Ενσωμάτωση Φασματικών Αισθητήρων σε Μη Επανδρωμένα Εναέρια Οχήματα και Συγκριτική Αξιολόγηση Ταξινόμησης Δεδομένων

Ζερβός, Παναγιώτης; Zervos, Panagiotis

dc.contributor.author	Ζερβός, Παναγιώτης	el
dc.contributor.author	Zervos, Panagiotis	en
dc.date.accessioned	2018-09-21T07:58:55Z
dc.date.available	2018-09-21T07:58:55Z
dc.date.issued	2018-09-21
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/47642
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.8689
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Γεωπληροφορική”	el
dc.rights	Default License
dc.subject	Τηλεπισκόπηση	el
dc.subject	Υπερφασματικά Δεδομένα	el
dc.subject	Μη Επανδρωμένο Εναέριο Σύστημα	el
dc.subject	Ταξινόμηση Εικόνας	el
dc.subject	Πολυφασματικά Δεδομένα	el
dc.subject	Remote Sensing	el
dc.subject	Multispectral Data	el
dc.subject	Hyperspectral Data	el
dc.subject	Image Classification	el
dc.subject	Unmanned Aerial System	el
dc.title	Ενσωμάτωση Φασματικών Αισθητήρων σε Μη Επανδρωμένα Εναέρια Οχήματα και Συγκριτική Αξιολόγηση Ταξινόμησης Δεδομένων	el
dc.title	Integrating Spectral Sensors in Unmanned Aerial Vehicles and Comparative Assessment of Supervised Classification	en
heal.type	masterThesis
heal.classification	ΤΗΛΕΠΙΣΚΟΠΗΣΗ	el
heal.classificationURI	http://data.seab.gr/concepts/29f3834f510e2fcbee2fcce329a355775dd48e27
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2018-06-29
heal.abstract	Η παρούσα μεταπτυχιακή εργασία είχε ως αντικείμενο τη συλλογή Τηλεπισκοπικών δεδομένων από πολλαπλούς αισθητήρες, ευαίσθητους σε διάφορα μήκη κύματος του Η/Μ φάσματος, από Μη Επανδρωμένο Εναέριο Όχημα / Σύστημα ( UAV / UAS). Πιο συγκεκριμένα σχεδιάστηκε και κατασκευάστηκε σύστημα σταθεροποίησης αισθητήρων (brushless gimbal) για την ενσωμάτωση υπερφασματικού αισθητήρα τύπου Push-broom / Line Scanning για τη λήψη εναέριων δεδομένων. Στη συνέχεια, πραγματοποιήθηκε ταυτόχρονη λήψη οπτικών, πολυφασματικών και θερμικών δεδομένων σε πτήση καταγραφής στην περιοχή μελέτης. Βασική επιδίωξη ήταν η συλλογή και προεπεξεργασία όλων των παραπάνω ετερογενών δεδομένων και η αξιολόγηση τους ως προς την αποτελεσματικότητά τους σε προβλήματα που απαιτείται η ταξινόμηση των δεδομένων. Για το σκοπό αυτό πραγματοποιήθηκε η συγκριτική αξιολόγηση ενώ αναλυθήκαν τα επιμέρους χαρακτηριστικά και ιδιότητες των δεδομένων. Η ενσωμάτωση ετερογενών αισθητήρων σε Μη Επανδρωμένα Εναέρια Συστήματα γνωρίζει ραγδαία ανάπτυξη τα τελευταία χρόνια τόσο λόγω της ανάπτυξης πολυάριθμων συστημάτων UAV αλλά και λόγω της ανάπτυξης νέων, μικρού μεγέθους και ελάχιστων απαιτήσεων κατανάλωσης, φασματικών αισθητήρων Τηλεπισκόπησης. Τα πεδία εφαρμογής των παραπάνω συστημάτων είναι πολυάριθμα. Μέχρι σήμερα η απόκτηση τέτοιων δεδομένων προερχόταν αποκλειστικά από δορυφόρους και επανδρωμένα αεροσκάφη με αποτέλεσμα το κόστος τους στις περισσότερες περιπτώσεις να καθίσταται ιδιαίτερα υψηλό. Προς αυτή την κατεύθυνση κατασκευάστηκε ολοκληρωμένο σύστημα σταθεροποίησης, μέσω του οποίου τοποθετήθηκε ο υπερφασματικός δέκτης και τα συστήματα προσδιορισμού θέσης (GPS / INS) πάνω στο UAS. Στη συνέχεια, πραγματοποιήθηκαν πολλαπλά πειράματα για τον βέλτιστο σχεδιασμό και προγραμματισμό πτήσεων προς τη συλλογή δεδομένων λαμβάνοντας υπόψιν τα χαρακτηριστικά (χωρική ανάλυση, οπτικό πεδίο, κ.