単位
1. 人工知能の概要とマッピング工学における検証分野 2. 測地学、GNSS、測量データ処理 3. 座標系、データム、変換の検証 4. GIS/GIS 分析と空間クエリ 5. リモートセンシングと衛星画像の分類 6. 写真測量とUAV画像からのモデル生成 7. LiDAR 点群の処理と分類 8. 地図作成の自動化と地図作成 9. 地籍、権利書および所有権データ 10. Python を使用した地理学の自動化 11. QGIS オートメーション、倫理、プライバシー、およびエンドツーエンドのプロジェクト
ユニット 6 / 11

写真測量とUAV画像からのモデル生成

利益:

  • SfM 写真測量、オルソフォト、DSM/DTM、地上基準点の概念を AI と適切なコンテキストで使用する機能
  • AI サポートの計算とチェックリストを使用して、UAV の飛行計画、カバー率、予測精度を構築する機能
  • 独立した制御ポイントとRMSEロジックを使用して写真測量出力の精度を評価する機能

写真測量とは、重ね合わせた写真から物体の3次元の位置や形状を計測する技術です。現在、測量工学において最も急速に成長している生産方法は、UAV (無人航空機、一般にドローンとして知られる) によって収集された数百枚の写真からオルソ写真と標高モデルを作成することです。この単元では、飛行計画から精度評価まで、人工知能がこのプロセスをどのようにサポートするかについて説明します。原則は不変です。ソフトウェアと AI がモデルを生成します。位置精度の受け入れは、地上基準点と独立した制御を通じてエンジニアに委ねられます。

用語を明確にしましょう。 SfM (Structure from Motion) は、さまざまな角度から撮影した写真の共通点を照合することで 3D ジオメトリとカメラの位置を解決する手法です。これは、最新の写真測量ソフトウェアの中核です。オルソフォトは、遠近法や標高の歪みが除去され、地図のように正確な縮尺を持つ航空画像です。 DSM (Digital Surface Model) は、建物や樹木などを含む天面の標高モデルです。 DTM (Digital Terrain Model) は裸地の標高モデルです。 GCP (Ground Control Point、英語では GCP) は、現場から正確に測定され、写真に表示され、モデルを実際の座標に接続するマークされた点です。オーバーラップ率は、隣接する写真が互いに重なっている割合です。

写真測量における AI の役割

AI は、このワークフローの 4 つの場所をサポートします。

  1. 飛行計画と計算。これは、希望する地上サンプリング距離 (GSD: 各ピクセルが地面をカバーするサイズ) の飛行高度、カバー率、写真の枚数を計算し、チェックリストを作成するのに役立ちます。
  2. 品質の事前チェック。ぼやけた写真、不十分なオクルージョン、GCP 配信の問題にフラグを立てるスキャン ロジックを確立します。
  3. 出力の分類とクリーニング。 DSM から DTM を生成するための、オルソフォトでのオブジェクト (建物/樹木) のフィルタリングや雲/影の検出などのタスクに役立ちます。
  4. レポートと精度の概要。 RMSE (二乗平均平方根誤差、制御点の偏差の測定) テーブルと精度レポートを読み取り可能にします。

盲点: AI は飛行の物理的条件や地形の現実を認識しません。不適切な GCP、貧弱な遮蔽物、または風の強い飛行がある場合、後でこれを完全に修正できるソフトウェアや AI はありません。誠実さはフィールドから始まります。

ヒント: 最初から精度の目標を数値で設定します。 「忠実度の高いものにする」というのは曖昧です。これは、「水平方向 ±3 cm、垂直方向 ±5 cm をターゲットとし、独立した制御点を使用して RMSE によって確認される」測定可能なターゲットです。

ステップバイステップ: UAV 写真測量ワークフロー

  1. 精度と GSD ターゲットを設定します。必要な精度によって GSD が決まり、したがって飛行高度が決まります。一般規則: 位置精度は数 GSD 程度です。
  2. フライトを計画します。カバレッジ率 (通常、前方 75 ～ 80%、側面 65 ～ 70%)、飛行高度、写真の数。 AI はこの計算とチェックリストを作成できます。
  3. GCP を配置して測定します。エリアを均等にカバーするために、コーナーと中央にある十分な数の GCP を GNSS で正確に測定します。それらの一部は、モデルには入らない独立した制御点として分離されます。
  4. 処理してください。 SfM による位置合わせ、GCP による地理参照、高密度点群、DSM、オルソフォト生成。
  5. DTMを制作します。地上以外のオブジェクトをフィルタリングして、DSM から DTM に切り替えます。
  6. 確認する。個々の制御点で RMSE を計算します。ターゲットに当たりますか？

地上基準点とRMSE

写真測量モデルを現実世界に適合させるかどうかは、GCP に依存します。 GCP はモデルにスケールと位置を与えます。それらの数が不十分であるか、分散が不十分な場合 (すべてが 1 つの隅に集中している場合)、モデルはある領域では正確ですが、別の領域では偏ることになります。正確に精度を測定する方法は、GCP の一部を位置合わせせずに独立した制御点として保持し、モデル内の値と実際の測定値を比較して RMSE を計算することです。 GCP への適合 (残差) が低いという理由だけでモデルが正しいとはみなされません。これはトレーニング データの成功に似ています。

注意: すべてのマークされたポイントを GCP として使用し、独立したコントロール ポイントを残さない場合、精度を測定するための独立した証拠がなくなります。常に検査のためにいくつかのポイントを確保してください。

