Van pointcloud naar bruikbare data: het verwerkingstraject dat niemand laat zien
Raymon Somford beschrijft de stappen tussen ruwe pointcloud en bruikbare beheerdata, en waarom dit traject vaak wordt onderschat.
De inwinning is het makkelijke deel
Bij mobile mapping en laserscanning krijgt de inwinningsfase — de rit met het voertuig, de scan op locatie — de meeste aandacht in verkoopgesprekken en projectvoorstellen. In de praktijk is dat de kortste en meest voorspelbare stap in het hele traject. Het werk dat na de inwinning volgt, van ruwe pointcloud tot bruikbare beheerdata, kost doorgaans veel meer tijd en bepaalt uiteindelijk of de investering iets oplevert. Raymon Somford werkt in de dagelijkse praktijk met pointcloud-verwerking en ziet dat opdrachtgevers dit traject structureel onderschatten in tijd, kosten en benodigde expertise.
Stap 1: registratie en aansluiting van meerdere ritten
Een enkele mobile mapping-rit levert een pointcloud op die is gekoppeld aan de trajectorie van het voertuig tijdens die rit. Zodra een gebied in meerdere ritten of met meerdere overlappende scans is ingewonnen, moeten die datasets ten opzichte van elkaar worden uitgelijnd — het registratieproces. Fouten in deze stap, vaak veroorzaakt door tijdelijke GNSS-verstoring tijdens de inwinning, planten zich door in alle volgende verwerkingsstappen. Correctie hiervan gebeurt doorgaans met behulp van vaste referentiepunten (ground control points) of door overlappende scandata onderling te matchen.
Stap 2: filtering en ruisreductie
Ruwe pointclouds bevatten altijd ruis: verkeerde reflecties, bewegende objecten (andere voertuigen, fietsers, voetgangers) en losse foutieve punten. Een gestructureerde verwerkingsworkflow begint daarom met filtering en het opschonen van de data, voordat verdere classificatie plaatsvindt (My 10-Step Workflow for 3D Point Cloud Processing). Voor toepassingen in de openbare ruimte is dit een niet-triviale stap: een pointcloud van een drukke stadsstraat bevat per definitie veel tijdelijke objecten die niet in het uiteindelijke beheerbestand terecht mogen komen.
Stap 3: classificatie — het scheiden van objecttypen
Classificatie is het proces waarbij punten in de pointcloud worden toegewezen aan een categorie: grond, vegetatie, gebouw, verkeersbord, lichtmast, en zo verder. Er zijn hierbij grofweg twee benaderingen. De eerste is automatische classificatie op basis van door de gebruiker gedefinieerde parameters, zoals hoogte, vorm of reflectiewaarde. De tweede is classificatie met behulp van deep learning-modellen, die zijn getraind om specifieke objecttypen te herkennen in de puntenwolk (Classify point clouds using deep learning, Esri ArcGIS).
Bij grondclassificatie wordt onderscheid gemaakt tussen werkelijke grondpunten en boven-grondse structuren zoals vegetatie en gebouwen — een basisstap die nodig is voordat een bruikbaar terreinmodel kan worden afgeleid (A Practical Guide to Point Cloud Classification, 3Dsurvey). Voor assetbeheer in de openbare ruimte is dit onvoldoende: daar moet de classificatie verder gaan dan grond versus niet-grond, en moet elk relevant object — bord, put, kolk, boom, lichtmast — afzonderlijk worden herkend en gelabeld.
Handmatige classificatie van elk punt is bij grootschalige inwinning simpelweg niet haalbaar. Software zoals Global Mapper Pro biedt daarom geautomatiseerde tools om objecten als grond, gebouwen, nutslijnen en palen te classificeren met één bewerking (Bluemarble Geo, Classifying Point Clouds), maar de nauwkeurigheid van die automatische classificatie hangt sterk af van hoe representatief de trainingsdata is voor de specifieke omgeving waarin wordt gewerkt. Een model dat goed presteert op buitenstedelijke wegen, presteert niet automatisch even goed in een dichtbebouwde binnenstad.
