Analisis Kehandalan Ekstraksi Garis Tepi Bangunan dari Data Foto Udara Menggunakan Pendekatan Deep Learning Berbasis Mask R-CNN
Keywords:
ekstraksi garis tepi bangunan, Mask R-CNN, foto udara, indeks IoU, ketelitian peta RBIAbstract
Kebutuhan peta dasar skala besar khususnya skala 1:5.000 terus meningkat dari waktu ke waktu. Pada umumnya ekstraksi fitur unsur Peta Rupa Bumi Indonesia (RBI) salah satunya adalah bangunan dilakukan dengan dijitasi atau stereoplotting unsur secara manual baik dari data citra satelit maupun data foto udara. Namun hal itu memiliki kelemahan yaitu membutuhkan waktu yang lama tergantung pada kepadatan dan jumlah bangunan pada area yang akan dipetakan. Di sisi lain Pemerintah Indonesia menjadikan percepatan penyelenggaraan Peta RBI skala 1:5000 menjadi salah satu prioritas utama dalam kegiatan kebijakan satu peta. Deteksi dan ekstraksi garis tepi bangunan secara otomatis menggunakan teknologi computer vision dari citra optis dan data point cloud LiDAR telah populer beberapa tahun terakhir. Salah satu teknologi yang dikembangkan adalah dengan pendekatan deep learning. Ekstraksi garis bangunan dengan pendekatan deep learning memiliki kelemahan yaitu poligon garis tepi bangunan yang dihasilkan tidak teratur. Penelitian ini bertujuan untuk mengetahui akurasi hasil regularisasi poligon dari ekstraksi garis tepi bangunan secara otomatis menggunakan metode deep learning berbasis Mask Region-base Convolutional Neural Networks (Mask R-CNN) dari data foto udara. Hasil penelitian menunjukkan pada area bangunan dengan kepadatan tinggi dan bentuk yang teratur (AoI 1) memiliki nilai indeks Intersection over Union (IoU) sebesar 87,8% sedangkan pada area dengan kepadatan tinggi dengan bentuk atap bangunan yang tidak teratur (AoI 2) memiliki nilai indeks IoU sebesar 82,6%. Kemudian juga dilakukan perhitungan akurasi posisi pada 25 sampel titik sudut bangunan dengan hasil CE90 pada AoI 1 sebesar 1,183 m dan pada AoI 2 sebesar 1,303 m. Secara geometri data garis tepi bangunan hasil regularisasi tersebut sudah dapat digunakan sebagai unsur bangunan Peta RBI skala 1:5.000 karena dari hasil perhitungaan uji ketelitian geometrik horisontal (CE90) menunjukkan bahwa data tersebut masuk dalam ketelitian Peta RBI 1:5.000 kelas satu.
References
Abidin, H. Z. (2018). Kebijakan Satu Peta dan Percepatan Peta Dasar Skala Besar. Seminar Nasional Geomatika 2018. Bogor. 5 September. http://dx.doi.org/10.13140/RG.2.2.35097.06240
Ahmadi, S., Zoej, M. J. V., Ebadi, H., Moghaddam, H. A., & Mohammadzadeh, A. (2010). Automatic urban building boundary extraction from high resolution aerial images using an innovative model of active contours. International Journal of Applied Earth Observation and Geoinformation, 12(3), 150–157. https://doi.org/10.1016/j.jag.2010.02.001
Alshehhi, R., Marpu, P. R., Woon, W. L., & Mura, M. D. (2017). Simultaneous extraction of roads and buildings in remote sensing imagery with convolutional neural networks. ISPRS Journal of Photogrammetry and Remote Sensing, 130, 139–149. https://doi.org/10.1016/j.isprsjprs.2017.05.002
Badan Informasi Geospasial. (2018). Peraturan Badan Informasi Geospasial Nomor 6 Tahun 2018 Tentang Perubahan Atas Peraturan Kepala Badan Informasi Geospasial Nomor 15 Tahun 2014 Tentang Pedoman Teknis Ketelitian Peta Dasar. Cibinong, Bogor. https: // jdih.big.go.id/ lihatdoc? id=27330968
Badan Informasi Geospasial. (2017). Analisis Biaya Keluaran Kegiatan Penyelenggaraan Informasi Geospasial. 10 C.F.R. (2017).
Gribov, A. (2015). Searching for a Compressed Polyline with a Minimum Number of Vertices (Discrete Solution). Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 11009 LNCS, 54–68. https://doi.org/10.1007/978-3-030-02284-6_5
Griffiths, D., & Boehm, J. (2019). Improving public data for building segmentation from Convolutional Neural Networks (CNNs) for fused airborne lidar and image data using active contours. ISPRS Journal of Photogrammetry and Remote Sensing, 154, 70–83. https://doi.org/10.1016/j.isprsjprs.2019.05.013
He, K., Gkioxari, G., Doll, P., Girshick, R., & Ai, F. (2017). Mask R-CNN. IEEE Transactions on Pattern Analysis and Machine Intelligence, 42(2), 386–397. https://doi.org/https://arxiv.org/pdf/1703.06870.pdf
Juniati, E. H. (2018). 2D Semantic Labeling Penutup Lahan di Area Urban dengan Analisis Berbasis Objek Dari Foto Udara dan LiDAR. Program Magister Teknik Geomatika, Universitas Gadjah Mada, Yogyakarta. . https://doi.org/10.13140/RG.2.2.24118.32320
Mayer, H. (1999). Automatic object extraction from aerial imagery - a survey focusing on buildings. Computer Vision and Image Understanding, 74(2), 138–149. https://doi.org/10.1006/cviu.1999.0750
Qintao Hu, Liangli Zhen, Yao Mao, Xi Zhou, G. Z. (2021). Automated building extraction using satellite remote sensing imagery. https://doi.org/https://www.sciencedirect.com/science/article/pii/S092658052031089X
Rottensteiner, F., Sohn, G., Jung, J., Gerke, M., Baillard, C., Benitez, S., & Breitkopf, U. (2012). THE ISPRS BENCHMARK on URBAN OBJECT CLASSIFICATION and 3D BUILDING RECONSTRUCTION. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 1(September), 293–298. https://doi.org/10.5194/isprsannals-I-3-293-2012
Susetyo, D. B., Rizaldy, A., Hariyono, M. I., Purwono, N., Hidayat, F., Windiastuti, R., … Hartanto, P. (2021). A Simple But Effective Approach of Building Footprint Extraction in Topographic Mapping Acceleration. Indonesian Journal on Geoscience, 8(3), 329–343. https://doi.org/10.17014/ijog.8.3.329-343
Viana, F. X., Araujo, G. M., Pinto, M. F., Colares, J., & haddad, D. B. (2020). Aerial Image Instance Segmentation Through Synthetic Data Using Deep Learning. Learning and Nonlinear Models, 18(1), 35–46. https://doi.org/10.21528/lnlm-vol18-no1-art3
Widyaningrum, E. (2021). Automatic Object Extraction from Airborne Laser Scanning Point Clouds for Digital Base Map Production. TU Delft University. Delft, Netherlands. https://doi.org/10.4233/uuid
Zhao, K., Kang, J., Jung, J., & Sohn, G. (2018). Building extraction from satellite images using mask R-CNN with building boundary regularization. IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops, 2018-June, 242–246. https://doi.org/10.1109/CVPRW.2018.00045
