С.А. Ненашев1, И.А. Киршина2, Т.А. Пискленов3, В.А. Ненашев4

1–4 Санкт-Петербургский государственный университет аэрокосмического приборостроения (Санкт-Петербург, Россия)

1 nenashev_sergey178@mail.ru, 2 zlata@guap.ru, 3 tim.kirp@mail.ru, 4 nenashev.va@yandex.ru

Постановка проблемы. Мониторинг критически важной инфраструктуры, включающей в себя линии электропередач и охранные зоны, требует автоматизированной обработки больших объемов трёхмерных данных, полученных от бортовых лидарных систем. Традиционные методы обработки облаков точек демонстрируют ограниченную эффективность при работе с крупномасштабными наборами данных, содержащими миллиарды точек высокой геометрической сложности. Это затрудняет автоматическое выявление растительности в охранных зонах и других элементов инфраструктуры. В связи с этим необходимо преобразование неструктурированных трёхмерных данных в информационные модели с явным разделением объектов с помощью современных нейросетевых методов.

Цель. Провести сравнительный анализ современных нейросетевых архитектур для семантической сегментации облаков точек, сформированных бортовыми лидарными системами, и разработать эффективную методику обработки для автоматизации мониторинга критически важной инфраструктуры.

Результаты. Выполнен сравнительный анализ нейросетевых архитектур PointNet++, RandLA-Net и KPConv для семантической сегментации на облаках точек. Исследованы различные подходы предобработки облаков точек (нормализация координат, фильтрация шума, сбалансированное взвешивание классов и оптимальный даунсемплинг). Разработана методика обучения нейросетевых моделей с использованием оптимизатора Adam и взвешенной кросс-энтропии на крупномасштабном наборе данных DALES. Установлено, что архитектура KPConv демонстрирует наилучшую производительность на всех классах объектов, значительно превосходя конкурирующие решения. RandLA-Net, в свою очередь, показал конкурентные результаты с хорошей вычислительной эффективностью. Отмечено, оптимальный даунсемплинг обеспечил существенное ускорение обработки без снижения качества сегментации.

Практическая значимость. Представленная методика может быть применена при создании автоматизированных систем мониторинга инфраструктуры, систематизации контроля охранных зон и оптимизации затрат на обслуживание сетей электропередач. Полученные результаты обеспечивают научное обоснование для внедрения эффективных решений в области автоматического анализа трёхмерных данных в системах управления и контроля критической инфраструктуры.

Ненашев С.А., Киршина И.А., Пискленов Т.А., Ненашев В.А. Исследование методов семантической сегментации на облаке точек, сформированных с помощью бортового лидара // Электромагнитные волны и электронные системы. 2026. Т. 31. № 1. С. 28−37. DOI: https://doi.org/10.18127/j15604128-202601-03

