กำไร:
- ความสามารถในการใช้โฟโตแกรมเมทรี SfM, ออร์โธโฟโต้, DSM/DTM และแนวคิดจุดควบคุมภาคพื้นดินในบริบทที่ถูกต้องด้วย AI
- ความสามารถในการสร้างการวางแผนการบิน UAV อัตราความครอบคลุม และความคาดหวังความแม่นยำด้วยการคำนวณและรายการตรวจสอบที่สนับสนุนโดย AI
- ความสามารถในการประเมินความแม่นยำของเอาท์พุตโฟโตแกรมเมตริกด้วยจุดควบคุมอิสระและลอจิก RMSE
Photogrammetry เป็นเทคนิคในการวัดตำแหน่งและรูปร่างสามมิติของวัตถุจากภาพถ่ายที่ทับซ้อนกัน ปัจจุบัน วิธีการผลิตที่เติบโตเร็วที่สุดในวิศวกรรมการสำรวจคือการสร้างออร์โธโฟโต้และแบบจำลองระดับความสูงจากภาพถ่ายหลายร้อยภาพที่รวบรวมโดย UAV (ยานพาหนะทางอากาศไร้คนขับ หรือที่รู้จักกันทั่วไปในชื่อโดรน) ในหน่วยนี้ เราจะกล่าวถึงวิธีที่ปัญญาประดิษฐ์สนับสนุนกระบวนการนี้ ตั้งแต่การวางแผนการบินไปจนถึงการประเมินความแม่นยำ หลักการนี้ไม่เปลี่ยนรูป: ซอฟต์แวร์และ AI สร้างแบบจำลอง การยอมรับความแม่นยำของตำแหน่งยังคงอยู่กับวิศวกรผ่านจุดควบคุมภาคพื้นดินและการควบคุมที่เป็นอิสระ
มาชี้แจงเงื่อนไขกัน SfM (Structure from Motion) เป็นวิธีการแก้ปัญหาเรขาคณิต 3 มิติและตำแหน่งกล้องโดยการจับคู่จุดทั่วไปในภาพถ่ายที่ถ่ายจากมุมที่ต่างกัน เป็นแกนหลักของซอฟต์แวร์โฟโตแกรมเมทรีสมัยใหม่ Orthophoto คือภาพถ่ายทางอากาศที่มีมาตราส่วนที่ถูกต้อง เช่น แผนที่ โดยขจัดความผิดเพี้ยนของเปอร์สเป็คทีฟและระดับความสูง DSM (Digital Surface Model) เป็นแบบจำลองระดับความสูงของพื้นผิวด้านบน รวมถึงอาคารและต้นไม้ DTM (Digital Terrain Model) เป็นแบบจำลองระดับความสูงของพื้นดินเปลือย GCP (Ground Control Point; GCP ในภาษาอังกฤษ) คือจุดที่ทำเครื่องหมายไว้ซึ่งวัดได้อย่างแม่นยำจากภาคสนาม ปรากฏในรูปถ่าย และเชื่อมต่อแบบจำลองกับพิกัดจริง อัตราส่วนที่ทับซ้อนกันคือเปอร์เซ็นต์ของรูปภาพใกล้เคียงที่ซ้อนทับกัน
บทบาทของ AI ในโฟโตแกรมเมทรี
AI รองรับสี่ตำแหน่งในเวิร์กโฟลว์นี้:
- การวางแผนและการคำนวณเที่ยวบิน ช่วยในการคำนวณความสูงของการบิน อัตราส่วนความครอบคลุม และจำนวนภาพถ่ายสำหรับระยะการเก็บตัวอย่างภาคพื้นดินที่ต้องการ (GSD: ขนาดที่แต่ละพิกเซลครอบคลุมบนพื้น) และสร้างรายการตรวจสอบ
- การตรวจสอบคุณภาพล่วงหน้า โดยสร้างตรรกะในการสแกนที่ทำเครื่องหมายรูปภาพที่เบลอ การบดบังไม่เพียงพอ และปัญหาการกระจาย GCP
- การจำแนกประเภทเอาต์พุตและการทำความสะอาด ช่วยในงานต่างๆ เช่น การกรองวัตถุ (อาคาร/ต้นไม้) และการตรวจจับเมฆ/เงาในออร์โธโฟโต้ เพื่อสร้าง DTM จาก DSM
- รายงานและสรุปความถูกต้อง ทำให้ตาราง RMSE (ข้อผิดพลาด Root Mean Square; การวัดความเบี่ยงเบนในจุดควบคุม) และรายงานความแม่นยำสามารถอ่านได้
