haku: @supervisor Kaivola, Matti / yhteensä: 74
viite: 8 / 74
| Tekijä: | Myntti, Matleena |
| Työn nimi: | Target identification with hyperspectral lidar |
| Kohteen tunnistus käyttäen hyperspektristä lidaria | |
| Julkaisutyyppi: | Diplomityö |
| Julkaisuvuosi: | 2015 |
| Sivut: | 78 s. + liitt. 12 Kieli: eng |
| Koulu/Laitos/Osasto: | Perustieteiden korkeakoulu |
| Oppiaine: | Optiikka (F3004) |
| Valvoja: | Kaivola, Matti |
| Ohjaaja: | Manninen, Albert ; Kääriäinen, Teemu |
| Elektroninen julkaisu: | http://urn.fi/URN:NBN:fi:aalto-201505132634 |
| Sijainti: | P1 Ark Aalto 3636 | Arkisto |
| Avainsanat: | lidar hyperspectral remote sensing target identification spectral identification software spectral matching hyperspektrinen kaukotunnistus superjatkumo kohteentunnistus spektrinen tunnistusohjelmisto spektrinen sovitus |
| Tiivistelmä (fin): | Hyperspektrinen lidar on kaukotunnistusmenetelmä, joka perustuu kohteen aktiiviseen valaisuun laajalla aallonpituuskaistalla sekä heijastuneen valon spektrin mittaamiseen. Ympäristön valoa kuten auringonvaloa hyödyntävät kaukokuvantamismenetelmät ovat olleet pitkään käytössä lukuisissa eri sovelluksissa aina viljapeltojen kuvantamisesta maanpuolustukseen. Sen sijaan aktiivista valaisua käyttäviä kaukokuvantavia lidar-laitteita ei ole juuri rakennettu ennen kuin aivan viime vuosina. Vuonna 2013 Mittatekniikan keskuksessa (MIKES) rakennettiin ja testattiin automatisoitu kaukokuvantava hyperspektrinen lidar-instrumentti, jota voidaan käyttää spektriseen kuvantamiseen 1000-2300 nm kaistalla. Laitteen ohjausohjelmistosta kuitenkin puuttui vielä toiminnot spektrien analysoinnille ja materiaalitunnistukselle. Tässä diplomityössä esitellään kiinteiden aineiden tunnistusohjelmiston kehitys ja testaus rakennetulle hyperspektriselle lidar-kuvantamisinstrumentille. Ohjelmisto käyttää viittä eri spektristä sovitusalgoritmia, joiden perustana ovat euklidinen etäisyys, spektrinen kulmakartoittaja (SAM), lineaarinen korrelaatio, moniulotteinen normaalijakauma (MND) sekä spektrisen informaation divergenssi (SID). Nämä algoritmit käyttävät useita kirjastospektrejä per materiaali ilmaistaakseen spektristä vaihtelua, mikä poikkeaa tavanomaisesta lähestymistavasta eli mitatun spektrin vertailusta yhteen kirjastospektriin per materiaalivaihtoehto. Näitä metodeita kokeiltiin käyttäen erilaisia kaistajakoja, varianssiskaalausparametreja sekä materiaalityyppi- ja kirjastoluokitteluvalintoja. Ohjelmistossa näyttää olevan lupaavia mahdollisuuksia, joskin lidar-instrumentin rajoitukset tuovat haasteita. Laboratorio-olosuhteissa instrumentti kykeni tarkkaan materiaalitunnistukseen, mutta kenttämittaukset osoittautuivat haasteellisiksi. Instrumentissa ja ohjelmistossa on ominaisuuksia joita voi yhä parantaa, ja siten laitteen toimintakykyä voidaan parantaa entisestään. |
| Tiivistelmä (eng): | Hyperspectral lidar is a remote sensing technique based on active broadband illumination of a target and measuring a spectrum of the backscattered light. Hyperspectral imaging that uses ambient lighting (such as sunlight) is widely used in numerous applications ranging from crop management to military applications, yet actively illuminating long-distance lidar devices have been lacking until recently. A fully automated long-range hyperspectral imaging lidar instrument was built and tested in the Centre for Metrology and Accreditation (Mittatekniikan keskus, MIKES) in 2013. This device could be used for spectral imaging for the wavelength band 1000-2300 nm. However, the control software lacked spectral analysis and material identification functionality. This Master's thesis introduces the implementation and testing of a solid material identification software for the hyperspectral lidar imaging instrument. The software is based on five different spectral matching algorithms, which are the Euclidean distance, the spectral angle mapper (SAM), the linear correlation, the multidimensional normal distribution (MND), and the spectral information divergence (SID) algorithms. These algorithms use several library spectra of each material type in order to express the spectral variability of materials; this differs from the usual approach in the literature, in which the measured spectra are normally compared against one library spectrum per each material type candidate. The methods were tested with different band divisions, variance scaling parameters, and material and library spectrum classification choices. The software shows promising potential, even though limitations in the lidar instrument bring challenges. In laboratory environment, the instrument is capable of accurate material recognition, while field measurements were proven more challenging. However, the instrument and the software have a few characteristics that can be improved, giving the setup potential to give even better performance. |
| ED: | 2015-05-24 |
INSSI tietueen numero: 51278
+ lisää koriin
INSSI