ફોટોગ્રામેટ્રી અને યુએવી ઈમેજીસમાંથી મોડલ જનરેશન

નફો:

• AI સાથે યોગ્ય સંદર્ભમાં SfM ફોટોગ્રામેટ્રી, ઓર્થોફોટો, DSM/DTM અને ગ્રાઉન્ડ કંટ્રોલ પોઈન્ટ કોન્સેપ્ટનો ઉપયોગ કરવાની ક્ષમતા
• AI-સપોર્ટેડ ગણતરીઓ અને ચેકલિસ્ટ્સ સાથે UAV ફ્લાઇટ પ્લાનિંગ, કવરેજ રેટ અને ચોકસાઈની અપેક્ષાઓ બાંધવાની ક્ષમતા
• સ્વતંત્ર નિયંત્રણ બિંદુઓ અને RMSE તર્ક સાથે ફોટોગ્રામેટ્રિક આઉટપુટની ચોકસાઈનું મૂલ્યાંકન કરવાની ક્ષમતા

ફોટોગ્રાફમેટ્રી એ ઓવરલેપિંગ ફોટોગ્રાફ્સમાંથી વસ્તુઓની ત્રિ-પરિમાણીય સ્થિતિ અને આકારને માપવાની તકનીક છે. આજે, સર્વેક્ષણ ઇજનેરીમાં સૌથી ઝડપથી વિકસતી ઉત્પાદન પદ્ધતિ UAV (અનમેન્ડ એરિયલ વ્હીકલ, સામાન્ય રીતે ડ્રોન તરીકે ઓળખાય છે) દ્વારા એકત્રિત કરાયેલા સેંકડો ફોટોગ્રાફ્સમાંથી ઓર્થોફોટો અને એલિવેશન મોડલ બનાવવાની છે. આ એકમમાં, અમે કવર કરીએ છીએ કે કેવી રીતે આર્ટિફિશિયલ ઇન્ટેલિજન્સ આ પ્રક્રિયાને સમર્થન આપે છે, ફ્લાઇટ પ્લાનિંગથી લઈને સચોટતાના મૂલ્યાંકન સુધી. સિદ્ધાંત અપરિવર્તનશીલ છે: સોફ્ટવેર અને AI મોડેલનું ઉત્પાદન કરે છે; ગ્રાઉન્ડ કંટ્રોલ પોઈન્ટ્સ અને સ્વતંત્ર નિયંત્રણ દ્વારા સ્થાનીય ચોકસાઈની સ્વીકૃતિ એન્જિનિયર પાસે રહે છે.

ચાલો શરતો સ્પષ્ટ કરીએ. SfM (સ્ટ્રક્ચર ફ્રોમ મોશન) એ એક પદ્ધતિ છે જે 3D ભૂમિતિ અને કેમેરાની સ્થિતિને અલગ-અલગ ખૂણાઓથી લીધેલા ફોટોગ્રાફ્સમાં સામાન્ય બિંદુઓને મેચ કરીને હલ કરે છે; તે આધુનિક ફોટોગ્રામેટ્રી સોફ્ટવેરનો મુખ્ય ભાગ છે. ઓર્થોફોટો એ નકશાની જેમ, પરિપ્રેક્ષ્ય અને એલિવેશન વિકૃતિઓ દૂર કરીને યોગ્ય સ્કેલ સાથેની હવાઈ છબી છે. ડીએસએમ (ડિજિટલ સરફેસ મોડલ) એ ઇમારતો અને વૃક્ષો સહિત ટોચની સપાટીનું એલિવેશન મોડલ છે. ડીટીએમ (ડિજિટલ ટેરેન મોડલ) એકદમ જમીનનું એલિવેશન મોડલ છે. GCP (ગ્રાઉન્ડ કંટ્રોલ પોઈન્ટ; અંગ્રેજીમાં GCP) એ ચિહ્નિત બિંદુઓ છે જે ફીલ્ડમાંથી ચોક્કસ માપવામાં આવે છે, ફોટોગ્રાફ્સમાં દેખાય છે અને મોડેલને વાસ્તવિક કોઓર્ડિનેટ્સ સાથે જોડે છે. ઓવરલેપ રેશિયો એ એકબીજાને આવરી લેતા પડોશી ફોટાઓની ટકાવારી છે.

