Yapay Zekâ (AI) Destekli Nokta Bulutu Segmentasyonu ve Sınıflandırma: Ham 3B Veriyi Anlamlı, Ölçülebilir ve Kullanılabilir Mekânsal Bilgiye Dönüştürmek

Nokta Bulutu Toplamak Kolaylaştı, Onu Anlamlandırmak Yeni Zorluk Haline Geldi

Geomatik teknolojiler son yıllarda çok hızlı gelişti. Yersel lazer tarayıcılar, SLAM sistemleri, mobil LiDAR platformları, drone LiDAR sensörleri, fotogrametri yazılımları ve araç üstü haritalama sistemleri sayesinde artık çok kısa sürede milyonlarca hatta milyarlarca nokta üretilebiliyor. Bir bina, fabrika, maden sahası, şehir parçası, altyapı koridoru, tarihi eser, şantiye veya iç mekân alanı yüksek yoğunluklu üç boyutlu nokta bulutu olarak belgelenebiliyor.

Ancak veri toplama hızlandıkça yeni bir problem ortaya çıktı: Ham nokta bulutu tek başına yeterli değildir. Nokta bulutu çok güçlü bir ölçüm verisidir; fakat anlamlandırılmadığı sürece yalnızca büyük bir koordinat yığınıdır. Her noktanın X, Y, Z konumu olabilir; ancak o noktanın zemine mi, duvara mı, çatıya mı, ağaca mı, boruya mı, kablo tavasına mı, makineye mi, şeve mi, yola mı, cepheye mi, yoksa geçici bir objeye mi ait olduğu bilinmiyorsa, veri sınırlı kullanılabilirliğe sahiptir.

İşte bu nedenle nokta bulutu segmentasyonu ve sınıflandırma modern geomatik iş akışlarının en kritik aşamalarından biridir. Segmentasyon, nokta bulutu içindeki anlamlı parçaların veya nesne kümelerinin ayrılmasıdır. Sınıflandırma ise bu noktalara veya segmentlere belirli sınıf etiketlerinin atanmasıdır. Örneğin zemin, bina, bitki örtüsü, yol, elektrik direği, çatı, cephe, boru hattı, makine, platform, kaya yüzeyi veya stok yığını gibi.

Geleneksel yöntemlerde bu işlem manuel veya yarı otomatik olarak yapılırdı. Operatör nokta bulutunu ekranda inceler, kesitler alır, noktaları seçer, sınıflandırır, temizler ve modelleme için hazır hale getirirdi. Küçük projelerde bu yöntem uygulanabilir olsa da, büyük veri setlerinde çok zaman alır. Özellikle endüstriyel tesisler, maden sahaları, şehir ölçeğinde LiDAR çalışmaları, geniş altyapı koridorları, mobil haritalama verileri ve dijital ikiz projelerinde manuel sınıflandırma büyük bir darboğaza dönüşür.

Bu noktada yapay zekâ destekli nokta bulutu segmentasyonu ve sınıflandırma büyük bir fırsat sunar. AI tabanlı algoritmalar, nokta bulutunun geometrik, yoğunluk, yükseklik, renk, yansıma, komşuluk ve bağlam özelliklerini analiz ederek noktaları otomatik veya yarı otomatik biçimde anlamlı sınıflara ayırabilir. Bu sayede ham 3B veri, daha kısa sürede analiz edilebilir, modellenebilir, raporlanabilir ve mühendislik süreçlerinde kullanılabilir hale gelir.

Bu teknoloji yalnızca iş hızını artırmaz; aynı zamanda veri standardizasyonu, kalite kontrol, dijital ikiz üretimi, BIM modelleme, altyapı envanteri, maden planlama, şantiye takibi, şehir modeli üretimi ve otomatik değişim analizi gibi birçok alanda yeni bir üretim anlayışı oluşturur.

Nokta Bulutu Nedir?

Nokta bulutu, fiziksel dünyadaki yüzeylerin üç boyutlu koordinatlarla temsil edilmesidir. Her nokta genellikle X, Y, Z koordinatına sahiptir. Kullanılan sensöre ve veri kaynağına göre her noktada renk, yoğunluk, yansıma, zaman, tarama açısı, sınıf etiketi veya normal vektör bilgisi de bulunabilir.

Nokta bulutları farklı kaynaklardan üretilebilir:

• Yersel lazer tarama

• SLAM mobil tarama

• Drone LiDAR

• Araç üstü mobil LiDAR

• Hava LiDAR

• Fotogrametri

• Yapı içi veya endüstriyel tesis taramaları

• El tipi 3B tarayıcılar

• Derinlik kameraları

Nokta bulutu, sahadaki mevcut durumun yüksek yoğunluklu dijital ölçüm kaydıdır. Bir bina cephesi, çatı formu, fabrika içi boru ağı, maden şevi, yol koridoru, tarihi yapı kubbesi veya şehir sokak dokusu nokta bulutu olarak temsil edilebilir.

Ancak ham nokta bulutu çoğu zaman karışıktır. Zemin, ağaç, bina, araç, insan, ekipman, boru, duvar, kablo, tabela, direk, geçici nesne ve gürültü aynı veri içinde bulunur. Bu nedenle nokta bulutunun kullanılabilir hale gelmesi için sınıflandırılması gerekir.

