3D દસ્તાવેજીકરણ અને ફોટોગ્રામેટ્રી: મોડલ ઉત્પાદન, માપન અને સર્વેક્ષણ

નફો:

• ફોટોગ્રામેટ્રી સાથે સ્કેલ કરેલ 3D મોડલ, પોઈન્ટ ક્લાઉડ અને ઓર્થોફોટો બનાવવાની પ્રક્રિયામાં આર્ટિફિશિયલ ઈન્ટેલિજન્સનું યોગદાન સમજાવવાની ક્ષમતા અને સ્કેલ બાર શા માટે જરૂરી છે.
• ખોવાયેલા ડેટાને ભરીને બનાવટી સપાટીઓના જોખમને ઓળખવું અને અનુમાન પૂર્ણ કરવાથી પુરાવાને દૃષ્ટિની રીતે અલગ કરવામાં સમર્થ હોવા.
• સમજવું કે મોડેલ એક માપ છે, અને અર્થઘટન એ સંદર્ભ અને નિષ્ણાત ચુકાદો છે, જેમ કે દિવાલ શું છે અને કુદરતી પથ્થર શું છે.

પુરાતત્વશાસ્ત્રમાં, ખોદકામ એ વિનાશક કાર્ય છે: જ્યારે તમે કોઈ સ્તરનું ખોદકામ કરો છો, ત્યારે તમે તેને કાયમી ધોરણે નષ્ટ કરો છો અને તમે તેને ફરી ક્યારેય તે જ રીતે જોશો નહીં. તેથી, દસ્તાવેજીકરણ (માપ, રેખાંકનો, ફોટોગ્રાફ્સ અને મોડેલો સાથે ખોદકામના દરેક તબક્કાનો કાયમી રેકોર્ડ બનાવવો) પુરાતત્વની સૌથી પવિત્ર ફરજોમાંની એક છે. આ એકમમાં, આપણે જોઈશું કે કેવી રીતે ફોટોગ્રામેટ્રી (એક તકનીક કે જે વિવિધ ખૂણાઓમાંથી લેવામાં આવેલા ઑબ્જેક્ટના બહુવિધ ફોટોગ્રાફ્સમાંથી સામાન્ય બિંદુઓને મેચ કરીને સ્કેલ કરેલ ત્રિ-પરિમાણીય મોડેલ બનાવે છે) અને AI કેવી રીતે 3D દસ્તાવેજીકરણને વેગ આપે છે, પરંતુ શા માટે સ્કેલ અને અર્થઘટન પરના નિર્ણયો મનુષ્યો પાસે રહે છે.

મૂળભૂત સિદ્ધાંત: AI સ્કેલ મોડેલ, ઓર્થોફોટો અને માપન બનાવવામાં મદદ કરે છે; પરંતુ શું દસ્તાવેજ કરવું, કઈ રેખા દિવાલ છે અને કુદરતી પથ્થર કઈ છે અને મોડેલનું અર્થઘટન કેવી રીતે કરવું તે નિષ્ણાતના નિર્ણયો છે. 3D મોડેલ એક સાબિતી છે; તેનું વાંચન એક અર્થઘટન છે.

ફોટોગ્રામમેટ્રી અને 3D દસ્તાવેજીકરણના પગલાં

1. ફોટો શૂટ. ઑબ્જેક્ટ અથવા વિસ્તાર પર્યાપ્ત ઓવરલેપ (ઓછામાં ઓછા ત્રણ ફોટોગ્રાફ્સમાં દરેક બિંદુ) અને સારા પ્રકાશમાં કેપ્ચર કરવામાં આવે છે. સ્કેલ બાર અને જાણીતા અંતર (નિયંત્રણ બિંદુઓ) તેની બાજુમાં મૂકવામાં આવે છે; સ્કેલ વિના મોડેલ પરિમાણહીન છે.

2. સંરેખણ અને બિંદુ વાદળ. સૉફ્ટવેર ફોટામાંના સામાન્ય બિંદુઓ સાથે મેળ ખાય છે અને પોઈન્ટ ક્લાઉડનું નિર્માણ કરે છે (જેમાં ઓબ્જેક્ટની સપાટીનું પ્રતિનિધિત્વ કરતા લાખો 3D પોઈન્ટનો સમાવેશ થાય છે). AI આ મેચિંગ અને અવાજની સફાઈને ઝડપી બનાવે છે.

3. મેશ અને ટેક્સચર. બિંદુઓને સપાટી (જાળી) માં રૂપાંતરિત કરવામાં આવે છે અને ટોચ પર ફોટો ટેક્સચર લાગુ કરવામાં આવે છે; વાસ્તવિક 3D મોડલ ઉભરી આવે છે.

