تولید مدل از تصاویر فتوگرامتری و پهپاد

سود:

• امکان استفاده از فتوگرامتری SfM، ارتفتو، DSM/DTM و مفاهیم نقطه کنترل زمینی در زمینه مناسب با هوش مصنوعی
• توانایی ساخت برنامه ریزی پرواز پهپاد، نرخ پوشش و انتظارات دقت با محاسبات و چک لیست های پشتیبانی شده با هوش مصنوعی
• امکان ارزیابی دقت خروجی فتوگرامتری با نقاط کنترل مستقل و منطق RMSE

فتوگرامتری تکنیک اندازه گیری موقعیت و شکل سه بعدی اجسام از روی عکس های روی هم قرار گرفته است. امروزه، سریع‌ترین روش تولید در مهندسی پیمایش، تولید عکس‌های ارتوفتو و مدل‌های ارتفاعی از صدها عکس جمع‌آوری‌شده توسط پهپاد (وسایل نقلیه هوایی بدون سرنشین، که معمولاً به عنوان پهپاد شناخته می‌شود) است. در این بخش، نحوه پشتیبانی هوش مصنوعی از این فرآیند، از برنامه ریزی پرواز تا ارزیابی دقت را پوشش می دهیم. اصل تغییر ناپذیر است: نرم افزار و هوش مصنوعی مدل را تولید می کنند. پذیرش دقت موقعیت از طریق نقاط کنترل زمینی و کنترل مستقل با مهندس باقی می ماند.

بیایید شرایط را روشن کنیم. SfM (ساختار از حرکت) روشی است که هندسه سه بعدی و موقعیت های دوربین را با تطبیق نقاط مشترک در عکس های گرفته شده از زوایای مختلف حل می کند. این هسته نرم افزار فتوگرامتری مدرن است. Orthophoto یک تصویر هوایی با مقیاس صحیح، مانند نقشه، با حذف اعوجاج پرسپکتیو و ارتفاع است. DSM (مدل سطح دیجیتال) یک مدل ارتفاعی از سطح بالایی شامل ساختمان ها و درختان است. DTM (مدل زمین دیجیتال) مدل ارتفاعی زمین خالی است. GCP (نقطه کنترل زمینی؛ GCP در انگلیسی) نقاط علامت گذاری شده ای هستند که دقیقاً از میدان اندازه گیری می شوند، در عکس ها ظاهر می شوند و مدل را به مختصات واقعی متصل می کنند. نسبت همپوشانی درصدی است که عکس‌های همسایه یکدیگر را پوشش می‌دهند.

نقش هوش مصنوعی در فتوگرامتری

هوش مصنوعی از چهار مکان در این گردش کار پشتیبانی می کند:

1. برنامه ریزی و محاسبه پرواز این به محاسبه ارتفاع پرواز، نسبت پوشش و تعداد عکس ها برای فاصله نمونه برداری از زمین مورد نظر (GSD: اندازه ای که هر پیکسل روی زمین می پوشاند) کمک می کند و یک چک لیست ایجاد می کند.
2. پیش بررسی کیفیت منطق اسکن را ایجاد می کند که عکس های تار، انسداد ناکافی و مشکلات توزیع GCP را پرچم گذاری می کند.
3. طبقه بندی خروجی و تمیز کردن در کارهایی مانند فیلتر کردن شی (ساختمان/درخت) و تشخیص ابر/سایه در ارتوفوتو برای تولید DTM از DSM کمک می کند.
4. خلاصه گزارش و دقت جدول RMSE (ریشه میانگین مربعات خطا؛ اندازه گیری انحراف در نقاط کنترل) و گزارش دقت را قابل خواندن می کند.

نقطه کور: هوش مصنوعی شرایط فیزیکی پرواز و واقعیت زمین را نمی بیند. اگر GCP ناکافی، پوشش ضعیف یا پرواز بادی وجود داشته باشد، هیچ نرم‌افزار/AI نمی‌تواند بعداً این را به طور کامل اصلاح کند. صداقت از میدان شروع می شود.

نکته: هدف دقت خود را از ابتدا با اعداد تعیین کنید. «لَمْ أَنْ أَوْفَانَهُ» مبهم است; این یک هدف قابل اندازه گیری است که "در 3± سانتی متر به صورت افقی و ± 5 سانتی متر به صورت عمودی مورد هدف قرار گرفته است، که توسط RMSE با نقاط کنترل مستقل تایید شده است."

