WO2021243387A1 - Verfahren zum detektieren von bauten einer nagetierpopulation auf einem geländeabschnitt - Google Patents

Verfahren zum detektieren von bauten einer nagetierpopulation auf einem geländeabschnitt Download PDF

Info

Publication number
WO2021243387A1
WO2021243387A1 PCT/AT2021/060179 AT2021060179W WO2021243387A1 WO 2021243387 A1 WO2021243387 A1 WO 2021243387A1 AT 2021060179 W AT2021060179 W AT 2021060179W WO 2021243387 A1 WO2021243387 A1 WO 2021243387A1
Authority
WO
WIPO (PCT)
Prior art keywords
cells
terrain
local minima
section
image
Prior art date
Application number
PCT/AT2021/060179
Other languages
English (en)
French (fr)
Inventor
Dominik LEEB
Patrick ENZINGER
Michael Elias
Original Assignee
Wien Energie Gmbh
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wien Energie Gmbh filed Critical Wien Energie Gmbh
Publication of WO2021243387A1 publication Critical patent/WO2021243387A1/de

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G01C11/04—Interpretation of pictures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/16—Image acquisition using multiple overlapping images; Image stitching

Definitions

  • the invention relates to a method for detecting structures of a rodent population on a section of land by means of a drone.
  • rodent populations of different species occur in different areas in different densities and abundances. While some rodent species such as rats or mice are usually considered pests, other rodents such as the ground squirrel or the groundhog are species worthy of protection. This results in the need to determine in the scientific field as well as in civil engineering, for example in the field of spatial planning or town planning, whether a rodent population is at home on a certain section of the site. In the run-up to or the planning phase of new buildings, it is often necessary to determine the rodent population on a section of the site in order to comply with applicable nature conservation regulations.
  • rodent populations on sections of land are determined by manual or partially automated methods. These methods include a manual and time-consuming walk around the area of interest and a visual determination of the entrances to rodent burrows. This process can be supported by tracking tubes or also by camera traps, which serve as support for mapping in the event of uncertainties in the identification at the species level.
  • the size of the rodent population is determined from these data (full census) or extrapolated in the case of random samples or partial transect inspections.
  • This method known from the prior art has the disadvantage that it requires a large number of trained personnel and a high expenditure of time.
  • this method is fraught with a relatively high degree of uncertainty, since the recording of the structures of the rodent population depends heavily on the individual skills and the daily constitution of the person carrying it out. Furthermore, in the case of impassable terrain, it is not always ensured that all areas of the relevant terrain are easily accessible to people. This further increases the inaccuracy of this method according to the prior art.
  • the present invention is based on the object of providing a method for detecting structures of a rodent population on a section of terrain which avoids the disadvantages of the methods according to the prior art.
  • the object is achieved by a method for detecting structures of a rodent population on a section of terrain by means of a drone, which comprises the following steps: a) moving the drone over the terrain section and capturing a ground image (1) of the terrain section with a ground capturing means of the drone; b) determining local minima (2) of a terrain level of the terrain section in the captured soil image (1) with an image processing means and / or a point cloud processing means; characterized by c) rasterizing the ground image (1) into a plurality of cells (3) and assigning the local minima (2) to the cells (3); d) categorizing cells (3) which contain more than one threshold value of local minima (2) as a construction cell; e) Assignment of the local minima (2) in those cells (3) that are not categorized as building cells, but are at least adjacent to one building cell, to each building cell from whose center the respective local minimum (2) has the smallest Euclidean distance .
  • the method according to the invention provides for the use of a drone with a ground detection means such as an optical camera or a light detection and ranging, or LiDAR device, which is moved over the section of the terrain.
  • a floor image is recorded with the floor recording means.
  • the soil image can be recorded, for example, in the form of a pixel graphic or a point cloud.
  • local minima of a terrain level of the terrain section are determined in the captured soil image with an image processing means and / or a point cloud processing means.
  • the soil image is then rasterized into a plurality of cells, and the determined local minima are assigned to the cells.
  • Cells that contain more than one threshold value of local minima are categorized as building cells in a further step.
  • local minima in those cells that were not categorized as building cells, but are at least adjacent to one building cell are assigned to each building cell from whose center the respective local minimum has the smallest Euclidean distance.
  • the method according to the invention enables the terrain section and the local minima of the terrain level in this section to be recorded quickly and easily.
  • the use of the drone in combination with the ground detection means has the advantage that even difficult-to-access parts of the terrain or local minima that are not directly visible from the ground level can be detected with the method according to the invention.
  • the evaluation method used in the method according to the invention offers the advantage that the detected local minima are automated building cells can be assigned, thereby reducing an estimation error for a population size.
  • the method comprises the steps: f) applying a DB SCAN algorithm to the local minima not assigned to any building cell and assigning clusters of local minima determined by means of the DBSCAN algorithm to that cell in which a geometric center of the cluster located; g) Categorizing the cell in which the geometric center of the cluster is located as a construction cell.
  • a DBSCAN algorithm or also “Density-Based Spatial Clustering of Applications with Noise” or a density-based spatial cluster analysis with noise is applied to the remaining local minima. This further reduces the estimation error of the method according to the invention.
