Kasu:
- Võimalus kasutada tehisintellektiga õiges kontekstis SfM-fotogrammeetriat, ortofotot, DSM/DTM-i ja maapealse juhtimispunkti kontseptsioone
- Võime koostada UAV lennuplaneerimise, katvuse ja täpsuse ootused tehisintellekti toetatud arvutuste ja kontrollnimekirjadega
- Võimalus hinnata fotogrammeetrilise väljundi täpsust sõltumatute kontrollpunktide ja RMSE loogika abil
Fotogrammeetria on tehnika, millega mõõdetakse objektide kolmemõõtmelist asendit ja kuju kattuvate fotode põhjal. Tänapäeval on uuringutehnika kõige kiiremini kasvav tootmismeetod ortofotode ja kõrgusmudelite tootmine sadadest UAV (Unmanned Aerial Vehicle, üldtuntud kui droon) kogutud fotodest. Selles üksuses käsitleme seda, kuidas tehisintellekt seda protsessi toetab, alates lennu planeerimisest kuni täpsuse hindamiseni. Põhimõte on muutumatu: tarkvara ja AI toodavad mudeli; Asukoha täpsuse aktsepteerimine jääb insenerile maapealsete juhtimispunktide ja sõltumatu juhtimise kaudu.
Teeme tingimused selgeks. SfM (Structure from Motion) on meetod, mis lahendab 3D geomeetria ja kaamera asukohad erinevate nurkade alt tehtud fotode ühispunktide sobitamise teel; See on kaasaegse fotogrammeetria tarkvara tuum. Ortofoto on õige mõõtkavaga õhupilt, nagu kaart, kus on välistatud perspektiivi ja kõrguse moonutused. DSM (digitaalne pinnamudel) on pealispinna kõrgusmudel, sealhulgas hooned ja puud. DTM (Digital Terrain Model) on palja pinnase kõrgusmudel. GCP (Ground Control Point; inglise keeles GCP) on märgitud punktid, mis on põllult täpselt mõõdetud, ilmuvad fotodele ja ühendavad mudeli tegelike koordinaatidega. Kattumissuhe on üksteist katvate naaberfotode protsent.
AI roll fotogrammeetrias
AI toetab selles töövoos nelja kohta:
- Lendude planeerimine ja arvutamine. See aitab arvutada soovitud maapealse proovivõtukauguse (GSD: suurus, mida iga piksel maapinnal katab) lennukõrguse, kattesuhte ja fotode arvu ning koostab kontrollnimekirja.
- Kvaliteedi eelkontroll. See loob skannimisloogika, mis märgib udused fotod, ebapiisav oklusioon ja GCP levitamise probleemid.
- Väljundite klassifitseerimine ja puhastamine. See aitab DSM-ist DTM-i genereerimiseks sellistes ülesannetes nagu objektide (hoone/puu) filtreerimine ja pilve/varju tuvastamine ortofotos.
- Aruanne ja täpsuse kokkuvõte. Teeb loetavaks RMSE (Root Mean Square Error; kontrollpunktide kõrvalekallete mõõt) tabeli ja täpsusaruande.
Pime nurk: AI ei näe lennu füüsilisi tingimusi ega maastiku tegelikkust. Kui GCP on ebapiisav, kate on halb või lend on tuuline, ei saa ükski tarkvara/AI seda hiljem täielikult parandada. Ausus algab väljakult.
Näpunäide: seadke algusest peale oma täpsuseesmärk numbrites. "Las see olla kõrge täpsusega" on mitmetähenduslik; See on mõõdetav sihtmärk, "sihitud ±3 cm horisontaalselt ja ±5 cm vertikaalselt, kinnitas RMSE sõltumatute kontrollpunktidega."
Samm-sammult: UAV fotogrammeetria töövoog
- Määrake täpsus ja GSD sihtmärk. Soovitud täpsus määrab GSD ja seega ka lennukõrguse. Üldreegel: asukoha täpsus on mõne GSD suurusjärgus.
- Planeerige lend. Katvuse suhe (tavaliselt edasi 75-80%, külg 65-70%), lennukõrgus, fotode arv. AI saab koostada selle arvutuse ja kontrollnimekirja.
- Paigutage ja mõõtke GCP-sid. Mõõtke GNSS-iga täpselt piisav arv GCP-sid nurkades ja keskel, et ala ühtlaselt katta. Eraldage mõned neist sõltumatute kontrollpunktidena, mis mudelisse ei sisene.
