Klassificering av punktmoln

Klassificering av punktmoln

En studie baserad på data insamlad med UAV över varierad terräng

Point cloud classification

A study based on data collected by UAV over a varied terrain

Patrik Larsson & Martin Widholm

ii

Sammanfattning

I projektet har digitala markmodeller tagits fram med en unmanned aerial vehicle (UAV) över ett område där varierad terräng förekommer. Undersökningen syftar till att utvärdera olika metoder att definiera markpunkter och är utförd ur ett noggrannhetsperspektiv, samt ett tidsperspektiv. Flygbilder samlades in med UAV på 60 meters höjd, sammanlagt 153 bilder över ett område på cirka 250 x 400 meter. Flygbilderna togs med ett överlapp på 80 % både i och mellan flygstråken.

Bildmatchning utfördes i programvaran Agisoft Photoscan, där ett punktmoln skapades. Klassificering av punktmolnet gjordes i två olika programvaror, Agisoft Photoscan och Topocad från Adtollo. I varje programvara skapades tre klassificerade punktmoln för att undersöka hur olika inställningar påverkade klassificeringen. De klassificerade punktmolnen importerades i SBG GEO, där markmodeller skapades i form av triangelmodeller (TIN - triangulated irregular network).

För att kontrollera markmodellerna utfördes inmätningar av kontrollprofiler i projektområdet med totalstation. Kontrollprofilerna fördelades inom tre marktyper: skogsmark, öppen terräng och hårdgjorda ytor.

Höjder extraherades från markmodellerna, för att jämföras med de inmätta kontrollprofilerna. Den markmodell från respektive programvara som bedömdes återge verkligheten på bästa sätt jämfördes mot varandra.

1

1. Inledning

1.1 Bakgrund

Under senare år har flygfotografering fått ny fart, inte för att flygfototekniken i sig gått framåt, utan för att tekniken har kombinerats med en mindre flygfarkost. Unmanned aerial vehicle (UAV), eller drönare som de ofta benämns, har blivit mer tillgängliga för både allmänheten och företag. Efterbearbetning av fotografier tagna med UAV ger möjlighet att skapa digitala höjdmodeller (DEM - digital elevation model), vilket kan nyttjas för beräkning av volymer etc. (F. Remondino et al. 2011).

Möjligheten att generera digitala terrängmodeller ger snabbt en bild över hur ett område ser ut, och vilken marktyp ytan består av. En metod för att skapa terrängmodeller är genom flygbilder, där ett punktmoln skapas med hjälp av fotogrammetri. Punktmolnet representerar all terräng som skog och övrig vegetation, men även byggnader och hårdgjorda ytor. Vid planering och projektering inför byggnation är det ofta terrängmodeller där mark representeras som är av intresse. Vid sortering av punkter som representerar mark finns idag olika programvaror och metoder som bygger på att rensa bland de punkter programvaran inte tror är markpunkter. Examensarbetet syftar till att undersöka olika tillvägagångssätt vid skapandet av digitala markmodeller (DEM - digital elevation model). Projektet är tänkt att resultera i en metod som är tidseffektiv och återspeglar verkligheten i stora drag.

4

2. Syfte

5

3. Teori

3.1 UAV

F. Remondino et al. (2011) förklarar att definitionen av UAV är en luftfarkost som utvecklats för att på egen hand utföra uppdrag utan att någon pilot befinner sig ombord. Det finns många användningsområden för en obemannad flygfarkost. Ett urval av dessa är; inventering i skogsindustrin, trafikövervakning, kartering, samt skapande av 3D-modeller. Den vanligaste utformningen av UAV är den med fasta vingar (modellplan) och den med roterande vingar (multicopter). Ofta används ombordliggande system i form av Global navigation satellite systems (GNSS) och intertial navigation system (INS) för att styra farkosten (F. Remondino et al. 2011). INS, vilket är ett tröghetsnavigeringssystem, utgörs av en accelerometer och ett gyro med vardera tre axlar som beräknar hur farkosten lutar (Mårtensson & Reshetyuk 2014).

Fördelar med en UAV tillsammans med foto- eller filmteknik jämfört med traditionell flygfotografering med ett flygplan är dess möjlighet att flyga över högriskområden, där piloten kan utsättas för fara. Idag används UAV för dokumentering vid naturkatastrofer, vulkanutbrott, eller där hög strålning förekommer. Metoden används även vid industriverksamhet där mätningar med traditionella metoder försvåras. Vid sämre väderförhållanden, som vid tät dimma eller moln på lägre höjd, kommer UAV till stor användning eftersom det är möjligt att flyga på en lägre höjd jämfört med ett flygplan (Eisenbeiß 2009).

