Laserskanning och bildbaserad skanning är två metoder för insamling av geodata i 3D. Detta kan sedan användas för att exempelvis skapa punktmoln och triangelmodeller. Båda metoderna har många användningsområden, exempelvis inom samhällsplanering, byggbranschen, brottsutredning och industrin. Ett vanligt användningsområde är dokumentation av kulturhistoriska byggnader. I denna studie har gasklockorna i Gävle, ett område med högt kulturvärde, dokumenterats med både bildbaserad skanning och laserskanning. Syftet med denna studie är att genom olika tester utvärdera de båda metoderna. Framför allt hur väl de presterar rent mätningstekniskt men även handhavande, tidsaspekten och kostnader har jämförts. Datainsamling genomfördes på flera sätt. Laserskanningen genomfördes med multistationen Leica Nova MS50 och den bildbaserade skanningen med systemkameran Nikon D7000 samt UAS Smartplanes Smartone C. Punktmolnen från laserskanning sammankopplades automatiskt i Leica Cyclone (med 5 och 10 mm punkttäthet). I Agisoft Photoscan bearbetades bilderna från den bildbaserade skanningen. Blockutjämning utfördes och sedan skapades ett tätt punktmoln, en triangelmodell och sist en textur. Punktmoln från båda metoderna har därefter jämförts i programvarorna CloudCompare och 3D-reshaper. Resultatet när endast väggarna jämförs visar på en medelavvikelse mellan punktmolnen på 0,028 m med en standardosäkerhet på 0,032 m. Dessutom jämfördes 12 stickprov och fem referensplan för att utvärdera skillnader lokalt. Skillnaden mellan triangelmodellerna gav en medelavvikelse på 0,008 m med standardosäkerheten 0,042 m. I 3D-reshaper blev medelavvikelsen mellan punktmolnen 0,050 m med en standardosäkerhet på 0,072 m. Laserskanning ger generellt sett ett punktmoln med högre kvalitet, korrekt form och lägre osäkerhet. Bildbaserad skanning har däremot fördelarna att vara enklare att genomföra, billigare, lättare vikt samt är potentiellt mer tidseffektivt. Dessutom får andra studier resultat nästan i nivå med laserskanning. Dock är dess stora nackdel att kantiga objekt så som hörn blir avrundade. Det är svårt att bestämma vilken metod som är bäst. I slutändan beror det på vilket objekt som ska dokumenteras samt hur låga osäkerheter som krävs.

Hållbart skogsbruk kräver kunskap om skogens tillstånd i nutid samt tänkbara framtida åtgärder. Syftet med studien var att undersöka om det via digitala flygbilder var möjligt att skatta trädålder och SI på beståndsnivå, samt med vilken precision det kan utföras.Endast tall- och/ eller grandominerade bestånd, valdes i Vetlanda och Nybro kommun. Flygbilderna bearbetades av Foran Sverige AB med hjälp av ett program framtaget av Spacemetric AB.De fältinventerade beståndens data jämfördes med medianvärden från de skattade trädhöjderna, vilka matades in i en formel, konstruerad för att göra en kurvanpassning mot de nya höjdutvecklingskurvorna.Metoden för framtagning av höjdvärden via bildmatchning bör förfinas, t.ex. bör laserskanningen bidra med högre precision. Endast mindre delar av landet har mer än en skanningstidpunkt med laser, metoden kräver minst två höjdvärden i serie.Syftet med studien anses uppfyllt, dock hade studien tjänat på en bättre metod för att sålla bort felaktiga data innan analys. Generaliserbarheten är god på liknande bestånd, vidare studier krävs för att kunna påvisa en användarbarhet i olika typer av bestånd, där även olika skötselvarianter bör vägas in.