  • the ground image is preferably captured by means of the ground capturing means by at least one of a ground radar, an ALS laser scan, or a photographic method. Furthermore, the method according to the invention preferably comprises the acquisition of the ground image by capturing individual images of the terrain section and combining the individual images to form the ground image. To avoid the need for interpolation between the individual images, the individual images are preferably at least partially overlapping.
  • the method according to the invention includes the additional step of checking the local minima determined in the ground image by walking on the terrain section.
  • FIG. 1 shows a soil image acquired with the method according to the invention in the form of an ALS laser scan with local minima determined in the soil image.
  • FIG. 2 shows a floor image rasterized into cells with local minima recorded in the cells.
  • FIG. 3 shows a floor image rasterized into cells with a cluster of local minima arranged in different cells.
  • the method according to the invention for detecting structures of a rodent population on a terrain section by means of a drone comprises moving the drone over the terrain section and capturing a ground image 1 of the terrain section with a ground capturing means of the drone.
  • the drone is provided in the form of a quadrocopter.
  • a drone with a fixed wing configuration or a ground-based drone in the form of a ground vehicle can also be used within the scope of the method according to the invention.
  • the ground detection means of the drone enables the ground image 1 to be captured, the ground image 1 being captured by means of the ground detection means preferably with a ground radar, an ALS laser scan, or a photographic method.
  • the ground radar or the ALS laser scan provides the advantage that vegetation present on the terrain section does not influence the recording of the ground image 1.
  • local minima 2 of a terrain level of the terrain section in the captured soil image 1 are determined with an image processing means and / or a point cloud processing means. These local minima 2 represent entrances to rodent burrows in the form of holes or depressions in the ground.
  • the image processing means is, for example, an image processing program executed on a computer unit, which uses the structure of brightness gradients in the soil image 1 to determine the local minima 2, which are characteristic of rodent burrows, recognizes.
  • FIG. 1 shows an example of a ground image 1 of a terrain section acquired with the method according to the invention with local minima 2 determined in the ground image 1.
  • the floor image 1 is rasterized into a plurality of cells 3, and the local minima 2 are assigned to the cells 3.
  • FIG. 2 shows a diagram of a rasterized floor image 1 with numbered hexagonal cells 3. The choice of hexagonal cells 3 is advantageous since these enable the floor image 1 to be rasterized without gaps.
  • the cells 3 which contain more than one threshold value at local minima 2 are categorized as building cells. If a threshold value of size two is set, cells number 17 and in FIG. 2 are set Number 18 in categorized as construction cells. The threshold value is determined specifically for different rodent species on the basis of biological criteria.
  • the local minima 2 in those cells 3 that are not categorized as building cells, but are at least adjacent to one building cell are assigned to that building cell in each case from the center of which the respective local minimum 2 has the smallest Euclidean distance .
  • the local minimum 2 in the cell 3 with the number 14, which is adjacent to the building cells 17 and 18, is assigned to the building cell with the number 18.
  • only local minima 2 in cells 3 that are not categorized as building cells but are at least adjacent to one building cell and which contain a local minimum 2 less than the threshold value are assigned to that building cell in each case. to the center of which the respective local minimum 2 has the smallest Euclidean distance.
  • a DBSCAN algorithm is applied to the local minima 2 not assigned to any building cell, and clusters of local minima 2 determined by means of the DBSCAN algorithm are assigned to that cell 3 in which a geometric center of the cluster is located. Furthermore, cell 3, in which the geometric center of the cluster is located, is categorized as a construction cell. This further reduces the estimation error of the method according to the invention.
  • the DBSCAN algorithm short for "Density-Based Spatial Clustering of Applications with Noise", in German "Density-based spatial cluster analysis with noise” is an algorithm for cluster analysis.
  • the DBSCAN algorithm works based on density and is able to recognize several clusters. Noise points are ignored.
  • the basic idea of the algorithm is the concept of density connectedness. Two objects are considered to be densely connected if there is a chain of dense objects, which are core objects with more than a minimum of neighbors, connecting these points together. The objects linked by the same core objects form a cluster. Objects that are not part of a close-knit cluster are known as noise.
  • the DBSCAN algorithm is one of the most cited algorithms in the field of cluster analysis.
  • the DBSCAN algorithm is explained below with reference to FIG. Due to the rasterization, for example with hexagonal cells 3, situations can arise in which local minima 2, as shown in FIG the threshold value at local minima 2 in the individual cells 3 is not exceeded. According to the preferred embodiment of the method according to the invention, the DBSCAN algorithm is used to handle such situations. The cluster of local minima 2 determined by means of the DBSCAN algorithm is then assigned to that cell 3 in which the geometric center of the cluster is located.
  • the ground image 1 is preferably captured by capturing individual images of the terrain section and combining the individual images to form the ground image 1. To avoid the need for interpolation between the individual images, the individual images are preferably at least partially overlapping.
  • the method according to the invention includes the additional step of checking the local minima 2 determined in the floor image 1 by walking on the terrain section.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Astronomy & Astrophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

