Il metodo proposto mira a classificare i segnali retrodiffusi (ad esempio dati di forma d’onda completa da LiDAR aerei), ossia consente di assegnare ad ogni punto rilevato la relativa classe, a seconda dell’oggetto colpito dal segnale emesso dallo strumento (ad esempio terreno, edificio o vegetazione). Il metodo utilizza una procedura in due fasi, che permette di sfruttare sia il segnale grezzo, sia la posizione spaziale e le relazioni geometriche tra punti vicini, grazie all’impiego di un classificatore e di un successivo algoritmo di segmentazione, ottenendo una classificazione accurata e completamente automatica.
Attraverso il metodo brevettato, nella prima fase i dati della forma d’onda grezza vengono forniti come input per un classificatore. Nella seconda fase della procedura, i dati sono mappati in un’immagine bidimensionale, in cui ogni pixel memorizza il vettore di distribuzione di probabilità, fornito dal classificatore, e l’altezza del dato che cade nel pixel. Quindi viene utilizzato un algoritmo di segmentazione per partizionare l’immagine, assegnando un’etichetta ad ogni pixel dell’immagine, in modo che pixel con la stessa etichetta abbiano proprietà comuni. Per svolgere questo compito vengono utilizzati metodi di deep learning. Il metodo permette così di ottenere una classificazione automatica che rispetto alle attuali tecnologie in essere migliora l’accuratezza raggiungibile e consente di individuare con precisione anche punti appartenenti a classi che descrivono oggetti con una superficie particolarmente ridotta (come ad esempio i cavi di un elettrodotto).