Segmentasyon ve Sınıflandırma Arasındaki Fark

Nokta bulutu işleme süreçlerinde segmentasyon ve sınıflandırma kavramları bazen birbirinin yerine kullanılır; fakat teknik olarak farklıdır.

Segmentasyon, nokta bulutu içindeki anlamlı geometrik parçaların ayrılmasıdır. Örneğin bir binanın cephesi, çatısı, kolonları, zemini, boruları veya ayrı nesneleri segmentlere ayrılabilir. Segmentasyon, “hangi noktalar birlikte aynı nesneyi veya yüzeyi oluşturuyor?” sorusuna cevap verir.

Sınıflandırma ise her noktanın veya segmentin belirli bir kategoriye atanmasıdır. Örneğin bu noktalar zemin, bu noktalar bina, bu noktalar bitki örtüsü, bu noktalar araç, bu noktalar elektrik direği gibi.

Basit bir örnekle açıklarsak: Bir şehir nokta bulutunda yol yüzeyi, kaldırımlar, binalar, ağaçlar ve araçlar bulunur. Segmentasyon, her bina yüzeyini, her ağaç kümesini veya her araç nesnesini ayrı parça olarak ayırabilir. Sınıflandırma ise bu parçalara “bina”, “ağaç”, “araç”, “yol” gibi etiketler atar.

Profesyonel iş akışlarında bu iki süreç birlikte kullanılır. Önce nokta bulutu anlamlı geometrik parçalara ayrılır, sonra bu parçalar sınıflandırılır. Bazı AI modelleri ise doğrudan nokta bazlı sınıflandırma yapabilir.

Neden Yapay Zekâ Destekli Sınıflandırma Gerekli?

Nokta bulutu verisinin hacmi büyüdükçe manuel sınıflandırma pratik olmaktan çıkar. Özellikle büyük ölçekli projelerde operatörün her noktayı veya her nesneyi elle ayırması ciddi zaman alır. Ayrıca manuel sınıflandırmada kişiye bağlı yorum farkları oluşabilir. Bir operatörün zemin kabul ettiği nokta grubunu başka bir operatör farklı yorumlayabilir. Bu durum üretim standardını etkiler.

Yapay zekâ destekli sınıflandırma şu avantajları sağlar:

• Büyük veri setleri daha hızlı işlenir.

• Tekrar eden sınıflandırma işleri standart hale gelir.

• İnsan hatası ve yorum farkı azalır.

• Zemin, bina, bitki, yol, obje, ekipman gibi sınıflar otomatik ayrılabilir.

• Modelleme, DSM/DTM üretimi, BIM ve CBS süreçleri hızlanır.

• Değişim analizi ve dijital ikiz güncellemeleri daha verimli yapılır.

• Operatörler manuel seçim yerine kalite kontrol ve mühendislik yorumuna odaklanır.

AI burada operatörün yerini tamamen almak zorunda değildir. En güçlü yaklaşım çoğu zaman AI destekli yarı otomatik süreçtir. Yapay zekâ ilk sınıflandırmayı yapar, uzman mühendis sonucu kontrol eder, hatalı bölgeleri düzeltir ve nihai veri üretim standardına getirir. Böylece hız ile güvenilirlik birlikte sağlanır.

Geleneksel Nokta Bulutu Sınıflandırma Yöntemleri

Yapay zekâdan önce nokta bulutu sınıflandırmada çeşitli kural tabanlı yöntemler kullanılıyordu. Bu yöntemler hâlâ bazı iş akışlarında çok değerlidir. Örneğin zemin sınıflandırma için eğim, yükseklik farkı, nokta yoğunluğu, komşuluk ilişkisi ve morfolojik filtreler kullanılabilir.

Geleneksel yöntemler şu temellere dayanır:

• Yükseklik eşikleri

• Eğim analizleri

• Komşuluk ilişkileri

• Düzlem tespiti

• RANSAC benzeri geometrik modelleme

• Yoğunluk farkları

• Normal vektör analizi

• Kümeleme algoritmaları

• Morfolojik filtreler

• Bölgesel büyütme yöntemleri

Bu yöntemler belirli durumlarda başarılıdır. Örneğin açık arazide zemin noktalarını ayırmak için etkili olabilir. Bina çatılarının düzlemlerini çıkarmak için geometrik düzlem analizi kullanılabilir. Boru veya silindirik elemanları bulmak için silindir tespiti yapılabilir.

Ancak karmaşık sahalarda kural tabanlı yöntemler sınırlı kalabilir. Endüstriyel tesislerde iç içe geçmiş borular, kablo tavaları, çelik platformlar, ekipmanlar ve duvarlar karmaşık geometri oluşturur. Şehir verilerinde ağaçlar, direkler, cepheler, araçlar ve tabelalar karışabilir. Tarihi yapılarda düzensiz yüzeyler ve deformasyonlar standart geometrik kuralları zorlar. Bu gibi durumlarda yapay zekâ daha esnek bir yaklaşım sunar.

Yapay Zekâ Nokta Bulutunu Nasıl Anlar?