Verfahren zum Detektieren von Bauten einer Nagetierpopulation auf einem Geländeabschnitt mittels einer Drohne umfassend die Schritte Bewegen der Drohne über den Geländeabschnitt und Erfassen eines Bodenabbildes (1) des Geländeabschnitts mit einem Bodenerfassungsmittel der Drohne; Bestimmen von lokalen Minima (2) eines Geländeniveaus des Geländeabschnitts in dem erfassten Bodenabbild (1) mit einem Bildverarbeitungsmittel und/oder einem Punktwolkenverarbeitungsmittel; und Rastern des Bodenabbilds (1) in eine Mehrzahl von Zellen (3) und Zuordnen der lokalen Minima (2) zu den Zellen (3). Das Verfahren umfasst zudem das Kategorisieren von Zellen (3), welche mehr als einen Schwellenwert an lokalen Minima (2) enthalten, als Bauzelle; und Zuordnen der lokalen Minima (2) in jenen Zellen (3), die nicht als Bauzellen kategorisiert, aber zumindest zu einer Bauzelle benachbart sind, zu jeweils jener Bauzelle, zu deren Mittelpunkt das jeweilige lokale Minimum (2) die geringste euklidische Distanz aufweist.

Description

Verfahren zum Detektieren von Bauten einer Nagetierpopulation auf einem Geländeabschnitt
Die Erfindung betrifft ein Verfahren zum Detektieren von Bauten einer Nagetierpopulation auf einem Geländeabschnitt mittels einer Drohne.
In der Natur kommen Nagetierpopulationen unterschiedlicher Spezies in verschiedenen Gebieten in unterschiedlicher Dichte und Häufigkeit vor. Während einige Nagetierspezies wie Ratten oder Mäuse in der Regel als Schädlinge erachtet werden, sind andere Nagetiere wie beispielsweise das Ziesel oder das Murmeltier schützenswerte Arten. Hierdurch ergibt sich sowohl im wissenschaftlichen Bereich, als auch im Ingenieurbau beispielsweise auf dem Gebiet der Raumplanung oder der Stadtplanung die Notwendigkeit zu bestimmen ob auf einem bestimmten Geländeabschnitt eine Nagetierpopulation beheimatet ist. Auch im Vorfeld beziehungsweise der Planungsphase von Neubauten ist oftmals eine Bestimmung der Nagetierpopulation auf einem Geländeabschnitt notwendig, um geltenden Naturschutzbestimmungen Rechnung zu tragen.
Herkömmlicherweise werden Nagetierpopulationen auf Geländeabschnitten durch manuelle oder teilautomatisierte Methoden bestimmt. Diese Methoden umfassen ein manuelles und zeitintensives Abgehen des Geländeabschnittes von Interesse, und eine visuelle Bestimmung der Eingänge von Nagetierbauten. Dieser Vorgang kann durch Spurröhren bzw. auch durch Kamerafallen unterstützt werden, welche bei Unklarheiten bei der Bestimmung auf Artenniveau als Unterstützung zur Kartierung dienen. Aus diesen Daten wird die Größe der Nagetierpopulation bestimmt (Vollzensus) oder bei Stichproben oder partiellen Transektbegehungen extrapoliert. Diese aus dem Stand der Technik bekannte Methode weist den Nachteil auf, dass hierfür eine große Anzahl an geschultem Personal, sowie ein hoher Zeitaufwand notwendig ist. Zudem ist diese Methode mit einer relativ großen Unsicherheit behaftet, da die Erfassung der Bauten der Nagetierpopulation stark von den individuellen Fähigkeiten, sowie der Tagesverfassung der durchführenden Personen abhängt. Des Weiteren ist im Fall von unwegsamen Geländeabschnitten nicht immer gesichert, dass alle Bereiche des betreffenden Geländeabschnitts für Personen einfach zugänglich sind. Hierdurch wird die Ungenauigkeit dieses Verfahrens gemäß dem Stand der Technik weiter vergrößert.
Der vorliegenden Erfindung liegt die Aufgabe zugrunde, ein Verfahren zum Detektieren von Bauten einer Nagetierpopulation auf einem Geländeabschnitt bereitzustellen, welches die Nachteile der Verfahren gemäß dem Stand der Technik vermeidet.
Erfindungsgemäß wird die Aufgabe durch ein Verfahren zum Detektieren von Bauten einer Nagetierpopulation auf einem Geländeabschnitt mittels einer Drohne gelöst, das folgende Schritte umfasst: a) Bewegen der Drohne über den Geländeabschnitt und Erfassen eines Bodenabbildes (1) des Geländeabschnitts mit einem Bodenerfassungsmittel der Drohne; b) Bestimmen von lokalen Minima (2) eines Geländeniveaus des Geländeabschnitts in dem erfassten Bodenabbild (1) mit einem Bildverarbeitungsmittel und/oder einem Punktwolkenverarbeitungsmittel; gekennzeichnet durch c) Rastern des Bodenabbilds (1) in eine Mehrzahl von Zellen (3) und Zuordnen der lokalen Minima (2) zu den Zellen (3); d) Kategorisieren von Zellen (3), welche mehr als einen Schwellenwert an lokalen Minima (2) enthalten, als Bauzelle; e) Zuordnen der lokalen Minima (2) in jenen Zellen (3), die nicht als Bauzellen kategorisiert, aber zumindest zu einer Bauzelle benachbart sind, zu jeweils jener Bauzelle, zu deren Mittelpunkt das jeweilige lokale Minimum (2) die geringste euklidische Distanz aufweist.
