Real-time classification onboard the HYPSO-1 satellite

Abstract

Denne oppgaven foretar seg designet og utviklingen av klassifiserings modulen i bildeprosseringen på HYPSO-1 satelliten. Oppgaven til modulen er å lage et klassifisert bilde som innholder klasser som land, vann og skyer ut i fra et hyperspektral bilde tatt på satelliten. Dette blir prossesert direkte på satelliten og gjort siden det klassifiserte bilde er 99.8% av størrelsen av det orginale hyperspektrale bildet. Dette gjør at informasjon om bildet ned til bakkestasjonen går fra minutter til noen sekunder. Dette kan være med å bestemme om bakkstasjonen ønsker å laste ned det hyperspektrale bildet eller la være. Det gir også raskere informasjon for hvilken koordinater autonome agenter skal sendes til for videre undersøkelse. For å gjøre klassifisering direkte på satelliten er det utvilket maskinlæringsalgoritmen støttevektormaskiner med binært beslutningstre for å forutse de ulike klassene. Siden de hyperspektrale bildene er tatt i ulike deler av verdene med ulike solvinkler og eksponering er det uviklet radiometrisk kalibrering for regne ut utstråling og refleksjonen i bildet. Modulen blir trent og testet først med et datsett med 10 ulike hyperspektrale bilder for å teste nøyaktighet og kjøretid på en datamaskin. Etter blir det testet på samme maskinvare som satelliten LidSat for sjekke kjøretid, men også om oppførsel er den samme. Til slutt blir modulen testet på HYPSO-1 satelliten der 4 klassifiserte bilder blir lastet ned og verifisert at modulen har oppførsel som forventet. Ut i fra resultatene kan de klassifiserte bildene bli brukt til å detektere feil i hyperspektrale bildene, men også til å gi indikasjon hvor de autonome agentene skal bli sendt til for videre undersøkelese. Forbedringspotensiale som kan gjøres videre er å forbedre datasettet som har blir brukt for å få mindre klassifiseringsfeil i bildene.

This thesis undertakes the design and development of the classification module in the image processing pipeline onboard the HYPSO-1 satellite. The goal of the module is to detect different classes of land, water, and clouds on a hyperspectral image captured onboard the satellite. One reason for doing this is that a labeled image is 99.8% smaller than the original hyperspectral image and will make the downlink time down from minutes to seconds. This can help the ground station determine if the whole HSI capture should be downlinked or not. It also gives faster information if an image contains algae bloom that could be further investigated by autonomous agents. To make the classification possible it is implemented the machine learning algorithm Support Vector Machine with a Binary Decision Tree to predict the pixels. Since the images are captured on different areas of the Earth with different sun angles and exposure, radiometric calibration is developed to calculate the radiance and reflectance in the image. The module is first tested on a computer with a training set containing 10 different hyperspectral images for testing accuracy and execution time. After this, it is tested on target hardware to test the execution time, and behavior is as expected. Lastly, the implementation is uplinked and tested on the HYPSO-1 satellite. 4 HSI captures are labeled onboard and downlinked to verify the labeled image. From the labeled results it is discussed that it can be used to detect errors in the capture and send coordinates to autonomous agents for further investigations. It's concluded that labels give an indication of what is on the surfaces of the capture, but could have improvements in the data set for fewer labeling errors.