Användningen av UAV kan vara fördelaktigt ur ett kostnadsperspektiv vid flygfotografering över mindre områden. Vid traditionell flygfotografering är både flygplan, pilot, samt avancerad utrustning ombord kostsamma om de ställs mot en UAV med dess förhållandevis enkla navigering och fotoutrustning. Inmätning av mindre områden, som anses stora vid traditionell terrester mätning, kan i vissa fall ersättas med UAV-insamlad data (Eisenbeiß 2009).

6 på en UAV har inte lika stabil inre geometri jämfört med den utrustning som monteras i flygplan. En UAV är dessutom mer känslig för vind, vilket kan skapa brus i bilderna.

Kvaliteten på insamlad bilddata kan baseras utifrån Lantmäteriets HMK-standardnivåer. HMK-standardnivåer redovisas i tabell 1. Dessa standardnivåer anger lämpligt användningsområde. Tabell 1. HMK-standardnivåer för insamlad bilddata (Lantmäteriet 2015a). Parametrar HMK-standardnivå 1 HMK-standardnivå 2 HMK-standardnivå 3 Geometrisk upplösning 0,20-0,50 m 0,08-0,12 m 0,02-0,05 m Standardosäkerhet i plan 0,20-0,50 m 0,20-0,50 m 0,02-0,05 m Standardosäkerhet i höjd 0,3-0,75 m 0,12-0,18 m 0,03-0,07 m Övertäckning 60% inom, 30%

mellan stråken 60% inom, 30% mellan stråken 80% inom, 60% mellan stråken

3.1.1 Reglerande lagar

Transportstyrelsen reglerar användningen av UAV vid fotogrammetrisk mätning i transportstyrelsens författningssamling TSFS 2009:88 med ändringar i TSFS 2013:27 och TSFS 2014:45. En UAV delas upp i olika klasser beroende på sin storlek. Två av de vanligaste klasserna är 1A och 1B. Klass 1A tillåter en högsta vikt på 1,5 kg och en maximal kinetisk energi på 140 J. Klass 1B tillåter en vikt från 1,5 kg upp till och med 7 kg. För båda klasserna gäller flygning inom pilotens synfält (Transportstyrelsen 2009).

3.2 Fotogrammetri och 3D-modellering

7 användarens stereoseende, eller automatiskt genom digital bildmatchning med blockutjämning. Vid digital bildmatchning söker programmet ut matchande bilder genom att matcha mönster och nyanser, där bilder innehållande samma objekt paras samman (Lantmäteriet m.fl. 2013).

Vid UAV utrustad med GNSS och INS underlättas den automatiska bildmatchningsprocessen, eftersom flygfotografiernas position relativt varandra redan är grovt uppskattade (F. Remondino et al. 2011).

Flygfoton tagna från UAV behandlas genom tre steg, kamerakalibrering, blockutjämning, och tät bildmatchning. En blockutjämning resulterar i en positionsbestämning och orientering. Det finns idag mjukvaror som kan utföra blockutjämning och kamerakalibrering i ett steg. Gemensamma bildpunkter mellan överlappande bilder, så kallade konnektionspunkter, identifieras och skapar ett glest punktmoln. Tät bildmatchning genererar ett tätare punktmoln och innebär att varje pixel tilldelas ett höjdvärde. Kvaliteten på punktmolnet beror till viss del på hur många bilder stödpunkterna återfinns i (Mårtensson & Reshetyuk 2014).

Med hjälp av fotogrammetri kan olika typer av produkter tas fram, t.ex. kartor, terräng- eller ytmodeller, ortofoton och 3D-modeller. Eftersom mätningar görs i bilden måste kamerans geometriska egenskaper vara kända. En kameras avbildning av ett objekt benämns centralprojektion, vilket innebär att alla ljusstrålar som når kameran skär varandra i projektionscentrum i objektivet (Lantmäteriet m.fl. 2013).

8

3.2.1 Felkällor

Alla mätmetoder har felkällor och fotogrammetri är inget undantag. Åkerholm (2012) har i sitt arbete undersökt olika felkällor och kommit fram till följande: • Skuggor kan orsaka fel i terrängen, speciellt längre skuggor som hunnit förflytta sig mellan fototillfällena.

• Homogena ytor kan orsaka problem mellan överlappande bilder eftersom

svårigheter med att identifiera gemensamma bildpunkter uppstår.

