Comment fonctionne la classification LiDAR par IA : l'apprentissage profond pour les nuages de points
Un balayage LiDAR arrive sur votre bureau sous forme de millions de points 3D qui ne veulent encore rien dire. La classification est l'étape qui donne à chaque point une étiquette : sol, végétation, bâtiment, eau. Dès que chaque point a sa classe, le nuage cesse d'être une masse et devient des couches réellement utilisables. L'IA a changé la façon dont cette étiquette est décidée. Au lieu de règles qu'une personne ajuste à la main, un modèle d'apprentissage profond apprend les motifs dans des nuages déjà étiquetés par des experts.
Voici comment cela fonctionne, en termes simples : ce que faisaient les anciennes règles, ce qu'un modèle appris lit dans vos données, ce que « pré-entraîné » signifie pour votre équipe, et pourquoi tout cela peut tourner sur un poste de travail ordinaire.
Des règles ajustées à la main à la classification apprise
Dans un fichier LAS, chaque point possède un champ classification avec un code ASPRS standard : 2 pour le sol, 3, 4 et 5 pour la végétation selon la hauteur, 6 pour le bâtiment, 9 pour l'eau. Des blocs en entrée, des classes en sortie. La seule question est de savoir comment chaque classe est décidée.
La méthode classique, ce sont les règles géométriques. Des filtres comme la densification progressive de TIN ou le filtre de simulation de tissu trouvent le sol à l'aide de seuils de pente et de hauteur. Ils fonctionnent, et ils restent utiles. Mais chaque seuil est un pari sur un seul type de terrain. Des réglages qui se comportent bien en plaine agricole s'effondrent sur une pente boisée escarpée, et quelqu'un finit par réajuster les paramètres bloc après bloc. Le vrai coût n'est pas le temps de calcul. Ce sont les heures passées à courir après les réglages.
Un modèle appris saute l'étape du réglage. On lui a montré un très grand nombre de points correctement étiquetés, et il a déduit lui-même quelles combinaisons de forme, de hauteur et de motif d'écho séparent un toit de l'arbre qui le surplombe. C'est exactement le jugement qu'un bon réviseur porte à l'œil dans une vue en profil. Le modèle l'applique simplement à tous les points à la fois.
Ce que le modèle lit dans vos données
Quatre signaux font l'essentiel du travail. La forme : ce voisinage est-il plat comme une route, net comme une arête de toit, ou dispersé comme du feuillage ? La hauteur au-dessus du sol : un point à deux mètres de haut n'est probablement pas de la terre nue. Le motif d'écho : une impulsion laser qui frappe la canopée se divise en plusieurs retours, tandis que la chaussée renvoie un seul écho net. L'intensité : la force avec laquelle la surface réfléchit, qui trahit le matériau. Un réviseur lit ces quatre indices à l'œil. Le modèle les lit à chaque point.
Le modèle lit aussi le contexte. Une surface plane à cinq mètres du sol, entourée d'une chute nette de tous les côtés, est un toit et non un petit stationnement. C'est le contexte qui lui permet de tenir un fil à l'écart des arbres juste derrière, et une arête de toit hors de la classe végétation.
Règles ou apprentissage : où chacun gagne
Aucune des deux approches n'est magique. Les règles sont transparentes et prévisibles. L'apprentissage gère les scènes complexes et mélangées sans réglage par scène. Comparez-les sur ce qui gruge vraiment le temps de production :
| En production | Filtres à base de règles | Classification apprise |
|---|---|---|
| Installation | Choisir d'abord un algorithme et ses paramètres | Charger un modèle pré-entraîné et lancer |
| Réglage par terrain | Réajuster scène par scène | Aucun ; le modèle s'adapte seul |
| Canopée dense, toits complexes, fils | Là où les seuils simples cèdent en premier | Tenus plus fermement, appris de nombreuses scènes |
| Constance sur un projet | Dérive à mesure que les réglages changent | Même modèle, même comportement sur chaque tuile |
| Effort de révision | Gros nettoyage dans les zones difficiles | Ciblé sur les points sensibles connus |
Ce que « pré-entraîné » signifie pour votre équipe
Un modèle ne vaut que les nuages étiquetés dont il a appris, et constituer cet ensemble d'entraînement est un travail énorme et spécialisé. L'intérêt d'un modèle pré-entraîné, c'est que quelqu'un l'a déjà fait. Votre équipe n'assemble aucune donnée d'entraînement et ne bâtit aucun modèle. Vous en chargez un qui fonctionne déjà et vous l'essayez sur vos propres tuiles.
Pourquoi ce qui a été appris sur un projet se transpose-t-il à un autre ? Parce que les signaux relèvent de la physique, pas de la géographie. Un toit est une surface plane au-dessus du sol partout sur Terre. La canopée divise toujours l'impulsion en plusieurs retours. Cela dit, les données varient quand même. Capteurs, hauteurs de vol et densités de points diffèrent, et un modèle habitué aux données denses de drone peut trébucher sur des données éparses à haute altitude. Les balayages aéroportés regardent droit vers le bas ; les balayages mobiles regardent de côté. Vues différentes, modèle différent.
Lire la sortie
La sortie est le même nuage, avec une classe sur chaque point. Quelle est sa qualité ? Deux chiffres par classe y répondent. L'exactitude de l'utilisateur : parmi les points étiquetés bâtiment, combien en sont vraiment. L'exactitude du producteur : parmi les vrais bâtiments, combien le modèle en a trouvé. Méfiez-vous du chiffre global unique. Le sol domine la plupart des tuiles, et un score global flatteur peut cacher une classe rare qui échoue en silence.
Les erreurs suivent des motifs. La végétation basse déborde dans le sol sur les pentes. Les fils fusionnent avec les arbres derrière eux. L'eau disparaît sur les surfaces sombres et mouillées. Comme ces motifs se répètent, un réviseur sait exactement où regarder d'abord, et la passe de révision va vite. Cette passe fait partie du travail ; ce n'est pas une excuse pour le modèle. C'est elle qui transforme une bonne prédiction en un livrable que quelqu'un signe.
Tout cela tourne sur votre propre poste
Rien de tout cela n'exige un centre de données. Un modèle pré-entraîné traite un bloc une tuile à la fois sur un poste de travail avec GPU, comme celui que la plupart des équipes de cartographie possèdent déjà. Comparez avec un service infonuagique : téléverser un bloc de plusieurs gigaoctets, attendre en file, retélécharger le résultat. Tourner en local, c'est des données qui ne quittent jamais votre machine, rien à téléverser, et un bloc de plus qui ne coûte rien.
C'est le principe autour duquel Vecten Desktop est bâti : une classification pré-entraînée qui s'exécute localement sur la machine de l'opérateur. VClassify couvre les classes sémantiques de base, VGround le sol et le terrain, VUtilities les actifs de corridor. La sortie est un bloc LAS ou LAZ classifié standard, prêt pour la passe de révision que reçoit tout livrable classifié.
Voilà tout l'arc. Des points bruts en entrée, la forme et le contexte appris au milieu, une classe sur chaque point en sortie, et une personne pour valider. Une fois ce parcours en tête, il devient beaucoup plus facile de juger où la classification par IA vous fait gagner le plus de temps, et où vos yeux restent le meilleur instrument du projet.
