LADASKAN – Laserdatabasert skogsbilveianalyse
Hovedmålet til prosjektet har vært å utvikle en metodikk for å analysere eksisterende skogsbilveiers kurvatur, veibredde og stigningsforhold basert på kart- og laserdata, for deretter å kunne klassifisere veiparseller som «innenfor» eller «utenfor» Veinormalens krav.
Kort oppsummering av prosjektets resultater
Den første delen av studien identifiserte at midtlinjen på veien fra Statens Kartverk avviker lite, i gjennomsnitt bare 52 cm, fra feltmålte data. Imidlertid er et av problemene som oppstod forskjellige definisjoner av veiens midtlinje mellom Statens Kartverk og Veinormalen, noe som kan forårsake feil i beregningen av kurveradius.
Eldre eksisterende skogsbilveier er smalere enn hva dagens Veinormal tilsier, noe som gjør avviket mellom veiens midtlinje fra Statens Kartverk og Veinormalens plassering mindre. Den største utfordringen knyttet til bruk av Kartverkets ‘hyllevarer’ er den økende unøyaktigheten i terrengmodellen fra midtlinjen mot veikanten og grøfta. Problemer med å identifisere veikantene resulterer også i vanskeligheter med å kartlegge veibredden.
Den andre delen av studien viste at objektdeteksjonsmodeller basert på dyp læring, spesielt YOLO, kunne identifisere veikantene i lasertverrsnittsprofiler med høy nøyaktighet. Det var imidlertid begrensninger knyttet til kantdeteksjonen, spesielt i situasjoner med avvik fra standard veiprofiler og lav punktskytetthet.
Uansett ser vi et stort potensial for en første undersøkelse av skogsbilveier, mens andre tilnærminger som RoadSens (en veiovervåkningsplattform basert på nærsensorer utviklet i SmartForest-prosjektet) kan være mer hensiktsmessige for oppfølgingsundersøkelse. Begge tilnærmingene drar nytte av objektdeteksjonsalgoritmer som YOLO, men krever fortsatt forbedringer for å håndtere variasjonen i skogsbilveiers strukturer, former og utseende.