Yapay zekâ, nokta bulutunu doğrudan insan gibi görmez. Noktaların geometrik ve bağlamsal özelliklerini öğrenerek sınıflandırma yapar. Bir noktanın yalnızca koordinatı değil, çevresindeki noktalarla ilişkisi de önemlidir. Örneğin zemin noktaları genellikle geniş ve süreklilik gösteren yüzeyler oluşturur. Ağaç noktaları daha düzensiz, dallanan ve hacimsel yapılara sahiptir. Bina cepheleri dikey düzlemler oluşturur. Çatı yüzeyleri eğimli veya yatay düzlemler şeklinde olabilir. Borular silindirik ve süreklilik gösteren elemanlardır.

AI modelleri şu özelliklerden yararlanabilir:

• Noktanın X, Y, Z koordinatı

• Yükseklik değeri

• Renk bilgisi

• Yoğunluk veya yansıma değeri

• Komşu noktalarla mesafe ilişkisi

• Normal vektörler

• Eğrilik

• Yerel düzlemsellik

• Nokta yoğunluğu

• Segment geometrisi

• Bağlam ilişkileri

• Önceden etiketlenmiş eğitim verileri

Derin öğrenme tabanlı modeller, bu özellikleri çok boyutlu olarak değerlendirir. Büyük miktarda etiketli veriyle eğitilen model, daha önce gördüğü örüntülerden yeni nokta bulutlarını sınıflandırmayı öğrenir.

Derin Öğrenme ve Nokta Bulutu

Nokta bulutları klasik görüntülerden farklıdır. Görüntüler düzenli piksel grid yapısına sahiptir; nokta bulutları ise düzensiz, seyrek veya yoğun olabilen 3B noktalardan oluşur. Bu nedenle nokta bulutları için özel derin öğrenme yöntemleri geliştirilmiştir.

Genel yaklaşımlar şunlardır:

Nokta Bazlı Yöntemler

Bu yöntemlerde nokta bulutu doğrudan nokta seti olarak işlenir. Model, her noktanın ve komşuluk ilişkilerinin özelliklerini öğrenir. Bu yaklaşım, düzensiz nokta yapısına doğrudan uyum sağlar.

Voxel Tabanlı Yöntemler

Nokta bulutu küçük 3B hacim hücrelerine yani voxel’lere dönüştürülür. Daha sonra bu hacimsel grid üzerinde sınıflandırma yapılır. Bu yöntem düzenli veri yapısı sağlar; ancak çözünürlük ve bellek kullanımı dengelenmelidir.

Görüntü Projeksiyon Yaklaşımları

Nokta bulutu belirli açılardan 2B görüntülere veya derinlik haritalarına dönüştürülür. Görüntü işleme yöntemleriyle sınıflandırma yapılabilir. Ancak 3B bağlamın bir kısmı kaybolabilir.

Hibrit Yaklaşımlar

Nokta, voxel, görüntü ve grafik tabanlı yöntemlerin birlikte kullanıldığı yaklaşımlardır. Karmaşık sahalarda daha güçlü sonuçlar verebilir.

Geomatik uygulamalarda hangi yöntemin kullanılacağı veri tipine, doğruluk beklentisine, sahne karmaşıklığına, işlem süresine ve donanım imkânlarına göre belirlenir.

AI Destekli Sınıflandırma İçin Eğitim Verisinin Önemi

Yapay zekâ modellerinin başarısı büyük ölçüde eğitim verisine bağlıdır. Model hangi sınıfları öğrenecekse, bu sınıfları temsil eden yeterli ve doğru etiketlenmiş veriye ihtiyaç vardır. Eğer eğitim verisi zayıf, eksik veya hatalıysa model de hatalı sonuçlar üretir.

Örneğin bir model şehir LiDAR verisiyle eğitilmişse, zemin, bina, ağaç, yol ve araç sınıflarında iyi çalışabilir. Ancak aynı model endüstriyel tesis içindeki boru, vana, kablo tavası ve makine ekipmanlarını doğru ayıramayabilir. Çünkü bu nesneleri eğitim verisinde yeterince görmemiştir.

Bu nedenle özel projelerde özel eğitim verisi gerekebilir. Örneğin:

• Endüstriyel tesisler için boru, platform, ekipman, kablo tavası, tank, zemin, duvar sınıfları

• Maden sahaları için zemin, şev, stok, kaya, yol, bitki, makine, pasa sınıfları

• Mimari iç mekânlar için duvar, zemin, tavan, kapı, pencere, kolon, mobilya sınıfları

• Tarihi yapılar için taş yüzey, bezeme, çatlak, kayıp alan, kubbe, kemer, duvar sınıfları

• Şehir modelleri için bina, yol, kaldırım, ağaç, direk, araç, tabela sınıfları

Doğru eğitim seti oluşturmak zaman alır; ancak uzun vadede çok büyük hız ve kalite avantajı sağlar.

Sınıflandırma Sınıfları Nasıl Belirlenmelidir?

Her proje için aynı sınıf yapısı kullanılmamalıdır. Sınıflar projenin amacına göre belirlenmelidir. Gereğinden fazla sınıf tanımlamak modeli karmaşıklaştırabilir. Gereğinden az sınıf ise sonuçların kullanım değerini düşürür.

