Framställning av digitala terrängmodell (Digital Terrain Model, DTM) är en viktig del för projekteringsunderlag vid markrelaterade frågor. Grunden för en DTM är punktmolnet som innehåller grunddata från mätningen. DTM är användbara i många olika områden, kvalitén bestäms beroende på vilken uppdrag som DTM gäller för. UAS-fotogrammetri är en av metoder som tillämpas för att framställa en DTM, det går även att framställa en DTM utifrån punktmoln från Laserdata NH. En DTM är en modell av endast markyta, där data samlas genom mätning av ett visst objekt. Syftet med detta examensarbete som är utfört vid Institutionen för ingenjörsvetenskap vid Högskolan Väst var att jämföra två olika metoder för framställning av ett punktmoln som är till underlag för en DTM. Punktmoln som framställs med egna mätningar från UASfotogrammetri och ett färdigt punktmoln från Laserdata NH. Målet med jämförelsen är att undersöka om det går att ersätta UAS-fotogrammetri med den kostnadseffektiva Laserdata NH i projektet för ett industriområde (Lödöse varvet) i Lilla Edets kommun, samt om det går att ersätta den överlag. Med hjälp av Agisoft Metashape programvaran framställdes det punktmolnet från mätning från UAS av modellen DJI Phantom 4 Advanced, sedan jämfördes den mot det färdiga punktmolnet från Laserdata NH i CloudCompare programmet. Resultatet på denna studie visar att det går att ersätta UAS-fotogrammetri mot Laserdata NH i just denna och andra liknande projekt som har samma syfte och viss bestämd noggrannhet då punktmolnen inte avviker signifikant från varandra. Medan det inte går att ersätta de mot varandra överlag, då UAS-fotogrammetri erhåller högre noggrannhet när det gäller framställning av ett punktmoln jämfört med vad Laserdata NH har för noggrannhet på sina mätningar / Generation of Digital Terrain Model (DTM) is an essential part in project planning in questions related to spatial planning. Basis for the DTM is the point cloud which obtains initial data from the measurement. DTM can be used in different areas, accepted quality level is depending on the assignment for which DTM is produced. UAS-photogrammetry is one of the methods which is used for DTM generation, but it is possible to produce DTM from point cloud originated from Laserdata NH. A DTM is a model representing entirely terrain surface, where the data used for its generation gathers from measuring of a certain object. The purpose of this study accomplished at Department of Engineering Science at University West was to compare two different methods for point cloud generation as a basis for DTM. First point cloud generated comes from own measurement with UAS-photogrammetry and second is a point cloud from acquired Laserdata NH. The goal of the comparison is to examine if it is possible to replace UAS-photogrammetry with the cost effective Laserdata NH in the project for the industrial area (Lödöse varvet) in Lilla Edet municipality, and if it is possible to replace it generally. With help of Agisoft Metashape software the point cloud from UAS-measurement with DJI Phantom 4 Advanced was generated and then compared to Laserdata NH point cloud in CloudCompare program. Result of this study is showing that it is possible to replace UAS-photogrammetry with Laserdata NH in this specific and others similar projects which have same purpose and certain decided precision since point clouds are not significantly deviating from each other. While it is not possible to replace them generally, as UAS-photogrammetry obtains higher precision concerning point cloud generation compared to accuracy that Laserdata NH has in its measurements.

