Adatgyűjtő rendszerekből származó adatok hatékony feldolgozása vonalas létesítmények építésének és fenntartásának támogatására / Efficient data processing to support the construction and maintenance of linear infrastructures

Elsődleges fülek

Nyilvántartási szám: 
23/31
Témavezető neve: 
Témavezető e-mail címe:
somogyi.arpad@emk.bme.hu
A témavezető teljes publikációs listája az MTMT-ben:
A téma rövid leírása, a kidolgozandó feladat részletezése: 
A vonalas létesítmények nagy pályairányú kiterjedésük következtében egyedi felmérési eljárások alkalmazását követelik meg. Az elmúlt években a lézerszkennerek és a fotogrammetria fejlődésével újabb lehetőségek váltak elérhetővé a mobil térképező rendszerek és a pilóta nélküli járműre szerelt adatgyűjtő szenzorok formájában. Ezen átalakulás lehetőséget biztosít a mérnöki projektek esetében a teljeskörű adatszolgáltatásra jelentkező igény kiszolgálására. Mind a tervezés, a kivitelezés és az üzemeltetés során lényeges a költséghatékony és gyors adatgyűjtés. A fenntarthatóságra és költséghatékonyságra való törekvés magával hozta a projektek BIM szemléletben történő megvalósítását, ami a felmérésekre és az adatok feldolgozására is kihatással van. 
A legtöbbször mozgó platformra szerelt adatgyűjtő rendszerek különféle szenzorokat tartalmaznak, így széleskörű felmérést tesznek lehetővé; nemcsak geometriai adatok gyűjthetők, hanem a pályaszerkezet összetétele, anyagjellemzői és felületek tulajdonságai is vizsgálhatók. A különböző eszközök között eltérések lehetnek az észlelési frekvenciában, a jel típusában (analóg vagy digitális), adatmennyiségben és az adatfeldolgozás formájában. Az adatfeldolgozás végső célja, hogy a felmérésből keletkező termékek egy környezetben legyenek kiértékelhetők, amely lehetővé teszi a projekt résztvevői számára az egyszerű és szabványos hozzáférést. 
A nagymennyiségű adatok kezelésére célszerű meglévő vagy újonnan fejlesztett automatizált eljárásokat alkalmazni. Ilyen megoldások célja lehet a pontfelhő megfelelő szegmentálása, a szükséges objektumok detektálása és automatikusan modellezése. A mesterséges intelligenciát, mélytanulást alkalmazó módszerek hatékonyan használhatók a nagy mennyiségű (pl. nagy kiterjedésű, vonalas létesítmények felmérése során előálló) adatok feldolgozásában. 
A különböző időpontokban készült felmérések között lehetőség van a változáskövetésre akár pontfelhő vagy képek alapján. Ezen a területen szükséges gyors és megbízható eljárások fejlesztése, amelyek akár különböző forrásokból, mérőműszerekből származó adatok összehasonlítására és kiértékelésére is képesek. 
A BIM szemlélettel végzett adatkezelés és modellezés lehetővé teszi a különböző szimulációk futtatását, például a létesítmények amortizációja, ütközésvizsgálatok, idő- és térbeli ütemezések elemzését. 
A kutatás témája a leírt feldolgozási folyamatok automatizálása mesterséges intelligencia segítségével. Cél, hogy ezek a folyamatok megfelelő hatékonysággal és megbízhatósággal tudjanak működni, a lehető legkisebb emberi beavatkozás mellett.
Előzetesen ütemezhető feladatok:
- vonalas létesítmények felméréséhez alkalmazott technológiák megismerése, az előálló adatkészletek vizsgálata,
- a vonalas létesítményekhez kapcsolódó objektumok és jellemzők kigyűjtése, levezetése a pontfelhők, képek és egyéb adatforrások felhasználásával,
- előállított objektumok BIM környezetbe történő integrálása és azokra elemzések, vizsgálatok kidolgozása,
- munkafolyamatok automatizálása.
***
Due to the extensive longitudinal extension of linear infrastructure, it requires the application of specific surveying methods. In recent years, with the advancement of laser scanners and photogrammetry, new possibilities have become available in the form of mobile mapping systems and data collection sensors mounted on unmanned aerial vehicles. This transformation provides an opportunity to meet the demand for comprehensive data delivery in engineering projects. Cost-effective and rapid data collection is essential during the design, construction, and operation phases. The drive for sustainability and cost-efficiency has led to the adoption of BIM (Building Information Management) principles in projects, impacting surveys and data processing.
