Kalliorakojen automaattinen mallintaminen ilmakuvista
Tamminen, Jonne (2020-09-23)
Kalliorakojen automaattinen mallintaminen ilmakuvista
(23.09.2020)
Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
avoin
Julkaisun pysyvä osoite on:
https://urn.fi/URN:NBN:fi-fe2020101383846
https://urn.fi/URN:NBN:fi-fe2020101383846
Tiivistelmä
Tässä pro gradu -tutkielmassa kehitetään menetelmä kalliorakojen automaattiseen paikantamiseen kallioista otetuista kuvista. Kalliorakojen analysointi on oleellista, kun halutaan selvittää esimerkiksi kallioperän neste- ja hiilivetyvaroja ja saasteen siirtymistä. Analysoitavasta alueesta riippuen rakojen määrä vaihtelee sadoista aina muutamaan tuhanteen asti. Suurista määristä johtuen yhdenkin alueen rakojen mallintaminen käsin on tällä hetkellä erittäin työlästä. Tämän työn tavoitteena on luoda menetelmä, joka automatisoi rakojen mallinnusprosessia vähentäen runsaasti työtunteja ja antaa objektiivisen tulkinnan alueelle, minkä avulla rakojen topologinen jatkoanalyysi tarkentuu.
Työssä sovelletaan Python-kielellä toteutettuja signaalinkäsittelyyn ja syväoppimiseen pohjautuvia menetelmiä. Menetelmät yksinään eivät kuitenkaan anna kelpuutettavaa tulosta, sillä raot ilmaistaan murtoviivoina. Näiden murtoviivojen tulisi löytää oikea tasapaino sitä vastaavan raon mallin tarkkuuden ja käytettyjen datapisteitten välillä. Jos datapisteitten määrä kasvaa huomattavasti, rakojen topologinen jatkoanalyysi hidastuu liikaa, mitätöiden yhden menetelmän päämääristä.
Menetelmän tuottamat ratkaisut vaihtelevat tulkittavan alueen ja kuvien laadusta riippuen. Parhaimmillaan tulokset nopeuttavat rakoviivojen luontiprosessia hieman, mutta toistaiseksi tulokset ovat vielä kaukana täysin automaattisesta ratkaisun löydöstä ja menetelmän käyttäjän on korjattava ratkaisuja joissain määrin. Menetelmälle esitellään työssä useita eri jatkotutkimussuuntauksia. Menetelmä saattaa nähdä hyötykäyttöä myös sellaisenaan, jos se koulutetaan oikealla tavalla.
Työssä sovelletaan Python-kielellä toteutettuja signaalinkäsittelyyn ja syväoppimiseen pohjautuvia menetelmiä. Menetelmät yksinään eivät kuitenkaan anna kelpuutettavaa tulosta, sillä raot ilmaistaan murtoviivoina. Näiden murtoviivojen tulisi löytää oikea tasapaino sitä vastaavan raon mallin tarkkuuden ja käytettyjen datapisteitten välillä. Jos datapisteitten määrä kasvaa huomattavasti, rakojen topologinen jatkoanalyysi hidastuu liikaa, mitätöiden yhden menetelmän päämääristä.
Menetelmän tuottamat ratkaisut vaihtelevat tulkittavan alueen ja kuvien laadusta riippuen. Parhaimmillaan tulokset nopeuttavat rakoviivojen luontiprosessia hieman, mutta toistaiseksi tulokset ovat vielä kaukana täysin automaattisesta ratkaisun löydöstä ja menetelmän käyttäjän on korjattava ratkaisuja joissain määrin. Menetelmälle esitellään työssä useita eri jatkotutkimussuuntauksia. Menetelmä saattaa nähdä hyötykäyttöä myös sellaisenaan, jos se koulutetaan oikealla tavalla.