α.) του εκάστοτε αισθητήρα. Έπειτα από τις απαραίτητες προεπεξεργασίας (ραδιομετρικές, γεωμετρικές διορθώσεις, υπολογισμός μοντέλων επιφανείας, ορθοεικόνων, κοκ), τα δεδομένα ταξινομήθηκαν με τεχνικές μηχανικής μάθησης με βάση τα εικονοστοιχεία. Συγκεκριμένα υλοποιήθηκαν πολυάριθμες δοκιμές για κάθε σετ δεδομένων (dataset) αλλά και σε συνδυασμό τους (πχ. πολυφασματικά και θερμικά). Ειδικότερα στα υπερφασματικά δεδομένα επιχειρήθηκαν ταξινομήσεις τόσο στον αρχικό υπερκύβο, όσο και στα δεδομένα που προέκυψαν μετά από μείωση διαστάσεων. Τέλος, έγινε ποιοτική και ποσοτική αξιολόγηση όλων των παραπάνω αποτελεσμάτων. Η συγκριτική ανάλυση ανέδειξε τα υψηλά ποσοστά επιτυχίας στις ταξινομήσεις των υπερφασματικών δεδομένων (παρά τη σχετικά μικρότερη χωρική ανάλυση) αλλά και την αποτελεσματικότητα του συνδυασμού ετερογενών δεδομένων για ποικίλες εφαρμογές χαρτογράφησης.	el
heal.abstract	The aim of this particular Postgraduate thesis was the acquisition of remote sensing data from multiple sensors, sensitive to various wavelengths of the Electromagnetic spectrum from Unmanned Aerial Vehicle/System (UAV/UAS). More specifically, a brushless gimbal system was designed and constructed in order to integrate a Push-broom hyperspectral sensor onboard the UAV. Furthermore, concurrent acquisition of optical, multispectral and thermal data was performed during a controlled flight in the study area. The scope was to manage and preprocess all the above collected data and evaluate their performance in image classification tasks. In particular, nowadays, the rapid development of UAS systems as well as the advancement of remote sensing sensors have broaden the deployment of similar cutting-edge technology for various applications. The combination of the aforementioned systems seems like a relative cost-efficient solution for acquiring very/ultra high resolution multispectral and hyperspectral data, when comparing with certain cases with data from satellite or aerial manned acquisition platforms. To this end, a new brushless stabilization system was designed, developed and integrated onboard a UAV for the hyperspectral sensor along with the GPS/INS hardware/software. Numerous experiments were conducted in order to optimize flight parameters and planning towards acquiring and fusing multimodal data from sensors with different characteristics (harmonizing e.g., spatial resolution, field of view, etc.). After the execution of the necessary preprocessing tasks (radiometric corrections, geometric corrections, digital surface models, orthoimages, etc) the produced data were classified with pixel-based machine learning techniques. Specifically, numerous experiments were carried out for each dataset as well as combined datasets (e.g., multispectral and thermal). Regarding the hyperspectral data, classification experiments were carried out both in the initial hypercubes as well as after a dimensionality reduction. A qualitative and quantitative evaluation for all aforementioned experiments highlighted the relative high accuracy rates for the hyperspectral data (despite the relative lower spatial resolution) as well as the effectiveness of the multimodal data fusion for a variety of geospatial mapping applications.	en
heal.advisorName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Αργιαλάς, Δημήτριος	el
heal.committeeMemberName	Καραθανάση, Βασιλεία	el
heal.committeeMemberName	Καράντζαλος, Κωνσταντίνος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	107 σ.
heal.fullTextAvailability	true