4. ઓર્થોફોટો અને માપન. એક સ્કેલ કરેલ ઓર્થોફોટો (સાચા સ્કેલ પર દરેક બિંદુ સાથે ટોચનું દૃશ્ય) દૂર કરાયેલ પરિપ્રેક્ષ્ય વિકૃતિ સાથે મોડેલમાંથી કાઢવામાં આવે છે. તેના પર સર્વે ડ્રોઇંગ બનાવવામાં આવે છે.

5. સર્વેક્ષણ અને અર્થઘટન. સર્વેક્ષણ (બિલ્ડીંગ અથવા ખંડેરનું સ્કેલ કરેલ, અર્થઘટન કરેલ તકનીકી ચિત્ર) એ એક એવો તબક્કો છે જ્યાં નિષ્ણાત મોડેલ વાંચે છે અને દિવાલ શું છે, મોર્ટાર શું છે અને પછીનો ઉમેરો શું છે તે અલગ પાડે છે. AI ધાર સૂચવી શકે છે, પરંતુ નિષ્ણાત તફાવત બનાવે છે.

ટીપ: સ્કેલ બાર અને નિયંત્રણ બિંદુઓને ક્યારેય છોડશો નહીં. AI અનસ્કેલ્ડ ફોટોગ્રાફ્સમાંથી "સુંદર" મોડેલ બનાવે છે, પરંતુ તે મોડેલ વૈજ્ઞાનિક રીતે નકામું છે કારણ કે તેમાંથી વાસ્તવિક માપ લઈ શકાતું નથી. દસ્તાવેજીકરણનું મૂલ્ય તેની માપનક્ષમતામાં છે.

AI નું યોગદાન અને મર્યાદા

AI; તે ફોટો સંરેખણ, અવાજ દૂર કરવા, ગુમ થયેલ સપાટી ભરણ (ઇન્ટરપોલેશન) અને મોટી સંખ્યામાં મોડેલોની તુલનામાં શક્તિશાળી છે. પરંતુ ત્યાં બે નિર્ણાયક મર્યાદાઓ છે:

• બનાવટી સપાટીનું જોખમ. AI ગુમ થયેલ ડેટાને એવી રીતે ભરી શકે છે કે જે "બુદ્ધિગમ્ય" લાગે છે; એટલે કે, તે એવી સપાટી ઉત્પન્ન કરી શકે છે જે ખરેખર મોડેલમાં જોવા મળી ન હતી. દસ્તાવેજીકરણમાં આ ખતરનાક છે: એક વિગત જે વાસ્તવમાં અસ્તિત્વમાં નથી તે પુરાવા તરીકે દેખાય છે. ભરેલા/અનુમાનિત પ્રદેશો હંમેશા ચિહ્નિત કરવા જોઈએ.
• માપન, ટિપ્પણી નહીં. મોડેલ શું છે તે કહેતું નથી. ખાડો કબર હોય કે કચરાનો ખાડો હોય, પથ્થરોની પંક્તિ દિવાલ હોય કે રસ્તો, તે સંદર્ભ અને નિષ્ણાતના ચુકાદા પરથી આવે છે, મોડેલમાંથી નહીં.

સાવધાન: 3D મોડેલને "પુનઃસ્થાપિત" અથવા "પૂર્ણ" કરતી વખતે AI ઉમેરે છે તે દરેક ભાગ એક ધારણા છે. જો પુરાવા (વાસ્તવિક માપેલી સપાટી) અને પુનઃનિર્માણ (અંદાજિત પૂર્ણતા) દૃષ્ટિની રીતે અલગ ન હોય, તો દર્શક સત્ય માટે ધારણાને ભૂલ કરશે. આ દસ્તાવેજીકરણની સૌથી ગંભીર નૈતિક ભૂલ છે.

ત્રણ નાના કેસો

કેસ 1 - ઝડપી દસ્તાવેજો સાચવવામાં આવ્યા છે. બચાવ ખોદકામ (બાંધકામને કારણે કટોકટી ખોદકામ) પર, ટીમ પાસે એક સ્તરનું દસ્તાવેજીકરણ કરવા માટે માત્ર થોડા કલાકો હતા. ડ્રોન અને AI-એક્સિલરેટેડ ફોટોગ્રામેટ્રીએ 45 મિનિટમાં સ્તરનો મિલિમેટ્રિક 3D રેકોર્ડ બનાવ્યો; બીજા દિવસે સ્તર દૂર કરવામાં આવ્યું હતું પરંતુ પેટર્ન કાયમી રહી હતી. આ સમય દરમિયાન હાથ દોરવાનું અશક્ય હતું.

