Környezeti modellalkotás 3D-ben mesterséges intelligencia eszközökkel / Environmental modeling in 3D with artificial intelligence tools

Primary tabs

Nyilvántartási szám: 
24/05
Témavezető neve: 
Témavezető e-mail címe:
kapitany.kristof@emk.bme.hu
A témavezető teljes publikációs listája az MTMT-ben:
A téma rövid leírása, a kidolgozandó feladat részletezése: 

Napjainkban a képalkotás és a távérzékelési technológiák jelentős fejlődésen mennek keresztül. Ennek eredményeképp megnövekedett mennyiségű, de egyúttal jobb minőségű adat keletkezik multidimenziós képek és komplex pontfelhők formájában. Az immár rendelkezésre álló adatforrások azonban olyan hatalmas mennyiségű adatot tartalmaznak, amelynek feldolgozására kizárólag hatékony számítógépes algoritmusokkal és hozzájuk kapcsolódó technológiával lehet vállalkozni. Ebben a törekvésben az egyre több területen alkalmazott mesterséges intelligencia eszközeinek fokozatosan növekvő szerep jut, mivel a rájuk épülő feldolgozási módszertan sajátos tanulási folyamatnak köszönhetően egyre magasabb összetettségi szinten, egyre jobb minőségben képes a szükséges információkat kinyerni és a kapcsolódó adatbázisokba betölteni, így változatos alkalmazások számára elérhetővé tenni. Az adatnyerési módszerek a földi és légifotók, műholdképek szempontjából tipikusan multispektrális felvételeket, a lézerszkennelésekből nyert pontfelhők hasonlóképp többdimenziós adatkockákat eredményeznek, emiatt a szóba jövő feldolgozási eljárások igen bonyolultak és számításigényesek.
A munka természetes velejárójaképp a térinformatikai rendszereket alkotó adatbázisok és a műszaki vagy biológiai/ökológiai modellek között adatkapcsolat teremthető, amivel a fentieken túl monitoring-feladatok elvégzése, változásdetektálás, de akár a működési hatékonyság növeléséhez szükséges optimalizálás, beleértve a katasztrófa-elhárítás és gyors válaszadás is támogatható.
A kutatási munka ezért nélkülözhetetlen része a kiváló áttekintőkészség a mesterséges intelligencia részterületeiről, az általános fejlesztési és alkalmazási elvek professzionális használata, valamint a kiszolgálni kívánt alkalmazások adatmodellezési megoldásainak ismerete. A természetes és mesterséges környezetről nyert adathalmazok szakszerű feldolgozásával az óriási adatigénnyel fellépő rendszerek, mint például a digitális városok, digitális épület-ikrek, önvezető járművek irányítása megfelelően strukturált, pontos és részletes információs bázishoz jutnak. Az adatfeldolgozási eljáráscsoportok az előfeldolgozó, adattisztító, -strukturáló, klasszifikáló és modellgeneráló módszerek változatait tartalmazzák; természetesen komoly igény jelentkezik az automatizálás növelése iránt.
Ebben a gyorsan fejlődő technológiai környezetben a jelentkező PhD-hallgató számára kiváló lehetőségek kínálkoznak a képalkotás és távérzékelés területein, különösen az adatintenzív alkalmazásokban és a mesterséges intelligencia integrációjában. A PhD-kutatás során lehetőség nyílik arra, hogy a hallgató mélyrehatóan megismerje és alkalmazza a legújabb algoritmusokat és modellezési technikákat, amelyek képesek kezelni a hatalmas mennyiségű, összetett adatokat. A program keretein belül a hallgatót ösztönözzük arra, hogy kifejlesszen vagy finomítson feldolgozási protokollokat, amelyek hozzájárulnak az adatokból származó ismeretek pontosabb kinyeréséhez. Az elvárások között szerepel a multidiszciplináris megközelítés alkalmazása, az adatok szakszerű kezelése és az új ismeretek gyakorlati alkalmazásba ültetése.

