Outliers, noise and occlusions removal in 6D point clouds for improving illegal landfills detection

Our master's thesis focuses on improving the analysis of illegal landfills by processing 6D point clouds obtained from passive (cameras) and active (Lidar) sensors. The key phases of our project include outliers detection, denoising, and occlusion removal (vegetation), which hinder waste detection and volume estimation. Our thesis contributes to the European project PERIVALLON, aiming to identify illegal landfills caused by environmental crimes related to pollution and waste dumping. During our research, we analyzed various methods. For outlier removal and denoising, we employed techniques such as Statistical Outlier Removal (SOR), DBSCAN, Radius Outlier Removal (ROR), Bilateral Filtering, and the 3D Mean Shift Anisotropic filter. SOR proved effective in removing outliers, detecting over 90% of anomalous points with a minimal number of misclassified points. Bilateral Filtering excelled in denoising, identifying approximately 59% of noise points without mistakenly classifying waste pile points. Vegetation removal, treated as a semantic segmentation problem, was addressed using the deep learning models RandLA-Net and PointNeXt, both based on PointNet++. PointNeXt outperformed RandLA-Net, achieving a Mean IoU score of 64% and an Overall Accuracy above 95% on a synthetic dataset created in Blender, which included labeled waste, vegetation, noise, and outliers across six scenarios and four types of waste: asbestos, metals, plastic waste, and tires. PointNeXt demonstrated outstanding performance in vegetation recognition, with an IoU score exceeding 96%.

La nostra tesi di laurea magistrale si concentra sul miglioramento delle analisi delle discariche illegali attraverso l'elaborazione di nuvole di punti 6D provenienti da sensori passivi (camere) e attivi (Lidar). Le fasi chiave del nostro progetto includono l’identificazione di outlier e denoising, e la rimozione delle occlusioni (vegetazione), che ostacolano il rilevamento dei rifiuti e la stima del volume. La nostra tesi contribuisce al progetto europeo PERIVALLON, con l'obiettivo di identificare discariche abusive dovute a crimini ambientali legati all'inquinamento e all'abbandono di rifiuti. Durante il nostro lavoro abbiamo analizzato diversi metodi. Per la rimozione degli outlier, vengono utilizzati metodi come Statistical Outlier Removal (SOR), DBSCAN, Radius Outlier Removal (ROR), Bilateral Filtering e 3D Mean Shift Anisotropic filter. SOR si è dimostrato efficace nella rimozione degli outlier, rilevando oltre il 90% dei punti anomali con un minimo numero di punti erroneamente classificati, mentre Bilateral Filtering ha eccelso nel denoising, identificando circa il 59% dei punti di rumore senza classificare erroneamente i punti delle pile di rifiuti. La rimozione della vegetazione, trattata come un problema di segmentazione semantica, è stata affrontata utilizzando i modelli di deep learning RandLA-Net e PointNeXt, entrambi basati su PointNet++. PointNeXt ha superato RandLA-Net, raggiungendo il 64% di Mean IoU e un'Overall Accuracy superiore al 95% su un dataset sintetico creato in ambiente Blender, che includeva rifiuti etichettati, vegetazione, rumore e outlier in sei scenari e quattro tipologie di rifiuti: amianto, metalli, rifiuti plastici e pneumatici. PointNeXt ha dimostrato prestazioni eccezionali nel riconoscimento della vegetazione, con un punteggio di IoU superiore al 96%.