Laserskanning har blivit en vanlig metod för dokumentation, övervakning, underhåll och ut­veckling av olika industrimiljöer. Särskilt för inmätning och visualisering av komplexa rörledningar på industrianläggningars tak är punktmoln från laserskanning ett viktigt verktyg för att på ett enkelt sätt hitta potentiella platser för installation av nya rörledningar. Detta examensarbete genomfördes i samarbete med konsultbolaget Swecos mätningsgrupp i Karlstad och undersökte om det är möj­ligt att ersätta punktmoln från terrester laserskanning med punktmoln skapade med flygbilder tagna med UAS (Unmanned Aerial System) för dokumentering av komplexa rördragningar på industritak. Studien genomfördes på ett mindre område (5x25 m) på reningsverket i stadsdelen Sjöstad (Sjö­stadsverket) i Karlstad. Området innehöll omfattande rörledningar i olika dimensioner och andra detaljer såsom rattar, flänsar och gallerluckor. Detta område ansågs därför vara lämpligt att använda för studiens syfte och tillträdet förutsatte dessutom inte omfattande och dyra säkerhetsutbildningar. Undersökningen genomfördes genom markering av ett sextiotal kontrollpunkter som sedan mättes in med totalstation i ett lokalt referenssystem. Bakåtobjekten användes även som fästpunkter för sfäriska måltavlor under laserskanningen. Dessutom mättes även målade markstödsignaler på bet­ongen in i samband med detta för att möjliggöra en georeferering av flygbilderna. Därefter genom­fördes terrester laserskanning inom undersökningsområdet från nio uppställningar med varierande instrumenthöjder samt två UAS-flygningar med flygfotografering från tio respektive 22 m flyghöjd. Efterbearbetningarna började med att etablera ett lokaltreferenssystem, vilket användes för geo­referering av både laserskanningspunkmolnet samt respektive flygfotograferingspunktmoln. De er­hållna lokala koordinaterna för kontrollpunkterna i respektive punktmoln jämfördes gentemot de totalstationsinmätta koordinaterna för att analysera lägesosäkerheten. Punktmolnet från terrester laserskanning innehöll 55 tydligt identifierbara kontrollpunkter medan punktmolnen från UAS-flygningen visade 53 respektive 22 identifierbara kontrollpunkter. Den kvadratiska medelavvikelsen (RMS) i 3D för dessa punkter uppgick till 8 mm i laserskann­ingspunktmolnet respektive 25 mm för båda flygbildspunktmoln. Efter detta analysmoment valdes punktmolnet från flygningen på 22 m höjd bort inför de fortsatta analyserna då cirka två tredjedelar av kontrollpunkterna inte var identifierbara. Även mät- och lägesosäkerheten från flygbildspunktmolnet från tio meters höjd visade sig dock i början vara otillräckligt för att kunna ersätta terrester laserskanning med flygfotografering med UAS. Ändå tillät detaljeringsgraden en identifiering av ett stort antal kontrollpunkter och vidare analyser visade att den stora lägesosäkerheten främst berodde på kontrollpunkter kopplade till vissa detaljtyper (dolda stödben och omarkerade bultar). En nyberäkning av lägesosäkerheten utan dessa kontrollpunkter gav betydligt bättre värden för lägesosäkerhet inom flygbildspunktmolnet från tio meters höjd, ett RMS i 3D på 12 mm. Eftersom användningarna där Sweco skulle vilja ersätta terrester laserskanning med flygfoto­graf­ering inte kräver en detaljnivå på bultstorlek visade sig därmed flygfotografering med UAS som en lämplig alternativ metod för att dokumentera komplexa rördragningar på industritak. / This study explored the possibility of using aerial photography from Unmanned Aerial Systems (UAS) as a replacement for terrestrial laser scanning in documenting complex pipeline systems on industrial roofs. The research, conducted in collaboration with Sweco's survey group in Karlstad, focused on visual qualities and positional uncertainty in point clouds generated by terrestrial laser scanning and aerial photography. Control points were marked and surveyed using a total station, then terrestrial laser scanning and UAS-aerial photography was performed to generate point clouds. Analysis revealed that the aerial photography at 22 m altitude was not suitable due to unrecognizable control points. However, the aerial photography at 10 m altitude, after excluding certain types of control points, showed improved positional uncertainty. As the desired applications did not require fine-level detail, UAS aerial photography proved to be a suitable alternative for documenting complex pipeline systems on industrial roofs.

