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.

Time management and distance evaluation have long been a difficult task for workers and companies. This thesis studies 6712 pothole coordinates in Gävle municipality, and evaluates the minimal total road distance needed to visit each pothole once, and return to an initial pothole. Road distance is approximated using the flight distance and a simple random sample of 113 road distances from Google Maps. Thereafter, the data from the sample along with a Bayesian approach is used to find a distribution of the ratio between road distance and flight distance. Lastly, a solution to the shortest distance is devised using the Nearest Neighbor algorithm (NNA) and Simulated Annealing (SA). Computational work is performed with Markov Chain Monte Carlo (MCMC). The results provide a minimal road distance of 717 km. / Tidshantering och distansutvärdering är som regel en svår uppgift för arbetare och företag. Den här uppsatsen studerar 6712 potthål i Gävle kommun, och utvärderar den bilväg som på kortast sträcka besöker varje potthål och återgår till den ursprungliga startpunkten. Bilvägsavståndet mellan potthålen uppskattas med hjälp av flygavståndet, där ett obundet slumpmässigt urval av 113 bilvägsavstånd mellan potthålens koordinatpunkter dras. Bilvägsdistanser hittas med hjälp av Google Maps. Därefter används data från urvalet tillsammans med en bayesiansk modell för att hitta en fördelning för förhållandet mellan bilvägsavstånd och flygavstånd. Slutligen framförs en lösning på det kortaste bilvägsavståndet med hjälp av en Nearest Neighbour algoritm (NNA) samt Simulated Annealing (SA). Statistiskt beräkningsarbete utförs med Markov Chain Monte Carlo (MCMC). Resultaten ger en kortaste bilvägssträcka på 717 km.