Örneğin genel bir şehir modeli için şu sınıflar yeterli olabilir:

• Zemin

• Bina

• Bitki örtüsü

• Yol

• Araç

• Direk

• Diğer

Ancak endüstriyel tesis dijital ikizi için bu sınıflar yetersizdir. Daha ayrıntılı sınıflar gerekebilir:

• Zemin

• Duvar

• Tavan

• Çelik platform

• Boru hattı

• Kablo tavası

• Makine ekipmanı

• Tank

• Vana ve armatür

• Merdiven

• Korkuluk

• Diğer

Maden sahası için ise farklı sınıflar gereklidir:

• Doğal zemin

• Kazı yüzeyi

• Şev

• Stok yığını

• Pasa sahası

• Yol

• Bitki

• Su birikimi

• Araç ve makine

• Gürültü

Bu nedenle AI destekli sınıflandırma projelerinde ilk adım, kullanılacak sınıf sözlüğünü net tanımlamaktır. Bu sınıf sözlüğü, teslim formatları ve analiz hedefleriyle uyumlu olmalıdır.

Zemin Sınıflandırma ve DTM Üretimi

Nokta bulutu sınıflandırmasının en yaygın kullanım alanlarından biri zemin noktalarının ayrılmasıdır. Zemin sınıflandırma, sayısal arazi modeli yani DTM üretimi için temel adımdır. Ham nokta bulutu içinde ağaç, bina, araç, ekipman, stok veya diğer nesneler bulunuyorsa, çıplak arazi modelini üretmek için bu unsurların zeminden ayrılması gerekir.

AI destekli zemin sınıflandırma özellikle şu alanlarda faydalıdır:

• Maden sahaları

• Ormanlık alanlar

• Şantiye sahaları

• Kentsel alanlar

• Yol ve altyapı koridorları

• Dere yatakları

• Heyelan bölgeleri

• Drone LiDAR çalışmaları

Zemin sınıflandırmanın doğruluğu hacim hesabı, eğim analizi, drenaj modellemesi, yol tasarımı ve kazı-dolgu hesapları için kritik önemdedir. Yanlışlıkla bir stok yığını zemin kabul edilirse DTM hatalı olur. Ağaç altındaki zemin noktaları doğru ayrılmazsa topoğrafik model bozulur. Bu nedenle AI sonucu mutlaka kalite kontrolle desteklenmelidir.

Bina, Çatı ve Cephe Segmentasyonu

Şehir modeli, mimari rölöve, kentsel analiz, dijital ikiz ve 3B yapı üretimi için bina noktalarının ayrılması çok önemlidir. AI destekli sınıflandırma ile nokta bulutu içindeki bina yüzeyleri zemin ve bitki örtüsünden ayrılabilir. Daha ileri aşamada bina çatısı, cephe, saçak, balkon ve diğer elemanlar segmentlere ayrılabilir.

Bina segmentasyonu şu çıktılar için kullanılabilir:

• 3B şehir modeli üretimi

• Çatı düzlemi çıkarımı

• Cephe modelleme

• Bina yüksekliği analizi

• Güneş enerjisi potansiyel analizi

• İmar ve yapı kontrol çalışmaları

• Kentsel dönüşüm envanteri

• Dijital ikiz altyapısı

• Mimari mevcut durum modelleme

Çatı segmentasyonu özellikle önemlidir. Farklı çatı düzlemlerinin ayrılması, otomatik çatı çizimi, yağmur suyu akış analizi, güneş paneli yerleşimi ve bina modelleme süreçlerinde kullanılabilir.

Bitki Örtüsü ve Ağaç Sınıflandırma

LiDAR ve fotogrametri verilerinde bitki örtüsü önemli bir sınıftır. Ağaçlar, çalılar, orman örtüsü, tarımsal bitki yapısı ve yeşil alanlar farklı projelerde ayrıştırılması gereken unsurlardır.

AI destekli bitki sınıflandırma şu alanlarda kullanılabilir:

• Orman envanteri

• Ağaç sayımı ve taç analizi

• Belediye yeşil alan yönetimi

• Tarımsal izleme

• Enerji hattı çevresi ağaç temizleme analizi

• Yol koridoru görüş ve güvenlik çalışmaları

• DTM üretiminde bitki-zemin ayrımı

• Çevresel etki izleme

Özellikle hava LiDAR verilerinde bitki örtüsünün farklı yükseklik sınıflarına ayrılması da mümkündür. Düşük bitki, orta bitki ve yüksek bitki gibi sınıflar, hem çevresel analiz hem de zemin modeli üretimi için kullanılabilir.

Yol, Kaldırım ve Altyapı Koridoru Sınıflandırması

Mobil LiDAR ve drone verileriyle yol, kaldırım, bordür, refüj, trafik levhası, direk, bariyer ve altyapı koridoru unsurları sınıflandırılabilir. Bu, özellikle belediyeler, karayolu projeleri, akıllı şehir uygulamaları ve ulaşım altyapısı yönetimi için değerlidir.

