vestnik Журнал "Вестник Сибирского государственного университета геосистем и технологий (СГУГиТ)" 2411-1759 ФГБОУ ВО "Сибирский государственный университет геосистем и технологий (СГУГиТ)" RU https://vestnik.sgugit.ru https://doi.org/10.33764/2411-1759-2026-31-4-27-36 Геодезия и маркшейдерия Создание предварительного проекта лазерного сканирования на основе синтетического облака точек, полученного методом виртуального (имитационного) лазерного сканирования Н. И. Хушт Хушт Н. И. М. Я. Брынь Брынь М. Я. Д. А. Гура Гура Д. А. К. Л. Саввиди Саввиди К. Л. АО «Полиметалл Инжиниринг», г. Санкт-Петербург, Российская Федерация ФГБОУ ВО «Петербургский государственный университет путей сообщения Императора Александра I», г. Санкт-Петербург, Российская Федерация ФГБОУ ВО «Кубанский государственный технологический университет», г. Краснодар, Российская Федерация 2026 31 4 27 36 © Н. И. Хушт, М. Я. Брынь, Д. А. Гура, К. Л. Саввиди, 2026 2026 Н. И. Хушт, М. Я. Брынь, Д. А. Гура, К. Л. Саввиди Эта статья дотупна по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная. Повсеместное внедрение лазерного сканирования как современного метода съёмки больших территорий вызывает необходимость повышения качества исходных данных для съёмки, включая данные, получаемые в процессе рекогносцировки местности, так как от качества исходных данных зависит и качество производства лазерного сканирования, и, как следствие, точность итоговой цифровой модели местности. Для решения данной проблемы авторами предлагается методика создания предварительного проекта лазерного сканирования на основе синтетического облака точек, полученного методом виртуального лазерного сканирования на базе плагина Blensor программного обеспечения Blender. Суть метода виртуального сканирования заключается в имитации процесса сканирования с использованием цифровых моделей объектов, созданных на основе имеющихся топографических карт, геоинформационных и картографических ресурсов. Так, авторами была произведена апробация предложенной методики на примере участка городской территории Краснодара, в ходе которой экспериментальным путём был выбран оптимальный тип виртуального сканера, а также набор параметров виртуального сканирования, обеспечивающих получение синтетического облака точек, наиболее приближенного по своим характеристикам к облаку точек, получаемому при производстве съёмки на местности. рекогносцировка местности виртуальное (имитационное) лазерное сканирование синтетическое облако точек terrain reconnaissance virtual scan simulation synthetic point cloud 1. Community B. O. Blender — a 3D modelling and rendering package; Blender Foundation. 2018. 2. Bebis G., Boyle R., Parvin B. [et al.].Gschwandtner M., Kwitt R., Uhl A., Pree W. BlenSor: Blender Sensor Simulation Toolbox. Advances in Visual Computing : ser. Lecture Notes in Computer Science. Berlin, Heidelberg : Springer, 2011. P. 199–208. 3. Wu B., Wan A., Yue X., Keutzer K. Squeeze Seg: Convolutional Neural Nets with Recurrent CRF for Real Time Road Object Segmentation from 3D LiDAR Point Cloud 2017. URL: https://arxiv.org (дата обращения: 12.11.2025). — arXiv:1710.07368 [cs]. 4. Dosovitskiy A., Ros G., Codevilla F., Lopez A., Koltun V. CARLA: An Open Urban Driving Simulator. 2017, Nov. URL: https://arxiv.org (дата обращения: 12.11.2025). arXiv:1711.03938 [cs]. 5. Serna A., Marcotegui B., Goulette F., Deschaud J.-E. Paris-rue-Madame database: A 3D mobile laser scanner dataset for benchmarking urban detection, segmentation and classification methods. 4th International Conference on Pattern Recognition, Applications and Methods (ICPRAM 2014) : conference proceedings. Angers, France, 2014, Mar. 6. Chang A. X., Funkhouser T., Guibas L., Hanrahan P., Huang Q., Li Z., Savarese S., Savva M., Song S., Su H., Xiao J., Yi L., Yu F. ShapeNet: An Information-Rich 3D Model Repository 2015, Dec. URL: https://arxiv.org (дата обращения: 12.11.2025). — arXiv:1512.03012 [cs]. 7. Vallet B., Bredif M., Serna A., Marcotegui B., Paparoditis N. TerraMobilita/iQmulus urban point cloud analysis benchmark. Computers & Graphics. 2015. Vol. 49. P. 126–133. 8. Wu B., Zhou X., Zhao S., Yue X., Keutzer K. SqueezeSegV2: Improved Model Structure and Unsupervised Domain Adaptation for Road-Object Segmentation from a LiDAR Point Cloud 2018, URL: https://arxiv.org (дата обращения: 12.11.2025). — arXiv:1809.08495 [cs]. 9. Griffiths D., Boehm J. Weighted Point Cloud Augmentation for Neural Network Training Data Class-Imbalance. ISPRS — International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2019. Vol. XLII-2/W13. P. 981–987. 10. Griffiths D., Boehm J. SynthCity: A large scale synthetic point cloud. 2019, Jul. URL: https://arxiv.org (дата обращения: 12.11.2025). arXiv:1907.04758v1 [cs.CV]. 11. Дьяченко Р. А., Борисов С. Н. О возможности использования API геоинформационных систем. Научные чтения имени профессора Н. Е. Жуковского : Сборник научных статей VIII Международной научно-практической конференции «Научные чтения имени профессора Н. Е. Жуковского», Краснодар, 20–21 декабря 2017 года / КВВАУЛ им. Героя Советского Союза А. К. Серова. Краснодар : Общество с ограниченной ответственностью «Издательский Дом – Юг», 2018. С. 299–302. EDN YPSAUK. 12. Ros G., Sellart L., Materzynska J., Vazquez D., Lopez A. M. The SYNTHIA Dataset: A Large Collection of Synthetic Images for Semantic Segmentation of Urban Scenes. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2016. P. 3234–3243. 13. Deng J., Dong W., Socher R., Li L.-J., Li K., Fei-Fei L. ImageNet: A large-scale hierarchical image database. Computer Vision and Pattern Recognition (CVPR 2009): conference proceedings. IEEE, 2009. P. 248–255. 14. Everingham M., Van Gool L., Williams C. K. I., Winn J., Zisserman A. The Pascal Visual Object Classes (VOC) Challenge. International Journal of Computer Vision. 2010. Vol. 88, No. 2. P. 303–338. — Jun. 15. Hackel T., Savinov N., Ladicky L., Wegner J. D., Schindler K., Pollefeys M. Semantic3D.net: A new Large-scale Point Cloud Classification Benchmark [Электронный ресурс] 2017. URL: https://arxiv.org (дата обращения: 12.11.2025). arXiv:1704.03847 [cs]. 16. D. Fleet, T. Pajdla, B. Schiele, T. Tuytelaars, Lin T.-Y., Maire M., Belongie S., Hays J., Perona P., Ramanan D., Dollar P., Zitnick C. L. Microsoft COCO: Common Objects in Context. Computer Vision ECCV 2014 : ser. Lecture Notes in Computer Science. Springer International Publishing, 2014. P. 740–755. 17. Roynard X., Deschaud J.-E., Goulette F. Paris-Lille-3D: A large and high-quality ground truth urban point cloud dataset for automatic segmentation and classification [Электронный ресурс]. 2017, Nov. URL: https://arxiv.org (дата обращения: 12.11.2025). arXiv:1712.00032 [cs, stat].