- Töötle seda. Joondamine SfM-iga, georeferents GCP-ga, tihe punktipilv, DSM, ortofoto genereerimine.
- Toota DTM-i. Lülituge DSM-ilt DTM-ile, filtreerides välja maavälised objektid.
- Kinnitage. Arvutage RMSE üksikutes kontrollpunktides; Kas see tabab sihtmärki?
Maapealsed juhtimispunktid ja RMSE
Fotogrammeetrilise mudeli sobitamine reaalse maailmaga sõltub GCP-dest. GCP-d annavad mudelile skaala ja asukoha; Kui neid on ebapiisav arv või need on halvasti jaotunud (kõik ühes nurgas), on mudel ühes piirkonnas täpne ja teises viltu. Täpsuse ausa mõõtmise viis on hoida mõned GCP-d sõltumatute kontrollpunktidena, jättes neid joonimata, ja arvutada RMSE, võrreldes nende väärtusi mudelis tegelike mõõdetud väärtustega. Mudelit ei peeta õigeks ainult seetõttu, et sobivus (jääk) GCP-l on madal; See on nagu edu treeningandmetel.
Ettevaatust. Kui kasutate kõiki märgitud punkte GCP-dena ega jäta sõltumatuid kontrollpunkte, pole teil täpsuse mõõtmiseks sõltumatuid tõendeid. Jäta kontrollimiseks alati mõned punktid.
Kolm miniümbrist: numbrite järgi
Juhtum 1 – GCP levitamise viga. 40 hektari suurusel põllul oli 6 GCP-st 5 põllu lõunapoolses pooles. Mudel andis lõunas hälbeks ±3 cm ja põhjas ±25 cm. Sõltumatud kontrollpunktid näitasid seda piirkondlikku moonutust; Kui GCP-d jaotati ühtlaselt ja lendu ümber töödeldi, vähenes täpsus põhjas ±4 cm-ni.
Juhtum 2 – DSM-i segamine DTM-iga. Mahu arvutamisel hindas meeskond kaevetööde mahtu umbes 12% võrra üle, eeldades, et DSM oli otse metsas. Kui DTM genereeriti AI-toega maapealse filtreerimisega ja arvutust korrati, jõudis helitugevus reaalsusele lähemale. Õppetund: DTM-i kasutatakse volüümi ja teksade töös.
Juhtum 3 – ebapiisav katvus. Kui katvus langes tuule tõttu mõnel liinil 55%-ni, tegi SfM selles piirkonnas kehva vaste ja mudel tuli välja aukudega. Kvaliteedi eelkontroll tähistas madala katte piirkonda; See osa sai jälle lennutatud. Õppetund: kate on põllul olemas, seda ei saa hiljem valmistada.
Nõrk viip / Tugev viip
Nõrk viip:
Ma teen drooniga kaardi, öelge, mida ma tegema pean.
Võimas viip:
Ülesanne: koosta UAV fotogrammeetria lennu- ja täpsusplaan. Kontekst:- Pindala: ~40 ha, tasane-kerge kaldega, hõreda metsaga- Sihi täpsus: horisontaalselt ±3 cm, vertikaalselt ±5 cm- Kaamera: [sensor/fookus], soovitav GSD: 2 cmTaotlused:1) Kirjutage ligikaudne lennukõrgus ja loogika GSD 2 cm jaoks.2) Katvuse arv ja strateegia) ja strateegia jaotus3. Mitu neist peaksin reserveerima ISESEISVATE kontrollpunktidena?4) Kirjutage DSM/DTM eristus ja millist väljundit millise töö jaoks on vaja.5) Kontrollimine: kinnitamise samm RMSE-ga sõltumatutes kontrollpunktides.
Võimas viip sisaldab numbrilist sihtmärki, põllu seisundit ja kontrolliplaani; Väljund muutub rakendatavaks.
Neli kopeeritavat malli
1) Lennuparameetrite arvutamine:
Soovitud GSD [x cm] ja kaamera [sensor/fookus] ligikaudne lennukõrgus, soovitada katte suhet, hinnanguline fotode arv. Kirjutage oma oletused selgelt; Pange tähele, et täpne väärtus nõuab tarkvara kinnitust.