AI destekli yol sınıflandırma şu işlemleri hızlandırır:

• Yol yüzeyi çıkarımı

• Kaldırım ayrımı

• Bordür çizgisi tespiti

• Direk ve levha envanteri

• Yol işaretleri ve kent mobilyaları tespiti

• Şerit ve yüzey bozukluğu analizi

• Yol koridoru dijital ikizi

• Altyapı proje altlığı üretimi

Yol ve kaldırım gibi yüzeylerde geometri kadar bağlam da önemlidir. Nokta bulutundaki düz yüzeyler her zaman yol değildir; beton saha, otopark, fabrika zemini veya meydan da benzer görünebilir. Bu nedenle AI modellerinin bağlamsal öğrenme kabiliyeti büyük avantaj sağlar.

Endüstriyel Tesislerde AI Destekli Segmentasyon

Endüstriyel tesisler nokta bulutu sınıflandırma açısından en karmaşık alanlardan biridir. Borular, kablo tavaları, çelik platformlar, tanklar, makineler, merdivenler, korkuluklar, duvarlar, tavanlar, zeminler, vana grupları ve ekipmanlar birbirine çok yakın konumda bulunabilir. Bu nedenle manuel modelleme çok zaman alır.

AI destekli segmentasyon şu unsurları otomatik veya yarı otomatik ayırmak için kullanılabilir:

• Boru hatları

• Vana ve armatürler

• Kablo tavaları

• Çelik platformlar

• Tank ve silolar

• Makineler

• Merdivenler

• Korkuluklar

• Zemin ve duvar yüzeyleri

• HVAC kanalları

• Konveyörler

• Ekipman gövdeleri

Bu sınıflandırma, endüstriyel tersine mühendislik ve dijital ikiz projelerinde büyük hız sağlar. Örneğin boru hatlarının otomatik segmentasyonu, boru ekseni çıkarımı ve modelleme sürecini hızlandırabilir. Kablo tavalarının ayrılması, elektrik altyapı envanteri oluşturmayı kolaylaştırabilir. Platform ve merdivenlerin sınıflandırılması bakım ve erişim analizlerine destek olabilir.

Maden Sahalarında Nokta Bulutu Sınıflandırma

Maden sahaları, AI destekli nokta bulutu sınıflandırma için önemli kullanım alanlarından biridir. Açık ocaklarda zemin, şev, stok, yol, pasa, su birikimi, bitki örtüsü, iş makinesi ve geçici objeler aynı veri içinde yer alır. Bu unsurların ayrılması, hacim hesabı ve üretim planlama için kritiktir.

Maden sahalarında AI sınıflandırma şu süreçleri destekler:

• Şev yüzeylerinin ayrılması

• Stok yığınlarının segmentasyonu

• Pasa sahalarının tespiti

• Yol ve rampa sınıflandırması

• Doğal zemin ile operasyonel yüzey ayrımı

• Araç ve makine noktalarının temizlenmesi

• DTM/DSM üretimi

• Kazı-dolgu fark analizi

• Periyodik değişim takibi

• Rehabilitasyon alanı izleme

Örneğin bir stok sahasında her yığın otomatik segmentlere ayrılabilir. Bu segmentler üzerinden hacim hesabı yapılabilir. Farklı tarihlerde aynı segmentler karşılaştırılarak stok değişimi izlenebilir. Bu, manuel sınır çizme süresini azaltır ve stok yönetimini daha hızlı hale getirir.

Tarihi Yapılarda Segmentasyon ve Detay Analizi

Tarihi yapılar, geometrik düzensizlik ve detay yoğunluğu nedeniyle özel yaklaşım gerektirir. AI destekli segmentasyon, tarihi eser belgelemede bazı süreçleri hızlandırabilir. Ancak burada dikkatli olunmalıdır; çünkü tarihi yapıların özgün düzensizlikleri algoritmalar tarafından “hata” gibi algılanabilir.

Tarihi yapılarda AI destekli analiz şu alanlarda kullanılabilir:

• Duvar, kubbe, tonoz ve kemer yüzeylerinin ayrılması

• Çatlak bölgelerinin ön tespiti

• Taş blok veya tuğla örgü segmentasyonu

• Bezeme ve yüzey detaylarının ayrıştırılması

• Malzeme farklılıklarının sınıflandırılması

• Bozulma bölgelerinin işaretlenmesi

• Restorasyon öncesi ve sonrası karşılaştırma

• HBIM modelleme için yüzey gruplarının çıkarılması

Bu tür projelerde yapay zekâ, restorasyon uzmanının yerini almaz. Ancak büyük veri içinde dikkat edilmesi gereken bölgeleri hızla işaretleyerek analiz sürecini destekleyebilir.

Scan-to-BIM Süreçlerinde AI Segmentasyon

Scan-to-BIM, nokta bulutu verisinden BIM modeli üretme sürecidir. Bu süreçte en çok zaman alan işlerden biri nokta bulutundaki yapı elemanlarını tanımak ve modellemektir. AI destekli segmentasyon, duvar, zemin, tavan, kolon, kiriş, kapı, pencere, boru ve ekipman gibi elemanları önceden ayırarak BIM modelleme sürecini hızlandırabilir.

