Röjningsröseområdet är en typ av fornlämning från brons- och järnåldern, som är vanlig i de sydsvenska skogarna. Eftersom den nationella fornlämningsinventeringen avslutades i många län innan röjningsröseområdet fick fornlämningsstatus, finns det idag ett stort antal oregistrerade röjningsröseområden. Målet med denna studie är att utveckla och testa en metod som använder maskininlärning och LiDAR-data för att identifiera och georeferera röjningsröseområden, och som kan användas som ett hjälpmedel inför inventering. Metoden anpassades för att minimera antalet falska positiv och på så sätt undvika onödiga fältbesök. LiDAR-data från Hallands län omvandlades till raster innehållande terrängdata Simple Local Relief Model. En klassificeringsmodell skapades utifrån nätverksarkitekturen YOLOv8, och tränades med 1200 bilder på röjningsröseområden och 5544 bakgrundsbilder. Falska positiv minimerades genom att inte inkludera otydliga bilder i träningsdata, samt genom att använda ett gränsvärde på 70% för röjningsröseområden vid prediktion.  Modellen hade mycket goda prestandamått vid validering, med en precision på 100% och recall på 86% för röjningsröseområden. Modellen testades därefter i två områden: ett mindre område där klassificeringen kontrollerades med visuell tolkning, och ett större område som kontrollerades automatiskt genom överlapp med registrerade fornlämningar. Den genomsnittliga precisionen för de två testområdena är 52–78%, och recall var i genomsnitt 50%. Modellen har i genomsnitt en sämre förmåga att identifiera registrerade röjningsröseområden med liten area. Alla identifierade falska positiv vid prediktion innehöll grot. 298 potentiella oregistrerade röjningsröseområden upptäcktes i testområdena. Sammanfattningsvis uppvisar modellen god potential att fungera som ett verktyg för att identifiera röjningsröseområden inför vidare visuell tolkning och fältarbete. / The cairnfield is a type of archaeological site from the Bronze and Iron Ages, which is common in the forests of southern Sweden. Since the Swedish National Survey of ancient remains was completed in many Swedish counties before the cairnfields were classified as an archaeological site, there are currently many unregistered cairnfields. The goal of this study is to develop and test a method that uses machine learning and LiDAR-data to identify and georeference cairnfields, and which can be used as a tool by surveyors. The method was adapted to minimize false positives and thereby avoid unnecessary field visits. LiDAR-data from the County of Halland was converted to raster images of the DEM-derivative Simple Local Relief Model. A YOLOv8 classification model was trained with 1200 images of cairnfields and 5544 background images. False positives were minimized by excluding unclear images during annotation, and by using a threshold of 70% for clearance cairn areas during prediction.  The model’s performance metrics during validation were excellent, with 100% precision and 86% recall for the cairnfield class. The model was tested in two areas: a smaller area where prediction results were controlled with visual interpretation, and a larger area that was checked automatically against known archaeological sites. The average precision for the two test areas is 52–78%, and the average recall is 50%. The model has a lower ability to identify registered clearance cairn areas with small areas. All false positives identified during prediction contained slash. 298 potential unregistered cairnfields were discovered in the test areas. In summary, the classification model demonstrates good potential as a tool for identifying cairnfields before further visual interpretation and fieldwork.