2) GCP planeerimine:
Soovitage GCP paigutusstrateegiat [ala/suurus/kuju] jaoks: kui palju punkte, kuidas jaotada, kui palju tuleks reserveerida sõltumatuks kontrolliks. Selgitage vale leviku ohtu (kõik ühes nurgas).
3) DSM->DTM töövoog:
Kirjutage maapealse filtreerimise etapid DTM-i genereerimiseks punktipilvest/DSM-ist. Määrake, milliseid objekte (hoone, puu) ekstraheerida ja kuidas tulemust profiiliosaga kontrollida. Selgitage, miks on helitugevuse/taseme tööks vaja DTM-i.
4) Täpsusaruanne:
Arvutage horisontaalne ja vertikaalne RMSE järgmiste individuaalsete kontrollpunktide kõrvalekallete põhjal, võrrelge sihtmärgi täpsusega, tehke läbitud/mittetulemuse tõlgendus ja osutage nõrgatele aladele. Andmed: [kontrollpunkti kõrvalekalded]
Fotogrammeetriliste toodete võrdlus
Toode
Mida see esindab?
Tüüpiline kasutus
Tähelepanu
ortofoto
Skaala täpne õhupilt
Aluskaart, digiteerimine
Serva moonutused
DSM
Pealmine pind (hoone+puu)
Varju/nähtavuse analüüs
See ei ole maapind
DTM
paljas maa
Denim, maht, kalle
Filtreerimise kvaliteet
punktipilv
3D-tihedad punktid
3D mõõtmine, ristlõige
müra puhastamine
YKN
Geoviite alus
tõe alus
Jaotuskriitiline
Levinud vead
- DSM-i kasutamine DTM-i asemel. Suur viga kõrguse ja mahu arvutamisel.
- Iseseisvaid kontrollpunkte ei jäeta. Puuduvad sõltumatud tõendid täpsuse mõõtmiseks.
- GCP-de halb levitamine. Üks ala on õige, teine on moonutatud.
- Katvuse määra jätmine väljakul ebapiisavaks. Taastamatu, perforeeritud mudel.
- Ei sea numbrites täpsuse eesmärki. "Kõrget täpsust" ei saa mõõta ega kinnitada.
- Mõeldes, et ortofoto on mõõtmiseks täiesti õige. Moonutused ilmnevad servade ja kõrgete objektide ümber.
Kokkuvõttes
Tehisintellekt UAV fotogrammeetrias; See on võimas abivahend lennuplaani arvutamisel, kvaliteedi eelkontrollil, DSM-ist DTM-i genereerimisel ja täpsuse aruandlusel. Positsioonitäpsuse vundament on aga rajatud põllul: õige arv ja ühtlaselt jaotunud maapealsed juhtimispunktid, piisav kate ja numbrilise täpsuse eesmärgid. Aus täpsuse mõõt on RMSE, mis arvutatakse üksikutes kontrollpunktides, mis mudelisse ei sisene. Kasutage alati DTM-i teksa- ja hulgitöödel; DSM on pealmine pind.
Rakenduse ülesanne
Kavandage UAV projekt: määrake välja suurus, sihtmärgi GSD ja numbrilise täpsuse sihtmärk (nt horisontaalne ±3 cm). Laske tehisintellektil genereerida lennukõrgust, kattesuhet ja GCP-strateegiat; Kirjutage üles, mitu punkti jätate iseseisvaks kontrolliks. Seejärel arvutage hüpoteetilise kontrollpunkti kõrvalekalde tabelis välja RMSE ja küsige "kas see tabas sihtmärki?" Kommenteerige ja kinnitage tulemus ise.
kontrollnimekiri
- [ ] Seadsin numbrilise täpsuse eesmärgi ja GSD.
- [ ] Planeerisin katvuse suhte (edasi/külg) adekvaatselt.
- [ ] Jaotasin GCP-d ühtlaselt ja kasutasin neid piisaval hulgal.
- [ ] Jätsin mõned punktid sõltumatuks kontrolliks.
- [ ] Tootsin DTM-i, mitte DSM-i, denim/volume jaoks.
- [ ] Kontrollisin maapinna filtratsiooni profiilsektsiooniga.
- [ ] Arvutasin RMSE üksikutes kontrollpunktides.
- [ ] Olen andnud täpsuse aktsepteerimise inseneri kinnitusele.