Das erfindungsgemäße Verfahren sieht die Verwendung einer Drohne mit einem Bodenerfassungsmittel wie beispielsweise einer optischen Kamera oder einer Light Detection and Ranging, beziehungsweise LiDAR Vorrichtung vor, welche über den Geländeabschnitt bewegt wird. Hierbei wird ein Bodenabbild mit dem Bodenerfassungsmittel erfasst. Das Bodenabbild kann beispielsweise in Form einer Pixelgrafik oder einer Punktwolke erfasst werden. In einem weiteren Verfahrensschritt werden in dem erfassten Bodenabbild lokale Minima eines Geländeniveaus des Geländeabschnitts mit einem Bildverarbeitungsmittel und/oder einem Punktwolkenverarbeitungsmittel bestimmt. Daraufhin wird das Bodenabbild in eine Mehrzahl von Zellen gerastert, und die bestimmten lokalen Minima werden zu den Zellen zugeordnet. Zellen, welche mehr als einen Schwellenwert an lokalen Minima enthalten, werden in einem weiteren Schritt als Bauzelle kategorisiert. Zuletzt werden lokale Minima in jenen Zellen, die nicht als Bauzellen kategorisiert wurden, aber zumindest zu einer Bauzelle benachbart sind, zu jeweils jener Bauzelle, zu deren Mittelpunkt das jeweilige lokale Minimum die geringste euklidische Distanz aufweist zugeordnet.
Das erfindungsgemäße Verfahren ermöglicht eine rasche und unkomplizierte Erfassung des Geländeabschnitts, sowie der lokalen Minima des Geländeniveaus in diesem Abschnitt. Durch die Anwendung der Drohne in Kombination mit dem Bodenerfassungsmittel wird der Vorteil erreicht, dass auch schwer zugängliche Geländeteile, oder vom Bodenniveau nicht unmittelbar ersichtliche lokale Minima mit dem erfindungsgemäßen Verfahren erfasst werden können. Des Weiteren bietet die in dem erfindungsgemäßen Verfahren angewandte Auswertemethodik den Vorteil, dass die detektierten lokalen Minima automatisiert Bauzellen zugeordnet werden, wodurch ein Abschätzungsfehler für eine Populationsgröße reduziert wird.
Gemäß einer bevorzugten Ausführungsform des erfindungsgemäßen Verfahrens umfasst das Verfahren die Schritte: f) Anwenden eines DB SCAN Algorithmus auf die keiner Bauzelle zugeordneten lokalen Minima und Zuordnen von mittels des DBSCAN Algorithmus ermittelten Clustern von lokalen Minima zu jener Zelle, in welcher ein geometrischer Mittelpunkt des Clusters liegt; g) Kategorisieren der Zelle, in welcher der geometrische Mittelpunkt des Clusters liegt, als Bauzelle.
Um den Abschätzungsfehler weiter zu reduzieren wird gemäß der bevorzugten Ausführungsform des erfindungsgemäßen Verfahrens ein DBSCAN Algorithmus, oder auch „Density-Based Spatial Clustering of Applications with Noise“ beziehungsweise eine dichtebasierte räumliche Clusteranalyse mit Rauschen auf die verbleibenden lokalen Minima angewendet. Hierdurch wird der Abschätzungsfehler des erfindungsgemäßen Verfahrens weiter reduziert. Für eine detaillierte Beschreibung des erfindungsgemäßen Verfahrens unter Anwendung des DBSCAN Algorithmus wird auf die Figurenbeschreibung verwiesen.
Vorzugsweise erfolgt das Erfassen des Bodenabbildes mittels des Bodenerfassungsmittels durch zumindest eines aus einem Bodenradar, einem ALS Laserscan, oder einer fotographischen Methode. Des Weiteren umfasst das erfindungsgemäße Verfahren vorzugsweise das Erfassen des Bodenabbilds durch ein Erfassen von Einzelabbildungen des Geländeabschnittes und kombinieren der Einzelabbildungen zu dem Bodenabbild. Zur Vermeidung der Notwendigkeit einer Interpolation zwischen den Einzelabbildungen sind die Einzelabbildungen vorzugsweise zumindest teilweise überlappend.
Gemäß einer alternativen Ausführungsvariante umfasst das erfindungsgemäße Verfahren den zusätzlichen Schritt des Überprüfens der in dem Bodenabbild bestimmten lokalen Minima durch Begehen des Geländeabschnitts.
Vorteilhafte Ausgestaltungen des erfindungsgemäßen Verfahrens, sowie alternativer Ausführungsvarianten werden in weiterer Folge anhand der Figuren näher erläutert.