Stap 4: kwaliteitscontrole en handmatige correctie
Na automatische classificatie is een controleslag nodig. Geen classificatiemodel is foutloos, en voor toepassingen waarbij de data juridisch of operationeel relevant is — bijvoorbeeld een as-built-registratie of een asset-inventarisatie die de basis vormt voor een onderhoudscontract — moet de output steekproefsgewijs of volledig worden gecontroleerd. Dit is de stap waar de meeste verwerkingstijd in gaat zitten, en die in projectplanningen het vaakst wordt onderschat. Een geautomatiseerd classificatieproces kan een groot deel van het werk versnellen, maar vervangt niet de eindcontrole door iemand die weet wat een correcte weginrichting is en wat een classificatiefout.
Stap 5: het labelen van pointclouds voor AI-toepassingen
Voor organisaties die willen doorgroeien naar geautomatiseerde herkenning op basis van eigen data, is een semi-geautomatiseerde labelworkflow relevant: menselijke controle gecombineerd met tools die het labelen versnellen, specifiek gericht op geospatiale toepassingen met grote datasets (How to Label 3D Point Cloud for AI Systems). Deze stap is niet voor elk project nodig, maar wordt relevanter zodra een organisatie meerdere vergelijkbare projecten uitvoert en de classificatie-inspanning van project naar project wil verminderen door een eigen getraind model op te bouwen.
Stap 6: conversie naar een bruikbaar bestandsformaat
Een geclassificeerde pointcloud is nog geen bruikbare beheerdata. De laatste stap is de conversie naar het formaat dat de ontvangende systemen nodig hebben: een GIS-laag met objectgeometrieën en attributen, een BIM-model, of een dataset conform de landelijke standaard voor grootschalige topografie. In Nederland is dat vaak de Basisregistratie Grootschalige Topografie (BGT), met het bijbehorende Informatiemodel Geografie (IMGeo) als informatiemodel voor objectgerichte geografische informatie (Geonovum, BGT en IMGeo). Zonder deze stap blijft de pointcloud een visueel bruikbaar, maar operationeel beperkt inzetbaar bestand: mooi om te bekijken, maar niet direct koppelbaar aan een beheersysteem.
Waarom dit traject wordt onderschat
Drie redenen komen in de praktijk het vaakst terug:
- De inwinning wordt als het project gezien, de verwerking als bijzaak. Offertes en planningen richten zich vaak op de inzet van het inwinningsvoertuig, met een te optimistische inschatting van de verwerkingstijd erna.
- Classificatiekwaliteit wordt verward met inwinningskwaliteit. Een pointcloud met een hoge geometrische nauwkeurigheid levert niet automatisch een correct geclassificeerde dataset op — dat is een apart proces met een eigen foutmarge.
- Het eindformaat wordt pas laat in het traject bepaald. Wanneer vooraf niet is vastgelegd in welk formaat en volgens welk informatiemodel de data moet worden aangeleverd, ontstaat aan het einde van het project extra werk om de output geschikt te maken voor het beheersysteem van de opdrachtgever.
Praktisch: wat vooraf moet worden afgesproken
Voor opdrachtgevers die pointcloud-verwerking uitbesteden of zelf organiseren, is het zinvol om voorafgaand aan de inwinning al vast te leggen: welke objecttypen moeten worden geclassificeerd, welk kwaliteitsniveau (foutmarge, controlepercentage) wordt geaccepteerd, en in welk formaat en informatiemodel de eindlevering plaatsvindt. Dat voorkomt dat de verwerkingsfase — die in de praktijk vaak meer tijd kost dan de inwinning zelf — achteraf tot verrassingen leidt in doorlooptijd en kosten.
Raymon Somford werkt aan mobile mapping, pointcloud-verwerking en geodata-toepassingen in de infrasector.
Over de auteur. Raymon Somford werkt in de infra en civiele techniek in de Randstad. Hij is founder van het datagedreven softwarebedrijf InfraBIDS. Lees het zakelijke profiel of neem contact op.
LiDAR Magazine, GPS World, Geospatial World, GIM International, Automation (DE) — volledig persoverzicht.