Scan-to-BIM için AI segmentasyonun faydaları:

• Duvar düzlemlerinin otomatik ayrılması

• Zemin ve tavan yüzeylerinin çıkarılması

• Kolon ve kirişlerin tespiti

• Kapı ve pencere boşluklarının belirlenmesi

• MEP elemanlarının ön segmentasyonu

• Modelleme operatörüne hızlı referans sağlama

• BIM nesne eşleştirme sürecini hızlandırma

• Mevcut durum modelinin daha hızlı üretilmesi

Özellikle büyük yapılarda ve tekrarlı kat planlarında AI destekli segmentasyon ciddi üretim avantajı sağlar. Ancak nihai BIM modelin doğruluğu mutlaka uzman kontrolünden geçirilmelidir.

Dijital İkizlerde AI Sınıflandırmanın Rolü

Dijital ikiz sistemlerinde fiziksel varlıkların dijital ortamda doğru temsil edilmesi gerekir. Nokta bulutu, dijital ikizin başlangıç verisi olabilir; ancak ham nokta bulutu çoğu zaman yönetilebilir bilgi yapısı sunmaz. Sınıflandırılmış ve segmentlere ayrılmış nokta bulutu ise dijital ikiz için çok daha değerlidir.

AI destekli sınıflandırma sayesinde:

• Varlıklar otomatik ayrıştırılabilir.

• Ekipman ve yapı elemanları dijital envantere bağlanabilir.

• Model güncellemeleri hızlanabilir.

• Değişen nesneler otomatik tespit edilebilir.

• Bakım ve arıza verileri fiziksel nesnelerle ilişkilendirilebilir.

• 3B veri tabanı daha yönetilebilir hale gelir.

• Dijital ikiz sürekli güncel tutulabilir.

Örneğin bir fabrika dijital ikizinde yeni eklenen ekipmanlar periyodik tarama ile tespit edilebilir. AI, eski ve yeni nokta bulutlarını karşılaştırarak değişen bölgeleri işaretleyebilir. Böylece dijital ikizin güncelleme süreci hızlanır.

Periyodik Değişim Analizinde AI Kullanımı

Aynı alan farklı tarihlerde tarandığında değişim analizi yapılabilir. Ancak büyük nokta bulutlarında değişen nesneleri manuel bulmak zor olabilir. AI destekli sınıflandırma ve segmentasyon, değişim analizini daha akıllı hale getirir.

Örneğin:

• Şantiyede yeni yapılan imalatlar tespit edilebilir.

• Maden sahasında kazı ve dolgu bölgeleri ayrılabilir.

• Endüstriyel tesiste yeni ekipman veya kaldırılan ekipman bulunabilir.

• Tarihi yapıda hasar veya bozulma ilerlemesi izlenebilir.

• Şehir modelinde yeni yapılaşma tespit edilebilir.

• Altyapı koridorunda bitki büyümesi veya engel oluşumu analiz edilebilir.

Burada AI yalnızca farkı bulmakla kalmaz; farkın hangi sınıfa ait olduğunu da söyleyebilir. Örneğin değişen alan “zemin değişimi”, “stok artışı”, “yeni yapı”, “bitki büyümesi” veya “ekipman değişimi” olarak sınıflandırılabilir.

Veri Ön İşleme: AI Başarısının Temeli

AI destekli nokta bulutu sınıflandırmanın başarısı yalnızca model algoritmasına bağlı değildir. Veri ön işleme en az model kadar önemlidir. Ham nokta bulutu gürültülü, koordinat kaymalı, düşük yoğunluklu veya düzensizse AI sonucu zayıflar.

Ön işleme adımları şunlar olabilir:

• Gürültü temizleme

• Gereksiz noktaların ayıklanması

• Koordinat sistemi kontrolü

• Nokta yoğunluğu dengeleme

• Alt örnekleme

• Normal vektör hesaplama

• Renk ve yoğunluk bilgisi düzenleme

• Veri karolama

• Ölçek normalizasyonu

• Eğitim için etiketli veri hazırlama

• Sınıf dengesizliğini azaltma

Özellikle büyük veri setlerinde karolama önemlidir. Nokta bulutu küçük parçalara ayrılarak işlenir. Bu sayede bellek kullanımı kontrol edilir ve AI modeli daha verimli çalışır. Ancak karoların kenarlarında nesne bölünmeleri oluşabileceği için dikkatli tasarım gerekir.

Sınıf Dengesizliği Problemi

Nokta bulutu sınıflandırmada sık karşılaşılan sorunlardan biri sınıf dengesizliğidir. Veri setinde zemin ve bina noktaları çok fazla, ancak direk, vana, kablo tavası veya küçük ekipman noktaları çok az olabilir. AI modeli çoğunluk sınıfları iyi öğrenirken az sayıdaki sınıfları kaçırabilir.

Örneğin bir şehir nokta bulutunda bina ve zemin noktaları milyonlarcadır; fakat trafik levhası veya aydınlatma direği noktaları çok azdır. Endüstriyel tesiste zemin ve duvar noktaları fazla, vana noktaları az olabilir. Model küçük sınıfları öğrenmezse kritik nesneleri tespit edemez.