Malfunction in the overhead contact line system is a common cause of disturbances in the train traffic in Sweden. Due to the preventive methods being inefficient, the Swedish Transport Administration has stated the need to develop the railroad maintenance services and has identified Artificial Intelligence (AI) as an important tool for this undertaking.  Light Detection and Ranging (LiDAR) is a remote sensing technology that has been gaining popularity in recent years due to its high ranging accuracy and decreasing data acquisition cost. LiDAR is commonly used within the railroad industry and companies such as WSP collects large amount of data through LiDAR measurements every year. There is currently no reliable fully automatic method to process the point cloud data structure. Several studies propose innovative methods based on traditional machine learning to extract railroad system components from point clouds and have been able to do so with good results. However, these methods have limited applicability in real world problems, as they build upon hand-crafted features based on previous knowledge of the data on which they are applied. Deep learning technology may be a better alternative for the task as it does not require the same amount of human interaction for feature engineering and knowledge about the data in advance.  This thesis investigates if contact line poles can be recognized from LiDAR data with the use of the neural network architecture DGCNN. Data from two Swedish railroad lines, Saltsjöbanan and Roslagsbanan, provided by WSP was used. Point labels were predicted through semantic segmentation from which objects were distinguished using the clustering algorithm DBSCAN. The network was trained and validated on Saltsjöbanan using k-fold cross-validation and was later tested on Roslagsbanan to simulate the application of trained models on an unknown dataset. On point level the network achieved an estimated precision of 0.87 and a recall of 0.89 on the data from Saltsjöbanan and an estimated precision of 0.92 and recall of 0.83 on the data from Roslagsbanan. In the object recognition task, the approach achieved an average precision of 0.93 and recall of 0.998 on the data from Saltsjöbanan and on the data from Roslagsbanan, an average precision of 0.96 and a recall of 1 was achieved, indicating that it is possible to apply this method on railroad segments other than the one the network was trained on. Despite not being accurate or reliable enough on point level to be used for thorough inspection of the contact line system, this approach has various applications in terms of object recognition along Swedish railroads. Future research should investigate how adding additional classes beyond contact line poles would affect the results and what changes can be done to the parameters to optimize the performance. A side-by-side comparison with the current methods and traditional machine learning-based methods would be valuable as well. / Fel i kontaktledningssystemet är en vanlig orsak till störningar i tågtrafiken i Sverige. Då dagens metoder för att förebygga dessa fel är ineffektiva har Trafikverket uttryckt behovet av att utveckla underhållsarbetet av den svenska järnvägen och har identifierat artificiell intelligens (AI) som ett viktigt verktyg i det syftet. Light Detection and Ranging (LiDAR) är en fjärranalysteknologi som har blivit allt mer populär med åren tack vare sin höga mätnoggrannheten och allt billigare datainsamling. LiDAR används regelbundet inom järnvägsindustrin och företag som WSP samlar årligen in stora mängder data med denna teknologi. I dagsläget finns det däremot ingen tillräckligt pålitlig automatisk metod för att segmentera och klassificera punktmoln. Ett flertal studier föreslår lösningar baserade på traditionell maskininlärning för att ta ut järnvägskomponenter ur punktmolnsdata. Eftersom dessa metoder bygger på förkunskap och noga utvecklade funktioner för att hitta mönster i datan är de svåra att tillämpa i verkliga problem. Istället kan djupinlärning som inte kräver samma förkunskap eller noggranna matematiska modellering tillämpas. I det här arbetet identifierades kontaktledningsstolpar ur LiDAR data med hjälp av det neurala nätverket DGCNN. Datan som användes var punktmolnsdata från Saltsjöbanan och Roslagsbanan försedd av WSP. Först klassificerades punkter genom semantisk segmentering och från klassificeringen kunde objekt identifierades genom att tillämpa klusteringsalgoritmen DBSCAN. Nätverket tränades med hjälp av korsvalidering på data över Saltsjöbanan och testades därefter på data över Roslagsbanan för att undersöka om tränade modeller kan tillämpas på andra järnvägslinjer. På datan över Saltsjöbanan uppnådde nätverket en estimerad specificitet på 0.87 och sensitivitet på 0.89 på punktnivå. Motsvarande värden på datan över Roslagsbanan låg på 0.92 och 0.83. Metoden för objektigenkänning uppnådde en genomsnittlig specificitet på 0.93 och sensitivitet på 0.998 på datan över Saltsjöbanan och motsvarande värden på datan över Roslagsbanan låg på 0.96 och 1. Resultatet indikerar att metoden går att tillämpa på andra järnvägslinjer utan specifik träning för dessa.  Trots att metoden inte är träffsäker nog på punktnivå för att användas för grundlig besiktning av kontaktledningssystemet kan den användas för objektigenkänning längs svensk järnväg. Framtida forskning bör undersöka hur resultatet påverkas om ytterligare klasser utöver kontaktledningsstolpar används och vilka förändringar bör göras bland parametrarna för att optimera det undersökta tillvägagångssättet. En utförlig jämförelse mot nuvarande metoder och metoder baserade på traditionell maskininlärning skulle dessutom vara av värde.

