haku: @keyword classification / yhteensä: 52
viite: 5 / 52
| Tekijä: | Kangas, Lasse |
| Työn nimi: | Hyperspektrisen superjatkumo-lidarin käyttö kiviaineksen tutkimisessa |
| Identification of rocks using a hyperspectral supercontinuum lidar | |
| Julkaisutyyppi: | Diplomityö |
| Julkaisuvuosi: | 2016 |
| Sivut: | 65 s. + liitt. 7 Kieli: fin |
| Koulu/Laitos/Osasto: | Insinööritieteiden korkeakoulu |
| Oppiaine: | Teknillinen geologia ja sovellettu geofysiikka (IA3029) |
| Valvoja: | Leveinen, Jussi |
| Ohjaaja: | Leveinen, Jussi |
| Elektroninen julkaisu: | http://urn.fi/URN:NBN:fi:aalto-201603291591 |
| Sijainti: | P1 Ark Aalto 3621 | Arkisto |
| Avainsanat: | rocks aggregates classification hyperspectral supercontinuum kiviaines hyperspektri luokittelu superjatkumo lidar |
| Tiivistelmä (fin): | Kiviaineshuollossa käytetyn kiviaineksen laadun arvioimiseen käytetyt menetelmät ovat perinteisesti vaatineet geologien kenttäkatselmuksia ja laboratoriossa standardien mukaisesti suoritettuja tutkimuksia. Kiviaineksen oton aikainen laadunvarmistus on useampien laatuparametrien osalta hyvin harvoin toistuvaa, joten louhinnan tai oton edistyessä kiviai-neksen laatumuutokset saattavat jäädä huomaamatta tai ne huomataan liian myöhään. Tämä saattaa johtaa tilanteeseen, jossa lopputuotteen käyttöikä ei ole suunnitellun mukainen. Perinteisten laadunhallinnan työkalujen rinnalle on nousemassa automatisoituja laadunvarmistusmenetelmiä, joiden etuna on reaaliaikainen in-situ tai on-site mittaus. Tässä diplomityössä tutkittiin hyperspektrisen superjatkumo-lidarin käyttökelpoisuutta kiviainesten tutkimisessa. Näytteinä oli yleisesti käytössä olevia rakennuskiviä, jotka pyrittiin erottamaan toisistaan spektrisen sormenjäljen perusteella. Mitatun spektritiedon hyödyntäminen perustuu erilaisten luokittelualgoritmien käyttöön ja edustavien referenssi-luokkien määräämiseen. Käytetyt luokittelumenetelmät olivat spektrikulman mukainen luokittelu, etäisyysluokittelu, korrelaatioluokittelu, kanoninen erotteluanalyysi, ryhmittelyanalyysi ja pääkomponenttianalyysi. Spektrikulman ja korrelaation avulla tehdyt analyysit antoivat heikoimmat tulokset. Etäisyysluokittelu ja ryhmittelyanalyysi luokittelivat molemmat kiviainekset yli 95 prosentin tarkkuudella oikeisiin luokkiin. Kanonisen erotteluanalyysin avulla saatiin parhaat tulokset, kokonaisluokittelutarkkuuden ollessa yli 99 prosenttia. Pääkomponenttianalyysia käytettiin dimensioiden vähentämisen vaikutusten tutkimiseen. Muuttujien määrän vähentäminen kahdeksasta alkuperäisestä muuttujasta kolmeen pääkomponenttiin heikensi ryhmittelyanalyysin tuottamaan luokittelutarkkuutta vain noin yhdellä prosenttiyksiköllä. Saadut tulokset ovat rohkaisevia ja viittaavat siihen, että uudet menetelmät voisivat olla tulevaisuudessa osa kiviainesten laadunvalvontaa mahdollistaen samalla yhä reaaliaikaisemman seurannan. Myös olemassa oleva tutkimustieto viittaa siihen, että hyperspektritiedon ja kiviainesten laatuparametrien välillä on selkeä yhteys. |
| Tiivistelmä (eng): | The methods used to define the physical quality of aggregates are traditionally based on field research and on standardized laboratory experiments. As a result of these time consuming processes, the quality controls are quite rarely repeated. When the extraction in the quarry proceeds, there might be some changes in the quality of the aggregates that are unnoticed. This might lead to a case where the end product is not what it should be and the lifetime is much shorter than expected. Therefore, automated real-time in-situ or on-site methods are developed to complement the traditional quality control methods. In this Master's Thesis, the usefulness of a hyperspectral supercontinuum lidar as a tool for rock type definition was examined. The samples that were used were common building stones. The idea was to discriminate the samples based on their spectral fingerprint. The utilization of the spectral data is based on different classification algorithms and to the determination of representative reference categories. The methods used were: Spectral angle mapper, distance classification, spectral correlation mapper, canonical discriminant analysis, cluster analysis and principal component analysis. The spectral angle mapper and the spectral correlation mapper gave the weakest results. The distance classification and the cluster analysis were both able to classify the rocks with over 95 percent accuracy. The canonical discriminant analysis gave the best results with a classification accuracy of over 99 percent. The principal component transformation was used to exam the effects of dimension reduction of the data. The reduction from eight original variables to three principal components reduced the accuracy of the cluster analysis only with less than one percentage point. The results gain from this study were encouraging and they suggest that in the future, these new methods could be a part of real-time rock quality control. In addition, the existing research data indicates that there is a connection between the quality parameters of rock and their hyperspectral data. |
| ED: | 2016-04-17 |
INSSI tietueen numero: 53402
+ lisää koriin
INSSI