***

Today, imaging and remote sensing technologies are undergoing significant advancements. As a result, there is an increased production of data of better quality, in the form of multidimensional images and complex point clouds. However, the available data sources now contain vast amounts of data that can only be processed with efficient computer algorithms and associated technologies. In this endeavor, artificial intelligence tools, increasingly used across various fields, play a growing role due to their unique learning process, which allows them to extract necessary information at an increasingly higher level of complexity and quality and load it into related databases, making it available for various applications. Data acquisition methods from ground and aerial photos and satellite images typically produce multispectral recordings, while data from laser scanning methods yield similarly multidimensional data cubes, making the processing methods quite complex and computationally demanding.
As a natural consequence of this work, data connections can be established between geospatial information systems and technical or biological/ecological models, which, in addition to the above, support monitoring tasks, change detection, and optimizations needed to enhance operational efficiency, including disaster mitigation and rapid response.
Therefore, the research work is an indispensable part of having an excellent overview of the subfields of artificial intelligence, the professional use of general development and application principles, and an understanding of the data modeling issues of the solutions sought. With the expert processing of data sets obtained from natural and artificial environments, systems with huge data demands, such as digital cities, digital twins of buildings, and autonomous vehicle control, can access a properly structured, accurate, and detailed information base. The methods include preprocessing, data cleaning, structuring, classifying, and model-generating processes; naturally, there is a significant demand for increased automation.
In this rapidly developing technological environment, the PhD student applying for a degree has excellent opportunities in the field of imaging and remote sensing, particularly in data-intensive applications and the integration of artificial intelligence. During the PhD research, there is an opportunity for the student to deeply understand and apply the latest algorithms and modeling techniques capable of handling massive, complex data sets. Within the program's framework, the student also has the opportunity to develop or refine processing protocols that contribute to the more accurate extraction of knowledge from data. Expectations include applying a multidisciplinary approach, expertly managing data, and implementing new knowledge in practical applications.

A téma meghatározó irodalma: 

1. Janga, B., Asamani, G., Sun, Z., & Cristea, N. (2023). A Review of Practical AI for Remote Sensing in Earth Sciences. Remote Sensing. https://doi.org/10.3390/rs15164112.
2. Ullo, S., & Sinha, G. (2021). Advances in IoT and Smart Sensors for Remote Sensing and Agriculture Applications. Remote. Sens., 13, 2585. https://doi.org/10.3390/rs13132585.
3. Costantino, D., M. Pepe, and A. G. Restuccia. 2021. “Scan-to-HBIM for Conservation and Preservation of Cultural Heritage Building: The Case Study of San Nicola in Montedoro Church (Italy).” Applied Geomatics, no. 2019. https://doi.org/10.1007/s12518-021-00359-2.
4. Tang, Pingbo, Daniel Huber, Burcu Akinci, Robert Lipman, and Alan Lytle. 2010. “Automatic Reconstruction of As-Built Building Information Models from Laser-Scanned Point Clouds: A Review of Related Techniques.” Automation in Construction 9 (7): 829–43. https://doi.org/10.1016/j.autcon.2010.06.007.
5. Andriasyan, Mesrop, Juan Moyano, Juan Enrique Nieto-Julián, and Daniel Antón. 2020. “From Point Cloud Data to Building Information Modelling: An Automatic Parametric Workflow for Heritage.” Remote Sensing 12 (7): 1094. https://doi.org/10.3390/rs12071094
6. L. Zhang and L. Zhang, "Artificial Intelligence for Remote Sensing Data Analysis: A review of challenges and opportunities," in IEEE Geoscience and Remote Sensing Magazine, vol. 10, no. 2, pp. 270-294, June 2022, https://doi.org/10.1109/MGRS.2022.3145854.
7. Bhatti, U., Yu, Z., Yuan, L., Zeeshan, Z., Nawaz, S., Bhatti, M., Mehmood, A., Ain, Q., & Wen, L. (2020). Geometric Algebra Applications in Geospatial Artificial Intelligence and Remote Sensing Image Processing. IEEE Access, 8, 155783-155796. https://doi.org/10.1109/ACCESS.2020.3018544.
8. Dong CZ, Catbas FN (2021). A review of computer vision–based structural health monitoring at local and global levels. Structural Health Monitoring 20(2):692-743. https://doi.org/10.1177/1475921720935585
9. Dierssen, H., Ackleson, S., Joyce, K., Hestir, E., Castagna, A., Lavender, S., & McManus, M. (2021). Living up to the Hype of Hyperspectral Aquatic Remote Sensing: Science, Resources and Outlook. , 9. https://doi.org/10.3389/fenvs.2021.649528.