گام به گام: گردش کار فتوگرامتری پهپاد

1. تنظیم دقت و هدف GSD. دقت مورد نظر GSD و در نتیجه ارتفاع پرواز را تعیین می کند. قانون کلی: دقت موقعیتی در حد چند GSD است.
2. پرواز را برنامه ریزی کنید نسبت پوشش (معمولاً به جلو 75-80٪، سمت 65-70٪)، ارتفاع پرواز، تعداد عکس ها. هوش مصنوعی می تواند این محاسبه و چک لیست را تولید کند.
3. قرار دادن و اندازه گیری GCP. با GNSS تعداد کافی GCP را در گوشه ها و وسط اندازه گیری کنید تا به طور یکنواخت منطقه را پوشش دهد. برخی از آنها را به عنوان نقاط کنترل مستقل که وارد مدل نمی شوند جدا کنید.
4. آن را پردازش کنید. تراز با SfM، ارجاع جغرافیایی با GCP، ابر نقطه متراکم، DSM، تولید ارتوفوتو.
5. DTM تولید کنید. با فیلتر کردن اجسام خارج از زمین، از DSM به DTM تغییر وضعیت دهید.
6. تأیید کنید. محاسبه RMSE در نقاط کنترل فردی. آیا به هدف برخورد می کند؟

نقاط کنترل زمینی و RMSE

تطبیق مدل فتوگرامتری با دنیای واقعی به GCPها بستگی دارد. GCP ها مقیاس و مکان را به مدل می دهند. اگر تعداد آنها ناکافی باشد یا توزیع ضعیفی داشته باشد (همه در یک گوشه)، مدل در یک منطقه دقیق و در منطقه دیگر کج خواهد بود. راه برای اندازه‌گیری صادقانه دقت این است که برخی از GCPها را به‌عنوان نقاط کنترل مستقل با همتراز نکردن آنها حفظ کنیم و با مقایسه مقادیر آنها در مدل با مقادیر واقعی اندازه‌گیری شده، RMSE را محاسبه کنیم. مدل درست در نظر گرفته نمی شود فقط به این دلیل که تناسب (باقیمانده) در GCP کم است. این مانند موفقیت در داده های آموزشی است.

احتیاط: اگر از همه نقاط علامت‌گذاری‌شده به‌عنوان GCP استفاده کنید و هیچ نقطه کنترل مستقلی باقی نگذاشته باشید، هیچ مدرک مستقلی برای اندازه‌گیری دقت نخواهید داشت. همیشه چند نکته را برای بازرسی رزرو کنید.

سه مورد کوچک: با اعداد

مورد 1 - خطای توزیع GCP. در زمینی به وسعت 40 هکتار، 5 مورد از 6 GCP در نیمه جنوبی مزرعه بود. مدل انحراف 3± سانتی متر در جنوب و 25± سانتی متر در شمال به دست داد. پست های بازرسی مستقل این انحراف منطقه ای را آشکار کردند. هنگامی که GCPها به طور مساوی توزیع شدند و پرواز مجدداً پردازش شد، دقت به 4± سانتی متر در شمال کاهش یافت.

مورد 2 - اشتباه گرفتن DSM با DTM. در یک محاسبات حجم، تیم با فرض اینکه DSM مستقیماً در یک منطقه جنگلی آسیاب شده است، حجم حفاری را تقریباً 12٪ بیش از حد تخمین زد. وقتی DTM با فیلتر زمینی با پشتیبانی از هوش مصنوعی تولید شد و محاسبه تکرار شد، حجم به واقعیت نزدیک‌تر شد. درس: DTM در کارهای حجم دهنده و شلوار جین استفاده می شود.

مورد 3 - پوشش نامناسب. هنگامی که پوشش در برخی خطوط به دلیل باد به 55٪ کاهش یافت، SfM در آن منطقه تطابق ضعیفی داشت و مدل با سوراخ هایی بیرون آمد. پیش‌بررسی کیفیت منطقه پوشش کم را مشخص کرد. آن قسمت دوباره پرواز شد. درس: پوشش در مزرعه ارائه می شود، بعداً نمی توان آن را ساخت.

اعلان ضعیف / اعلان قوی

اعلان ضعیف:

من با پهپاد نقشه می گیرم، بگو چه کار کنم.

اعلان قدرتمند:

وظیفه: یک نقشه پرواز و دقت فتوگرامتری پهپاد ایجاد کنید. زمینه:- مساحت: ~40 هکتار، مسطح-کمی شیب، با درخت پراکنده- دقت هدف: افقی ± 3 سانتی متر، عمودی ± 5 سانتی متر- دوربین: [حسگر/فوکوس]، GSD مورد نظر: 2 سانتی متر درخواست ها: 1) ارتفاع و منطق پروازی تقریبی و منطق را برای GSD2) توصیه می شود. توجیه. 3) تعداد GCP و استراتژی توزیع. چه تعداد از آنها را باید به عنوان ایست بازرسی مستقل رزرو کنم؟ 4) تمایز DSM/DTM را بنویسید و کدام خروجی برای کدام کار مورد نیاز است. 5) تأیید: مرحله تأیید با RMSE در ایست های بازرسی مستقل.

اعلان قدرتمند شامل هدف عددی، شرایط میدانی و طرح راستی‌آزمایی است. خروجی قابل اجرا می شود.