จุดบอด: AI ไม่เห็นสภาพทางกายภาพของการบินและความเป็นจริงของภูมิประเทศ หากมี GCP ไม่เพียงพอ การครอบคลุมไม่ดี หรือเที่ยวบินที่มีลมแรง ไม่มีซอฟต์แวร์/AI ใดที่สามารถแก้ไขสิ่งนี้ได้อย่างสมบูรณ์ในภายหลัง ความซื่อสัตย์เริ่มต้นที่สนาม
เคล็ดลับ: ตั้งเป้าหมายความแม่นยำเป็นตัวเลขตั้งแต่ต้น "ปล่อยให้มันมีความจงรักภักดีสูง" นั้นคลุมเครือ; เป็นเป้าหมายที่วัดได้ "กำหนดเป้าหมายที่ ±3 ซม. ในแนวนอนและ ±5 ซม. ในแนวตั้ง ยืนยันโดย RMSE พร้อมจุดควบคุมอิสระ"
ทีละขั้นตอน: เวิร์กโฟลว์การถ่ายภาพด้วยภาพถ่าย UAV
- ตั้งค่าความแม่นยำและเป้าหมาย GSD ความแม่นยำที่ต้องการจะกำหนด GSD และความสูงของเที่ยวบิน กฎทั่วไป: ความแม่นยำของตำแหน่งจะขึ้นอยู่กับ GSD สองสามตัว
- วางแผนเที่ยวบิน. อัตราส่วนความครอบคลุม (โดยทั่วไปไปข้างหน้า 75-80%, ด้านข้าง 65-70%), ระดับความสูงของเที่ยวบิน, จำนวนภาพถ่าย AI สามารถสร้างการคำนวณและรายการตรวจสอบนี้ได้
- วางและวัดผล GCP วัดจำนวน GCP ที่มุมและตรงกลางอย่างแม่นยำด้วย GNSS เพื่อให้ครอบคลุมพื้นที่อย่างเท่าเทียมกัน แยกบางส่วนเป็นจุดควบคุมอิสระที่ไม่เข้าสู่โมเดล
- ประมวลผลมัน การจัดแนวด้วย SfM, การอ้างอิงทางภูมิศาสตร์ด้วย GCP, พอยต์คลาวด์หนาแน่น, DSM, การสร้างออร์โธโฟโต้
- ผลิต DTM เปลี่ยนจาก DSM เป็น DTM โดยการกรองวัตถุที่อยู่นอกพื้นดินออก
- ตรวจสอบ. คำนวณ RMSE ที่จุดควบคุมแต่ละจุด มันทะลุเป้ามั้ย?
จุดควบคุมภาคพื้นดินและ RMSE
การปรับแบบจำลองโฟโตแกรมเมตริกให้เหมาะกับโลกแห่งความเป็นจริงจะขึ้นอยู่กับ GCP GCP จะให้ขนาดและตำแหน่งแก่โมเดล หากมีจำนวนไม่เพียงพอหรือมีการกระจายไม่ดี (ทั้งหมดในมุมหนึ่ง) โมเดลจะมีความแม่นยำในภูมิภาคหนึ่งและเบ้ในอีกพื้นที่หนึ่ง วิธีการวัดความแม่นยำอย่างตรงไปตรงมาคือการรักษา GCP บางส่วนให้เป็นจุดควบคุมอิสระโดยไม่จัดตำแหน่งให้ตรงกัน และคำนวณ RMSE โดยการเปรียบเทียบค่าในแบบจำลองกับค่าที่วัดได้จริง โมเดลไม่ถือว่าถูกต้องเพียงเพราะความพอดี (ตกค้าง) บน GCP ต่ำ นี่ก็เหมือนกับความสำเร็จของข้อมูลการฝึกอบรม
ข้อควรระวัง: หากคุณใช้จุดที่ทำเครื่องหมายไว้ทั้งหมดเป็น GCP และไม่มีจุดควบคุมที่เป็นอิสระ คุณจะไม่มีหลักฐานอิสระในการวัดความแม่นยำ ควรสำรองจุดตรวจสอบไว้เล็กน้อยเสมอ
คดีเล็กๆ สามคดี: ตามตัวเลข
กรณีที่ 1 — ข้อผิดพลาดในการกระจาย GCP ในสนามขนาด 40 เฮกตาร์ มี GCP 5 แห่งจาก 6 แห่งอยู่ทางตอนใต้ของสนาม แบบจำลองนี้ให้ค่าเบี่ยงเบน ±3 ซม. ในทิศใต้ และ ±25 ซม. ในทิศเหนือ จุดตรวจอิสระเผยให้เห็นความบิดเบือนของภูมิภาคนี้ เมื่อ GCP มีการกระจายเท่าๆ กันและประมวลผลการบินใหม่ ความแม่นยำลดลงเหลือ ±4 ซม. ในทางทิศเหนือ