• Dåliga ljusförhållanden, för ljusa eller för mörka bilder kan göra att objekt inte går

att urskilja från bilderna. Vid hög ljusförstärkning kan ett brus uppkomma i bilderna.

• Bildkomprimering, kan göra det svårare att identifiera matchande bildpunkter,

eftersom informationen förenklas.

• Eventuella vibrationer från flygfarkosten kan ge oskarpa bilder.

3.3 Laserskanning, en alternativ metod

Laserskanning är ett alternativ till flygfotografering vid framtagande av terrängmodeller, vilket kan utföras genom flygburen eller terrester laserskanning. En laserskanner är uppbyggd av en avståndslaser och en skanner som fördelar mätningarna över området. Vissa moderna totalstationer har inbyggd skannerfunktion (multistation), där ofta hastigheten är något lägre än vid en traditionell terrester skanner. Tiden det tar för laserpulsen att färdas från skannern till objektet och tillbaks registreras, där samtliga mätningar bildar ett punktmoln (Reshetyuk 2009).

3.4 GNSS

9 Avståndet bestäms med tidsmätning, vilket kan utföras på två olika sätt; kodmätning eller fasmätning. Vid kodmätning genereras en kod samtidigt i mottagare och satellit som jämförs mot varandra. Avståndet kan beräknas med hjälp av tidsmarkeringar i signalen, eftersom signalens hastighet är känd. Vid bärvågsmätning används antalet bärvågsperioder för att bestämma avståndet. Antalet hela och del av period identifieras, och genom det kan avståndet beräknas (Engfeldt & Jivall 2007).

GNSS-mätning kan göras absolut eller relativt, där absolut mätning innebär att en mottagare mäter direkt mot satelliter. Vid den relativa mätningen används minst två mottagare, där en av mottagarna är placerad över en känd punkt, vilken genererar korrektioner. (Lantmäteriet m. fl. 2013).

Real time kinematic (RTK) är en typ av relativ GNSS-mätning som sker i realtid. Svenska SWEPOS drivs av Lantmäteriet, vilket är en nätverksbaserad RTK-tjänst. SWEPOS består av ett nätverk med fasta referensstationer, vilka skickar RTK-korrektioner för atmosfärspåverkan samt klock- och banfel som påverkar satellitsignalerna. Korrektionerna bidrar till att en högre positionsnoggrannhet kan uppnås (Lantmäteriet 2009). En förhållandevis ny teknik är post processing kinematic (PPK), vilken liksom RTK är en relativ mätmetod. PPK kan beräknas i efterhand, vilket är en fördel vid förlorad fixlösning. Efterberäkningar kan göras via SWEPOS referensstationer, vilket eliminerar behovet av egen referensstation. Implementeras metoden vid flygfotografering med UAV innebär det att stödpunkter på marken inte är nödvändigt (Altavian 2016).

3.5 Digitala markmodeller

Markområden kan avbildas genom en digital markmodell uppbyggd med en rutnätsmodell eller triangelmodell. Rutnätsmodellen är en äldre metod, vilken bygger på avvägningar i rutnät. Modellen beskrivs genom ett koordinatsystem med sektion och sidomått, alternativt med koordinater.

10 vilken punkttäthet. Hur inmätning av linjer sker styrs av terrängens utseende, där terrängens förändringar (brytlinjer) är av störst vikt. Vissa extrema höjd- och lågpunkter kan med fördel mätas in som singelpunkter (gäller terrester mätning) (Byggforskningsrådet 1998). Innan en triangelmodell skapas är det möjligt att redigera inmätta linjer och punkter. För att skapa en triangelmodell krävs att linjer inte korsar varandra, vilket behöver åtgärdas om så är fallet. Redigering av punkt- och linjekod, punktnummer och signalhöjd kan göras i efterhand, liksom radering av felaktiga punkter och linjer. Skapandet av en triangelmodell sker i normalfallet via interpolering av modellen, genom att de två punkter som ligger närmast varandra binds samman, förutsatt att de ligger utan hinder. Interpoleringen sker med räta linjer, och utförs på längre avstånd allt eftersom programmet skapar modellen. Parametrar som bör vara möjliga att välja inför skapande av triangelmodell är maximal längd på triangelsida, minsta tillåtna vinkel för triangel, om det är tillåtet att interpolera med punkt ingående i samma linje (Byggforskningsrådet 1998). En triangelmodell kan innehålla hål, vilket den gör när maximal längd på triangelsida inte är tillräcklig. Uppkomsten av hål i modellen kan avhjälpas genom ökad maximal längd på triangelsida, alternativt genom manuell editering av trianglar. Vid inmätningar i två närliggande områden är det möjligt att skapa stopplinjer mellan dem, vilket förhindrar att en falsk triangelmodell skapas (Byggforskningsrådet 1998).

