ROI समानता कैसे हल करती है पॉइंट क्लाउड शोर: परिवर्तन संचयन के लिए एक नया मानक

स्पेशियल और स्ट्रक्चरल अनिश्चितताओं के कारण लेजर पॉइंट क्लाउड में बदलाव का पता लगाने की प्रक्रिया हमेशा से चुनौतीपूर्ण रही है। रजिस्ट्रेशन में बची हुई त्रुटियां, असमान पॉइंट क्लाउड घनत्व, दृश्य कोण में बदलाव और ऑब्जेक्ट्स का छिपना अक्सर गलत अलार्म देते हैं। इससे सटीक निगरानी करना मुश्किल हो जाता है। इन समस्याओं को सुलझाने के लिए शोधकर्ताओं ने की-पॉइंट समानता पर आधारित एक नई विधि विकसित की है। यह विधि रो (ROI) स्तर पर 3D पॉइंट क्लाउड बदलाव का पता लगाती है।

प्रस्तावित विधि पहले पॉइंट-टू-पॉइंट दूरियों का उपयोग करके संभावित बदलाव वाले बिंदुओं को फ़िल्टर करती है। इसके बाद RBNN क्लस्टरिंग के जरिए इंटरेस्ट के क्षेत्र (ROIs) बनाए जाते हैं। इससे वैश्विक तुलना को स्थानीय तुलना में बदल दिया जाता है। इन ROIs के भीतर सतह पुनर्निर्माण के लिए की-पॉइंट्स निकाले जाते हैं। इससे जुड़े हुए ROIs के बीच प्रभावी ओवरलैपिंग क्षेत्रों की पहचान होती है। जटिल नेटवर्कों की सतह सामान्य स्थिरता और गतिशील विकास विशेषताओं को जोड़कर क्षेत्रीय समानता बनाई जाती है। यह बदलाव की भेदभाव करने में मदद करती है।

सिम्युलेटेड माइन टनल डेटा और फील्ड-मेजरڈ अंडरग्राउंड गैरेज डेटा पर किए गए प्रयोगों से इस विधि की प्रभावशीलता साबित हुई है। अपरिचित बैकग्राउंड व्यवधानों के बावजूद, जैसे कि रजिस्ट्रेशन त्रुटि, ऑक्क्लूजन और असमान पॉइंट क्लाउड घनत्व, इस विधि ने सिम्युलेटेड टनल परिदृश्य में सबसे उच्च F1-स्कोर 0.9004 हासिल किया। अन्य प्रतिस्पर्धी विधियों की तुलना में यह वास्तविक बदलाव वाले क्षेत्रों में डिटेक्शन रिक्वायरमेंट को बनाए रखते हुए गलत अलार्मों को प्रभावी ढंग से कम करती है।

खनन, निर्माण और स्वचालित नेविगेशन जैसे उद्योगों के लिए यह پیشगामी महत्वपूर्ण है, क्योंकि ये सभी उद्योग सटीक 3D स्कैनिंग पर निर्भर करते हैं। वैश्विक तुलना के बजाय स्थानीय समानता पर ध्यान केंद्रित करके, यह विधि शोर को कम करती है और सटीकता बढ़ाती है। यह उन वास्तविक दुनिया के अनुप्रयोगों के लिए एक मजबूत समाधान प्रदान करती है जहां पर्यावरणीय स्थितियां अक्सर अनुमानित नहीं होतीं।