กรณีที่ 2 — DSM เข้าใจผิดสำหรับ DTM ในการคำนวณปริมาตร ทีมงานประเมินปริมาณการขุดค้นสูงเกินไปประมาณ 12% โดยสมมติว่า DSM กราวด์โดยตรงในพื้นที่ป่า เมื่อ DTM ถูกสร้างขึ้นด้วยการกรองกราวด์ที่รองรับ AI และทำการคำนวณซ้ำ ปริมาตรก็เข้าใกล้ความเป็นจริงมากขึ้น บทเรียน: DTM ใช้ในงานวอลุ่มและงานยีนส์
กรณีที่ 3 — ความคุ้มครองไม่เพียงพอ เมื่อความครอบคลุมลดลงเหลือ 55% ในบางเส้นเนื่องจากลม SfM จับคู่ได้ไม่ดีในพื้นที่นั้น และแบบจำลองก็ปรากฏว่ามีช่องโหว่ การตรวจสอบคุณภาพล่วงหน้าทำเครื่องหมายบริเวณที่มีปกต่ำ ส่วนนั้นก็บินอีกครั้ง บทเรียน: ความคุ้มครองมีให้ในสนาม ไม่สามารถผลิตได้ในภายหลัง
พรอมต์ที่อ่อนแอ / พรอมต์ที่แข็งแกร่ง
พรอมต์ที่อ่อนแอ:
ฉันจะทำแผนที่ด้วยโดรน บอกฉันทีว่าฉันควรทำอย่างไร
พรอมต์อันทรงพลัง:
ภารกิจ: สร้างเที่ยวบินโฟโตแกรมเมทรี UAV และแผนความแม่นยำ บริบท:- พื้นที่: ~40 เฮกตาร์ เรียบ-ลาดเล็กน้อย มีป่ากระจัดกระจาย- ความแม่นยำของเป้าหมาย: แนวนอน ±3 ซม. แนวตั้ง ±5 ซม.- กล้อง: [เซ็นเซอร์/โฟกัส] GSD ที่ต้องการ: 2 ซม.คำขอ:1) เขียนความสูงและตรรกะการบินโดยประมาณสำหรับ GSD 2 ซม.2) คำแนะนำอัตราส่วนความครอบคลุม (ไปข้างหน้า/ด้านข้าง) และการให้เหตุผล 3) จำนวน GCP และกลยุทธ์การกระจาย; ฉันควรจองจุดตรวจอิสระไว้กี่จุด4) เขียนความแตกต่าง DSM/DTM และเอาต์พุตใดที่จำเป็นสำหรับงานใด5) การตรวจสอบ: ขั้นตอนการยืนยันด้วย RMSE ที่จุดตรวจอิสระ
พร้อมท์ที่มีประสิทธิภาพรวมถึงเป้าหมายที่เป็นตัวเลข สภาพสนาม และแผนการตรวจสอบ ผลลัพธ์จะมีผลบังคับใช้
เทมเพลตที่คัดลอกได้สี่แบบ
1) การคำนวณพารามิเตอร์เที่ยวบิน:
ความสูงในการบินโดยประมาณสำหรับ GSD [x ซม.] ที่ต้องการ และกล้อง [เซ็นเซอร์/โฟกัส] แนะนำอัตราส่วนปก จำนวนภาพโดยประมาณ เขียนสมมติฐานของคุณให้ชัดเจน โปรดทราบว่าค่าที่แน่นอนต้องมีการยืนยันซอฟต์แวร์
2) การวางแผน GCP:
แนะนำกลยุทธ์การจัดวาง GCP สำหรับ [พื้นที่/ขนาด/รูปร่าง]: จำนวนจุด วิธีกระจาย จำนวนที่ควรสงวนไว้สำหรับการควบคุมโดยอิสระ อธิบายความเสี่ยงของการกระจายสินค้าไม่ถูกต้อง (ครบในมุมเดียว)
3) DSM->เวิร์กโฟลว์ DTM:
เขียนขั้นตอนการกรองกราวด์เพื่อสร้าง DTM จากพอยต์คลาวด์/DSM ระบุวัตถุ (อาคาร ต้นไม้) ที่จะแยก และวิธีการตรวจสอบผลลัพธ์ในส่วนโปรไฟล์ อธิบายว่าทำไมต้องใช้ DTM สำหรับงานปริมาณ/ระดับ
4) รายงานความแม่นยำ:
คำนวณ RMSE แนวนอนและแนวตั้งจากการเบี่ยงเบนจุดควบคุมแต่ละจุดต่อไปนี้ เปรียบเทียบกับความแม่นยำของเป้าหมาย ทำการตีความผ่าน/ไม่ผ่าน และชี้ให้เห็นจุดอ่อน ข้อมูล: [ส่วนเบี่ยงเบนจุดควบคุม]
การเปรียบเทียบผลิตภัณฑ์โฟโตแกรมเมตริก
สินค้า
มันแสดงถึงอะไร?
