LiDAR alapú távérzékelés
Cserép Máté
Budapest, 2020. május 5.
Mi a LiDAR?
LiDAR = Light Detection and Ranging
Lézer alapú távérzékelés
- Az eszköz speciálisan formált lézerimpulzusokat bocsát ki
- A visszaverődő jeleket (echo) érzékeljük
- A távolság az időkülönbségből számítható.
Történeti áttekintés
- Technológia alapjait az 1960-as években, nem sokkal a lézer felfedezése után kidolgozták.
- A köztudatba az 1971-ben, az Apollo 15 küldetéssel került be.
- Néhány ezer felszíni mérés orbitális pályáról.
Általános jellemzők
Tipikus technikai jellemzők napjainkban:
- 360° horizontális látószög
- 30-180° vertikális látószög
- 100K – 10M pont / mp adatgyűjtés
- 1 – 30 mm térbeli pontosság
- 40 – 600 méter hatótáv
Többszörös visszaverődés
- A lézerimpulzus nem vonalszerűen, hanem a forrástól kúpszögben terjed,
- A felszínen sem egy pontot, hanem egy kiterjedt foltot világít meg, ahol több különböző távolságra lévő objektum is lehet.
- Ennek megfelelően nem egy, hanem legtöbbször több echót kapunk egy impulzus kibocsátása esetén.
Többszörös visszaverődés
Hullámalak tárolása
- A LiDAR szenzorok két fő kategóriába csoportosíthatóak:
- Diszkrét visszaverődések detektálása: egy vagy több (maximum jellemzően 4, újabb szenzorok esetében 6) diszkrét visszaverődés kezelése.
- Hullámalak (waveform) detektálása: a visszaverődés teljes hullámalakjának tárolása.
- Elméletben korlátlan pontossággal.
- Gyakorlatban kb. 1ns (kb. 30cm) mintavételezési gyakorisággal.
Hullámalak tárolása
Pásztázási módszerek
TLS - Terrestrial Laser Scanning
Pásztázási módszerek
ALS - Airborne Laser Scanning
Pásztázási módszerek
ULS - UAV-borne Laser Scanning
Pásztázási módszerek
MLS - Mobile Laser Scanning
Pásztázási módszerek
MLS - Mobile Laser Scanning
Pásztázási módszerek
MLS - Mobile Laser Scanning
Pásztázási módszerek
Tengermélység, űrkutatás, stb.
Felhasználási területek
- 3D modellezés
- változásdetektálás
- épületek
- növényzet
- stb.
Várostervezés
Felhasználási területek
- kátyú detektálás
- nyomvályúsodás
- elöntés detektálás
Közúti infrastruktúra és hiba detektálás
Felhasználási területek
- homlokzat modellezés
- űrszelvény vizsgálat és ütközés-vizsgálat
Közúti infrastruktúra és hiba detektálás
Felhasználási területek
- sínpálya, kábelek, oszlopok detektálása
- kábelek ellenőrzése
- űrszelvény ellenőrzés
Vasúti infrastruktúra és hiba detektálás
Felhasználási területek
Vezetéstámogató rendszerek
Felhasználási területek
Kiterjesztett valóság
Felhasználási területek
- építőipar
- környezetvédelem
- régészet
- katasztrófa-
menedzsment - stb.
Informatikai problémák
- Tárolt adatmennyiség
- 100K - 10M pont / másodperc
- Holland AHN pontfelhők: 20 TB / mérés
- Budapest KARESZ pontfelhők: 300 TB (2017)
- Adatfeldolgozás
- Memóriaigény
- Pontfelhők célspecifikus szűrése
- Térbeli indexelés
- Változáselemezés: a rögzített pontok 3D pozíciója két adatgyűjtés esetén nem esnek egybe
Kari projekt
Épületek változásdetektálása
Partnerek: TU Delft, NWO (Dutch Research Council)
Adathalmaz
-
AHN: Actueel Hoogtebestand Nederland,
angolul: Current Dutch Elevation-
Nemzeti lefedettség
-
Kb. 40.000 km2, 1372 csempén
-
- Idősoros mintavétel:
- AHN-2: between 2007-2011
- AHN-3: between 2014-2020
- Minőségi kritéritumok
-
Átlagos pontsűrűség: 10 pont / m2
-
Vertikális hibahatár: 0.2 m (az adatok 99.7%-ára)
-
-
Adathalmaz
- Adatformátum
- Előfeldolgozott LiDAR pontfelhő
- Jellemzően >15 GB / csempe
- Előfeldolgozott digitális magasságmodellek (digital elevation models =DEM)
- Raszteres grid állományok
- Digital Surface Model
- Digital Terrain Model
- 0.5m és 5 m felbontással
- Squared Inverse Distance Weighting algoritmus
- kb. 500 MB / csempe
- Raszteres grid állományok
- Előfeldolgozott LiDAR pontfelhő
Minta terület
AHN2 vs. AHN3 changeset
Object recognition
Object filter
Noise filter
Cluster filter
Border reconstruction
Final result
Aggregáció
Implementáció
- C++ (standard C++11)
- GDAL/OGR könyvtárak használata
- Minden csempe feldolgozása szekvenciális, de az összes csempe feldolgozása könnyen párhuzamosítható.
- Eredmények demonstrációja:
Futtatás
-
426 csempére (31%)
-
Hagyományos asztali számítógépen
-
8 CPU core, 12GB RAM
-
4 szál (I/O bottleneck)
-
kb. 2 nap a teljes futási idő
-
csempék feldolgozása, aggregáció,
vizualizáció előállítása
-
-
-
SURFsara LISA holland nemzeti szuperszámítógép
-
489 node, 7856 CPU core, 149 TFlop/s csúcsteljesítmény
-
10-20 node használata, 100-200 szállal
-
A teljes feldolgozási idő 30 perc alatt
-
Kari projekt
Növényzet változásdetektálása
Fekete Anett TDK dolgozata (2019, II. díj)
Kari projekt
Épületek kontúr alapú változásdetektálása
Pitlik Mátyás TDK dolgozata (2019, III. díj)
Kari projekt
Vasúti felsővezeték detektálása
Partner: Magyar Államvasutak
LiDAR alapú távérzékelés Cserép Máté Budapest, 2020. május 5.