Budapesti Műszaki és Gazdaságtudományi EgyetemÉpítőmérnöki Kar - építőmérnök képzés 1782 óta

A lézerszkennelési és fotogrammetriai technológiák alkalmazásával létrehozott pontfelhők az épített környezet rendkívül részletes, térbeli digitális reprezentációját biztosítják. Ezek az adatok egyre szélesebb körben jelennek meg az építőiparban, különösen meglévő építmények felmérésében, felújítási és átalakítási projektekben, digitális ikrek létrehozásában, valamint üzemeltetési és vagyonkezelési alkalmazásokban. A pontfelhők geometriai, intenzitás- és színinformációkat tartalmaznak, amelyek lehetőséget teremtenek az építmények elemeinek automatikus felismerésére és elemzésére.
A pontfelhők feldolgozásának egyik legnagyobb kihívása az adatok nagy mennyisége és rendezetlen jellege. A nyers pontfelhők manuális feldolgozása időigényes és költséges, különösen akkor, amikor az építmény különböző funkcionális elemeit – például tartószerkezeti elemeket, nyílászárókat vagy gépészeti rendszereket – kell azonosítani. A hagyományos szegmentálási és osztályozási módszerek, mint a geometriai szabályokon vagy küszöbértékeken alapuló eljárások, korlátozottan képesek kezelni az összetett építészeti geometriákat, az eltérő mérési minőséget és a zajos adatokat.
A mesterséges intelligencia, különösen a mélytanulási módszerek alkalmazása új lehetőségeket kínál a pontfelhők automatikus feldolgozásában. Az adatok térbeli mintázatainak tanulásával olyan modellek fejleszthetők, amelyek képesek az építmények kulcsobjektumainak automatikus szegmentálására és osztályozására. Ezek a módszerek ígéretes megoldást jelentenek az építőipari munkafolyamatok hatékonyságának növelésére, ugyanakkor a különböző mérési technológiákból származó adatok heterogenitása, az annotált tanítóadatok hiánya és a modellek általánosíthatósága továbbra is nyitott kutatási kérdéseket jelentenek.
A kutatási téma célja mesterséges intelligencia alapú módszerek és feldolgozási munkafolyamatok kidolgozása, amelyek lehetővé teszik pontfelhők automatikus szegmentálását és osztályozását. A kutatás kiterjed a különböző mélytanulási architektúrák vizsgálatára és fejlesztésére, valamint nyílt forráskódú pontfelhő-adatbázisok és saját mérések felhasználására a modellek tanításához. Az előfeldolgozási lépések – például zajszűrés, normalizálás és adatcsökkentés – kulcsszerepet játszanak a robusztus eredmények elérésében.
A fejlesztett módszerek validálása során a mesterséges intelligencia alapú megoldásokat manuális annotálási, szegmentálási és osztályozási eljárásokkal kell összevetni . Az összehasonlító elemzés célja a pontosság, a megbízhatóság és a számítási hatékonyság értékelése különböző építőipari alkalmazási területeken. A kutatás eredményei hozzájárulhatnak automatizált scan-to-BIM, digitális iker és meglévő épület-modellezési munkafolyamatok fejlesztéséhez.
A kutatás elvégzéséhez szükségesek informatikai alapismeretek, programozási tapasztalat, valamint a mesterséges intelligencia és gépi tanulás alapjainak ismerete. Előnyt jelent a pontfelhő-feldolgozás, a számítógépes geometria és a mélytanulási keretrendszerek – például TensorFlow vagy PyTorch – ismerete. A téma erősen alkalmazásorientált, és közvetlenül támogatja az építőipar digitális átalakulását.

***

Point clouds generated through laser scanning and photogrammetric technologies provide a highly detailed three-dimensional digital representation of the built environment. These datasets are increasingly used in the construction industry, particularly in the surveying of existing structures, renovation and refurbishment projects, the creation of digital twins, and facility and asset management applications. Point clouds contain geometric, intensity, and color information, enabling the automatic recognition and analysis of building components.

One of the main challenges in point cloud processing is the large volume and unstructured nature of the data. Manual processing of raw point clouds is time-consuming and costly, especially when identifying different functional elements of a building, such as structural components, openings, or mechanical systems. Traditional segmentation and classification methods based on geometric rules or thresholding techniques are limited in handling complex architectural geometries, varying data quality, and noisy measurements.

Artificial intelligence, particularly deep learning approaches, offers new opportunities for automated point cloud processing. By learning spatial patterns within the data, models can be developed that automatically segment and classify key objects of buildings. These methods represent promising solutions for improving efficiency in construction workflows. However, challenges remain regarding the heterogeneity of data acquired from different measurement technologies, the scarcity of annotated training datasets, and the generalizability of trained models.

The objective of this research topic is to develop AI-based methods and processing workflows that enable the automatic segmentation and classification of point clouds. The research includes the investigation and development of various deep learning architectures, as well as the use of open-source point cloud datasets and proprietary measurements for model training. Pre-processing steps—such as noise filtering, normalization, and data reduction—play a crucial role in achieving robust and reliable results.

Validation of the developed methods will involve comparison between AI-based solutions and manual annotation, segmentation, and classification procedures. The comparative analysis aims to evaluate accuracy, reliability, and computational efficiency across different construction-related application domains. The research outcomes may contribute to the advancement of automated scan-to-BIM processes, digital twin generation, and existing building modelling workflows.

The successful completion of this research requires a solid foundation in computer science, programming experience, and knowledge of artificial intelligence and machine learning fundamentals. Familiarity with point cloud processing, computational geometry, and deep learning frameworks such as TensorFlow or PyTorch is advantageous. The topic is strongly application-oriented and directly supports the digital transformation of the construction industry.