Autonomous driving is an emerging area that has been receiving an increasing amount of interest from different companies and researchers. 3D point cloud map is a significant foundation of autonomous driving as it provides essential information for localization and environment perception. However, when trying to gather road information for map creation, the presence of dynamic objects like vehicles, pedestrians, and cyclists will add noise and unnecessary information to the final map. In order to solve the problem, this thesis presents a novel two-stage model that contains a scan-to-scan removal stage and a scan-to-map generation stage. By designing the new three-branch neural network and new attention-based fusion block, the scan-to-scan part achieves a higher mean Intersection-over-Union (mIoU) score. By improving the ground plane estimation, the scan-to-map part can preserve more static points while removing a large number of dynamic points. The test on SemanticKITTI dataset and Scania dataset shows our two-stage model outperforms other baselines. / Autonom körning är ett nytt område som har fått ett allt större intresse från olika företag och forskare. Kartor med 3D-punktmoln är en viktig grund för autonom körning eftersom de ger viktig information för lokalisering och miljöuppfattning. När man försöker samla in väginformation för kartframställning kommer dock närvaron av dynamiska objekt som fordon, fotgängare och cyklister att lägga till brus och onödig information till den slutliga kartan. För att lösa problemet presenteras i den här avhandlingen en ny tvåstegsmodell som innehåller ett steg för borttagning av skanningar och ett steg för generering av skanningar och kartor. Genom att utforma det nya neurala nätverket med tre grenar och det nya uppmärksamhetsbaserade fusionsblocket uppnår scan-to-scan-delen högre mean Intersection-over-Union (mIoU)-poäng. Genom att förbättra uppskattningen av markplanet kan skanning-till-kartor-delen bevara fler statiska punkter samtidigt som ett stort antal dynamiska punkter avlägsnas. Testet av SemanticKITTI-dataset och Scania-dataset visar att vår tvåstegsmodell överträffar andra baslinjer.

The increasing importance of 3D data in various domains, such as computer vision, robotics, medical analysis, augmented reality, and virtual reality, has gained giant research interest in generating 3D data using deep generative models. The challenging problem is how to build generative models to synthesize diverse and realistic 3D objects representations, while having controllability for manipulating the shape attributes of 3D objects. This thesis explores the use of 3D Generative Adversarial Networks (GANs) for generation of 3D indoor objects shapes represented by point clouds, with a focus on shape editing tasks. Leveraging insights from 2D semantic face editing, the thesis proposes extending the InterFaceGAN framework to 3D GAN model for discovering the relationship between latent codes and semantic attributes of generated shapes. In the end, we successfully perform controllable shape editing by manipulating the latent code of GAN. / Den ökande betydelsen av 3D-data inom olika områden, såsom datorseende, robotik, medicinsk analys, förstärkt verklighet och virtuell verklighet, har väckt stort forskningsintresse för att generera 3D-data med hjälp av djupa generativa modeller. Det utmanande problemet är hur man bygger generativa modeller för att syntetisera varierande och realistiska 3Dobjektrepresentationer samtidigt som man har kontroll över att manipulera formattributen hos 3D-objekt. Denna avhandling utforskar användningen av 3D Generative Adversarial Networks (GANs) för generering av 3Dinomhusobjektformer representerade av punktmoln, med fokus på formredigeringsuppgifter. Genom att dra nytta av insikter från 2D-semantisk ansiktsredigering föreslår avhandlingen att utvidga InterFaceGAN-ramverket till en 3D GAN-modell för att upptäcka förhållandet mellan latenta koder och semantiska egenskaper hos genererade former. I slutändan genomför vi framgångsrikt kontrollerad formredigering genom att manipulera den latenta koden hos GAN.