3 つのミニケース: 数字で見る

ケース 1 — GCP 配布エラー。 40 ヘクタールの畑では、6 つの GCP のうち 5 つが畑の南半分にありました。モデルの偏差は南側で ±3 cm、北側で ±25 cm でした。独立した検問所により、この地域的な歪みが明らかになりました。 GCP が均等に分散され、フライトが再処理された場合、精度は北で ±4 cm に低下しました。

ケース 2 — DSM を DTM と間違える。体積の計算において、チームはDSMが森林地帯で直接削られたと仮定して、掘削量を約12%過大評価しました。 AIを活用した地面フィルタリングでDTMを生成し、計算を繰り返すと、より現実に近い音量になりました。レッスン: DTM はボリュームとジーンズの作業に使用されます。

ケース 3 — 補償範囲が不十分です。風により一部の回線でカバレッジが 55% に低下したとき、SfM はその領域での一致が悪く、モデルに穴が生じました。品質の事前チェックにより、低カバー領域がマークされました。その部分はもう一度飛ばされました。教訓: カバーは現場で提供されるものであり、後から製造することはできません。

弱いプロンプト / 強いプロンプト

弱いプロンプト:

ドローンで地図を作るんですが、何をしたらいいのか教えてください。

強力なプロンプト:

タスク: UAV 写真測量飛行と精度計画を作成します。コンテキスト:- エリア: 約 40 ヘクタール、平地からわずかに傾斜しており、木がまばらに茂っている- ターゲット精度: 水平 ±3 cm、垂直 ±5 cm- カメラ: [センサー/フォーカス]、希望の GSD: 2 cm リクエスト:1) およその飛行高度と GSD 2 cm のロジックを記述してください。2) 推奨されるカバレッジ率 (前方/側面) と正当化。3) GCP の数と分散戦略。そのうちのいくつを INDEPENDENT チェックポイントとして予約する必要がありますか?4) DSM/DTM の区別と、どのジョブにどの出力が必要かを書き込みます。5) 検証: 独立チェックポイントでの RMSE による確認ステップ。

強力なプロンプトには、数値目標、現場の状態、検証計画が含まれます。出力が適用可能になります。

4 つのコピー可能なテンプレート

1) 飛行パラメータの計算:

希望する GSD [x cm] とカメラ [センサー/フォーカス] のおおよその飛行高さ、カバー率の提案、写真の枚数の推定。仮定を明確に書きます。正確な値はソフトウェアで確認する必要があることに注意してください。

2) GCP 計画:

[面積/サイズ/形状] について GCP レイアウト戦略を推奨します。ポイントの数、分散方法、独立した制御のために確保するポイントの数。偏在のリスクを説明します（すべてを 1 つのコーナーにまとめて）。

3) DSM -> DTM ワークフロー:

点群/DSM から DTM を生成するための地上フィルタリング手順を記述します。抽出するオブジェクト (建物、樹木) と結果の検証方法をプロファイル セクションで指定します。ボリューム/レベルの作業に DTM が必要な理由を説明します。

4) 精度レポート:

以下の個々の制御点の偏差から水平および垂直の RMSE を計算し、目標精度と比較し、合格/不合格の解釈を行って、弱点を指摘します。データ: [制御点の偏差]

写真測量製品の比較

製品

それは何を表しているのでしょうか？

一般的な使用法

注意

オルソフォト

正確なスケールの航空写真

ベースマップ、デジタル化

エッジの歪み

DSM

上面（建物＋樹木）

影/可視性分析

それは地面ではありません

DTM

裸地

デニム、ボリューム、傾斜

フィルタリングの品質

点群

3D 密集点

3D測定・断面測定

ノイズクリーニング

YKN

地理参照ベース

真実の基礎

配布が重要

よくある間違い

  • DTM の代わりに DSM を使用します。標高と体積の計算に大きな間違いがありました。
  • 独立したチェックポイントを残さない。精度を測定するための独立した証拠は残されていません。
  • GCP の分散が不十分。 1 つの領域は正しく、もう 1 つの領域は歪んでいます。
  • フィールド上でのカバー率不足を放置。復元不可能な穴あきモデル。
  • 数値の正確性を目標に設定していない。 「高精度」は測定も確認もできません。
  • 測定にはオルソフォトが絶対に正しいと考えている。エッジや高さのある物体付近では歪みが発生します。

要約すれば

UAV 写真測量における人工知能。これは、飛行計画の計算、品質の事前チェック、DSM からの DTM 生成、および精度レポートを強力に支援します。ただし、位置精度の基礎は、正しい数と均等に配置された地上基準点、適切な遮蔽物と数値精度目標など、現場で築かれます。精度の正確な尺度は、モデルに含まれない個々の制御点で計算された RMSE です。デニムや大量の作業には常に DTM を使用してください。 DSMは上面です。

アプリケーションタスク

UAV プロジェクトの設計: フィールド サイズ、目標 GSD、数値精度目標 (例: 水平 ±3 cm) を決定します。 AI に飛行高度、カバー率、GCP 戦略を生成させます。独立した制御のために何ポイントを予約するかを書き留めます。次に、仮想の制御点偏差テーブルで RMSE を計算し、「ターゲットに当たったかどうか」を尋ねます。コメントして結果を自分で確認してください。

チェックリスト

  • [ ] 数値精度目標と GSD を設定します。
  • [ ] カバレッジ率（フォワード/サイド）を適切に計画しました。
  • [ ] GCP を均等に配布し、十分な数を使用しました。
  • [ ] 独立制御用にいくつかのポイントを予約しました。
  • [ ] デニム/ボリュームをDSMではなくDTMで制作しました。
  • [ ] プロファイルセクションで地面のろ過を検証しました。
  • [ ] 個々の制御点で RMSE を計算しました。
  • [ ] 精度の受け入れについてはエンジニアの承認を受けました。
前へ 次へ