ફોટોગ્રામમેટ્રીમાં AI ની ભૂમિકા

AI આ વર્કફ્લોમાં ચાર સ્થાનોને સપોર્ટ કરે છે:

1. ફ્લાઇટ પ્લાનિંગ અને ગણતરી. તે ફ્લાઇટની ઊંચાઈ, કવર રેશિયો અને ઇચ્છિત ગ્રાઉન્ડ સેમ્પલિંગ અંતર (GSD: દરેક પિક્સેલ જમીન પર આવરી લેતું કદ) માટે ફોટોગ્રાફ્સની સંખ્યાની ગણતરી કરવામાં મદદ કરે છે અને ચેકલિસ્ટ બનાવે છે.
2. ગુણવત્તા પૂર્વ-તપાસ. તે સ્કેનીંગ લોજીક સ્થાપિત કરે છે જે ઝાંખા ફોટા, અપર્યાપ્ત અવરોધ અને GCP વિતરણ સમસ્યાઓને ફ્લેગ કરે છે.
3. આઉટપુટ વર્ગીકરણ અને સફાઈ. તે DSM માંથી DTM જનરેટ કરવા માટે ઓર્થોફોટોમાં ઑબ્જેક્ટ (બિલ્ડિંગ/ટ્રી) ફિલ્ટરિંગ અને ક્લાઉડ/શેડો ડિટેક્શન જેવા કાર્યોમાં મદદ કરે છે.
4. રિપોર્ટ અને ચોકસાઈ સારાંશ. RMSE (રુટ મીન સ્ક્વેર એરર; કંટ્રોલ પોઈન્ટમાં વિચલનોનું માપ) ટેબલ અને ચોકસાઈ રિપોર્ટ વાંચવા યોગ્ય બનાવે છે.

બ્લાઇન્ડ સ્પોટ: AI ફ્લાઇટની ભૌતિક પરિસ્થિતિઓ અને ભૂપ્રદેશની વાસ્તવિકતાને જોતું નથી. જો અપૂરતું GCP, નબળું કવર અથવા તોફાની ફ્લાઇટ હોય, તો કોઈ સોફ્ટવેર/AI તેને પછીથી સંપૂર્ણપણે સુધારી શકશે નહીં. પ્રામાણિકતા મેદાન પર શરૂ થાય છે.

ટીપ: શરૂઆતથી જ નંબરોમાં તમારો ચોકસાઈનો ધ્યેય સેટ કરો. "તેને ઉચ્ચ વફાદારી રાખવા દો" અસ્પષ્ટ છે; તે માપી શકાય તેવું લક્ષ્ય છે "±3 સેમી આડા અને ±5 સેમી ઊભી રીતે લક્ષ્યાંકિત, સ્વતંત્ર નિયંત્રણ બિંદુઓ સાથે RMSE દ્વારા પુષ્ટિ થયેલ છે."

સ્ટેપ બાય સ્ટેપ: UAV ફોટોગ્રામેટ્રી વર્કફ્લો

1. ચોકસાઈ અને GSD લક્ષ્ય સેટ કરો. ઇચ્છિત ચોકસાઈ GSD અને તેથી ફ્લાઇટની ઊંચાઈ નક્કી કરે છે. સામાન્ય નિયમ: સ્થિતિની ચોકસાઈ થોડા GSD ના ક્રમ પર છે.
2. ફ્લાઇટની યોજના બનાવો. કવરેજ રેશિયો (સામાન્ય રીતે આગળ 75-80%, બાજુ 65-70%), ફ્લાઇટની ઊંચાઈ, ફોટાઓની સંખ્યા. AI આ ગણતરી અને ચેકલિસ્ટ બનાવી શકે છે.
3. GCPs મૂકો અને માપો. GNSS વડે વિસ્તારને સમાનરૂપે આવરી લેવા માટે ખૂણામાં અને મધ્યમાં પૂરતી સંખ્યામાં GCPsનું ચોક્કસ માપ કાઢો. તેમાંથી કેટલાકને સ્વતંત્ર નિયંત્રણ બિંદુઓ તરીકે અલગ કરો જે મોડેલમાં પ્રવેશતા નથી.
4. તેની પ્રક્રિયા કરો. SfM સાથે સંરેખણ, GCP સાથે જિયોરેફરન્સિંગ, ડેન્સ પોઈન્ટ ક્લાઉડ, DSM, ઓર્થોફોટો જનરેશન.
5. ડીટીએમનું ઉત્પાદન કરો. જમીનની બહારની વસ્તુઓને ફિલ્ટર કરીને DSM થી DTM પર સ્વિચ કરો.
6. ચકાસો. વ્યક્તિગત નિયંત્રણ બિંદુઓ પર RMSE ની ગણતરી કરો; શું તે લક્ષ્યને હિટ કરે છે?

