ਲਾਭ:
- ਫੋਟੋਗਰਾਮੈਟਰੀ ਦੇ ਨਾਲ ਸਕੇਲ ਕੀਤੇ 3D ਮਾਡਲਾਂ, ਪੁਆਇੰਟ ਕਲਾਉਡਸ ਅਤੇ ਆਰਥੋਫੋਟੋਜ਼ ਬਣਾਉਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਨਕਲੀ ਬੁੱਧੀ ਦੇ ਯੋਗਦਾਨ ਨੂੰ ਸਮਝਾਉਣ ਦੀ ਸਮਰੱਥਾ ਅਤੇ ਸਕੇਲ ਬਾਰ ਕਿਉਂ ਜ਼ਰੂਰੀ ਹੈ।
- ਗੁੰਮ ਹੋਏ ਡੇਟਾ ਨੂੰ ਭਰ ਕੇ ਬਣਾਏ ਗਏ ਜਾਅਲੀ ਸਤਹਾਂ ਦੇ ਜੋਖਮ ਨੂੰ ਪਛਾਣਨਾ ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਨੂੰ ਪੂਰਾ ਕਰਨ ਤੋਂ ਸਬੂਤ ਨੂੰ ਦ੍ਰਿਸ਼ਟੀਗਤ ਤੌਰ 'ਤੇ ਵੱਖ ਕਰਨ ਦੇ ਯੋਗ ਹੋਣਾ।
- ਇਹ ਸਮਝਣਾ ਕਿ ਇੱਕ ਮਾਡਲ ਇੱਕ ਮਾਪ ਹੈ, ਅਤੇ ਵਿਆਖਿਆ ਪ੍ਰਸੰਗ ਅਤੇ ਮਾਹਰ ਨਿਰਣਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਇੱਕ ਕੰਧ ਕੀ ਹੈ ਅਤੇ ਕੁਦਰਤੀ ਪੱਥਰ ਕੀ ਹੈ।
ਪੁਰਾਤੱਤਵ ਵਿਗਿਆਨ ਵਿੱਚ, ਖੁਦਾਈ ਇੱਕ ਵਿਨਾਸ਼ਕਾਰੀ ਕੰਮ ਹੈ: ਜਦੋਂ ਤੁਸੀਂ ਇੱਕ ਪਰਤ ਦੀ ਖੁਦਾਈ ਕਰਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਇਸਨੂੰ ਸਥਾਈ ਤੌਰ 'ਤੇ ਨਸ਼ਟ ਕਰਦੇ ਹੋ ਅਤੇ ਤੁਸੀਂ ਇਸਨੂੰ ਦੁਬਾਰਾ ਕਦੇ ਵੀ ਉਸੇ ਤਰ੍ਹਾਂ ਨਹੀਂ ਦੇਖ ਸਕੋਗੇ। ਇਸ ਲਈ, ਦਸਤਾਵੇਜ਼ (ਮਾਪ, ਡਰਾਇੰਗ, ਫੋਟੋਆਂ ਅਤੇ ਮਾਡਲਾਂ ਨਾਲ ਖੁਦਾਈ ਦੇ ਹਰੇਕ ਪੜਾਅ ਦਾ ਸਥਾਈ ਰਿਕਾਰਡ ਬਣਾਉਣਾ) ਪੁਰਾਤੱਤਵ ਵਿਗਿਆਨ ਦੇ ਸਭ ਤੋਂ ਪਵਿੱਤਰ ਕਰਤੱਵਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਅਸੀਂ ਦੇਖਾਂਗੇ ਕਿ ਫੋਟੋਗਰਾਮੈਟਰੀ (ਇੱਕ ਤਕਨੀਕ ਜੋ ਵੱਖ-ਵੱਖ ਕੋਣਾਂ ਤੋਂ ਲਈਆਂ ਗਈਆਂ ਇੱਕ ਵਸਤੂ ਦੀਆਂ ਕਈ ਤਸਵੀਰਾਂ ਤੋਂ ਸਾਂਝੇ ਬਿੰਦੂਆਂ ਨੂੰ ਮਿਲਾ ਕੇ ਇੱਕ ਸਕੇਲ ਕੀਤਾ ਗਿਆ ਤਿੰਨ-ਅਯਾਮੀ ਮਾਡਲ ਤਿਆਰ ਕਰਦੀ ਹੈ) ਅਤੇ ਕਿਵੇਂ AI 3D ਦਸਤਾਵੇਜ਼ਾਂ ਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ, ਪਰ ਪੈਮਾਨੇ ਅਤੇ ਵਿਆਖਿਆ ਦੇ ਫੈਸਲੇ ਮਨੁੱਖਾਂ ਕੋਲ ਕਿਉਂ ਰਹਿੰਦੇ ਹਨ।
