ROI مماثلت کیسے پوائنٹ کلڈ شور کو حل کرتی ہے: تبدیلی کی شناخت کے لیے نیا معیار

لیزر پوائنٹ کلڈ میں تبدیلی کی شناخت کا عمل ہمیشہ سے جغرافیائی اور ساختی عدم یقینی کی وجہ سے مشکلات کا شکار رہا ہے۔ رجسٹریشن کی باقی ماندہ غلطیاں، پوائنٹ کلڈ کی غیر یکساں کثافت، نظریاتی تبدیلیاں اور اشیاء کا چھپ جانا اکثر غلط الرٹس کا سبب بنتے ہیں۔ اس سے درست مانیٹرنگ مشکل ہو جاتی ہے۔ ان مسائل کے حل کے لیے محققین نے ایک نئی طریقہ کار تیار کیا ہے جو ریجن آف انٹرسٹ (ROI) لیول پر 3D پوائنٹ کلڈ کی تبدیلی کی شناخت کرتا ہے۔ یہ طریقہ کار کی پوائنٹس کی مماثلت پر مبنی ہے۔

پروPOSED طریقہ کار سب سے پہلے ممکنہ تبدیلی والی پوائنٹس کو فلٹر کرتا ہے۔ اس کے لیے پوائنٹ سے پوائنٹ فاصلوں کا استعمال کیا جاتا ہے۔ اس کے بعد RBNN کلوسٹرنگ کے ذریعے ریجن آف انٹرسٹ بنائے جاتے ہیں۔ اس عمل سے عالمی سطح پر پوائنٹ کلڈ کا موازنہ مقامی سطح پر ROI یونٹس میں تبدیل ہو جاتا ہے۔ ان ROIs کے اندر موجود کی پوائنٹس کو نکالا جاتا ہے تاکہ سطح کی دوبارہ تعمیر کی جا سکے۔ اس سے جوڑے دار ROIs کے درمیان مؤثر اوورلیپنگ علاقوں کی شناخت ممکن ہوتی ہے۔ تبدیلی کی تمیز کے لیے سطح کی نارمل مطابقت اور کمپلیکس نیٹ ورکس کی متحرک ارتقائی خصوصیات کو ملا کر علاقائی مماثلت تشکیل دی جاتی ہے۔

مشابہہ شدہ کان کی سرنگوں کے ڈیٹا اور میدان میں ماپے گئے زیر زمین پارکنگ کے ڈیٹا پر کی گئی تجربات میں اس طریقہ کار کی تاثیر ثابت ہوئی ہے۔ نامعلوم پس منظر کے اختلالات کے باوجود جس میں رجسٹریشن کی غلطیاں، رکاوٹیں اور غیر یکساں پوائنٹ کلڈ کثافت شامل ہیں، تجویز کردہ طریقہ کار نے مشابہہ شدہ سرنگ کے سیناریو میں مقابلہ کرنے والے دیگر طریقوں کے مقابلے میں 0.9004 کا بہترین F1 اسکور حاصل کیا۔ یہ طریقہ غلط الرٹس کو مؤثر طریقے سے روکتا ہے جبکہ حقیقی تبدیلی والے علاقوں کی شناخت کی حساسیت برقرار رکھتا ہے۔

یہ پیش رفت ان صنعتوں کے لیے خاص طور پر اہم ہے جو درست 3D سکننگ پر انحصار کرتی ہیں جیسے کہ کان کنی، تعمیر و سازندگی اور خودکار نیویگیشن۔ عالمی موازنہ کے بجائے مقامی مماثلت پر توجہ مرکوز کر کے یہ طریقہ شور میں کمی لاتا ہے اور درستگی بہتر بناتا ہے۔ یہ حقیقی دنیا کے اطلاق کے لیے مضبوط حل فراہم کرتا ہے جہاں ماحولیاتی حالات اکثر غیر متوقع ہوتے ہیں۔