કેસ 2 - ફેબ્રિકેટેડ સપાટી પકડાઈ. એક વિદ્યાર્થી અહેવાલમાં લખશે કે તેણે થોડા ફોટોગ્રાફ્સ વડે બનાવેલા મોડેલમાં AI દ્વારા ભરેલી સપાટ સપાટી "નક્કર આધાર" હતી. કન્સલ્ટન્ટે દર્શાવ્યું હતું કે તે વિસ્તારમાં પૂરતા ફોટોગ્રાફ્સ ન હતા અને સપાટી એક પ્રક્ષેપ છે. મોડેલને "માપેલા" અને "અનુમાનિત" પ્રદેશોને અલગ કરીને ફરીથી ગોઠવવામાં આવ્યું હતું.

કેસ 3 - સ્કેલ-ફ્રી મોડલ કામ કરતું નથી. એક ટીમે એક બિલ્ડિંગ મૉડલ પહોંચાડ્યું જે સરસ દેખાતું હતું પરંતુ સ્કેલ બાર વિના શૂટ કરવામાં આવ્યું હતું; તેમાંથી કોઈ વાસ્તવિક માપ લઈ શકાયું નથી અને કોઈ સર્વે ડ્રોઈંગ કરી શકાઈ નથી. ચેકપોઇન્ટ્સ સાથે શૂટિંગનું પુનરાવર્તન કરવામાં આવ્યું હતું. પાઠ: સ્કેલ એ મોડેલનું વૈજ્ઞાનિક મૂલ્ય છે.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) શૂટિંગ પ્લાન નિયંત્રણ:

તમારી ભૂમિકા: ફોટોગ્રામમેટ્રી દસ્તાવેજીકરણ સહાયક. હું નીચેના ઑબ્જેક્ટ/વિસ્તારનું દસ્તાવેજીકરણ કરીશ: [વર્ણન]. મને એલિયાસિંગ, ખૂણાઓની સંખ્યા, લાઇટિંગ, સ્કેલ બાર અને કંટ્રોલ પોઈન્ટ પ્લેસમેન્ટ માટે શૂટિંગ ચેકલિસ્ટ આપો. માપનીયતા અને સંપૂર્ણ કવરેજ માટે નિર્ણાયક બિંદુઓને હાઇલાઇટ કરો.

2) મોડલ ગુણવત્તા નિરીક્ષણ:

નીચે હું મારા 3D મોડલ ઉત્પાદન પરિમાણો/આંકડા (ફોટોની સંખ્યા, ઓવરલેપ, આવરી લેવામાં આવેલ વિસ્તાર) આપીશ. મોડેલના કયા ક્ષેત્રોમાં ડેટા નબળો હોઈ શકે છે અને AI દ્વારા ભરવામાં આવે તેવી શક્યતા છે (અનુમાન)? મને કહો કે મારે આને કેવી રીતે ચિહ્નિત કરવું જોઈએ.

3) પુરાવા/કાલ્પનિક ભેદ:

હું 3D પુનઃનિર્માણ/પૂર્ણતાની તૈયારી કરી રહ્યો છું. મોડેલના કયા ભાગો માપેલા પુરાવા છે અને કયા અંદાજિત પૂર્ણતા છે તે પારખવા માટે માર્કિંગ સ્કીમ (રંગ/સ્તર/લેબલ) સૂચવો. નિવેદનના ટેક્સ્ટનો મુસદ્દો પણ તૈયાર કરો જે દર્શકને હકીકત માટે ધારણાને ભૂલથી અટકાવશે.

4) સર્વેની તૈયારી:

હું ઓર્થોફોટોમાંથી એક સર્વે કરીશ. આ રચનામાં મને જે તત્વોને અલગ પાડવાની જરૂર છે તેની યાદી બનાવો (દિવાલ/મોર્ટાર/ઉમેર/સમારકામ/કુદરતી પથ્થર) અને દરેક માટે ધ્યાન આપવા માટેના દ્રશ્ય સંકેતો. હું ચોક્કસ ટિપ્પણી કરીશ; તમે ચકાસવા માટે માપદંડ આપો.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

આ ફોટામાંથી બિલ્ડિંગનું 3D મોડલ બનાવો અને ખૂટતા ભાગો ભરો.

"ગુમ થયેલ ભાગો ભરો" એઆઈને ફિટિંગ સપાટી બનાવવાની મંજૂરી આપે છે; પરિણામ એક ભ્રામક મોડેલ છે જેમાં પુરાવા અને કાલ્પનિક ભેળસેળ છે.