ਬੁਨਿਆਦੀ ਸਿਧਾਂਤ: ਏਆਈ ਇੱਕ ਸਕੇਲ ਮਾਡਲ, ਆਰਥੋਫੋਟੋ ਅਤੇ ਮਾਪ ਤਿਆਰ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ; ਪਰ ਕੀ ਦਸਤਾਵੇਜ਼ ਬਣਾਉਣਾ ਹੈ, ਕਿਹੜੀ ਲਾਈਨ ਇੱਕ ਕੰਧ ਹੈ ਅਤੇ ਕਿਹੜਾ ਕੁਦਰਤੀ ਪੱਥਰ ਹੈ, ਅਤੇ ਮਾਡਲ ਦੀ ਵਿਆਖਿਆ ਕਿਵੇਂ ਕਰਨੀ ਹੈ, ਮਾਹਰ ਫੈਸਲੇ ਹਨ. 3D ਮਾਡਲ ਇੱਕ ਸਬੂਤ ਹੈ; ਇਸਦਾ ਪੜ੍ਹਨਾ ਇੱਕ ਵਿਆਖਿਆ ਹੈ।
ਫੋਟੋਗਰਾਮੈਟਰੀ ਅਤੇ 3D ਦਸਤਾਵੇਜ਼ਾਂ ਦੇ ਪੜਾਅ
1. ਫੋਟੋ ਸ਼ੂਟ. ਵਸਤੂ ਜਾਂ ਖੇਤਰ ਨੂੰ ਕਾਫੀ ਓਵਰਲੈਪ (ਘੱਟੋ-ਘੱਟ ਤਿੰਨ ਫੋਟੋਆਂ ਵਿੱਚ ਹਰੇਕ ਬਿੰਦੂ) ਅਤੇ ਚੰਗੀ ਰੋਸ਼ਨੀ ਵਿੱਚ ਕੈਪਚਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਸਕੇਲ ਬਾਰ ਅਤੇ ਜਾਣੀਆਂ ਦੂਰੀਆਂ (ਕੰਟਰੋਲ ਪੁਆਇੰਟ) ਇਸਦੇ ਅੱਗੇ ਰੱਖੇ ਗਏ ਹਨ; ਪੈਮਾਨੇ ਤੋਂ ਬਿਨਾਂ ਮਾਡਲ ਅਯਾਮ ਰਹਿਤ ਹੈ।
2. ਅਲਾਈਨਮੈਂਟ ਅਤੇ ਪੁਆਇੰਟ ਕਲਾਊਡ। ਸੌਫਟਵੇਅਰ ਫੋਟੋਆਂ ਵਿੱਚ ਆਮ ਬਿੰਦੂਆਂ ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਹੈ ਅਤੇ ਇੱਕ ਪੁਆਇੰਟ ਕਲਾਉਡ (ਡਾਟਾ ਜਿਸ ਵਿੱਚ ਆਬਜੈਕਟ ਦੀ ਸਤਹ ਨੂੰ ਦਰਸਾਉਣ ਵਾਲੇ ਲੱਖਾਂ 3D ਪੁਆਇੰਟ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ) ਪੈਦਾ ਕਰਦਾ ਹੈ। AI ਇਸ ਮੈਚਿੰਗ ਅਤੇ ਸ਼ੋਰ ਸਫਾਈ ਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ।
3. ਜਾਲ ਅਤੇ ਟੈਕਸਟ. ਬਿੰਦੂਆਂ ਨੂੰ ਇੱਕ ਸਤਹ (ਜਾਲ) ਵਿੱਚ ਬਦਲਿਆ ਜਾਂਦਾ ਹੈ ਅਤੇ ਉੱਪਰ ਇੱਕ ਫੋਟੋ ਟੈਕਸਟ ਲਾਗੂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ; ਯਥਾਰਥਵਾਦੀ 3D ਮਾਡਲ ਉਭਰਦਾ ਹੈ।
4. ਆਰਥੋਫੋਟੋ ਅਤੇ ਮਾਪ। ਮਾੱਡਲ ਤੋਂ ਹਟਾਏ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਵਿਗਾੜ ਦੇ ਨਾਲ ਇੱਕ ਸਕੇਲ ਕੀਤੀ ਆਰਥੋਫੋਟੋ (ਸਹੀ ਪੈਮਾਨੇ 'ਤੇ ਹਰੇਕ ਬਿੰਦੂ ਦੇ ਨਾਲ ਇੱਕ ਚੋਟੀ ਦਾ ਦ੍ਰਿਸ਼) ਕੱਢਿਆ ਜਾਂਦਾ ਹੈ। ਇਸ 'ਤੇ ਸਰਵੇ ਡਰਾਇੰਗ ਬਣਾਏ ਗਏ ਹਨ।