ગ્રાઉન્ડ કંટ્રોલ પોઈન્ટ્સ અને RMSE

ફોટોગ્રામેટ્રિક મોડલને વાસ્તવિક દુનિયામાં ફિટ કરવાનું GCPs પર આધારિત છે. GCPs મોડેલને સ્કેલ અને સ્થાન આપે છે; જો તેઓ સંખ્યામાં અપૂરતા હોય અથવા નબળી રીતે વિતરિત કરવામાં આવે (બધા એક ખૂણામાં), તો મોડેલ એક પ્રદેશમાં સચોટ હશે અને બીજા પ્રદેશમાં ત્રાંસુ હશે. પ્રામાણિકપણે ચોકસાઈને માપવાનો માર્ગ એ છે કે કેટલાક GCP ને સંરેખિત ન કરીને સ્વતંત્ર નિયંત્રણ બિંદુઓ તરીકે રાખવા અને વાસ્તવિક માપેલા મૂલ્યો સાથે મોડેલમાં તેમના મૂલ્યોની તુલના કરીને RMSE ની ગણતરી કરવી. GCP પર ફિટ (શેષ) ઓછી હોવાને કારણે મોડલને યોગ્ય ગણવામાં આવતું નથી; આ તાલીમ ડેટા પર સફળતા જેવું છે.

સાવધાન: જો તમે GCP તરીકે તમામ ચિહ્નિત બિંદુઓનો ઉપયોગ કરો છો અને કોઈ સ્વતંત્ર નિયંત્રણ બિંદુ છોડશો નહીં, તો તમારી પાસે ચોકસાઈ માપવા માટે કોઈ સ્વતંત્ર પુરાવા હશે નહીં. હંમેશા નિરીક્ષણ માટે થોડા પોઈન્ટ અનામત રાખો.

ત્રણ મિની કેસ: સંખ્યાઓ દ્વારા

કેસ 1 — GCP વિતરણ ભૂલ. 40-હેક્ટરના ક્ષેત્રમાં, 6 GCP માંથી 5 ક્ષેત્રના દક્ષિણ ભાગમાં હતા. મોડેલે દક્ષિણમાં ±3 સેમી અને ઉત્તરમાં ±25 સેમીનું વિચલન આપ્યું હતું. સ્વતંત્ર ચેકપોઇન્ટ્સે આ પ્રાદેશિક વિકૃતિ જાહેર કરી; જ્યારે GCP ને સમાનરૂપે વિતરિત કરવામાં આવ્યા હતા અને ફ્લાઇટની પુનઃપ્રક્રિયા કરવામાં આવી હતી, ત્યારે ઉત્તરમાં ચોકસાઈ ઘટીને ±4 સેમી થઈ ગઈ હતી.

કેસ 2 — DTM માટે DSM ભૂલ કરવી. જથ્થાની ગણતરીમાં, ટીમે ખોદકામના જથ્થાને અંદાજે 12% જેટલો વધારે પડતો અંદાજ લગાવ્યો હતો અને ધારી લીધું હતું કે DSM જંગલવાળા વિસ્તારમાં સીધું જમીન પર છે. જ્યારે AI-સપોર્ટેડ ગ્રાઉન્ડ ફિલ્ટરિંગ સાથે DTM જનરેટ કરવામાં આવ્યું હતું અને ગણતરીનું પુનરાવર્તન કરવામાં આવ્યું હતું, ત્યારે વોલ્યુમ વાસ્તવિકતાની નજીક આવ્યું હતું. પાઠ: ડીટીએમનો ઉપયોગ વોલ્યુમ અને જીન્સના કામમાં થાય છે.

કેસ 3 - અપૂરતું કવરેજ. જ્યારે પવનને કારણે કેટલીક લાઈનો પર કવરેજ ઘટીને 55% થઈ ગયું, ત્યારે SfM એ તે વિસ્તારમાં નબળી મેચ કરી અને મોડેલ છિદ્રો સાથે બહાર આવ્યું. ગુણવત્તા પૂર્વ-તપાસ નીચા કવર પ્રદેશને ચિહ્નિત કરે છે; એ ભાગ ફરી ઊડી ગયો. પાઠ: ક્ષેત્રમાં કવર આપવામાં આવે છે, તે પછીથી ઉત્પાદન કરી શકાતું નથી.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

હું ડ્રોન વડે નકશો બનાવવા જઈ રહ્યો છું, મને કહો કે મારે શું કરવું જોઈએ.