શક્તિશાળી પ્રોમ્પ્ટ:

આ ફોટોગ્રાફ્સમાંથી સ્કેલ 3D મોડલ બનાવતી વખતે, માત્ર ફોટોગ્રાફ દ્વારા આવરી લેવામાં આવેલી સપાટીઓનું જ પર્યાપ્ત રીતે મોડેલ કરો. ફિલિંગ ડેટા નબળા વિસ્તારો; તેમને "ગુમ થયેલ ડેટા" તરીકે ચિહ્નિત કરો. મોડેલના આંકડામાં દરેક પ્રદેશને કેટલા ફોટા સપોર્ટ કરે છે તેની જાણ કરો. સ્કેલ બાર સામે પરિમાણો ચકાસો.

તફાવત: પ્રથમ એક સુંદર પરંતુ ખોટા સમગ્ર પેદા કરે છે; બાદમાં દૃશ્યમાન ગાબડા સાથે પ્રમાણિક દસ્તાવેજ બનાવે છે.

શા માટે 3D દસ્તાવેજીકરણ પરંપરાગત ચિત્રને સંપૂર્ણપણે બદલશે નહીં?

3D મોડલ શક્તિશાળી છે પરંતુ પરંપરાગત હેન્ડ ડ્રોઇંગ અને ઓબ્ઝર્વેશન નોટબુકને સંપૂર્ણપણે અમાન્ય કરતું નથી; બંને એકબીજાના પૂરક છે. સર્વેક્ષણ અથવા લેયર ડ્રોઇંગમાં ખોદકામ સમયે નિષ્ણાતનું અર્થઘટન હોય છે: કયો પથ્થર દિવાલનો છે, જે પાછળથી વળેલું છે, રેખા વાસ્તવિક સીમા છે કે પડછાયો છે. આ અર્થઘટન ચિત્રકારના માથામાં થાય છે અને 3D મોડેલમાં આપમેળે દેખાતું નથી. મોડેલ "તે ગમે તે છે" માપે છે; પરંતુ "આમાંથી કયું અર્થપૂર્ણ છે" વચ્ચેનો તફાવત માનવ અવલોકન છે.

વધુમાં, 3D મોડલ આર્કાઇવ ફોર્મેટની સમસ્યા ધરાવે છે: આજે તમે જે મોડલ ફાઇલ બનાવો છો તે હવેથી દસ વર્ષ પછી ખુલ્લી નહીં હોય; સોફ્ટવેર અને ફોર્મેટ અપ્રચલિત બની જાય છે. તેથી જ કાચા ફોટોગ્રાફ્સ, કંટ્રોલ પોઈન્ટ માપન અને પ્રમાણભૂત ડ્રોઈંગ/ઓર્થોફોટો હંમેશા એકસાથે સંગ્રહિત કરવામાં આવે છે. મોડેલ લાંબા ગાળાના દસ્તાવેજીકરણનો એકમાત્ર પગ નથી, પરંતુ સૌથી ધનિક પગ છે.

અન્ય વ્યવહારુ મુદ્દો કોઓર્ડિનેટ્સ અને ઓરિએન્ટેશનનો છે: જો તે વાસ્તવિક-વિશ્વ સંકલન પ્રણાલી (ભૌગોલિક સંદર્ભ) માં આધારીત ન હોય તો મોડેલ માત્ર "હવામાં" એક આકાર છે; તે ખોદકામના કયા બિંદુને અને કઈ દિશામાં જોઈ રહ્યો છે તે ગુમાવે છે. વાસ્તવિક કોઓર્ડિનેટ્સ સાથે નિયંત્રણ બિંદુઓનું માપન મોડેલને ખોદકામ યોજના સાથે જોડે છે અને વિવિધ ઋતુઓના મોડેલોને સુપરઇમ્પોઝ કરવામાં સક્ષમ બનાવે છે.

ટીપ: માત્ર 3D મોડેલ જનરેટ કરશો નહીં અને તેને ત્યાં જ છોડી દો; કાચા ફોટા, કંટ્રોલ પોઈન્ટ કોઓર્ડિનેટ્સ, સ્કેલ માહિતી અને એક ટીકાવાળી ડ્રોઈંગ શામેલ કરો. ભાવિ સંશોધક આ વધારાના દસ્તાવેજો સાથે તમારા કાર્યને સમજવા માટે સક્ષમ હોવા જોઈએ, પછી ભલે તેઓ મોડેલ ખોલી ન શકે.