5. ਸਰਵੇਖਣ ਅਤੇ ਵਿਆਖਿਆ। ਸਰਵੇਖਣ (ਇੱਕ ਇਮਾਰਤ ਜਾਂ ਖੰਡਰ ਦੀ ਇੱਕ ਸਕੇਲ ਕੀਤੀ, ਵਿਆਖਿਆ ਕੀਤੀ ਤਕਨੀਕੀ ਡਰਾਇੰਗ) ਉਹ ਪੜਾਅ ਹੈ ਜਿੱਥੇ ਮਾਹਰ ਮਾਡਲ ਨੂੰ ਪੜ੍ਹਦਾ ਹੈ ਅਤੇ ਫਰਕ ਕਰਦਾ ਹੈ ਕਿ ਕੰਧ ਕੀ ਹੈ, ਮੋਰਟਾਰ ਕੀ ਹੈ, ਅਤੇ ਬਾਅਦ ਵਿੱਚ ਜੋੜ ਕੀ ਹੈ। AI ਕਿਨਾਰਿਆਂ ਦਾ ਸੁਝਾਅ ਦੇ ਸਕਦਾ ਹੈ, ਪਰ ਮਾਹਰ ਫਰਕ ਕਰਦਾ ਹੈ।
ਸੰਕੇਤ: ਕਦੇ ਵੀ ਸਕੇਲ ਬਾਰ ਅਤੇ ਕੰਟਰੋਲ ਪੁਆਇੰਟਾਂ ਨੂੰ ਨਾ ਛੱਡੋ। AI ਬਿਨਾਂ ਸਕੇਲ ਕੀਤੇ ਫੋਟੋਆਂ ਤੋਂ ਇੱਕ "ਸੁੰਦਰ" ਮਾਡਲ ਤਿਆਰ ਕਰਦਾ ਹੈ, ਪਰ ਉਹ ਮਾਡਲ ਵਿਗਿਆਨਕ ਤੌਰ 'ਤੇ ਬੇਕਾਰ ਹੈ ਕਿਉਂਕਿ ਇਸ ਤੋਂ ਅਸਲ ਮਾਪ ਨਹੀਂ ਲਏ ਜਾ ਸਕਦੇ ਹਨ। ਦਸਤਾਵੇਜ਼ ਦਾ ਮੁੱਲ ਇਸਦੀ ਮਾਪਣਯੋਗਤਾ ਵਿੱਚ ਹੈ।
AI ਦਾ ਯੋਗਦਾਨ ਅਤੇ ਸੀਮਾਵਾਂ
AI; ਇਹ ਫੋਟੋ ਅਲਾਈਨਮੈਂਟ, ਸ਼ੋਰ ਨੂੰ ਹਟਾਉਣ, ਗੁੰਮ ਸਤਹ ਭਰਨ (ਇੰਟਰਪੋਲੇਸ਼ਨ) ਅਤੇ ਵੱਡੀ ਗਿਣਤੀ ਦੇ ਮਾਡਲਾਂ ਦੀ ਤੁਲਨਾ ਵਿੱਚ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ। ਪਰ ਦੋ ਨਾਜ਼ੁਕ ਸੀਮਾਵਾਂ ਹਨ:
- ਬਨਾਵਟੀ ਸਤਹ ਦਾ ਜੋਖਮ. AI ਗੁੰਮ ਹੋਏ ਡੇਟਾ ਨੂੰ ਇਸ ਤਰੀਕੇ ਨਾਲ ਭਰ ਸਕਦਾ ਹੈ ਜੋ "ਪ੍ਰਸ਼ੰਸਾਯੋਗ" ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ; ਭਾਵ, ਇਹ ਇੱਕ ਅਜਿਹੀ ਸਤਹ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ ਜੋ ਅਸਲ ਵਿੱਚ ਮਾਡਲ ਵਿੱਚ ਨਹੀਂ ਦੇਖਿਆ ਗਿਆ ਸੀ। ਇਹ ਦਸਤਾਵੇਜ਼ਾਂ ਵਿੱਚ ਖ਼ਤਰਨਾਕ ਹੈ: ਇੱਕ ਵੇਰਵਾ ਜੋ ਅਸਲ ਵਿੱਚ ਮੌਜੂਦ ਨਹੀਂ ਹੈ ਸਬੂਤ ਵਜੋਂ ਪ੍ਰਗਟ ਹੁੰਦਾ ਹੈ। ਭਰੇ/ਅਨੁਮਾਨਿਤ ਖੇਤਰਾਂ ਨੂੰ ਹਮੇਸ਼ਾ ਚਿੰਨ੍ਹਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
- ਮਾਪ, ਟਿੱਪਣੀ ਨਹੀਂ। ਮਾਡਲ ਇਹ ਨਹੀਂ ਦੱਸਦਾ ਕਿ ਕੀ ਹੈ. ਭਾਵੇਂ ਟੋਆ ਕਬਰ ਹੋਵੇ ਜਾਂ ਕੂੜੇ ਦਾ ਟੋਆ, ਭਾਵੇਂ ਪੱਥਰਾਂ ਦੀ ਕਤਾਰ ਕੰਧ ਹੋਵੇ ਜਾਂ ਸੜਕ, ਸੰਦਰਭ ਅਤੇ ਮਾਹਰ ਨਿਰਣੇ ਤੋਂ ਆਉਂਦੀ ਹੈ, ਮਾਡਲ ਤੋਂ ਨਹੀਂ।