Figur 1 zeigt ein mit dem erfindungsgemäßen Verfahren erfasstes Bodenabbild in Form eines ALS Laserscans mit in dem Bodenabbild bestimmten lokalen Minima. Figur 2 zeigt ein in Zellen gerastertes Bodenabbild mit in den Zellen verzeichneten lokalen Minima.
Figur 3 zeigt ein in Zellen gerastertes Bodenabbild mit einem Cluster an in verschiedenen Zellen angeordneten lokalen Minima.
Das erfindungsgemäße Verfahren zum Detektieren von Bauten einer Nagetierpopulation auf einem Geländeabschnitt mittels einer Drohne umfasst das Bewegen der Drohne über den Geländeabschnitt und Erfassen eines Bodenabbildes 1 des Geländeabschnitts mit einem Bodenerfassungsmittel der Drohne. Die Drohne ist in einer bevorzugten Ausführungsform des erfmdungsgemäßen Verfahrens in Form eines Quadrocopters bereitgestellt. Alternativ kann beispielsweise auch eine Drohne mit Starrflügelkonfiguration oder eine bodengebundene Drohne in Form eines Bodenfahrzeugs im Rahmen des erfmdungsgemäßen Verfahrens verwendet werden. Das Bodenerfassungsmittel der Drohne ermöglicht die Erfassung des Bodenabbildes 1, wobei das Erfassen des Bodenabbildes 1 mittels des Bodenerfassungsmittels vorzugsweise mit einem Bodenradar, einem ALS Laserscan, oder einer fotographischen Methode erfolgt. Das Bodenradar beziehungsweise der ALS Laserscan stellt den Vorteil bereit, dass auf dem Geländeabschnitt vorhandene Vegetation die Erfassung des Bodenabbilds 1 nicht beeinflusst. In einem weiteren Schritt des erfmdungsgemäßen Verfahrens werden lokale Minima 2 eines Geländeniveaus des Geländeabschnitts in dem erfassten Bodenabbild 1 mit einem Bildverarbeitungsmittel und/oder einem Punktwolkenverarbeitungsmittel bestimmt. Diese lokalen Minima 2 stellen Eingänge zu Nagetierbauten in Form von Löchern oder Vertiefungen im Boden dar. Das Bildverarbeitungsmittel ist beispielsweise ein auf einer Rechnereinheit ausgeführtes Bildverarbeitungsprogramm, welches anhand der Struktur von Helligkeitsgradienten in dem Bodenabbild 1 die lokalen Minima 2, welche charakteristisch für Nagetierbauten sind, erkennt. Weitere, im Rahmen des erfmdungsgemäßen Verfahrens alternativ einsetzbare Methoden zur Strukturerfassung in grafischen oder geometrischen Daten sind dem Fachmann allgemein bekannt. Figur 1 zeigt ein Beispiel eines mit dem erfmdungsgemäßen Verfahren erfassten Bodenabbilds 1 eines Geländeabschnitts mit in dem Bodenabbild 1 bestimmten lokalen Minima 2.
In einem weiteren Verfahrensschritt des erfmdungsgemäßen Verfahrens wird das Bodenabbild 1, wie in Figur 2 schematisch dargestellt, in eine Mehrzahl von Zellen 3 gerastert, und die lokalen Minima 2 werden den Zellen 3 zugeordnet. Figur 2 zeigt ein Schema eines gerasterten Bodenabbilds 1 mit nummerierten hexagonalen Zellen 3. Die Wahl von hexagonalen Zellen 3 ist vorteilhaft, da diese eine lückenlose Rasterung des Bodenabbildes 1 ermöglichen. Des Weiteren werden die Zellen 3, welche mehr als einen Schwellenwert an lokalen Minima 2 enthalten als Bauzellen kategorisiert. Wird ein Schwellenwert der Größe zwei festgelegt werden in Figur 2 die Zellen Nummer 17 und Nummer 18 in als Bauzellen kategorisiert. Die Festlegung des Schwellenwerts erfolgt spezifisch für verschiedene Nagetierarten anhand biologischer Kriterien.
In einem weiteren Verfahrensschritt des erfindungsgemäßen Verfahrens werden die lokalen Minima 2 in jenen Zellen 3, die nicht als Bauzellen kategorisiert, aber zumindest zu einer Bauzelle benachbart sind, zu jeweils jener Bauzelle zugeordnet, zu deren Mittelpunkt das jeweilige lokale Minimum 2 die geringste euklidische Distanz aufweist. In dem in Figur 2 dargestellten Beispiel wird demnach das lokale Minimum 2 in der Zelle 3 mit der Nummer 14, welche zu den Bauzellen 17 und 18 benachbart ist, der Bauzelle mit der Nummer 18 zugeordnet. Gemäß einer alternativen Ausführungsvariante des erfindungsgemäßen Verfahrens werden nur lokale Minima 2 in Zellen 3, die nicht als Bauzellen kategorisiert sind, aber zumindest zu einer Bauzelle benachbart sind, und welche um ein lokales Minimum 2 weniger enthalten als den Schwellenwert, zu jeweils jener Bauzelle zugeordnet, zu deren Mittelpunkt das jeweilige lokale Minimum 2 die geringste euklidische Distanz aufweist.