3D દસ્તાવેજીકરણ પદ્ધતિ ટેબલ

સ્ટેજ

AIનું યોગદાન

માનવ નિર્ણય

ચકાસણી

શૂટિંગ

યોજના/કવરેજ ભલામણ

સ્કેલ, ચેકપોઇન્ટ

એલાઇઝિંગ નિયંત્રણ

બિંદુ વાદળ

જોડી બનાવવી, અવાજ દૂર કરવો

ગુણવત્તા થ્રેશોલ્ડ

નિયંત્રણ બિંદુ કદ

સપાટી/રચના

આપોઆપ મેશ

ભરવાની મર્યાદા

નબળા ઝોનનું ચિહ્ન

ઓર્થોફોટો/માપ

સ્કેલ ઉત્પાદન

સ્કેલ ચકાસણી

જાણીતું અંતર

સર્વેક્ષણ

ધાર સૂચન

દિવાલ/મોર્ટાર/જોડાણ અલગ

સંદર્ભ, નિષ્ણાત

સામાન્ય ભૂલો

• સ્કેલ બાર છોડો. સ્કેલ વિનાનું મોડેલ વૈજ્ઞાનિક રીતે માપી શકાય તેવું નથી.
• ખૂટતો ડેટા ભરવા. AI ફિટિંગ સપાટી ઉત્પન્ન કરે છે; ગાબડાઓને ચિહ્નિત કરવું આવશ્યક છે.
• કાલ્પનિક થી પુરાવા અલગ નથી. જો પૂર્ણ થયેલ પ્રદેશોને દૃષ્ટિની રીતે અલગ ન કરવામાં આવે તો તે ગેરમાર્ગે દોરનારું છે.
• અર્થઘટન માટે મોડેલની ભૂલ કરવી. મોડેલ મીટર તે શું છે તે કહેતું નથી; અર્થઘટન એ સંદર્ભ અને નિષ્ણાત કાર્યની બાબત છે.
• થોડા ફોટા સાથે એક મોડેલ બનાવવું. અપર્યાપ્ત ઓવરલેપ વિકૃત અને ગેપ્ડ મોડેલ આપે છે.

સારાંશમાં

3D દસ્તાવેજીકરણ અને ફોટોગ્રામેટ્રીમાં AI; તે ઝડપી, મિલિમેટ્રિક અને પુનરાવર્તિત રેકોર્ડિંગનું ઉત્પાદન કરે છે અને ખાસ કરીને સમય-દબાણવાળા બચાવ ખોદકામમાં અમૂલ્ય છે. પરંતુ સ્કેલ બાર આવશ્યક છે, ગુમ થયેલ ડેટા ભરેલ નથી પરંતુ ચિહ્નિત થયેલ છે, પુરાવા કાલ્પનિકથી અલગ છે, અને મોડેલનું અર્થઘટન (શું છે) નિષ્ણાતનું છે. મોડેલ એક સાબિતી છે; વાંચન એ જવાબદારી છે.

એપ્લિકેશન કાર્ય

ઓછામાં ઓછા 20 ઓવરલેપિંગ ફોટા, સ્કેલ બાર સાથે બિલ્ડિંગનો એક નાનો શોધ અથવા ખૂણો લો. ફોટોગ્રામેટ્રી ફ્લો સાથે એક મોડેલ બનાવો અને "મોડલ ગુણવત્તા તપાસ" નમૂના વડે નબળા/ભરેલા વિસ્તારોને ઓળખો. પછી "પુરાવા/કાલ્પનિક ભેદ" ટેમ્પ્લેટ સાથે એક રેખાકૃતિ બનાવો, જે ચિહ્નિત કરે છે કે કયા પ્રદેશો પુરાવા માપવામાં આવે છે અને કયા અનુમાન છે.

ચેકલિસ્ટ

• [ ] મેં શોટમાં સ્કેલ બાર અને કંટ્રોલ પોઈન્ટનો ઉપયોગ કર્યો.
• [ ] મેં તેને પર્યાપ્ત ઓવરલેપ સાથે લીધો (સ્પોટ દીઠ 3+ ફોટા).
• [ ] મેં નબળા/ભરેલા વિસ્તારોને ચિહ્નિત કર્યા, મેં નકલી સપાટી છોડી નથી.
• [ ] મેં આગાહીની પૂર્ણતામાંથી પુરાવાને દૃષ્ટિની રીતે અલગ કર્યા છે.
• [ ] મેં સંદર્ભ અને નિષ્ણાતના ચુકાદાનો ઉપયોગ કરીને મોડેલનું અર્થઘટન કર્યું.