Det sker dagligen olyckor i trafiken runt om i världen och för att göra vägarna säkrare krävs utredning om vad som orsakar olyckorna. I Sverige sker idag dokumentation av olycksplatsen enbart med bilder och skisser i 2D. Att i stället ha en dokumentation i 3D över olycksplatsen gör det lättare att i efterhand studera och analysera vad som skett på platsen. Dokumentation i 3D kan göras med flera metoder, och i denna studie har terrester laserskanning samt s.k. fotobaserad skanning som baseras på bildmatchning testats och utvärderats för dokumentation av trafikolyckor. För att testa respektive metod placerades två bilar mot varandra för att simulera en krocksituation. Först laserskannades bilarna med en multistation, Leica MS50, från fyra stationer med upplösning på 10 mm på 50 m i horisontal- och vertikalled. För att testa olika upplösningar laserskannades även bakluckan på den ena bilen från två stationer med en upplösning på 5 mm respektive 15 mm. Den fotobaserade skanningen utfördes med en digitalkamera, Nikon D7000, där bilderna togs runt om bilarna från tre olika vyer med övertäckning på minst 70 % mellan bilderna. Efter skanning importerades laserskanningsdata till programvaran GEO och bilderna från den fotobaserade skanningen till programvaran Agisoft PhotoScan för bearbetning. En 3D-modell skapades även utifrån den fotobaserade skanningen. Resultatet av laserskanningen gav ett tydligt och jämnt punktmoln med endast ett fåtal felaktiga punkter. Bilarnas glasrutor gav dock inga returer vilket resulterade i att inga punkter skapades på glasrutornas ytor. Resultatet av den fotobaserade skanningen gav ett relativt tydligt och översiktligt punktmoln men med flertalet felaktiga punkter. Den ena bilen, som var vit, genererade fler felaktiga punkter p.g.a. dålig textur jämfört med den andra bilen, som var röd. Laserskanning är en mycket användbar metod för dokumentation av trafikolyckor eftersom metoden är relativt snabb och ger en korrekt avbildning av olycksplatsen. Den fotobaserade skanningen bedöms inte vara helt tillförlitlig eftersom den har flera brister i punktmolnet. Det kan vara gynnsamt för Polisen eller Trafikverket att investera i laserskanning eftersom dokumentation i 3D ger en tydlig överblick av olycksplatsen samtidigt som detaljer kan studeras, vilket är fördelaktigt i utredningssyfte.

<p>This thesis shows the result from investigations of methods that use distance vectors when matching pictures. The distance vectors are available in a distance map made by the Euclidean Distance Transform. The investigated methods use the two characteristic features of the distance vector when matching pictures, length and direction. The length of the vector is used to calculate a value of how good a match is and the direction of the vector is used to predict a transformation to get a better match. The results shows that the number of calculation steps that are used during a search can be reduced compared to matching methods that only uses the distance during the matching.</p>

This thesis shows the result from investigations of methods that use distance vectors when matching pictures. The distance vectors are available in a distance map made by the Euclidean Distance Transform. The investigated methods use the two characteristic features of the distance vector when matching pictures, length and direction. The length of the vector is used to calculate a value of how good a match is and the direction of the vector is used to predict a transformation to get a better match. The results shows that the number of calculation steps that are used during a search can be reduced compared to matching methods that only uses the distance during the matching.

No description available.

his project addresses the issue of accurately identifying repeated images of sticky notes. Due to environmental conditions and the 3D location of the camera, different pictures taken of sticky notes may look distinct enough to be hard to determine if they belong to the same note. More specifically, this thesis aims to create latent representations of these pictures of sticky notes to encode their content so that all the pictures of the same note have a similar representation that allows to identify them. Thus, those representations must be invariant to light conditions, blur and camera position. To that end, a Siamese neural architecture will be trained based on data augmentation methods. The method consists of learning to embed two augmented versions of the same image into similar representations. This architecture has been trained with unsupervised learning and fine-tuned with supervised learning to detect if two representations belong or not to the same note. The performance of ResNet, EfficientNet and Vision Transformers in encoding the images into their representations has been compared with different configurations. The results show that, while the most complex models overfit small amounts of data, the simplest encoders are capable of properly identifying more than 95% of the sticky notes in grey scale. Those models can create invariant representations that are close to each other in the latent space for pictures of the same sticky note. Gathering more data could result in an improvement of the performance of the model and the possibility of applying it to other fields such as handwritten documents. / Detta projekt tar upp frågan om att identifiera upprepade bilder av klisterlappar. På grund av miljöförhållanden och kamerans 3D-placering kan olika bilder som tagits till klisterlappar se tillräckligt distinkta ut för att det ska vara svårt att avgöra om de faktiskt tillhör samma klisterlappar. Mer specifikt är syftet med denna avhandling att skapa latenta representationer av bilder av klisterlappar som kodar deras innehåll, så att alla bilder av en klisterlapp har en liknande representation som gör det möjligt att identifiera dem. Sålunda måste representationerna vara oföränderliga för ljusförhållanden, oskärpa och kameraposition. För det ändamålet kommer en enkel siamesisk neural arkitektur att tränas baserad på dataförstärkningsmetoder. Metoden går ut på att lära sig att göra representationerna av två förstärkta versioner av en bild så lika som möjligt. Genomatt tillämpa vissa förbättringar av arkitekturen kan oövervakat lärande användas för att träna nätverket. Prestandan hos ResNet, EfficientNet och Vision Transformers när det gäller att koda bilderna till deras representationer har jämförts med olika konfigurationer. Resultaten visar att även om de mest komplexa modellerna överpassar små mängder data, kan de enklaste kodarna korrekt identifiera mer än 95% av klisterlapparna. Dessa modeller kan skapa oföränderliga representationer som är nära i det latenta utrymmet för bilder av samma klisterlapp. Att samla in mer data kan resultera i en förbättring av modellens prestanda och möjligheten att tillämpa den på andra områden som till exempel handskrivna dokument.