Cara Kesamaan ROI Mengatasi Noise Titik Awan: Standar Baru untuk Deteksi Perubahan

Deteksi perubahan pada titik awan laser menghadapi hambatan serius akibat ketidakpastian spasial dan struktural. Kesalahan registrasi sisa, kepadatan titik awan yang tidak merata, pergeseran sudut pandang, dan oklusi objek sering memicu alarm palsu. Hal ini menyulitkan pemantauan yang akurat. Untuk mengatasi masalah tersebut, para peneliti mengembangkan metode deteksi perubahan baru berbasis tingkat Region of Interest (ROI). Metode ini mengandalkan kesamaan titik kunci.

Proses dimulai dengan memfilter titik-titik yang berpotensi berubah menggunakan jarak antar titik. Wilayah minat dihasilkan melalui klasterisasi RBNN. Langkah ini mengubah perbandingan titik awan global menjadi perbandingan lokal antar unit ROI. Titik kunci di dalam ROI diekstraksi untuk rekonstruksi permukaan. Hal ini memungkinkan identifikasi area tumpang tindih yang efektif antara pasangan ROI. Kesamaan regional dibangun dengan menggabungkan konsistensi normal permukaan dan fitur evolusi dinamis jaringan kompleks untuk membedakan perubahan.

Eksperimen pada data terowongan tambang simulasi dan data garaji bawah tanah hasil pengukuran lapangan membuktikan efektivitas metode ini. Di tengah gangguan latar belakang yang belum pernah dilihat sebelumnya, termasuk kesalahan registrasi sisa, oklusi, dan kepadatan titik awan yang tidak merata, metode ini mencapai skor F1 tertinggi sebesar 0,9004 untuk skenario terowongan simulasi dibandingkan metode pesaing. Metode ini menekan alarm palsu secara efektif tanpa mengurangi daya ingat deteksi untuk wilayah yang benar-benar berubah.

Lompatan teknologi ini sangat penting bagi industri yang mengandalkan pemindaian 3D presisi tinggi seperti pertambangan, konstruksi, dan navigasi otonom. Dengan berfokus pada kesamaan lokal daripada perbandingan global, metode ini mengurangi noise dan meningkatkan akurasi. Ini menawarkan solusi tangguh untuk aplikasi dunia nyata di mana kondisi lingkungan seringkali sulit diprediksi.