1. Ковязин В.Ф., Виноградов К.П., Васильева Е.А., Киценко А.А. Воздушное лазерное сканирование для уточнения таксационных характеристик древостоев // Известия высших учебных заведений. Лесной журнал. 2020. № 6(378). С. 42–54. DOI 10.37482/0536-1036-2020-6-42-54.
2. Васанов А.Е., Шляхова М.М. Метод воздушного лазерного сканирования // Интерэкспо Гео-Сибирь. 2023. Т. 4. № 1. С. 162–166. DOI 10.33764/2618-981X-2023-4-1-162-166.
3. Рябухин П.Б., Рунова Е.М. Использование беспилотных летательных аппаратов для таксации лесных насаждений // Системы. Методы. Технологии. 2025. № 1(65). С. 163–171. DOI 10.18324/2077-5415-2025-1-163-171.
4. Валиев В.С., Иванов Д.В. Градиентный алгоритм семантической сегментации изображений земной поверхности и его использование для выделения границ водных объектов // Российский журнал прикладной экологии. 2025. № 1(41). С. 19–26. DOI 10.24852/2411-7374.2025.1.19.26.
5. Al-Najjar A., Amini M., Rajan S., Green J.R. Identifying Areas of High-Risk Vegetation Encroachment on Electrical Powerlines Using Mobile and Airborne Laser Scanned Point Clouds // IEEE Sensors Journal. 2024. V. 24. № 14. P. 22129–22143. DOI 10.1109/JSEN.2023.3348785.
6. Varney N., Asari V.K., Graehling Q. DALES: A Large-scale Aerial LiDAR Data Set for Semantic Segmentation // IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). Seattle, WA, USA. 2020. P. 717–726. DOI 10.1109/ CVPRW50498.2020.00101.
7. Лукашик Д.В. Анализ современных методов сегментации изображений // Экономика и качество систем связи. 2022. № 2(24). С. 57–65.
8. Сай С.В., Зинкевич А.В. Метод семантической сегментации данных воздушного лазерного сканирования водоохранных зон // Научно-технический вестник информационных технологий, механики и оптики. 2025. Т. 25. № 1. С. 68–77. DOI 10.17586/ 2226-1494-2025-25-1-68-77.
9. Алексеев П.П., Квятковская И.Ю. Применение нейронных сетей для распознавания принципиальных условно-графических электрических обозначений // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. 2021. № 2. С. 47–56. DOI 10.24143/2072-9502-2021-2-47-56.
10. Старовойтов А.В., Фаттахов А.В., Ячменёва Е.А., Хамиев М.М., Кислер Д.А., Косарев В.Е., Нургалиев Д.К. Оценка объемов вырубки леса с использованием данных дистанционного зондирования Земли // Ученые записки Казанского университета. Серия: Естественные науки. 2021. Т. 163. № 4. С. 591–602. DOI 10.26907/2542-064X.2021.4.591-602.
11. Бурдин А.А., Богатырев Д.А., Тарасов А.В., Пьянков С.В. Оценка параметров деревьев на основе данных воздушного лазерного сканирования в смешанных лесах Среднего Предуралья // Вестник СГУГиТ (Сибирского государственного университета геосистем и технологий). 2025. Т. 30. № 4. С. 32–41. DOI 10.33764/2411-1759-2025-30-4-32-41.
12. Лешин О.Д., Григорьев Д.С. Разработка нейросетевой модели для семантической сегментации облаков точек // Труды Международной конференции по компьютерной графике и зрению «Графикон». 2022. № 32. С. 1084–1089. DOI 10.20948/graphi-con-2022-1084-1089.
13. Голубцов В.К., Шляхова М.М. Разработка нейросетевой модели для автоматической классификации объектов на основе данных лазерного сканирования // Интерэкспо Гео-Сибирь. 2025. Т. 6. С. 186–190. DOI 10.33764/2618-981X-2025-6-186-190.
14. Li J., Yang B., Chen C., Wu W., Zhang L. Aerial-triangulation aided boresight calibration for a low-cost UAV-lidar system // ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2020. V. V-1-2020. P. 245–252. DOI 10.5194/ isprs-annals-v-1-2020-245-2020.
15. Василенко Д.В. Разработка алгоритма классификации плотных облаков точек на примере городской застройки // Вестник СГУГиТ (Сибирского государственного университета геосистем и технологий). 2024. Т. 29. № 6. С. 44–52. DOI 10.33764/ 2411-1759-2024-29-6-44-52.
16. Мочалов С.А. Методические подходы к оптимизации уровня автономности радиоэлектронного оборудования комплекса с БПЛА и условия их применения // Радиотехника. 2025. Т. 89. № 8. С. 149–159. DOI 10.18127/j00338486-202508-17.
17. Маковецкий А.Ю., Кобер В.И., Воронин С.М., Воронин А.В., Карнаухов В.Н., Мозеров М.Г. Регистрация облаков точек в трехмерном пространстве с использованием мягкого соответствия // Информационные процессы. 2024. Т. 24. № 1. С. 105–117. DOI 10.53921/18195822_2024_24_1_105.
18. Ненашев С.А., Пискленов Т.А., Залищук А.А., Ненашев В.А. Разработка и исследование аппаратно-программной системы на базе одноплатного компьютера с применением нейросетей для задачи распознавания объектов интереса земной поверхности // Радиотехника. 2025. Т. 89. № 8. С. 15–27. DOI 10.18127/j00338486-202508-02.
19. Сенцов А.А., Ненашев В.А., Иванов С.А., Турнецкая Е.Л. Совмещение сформированных радиолокационных изображений с цифровой картой местности в бортовых системах оперативного мониторинга земной поверхности // Труды МАИ. 2021. № 117. С. 8. DOI 10.34759/trd-2021-117-08.
20. Ненашев В.А., Сенцов А.А. Пространственно-распределенные системы радиолокационного и оптического мониторинга. СПб: Санкт-Петербургский государственный университет аэрокосмического приборостроения. 2022. 191 с.