શક્તિશાળી પ્રોમ્પ્ટ:

કાર્ય: UAV ફોટોગ્રામેટ્રી ફ્લાઇટ અને ચોકસાઈ યોજના બનાવો. સંદર્ભ:- વિસ્તાર: ~40 હેક્ટર, સપાટ-સહેજ ઢોળાવવાળું, છૂટાછવાયા જંગલવાળું- લક્ષ્ય ચોકસાઈ: આડી ±3 સેમી, ઊભી ±5 સેમી- કેમેરા: [સેન્સર/ફોકસ], ઇચ્છિત GSD: 2 cm વિનંતીઓ: 1) અંદાજિત ફ્લાઇટ અને 2 સે.મી.ની ઊંચાઈ GSD માટે 2 સે.મી.ની ઊંચાઈ લખો. ભલામણ (આગળ/બાજુ) અને વાજબીપણું. 3) GCP અને વિતરણ વ્યૂહરચનાની સંખ્યા; તેમાંથી કેટલાને મારે સ્વતંત્ર ચેકપોઇન્ટ્સ તરીકે આરક્ષિત કરવા જોઈએ? 4) DSM/DTM ભેદ લખો અને કયા કામ માટે કયું આઉટપુટ જરૂરી છે. 5) ચકાસણી: સ્વતંત્ર ચેકપોઇન્ટ્સ પર RMSE સાથે પુષ્ટિકરણ પગલું.

શક્તિશાળી પ્રોમ્પ્ટમાં આંકડાકીય લક્ષ્ય, ક્ષેત્રની સ્થિતિ અને ચકાસણી યોજનાનો સમાવેશ થાય છે; આઉટપુટ લાગુ પડે છે.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) ફ્લાઇટ પેરામીટર ગણતરી:

ઇચ્છિત GSD [x cm] અને કૅમેરા [સેન્સર/ફોકસ] માટે અંદાજિત ફ્લાઇટ ઊંચાઈ, કવર રેશિયો સૂચવો, ફોટાઓની અંદાજિત સંખ્યા. તમારી ધારણાઓ સ્પષ્ટ રીતે લખો; નોંધ કરો કે ચોક્કસ મૂલ્યને સૉફ્ટવેર પુષ્ટિની જરૂર છે.

2) GCP આયોજન:

[વિસ્તાર/કદ/આકાર] માટે GCP લેઆઉટ વ્યૂહરચનાનો સુઝાવ આપો: કેટલા પૉઇન્ટ્સ, કેવી રીતે વિતરિત કરવા, કેટલા સ્વતંત્ર નિયંત્રણ માટે અનામત રાખવા જોઈએ. ખોટા વિતરણના જોખમને સમજાવો (બધા એક ખૂણામાં).

3) DSM->DTM વર્કફ્લો:

પોઇન્ટ ક્લાઉડ/ડીએસએમમાંથી ડીટીએમ જનરેટ કરવા માટે ગ્રાઉન્ડ ફિલ્ટરિંગ સ્ટેપ્સ લખો. સ્પષ્ટ કરો કે કઈ ઑબ્જેક્ટ્સ (બિલ્ડિંગ, ટ્રી) કાઢવા માટે અને પ્રોફાઇલ વિભાગ સાથે પરિણામ કેવી રીતે ચકાસવું. વોલ્યુમ/લેવલ વર્ક માટે DTM શા માટે જરૂરી છે તે સમજાવો.

4) ચોકસાઈ અહેવાલ:

નીચેના વ્યક્તિગત નિયંત્રણ બિંદુ વિચલનોમાંથી આડી અને ઊભી RMSE ની ગણતરી કરો, લક્ષ્યની ચોકસાઈ સાથે તુલના કરો, પાસ/નિષ્ફળ અર્થઘટન કરો અને કોઈપણ નબળા વિસ્તારોને નિર્દેશ કરો. ડેટા: [નિયંત્રણ બિંદુ વિચલનો]

ફોટોગ્રામેટ્રિક પ્રોડક્ટ્સ સરખામણી

ઉત્પાદન

તે શું રજૂ કરે છે?

લાક્ષણિક ઉપયોગ

ધ્યાન

ઓર્થોફોટો

સ્કેલ ચોક્કસ હવાઈ છબી

બેઝમેપ, ડિજિટાઇઝેશન

ધાર વિકૃતિઓ

ડીએસએમ

ટોચની સપાટી (મકાન+વૃક્ષ)

