Precise object reference surface estimation-based MEP detection algorithm with MLS PCD : Focusing on the study of geometric feature difference by cross-section level in single pipe object
MLS PCD를 활용한 객체표면 추정기반 MEP 식별 알고리즘 -객체 내 위치별 기하학적 특성 분석을 중심으로-
- 주제(키워드) Point Cloud Data , Object Detection Algorithm , Mobile Laser Scanning , LiDAR , 포인트 클라우드 데이터 , 객체인식 알고리즘 , 이동식 레이저 스캐닝
- 발행기관 고려대학교 대학원
- 지도교수 조훈희
- 발행년도 2023
- 학위수여년월 2023. 8
- 학위구분 석사
- 학과 대학원 건축사회환경공학과
- 세부전공 Smart Construction & Mobility
- 원문페이지 64 p
- UCI I804:11009-000000277496
- DOI 10.23186/korea.000000277496.11009.0000124
- 본문언어 영어
초록/요약
Recent advances in construction technology have led to innovations in building systems; the appearance of buildings has diversified and their spatial composition has become complicated. Accurate spatial information on the internal environment of buildings is required for efficient maintenance work. Because mechanical, electrical, and plumbing (MEP) are key elements in maintenance work, precise 3D MEP object information should be acquired from digital-based spatial data for effective maintenance work. From point cloud data (PCD), which can provide spatial information of an actual building as digital data, workers can obtain details about the internal area of the building and make decisions accurately. Accordingly, research on extracting 3D MEP object information based on PCD is growing in importance. In particular, research on using a suitable mobile laser scanning (MLS) method in buildings with complex internal spaces is needed. However, current research has focused on developing 3D MEP object detection algorithms using terrestrial laser scanning (TLS)-based data, and studies on algorithms for MLS-based data are few. This study proposes an MEP detection algorithm to extract accurate MEP data, with a focus on PCD acquired via the MLS method. The framework of the algorithm is as follows: Data preprocessing, normal estimating with downsampling, selecting bottom of pipe (BOP) PCD, calculating 3D coordinates of points on the pipe centerline, and clustering PCD with pipe centerline. The algorithm is implemented using Python, CloudCompare, Open 3D, and Rhinoceros 3D software. The data used in the applicability test were divided into four cases with four zones to analyze the algorithm performance in detail by comparing the F1 scores calculated for each zone. The highest value (97.39%) was observed in zone D, whereas the lowest value (94.28%) was observed in zone C. The F1 score in all areas was more than 94%, suggesting that the developed algorithm is suitable for application in the internal environment of the building. In addition, comparing the F1 scores of zone A and B reveals that the algorithm performs well even in situations where the data in some sections of the pipe is missing. This study suggests an MEP detection algorithm that is optimized for the construction environment by studying the MEP 3D object data extraction system using MLS PCD. The developed algorithm can contribute to improving the efficiency of maintenance work.
