехники. В тех случаях, когда модели САПР ориентируют реальную реализацию цифровых конструкций, облака точек обеспечивают (ре) захват физической среды для цифрового анализа. Текущие разработки в области ИИ позволяют автоматически распознавать такие объекты, как дома или земли в облаках точек. Это открывает новые возможности для автоматической и масштабной оценки трехмерных данных.

Ключом к успешной стратегии 3D-ИИ являются данные, которые можно использовать для обучения ИИ. Для трехмерных облаков точек это классифицированные наборы вершин. Классифицированный означает, что для каждой из них был назначен определенный ярлык или класс объектов. Тем не менее, именно учебные данные являются ключевым вопросом для компаний, поскольку для обучения надежного ИИ необходимы большие объемы обучающих данных, а классификация занимает очень много времени. Именно здесь Pointly поставляется с интеллектуальными инструментами редактирования, которые позволяют генерировать обучающие данные быстрее и проще, чем раньше.

Почему компании должны полагаться на AI при работе с трехмерными облаками точек

Цифровое представление физической среды обладает разнообразным потенциалом. Все больше и больше компаний сосредотачиваются на картировании своих активов как цифровых близнецов. Цель состоит в том, чтобы добиться более точной и быстрой инвентаризации и оценки состояния, анализа и оценки записанных данных – предпочтительно автоматически. Именно здесь ИИ может оказывать активную поддержку для ускорения и автоматизации процессов.

Облака точек в настоящее время в основном оцениваются вручную и используются для проверки виртуальных площадок. Отдельные объекты легко распознаются людьми. Однако у облака точек изначально нет информации об объектах, которые оно содержит. Только с классифицированными можно проводить дополнительные анализы, фильтровать по определенным точкам и распознавать новые соединения.

Некоторые из них уже классифицируются автоматически, но существуют серьезные ограничения в отношении распознаваемых классов и требуемого качества данных. ИИ в виде нейронных сетей можно использовать для автоматической классификации облаков точек для любого типа объекта.

Преимущества таких автоматически классифицируемых наборов вершин в трехмерной системе координат огромны. Например, прогресс на строительной площадке может контролироваться автоматически, или можно быстро провести инвентаризацию городской инфраструктуры. В будущем ограниченный 3D-анализ может быть превращен в 3D-анализ больших данных.

Тренировочные данные – новое золото

Генерация обучающих данных является часто игнорируемым, но важным компонентом в стратегиях искусственного интеллекта, поскольку он необходим для развития мощных нейронных сетей. Уже классифицированные облака точек первоначально показаны нейронной сети. На этой основе он учится динамически назначать отношения между шаблонами в необработанных данных и, например, классом «дерево».

При достаточном количестве обучающих данных производительность сети становится настолько высокой, что в будущем она может автоматически классифицировать новые облака точек. Чем больше набор данных и чем лучше качество, тем выше производительность ИИ, который можно обучить на нем. Вывод заключается в том, что компании, которые начнут собирать данные обучения на ранних этапах, станут пионерами в будущем. С одной стороны, потому что они могут сделать больше данных доступными для ИИ. С другой стороны, потому что они тренировали свой ИИ в течение более длительного периода времени.

Компания Supper & Supper разработала ряд интеллектуальных инструментов для снижения входного барьера, создания обучающих данных. Они упростят работу с облаками точек. Это включает в себя такие инструменты, как волшебная палочка или автоматический выбор. Волшебная палочка сокращает трудоемкую маркировку определенных объектов одним щелчком мыши. При автоматическом выборе отображаются объекты, аналогичные уже выбранным. В сочетании с простым управлением классами объектов и проектами облаков точек, большое количество данных будущих тренировок может быть создано за очень короткое время.

В будущем Pointly будет использоваться в качестве удобного комплексного платформенного решения, которое позволит не только управлять и маркировать, но и анализировать большие данные из трехмерных облаков точек.



Публикации
все статьи