Fotogrammetrisk modellering av steinoverflater i sideareal til veg fra 360-graders kamera: En undersøkelse av metode for detektering av steinsprang
Master thesis
Permanent lenke
https://hdl.handle.net/11250/3148062Utgivelsesdato
2024Metadata
Vis full innførselSamlinger
- Master's theses (RealTek) [1826]
Sammendrag
Denne masteroppgaven er skrevet for Nye Veier og utforsker en ny metode for registrering av steinspranghendelser, som kan redusere behovet for manuelle inspeksjoner og potensielt øke sikkerheten langs norske veier. Oppgaven undersøker anvendelsen av fotogrammetriskmodellering basert på 360-graders bilder, kombinert med maskinlæringsteknikker, for identifisering og klassifisering av steinsprang i sidearealer langs veien. Den presenterer en detaljert metodikk for behandling av 360-graders bildedata til fotogrammetri og utviklingen av en maskinlæringsmodell tilpasset klassifisering av steinoverflater. Oppgaven vurderer om metoden kan være en kostnadseffektiv og pålitelig tilnærming til detektering av steinsprang. Gjennom sammenligning av modellerte steinoverflater med laserdata, blemodellens nøyaktighet vurdert som utilstrekkelig basert på tilgjengelig grunnlagsdata. Det ble gjennomført grundig feilsøking for å finne årsaken til den unøyaktige modellen. En plausibel teori er at økt bildefrekvens ville ha betydelig innvirkning på modellens nøyaktighet. Oppgaven foreslår videre forskning for å forbedre og validere modellen, medmål om implementering i reelle veimiljøer. This master's thesis, written for Nye Veier, explores a new method for registering rockfall incidents, potentially reducing the need for manual inspections and increasing safety along Norwegian roads. The thesis investigates the application of photogrammetric modeling based on 360-degree images, combined with machine learning techniques, for identifying and classifying rockfalls in roadside areas. It presents a detailed methodology for processing 360-degree image data into photogrammetry and the development of a machine learning model tailored for classifying rock surfaces. The study assesses whether the method can be a cost-effective and reliable approach to detecting rockfalls. By comparing modeled rock surfaces with laser data, the model's accuracy was deemed insufficient based on the available baseline data. Extensive troubleshooting was conducted to identify the cause of the model's inaccuracy. One plausible theory is that increasing the image frequency would significantly impact the model's accuracy. The thesis suggests further research to improve and validate the model, with the goal of implementation in real road environments.