3.5.1 Kontroll av digitala markmodeller

11 får inte medelavvikelse och standardavvikelse beräknas och redovisas som ett kvalitetsmått för modellen. Inmätning med kontrollnivå 1 genomförs med utförande A, enligt 10.4.1, SIS-TS 21144:2016.

Kontrollnivå 2 tillämpas när det krävs en större och mer omfattande kontroll och bedömning av en markmodells kvalitet, där modellen är tänkt att användas för detaljprojektering och mängdberäkning. Vid kontrollnivå 2 ska medelavvikelse och standardavvikelse beräknas som ett kvalitetsmått för modellen, och inmätning görs genom utförande B, alternativt utförande C, enligt 10.4.1, SIS-TS 21144:2016. Medelavvikelse redovisas enligt formel 1. Standardavvikelse redovisas enligt formel 2. 𝑀𝑒𝑑𝑒𝑙𝑎𝑣𝑣𝑖𝑘𝑒𝑙𝑠𝑒 = (-./)₁ (1) Där x är en enskild observation, m är medelvärdet och n är antalet observationer. 𝑆𝑡𝑎𝑛𝑑𝑎𝑟𝑑𝑎𝑣𝑣𝑖𝑘𝑒𝑙𝑠𝑒 = (-./)²₁ (2) Där x är en enskild observation, m är medelvärdet och n är antalet observationer.

Kontrollprofiler utformas enligt 10.6.2, SIS-TS 21144:2016, vilket innebär att enskild kontrollprofil ska inneha en längd på minst 20 meter, och bestå av minst 20 punkter, om inget annat anges. Punkterna väljs så att terrängen representeras på bästa sätt, där avståndet mellan punkterna inte bör överstiga tre meter. Profilerna ska i största mån utgöras av raklinjer, med undantag vid hinder.

Beroende på vilken kvalité en markmodell uppnår, kan den tillämpas vid olika användningsområden, vilket framgår av tabell 6, SIS-TS 21144:2016. Klassindelning baseras på kontrollprofilernas medelavvikelse i höjd, och delas in i klass 1-10, vilket motsvarar 0,02-3,0 meter.

3.6 RUFRIS

12 mätning sker med GNSS-mottagaren vilket genererar koordinater, följt av en mätning med totalstationen mot prismat (Andersson 2011). Dannberg och Norrman (2014) kommer i sin noggrannhetsundersökning om RUFRIS fram till en standardosäkerhet i plan på 4 mm och i standardosäkerhet i höjd på 7 mm.

3.7 Polär mätning

Polär mätning är den vanligaste mätmetoden och innebär att längd och horisontalvinkeln mot ett objekt mäts. Objektets position kan bestämmas förutsatt att instrumentets position och orientering är känd, där även objektets höjd kan beräknas om instrumenthöjden är känd (Lantmäteriet 2013).

3.8 Klassificering av markpunkter i Agisoft Photoscan

Agisoft Photoscan är ett bildbehandlingsprogram som tillåter att skapa 3D-modeller av överlappande bilder. Programvaran erbjuder funktioner för filtrering av punktmoln och skapande av terrängmodeller. Klassificering av ett punktmoln kan skapas automatiskt eller manuellt. Vid automatisk klassning delas området in i celler efter angiven storlek, där den lägsta punkten i området identifieras, vilket ger en första indikation på markmodellens struktur. Vid automatisk klassificering kan användaren definiera dessa parametrar för hur markpunkter identifieras:

• Maximal vinkel - maximal vinkel mellan intilliggande punkter och

horisontalplanet

• Maximal längd - maximal längd mellan intilliggande punkter

• Cellstorlek - storlek på det rutnät som punktmolnet delas in i inför klassificeringen

13

3.9 Klassificering av markpunkter i Topocad

Topocad är ett CAD-system för mätningstekniska beräkningar, kartering, mängdberäkning, samt funktioner som möjliggör filtrering av punktmoln.

I programvaran filtreras markpunkter genom en funktion benämnd “rulla boll”, vilken beskrivs som en boll studsande över punktmolnet. Bollen kan antingen rullas på ovan- eller undersidan av punktmolnet, beroende på vad som eftersträvas. Är markpunkter av intresse, rullas bollen på undersidan av punktmolnet. Bearbetningen resulterar i att de punkter som tangeras av bollen behålls, resterande punkter raderas. Bollens storlek (radie) och precision är avgörande för mängden punkter som behålls, vilket även påverkar tidsåtgången. Precisionen avgör hur tätt bollen studsar över punktmolnet. (Adtollo 2015).