ਸਾਵਧਾਨ: ਹਰ ਇੱਕ ਟੁਕੜਾ ਜੋ AI ਇੱਕ 3D ਮਾਡਲ ਨੂੰ "ਮੁੜ" ਜਾਂ "ਪੂਰਾ" ਕਰਨ ਵੇਲੇ ਜੋੜਦਾ ਹੈ ਇੱਕ ਧਾਰਨਾ ਹੈ। ਜੇਕਰ ਸਬੂਤ (ਅਸਲ ਮਾਪੀ ਗਈ ਸਤਹ) ਅਤੇ ਪੁਨਰ ਨਿਰਮਾਣ (ਅਨੁਮਾਨਿਤ ਸੰਪੂਰਨਤਾ) ਨੂੰ ਦ੍ਰਿਸ਼ਟੀਗਤ ਤੌਰ 'ਤੇ ਵੱਖ ਨਹੀਂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਦਰਸ਼ਕ ਸੱਚਾਈ ਲਈ ਧਾਰਨਾ ਨੂੰ ਗਲਤ ਸਮਝੇਗਾ। ਇਹ ਦਸਤਾਵੇਜ਼ਾਂ ਦੀ ਸਭ ਤੋਂ ਗੰਭੀਰ ਨੈਤਿਕ ਗਲਤੀ ਹੈ।
ਤਿੰਨ ਛੋਟੇ ਕੇਸ
ਕੇਸ 1 - ਤੇਜ਼ ਦਸਤਾਵੇਜ਼ ਸੁਰੱਖਿਅਤ ਕੀਤੇ ਗਏ। ਇੱਕ ਬਚਾਅ ਖੁਦਾਈ (ਨਿਰਮਾਣ ਦੇ ਕਾਰਨ ਇੱਕ ਸੰਕਟਕਾਲੀਨ ਖੁਦਾਈ) 'ਤੇ, ਟੀਮ ਕੋਲ ਇੱਕ ਪਰਤ ਨੂੰ ਦਸਤਾਵੇਜ਼ ਬਣਾਉਣ ਲਈ ਸਿਰਫ ਕੁਝ ਘੰਟੇ ਸਨ। ਡਰੋਨ ਅਤੇ ਏਆਈ-ਐਕਸਲਰੇਟਿਡ ਫੋਟੋਗਰਾਮੈਟਰੀ ਨੇ 45 ਮਿੰਟਾਂ ਵਿੱਚ ਪਰਤ ਦਾ ਇੱਕ ਮਿਲੀਮੀਟ੍ਰਿਕ 3D ਰਿਕਾਰਡ ਤਿਆਰ ਕੀਤਾ; ਅਗਲੇ ਦਿਨ ਪਰਤ ਨੂੰ ਹਟਾ ਦਿੱਤਾ ਗਿਆ ਸੀ ਪਰ ਪੈਟਰਨ ਸਥਾਈ ਰਿਹਾ। ਇਸ ਸਮੇਂ ਦੌਰਾਨ ਹੱਥਾਂ ਨਾਲ ਡਰਾਇੰਗ ਅਸੰਭਵ ਸੀ।
ਕੇਸ 2 - ਫੈਬਰੀਕੇਟਿਡ ਸਤਹ ਫੜੀ ਗਈ। ਇੱਕ ਵਿਦਿਆਰਥੀ ਰਿਪੋਰਟ ਵਿੱਚ ਲਿਖੇਗਾ ਕਿ ਉਸ ਨੇ ਕੁਝ ਫੋਟੋਆਂ ਨਾਲ ਬਣਾਏ ਮਾਡਲ ਵਿੱਚ AI ਦੁਆਰਾ ਭਰੀ ਸਮਤਲ ਸਤ੍ਹਾ ਇੱਕ "ਠੋਸ ਅਧਾਰ" ਸੀ। ਸਲਾਹਕਾਰ ਨੇ ਦਿਖਾਇਆ ਕਿ ਉਸ ਖੇਤਰ ਵਿੱਚ ਲੋੜੀਂਦੀਆਂ ਤਸਵੀਰਾਂ ਨਹੀਂ ਸਨ ਅਤੇ ਇਹ ਸਤ੍ਹਾ ਇੱਕ ਇੰਟਰਪੋਲੇਸ਼ਨ ਸੀ। ਮਾਡਲ ਨੂੰ "ਮਾਪਿਆ" ਅਤੇ "ਅਨੁਮਾਨਤ" ਖੇਤਰਾਂ ਨੂੰ ਵੱਖ ਕਰਕੇ ਪੁਨਰਗਠਿਤ ਕੀਤਾ ਗਿਆ ਸੀ।
ਕੇਸ 3 - ਸਕੇਲ-ਮੁਕਤ ਮਾਡਲ ਨੇ ਕੰਮ ਨਹੀਂ ਕੀਤਾ। ਇੱਕ ਟੀਮ ਨੇ ਇੱਕ ਬਿਲਡਿੰਗ ਮਾਡਲ ਪੇਸ਼ ਕੀਤਾ ਜੋ ਵਧੀਆ ਲੱਗ ਰਿਹਾ ਸੀ ਪਰ ਬਿਨਾਂ ਸਕੇਲ ਬਾਰ ਦੇ ਸ਼ੂਟ ਕੀਤਾ ਗਿਆ ਸੀ; ਇਸ ਤੋਂ ਕੋਈ ਅਸਲ ਮਾਪ ਨਹੀਂ ਲਿਆ ਜਾ ਸਕਿਆ ਅਤੇ ਕੋਈ ਸਰਵੇਖਣ ਡਰਾਇੰਗ ਨਹੀਂ ਬਣਾਇਆ ਜਾ ਸਕਿਆ। ਗੋਲੀਬਾਰੀ ਚੌਕੀਆਂ ਨਾਲ ਦੁਹਰਾਈ ਗਈ। ਪਾਠ: ਸਕੇਲ ਮਾਡਲ ਦਾ ਵਿਗਿਆਨਕ ਮੁੱਲ ਹੈ।
ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟ
1) ਸ਼ੂਟਿੰਗ ਯੋਜਨਾ ਨਿਯੰਤਰਣ:
ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਫੋਟੋਗਰਾਮੇਟਰੀ ਦਸਤਾਵੇਜ਼ ਸਹਾਇਕ। ਮੈਂ ਹੇਠਾਂ ਦਿੱਤੀ ਵਸਤੂ/ਖੇਤਰ ਦਾ ਦਸਤਾਵੇਜ਼ ਬਣਾਵਾਂਗਾ: [ਵੇਰਵਾ]। ਮੈਨੂੰ ਅਲੀਅਸਿੰਗ, ਕੋਣਾਂ ਦੀ ਸੰਖਿਆ, ਰੋਸ਼ਨੀ, ਸਕੇਲ ਬਾਰ ਅਤੇ ਕੰਟਰੋਲ ਪੁਆਇੰਟ ਪਲੇਸਮੈਂਟ ਲਈ ਇੱਕ ਸ਼ੂਟਿੰਗ ਚੈਕਲਿਸਟ ਦਿਓ। ਸਕੇਲੇਬਿਲਟੀ ਅਤੇ ਪੂਰੀ ਕਵਰੇਜ ਲਈ ਨਾਜ਼ੁਕ ਬਿੰਦੂਆਂ ਨੂੰ ਉਜਾਗਰ ਕਰੋ।
2) ਮਾਡਲ ਗੁਣਵੱਤਾ ਨਿਰੀਖਣ:
ਹੇਠਾਂ ਮੈਂ ਆਪਣੇ 3D ਮਾਡਲ ਉਤਪਾਦਨ ਮਾਪਦੰਡ/ਅੰਕੜੇ (ਫੋਟੋਆਂ ਦੀ ਸੰਖਿਆ, ਓਵਰਲੈਪ, ਕਵਰ ਕੀਤੇ ਖੇਤਰ) ਦੇਵਾਂਗਾ। ਮਾਡਲ ਦੇ ਕਿਹੜੇ ਖੇਤਰਾਂ ਵਿੱਚ ਡੇਟਾ ਕਮਜ਼ੋਰ ਹੋ ਸਕਦਾ ਹੈ ਅਤੇ AI ਦੁਆਰਾ ਭਰੇ ਜਾਣ ਦੀ ਸੰਭਾਵਨਾ ਹੈ (ਭਵਿੱਖਬਾਣੀ)? ਮੈਨੂੰ ਦੱਸੋ ਕਿ ਮੈਂ ਇਹਨਾਂ ਨੂੰ ਕਿਵੇਂ ਮਾਰਕ ਕਰਾਂ।
3) ਸਬੂਤ/ਕਲਪਿਤ ਅੰਤਰ:
ਮੈਂ ਇੱਕ 3D ਪੁਨਰ ਨਿਰਮਾਣ/ਪੂਰਤੀ ਦੀ ਤਿਆਰੀ ਕਰ ਰਿਹਾ/ਰਹੀ ਹਾਂ। ਇਹ ਫਰਕ ਕਰਨ ਲਈ ਕਿ ਮਾਡਲ ਦੇ ਕਿਹੜੇ ਹਿੱਸੇ ਮਾਪੇ ਸਬੂਤ ਹਨ ਅਤੇ ਜੋ ਅਨੁਮਾਨਿਤ ਸੰਪੂਰਨਤਾ ਹਨ, ਇੱਕ ਮਾਰਕਿੰਗ ਸਕੀਮ (ਰੰਗ/ਪਰਤ/ਲੇਬਲ) ਦਾ ਸੁਝਾਅ ਦਿਓ। ਇੱਕ ਸਟੇਟਮੈਂਟ ਟੈਕਸਟ ਦਾ ਖਰੜਾ ਵੀ ਤਿਆਰ ਕਰੋ ਜੋ ਦਰਸ਼ਕ ਨੂੰ ਤੱਥਾਂ ਲਈ ਧਾਰਨਾ ਨੂੰ ਗਲਤ ਕਰਨ ਤੋਂ ਰੋਕੇਗਾ।
4) ਸਰਵੇਖਣ ਦੀ ਤਿਆਰੀ:
ਮੈਂ ਆਰਥੋਫੋਟੋ ਤੋਂ ਇੱਕ ਸਰਵੇਖਣ ਤਿਆਰ ਕਰਾਂਗਾ. ਉਹਨਾਂ ਤੱਤਾਂ ਦੀ ਸੂਚੀ ਬਣਾਓ ਜਿਨ੍ਹਾਂ ਦੀ ਮੈਨੂੰ ਇਸ ਬਣਤਰ ਵਿੱਚ ਫਰਕ ਕਰਨ ਦੀ ਲੋੜ ਹੈ (ਕੰਧ/ਮੋਰਟਾਰ/ਜੋੜ/ਮੁਰੰਮਤ/ਕੁਦਰਤੀ ਪੱਥਰ) ਅਤੇ ਹਰੇਕ ਲਈ ਧਿਆਨ ਦੇਣ ਲਈ ਵਿਜ਼ੂਅਲ ਸੁਰਾਗ। ਮੈਂ ਨਿਸ਼ਚਿਤ ਟਿੱਪਣੀ ਕਰਾਂਗਾ; ਤੁਸੀਂ ਜਾਂਚ ਕਰਨ ਲਈ ਮਾਪਦੰਡ ਦਿੰਦੇ ਹੋ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:
ਇਹਨਾਂ ਫੋਟੋਆਂ ਤੋਂ ਇਮਾਰਤ ਦਾ 3D ਮਾਡਲ ਬਣਾਓ ਅਤੇ ਗੁੰਮ ਹੋਏ ਹਿੱਸਿਆਂ ਨੂੰ ਭਰੋ।
“ਗੁੰਮ ਹੋਏ ਹਿੱਸਿਆਂ ਨੂੰ ਭਰੋ” ਏਆਈ ਨੂੰ ਇੱਕ ਢੁਕਵੀਂ ਸਤਹ ਬਣਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ; ਨਤੀਜਾ ਇੱਕ ਗੁੰਮਰਾਹਕੁੰਨ ਮਾਡਲ ਹੈ ਜਿਸ ਵਿੱਚ ਸਬੂਤ ਅਤੇ ਕਲਪਨਾ ਉਲਝਣ ਵਿੱਚ ਹਨ.