Gemäß einer bevorzugten Ausführungsform des erfindungsgemäßen Verfahrens wird ein DBSCAN Algorithmus auf die keiner Bauzelle zugeordneten lokalen Minima 2 angewandt, und mittels des DBSCAN Algorithmus ermittelte Cluster von lokalen Minima 2 werden zu jener Zelle 3 zugeordnet, in welcher ein geometrischer Mittelpunkt des Clusters liegt. Des Weiteren wird die Zelle 3, in welcher der geometrische Mittelpunkt des Clusters liegt, als Bauzelle kategorisiert. Hierdurch wird der Abschätzungsfehler des erfindungsgemäßen Verfahrens weiter reduziert.
Der DBSCAN Algorithmus, kurz für „Density-Based Spatial Clustering of Applications with Noise“, auf Deutsch „Dichtebasierte räumliche Clusteranalyse mit Rauschen“ ist ein Algorithmus zur Clusteranalyse. Der DBSCAN Algorithmus arbeitet dichtebasiert und ist in der Lage, mehrere Cluster zu erkennen. Rauschpunkte werden dabei ignoriert. Die Grundidee des Algorithmus ist der Begriff der Dichteverbundenheit. Zwei Objekte gelten als dichteverbunden, wenn es eine Kette von dichten Objekten, welche Kernobjekte mit mehr als einem Minimum an Nachbarn sind, gibt, die diese Punkte miteinander verbinden. Die durch dieselben Kernobjekte miteinander verbundenen Objekte bilden ein Cluster. Objekte, die nicht Teil eines dichteverbundenen Clusters sind, werden als Rauschen bezeichnet. Der DBSCAN Algorithmus ist auf dem Gebiet der Clusteranalyse einer der meist zitierten Algorithmen. Details des DBSCAN Algorithmus können beispielsweise der Publikation „Martin Ester, Hans-Peter Kriegei, Jörg Sander, Xiaowei Xu: A density-based algorithm for discovering clusters in large spatial databases with noise. In: Evangelos Simoudis, Jiawei Han, Usama M. Fayyad (Hrsg.): Proceedings of the Second International Conference on Knowledge Discovery and Data Mining (KDD-96) . AAAI Press, 1996, ISBN 1-57735-004- 9, S. 226-23“ entnommen werden. Der DBSCAN Algorithmus kann durch folgenden beispielhaften Pseudocode beschrieben werden:
DBSCAN(D, eps, MinPts)
C = 0 for each unvisited point P in dataset D mark P as visited N = D.regionQuery(P, eps) if sizeof(N) < MinPts mark P as NOISE eise
C = next cluster expandCluster(P, N, C, eps, MinPts) expandCluster(P, N, C, eps, MinPts) add P to cluster C for each point P' in N if P' is not visited mark P' as visited N' = D.regionQuery(P', eps) if sizeof(N') >= MinPts N = N joined with N' if P' is not yet member of any cluster add P' to cluster C unmark P' as NOISE if necessary regionQuery(P, eps) retum all points within P's eps-neighborhood (including P)
Wie dem Fachmann allgemein bekannt ist, kann der DBSCAN Algorithmus alternativ auch rekursiv implementiert werden:
DBSCAN(D, eps, MinPts)
C = 0 for each unvisited point P in dataset D mark P as visited N = getNeighbors(P, eps) if sizeof(N) < MinPts mark P as NOISE eise
C = next cluster add P to cluster C for P' in N if P' is not yet member of any cluster recursiveExpandCluster(P', C, eps, MinPts) recursiveExpandCluster(P, C, eps, MinPts) add P to cluster C if P is not visited mark P as visited N = getNeighbors(P, eps) if sizeof(N) >= MinPts for P' in N if P' is not yet member of any cluster recursiveExpandCluster(P', C, eps, MinPts)
Die Anwendung des DBSCAN Algorithmus wird in weiterer Folge anhand von Figur 3 erläutert. Durch die Rasterung, beispielsweise mit hexagonalen Zellen 3, können Situationen entstehen, in welchen lokale Minima 2, wie in Figur 3 dargestellt, in verschiedene Zellen 3 mit den Nummern 9, 10 und 13 fallen, und somit nicht zu einer Bauzelle zugeordnet werden, da der Schwellenwert an lokalen Minima 2 in den einzelnen Zellen 3 nicht überschritten wird. Zur Behandlung derartiger Situationen wird gemäß der bevorzugten Ausführungsform des erfindungsgemäßen Verfahrens der DBSCAN Algorithmus angewandt. Der mittels des DBSCAN Algorithmus ermittelte Cluster von lokalen Minima 2 wird in weiterer Folge zu jener Zelle 3 zugeordnet, in welcher der geometrische Mittelpunkt des Clusters liegt.
Vorzugsweise erfolgt das erfassen des Bodenabbilds 1 durch ein Erfassen von Einzelabbildungen des Geländeabschnitts und kombinieren der Einzelabbildungen zu den Bodenabbild 1. Zur Vermeidung der Notwendigkeit einer Interpolation zwischen den Einzelabbildungen sind die Einzelabbildungen vorzugsweise zumindest teilweise überlappend.
Gemäß einer alternativen Ausführungsvariante umfasst das erfindungsgemäße Verfahren den zusätzlichen Schritt des Überprüfens der in dem Bodenabbild 1 bestimmten lokalen Minima 2 durch Begehen des Geländeabschnitts.