A téma hazai és nemzetközi folyóiratai: 

1. Automation in Construction (2023, Q1)
2. IEEE Geoscience and Remote Sensing Magazine (2023, Q1)
3. Construction and Building Materials (2023, Q1)
4. Periodica Polytechnica / Civil Engineering / Architecture (2023, Q3)
5. Journal of Materials in Civil Engineering, American Society of Civil Engineers (ASCE), (2023, Q1)
6. Advances in Civil Engineering (2023, Q2)
7. Nova Geodesia

A témavezető utóbbi tíz évben megjelent 5 legfontosabb publikációja: 

1. Ifra, A., Kapitány, K., & Lovas, T. (2023). Automating Scan to BIM Operations Using Grasshopper. PERIODICA POLYTECHNICA-CIVIL ENGINEERING, 67, 1187–1192. https://doi.org/10.3311/PPci.22390
2. Kapitany, Kristof, Dániel Csanády, and Olivér Fenyvesi. 2022. “Stem Porosity Determination of Straws Using Conventional Laboratory Tests and Image Processing Methods.” Journal of Natural Fibers 19 (16): 13201–15. https://doi.org/10.1080/15440478.2022.2087130.
3. Lublóy, Éva, Kristóf Kapitány, György L. Balázs, Tamás Földes, Viktor Hlavička, and Lili Hlavicka-Laczák. 2019. “CT and Laboratory Test of the Wall Panels after Fire Load.” Construction and Building Materials 211: 1105–16. https://doi.org/10.1016/j.conbuildmat.2019.03.148.
4. Balázs, György L., Olivér Czoboly, Éva Lublóy, Kristóf Kapitány, and Árpád Barsi. 2017. “Observation of Steel Fibres in Concrete with Computed Tomography.” Construction and Building Materials 140: 534–41. https://doi.org/10.1016/j.conbuildmat.2017.02.114.
5. Kapitány, Kristóf, and Árpád Barsi. 2016. “Fourier Transformation-Based CT Correction Method for Geomaterial Core Samples.” Journal of Materials in Civil Engineering 28 (1): 06015005. https://doi.org/10.1061/(asce)mt.1943-5533.0001349.

A témavezető fenti folyóiratokban megjelent 5 közleménye: 

1. Ifra, A., Dowajy, M., Kapitány, K., & Lovas, T. (2023). Artificial Intelligence (AI) – based strategies for point cloud data and digital twins. NOVA GEODESIA, 3. https://doi.org/10.55779/ng33138
2. Ifra, A., Kapitány, K., & Lovas, T. (2023). Automating Scan to BIM Operations Using Grasshopper. PERIODICA POLYTECHNICA-CIVIL ENGINEERING, 67, 1187–1192. https://doi.org/10.3311/PPci.22390
3. Lublóy, Éva, Kristóf Kapitány, György L. Balázs, Tamás Földes, Viktor Hlavička, and Lili Hlavicka-Laczák. 2019. “CT and Laboratory Test of the Wall Panels after Fire Load.” Construction and Building Materials 211: 1105–16. https://doi.org/10.1016/j.conbuildmat.2019.03.148.
4. Balázs, György L., Olivér Czoboly, Éva Lublóy, Kristóf Kapitány, and Árpád Barsi. 2017. “Observation of Steel Fibres in Concrete with Computed Tomography.” Construction and Building Materials 140: 534–41. https://doi.org/10.1016/j.conbuildmat.2017.02.114.
5. Kapitány, K., & Barsi, Á. (2016). Fourier Transformation-Based CT Correction Method for Geomaterial Core Samples. Journal of Materials in Civil Engineering, 28(1), 06015005. https://doi.org/10.1061/(asce)mt.1943-5533.0001349

Státusz: 
elfogadott