14

4. Metod och material

15

4.4 Bearbetning av flygbilder

Flygbilderna bearbetades i Agisoft Photoscan, där blockutjämning, bildmatchning och tät bildmatchning utfördes. Vid blockutjämning och bildmatchning valdes följande kvalitetsparametrar:

Accuracy: Highest (kvalitetsval)

Pair preselection: Reference (metod att upptäcka bildpar mha GNSS-data) Key point limit: 60 000 (antal genomsökta bildpunkter) Tie point limit: 5 000 (antal konnektionspunkter) Vid flygtillfället erhölls latitud- och longitudkoordinater i WGS84, vilka transformerades till referenssystem SWEREF99 13 30, höjdsystem RH2000.

Markstödpunkterna identifierades i flygbilderna och georefererades. Programvaran rekommenderade att samtliga bilder där markstöden var synliga georefereras, för att uppnå högsta noggrannhet. En funktion användes där Agisoft Photoscan optimerar bildernas position. Vid tät bildmachning valdes följande parametrar:

Quality: High (kvalitetsval)

Depth filtering: Aggressive (filtrering av detaljer)

16

4.5.1 Klassificering av punktmoln i Agisoft Photoscan

Vid klassificering av punktmolnet har den automatiska klassificeringsmetoden använts. Nedan visas vilka parametrar som undersökts, där mer lämpliga parametrar markerats med fet stil. Programvarans standardinställning angav en maximal vinkel: 15°, maximal längd: 1 meter och en cellstorlek: 50 meter, vilket övriga valda parametrar baserats på. Vissa parametrar har förkastats där felklassning gjorts, genom att visuellt granska det klassificerade punktmolnet, se figur 2, och jämföra detta med vår kännedom om området. De tre punktmoln som valdes ut för vidare analys redovisas under 5.1. Maximal vinkel: 25°, 15°, 10°, 7,5° Maximal längd: 1m, 0,5m, 0,2m Cellstorlek: 50m, 100m Figur 2. Punktmoln där klassificering utförts. Markpunkter presenteras med brunt, vilket ger användaren en bild över hur klassificeringen skett.

4.5.2 Klassificering av punktmoln i Topocad

17

där fetmarkerade parametrar har bedömts vara de mest lämpliga för projektet och redovisas under 5.2. Hur bedömningen skett av vilka punktmoln som ansågs mest lämpliga kan ses i figur 3. Punktmolnen lämnar kvar ”tussar” av trädpunkter i olika stor mängd vid de olika inställningarna. Figur 3. Klassificerat punktmoln, där kvarvarande trädpunkter ses som svävande tussar.

4.6 Markmodell i SBG GEO

SBG GEO är en mjukvara för geodesi och byggmätning. Programvaran behandlar koordinatberäkning, volymberäkning, 3D-modeller, ritningar och rapporter. För att skapa en markmodell i SBG GEO krävs att punktmolnet extraheras till en geo-fil. Utglesning (avstånd mellan varje punkt) av punkmolnet krävs vid skapandet av geo-filen, eftersom den annars blir tungarbetad och i vissa fall inte möjlig att arbeta med. I projektet har tester utförts med utglesning på 0,2 meter, 0,5 meter och 1,0 meter, där enklare jämförelser mot kontrollprofilerna inte visade på någon större förbättring vid tätare punkter än 0,5 meter.

Genom de utglesade punktmolnen har markmodeller skapats i form av triangelmodeller. Den maximala längden av triangelsida har valts till 40 meter för att skapa sammanhängande markmodeller, där luckor i punktmolnen uppkommit, se figur 4.

18 Figur 4. Utsnitt från SBG GEO över punktmoln med kontrollprofiler.

4.7 Kontroll av markmodeller

19 Inmätning av kontrollprofiler har utförts inom följande tre marktypsområden: • Hårdgjorda ytor (asfalt, betong, plattor, grus) • Öppen jämn terräng (åker, äng, gräs) • Skogsmark och ojämn terräng (skog, kalhygge, annan ojämn terräng)

4.7.1 Kontrollprofiler SBG GEO

Kontrollprofilerna har jämförts med samtliga sex markmodeller som tagits fram i programvarorna. Höjder från markmodellerna överfördes till kontrollprofilerna, som sedan jämfördes med kontrollprofilernas inmätta värden. Jämförelsen speglar differens mellan markmodell och verklig terräng. Vissa delar av kontrollprofilerna ligger utanför punktmolnet, eftersom Agisoft Photoscan inte lyckats identifiera matchande objekt i bilder vid tät skog, se figur 4. Vid skapande av markmodell tilldelas de tomma ytorna generaliserade höjder, eftersom höjderna interpoleras från kringliggande punkter. Utformningen av kontrollprofiler kan ses i figur 5.