Claims

Ansprüche:
1. Verfahren zum Detektieren von Bauten einer Nagetierpopulation auf einem Geländeabschnitt mittels einer Drohne umfassend die Schritte: a) Bewegen der Drohne über den Geländeabschnitt und Erfassen eines Bodenabbildes (1) des Geländeabschnitts mit einem Bodenerfassungsmittel der Drohne; b) Bestimmen von lokalen Minima (2) eines Geländeniveaus des Geländeabschnitts in dem erfassten Bodenabbild (1) mit einem Bildverarbeitungsmittel und/oder einem Punktwolkenverarbeitungsmittel; gekennzeichnet durch c) Rastern des Bodenabbilds (1) in eine Mehrzahl von Zellen (3) und Zuordnen der lokalen Minima (2) zu den Zellen (3); d) Kategorisieren von Zellen (3), welche mehr als einen Schwellenwert an lokalen Minima (2) enthalten, als Bauzelle; e) Zuordnen der lokalen Minima (2) in jenen Zellen (3), die nicht als Bauzellen kategorisiert, aber zumindest zu einer Bauzelle benachbart sind, zu jeweils jener Bauzelle, zu deren Mittelpunkt das jeweilige lokale Minimum (2) die geringste euklidische Distanz aufweist.
2. Verfahren gemäß Anspruch 1, gekennzeichnet durch die Schritte: f) Anwenden eines DB SCAN Algorithmus auf die keiner Bauzelle zugeordneten lokalen Minima (2) und Zuordnen von mittels des DBSCAN Algorithmus ermittelten Clustern von lokalen Minima (2) zu jener Zelle (3), in welcher ein geometrischer Mittelpunkt des Clusters liegt; g) Kategorisieren der Zelle (3), in welcher der geometrische Mittelpunkt des Clusters liegt, als Bauzelle.
3. Verfahren gemäß einem der Ansprüche 1 oder 2, dadurch gekennzeichnet, dass das Erfassen des Bodenabbildes (1) mittels des Bodenerfassungsmittels durch zumindest eines aus einem Bodenradar, einem ALS Laserscan, oder einer fotographischen Methode erfolgt.
4. Verfahren gemäß einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, dass das Erfassen des Bodenabbilds (1) durch ein Erfassen von Einzelabbildungen des Geländeabschnitts und kombinieren der Einzelabbildungen zu dem Bodenabbild (1) erfolgt.
5. Verfahren gemäß Anspruch 4, dadurch gekennzeichnet, dass die Einzelabbildungen zumindest teilweise überlappend sind.
PCT/AT2021/060179 2020-06-02 2021-05-26 Verfahren zum detektieren von bauten einer nagetierpopulation auf einem geländeabschnitt WO2021243387A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
ATGM50116/2020U AT17219U1 (de) 2020-06-02 2020-06-02 Verfahren zum Detektieren von Bauten einer Nagetierpopulation auf einem Geländeabschnitt
ATGM50116/2020 2020-06-02

Publications (1)

Publication Number Publication Date
WO2021243387A1 true WO2021243387A1 (de) 2021-12-09

Family

ID=77663159

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/AT2021/060179 WO2021243387A1 (de) 2020-06-02 2021-05-26 Verfahren zum detektieren von bauten einer nagetierpopulation auf einem geländeabschnitt

Country Status (2)

Country Link
AT (1) AT17219U1 (de)
WO (1) WO2021243387A1 (de)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015132208A1 (en) * 2014-03-03 2015-09-11 Avia-Gis Method for the profiling of pests and for the determination and prediction of associated risks and means for adapted pest control
CN110132238A (zh) * 2019-05-09 2019-08-16 苏州嘉奕晟中小企业科技咨询有限公司 用于地形影像数字高程模型的无人机测绘方法
CN110223386A (zh) * 2019-06-10 2019-09-10 河南科技大学 一种基于多源无人机遥感数据融合的数字地形建模方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9984455B1 (en) * 2017-06-05 2018-05-29 Hana Resources, Inc. Organism growth prediction system using drone-captured images

