-
Engineering and technology
- Computer vision
- Data visualisation and imaging
Tegenwoordig worden onbemande luchtvaartuigen (UAV's) vaak gebruikt als meet- of controle-instrument in een breed scala van teledetectietoepassingen: b.v. in de precisielandbouw (de noodzaak om de inter- en intravariabiliteit in de gewassen te observeren), in de infrastructuurinspectie (de noodzaak om gebreken op te sporen) of in de digitalisering van het cultureel erfgoed (de noodzaak om een digitale tweeling te creëren). Vandaag de dag is een correcte interpretatie van de door UAV opgenomen beelddata zeer uitdagend omdat de verschijning in beelden sterk afhankelijk is van b.v. de hoeken tussen zon en sensor, de intensiteit van de inkomende zonnestraling en het onderliggende geometrische oppervlak van de scène. Het komt vaak voor dat tijdens de analyse de verzamelde UAV-data van onvoldoende kwaliteit blijken te zijn, bijvoorbeeld door een slechte beeldkwaliteit (b.v. verzadiging, bewegingsonscherpte, brandpuntsonscherpte, enz.) of ontbrekende data (b.v. gebieden die niet worden gescand, hoeken die ontbreken voor de analyse van de bidirectionele reflectiedistributiefunctie (BRDF), gebrek aan resolutie/details voor bepaalde interessante gebieden, enz.). Dit zorgt niet alleen voor veel frustratie, maar leidt ook tot veel verspilde inspanningen, kosten en tijd. Bovendien heeft het zelfs een negatief effect op onderzoek dat afhankelijk is van tijdskritische/grensgebonden metingen: b.v. dagdagelijkse waarnemingen, beperkte tijdspanne van de gewasgroei, weersomstandigheden, enz.
Het belangrijkste doel van dit onderzoek is het overwinnen van bovengenoemde problemen door het verbeteren van de interpretatie en de analyse van UAV-beelddata op een efficiënte manier. Om dit doel te bereiken, zullen we vertrouwen op vooruitgang in de schatting van sensorpositie en -oriëntatie door middel van sensorfusie tussen Laser Imaging Detection And Ranging (LIDAR) scanners en hyperspectrale camera's. De voorgestelde multimodale sensorfusie resulteert in 3D hyperspectrale puntenwolken en kan bovendien dienen als een snel en kwalitatief hoogstaand alternatief voor gangbare fotogrammetrische workflows. De belangrijkste nieuwigheden zijn 1) het uitvoeren van een vroege fusie tussen LIDAR en hyperspectrale data (afkomstig van één of meerdere camera's), in plaats van fusie in een post-processing stap, en 2) het uitvoeren van zowel computationele als geheugenefficiënte analyse van hyperspectrale puntenwolkdata, wat ons een stap dichter bij autonome UAV’s brengt. We zien de volgende belangrijke voordelen van het voorgestelde onderzoek 1) de complementariteit tussen LIDAR en hyperspectrale beeldvorming, d.w.z. nauwkeurige en snelle 3D-kartering door middel van real-time SLAM met het hoge onderscheidend vermogen van materialen of plantstress, 2) meer informatie voor analyse- of classificatietaken: niet alleen hoogte- en hyperspectrale signaturen, maar ook BRDF-modellen met gedetailleerde oriëntatie (van b.v. normale vectoren) kunnen in aanmerking worden genomen, 3) verbeterde online monitoring voor de (automatische/menselijke) piloot (b.v. onsite kwaliteitscontrole, adaptieve padplannen, enz.) en 4) het mogelijk maken van nieuw (meer dynamisch) onderzoek zoals meerdere keren per dag scannen van velden om een beter inzicht te krijgen in de BRDF-effecten in functie van de verschillende posities van de zon.