| Titre : | Etude de l’apport du LIDAR terrestre et de l’Intelligence Artificielle dans l’identification et la cartographie des poteaux dans un environnement urbain : cas d’étude de l’IAV Hassan II, Rabat. |
| Auteurs : | EL BOHNANAT Mohamed, Auteur ; EL-AYACHI Moha, Auteur |
| Type de document : | texte imprimé |
| Editeur : | Rabat : IAV Hassan II, 2023 |
| Format : | 102 |
| Langues: | Français |
| Mots-clés: | LiDAR ; Random Forest ; apprentissage automatique ; segmentation ; classification ; Nuages de points ; TLS ; nettoyage ; classification sémantique. |
| Résumé : |
La technologie LIDAR et le modèle Random Forest sont combinées dans des applications liées à la perception et à l'analyse des espaces compliqués. Le LiDAR fournit des données précises sur la géométrie et la topographie d'un environnement, tandis que les modèles de « Random Forest » dans l'apprentissage automatique peuvent être utilisés pour traiter ces données LiDAR, notamment pour la détection d'objets, la segmentation et la classification. Cette combinaison permet d'obtenir des résultats précis dans des domaines tels que la conduite autonome, la cartographie environnementale, la gestion des ressources naturelles, les objets urbains et d'autres applications nécessitant une compréhension fine de l'environnement en 3D.
Ce projet présente une méthode de détection et de classification automatique des objets dans un environnement urbain à partir de données de nuages de points TLS. Lors de ce projet les données issues d’un nuage de points acquis par scanner laser terrestre Leica P40 à l’IAV Hassan II, seront exploitées pour un traitement, qui vise à nettoyer, segmenter le nuage de points sous CloudCompare. Par la suite, nous visons à étudier la classification sémantique par l’apprentissage automatique du jeu de données Toronto-3d, Canada, pour extraire des données nécessaires d'entrainement du modèle basé sur un apprentissage automatique pour la classification sémantique du nuage dans le but d’extraire la couche contenant les poteaux électriques. Ceci moyennant l’utilisation du module Random Forest, et l'entraînement du modèle a été mené sur Google Colab à l'aide de Python, utilisant la bibliothèque Scikit-learn. Le modèle « Random Forest » que nous avons expérimenté dans notre approche basée sur l'apprentissage automatique a permis de fournir des résultats assez considérables pour la classification sémantique de notre nuage de points scanner 3D. Les résultats obtenus par l'entraînement avec le modèle Random Forest dépendent de la qualité et de la diversité des données, des paramètres du modèle, ainsi que de la pertinence des caractéristiques sélectionnées. |
| En ligne : | http://10.2.0.27/cda/ebooks/EL_BOHNANAT_Mohamed_2023.pdf |
Exemplaires (1)
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| 200041183 | 10174 | Support papier | Salle des thèses/PFE (RDC) | Master | Consultation sur place Exclu du prêt |
