Metody klasifikace dřevin v laserových bodových mračnech

Bc. Martin Koudelka

Master's thesis

Methods of species classification in LiDAR point clouds

Abstract:

Cílem této práce ověřit možnosti automatizované klasifikace 2 druhů dřevin pomocí výpočetní techniky na základě strukturálních či spektrálních charakteristik vstupních dat v podobě bodových mračen vzniklých ručním pozemním laserovým skenováním. Pro řešení projektu byly zvoleny dva přístupy: matematicko-statistický popis intenzit odrazů laserových paprsků a klasifikace na základě strukturálních charakteristik analyzovaných bodových mračen, které byly následně matematicky popsány pomocí Houghovy liniové transformace. Vlastní proces klasifikace proběhl skrze model strojového učení Random forest, který vycházel z číselných proměnných poskytnutých jednotlivými postupy. První metoda vycházela z celkem 11 proměnných a umožnila přesnost klasifikace 98,5 až 100 %, zatímco sekundární přístup postavený na 24 vytipovaných proměnných dosahoval přesností okolo 85 %. Každý z uvažovaných postupů představoval určité výhody i možné nedostatky, nicméně perspektivní výsledky pokládají solidní základ budoucímu zkoumání této problematiky rozšířením experimentu, kombinací metod či rozšířením klasifikačního modelu.

Abstract:

The goal of this thesis is to evaluate the possibilities of automated classification of 2 tree species using computing techniques based on structural and spectral characteristics of input point clouds created by handheld laser scanning. As the two solutions for project handling were selected: mathematical and statistical description of laser return signals intensities and classification based on structural characteristics of analysed point clouds, that were additionally mathematically described by Hough line transformation. Classification process was realized by Random Forest model of machine learning that was based od numerical variables supplied by individual methods. Classification based on 11 variables originating from the first method performed on 98,5 – 100 % overall accuracy, meanwhile the second set of 24 variables allowed classification accuracy about 85 %. Both suggested approaches represented certain advantages as well as possible drawbacks, although perspective outcomes are laying solid base for future research of this problematic with larger experiment, through combination of methods of with upscaling the classification model.

Keywords

klasifikace, laserové skenování, strojové učení, bodová mračna

Keywords

laser scanning, machine learning, point clouds, classification

Language used: Czech

Date on which the thesis was submitted / produced: 10. 4. 2022

Thesis defence

• Supervisor: Ing. Karel Kuželka, Ph.D.

Czech University of Life Sciences Prague

Faculty of Forestry and Wood Sciences

Master programme / field:
Forestry Engineering / Forest Engineering