Bu problemi azaltmak için:

• Az sınıflara daha fazla eğitim örneği eklenir.

• Veri artırma teknikleri kullanılır.

• Sınıf ağırlıkları düzenlenir.

• Küçük nesne odaklı özel modeller geliştirilir.

• Segment bazlı yaklaşım kullanılabilir.

• Uzman kontrolüyle küçük sınıflar doğrulanır.

Bu konu özellikle altyapı, endüstriyel tesis ve kent mobilyası tespitinde çok önemlidir.

Kalite Kontrol: AI Sonucu Mutlaka Denetlenmelidir

Yapay zekâ destekli sınıflandırma güçlüdür; ancak hatasız değildir. Bu nedenle nihai teslim öncesi kalite kontrol şarttır. Özellikle mühendislik, restorasyon, altyapı ve hacim hesabı gibi kritik süreçlerde AI sonucu doğrudan kullanılmamalı, doğrulanmalıdır.

Kalite kontrol şu yöntemlerle yapılabilir:

• Rastgele örnek bölgelerde manuel kontrol

• Sınıf bazlı doğruluk analizi

• Confusion matrix değerlendirmesi

• Zemin sınıfı için kesit kontrolü

• Hacim hesabına etkisi olan bölgelerde özel kontrol

• Küçük nesne sınıflarında görsel denetim

• Önceki veri setleriyle karşılaştırma

• Bağımsız kontrol noktalarıyla yüzey doğruluğu kontrolü

• Hatalı sınıf örneklerinin yeniden eğitime eklenmesi

Kalite kontrolün amacı AI kullanımını sınırlamak değil, güvenilir hale getirmektir. En iyi sonuç, yapay zekâ hızı ile uzman mühendislik denetiminin birleşmesiyle elde edilir.

Nokta Bulutu Sınıflandırma Çıktıları

AI destekli segmentasyon ve sınıflandırma sonucunda farklı teslim çıktıları üretilebilir. Proje ihtiyacına göre çıktılar değişebilir.

Yaygın teslim çıktıları şunlardır:

• Sınıflandırılmış LAS/LAZ nokta bulutu

• E57 veya PLY formatında segmentli nokta bulutu

• Sınıf bazlı ayrılmış dosyalar

• Zemin noktaları dosyası

• Bina noktaları dosyası

• Bitki örtüsü dosyası

• Yol, çatı, cephe, boru veya ekipman sınıfları

• Segment poligonları

• 3B nesne sınırları

• DSM / DTM modelleri

• BIM veya CAD modelleme altlığı

• CBS katmanları

• Değişim analizi raporları

• Sınıflandırma doğruluk raporu

• Görsel kalite kontrol paftaları

Teslim formatı, müşterinin iş akışına göre belirlenmelidir. Bir maden mühendisi için sınıflandırılmış DSM/DTM ve hacim raporu önemli olabilir. Bir BIM ekibi için segmentlenmiş duvar, zemin ve tesisat grupları daha değerlidir. Bir belediye için sınıflandırılmış yol, kaldırım, ağaç ve kent mobilyası katmanları gerekebilir.

Yazılım ve İş Akışı Entegrasyonu

AI destekli nokta bulutu sınıflandırma tek başına izole bir işlem olmamalıdır. Mevcut geomatik iş akışlarına entegre edilmelidir. LiDAR işleme yazılımları, fotogrametri yazılımları, CAD/BIM platformları, CBS sistemleri, Python otomasyonları ve veri tabanlarıyla birlikte çalışmalıdır.

Tipik iş akışı şu şekilde olabilir:

1. Veri toplama yapılır.

2. Nokta bulutu kayıt ve temizleme işlemleri tamamlanır.

3. Veri karolara ayrılır ve ön işleme yapılır.

4. AI modeli sınıflandırma yapar.

5. Sonuçlar kalite kontrolden geçirilir.

6. Gerekirse manuel düzeltme yapılır.

7. Sınıflandırılmış veri LAS/LAZ veya E57 olarak kaydedilir.

8. DSM/DTM, modelleme, CAD/BIM veya CBS süreçlerine aktarılır.

9. Raporlama ve teslim yapılır.

Bu süreç Python otomasyonlarıyla daha da hızlandırılabilir. Özellikle büyük veri setlerinde otomatik dosya yönetimi, sınıflandırma çalıştırma, sonuç birleştirme, kalite raporu ve teslim paketi üretimi büyük avantaj sağlar.

Mühendislik Kararlarında AI Sonuçlarının Kullanımı

AI destekli sınıflandırmanın nihai değeri, mühendislik kararlarını desteklemesidir. Sınıflandırılmış nokta bulutu sayesinde veri daha anlamlı hale gelir. Bu anlamlı veri farklı analizlerde kullanılabilir.

Örneğin:

• Zemin sınıfından DTM üretilir.

• Bina sınıfından 3B yapı modeli çıkarılır.

• Çatı segmentlerinden güneş paneli uygunluk analizi yapılır.

• Bitki sınıfından enerji hattı risk analizi yapılır.

• Stok segmentlerinden hacim hesabı yapılır.

• Boru segmentlerinden endüstriyel modelleme yapılır.