20

4.8 Urval av punktmoln

I de undersökta programvarorna har olika parametrar använts för att skapa tre markmodeller i respektive programvara. Av de tre markmodellerna i respektive programvara har den med de lägsta avvikelserna valts ut i respektive programvara genom jämförelse mot kontrollprofiler.

De markmodeller som valts ut från programvarorna har jämförts mot varandra. Jämförelsen bygger på höjddifferens mellan kontrollprofil med höjd från markmodell och

21

5. Resultat

5.1 Urval i Agisoft Photoscan

22 Diagram 2. Avvikelser i höjd för tre modeller från Agisoft Photoscan mot samtliga kontrollprofiler vid öppen terräng. Avvikelse i meter. Diagram 3. Avvikelser i höjd för tre modeller från Agisoft Photoscan mot samtliga kontrollprofiler vid skogsmark. Avvikelse i meter.

5.2 Urval i Topocad

Avvikelser mellan markmodeller skapade i Topocad och inmätta kontrollprofiler redovisas i diagram 4-6, där samtliga kontrollprofiler i respektive marktyp ingår.

24

Diagram 6. Avvikelser i höjd för tre modeller från Topocad mot samtliga kontrollprofiler vid skogsmark. Avvikelse i meter.

5.3 Jämförelse mellan programvarorna

De två markmodeller med minst avvikelser från respektive programvara visar på varierande resultat beroende på marktyp. Resultaten är framtagna genom höjddifferenser mellan markmodell från respektive programvara och inmätta kontrollprofiler, se bilaga 2. Medelavvikelse samt standardavvikelse för de olika marktyperna för respektive modell redovisas i tabell 2.

Tabell 2. Medelavvikelse samt standardavvikelse för samtliga kontrollprofiler.

Medelavvikelse (m) Standardavvikelse (m) TOPOCAD AGISOFT PS TOPOCAD AGISOFT PS

25 klassificerat i Agisoft Photoscan bestod av 28 645 199 punkter. I Topocad bestod punktmolnet av 989 703 punkter. Punktmolnens utformning redovisas i bilaga 1.

Tabell 3. De gulmarkerade raderna är del av linje som hamnat i de luckor som bildats vid den täta bildmatchningen.

27 Vid resultat över testområdet med skogsmark finns vissa avvikelser mellan markmodellerna, se diagram 9. Överlag stämmer markmodellen från Agisoft Photoscan bättre överens med kontrollprofilerna. För differenser mellan kontrollprofiler och markmodellerna, se bilaga 2.

28

6. Diskussion & analys

Det bör poängteras att de parametrar som använts i projektet för att skapa punktmoln och markmodeller är enligt egna bedömningar och behöver nödvändigtvis inte representera bästa inställningar för respektive programvara. Ingen värdering läggs i bedömningen av programvarorna.

Hänsyn skall tas till att projektets testområden omfattar olika marktyper. Testområdet med skogsmark omfattar kalhygge, tät och gles skog, vilket kan vara avgörande för resultatet inom testområdet. Ingen närmare analys har gjorts vilken programvara som behandlar de olika marktyperna inom respektive testområde på bästa sätt.

Klassificeringsfunktionen i Agisoft Photoscan underlättar bedömningen av resultatet, eftersom markpunkter tilldelas en färg, övriga punkter en annan. Klassificeringarna tog cirka 10 minuter att genomföra, oavsett vilka parametrar som valdes.

Vid klassificering i Topocad raderas de punkter som inte klassats som mark, vilket försvårar analysen något. Vid bearbetningar med funktionen “rulla boll” varierade tidsåtgången kraftigt. Enligt Adtollo är precisionen på bollen den parameter som är avgörande för tidsåtgången, ju högre värde desto mindre tidsåtgång. Det punktmoln som bedömts vara det mest lämpliga, bearbetad med en boll med radie 10 meter och en precision på 0,1 meter, tog cirka 10 minuter att genomföra. Vid undersökningarna uppkom vissa problem vid tidsmätning av bearbetningen, eftersom programvaran visade tendenser att låsa sig.

