Software Engineer — 3D Data and LiDAR Processing
Summary
Develops software to process LiDAR point clouds into high-accuracy digital twins of outdoor assets, using Python, PDAL, Open3D, and ML models like PointNet for classification and geometry modeling.
3B nokta bulutunu karara dönüştürüyoruz.
Havadan ve lidar taramalarından elde edilen yoğun 3B nokta bulutlarını, büyük ölçekli dış mekan varlıklarının metrik doğrulukta dijital ikizine dönüştürüyoruz. Sistem, taranan yapıların geometrisini modelliyor; çevredeki nesnelere olan emniyet mesafelerini otomatik hesaplıyor, ihlalleri eşik değerlerine göre sınıflandırıyor ve önceliklendirilmiş saha iş paketlerine çeviriyor.
Yapacaklarınız
- Ham LiDAR verisinin kalite kontrolü — nokta yoğunluğu homojenliği, GNSS/IMU kaynaklı konum sapması, SOR gürültü filtreleme, şerit örtüşme tutarlılığı
- Zemin filtreleme ve DTM/DSM üretimi; PMF ve CSF algoritmalarının düz, dağlık ve kıyı arazilerde karşılaştırmalı parametre optimizasyonu
- Nokta bulutu sınıflandırma — geometrik ve yansıtıcılık özniteliklerine dayalı Random Forest ile doğrudan 3B nokta üzerinde çalışan PointNet'in karşılaştırılması, hibrit yaklaşımların araştırılması
- Dikey eleman tespiti (RANSAC / DBSCAN), graf tabanlı topoloji eşleme ve açıklık (span) segmentasyonu
- Nokta bulutunun kurumsal CBS envanteriyle eşleştirilmesi, koordinatsistemi dönüşümleri ve dijital ikiz katmanının oluşturulması
- Sonuçların OGC WMS/WFS servisleri ile .shp / .kml / .geojson formatlarında dışa aktarımı
- GNSS/RTK ölçümleriyle saha doğrulaması ve iteratif kalibrasyon
Aradığımız Nitelikler
- Üniversitelerin 4 yıllık lisans programlarından mezun olmak:
- Elektronik ve Haberleşme Mühendisliği
- Bilgisayar ve Yazılım Mühendisliği
- Bilişim Sistemleri Mühendisliği
- Ve benzeri bölümler
- PDAL, Open3D, PCL, laspy, CloudCompare veya LAStools'tan en az biriyle nokta bulutu işleme konusunda üretim deneyimi
- Güçlü Python; NumPy ve SciPy ile büyük ölçekli sayısal işleme
- LAS/LAZ formatına, sınıflandırma kodlarına ve LiDAR veri yapılarına hakimiyet
- Coğrafi veri yetkinliği — GDAL, rasterio, shapely, geopandas; EPSG ve datum dönüşümlerinde net kavrayış
- Makine öğrenmesi temeli — en az klasik ML (Random Forest, XGBoost) ve derin öğrenme tarafında PyTorch ile çalışabilmeBellek yönetimi ve mekânsal indeksleme bilinci. Milyar mertebesinde nokta işliyoruz; KD-Tree / Ball-Tree, chunking ve out-of-core stratejiler
- 3B derin öğrenme mimarilerinde uygulama deneyimi — PointNet, PointNet++, KPConv
- Fotogrametri, SfM, COLMAP, İHA uçuş planlama
- Eğri fit deneyimi — katenary veya spline modelleme, Levenberg–Marquardt ya da IRLS robust fitting
- PostGIS, QGIS eklenti geliştirme, GeoServer
- Uzaktan algılama, jeodezi, jeomatik veya harita mühendisliği formasyonu
- Ar-Ge projesi içinde çalışmış olmak, dönemsel raporlama süreçleri dahil