Stereonäköön perustuva istutuspaikan tunnistaminen jatkuvatoimisessa metsänistutuskoneessa

Abstract

Metsänistutus nykyään vaatii paljon manuaalista työtä ja on kallista ja aikaavievää. Automatisoitu istutusmenetelmä toisi huomattavia säästöjä. Jotta metsänistutus automaattisesti olisi mahdollista, täytyy istutuspaikka tunnistaa autonomisesti. Tämän diplomityön päätavoite on kehittää menetelmä istutuspaikan tunnistamiseen stereokuvista, jotka on otettu jatkuvatoimisen mätästäjän tekemästä työjäljestä. Jatkuva 3D-rekonstruktio toteutetaan käyttäen SURF-piirteitä ja muokattua RANSAC-malli parametriestimointimenetelmää. Istutuspaikan tunnistus tehdään pelkästään 3D pisteistä, käyttäen hyödyksi opittua implisiittistä 3D mallia yhdessä eri koneoppimismenetelmien ja todennäköisyyden vahvistamisheuristiikan kanssa. Sekä opetus että validointi tehdään käyttäen oikeaa, sotkuista ja vaikeaa jatkuvaa dataa, johon implisiittistä 3D-mallia ei ole aiemmin sovellettu. Saadut tulokset ovat lupaavia: tunnistimen tarkkuus (precision) on 94.8 % ja löytyvyysarvo (recall) 98.0 %. Toteutuksen laskenta ei ole reaaliaikaista, mutta reaaliaikaisuus voitaisi melko helposti saavuttaa rinnakkaislaskennalla

Automatic forest planting is practically non-existent. To be able to automatize forest planting, an autonomous planting spot detection is needed. The goal of this thesis is to develop a method for planting spot detection from stereo images that are taken from a path created by a continuously operating mounder. A continuous 3D reconstruction is performed using SURF features and a modified RANSAC model parameter estimation method. The planting spot detection is done purely from 3D points using a 3D Implicit Shape Model with machine learning techniques and probability boosting heuristics. Both the training and validation of the detector are done with real, cluttered and difficult continuous data, a novel case among 3D Implicit Shape Models. The results of our method are promising: the precision of the detector is 94.8 % with a recall rate of 98.0 %. The computation of our implementation is not real time, but real time performance could be fairly easily achieved using parallel computation