การใช้งานทั่วไป
ความสนใจ
ออร์โธโฟโต้
ปรับขนาดภาพทางอากาศที่แม่นยำ
แผนที่ฐาน การแปลงเป็นดิจิทัล
การบิดเบือนขอบ
ดีเอสเอ็ม
พื้นผิวด้านบน (ตัวอาคาร+ต้นไม้)
การวิเคราะห์เงา/การมองเห็น
มันไม่ใช่พื้นดิน
ดีทีเอ็ม
พื้นเปลือย
เดนิม ปริมาตร ความชัน
คุณภาพการกรอง
เมฆจุด
จุดหนาแน่นแบบ 3 มิติ
การวัดแบบ 3 มิติ ภาพตัดขวาง
การทำความสะอาดเสียงรบกวน
วายเคเอ็น
ฐานการอ้างอิงทางภูมิศาสตร์
รากฐานของความจริง
การกระจายสินค้ามีความสำคัญ
ข้อผิดพลาดทั่วไป
- ใช้ DSM แทน DTM ข้อผิดพลาดใหญ่ในการคำนวณระดับความสูงและปริมาตร
- ไม่ทิ้งจุดตรวจอิสระ ไม่มีหลักฐานอิสระเหลืออยู่ที่จะวัดความแม่นยำ
- การกระจาย GCP ไม่ดี พื้นที่หนึ่งถูกต้อง ส่วนอีกพื้นที่บิดเบี้ยว
- ปล่อยให้อัตราการครอบคลุมไม่เพียงพอในสนาม รุ่นมีรูพรุน ไม่สามารถกู้คืนได้
- ไม่ได้ตั้งเป้าหมายความแม่นยำเป็นตัวเลข "ความแม่นยำสูง" ไม่สามารถวัดหรือยืนยันได้
- คิดว่า orthophoto นั้นถูกต้องสำหรับการวัดอย่างแน่นอน การบิดเบี้ยวเกิดขึ้นบริเวณขอบและวัตถุที่สูง
โดยสรุป
ปัญญาประดิษฐ์ในโฟโตแกรมเมทรี UAV; โดยเป็นตัวช่วยที่ทรงพลังในการคำนวณแผนการบิน การตรวจสอบคุณภาพล่วงหน้า การสร้าง DTM จาก DSM และการรายงานความแม่นยำ อย่างไรก็ตาม รากฐานของความแม่นยำของตำแหน่งถูกวางไว้ในภาคสนาม: จำนวนที่ถูกต้องและจุดควบคุมภาคพื้นดินที่กระจายอย่างเท่าเทียมกัน เป้าหมายที่ครอบคลุมเพียงพอและความแม่นยำเชิงตัวเลข การวัดความแม่นยำอย่างตรงไปตรงมาคือ RMSE ที่คำนวณที่จุดควบคุมแต่ละจุดซึ่งไม่ได้เข้าสู่แบบจำลอง ใช้ DTM สำหรับงานเดนิมและงานเทกองเสมอ DSM คือพื้นผิวด้านบน
งานสมัคร
ออกแบบโครงการ UAV: กำหนดขนาดสนาม GSD เป้าหมาย และเป้าหมายความแม่นยำเชิงตัวเลข (เช่น แนวนอน ±3 ซม.) ให้ AI สร้างระดับความสูงของเที่ยวบิน อัตราส่วนความครอบคลุม และกลยุทธ์ GCP จดบันทึกจำนวนคะแนนที่คุณจะสงวนไว้สำหรับการควบคุมอย่างอิสระ จากนั้นคำนวณ RMSE บนตารางส่วนเบี่ยงเบนจุดควบคุมสมมุติและถามว่า “มันเข้าถึงเป้าหมายหรือไม่” แสดงความคิดเห็นและยืนยันผลด้วยตัวเอง
รายการตรวจสอบ
- [ ] ฉันกำหนดเป้าหมายความแม่นยำเป็นตัวเลขและ GSD
- [ ] ฉันวางแผนอัตราส่วนความครอบคลุม (ไปข้างหน้า/ด้านข้าง) อย่างเพียงพอ
- [ ] ฉันแจกจ่าย GCP อย่างเท่าเทียมกันและใช้ในปริมาณที่เพียงพอ
- [ ] ฉันสงวนบางจุดไว้สำหรับการควบคุมแบบอิสระ
- [ ] ฉันผลิต DTM ไม่ใช่ DSM สำหรับเดนิม/ปริมาณ
- [ ] ฉันตรวจสอบการกรองกราวด์ด้วยส่วนโปรไฟล์
- [ ] ฉันคำนวณ RMSE ที่จุดควบคุมแต่ละจุด
- [ ] ฉันได้รับการยอมรับความถูกต้องโดยได้รับการอนุมัติจากวิศวกร