I samband med en trafikolycka är det ofta viktigt att återställa platsen till det normala så snabbt som möjligt. Emellanåt måste olycksplatsen dokumenteras för att orsaken till olyckan ska kunna utredas i ett senare skede. Traditionellt har detta arbete utförts genom att fotografera platsen och mäta olika avstånd. På senare tid har även terrester laserskanning kommit att bli ett tillförlitligt alternativ. Med det sagt är det tänkbart att även fotogrammetri och andra typer av laserskanning skulle kunna användas för att uppnå liknande resultat.  Syftet med denna studie är att utforska hur handhållen laserskanning och UAS-fotogrammetri kan användas för att dokumentera en trafikolycka. Detta uppnås genom att utvärdera punktmolnens lägesosäkerhet och visuella kvalitet. Vidare utforskas fördelar och nackdelar med respektive metod, bland annat sett till tidsåtgång och kostnader, för att slutligen komma fram till vilken metod som lämpar sig bäst för att dokumentera en trafikolycka.  En trafikolycka med två inblandade bilar iscensattes och laserskannades till en början med den handhållna laserskannern Leica BLK2GO. Därefter samlades bilder in med den obemannade flygfarkosten Leica Aibot följt av att ett referenspunktmoln skapades med den terrestra laserskannern Leica C10. Genom att jämföra koordinater för kontrollpunkter i referenspunktmolnet med koordinaterna för motsvarande kontrollpunkter i de två andra punktmolnen kunde deras lägesosäkerheter bestämmas. Studiens resultat visar att både punktmolnet som framställdes med handhållen laserskanning och UAS-fotogrammetri har en lägesosäkerhet (standardosäkerhet) i 3D på 0,019 m. Båda metoderna är tillämpliga för att dokumentera en trafikolycka, men jämfört med terrester laserskanning är punktmolnen dock bristfälliga på olika sätt. BLK2GO producerar ett förhållandevis mörkt punktmoln och mörka objekt avbildas sämre än ljusare föremål. I punktmolnet som framställdes med Leica Aibot förekom påtagliga håligheter i bilarnas karosser. Handhållen laserskanning är en tidseffektiv metod medan UAS-fotogrammetri kan utföras till en lägre kostnad. Sammanfattningsvis går det inte att dra någon entydig slutsats om vilken metod som lämpar sig bäst för att dokumentera en trafikolycka. Valet beror på vilka omständigheter som råder på olycksplatsen. / In the event of a traffic accident, it is often important to restore the site to its normal condition as fast as possible. Occasionally, the accident scene must be documented so that the cause of the accident can be investigated at a later stage. Traditionally, this work has been performed by taking pictures of the site and measuring different distances. Lately, terrestrial laser scanning has also become a reliable alternative. With that said, it is possible that photogrammetry and other types of laser scanning also could be utilized to achieve similar results.    The aim of this study is to investigate how handheld laser scanning and UAS photogrammetry can be used to document a traffic accident. This is achieved by examining the positional uncertainty and visual quality of the point clouds. Moreover, the advantages and disadvantages of each method are explored, for instance in terms of time consumption and costs, in order to finally come to a conclusion of which method is best suited for documenting a traffic accident. A traffic accident with two involved cars was staged and initially laser scanned with the handheld laser scanner Leica BLK2GO. Thereafter, pictures were collected with the unmanned aerial vehicle Leica Aibot followed by the creation of a reference point cloud with the terrestrial laser scanner Leica C10. By comparing the coordinates of control points in the reference point cloud with the coordinates of the corresponding control points in the two other point clouds, their positional uncertainty could be determined. The results of the study show that both the point cloud produced by the handheld laser scanner and UAS photogrammetry have a positional uncertainty (standard uncertainty) of 0.019 m. Both methods are applicable for documenting a traffic accident but compared to terrestrial laser scanning, the point clouds are deficient in different ways. BLK2GO produces a relatively dark point cloud and dark objects are reproduced worse than lighter objects. In the point cloud produced by Leica Aibot, there were noticeable cavities in the bodies of the cars. Handheld laser scanning is a time-efficient method while UAS photogrammetry can be performed at a lower cost. In conclusion, it is not possible to arrive at an unambiguous conclusion with regards to which method that is best suited for documenting a traffic accident. The choice depends on the prevailing circumstances at the accident scene.