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015132208A1 (en) * 2014-03-03 2015-09-11 Avia-Gis Method for the profiling of pests and for the determination and prediction of associated risks and means for adapted pest control
CN110132238A (zh) * 2019-05-09 2019-08-16 苏州嘉奕晟中小企业科技咨询有限公司 用于地形影像数字高程模型的无人机测绘方法
CN110223386A (zh) * 2019-06-10 2019-09-10 河南科技大学 一种基于多源无人机遥感数据融合的数字地形建模方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
ANONYMOUS: "Counting Out Of A Molehill", DAILY RECORD, 1 July 2012 (2012-07-01), XP055831968, Retrieved from the Internet <URL:https://www.dailyrecord.co.uk/news/uk-world-news/counting-out-of-a-molehill-967263> [retrieved on 20210813] *
BEAN WILLIAM T. ET AL: "An evaluation of monitoring methods for the endangered giant kangaroo rat", WILDLIFE SOCIETY BULLETIN, vol. 36, no. 3, 10 August 2012 (2012-08-10), pages 587 - 593, XP055832054, ISSN: 1938-5463, DOI: 10.1002/wsb.171 *
BYCROFT RACHEL ET AL: "Comparing random forests and convoluted neural networks for mapping ghost crab burrows using imagery from an unmanned aerial vehicle", ESTUARINE, COASTAL AND SHELF SCIENCE, vol. 224, 31 August 2019 (2019-08-31), pages 84 - 93, XP085707358, ISSN: 0272-7714, DOI: 10.1016/J.ECSS.2019.04.050 *
CHABOT DOMINIQUE ET AL: "Computer-automated bird detection and counts in high-resolution aerial images: a review", JOURNAL OF FIELD ORNITHOLOGY, vol. 87, no. 4, 3 October 2016 (2016-10-03), pages 343 - 359, XP055832058, ISSN: 0273-8570, Retrieved from the Internet <URL:https://api.wiley.com/onlinelibrary/tdm/v1/articles/10.1111%2Fjofo.12171> [retrieved on 20210813], DOI: 10.1111/jofo.12171 *
DESOKY EL-ALEEM: "The most important methods used to estimate the population density of rodents", ACADEMIC RESEARCH JOURNAL OF AGRICULTURAL SCIENCE AND RESEARCH, 23 April 2015 (2015-04-23), pages 1 - 4, XP055832050, Retrieved from the Internet <URL:https://www.academicresearchjournals.org/ARJASR/PDF/2015/July/Desoky.pdf> [retrieved on 20210813], DOI: 10.14662/ARJASR2015.026 *
MARTIN ESTERHANS-PETER KRIEGELJÖRG SANDERXIAOWEI XU: "Evangelos Simoudis, Jiawei Han, Usama M. Fayyad (Hrsg.): Proceedings of the Second International Conference on Knowledge Discovery and DataMining (KDD-96)", 1996, AAAI PRESS, article "A density-basedalgorithm for discovering clusters in large spatial databases with noise", pages: 226 - 23
OLD JULIE M ET AL: "Mapping out bare-nosed wombat (Vombatus ursinus) burrows with the use of a drone", BMC ECOLOGY, 18 September 2019 (2019-09-18), England, pages 1 - 10, XP055832055, Retrieved from the Internet <URL:https://bmcecol.biomedcentral.com/track/pdf/10.1186/s12898-019-0257-5.pdf> [retrieved on 20210813], DOI: 10.1186/s12898-019-0257-5 *

Also Published As

Publication number Publication date
AT17219U1 (de) 2021-09-15

Similar Documents

Publication Publication Date Title
DE112012001984B4 (de) Integrieren von Video-Metadaten in 3D-Modelle
DE102017115997A1 (de) Tiefgreifendes maschinelles Lernen zur Vorhersage und Verhinderung ungünstiger Zustände bei baulichen Anlagen
EP1637838B1 (de) Verarbeitung von Fernerkundungsdaten
EP2353146B1 (de) Vermessung des wachstums von blattscheiben von pflanzen
DE202012013403U1 (de) Erfassen und Verarbeiten adaptiver Bilder mit Bildanalyse-Rückmeldung
EP3195250B1 (de) Verfahren zum erzeugen eines ergebnisbilds und optische vorrichtung
DE112017007246T5 (de) Bildanalysevorrichtung, bildanalyseverfahren und bildanalyseprogramm
DE112021000243T5 (de) Bestimmung von kulturpflanzentyp und/oder aussaattermin
DE102019114459A1 (de) Verfahren zum Scannen von Teilbereichen einer Probe mittels eines Rastermikroskops, Computerprogrammprodukt, computerlesbares Medium und System zum Scannen von Teilbereichen einer Probe mittels eines Rastermikroskops
DE112021001971T5 (de) Automatisierte geländebezogene detektion von bohrplattformen und deren umgebung
DE102018220892A1 (de) Vorrichtung und Verfahren zur Generierung von Labelobjekten für die Umgebung eines Fahrzeugs
EP0700544B1 (de) Verfahren und einrichtung zur raumfilterung
DE60026732T2 (de) Zellenreihen-extraktionsverfahren
DE102019105293A1 (de) Schätzung der Bewegung einer Bildposition
WO2021243387A1 (de) Verfahren zum detektieren von bauten einer nagetierpopulation auf einem geländeabschnitt
DE112009005102T5 (de) Aufspaltung mehrteiliger Objekte
DE102023113166A1 (de) Bildverarbeitungsverfahren und -einrichtung
WO1997002499A1 (de) Erdbebenüberwachung
DE102017122554A1 (de) Informationenverarbeitungsvorrichtung, informationenverarbeitungsverfahren und speichermedium
DE102020208080A1 (de) Erkennung von Objekten in Bildern unter Äquivarianz oder Invarianz gegenüber der Objektgröße
DE102020202973A1 (de) Verfahren und Vorrichtung zum Verarbeiten von Bildern
DE202014010836U1 (de) Identifizieren zu untersuchender Entitäten unter Verwendung von Fassadenerkennung
DE102018127738A1 (de) Kamerablockadeerfassung für autonome Fahrsysteme
DE102020210732A1 (de) Verfahren zur Messung der Relevanz von Bildbereichen für Entscheidungen eines Bildklassifikators
DE102019123479B3 (de) Analyse und Qualitätskontrolle von Lebensmitteln

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21730090

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21730090

Country of ref document: EP

Kind code of ref document: A1