more초록/요약
오늘날 건설기술이 급격히 발전함에 따라 건축물의 외형과 내부공간이 획일적인 구성을 벗어나 다양하고 복잡해지고 있다. 효율적인 유지관리 업무를 수행하기 위해서는 건축물의 복잡한 내부에 관한 정확한 공간정보가 요구된다. MEP (Mechanical, Electrical, and Plumbing)는 유지관리 업무를 수행하는데 있어 핵심 점검항목으로 효과적인 유지관리 작업을 위해서는 디지털 기반 공간정보를 활용한 3차원 MEP 객체정보를 정밀하게 파악할 필요가 있다. Point Cloud Data(PCD)는 실제 건축물의 공간정보를 디지털 데이터로 표현하기 때문에, 이를 활용하여 관리자는 MEP를 포함한 건축물 내부 환경에 관한 정밀한 객체정보를 얻을 수 있고 정확한 의사결정을 내릴 수 있다. 그에 따라 포인트 클라우드 데이터 기반 3차원 MEP 객체정보 추출에 관한 연구가 중요시되고 있다. 특히 데이터 취득에 요구되는 시간이 적고 복잡한 내부공간으로 구성된 건축물에도 사용하기 적합한 이동식 레이저 스캐닝 방식(mobile laser scanning)을 이용한 연구가 필요한 실정이다. 그러나 기존 연구들은 TLS기반 데이터를 바탕으로 MEP 식별을 위한 3차원 객체 인식 알고리즘을 개발하는데 초점이 맞춰 있으며 MLS기반 데이터에 적합한 알고리즘에 관한 연구는 미비한 실정이다. 이에 본 연구에서는 이동식 레이저 스캐닝 방식(mobile laser scanning)으로 취득한 포인트 클라우드 데이터를 중심으로 정확한 MEP 객체정보 추출을 위한 MEP 식별 알고리즘을 제안하였다. 기존 연구와 달리 상대적으로 저품질의 데이터로부터 신뢰도 높은 객체의 형상정보를 추출 및 분류하기 위해 순서에 따라 Data preprocessing – Normal estimating with downsampling – 파이프 bottom of pipe (BOP) PCD 추출 – 파이프 중심부 공간좌표 계산 – Clustering MEP PCD with pipe centerline로 구성된 알고리즘을 개발하였다. 알고리즘은 Python을 통해 구현되었으며 세부적으로 데이터 전처리과정, 포인트 클라우드 데이터 분석 및 시각화, 객체들의 기하학적 형상 비교분석, 데이터 추출을 위해 CloudCompare와 Open 3D, Rhinoceros 3D 프로그램을 사용하였다. 개발한 알고리즘의 성능을 분석하기 위해 본 연구는 대표적인 분류성능 평가지표인 F1 score를 알고리즘 성능평가 기준으로 설정하였다. 완공된 건축물 내부환경에서의 현장 적용성을 파악하기 위해 사례연구에 사용한 데이터는 4개의 구역으로 나누어 객체들의 배치상태 및 규격, 구조체 존재여부 차이에 따른 알고리즘 성능을 파악하였다. 분석 결과 D구역과 C구역에서 각각 97.39%와 94.28%로 가장 높은 값과 가장 낮은 값이 나타났으며, A와 B구역의 F1 score를 비교분석 함으로서 일부 구간이 누락되거나 불충분한 파이프 데이터를 식별하는 데도 본 연구의 알고리즘이 높은 성능을 보였음을 확인하였다. 또한 각 구역별 F1 score는 모두 94% 이상을 기록하여 개발된 알고리즘이 실제 건축물 내부환경에서 사용하기 적합하다고 판단할 수 있다. 본 연구를 통해 MLS기반 PCD를 활용한 MEP 3차원 객체정보 추출 시스템을 개발함으로서 건설환경에 최적화된 MEP 식별 알고리즘을 제안하였다. 이를 통해 인력 중심인 기존 건축물 유지관리 업무의 비효율성 개선에 기여할 수 있을 것으로 사료된다.
more목차
ABSTRACT i
국문 초록 iii
TABLE OF CONTENTS vi
LIST OF TABLES viiii
LIST OF FIGURES ix
NOMENCLATURE xi
CHAPTER 1. INTRODUCTION 1
1.1 Research background 1
1.2 Problem statement 2
1.3 Research objective 2
1.4 Research flow 4
CHAPTER 2. Preliminary Study 5
2.1 Research trends on PCD-based building component detection algorithms 5
2.1.1 Three-dimensional space measuring method using LiDAR 5
2.1.2 Downsampling 7
2.1.3 Literature review 9
CHAPTER 3. Development of an algorithm based on the geometric features by positional difference in pipe object 14
3.1 Outline 14
3.2 Algorithm process 16
3.2.1 Data preprocessing 16
3.2.2 Normal estimating with downsampling 17
3.2.3 Selecting bottom of pipe (BOP) PCD 20
3.2.4 Calculating 3D coordinates of points on the pipe centerline 24
3.2.5 Clustering PCD with pipe centerline 29
3.3 Determination of setting conditions and development of optimal algorithms 30
CHAPTER 4. Applicability test 34
4.1 Outline 34
4.2 Algorithm performance evaluation method 36
4.2.1 F1 score 36
4.2.2 Test result 38
CHAPTER 5. Conclusion 43
REFERENCES 46