શેડો/દૃશ્યતા વિશ્લેષણ

તે જમીન નથી

ડીટીએમ

ખાલી જમીન

ડેનિમ, વોલ્યુમ, ઢાળ

ફિલ્ટરિંગ ગુણવત્તા

બિંદુ વાદળ

3D ગાઢ બિંદુઓ

3D માપન, ક્રોસ વિભાગ

અવાજ સફાઈ

YKN

ભૌગોલિક સંદર્ભ આધાર

સત્યનો પાયો

વિતરણ જટિલ

સામાન્ય ભૂલો

• DTM ને બદલે DSM નો ઉપયોગ કરવો. એલિવેશન અને વોલ્યુમની ગણતરીમાં મોટી ભૂલ.
• કોઈ સ્વતંત્ર ચેકપોઇન્ટ છોડતા નથી. ચોકસાઈ માપવા માટે કોઈ સ્વતંત્ર પુરાવા બાકી નથી.
• ખરાબ રીતે GCP વિતરણ. એક વિસ્તાર સાચો છે, બીજો વિકૃત છે.
• ક્ષેત્ર પર કવરેજ દર અપૂરતો છોડીને. બિન-પુનઃપ્રાપ્ત, છિદ્રિત મોડેલ.
• સંખ્યામાં ચોકસાઈનું લક્ષ્ય નક્કી ન કરવું. "ઉચ્ચ ચોકસાઈ" માપી શકાતી નથી અથવા પુષ્ટિ કરી શકાતી નથી.
• એવું વિચારીને કે ઓર્થોફોટો માપન માટે એકદમ સાચો છે. કિનારીઓ અને ઉચ્ચ વસ્તુઓની આસપાસ વિકૃતિ થાય છે.

સારાંશમાં

યુએવી ફોટોગ્રામેટ્રીમાં કૃત્રિમ બુદ્ધિ; તે ફ્લાઇટ પ્લાન ગણતરી, ગુણવત્તા પૂર્વ-તપાસ, DSM માંથી DTM જનરેશન અને સચોટતા રિપોર્ટિંગમાં શક્તિશાળી સહાયક છે. જો કે, સ્થાનીય ચોકસાઈનો પાયો ક્ષેત્રમાં નાખવામાં આવે છે: સાચી સંખ્યા અને સમાનરૂપે વિતરિત ગ્રાઉન્ડ કંટ્રોલ પોઈન્ટ, પર્યાપ્ત કવર અને સંખ્યાત્મક ચોકસાઈ લક્ષ્યો. ચોકસાઈનું પ્રમાણિક માપ એ RMSE એ વ્યક્તિગત નિયંત્રણ બિંદુઓ પર ગણવામાં આવે છે જે મોડેલમાં પ્રવેશતા નથી. ડેનિમ અને બલ્ક વર્ક માટે હંમેશા ડીટીએમનો ઉપયોગ કરો; DSM ટોચની સપાટી છે.

એપ્લિકેશન કાર્ય

UAV પ્રોજેક્ટ ડિઝાઇન કરો: ક્ષેત્રનું કદ, લક્ષ્ય GSD અને સંખ્યાત્મક ચોકસાઈ લક્ષ્ય (દા.ત. આડી ±3 સે.મી.) નક્કી કરો. AI પાસે ફ્લાઇટની ઊંચાઈ, કવર રેશિયો અને GCP વ્યૂહરચના જનરેટ કરો; તમે સ્વતંત્ર નિયંત્રણ માટે કેટલા પોઈન્ટ અનામત રાખશો તે લખો. પછી કાલ્પનિક નિયંત્રણ બિંદુ વિચલન કોષ્ટક પર RMSE ની ગણતરી કરો અને પૂછો કે "શું તે લક્ષ્ય પર પહોંચ્યું?" કોમેન્ટ કરો અને પરિણામ જાતે કન્ફર્મ કરો.

ચેકલિસ્ટ

• [ ] મેં સંખ્યાત્મક ચોકસાઈનું લક્ષ્ય અને GSD સેટ કર્યું છે.
• [ ] મેં કવરેજ રેશિયો (આગળ/બાજુ)નું પૂરતું આયોજન કર્યું.
• [ ] મેં GCP ને સમાનરૂપે વિતરિત કર્યા અને પૂરતી સંખ્યામાં તેનો ઉપયોગ કર્યો.
• [ ] મેં સ્વતંત્ર નિયંત્રણ માટે કેટલાક મુદ્દાઓ અનામત રાખ્યા છે.
• [ ] મેં ડેનિમ/વોલ્યુમ માટે ડીએસએમ નહીં, ડીટીએમ બનાવ્યું.
• [ ] મેં પ્રોફાઇલ વિભાગ સાથે ગ્રાઉન્ડ ફિલ્ટરેશનની ચકાસણી કરી.
• [ ] મેં વ્યક્તિગત નિયંત્રણ બિંદુઓ પર RMSE ની ગણતરી કરી.
• [ ] મેં એન્જિનિયરની મંજૂરી માટે ચોકસાઈની સ્વીકૃતિને આધીન છે.