چهار قالب قابل کپی

1) محاسبه پارامتر پرواز:

ارتفاع تقریبی پرواز برای GSD مورد نظر [x سانتی متر] و دوربین [حسگر/فوکوس]، پیشنهاد نسبت پوشش، تخمین تعداد عکس‌ها. فرضیات خود را به وضوح بنویسید؛ توجه داشته باشید که مقدار دقیق نیاز به تأیید نرم افزار دارد.

2) برنامه ریزی GCP:

توصیه استراتژی طرح‌بندی GCP برای [منطقه/اندازه/شکل]: چند نقطه، نحوه توزیع، چه تعداد باید برای کنترل مستقل رزرو شود. خطر عدم توزیع را توضیح دهید (همه در یک گوشه).

3) گردش کار DSM->DTM:

مراحل فیلتر زمین را برای تولید DTM از ابر نقطه/DSM بنویسید. مشخص کنید که کدام اشیاء (ساختمان، درخت) استخراج شوند و چگونه نتیجه را با قسمت پروفایل تأیید کنید. توضیح دهید که چرا DTM برای کار حجم/سطح مورد نیاز است.

4) گزارش دقت:

RMSE افقی و عمودی را از انحرافات نقطه کنترل فردی زیر محاسبه کنید، با دقت هدف مقایسه کنید، یک تفسیر عبور/عقب ایجاد کنید و نقاط ضعیف را مشخص کنید. داده ها: [انحرافات نقطه کنترل]

مقایسه محصولات فتوگرامتری

محصول

چه چیزی را نشان می دهد؟

استفاده معمولی

توجه

عکس ارتو

مقیاس تصویر هوایی دقیق

نقشه پایه، دیجیتالی سازی

اعوجاج لبه ها

DSM

سطح بالایی (ساختمان + درخت)

تجزیه و تحلیل سایه / دید

زمین نیست

DTM

زمین برهنه

جین، حجم، شیب

کیفیت فیلترینگ

ابر نقطه

نقاط متراکم سه بعدی

اندازه گیری سه بعدی، مقطع

تمیز کردن سر و صدا

YKN

پایگاه جغرافیایی

پایه حقیقت

توزیع بحرانی

اشتباهات رایج

• استفاده از DSM به جای DTM. اشتباه بزرگ در محاسبات ارتفاع و حجم.
• بدون هیچ پست بازرسی مستقل هیچ مدرک مستقلی برای اندازه گیری دقت وجود ندارد.
• توزیع ضعیف GCPها. یک منطقه درست است، دیگری تحریف شده است.
• ناکافی گذاشتن نرخ پوشش در میدان. غیر قابل بازیابی، مدل سوراخ دار.
• عدم تعیین هدف دقت در اعداد. "دقت بالا" قابل اندازه گیری یا تایید نیست.
• فکر می کنم که ارتفتو برای اندازه گیری کاملاً صحیح است. اعوجاج در اطراف لبه ها و اجسام مرتفع رخ می دهد.

به طور خلاصه

هوش مصنوعی در فتوگرامتری پهپاد این یک کمک قدرتمند در محاسبه برنامه پرواز، پیش‌بررسی کیفیت، تولید DTM از DSM و گزارش‌دهی دقت است. با این حال، اساس دقت موقعیت در میدان گذاشته شده است: تعداد صحیح و نقاط کنترل زمینی توزیع شده یکنواخت، پوشش کافی و اهداف دقت عددی. یک معیار صادقانه برای دقت، RMSE محاسبه شده در نقاط کنترل فردی است که وارد مدل نمی شوند. همیشه از DTM برای کارهای جین و عمده استفاده کنید. DSM سطح بالایی است.

وظیفه کاربردی

یک پروژه پهپاد طراحی کنید: اندازه میدان، هدف GSD و هدف دقت عددی را تعیین کنید (به عنوان مثال افقی 3 ± سانتی متر). داشتن هوش مصنوعی ارتفاع پرواز، نسبت پوشش و استراتژی GCP را ایجاد کند. بنویسید که چند امتیاز برای کنترل مستقل رزرو می کنید. سپس RMSE را روی یک جدول انحراف نقطه کنترل فرضی محاسبه کنید و بپرسید "آیا به هدف برخورد کرده است؟" نظر بدهید و نتیجه را خودتان تایید کنید.

چک لیست

• [ ] من یک هدف دقت عددی و GSD تنظیم کردم.
• [ ] من نسبت پوشش (به جلو/ سمت) را به اندازه کافی برنامه ریزی کردم.
• [ ] من GCP ها را به طور مساوی توزیع کردم و از آنها به تعداد کافی استفاده کردم.
• [ ] من برخی از نکات را برای کنترل مستقل رزرو کردم.
• [ ] من DTM تولید کردم، نه DSM، برای جین/حجم.
• [ ] من فیلتراسیون زمین را با بخش پروفایل تأیید کردم.
• [ ] من RMSE را در نقاط کنترل فردی محاسبه کردم.
• [ ] من پذیرش صحت را مشمول تایید مهندس قرار داده ام.