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:
ਇਹਨਾਂ ਫੋਟੋਆਂ ਤੋਂ ਇੱਕ ਸਕੇਲ 3D ਮਾਡਲ ਬਣਾਉਂਦੇ ਸਮੇਂ, ਸਿਰਫ ਫੋਟੋ ਦੁਆਰਾ ਢੱਕੀਆਂ ਸਤਹਾਂ ਦਾ ਹੀ ਢੁਕਵਾਂ ਮਾਡਲ ਬਣਾਓ। ਡਾਟਾ ਖਰਾਬ ਖੇਤਰਾਂ ਨੂੰ ਭਰਨਾ; ਉਹਨਾਂ ਨੂੰ "ਗੁੰਮ ਡੇਟਾ" ਵਜੋਂ ਮਾਰਕ ਕਰੋ। ਰਿਪੋਰਟ ਕਰੋ ਕਿ ਮਾਡਲ ਅੰਕੜਿਆਂ ਵਿੱਚ ਕਿੰਨੀਆਂ ਫੋਟੋਆਂ ਹਰੇਕ ਖੇਤਰ ਦਾ ਸਮਰਥਨ ਕਰਦੀਆਂ ਹਨ। ਸਕੇਲ ਬਾਰ ਦੇ ਵਿਰੁੱਧ ਮਾਪਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ।
ਅੰਤਰ: ਪਹਿਲਾ ਇੱਕ ਸੁੰਦਰ ਪਰ ਝੂਠਾ ਪੂਰਾ ਪੈਦਾ ਕਰਦਾ ਹੈ; ਬਾਅਦ ਵਾਲਾ ਦ੍ਰਿਸ਼ਟੀਗਤ ਪਾੜੇ ਦੇ ਨਾਲ ਇੱਕ ਇਮਾਨਦਾਰ ਦਸਤਾਵੇਜ਼ ਤਿਆਰ ਕਰਦਾ ਹੈ।
3D ਦਸਤਾਵੇਜ਼ ਰਵਾਇਤੀ ਡਰਾਇੰਗ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਕਿਉਂ ਨਹੀਂ ਬਦਲਣਗੇ?
3D ਮਾਡਲ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ ਪਰ ਰਵਾਇਤੀ ਹੱਥ ਡਰਾਇੰਗ ਅਤੇ ਨਿਰੀਖਣ ਨੋਟਬੁੱਕ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਅਯੋਗ ਨਹੀਂ ਕਰਦਾ; ਦੋਵੇਂ ਇੱਕ ਦੂਜੇ ਦੇ ਪੂਰਕ ਹਨ। ਇੱਕ ਸਰਵੇਖਣ ਜਾਂ ਪਰਤ ਡਰਾਇੰਗ ਵਿੱਚ ਖੁਦਾਈ ਦੇ ਸਮੇਂ ਮਾਹਰ ਦੀ ਵਿਆਖਿਆ ਹੁੰਦੀ ਹੈ: ਕਿਹੜਾ ਪੱਥਰ ਕੰਧ ਨਾਲ ਸਬੰਧਤ ਹੈ, ਜੋ ਬਾਅਦ ਵਿੱਚ ਰੋਲ ਕੀਤਾ ਗਿਆ ਸੀ, ਕੀ ਇੱਕ ਰੇਖਾ ਅਸਲ ਸੀਮਾ ਹੈ ਜਾਂ ਪਰਛਾਵਾਂ। ਇਹ ਵਿਆਖਿਆ ਚਿੱਤਰਕਾਰ ਦੇ ਸਿਰ ਵਿੱਚ ਹੁੰਦੀ ਹੈ ਅਤੇ 3D ਮਾਡਲ ਵਿੱਚ ਆਪਣੇ ਆਪ ਨਹੀਂ ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ। ਮਾਡਲ ਮਾਪਦਾ ਹੈ "ਜੋ ਵੀ ਹੈ"; ਪਰ "ਇਹਨਾਂ ਵਿੱਚੋਂ ਕਿਹੜਾ ਅਰਥ ਰੱਖਦਾ ਹੈ" ਵਿੱਚ ਅੰਤਰ ਮਨੁੱਖੀ ਨਿਰੀਖਣ ਹੈ।
ਇਸ ਤੋਂ ਇਲਾਵਾ, 3D ਮਾਡਲ ਵਿੱਚ ਇੱਕ ਪੁਰਾਲੇਖ ਫਾਰਮੈਟ ਸਮੱਸਿਆ ਹੈ: ਅੱਜ ਤੁਹਾਡੇ ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੀ ਮਾਡਲ ਫਾਈਲ ਹੁਣ ਤੋਂ ਦਸ ਸਾਲ ਬਾਅਦ ਖੁੱਲ੍ਹੀ ਨਹੀਂ ਹੋ ਸਕਦੀ; ਸਾਫਟਵੇਅਰ ਅਤੇ ਫਾਰਮੈਟ ਪੁਰਾਣੇ ਹੋ ਜਾਂਦੇ ਹਨ। ਇਸ ਲਈ ਕੱਚੀਆਂ ਤਸਵੀਰਾਂ, ਕੰਟਰੋਲ ਪੁਆਇੰਟ ਮਾਪ ਅਤੇ ਇੱਕ ਮਿਆਰੀ ਡਰਾਇੰਗ/ਆਰਥੋਫੋਟੋ ਹਮੇਸ਼ਾ ਇਕੱਠੇ ਸਟੋਰ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਮਾਡਲ ਲੰਬੇ ਸਮੇਂ ਦੇ ਦਸਤਾਵੇਜ਼ਾਂ ਦੀ ਇਕਲੌਤੀ ਲੱਤ ਨਹੀਂ ਹੈ, ਪਰ ਸਭ ਤੋਂ ਅਮੀਰ ਲੱਤ ਹੈ.