Data collection systems, mostly mounted on a mobile platform, contain a variety of sensors, allowing a comprehensive survey; not only geometric data can be collected but also investigating the composition, material properties, and surface characteristics of the linear facilities structure can be enabled. Differences between different devices can be found in the detection frequency, type of signal (analog or digital), data volume, and data processing. The goal of data processing is to make the products resulting from the survey accessible in an environment that allows easy and manageable access for project participants. 
Existing or newly developed automated procedures are to be used to handle large volumes of data. Such solutions aim to appropriately segment point clouds, detect necessary objects, and automatically model them. Artificial intelligence and deep learning methods can effectively process large amounts of data (e.g., from large-scale linear facility surveys).
It is possible to track changes between surveys at different points in time, either by point cloud or by images. In this field, it is necessary to develop a fast and reliable procedure capable of comparing and evaluating data from various sources, including different measuring instruments. 
Data management and modeling conducted with BIM approach enables the execution of various simulations, such as facility depreciation analysis, collision checks, and analyses of time and spatial scheduling. 
The research topic is the automation of the described processing using artificial intelligence. The goal is for these processes to operate with the utmost efficiency and reliability, with minimal human intervention.
Pre-scheduled tasks:
- understanding the technologies used for the survey of linear installations, analysis of the resulting data sets,
- extracting and deriving objects and features related to linear infrastructures using point clouds, images, and other data sources
- integrating the objects derived in a BIM environment and developing analyses and studies on them
- automation of workflows.
A téma meghatározó irodalma: 
1 Balado, Jesús, Joaquín Martínez-Sánchez, Pedro Arias, and Ana Novo. 2019. “Road Environment Semantic Segmentation with Deep Learning from Mls Point Cloud Data.” Sensors (Switzerland) 19(16). doi: 10.3390/s19163466.
2 Grandio, Javier, Belén Riveiro, Mario Soilán, and Pedro Arias. 2022. “Point Cloud Semantic Segmentation of Complex Railway Environments Using Deep Learning.” Automation in Construction 141. doi: 10.1016/j.autcon.2022.104425.
3 Lehtomäki, Matti, Anttoni Jaakkola, Juha Hyyppä, Jouko Lampinen, Harri Kaartinen, Antero Kukko, Eetu Puttonen, and Hannu Hyyppä. 2016. “Object Classification and Recognition From Mobile Laser Scanning Point Clouds in a Road Environment.” IEEE Transactions on Geoscience and Remote Sensing 54(2):1226–39. doi: 10.1109/TGRS.2015.2476502.
4 Lou, Yidong, Tian Zhang, Jian Tang, Weiwei Song, Yi Zhang, and Liang Chen. 2018. “A Fast Algorithm for Rail Extraction Using Mobile Laser Scanning Data.” Remote Sensing 10(12). doi: 10.3390/rs10121998.
5 Mirzaei, Kaveh, Mehrdad Arashpour, Ehsan Asadi, Hossein Masoumi, Yu Bai, and Ali Behnood. 2022. “3D Point Cloud Data Processing with Machine Learning for Construction and Infrastructure Applications: A Comprehensive Review.” Advanced Engineering Informatics 51.
6 Oude Elberink, S., K. Khoshelham, M. Arastounia, and D. Díaz Benito. 2013. “Rail Track Detection and Modelling in Mobile Laser Scanner Data.” in ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Vol. 2.
7 Sánchez-Rodríguez, Ana, Mario Soilán, Manuel Cabaleiro, and Pedro Arias. 2019. “Automated Inspection of Railway Tunnels’ Power Line Using LiDAR Point Clouds.” Remote Sensing 11(21). doi: 10.3390/rs11212567.
8 Soilán, Mario, Belén Riveiro, Joaquín Martínez-Sánchez, and Pedro Arias. 2017. “Segmentation and Classification of Road Markings Using MLS Data.” ISPRS Journal of Photogrammetry and Remote Sensing 123:94–103. doi: 10.1016/j.isprsjprs.2016.11.011.
9 Yang, Bisheng, and Lina Fang. 2014. “Automated Extraction of 3-D Railway Tracks from Mobile Laser Scanning Point Clouds.” IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 7(12). doi: 10.1109/JSTARS.2014.2312378.
10 Zhu, Lingli, and Juha Hyyppa. 2014. “The Use of Airborne and Mobile Laser Scanning for Modeling Railway Environments in 3D.” Remote Sensing 6(4). doi: 10.3390/rs6043075.