Potholes are caused by erosion and as such always emerging on our roadnetwork. Potholes may not only cause great damages to vehicles, but can alsocause road accidents, which in the worst case are fatal. Today, the detection ofpotholes is usually based on citizen reports or ocular inspection by vehicle,where a loose description of the potholes properties and location can be given.Recent research has explored the possibility of aerial inspection of paved roadswith the new, cost effective, Structure-from-Motion (SfM) technique, whichcan produce 3D point clouds from photogrammetric data. SfM point cloudshave then been used in conjunction with processing algorithms toautomatically detect and extract potholes from paved surfaces. However, theresults have not been optimal for practical use. The purpose of this study is,therefore, to explore the possibility of using UAV LiDAR for potholedetection in paved roads as a better alternative to the currently popularStructure-from-Motion (SfM) technique. A LiDAR point cloud is derived by alaser scanner and may have several advantages over SfM, for instance, theinsensitivity to poor light conditions and modelling errors. This study is setout to answer how point clouds derived from UAV SfM and UAV LiDARcompare to each other regarding detecting potholes of different sizes, wheredetected potholes will be compared to ground truth data. An elevation check,consisting of 126 height control points along the paved road, will also be usedto evaluate the height accuracy in the clouds. Data collection is done with theUAV system mdLiDAR3000DL aaS containing a RIEGL miniVUX-1DLlaser scanner for LiDAR data and Sony RX1R II 42.4 megapixel camera forSfM data. The data for both methods are collected during the same flight. Theproposed method automatically detects and extracts potholes from a pavedsurface based on the vertical distance to local reference planes which representthe undamaged road surface. The point clouds are filtered in CloudComparebefore imported to TerraScan for detection and extraction of potholes. Theextraction results are then controlled by a set of terrestrial measurements bytotal station. The results show that potholes with a smaller width of at least16.5 cm and a depth of at least 2.7 cm can be detected and extracted frompoint clouds derived by UAV LiDAR at a flight altitude of 30 m. Theextracted potholes had a standard deviation of 1.40 cm in width and 6.7 mmin depth. Shadows on the road caused height anomalies in the point cloudproduced by Structure-from-Motion (SfM), which made pothole detectionimpossible with the proposed methodology. / Potthål skapas genom erosion i vägar och uppstår varje år i vägnätet. Skadornapåverkar inte bara fordonens skick, utan kan även vara orsaken till olyckorsom i vissa fall är dödliga. I dagsläget detekteras potthål genom ockulärt frånfordon av kommunala arbetare eller så rapporteras de in av medborgare via etjänst där en lös beskrivning kan ges angående potthålens egenskaper ochposition.På senare tid har studier utforskat möjligheterna för flygburen inspektion avasfalterade vägar med den nya, kostnadseffektiva, Structure-from-Motion(SfM) tekniken som kan producera 3D-punktmoln från fotogrammetrisk data.Punktmolnen som är framtagna genom denna metod har vidare använtstillsammans med bearbetningsalgoritmer för att detektion och extraktion avpotthål i asfalterade vägar. Dock har resultaten inte varit optimala för attmetoden ska fungera i praktiken. Syftet med den här studien är därför attutforska möjligheten för att använda UAV LiDAR som en bättre metod fördenna process. Punktmoln framtagna genom LiDAR-teknik, mer känt somlaserskanning, kan ha ett flertal potentiella fördelar över SfM som okänslighetmot modelleringsfel och dåliga ljusförhållanden.Denna studie ger svar på hur punktmoln framtagna genom UAV LiDAR ochUAV SfM förhåller sig till varandra när det gäller detektion av potthål i olikastorlekar från asfalterade vägar, där potthålens dimensioner kommer attjämföras mot markbundna kontrollmätningar. Vidare görs en höjdkontrollmot 126 höjdstöd i båda punktmolnen för att jämföra kvaliteten förhöjdmätningar på den asfalterade vägen genom respektive metod.Insamlingen av data gjordes samtidigt under samma flygning för bådametoderna. Drönaren som användes var Microdrones mdLiDAR3000DL aaSmed en RIEGL miniVUX-1DL laserskanner och en Sony RX1R II 42,4megapixelkamera monterad. Mjukvarorna som har använts för bearbetning ärCloudCompare för filtrering av brus med mera och TerraScan för självadetektions -och extraktionsprocessen.Resultatet visar att det är möjligt att extrahera potthål från LiDAR-baseradepunktmoln med en mindre bredd på minst 16,5 cm och ett djup på 2,7 cm.Standardavvikelsen för potthålens bredd är 1,4 cm och 6,7 mm i djup.Grupper av avvikande punkter skapades på vägen i det SfM-baseradepunktmolnen som en följd av ett modelleringsfel i skuggområden på vägen,vilket vidare gjorde detektion -och extraktionsprocessen omöjlig med denframtagna metoden.