ਇਕ ਹੋਰ ਵਿਹਾਰਕ ਮੁੱਦਾ ਹੈ ਕੋਆਰਡੀਨੇਟ ਅਤੇ ਓਰੀਐਂਟੇਸ਼ਨ: ਇੱਕ ਮਾਡਲ ਸਿਰਫ਼ "ਹਵਾ ਵਿੱਚ" ਇੱਕ ਆਕਾਰ ਹੁੰਦਾ ਹੈ ਜੇਕਰ ਇਹ ਇੱਕ ਅਸਲ-ਸੰਸਾਰ ਕੋਆਰਡੀਨੇਟ ਸਿਸਟਮ (ਭੂਗੋਲਿਕਤਾ) ਵਿੱਚ ਆਧਾਰਿਤ ਨਹੀਂ ਹੈ; ਉਹ ਗੁਆਚਦਾ ਹੈ ਕਿ ਉਹ ਖੁਦਾਈ ਦੇ ਕਿਹੜੇ ਬਿੰਦੂ ਨੂੰ ਦੇਖ ਰਿਹਾ ਹੈ ਅਤੇ ਕਿਸ ਦਿਸ਼ਾ ਵੱਲ ਦੇਖ ਰਿਹਾ ਹੈ। ਅਸਲ ਕੋਆਰਡੀਨੇਟਸ ਨਾਲ ਨਿਯੰਤਰਣ ਬਿੰਦੂਆਂ ਨੂੰ ਮਾਪਣਾ ਮਾਡਲ ਨੂੰ ਖੁਦਾਈ ਯੋਜਨਾ ਨਾਲ ਜੋੜਦਾ ਹੈ ਅਤੇ ਵੱਖ-ਵੱਖ ਮੌਸਮਾਂ ਦੇ ਮਾਡਲਾਂ ਨੂੰ ਉੱਚਿਤ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ।
ਸੰਕੇਤ: ਸਿਰਫ਼ 3D ਮਾਡਲ ਤਿਆਰ ਨਾ ਕਰੋ ਅਤੇ ਇਸਨੂੰ ਉਸੇ 'ਤੇ ਛੱਡੋ; ਕੱਚੀਆਂ ਫੋਟੋਆਂ, ਕੰਟਰੋਲ ਪੁਆਇੰਟ ਕੋਆਰਡੀਨੇਟਸ, ਸਕੇਲ ਜਾਣਕਾਰੀ, ਅਤੇ ਇੱਕ ਐਨੋਟੇਟਡ ਡਰਾਇੰਗ ਸ਼ਾਮਲ ਕਰੋ। ਭਵਿੱਖ ਦੇ ਖੋਜਕਰਤਾ ਨੂੰ ਇਹਨਾਂ ਵਾਧੂ ਦਸਤਾਵੇਜ਼ਾਂ ਨਾਲ ਤੁਹਾਡੇ ਕੰਮ ਨੂੰ ਸਮਝਣ ਦੇ ਯੋਗ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ, ਭਾਵੇਂ ਉਹ ਮਾਡਲ ਨਹੀਂ ਖੋਲ੍ਹ ਸਕਦੇ।
3D ਦਸਤਾਵੇਜ਼ ਵਿਧੀ ਸਾਰਣੀ
ਸਟੇਜ
AI ਦਾ ਯੋਗਦਾਨ
ਮਨੁੱਖੀ ਫੈਸਲਾ
ਤਸਦੀਕ
ਸ਼ੂਟਿੰਗ
ਯੋਜਨਾ/ਕਵਰੇਜ ਦੀ ਸਿਫਾਰਸ਼
ਪੈਮਾਨਾ, ਚੌਕੀ
ਅਲਾਇਸਿੰਗ ਕੰਟਰੋਲ
ਬਿੰਦੂ ਬੱਦਲ
ਪੇਅਰਿੰਗ, ਰੌਲਾ ਹਟਾਉਣਾ
ਕੁਆਲਿਟੀ ਥ੍ਰੈਸ਼ਹੋਲਡ
ਕੰਟਰੋਲ ਪੁਆਇੰਟ ਦਾ ਆਕਾਰ
ਸਤਹ/ਬਣਤਰ
ਆਟੋਮੈਟਿਕ ਜਾਲ
ਭਰਨ ਦੀ ਸੀਮਾ
ਕਮਜ਼ੋਰ ਜ਼ੋਨ ਚਿੰਨ੍ਹ
ਆਰਥੋਫੋਟੋ/ਮਾਪ
ਸਕੇਲ ਉਤਪਾਦਨ
ਸਕੇਲ ਤਸਦੀਕ
ਜਾਣੀ ਦੂਰੀ
ਸਰਵੇਖਣ
ਕਿਨਾਰੇ ਸੁਝਾਅ
ਕੰਧ/ਮੋਰਟਾਰ/ਅਟੈਚਮੈਂਟ ਵੱਖ ਕਰਨਾ
ਪ੍ਰਸੰਗ, ਮਾਹਰ
ਆਮ ਗਲਤੀਆਂ
- ਸਕੇਲ ਪੱਟੀ ਨੂੰ ਛੱਡੋ। ਪੈਮਾਨੇ ਤੋਂ ਬਿਨਾਂ ਇੱਕ ਮਾਡਲ ਵਿਗਿਆਨਕ ਤੌਰ 'ਤੇ ਮਾਪਣਯੋਗ ਨਹੀਂ ਹੈ।
- ਗੁੰਮ ਹੋਏ ਡੇਟਾ ਨੂੰ ਭਰਨਾ। AI ਫਿਟਿੰਗ ਸਤਹ ਪੈਦਾ ਕਰਦਾ ਹੈ; ਪਾੜੇ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ.
