Application of Machine Learning Classifiers to Differentiate Debris from Rock Walls Using 3D Point Clouds at the St-Michel Quarry, Montreal

RÉSUMÉ: Le développement urbain et l’intensification de l’extraction minière ont entraîné une augmentation du nombre de versants rocheux vieillissants à proximité d’infrastructures critiques. La surveillance de ces pentes est essentielle pour assurer leur stabilité géotechnique. Toutefois, la classification manuelle des débris et des parois rocheuses à partir des données topographiques demeure longue et subjective. Cette étude examine l’application d’algorithmes d’apprentissage automatique (Machine Learning) pour automatiser la classification des débris et des parois rocheuses dans la carrière Saint-Michel à Montréal (Canada), un site actif de stockage de débris exploité par la Ville de Montréal. Neuf levés topographiques par LiDAR et photogrammétrie ont été réalisés sur une période de 18 mois afin de produire des jeux de données détaillés. Trois algorithmes de classification ont été appliqués : K-means (non supervisé), CANUPO et Random Forest (supervisés). Les résultats révèlent des performances prometteuses, avec une précision globale de 90,4 % pour K-means, 88,0 % pour Random Forest et 64,6 % pour CANUPO. Ces approches permettent de réduire considérablement les efforts manuels et d’améliorer l’objectivité de l’évaluation des conditions structurales. L’article discute également des défis liés à la préparation des données d’entraînement et de la nécessité d’un prétraitement automatisé des nuages de points pour optimiser l’efficacité de la classification.

ABSTRACT: Urban development and intensified mineral extraction have increased the number of aging rock slopes near critical infrastructures. Monitoring these slopes is essential for ensuring geotechnical stability, yet manual classification of debris and rock slopes from topographical data is time-consuming and subjective. This study explores the use of Machine Learning (ML) algorithms to automate the classification of debris and rock walls in the St-Michel Quarry in Montreal, Canada which is an active debris storage site operated by Ville de Montréal. Over 18 months, nine LiDAR and photogrammetry surveys were conducted to generate detailed topographical datasets. Three ML classifiers were applied: K-means (unsupervised), CANUPO, and Random Forest (supervised). Results show promising classification performance, with K-means achieving the highest overall accuracy (90.4%), followed by Random Forest (88.0%) and CANUPO (64.6%). These methods significantly reduce manual effort and improve objectivity in structural condition assessment. The paper also discusses key challenges in training data preparation, and the need for automated pre-processing of point clouds to enhance classification efficiency.