Bygg- och anläggningsbranschens implementering av BIM har resulterat i ett ökat behov att digitaliserat relationsunderlag. Äldre relationshandlingar, som mestadels utgörs av pappersritningar, saknar digitala motsvarigheter vilket gör att insamlingar av ny information, från pappersritningar, kan bli aktuell. Terrester laserskanning (TLS) är en teknik som tillämpas för insamling av data i punktmolnsform och är en allt mer förekommande insamlingsmetod vid införskaffning av relationsunderlag. Modellering från tredimensionella punktmolnsdata är ofta komplicerad och på så vis införstått med manuellt arbete för att producera ett godtyckligt resultat. Syftet med examensarbetet var att undersöka möjligheten att skapa en CAD-modell av en tunnels ytskikt från ett punktmoln med hjälp av programvaran FME. Studieområdet är ett mindre tunnelsegment och den insamlade datamängden utgörs av tidigare framarbetat punktmoln. Punktmolnet är obearbetat och innehåller brus i form av avvikande punkter samt installations- och konstruktionsobjekt. Tidigare producerat relationsunderlag, i form av CAD-modell, tilldelades också för att möjliggöra en jämförelse mot de modeller som skapats i arbetet. FME tillhandahåller ett flertal verktyg för bearbetning av punktmoln och arbetet har omfattats av tester där de olika verktygen utvärderats. Det huvudsakliga fokuset har legat på verktyget PointCloudSurfaceBuilder, vars funktion är att rekonstruera punktmoln till en mesh. En metod för filtrering av punktmolnet utformades och utreddes också under arbetet. Flertalet försök utfördes för att testa vad som fungerade bäst och ett antal modeller av varierande kvalitet kunde skapas. Metoden Poisson i verktyget PointCloudSurfaceBuilder visade bäst resultat då den skapar en “vattentät” modell som följer punktmolnets rumsliga förhållande bättre än det tilldelade relationsunderlaget. För metoden Poisson var Maximum Depth den parameter som hade störst inverkan på resultatets kvalitet. För varje höjning med 1 i parametern Maximum Depth så ökade upplösningen kvadratiskt i varje dimension för x, y och z. De totala värdena för tidsåtgång, filstorlek och antal trianglar ökade även potentiellt med upplösningen. Värden över 9 blir svåra, om inte omöjliga, att hantera i CAD-miljöer på grund av för detaljerade data i förhållande studieområdets storlek. Därav rekommenderas 7 och 8 som parametervärden vid modellering i miljöer likartade med tunnelsegmentet. / The building and construction industries implementation of BIM has resulted in an increased need to digitalise as-built basis. Older as-built documents, which is mostly made of paper plans, are missing their digital counterparts, which makes it that collection of new information, from the paper plans, can be vital. Terrestrial laser scanning (TLS) is a technique that is applied for collection of data in the form of data point clouds and is a more frequent collection method for obtaining supplies of as-built. Modelling from three-dimensional point cloud data is usually a complicated matter and therefore connected with manual labour to produce an arbitrary result. The purpose with the bachelor thesis was to research the possibility to create a CAD-model of the layer of a tunnel from a point cloud with the use of a software called FME. The study area is a smaller tunnel segment and the collected data set is based from an earlier created point cloud. The point cloud is unprocessed and contains noise from deviant points and object of installations and construction. The earlier produced as-built, in form of a CAD-model, was applied as well to enable a comparison parallel to the newly created models in this thesis. FME contains several tools for handling point clouds and the work have included several tests where the different tools have been evaluated. The primary focus of the work has been to evaluate the possibilities of the tool PointCloudSurfaceBuilder, which function is to reconstruct point clouds to a mesh. A method was also created and examined to clean the point cloud from noise. Several tests were executed to see what kind of method works the best and models of different qualities were rendered. The construction method Poisson in the transformer PointCloudSurfaceBuilder produced the best results whereas it creates a “water tight” model that follows the point clouds spatial conditions in a better way than the as-built model. In the method of Poisson there is a parameter called Maximum Depth which showed the greatest impact for the quality of the result. For every increase of 1 in the parameter Maximum Depth was the resolution increased by a factor of two in every direction of x, y and z. The total values for amount of time, file size and number of triangles increased as well in a way parallel to the potential increase of the resolution. It is hard, if not impossible, to handle the models in CAD-environments above the value 9. That is because of too high detail in the data in relation to the size of the study area. Therefore, are the recommended values of the parameter 7 and 8 in case of modelling of similar environments in tunnel complexes.