Viktigt att ta ställning till inför bearbetning i Topocad är avvägning av bollstorlek. Med en mindre boll finns risk att områden med träd/skog eller andra uppskjutande objekt representeras fel, eftersom bollen helt eller delvis faller ner i träden/objekten. Det avhjälps med en större boll, vilket kan bidra till en sämre noggrannhet i det övriga punktmolnet. Bollstorleken kan vara en anledningen till de större avvikelserna vid de hårdgjorda ytorna i diagram 4.

29 inställning med för höga eller för låga värden finns risk att även brantare terräng och andra detaljer sorteras bort, vilket inte är syftet med en markmodell. En parameter som kan påverka resultatet är georefereringen av punktmolnet, eftersom det är refererat med GNSS-inmätta punkter som markerats i bilderna. Jämförelsen mot kontrollprofilerna kan därför påverkas, eftersom det finns risk att höjden inte överförts från exakt den position där inmätning av kontrollprofil skett.

30

7. Slutsats

Huruvida en markmodell är tillförlitlig bedöms vid varje enskilt fall, beroende på dess användningsområde. I detta examensarbete redovisas att avvikelserna i den klassificerade markmodellen varierar med upp till cirka 0,5 meter med vissa undantag upp till 3,5 meter. I projektet visade funktionen för markklassificering i Agisoft Photoscan vara mer tillförlitlig än klassificeringen i Topocad. Tidsmässigt är klassificeringen ungefär lika i båda programvarorna. Tidsmätningen gjordes vid klassificering med de inställningar som genererade de punktmolnen som återgav verkligheten bäst.

Möjlighet finns att sortera bort punkter som inte representerar mark om användaren känner till programvarans inställningsmöjligheter och dess innebörd. Möjlighet att manuellt radera oönskade punkter finns i båda programvaror, vilket kan bidra till ett bättre punktmoln att bygga en markmodell på.

Projektet har visat att det finns problem vid bildmatchning av större områden med tät skog, vilket skapar luckor i punktmolnen. Luckorna i molnet har avhjälpts genom att använda längre triangelsidor vid skapandet av markmodeller. Längre trianglelsidor ger en markmodell över hela området, men också en mer generaliserad markmodell, vilket kan ha påverkat kvaliteten. Genom flygning över området med annan utrustning och flyghöjd, kan resultatet blivit annorlunda.

Vid Topocads funktion “rulla boll” finns svårigheter att rensa bland alla trädpunkter, vilket skapar brister i modellen, eftersom trädpunkterna ingår i skapandet av markmodell. Metoden kan förbättras genom användning av större boll, vilket minimerar trädpunkter, men görs på bekostnad av andra detaljer i modellen. De områden med luckor hanteras överlag bättre genom klassificering i Agisoft Photoscan.

Markmodellen som är skapad av punktmolnet klassificerat i Agisoft Photoscan visade på en medelavvikelse i höjd på 0,19 meter, vilket resulterar i användningsområde klass 4, enligt tabell 6, SIS-TS 21144:2016. Markmodell enligt klass 4 lämpar sig för projekteringsunderlag för väg- och järnväg i jämn terräng.

31

6, SIS-TS 21144:2016. Markmodell enligt klass 5 lämpar sig för underlag för väg- och

järnväg i ojämn och kuperad terräng. Medelavvikelse och standardavvikelse för modellerna redovisas i tabell 3, där markmodellen skapad genom punktmolnet från Agisoft Photoscan återspeglar verkligheten i större utsträckning, särskilt vid skogsmark.

Efter vad resultaten har visat anser vi att den mest lämpade programvaran för klassificering av markpunkter i en varierande terräng är Agisoft Photoscan.

7.1 Förslag till framtida forskning

En eventuell framtida studie föreslås som en utförligare kontroll av olika parametrar i programvarorna, samt användning av ytterligare programvaror från andra leverantörer.

32

Referenslista

Adtollo (2015). Manual Topocad 15. Tillgänglig:

http://adtollo.se/wp-content/uploads/2015/09/manual_topocad_15.pdf [2017-06-05]

Agisoft (2017). Dense Cloud Classification and DTM Generation with Agisoft PhotoScan Professional. Tillgänglig:

http://www.agisoft.com/index.php?id=35 [2017-06-05]

Altavian (2016). Why use PPK with your drone (not RTK). Tillgänglig:

https://www.altavian.com/knowledge-base/use-ppk-drone-not-rtk/ [2017-01-05]

Andersson, Johan Vium (2011). Underlag till metodbeskrivning RUFRIS. Stockholm: WSP Samhällsbyggnad.

