Grant: Engage Grants Program
Université Laval
$25,000.00
Classification des points au sol dans des données lidar aéroporté par apprentissage supervisé
EF 2018-19
Résumé
Xeos Imagerie Inc. est une entreprise spécialisée dans la photographie aérienne et les relevés topographiques*lidar. Cette technologie est utilisée pour produire des nuages de points à haute densité de la surface terrestre.*Ces points sont ensuite classés en fonction de la surface: bâtiment, route, végétation... La première étape est de*séparer les points au sol du reste. Les logiciels actuels basés sur des approches géométriques ne permettent pas*de classer tous les points correctement et le travail de correction manuel est long et fastidieux compte tenu du*volume de points à traiter. Ce travail manuel ne nécessite pas un niveau de qualification élévé mais représente*un cout important. Il est généralement sous-traité à des entreprises étrangères où les couts sont beaucoup plus*faibles. Une amélioration des outils de classification aurait donc un impact important sur les temps et les couts*de traitement et donc sur la compétitivité de l'entreprise dans un secteur concurentiel.*De nouvelles approches basées sur l'apprentissage machine sont apparues récemment mais leurs performances*ne sont pas significativement meilleures et elles ne sont pas encore utilisées dans l'industrie. Pour cela, il serait*nécessaire de développer et d'évaluer de nouveaux indicateurs pour les terrains accidentés et les forêts.*Dans ce projet, nous définirons de nouveaux indicateurs et évaluerons leurs performances et celles des*indicateurs existants en fonction du type de terrain (urbain, accidenté, forêt) et de la densité de points. Un*prototype d'application sera développé en vue de son intégration dans la chaine de traitement de Xeos Imagerie.
Programme
Engage Grants Program
Bénéficiaire
Emplacement
Quebec, Canada
Type de bénéficiaire
Academia
Type
Grant
Source
NSERC's Awards Data
Tel que publié
Application id
531444-2018
Name nom
Guilbert, Eric
Department département
Sciences géomatiques
Organization id
51
Institution établissement
Université Laval
Province en
Québec
Province fr
Québec
Country en
CANADA
Country fr
CANADA
Fiscal year exercice financier
2018
Competition year année de concours
2018
Award amount
25000
Program id
EGP
Program name en
Engage Grants Program
Program name fr
Programme de subventions d'engagement partenariat
Group en
Research partnerships programs
Group fr
Programmes de partenariat
Committee code
1552
Committee name en
Quebec Internal Decision Committee
Committee name fr
Comité de décision interne pour le Québec
Area of application code
604
Area of application group en
Construction, urban and rural planning
Area of application group fr
Construction, urbanisme et aménagement rural
Area of application en
Surveying and photogrammetry
Area of application fr
Arpentage et photogrammétrie
Research subject code
4102
Research subject group en
Geographical information
Research subject group fr
Information géographique
Research subject en
Remote sensing
Research subject fr
Télédétection
Partie
1
Nb partie
1
Application title
Classification des points au sol dans des données lidar aéroporté par apprentissage supervisé
Keyword
NSERC
Application summary
Xeos Imagerie Inc. est une entreprise spécialisée dans la photographie aérienne et les relevés topographiques*lidar. Cette technologie est utilisée pour produire des nuages de points à haute densité de la surface terrestre.*Ces points sont ensuite classés en fonction de la surface: bâtiment, route, végétation... La première étape est de*séparer les points au sol du reste. Les logiciels actuels basés sur des approches géométriques ne permettent pas*de classer tous les points correctement et le travail de correction manuel est long et fastidieux compte tenu du*volume de points à traiter. Ce travail manuel ne nécessite pas un niveau de qualification élévé mais représente*un cout important. Il est généralement sous-traité à des entreprises étrangères où les couts sont beaucoup plus*faibles. Une amélioration des outils de classification aurait donc un impact important sur les temps et les couts*de traitement et donc sur la compétitivité de l'entreprise dans un secteur concurentiel.*De nouvelles approches basées sur l'apprentissage machine sont apparues récemment mais leurs performances*ne sont pas significativement meilleures et elles ne sont pas encore utilisées dans l'industrie. Pour cela, il serait*nécessaire de développer et d'évaluer de nouveaux indicateurs pour les terrains accidentés et les forêts.*Dans ce projet, nous définirons de nouveaux indicateurs et évaluerons leurs performances et celles des*indicateurs existants en fonction du type de terrain (urbain, accidenté, forêt) et de la densité de points. Un*prototype d'application sera développé en vue de son intégration dans la chaine de traitement de Xeos Imagerie.