Syfte: Att ta fram en metod för att hjälpa mindre sågverk att bättre tillvarata mesta möjliga virke från en timmerstock. Metod: En kvantitativ studie där tre iterationer genomförts enligt Design Science. Resultat: För att skapa en effektiv algoritm som ska utföra volymberäkningar i ett punktmoln som består av cirka två miljoner punkter i ett industriellt syfte ligger fokus i att algoritmen är snabb och visar rätt data. Det primära målet för att göra algoritmen snabb är att bearbeta punktmolnet ett minimalt antal gånger. Den algoritm som uppfyller delmålen i denna studie är Algoritm C. Algoritmen är både snabb och har en låg standardavvikelse på mätfelen. Algoritm C har komplexiteten O(n) vid analys av delpunktmoln. Implikationer: Med utgångspunkt från denna studies algoritm skulle det vara möjligt att använda stereokamerateknik för att hjälpa mindre sågverk att bättre tillvarata mesta möjliga virke från en timmerstock. Begränsningar: Studiens algoritm har utgått från att inga punkter har skapats inuti stocken vilket skulle kunna leda till felplacerade punkter. Om en stock skulle vara krokig överensstämmer inte stockens centrum med z-axelns placering. Detta är något som skulle kunna innebära att z-värdet hamnar utanför stocken, i extremfall, vilket algoritmen inte kan hantera. / Purpose: To develop a method that can help smaller sawmills to better utilize the greatest possible amount of wood from a log. Method: A quantitative study where three iterations has been made using Design Science. Findings: To create an effective algorithm that will perform volume calculations in a point cloud consisting of about two million points for an industrial purpose, the focus is on the algorithm being fast and that it shows the correct data. The primary goal of making the algorithm quick is to process the point cloud a minimum number of times. The algorithm that meets the goals in this study is Algorithm C. The algorithm is both fast and has a low standard deviation of the measurement errors. Algorithm C has the complexity O(n) in the analysis of sub-point clouds. Implications: Based on this study’s algorithm, it would be possible to use stereo camera technology to help smaller sawmills to better utilize the most possible amount of wood from a log. Limitations: The study’s algorithm assumes that no points have been created inside the log, which could lead to misplaced points. If a log would be crooked, the center of the log would not match the z-axis position. This is something that could mean that the z-value is outside of the log, in extreme cases, which the algorithm cannot handle.

4D panoptic segmentation is an emerging topic in the field of autonomous driving, which jointly tackles 3D semantic segmentation, 3D instance segmentation, and 3D multi-object tracking based on point cloud data. However, the difficulty of collection limits the size of existing point cloud datasets. Therefore, data augmentation is employed to expand the amount of existing data for better generalization and prediction ability. In this thesis, we built a new point cloud dataset named VCE dataset from scratch. Besides, we adopted a neural network model for the 4D panoptic segmentation task and proposed a simple geometric method based on translation operation. Compared to the baseline model, better results were obtained after augmentation, with an increase of 2.15% in LSTQ. / 4D-panoptisk segmentering är ett framväxande ämne inom området autonom körning, som gemensamt tar itu med semantisk 3D-segmentering, 3D-instanssegmentering och 3D-spårning av flera objekt baserat på punktmolnsdata. Svårigheten att samla in begränsar dock storleken på befintliga punktmolnsdatauppsättningar. Därför används dataökning för att utöka mängden befintliga data för bättre generalisering och förutsägelseförmåga. I det här examensarbetet byggde vi en ny punktmolndatauppsättning med namnet VCE-datauppsättning från grunden. Dessutom antog vi en neural nätverksmodell för 4D-panoptisk segmenteringsuppgift och föreslog en enkel geometrisk metod baserad på översättningsoperation. Jämfört med baslinjemodellen erhölls bättre resultat efter förstärkning, med en ökning på 2.15% i LSTQ.