 
A téma hazai és nemzetközi folyóiratai: 
1 IEEE Access (ISSN: 21693536, tudományos, lektorált, impakt faktoros, nem hazai, SCIMAGO Q1)
2 IEEE Transactions on Geoscience and Remote Sensing (ISSN: 15580644, lektorált, impakt faktoros, nem hazai, SCIMAGO Q1)
3 Sensors (ISSN: 14243210, tudományos, lektorált, impakt faktoros, nem hazai, SCIMAGO Q1)
4 Periodica Polytechnical Civil Engineering (ISSN: 15873773, tudományos, lektorált, hazai, SCIMAGO Q3)
5 Photogrammetric Engineering and Remote Sensing (ISSN: 00991112, lektorált, impakt faktoros, nem hazai, SCIMAGO Q3)
6 Remote Sensing (ISSN: 20724292, lektorált, impakt faktoros, nem hazai, SCIMAGO Q1)
7 ISPRS Journal of Photogrammetry and Remote Sensing (ISSN: 09242716, lektorált, impakt faktoros, nem hazai, SCIMAGO Q1)
8 Journal of Applied Remote Sensing (ISSN: 19313195, lektorált, impakt faktoros, nem hazai, SCIMAGO Q2)
A témavezető utóbbi tíz évben megjelent 5 legfontosabb publikációja: 
1 Lovas, Tamas, Tamas Ormandi, Arpad Jozsef Somogyi, Daniel Baranyai, Viktor Tihanyi, and Tamas Tettamanti. 2022. “OpenCRG Models From Different Data Sources to Support Vehicle Simulations.” IEEE Access 10. doi: 10.1109/ACCESS.2022.3168287.
2 Török, Ákos, Gyula Bögöly, Árpád Somogyi, and Tamás Lovas. 2020. “Application of UAV in Topographic Modelling and Structural Geological Mapping of Quarries and Their Surroundings—Delineation of Fault-Bordered Raw Material Reserves.” Sensors (Switzerland) 20(2). doi: 10.3390/s20020489.
3 Somogyi, A., A. Barsi, B. Molnar, and T. Lovas. 2016. “Crowdsourcing Based 3D Modeling.” International Archives Of Photogrammetry And Remote Sensing (2002-) XLI-B5:587–90.
4 Paláncz, Béla, J. L. Awange, Árpád Somogyi, Nikolett Rehány, Tamás Lovas, Béla Molnár, and Y. Fukuda. 2016. “A Robust Cylindrical Fitting to Point Cloud Data.” AUSTRALIAN JOURNAL OF EARTH SCIENCES 63(5):665–73.
5 Török, Ákos, Árpád Barsi, Gyula Bögöly, Tamás Lovas, Árpád Somogyi, and Péter Görög. 2018. “Slope Stability and Rockfall Assessment of Volcanic Tuffs Using RPAS with 2-D FEM Slope Modelling.” Natural Hazards and Earth System Sciences 18(2). doi: 10.5194/nhess-18-583-2018.
A témavezető fenti folyóiratokban megjelent 5 közleménye: 
1 Lovas, Tamas, Tamas Ormandi, Arpad Jozsef Somogyi, Daniel Baranyai, Viktor Tihanyi, and Tamas Tettamanti. 2022. “OpenCRG Models From Different Data Sources to Support Vehicle Simulations.” IEEE Access 10. doi: 10.1109/ACCESS.2022.3168287.
2 Török, Ákos, Gyula Bögöly, Árpád Somogyi, and Tamás Lovas. 2020. “Application of UAV in Topographic Modelling and Structural Geological Mapping of Quarries and Their Surroundings—Delineation of Fault-Bordered Raw Material Reserves.” Sensors (Switzerland) 20(2). doi: 10.3390/s20020489.
3 Somogyi, Árpád József, Tamás Lovas, Ákos Szabó-Leone, and András Fehér. 2022. “Steels Specimens’ Inspection with Structured Light Scanner.” Periodica Polytechnica Civil Engineering 66(4). doi: 10.3311/PPci.20081.
4 Somogyi, Árpád József, Krisztina Fehér, Tamás Lovas, Balázs Halmos, and Árpád Barsi. 2017. “Analysis of Gothic Architectural Details by Spatial Object Reconstruction Techniques.” Periodica Polytechnica Civil Engineering. doi: 10.3311/PPci.10418.
5 Lovas, Tamás, Árpád József Somogyi, and Győző Simongáti. 2021. “Laser Scanning Ship Hulls to Support Hydrodynamic Simulations.” Periodica Polytechnica Civil Engineering. doi: 10.3311/PPci.19353.
Státusz: 
elfogadott