• Yol yüzeyi sınıfından bakım ve deformasyon analizi yapılır.

• Şev segmentlerinden eğim ve stabilite ön değerlendirmesi yapılır.

• Değişen segmentlerden periyodik ilerleme raporu hazırlanır.

Yani AI sınıflandırma, yalnızca veri düzenleme işlemi değil; ileri analizlerin ön koşuludur.

Yapay Zekâ Her Projede Gerekli mi?

Her nokta bulutu projesinde AI kullanmak zorunlu değildir. Küçük, basit veya tek amaçlı projelerde manuel veya kural tabanlı yöntemler yeterli olabilir. Örneğin küçük bir bina iç mekân taramasında yalnızca birkaç plan ve kesit üretilecekse AI sınıflandırma gerekmeyebilir.

Ancak şu durumlarda AI büyük avantaj sağlar:

• Veri hacmi çok büyükse

• Aynı tip proje düzenli tekrar ediyorsa

• Çok sayıda sınıf ayrılacaksa

• Dijital ikiz veya varlık envanteri oluşturulacaksa

• Periyodik değişim analizi yapılacaksa

• Şehir, maden, yol, fabrika veya altyapı ölçeğinde çalışılıyorsa

• Manuel sınıflandırma teslim süresini uzatıyorsa

• Standart ve tekrar üretilebilir sonuç gerekiyorsa

Doğru yaklaşım, AI’ı amaç değil araç olarak görmektir. Proje ihtiyacına göre en uygun yöntem seçilmelidir.

UTEK Mühendislik Yaklaşımı: Ham Nokta Bulutundan Akıllı 3B Veriye

Yapay zekâ destekli nokta bulutu segmentasyonu ve sınıflandırmada amaç yalnızca noktaları renklendirmek değildir. Asıl hedef, ham 3B ölçüm verisini anlamlı, analiz edilebilir, modellenebilir ve karar süreçlerinde kullanılabilir mekânsal bilgiye dönüştürmektir.

UTEK Mühendislik yaklaşımında süreç şu temeller üzerine kurulabilir:

• Projenin kullanım amacı analiz edilir.

• Hangi sınıfların gerekli olduğu belirlenir.

• LiDAR, SLAM, fotogrametri veya mobil haritalama verisi hazırlanır.

• Nokta bulutu temizlenir, düzenlenir ve ön işleme alınır.

• AI destekli segmentasyon ve sınıflandırma uygulanır.

• Sonuçlar mühendislik kontrolünden geçirilir.

• Hatalı bölgeler düzeltilir ve kalite raporu hazırlanır.

• Sınıflandırılmış veri CAD, BIM, CBS, DTM/DSM, hacim hesabı veya dijital ikiz süreçlerine aktarılır.

Bu yaklaşım sayesinde:

• Nokta bulutu verisi daha hızlı işlenir.

• Zemin, bina, bitki, yol, çatı, cephe, stok, boru, ekipman ve benzeri sınıflar ayrıştırılabilir.

• Modelleme ve analiz süreçleri hızlanır.

• Manuel iş yükü azalır.

• Büyük veri setleri daha yönetilebilir hale gelir.

• Dijital ikiz ve akıllı şehir projeleri için anlamlı 3B veri altyapısı oluşur.

• Mühendislik kararları daha temiz ve sınıflandırılmış veri üzerinden alınır.

Geleceğin Nokta Bulutu Verisi Sadece Ölçülmüş Değil, Anlamlandırılmış Veridir

Nokta bulutu teknolojileri fiziksel dünyayı yüksek yoğunluklu ve üç boyutlu olarak belgelemeyi mümkün hale getirdi. Ancak modern geomatik iş akışlarında artık yalnızca veri toplamak yeterli değildir. Asıl değer, bu verinin sınıflandırılması, segmentlere ayrılması, analiz edilmesi ve karar süreçlerine bağlanmasıyla ortaya çıkar.

Yapay zekâ destekli nokta bulutu segmentasyonu ve sınıflandırma, bu dönüşümün en güçlü araçlarından biridir. Ham nokta bulutunu zemin, bina, bitki, yol, çatı, cephe, ekipman, boru, stok, şev ve benzeri anlamlı sınıflara ayırarak veri üretim süreçlerini hızlandırır. BIM modelleme, DTM/DSM üretimi, hacim hesabı, şehir modeli, altyapı envanteri, dijital ikiz, maden analizi, endüstriyel tesis modelleme ve çevresel izleme gibi birçok alanda büyük katkı sağlar.

Bu teknoloji, manuel emeği tamamen ortadan kaldırmaktan çok, uzman mühendislik emeğini daha değerli hale getirir. Operatörlerin zamanını yoğun seçim ve temizlik işlemlerinden alıp kalite kontrol, yorumlama, analiz ve karar süreçlerine yönlendirir.

Geleceğin geomatik üretiminde nokta bulutları yalnızca ölçülmüş veri olmayacak; sınıflandırılmış, anlamlandırılmış, analiz edilebilir ve sürekli güncellenebilir akıllı 3B veri katmanları haline gelecektir. Yapay zekâ destekli segmentasyon ve sınıflandırma, bu geleceğin temel teknolojilerinden biridir.