Semantic segmentation of landfills in photogrammetry-based 3D point clouds

This thesis presents a novel approach for segmenting landfills in rural areas using 3D point clouds generated through photogrammetry, contributing to the field of environmental monitoring. The proposed deep learning framework is built upon Kernel Point Convolution (KPConv), enabling direct convolution operations on raw point clouds without requiring intermediate transformations. Unlike conventional methods based on 2D imagery or voxelised representations, this approach ensures more precise and efficient segmentation of waste deposits since it is able to exploit distinct spatial and structural characteristics proper of waste piles. To prove the advantages of using models able to directly process raw 3D point clouds, we built two alternative methods, which are valuable alternatives and provide a robust baseline for comparison: an Image-Based model and a Voxel-Based model. The comparison between these two models suggests that the KPConv-based approach performs better in the context of landfill segmentation and classification under identical initial constraints and data.

Questa tesi propone una nuova soluzione per l'identificazione e la segmentazione di discariche abusive in aree rurali attraverso l'applicazione di tecniche di deep learning a nuvole di punti 3D generate attraverso fotogrammetria, contribuendo nell'ambito del monitoraggio ambientale. Il metodo sviluppato si basa su Kernel Point Convolution (KPConv), consentendo di applicare operazioni di convoluzione direttamente sulle nuvole di punti senza trasformazioni intermedie. A differenza dei metodi sviluppati fino ad oggi che si basano su immmagini 2D o più raramente su voxel, questa strategia garantisce una segmentazione più precisa ed efficiente dei rifiuti poiché è capace di sfruttare le caratteristiche spaziali e strutturali proprie delle pile di rifiuti. Inoltre, per provare i vantaggi di applicare modelli in grado di elaborare direttamente nuvole di punti, abbiamo costruito due modelli alternativi che costituiscono delle valide alternative e rimangono un riferimento robusto con cui fare dei confronti: un modello basato su immagini e un modello basato su Voxels. Dal confronto con questi due metodi risulta che il metodo basato su KPConv ottiene risultati migliori nel contesto del monitoraggio e classificazione di rifiuti a partire da condizioni di partenza identiche.