- ਸਬੂਤ ਨੂੰ ਗਲਪ ਤੋਂ ਵੱਖ ਨਹੀਂ ਕਰਨਾ। ਇਹ ਗੁੰਮਰਾਹਕੁੰਨ ਹੈ ਜੇਕਰ ਮੁਕੰਮਲ ਕੀਤੇ ਖੇਤਰਾਂ ਨੂੰ ਦ੍ਰਿਸ਼ਟੀਗਤ ਤੌਰ 'ਤੇ ਵੱਖ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਹੈ।
- ਇੱਕ ਵਿਆਖਿਆ ਲਈ ਮਾਡਲ ਨੂੰ ਗਲਤ ਕਰਨਾ. ਮਾਡਲ ਮੀਟਰ ਇਹ ਨਹੀਂ ਦੱਸਦਾ ਕਿ ਇਹ ਕੀ ਹੈ; ਵਿਆਖਿਆ ਪ੍ਰਸੰਗ ਅਤੇ ਮਾਹਰ ਦੇ ਕੰਮ ਦਾ ਮਾਮਲਾ ਹੈ।
- ਕੁਝ ਫੋਟੋਆਂ ਦੇ ਨਾਲ ਇੱਕ ਮਾਡਲ ਬਣਾਉਣਾ. ਨਾਕਾਫ਼ੀ ਓਵਰਲੈਪ ਇੱਕ ਵਿਗੜਿਆ ਅਤੇ ਗੈਪਡ ਮਾਡਲ ਦਿੰਦਾ ਹੈ।
ਸੰਖੇਪ ਵਿੱਚ
3D ਦਸਤਾਵੇਜ਼ੀ ਅਤੇ ਫੋਟੋਗਰਾਮੈਟਰੀ ਵਿੱਚ AI; ਇਹ ਤੇਜ਼, ਮਿਲੀਮੀਟ੍ਰਿਕ ਅਤੇ ਦੁਹਰਾਉਣਯੋਗ ਰਿਕਾਰਡਿੰਗ ਪੈਦਾ ਕਰਦਾ ਹੈ ਅਤੇ ਖਾਸ ਤੌਰ 'ਤੇ ਸਮੇਂ ਦੇ ਦਬਾਅ ਵਾਲੇ ਬਚਾਅ ਖੁਦਾਈ ਵਿੱਚ ਅਨਮੋਲ ਹੈ। ਪਰ ਸਕੇਲ ਪੱਟੀ ਜ਼ਰੂਰੀ ਹੈ, ਗੁੰਮ ਹੋਏ ਡੇਟਾ ਨੂੰ ਭਰਿਆ ਨਹੀਂ ਗਿਆ ਪਰ ਚਿੰਨ੍ਹਿਤ ਕੀਤਾ ਗਿਆ ਹੈ, ਸਬੂਤ ਨੂੰ ਗਲਪ ਤੋਂ ਵੱਖ ਕੀਤਾ ਗਿਆ ਹੈ, ਅਤੇ ਮਾਡਲ ਦੀ ਵਿਆਖਿਆ (ਕੀ ਹੈ) ਮਾਹਰ ਨਾਲ ਸਬੰਧਤ ਹੈ। ਮਾਡਲ ਇੱਕ ਸਬੂਤ ਹੈ; ਪੜ੍ਹਨਾ ਇੱਕ ਜ਼ਿੰਮੇਵਾਰੀ ਹੈ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਸਕੇਲ ਬਾਰ ਦੇ ਨਾਲ ਇੱਕ ਇਮਾਰਤ ਦਾ ਇੱਕ ਛੋਟਾ ਜਿਹਾ ਖੋਜ ਜਾਂ ਕੋਨਾ ਲਓ, ਘੱਟੋ-ਘੱਟ 20 ਓਵਰਲੈਪਿੰਗ ਫੋਟੋਆਂ। ਇੱਕ ਫੋਟੋਗਰਾਮੈਟਰੀ ਪ੍ਰਵਾਹ ਦੇ ਨਾਲ ਇੱਕ ਮਾਡਲ ਤਿਆਰ ਕਰੋ ਅਤੇ "ਮਾਡਲ ਗੁਣਵੱਤਾ ਜਾਂਚ" ਟੈਮਪਲੇਟ ਨਾਲ ਕਮਜ਼ੋਰ/ਭਰੇ ਖੇਤਰਾਂ ਦੀ ਪਛਾਣ ਕਰੋ। ਫਿਰ "ਸਬੂਤ/ਗਲਪ ਵਿਭਿੰਨਤਾ" ਟੈਮਪਲੇਟ ਦੇ ਨਾਲ ਇੱਕ ਚਿੱਤਰ ਬਣਾਓ, ਇਹ ਚਿੰਨ੍ਹਿਤ ਕਰਦੇ ਹੋਏ ਕਿ ਕਿਹੜੇ ਖੇਤਰਾਂ ਨੂੰ ਸਬੂਤ ਮਾਪਿਆ ਗਿਆ ਹੈ ਅਤੇ ਕਿਹੜੇ ਅਨੁਮਾਨ ਹਨ।
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ ਸ਼ਾਟ ਵਿੱਚ ਸਕੇਲ ਬਾਰ ਅਤੇ ਕੰਟਰੋਲ ਪੁਆਇੰਟਾਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ।
- [ ] ਮੈਂ ਇਸਨੂੰ ਢੁਕਵੇਂ ਓਵਰਲੈਪ ਨਾਲ ਲਿਆ (ਪ੍ਰਤੀ ਥਾਂ 3+ ਫੋਟੋਆਂ)।
- [] ਮੈਂ ਕਮਜ਼ੋਰ/ਭਰੇ ਖੇਤਰਾਂ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕੀਤਾ, ਮੈਂ ਜਾਅਲੀ ਸਤਹ ਨਹੀਂ ਛੱਡੀ।
- [ ] ਮੈਂ ਭਵਿੱਖਬਾਣੀ ਦੇ ਪੂਰਾ ਹੋਣ ਤੋਂ ਸਬੂਤ ਨੂੰ ਦ੍ਰਿਸ਼ਟੀਗਤ ਤੌਰ 'ਤੇ ਵੱਖ ਕੀਤਾ।
- [ ] ਮੈਂ ਸੰਦਰਭ ਅਤੇ ਮਾਹਰ ਨਿਰਣੇ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮਾਡਲ ਦੀ ਵਿਆਖਿਆ ਕੀਤੀ।