Byggforskningsrådet (1998). HMK - Bygg och anläggning Projektering BA3. Stockholm: Byggforskningsrådet.

Dannberg, Sara & Norrman, Maria (2014). RUFRIS vs Trepunktsmetoden - en jämförelse vid etablering av nya utgångspunkter. Trollhättan: Högskolan i Väst.

DJI (u.å.). Phantom 4 specs. Tillgänglig: http://www.dji.com/phantom-4/info#specs [2017-06-08]

Eisenbeiß,H. (2009). UAV Photogrammetry. Doctoral dissertation, University of Technology Dresden, Institution of Geodesy and Photogrammetry.

Engfeldt, Andreas & Jivall, Lotti (2007). Introduktion till GNSS. Gävle.

https://www.lantmateriet.se/globalassets/kartor-och-geografisk-information/gps-och-matning/geodesi/rapporter_publikationer/rapporter/lmv-rapport_2007_11.pdf [2017-05-11]

Hugenholtz, C.H., Whitehead, K., Brown, O.W., Barchyn, T.E., Moorman, B.J., LeClair, A., Riddell, K. & Hamilton, T. (2013). Geomorphological mapping with a small unmanned aircraft system (sUAS): Feature detection and accuracy assessment of a

photogrammetricallyderived digital terrain model: Geomorphology, Volym 194. Department of Geography, University of Lethbridge, University of Calgary.

33

Lantmäteriet m.fl. (2013). Geodetisk fotogrammetrisk mätnings- och beräkningsteknik. Lantmäteriet, Lunds Universitet, Kungliga tekniska högskolan, Högskolan i Gävle. TIllänglig:

https://www.lantmateriet.se/globalassets/om-lantmateriet/var-samverkan-med-andra/handbok-mat--och-kartfragor/utbildning/kompendium20131028.pdf [2017-05-10]

Lantmäteriet (2015a). HMK-Bilddata 2015. Gävle: Lantmäteriet.

https://www.lantmateriet.se/globalassets/om-lantmateriet/var-samverkan-med-andra/handbok-mat--och-kartfragor/hmk-geodatainsamling/2015/hmk-bilddata_2015.pdf [2017-05-31]

Lantmäteriet (2015b). HMK-Geodatakvalitet 2015. Gävle: Lantmäteriet. Tillgänglig:

http://www.lantmateriet.se/globalassets/om-lantmateriet/var-samverkan-med-andra/handbok-mat--och-kartfragor/introduktion/hmk-geodatakvalitet_2015.pdf [2017-06-15]

Mårtensson, Stig-Göran & Reshetyuk, Yuriy (2014). Noggrann och kostnadseffektiv uppdatering av DTM med UAS för BIM. Gävle: Högskolan i Gävle.

Remondino F., Barazzetti L., Nex F., Scaioni M., och Sarazzi D. (2011). UAV

PHOTOGRAMMETRY FOR MAPPING AND 3D MODELING – CURRENT STATUS AND FUTURE PERSPECTIVES –. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol. XXXVIII-1-C22.

Reshetyuk, Yuriy (2009). Self-calibration and direct georeferencing in terrestrial laser scanning. Stockholm: Division of Geodesy, Kungliga Tekniska Högskolan.

Swedish standard institute. (2016). SIS-TS 21144:2016. Byggmätning - Specifikationer vid framställning och kontroll av digitala markmodeller. Utgåva: 4.

Svensson, Andreas & Zetterberg, Tim (2013). Utvärdering av höjdosäkerheten i digitala höjdmodeller framställda fotogrammetriskt med UAS. Gävle: Högskolan i Gävle.

Transportstyrelsen (2009). TSFS 2009:88 Transportstyrelsens föreskrifter om verksamhet med obemannade luftfartyg (UAS). Tillgänglig:

https://www.transportstyrelsen.se/sv/Regler/sok-ts-foreskrifter/?RuleNumber=2014:45&rulePrefix=TSFS [2017-05-10]

34

Bilaga 1. Klassificerade punktmoln

Agisoft Photoscan. Punktmoln där bruna punkter representerar mark, enligt parametrarna maximal vinkel: 10°, maximal längd: 1 meter och cellstorlek: 50 meter.

35

Bilaga 2. Kontrollprofiler, medelavvikelse och standardavvikelser för

markmodeller

Linjenummer Punktnummer Terrängtyp Inmätt Kontrollprofil (m)

46

Medelavv. 0,05 0,24