Maintaining an inventory of transportation infrastructure assets is vital for effective management and maintenance. LiDAR (Light Detection and Ranging) can be a useful resource for this purpose by collecting detailed 3D information. Mobile Mapping Systems (MMS) refers to collecting geospatial data by mounting laser scanners on top of a moving vehicle, e.g. a car. The LiDAR collects XYZ-coordinates of the environment by emitting laser pulses toward the surveyed objects. This enables an effective way to store and survey built-up urban areas that otherwise would need an on-site presence. WSP uses Mobile Mapping (MM) to capture and visualize infrastructure, primarily for inventory purposes. Currently, the point cloud registration in the MM-process is labor-intensive, so the company is looking to automate it. This thesis aims to investigate methods to automate the process of point cloud registration that eliminates manual labor. The proposed method was evaluated with regards to its accuracy, advantages and disadvantages. The study area of the thesis was a light rail facility with surrounding residential buildings and vegetation. The proposed method was implemented in Python and utilizes open source libraries. The registration uses Fast Global Registration (FGR) for coarse alignment with Iterative Closest Point (ICP) for fine refinement. The FGR algorithm finds a rigid transformation between a pair of point clouds by establishing a feature correspondence set between the point clouds. The algorithm utilizes Fast Point Feature Histograms (FPFH) that simplifies the description of 3D point relationships as the feature descriptors. The object used for registration is the general area around catenary poles. The segments between poles is adjusted by linear interpolation of the obtained transformation matrices from the registration. The results of this thesis show that automatic point cloud registration is feasible. However, while the proposed method improves registration over raw data, it does not fully replace WSP's current procedure.  The advantages of the proposed method are that it does not require classified data and is open source. The main source of error in the method is the presence of vegetation, and an experiment was conducted to support this hypothesis. The experiment shows that dense vegetation skews the registration, and generates an incorrect transformation matrix. Furthermore, the proposed method is only semi-automated, as it still needs manual post-processing. Accuracy assessment showed that removing outlier, presumably caused by vegetation, improved the planar offsets. Further studies to improve the result could utilize machine learning which could identify and extract poles for registration or remove surrounding vegetation. / Att upprätthålla inventering av tillgångar av transportinfrastruktur är avgörande för effektiv förvaltning och underhåll samt för att tillhandahålla korrekta data och underlätta beslutsfattande. LiDAR-data (Light Detection and Ranging) kan vara ett användbart verktyg för detta ändamål genom att samla in detaljerad 3D-information. Mobile Mapping Systems (MMS) refererar till att samla geospatial data genom att montera laserskannrar ovanpå taket på ett rörligt fordon, exempelvis en bil. LiDAR samlar XYZ-koordinater av kringliggande miljö genom att sända ut laserpulser mot de undersökta objekten. Detta möjliggör ett effektivt sätt att förvara och undersöka bebyggda stadsmiljöer som annars skulle behöva fysisk närvaro. WSP använder Mobile Mapping (MM) för att samla och visualisera infrastruktur, främst för inventeringsändamål. För närvarande är punktmolnregistreringen i MM-processen manuellt arbetskrävande, och därför vill WSP se en automatisering av processen. Detta examensarbete syftar till att undersöka metoder för att automatisera processen för registrering av punktmoln som eliminerar manuellt arbete. Den utvecklade metoden kommer att utvärderas med avseende på dess noggrannhet, för- och nackdelar. Arbetets studieområde är en järnvägsanläggninng med omgivande av bostadshus och vegetation. Den föreslagna metoden implementerades i Python och använder sig av open source-bibliotek. Registeringen tillämpar Fast Global Registration (FGR) för grov justering av punktmolnen, och Iterative Closest Point (ICP) för finjustering. FGR-algoritmen hittar en stel transformation mellan två punktmoln genom att etablera ett set av korresponderande attribut. Algoritmen använder Fast Point Feature Histograms (FPFH) som förenklar euklidiska förhållanden till attributbaserade förhållanden. Objekt som används för registrering är det generella området kring kontaktledningsstolpar. Segmenten mellan stolpar justeras genom linjär interpolation av de erhållna transformationsmatriserna från registreringen. Resultaten av detta arbete visar att automatisk registrering av punktmoln är genomförbar, och att metoden förbättrar registreringen jämfört med den råa datan. Den är dock inte tillräckligt bra för att helt ersätta den nuvarande proceduren som används av WSP. Fördelarna med den föreslagna metoden är att den inte kräver klassificerad data och är open source. Den huvudsakliga felkällan i metoden är förekomsten av vegetation, och ett experiment utfördes för att stödja denna hypotes. Experimentet visar att tät vegetation snedvrider registreringen och genererar en felaktig transformationsmatris. Vidare, är den föreslagna metoden endast semi-automatiserad, eftersom den fortfarande kräver manuell efterbearbetning. Noggrannhetsbedömningn visade att borttagningen av avvikande värden, förmodligen orsakade av vegetation, förbättrade den plana förskjutningen. Vidare studier för att ge ett mer tillfredsställande resultatet kan möjligen vara att använda maskininlärning för att identifiera och extrahera stolpar för matching, samtidigt som växtligheten kan elimineras.