Lợi nhuận:
- Khả năng sử dụng các khái niệm quang trắc SfM, ảnh trực giao, DSM/DTM và điểm kiểm soát mặt đất trong bối cảnh phù hợp với AI
- Khả năng xây dựng kế hoạch bay của UAV, tỷ lệ bao phủ và kỳ vọng về độ chính xác với các tính toán và danh sách kiểm tra được hỗ trợ bởi AI
- Khả năng đánh giá độ chính xác của đầu ra quang trắc với các điểm kiểm soát độc lập và logic RMSE
Quang trắc là kỹ thuật đo vị trí và hình dạng ba chiều của vật thể từ các bức ảnh chồng lên nhau. Ngày nay, phương pháp sản xuất phát triển nhanh nhất trong kỹ thuật khảo sát là tạo ra các mô hình ảnh trực giao và độ cao từ hàng trăm bức ảnh được thu thập bởi UAV (Máy bay không người lái, thường được gọi là máy bay không người lái). Trong phần này, chúng tôi đề cập đến cách trí tuệ nhân tạo hỗ trợ quá trình này, từ lập kế hoạch bay đến đánh giá độ chính xác. Nguyên tắc là bất biến: phần mềm và AI tạo ra mô hình; Việc chấp nhận độ chính xác về vị trí vẫn thuộc về kỹ sư thông qua các điểm kiểm soát mặt đất và kiểm soát độc lập.
Hãy làm rõ các điều khoản. SfM (Cấu trúc từ chuyển động) là phương pháp giải hình học 3D và vị trí camera bằng cách khớp các điểm chung trong ảnh chụp từ các góc khác nhau; Nó là cốt lõi của phần mềm đo ảnh hiện đại. Orthophoto là hình ảnh chụp từ trên không với tỷ lệ chính xác, giống như một bản đồ, loại bỏ các biến dạng về phối cảnh và độ cao. DSM (Digital Surface Model) là mô hình độ cao của bề mặt trên cùng bao gồm các tòa nhà và cây cối. DTM (Digital Terrain Model) là mô hình độ cao của mặt đất trống. GCP (Điểm kiểm soát mặt đất; GCP trong tiếng Anh) là các điểm được đánh dấu được đo chính xác từ hiện trường, xuất hiện trong ảnh và kết nối mô hình với tọa độ thực. Tỷ lệ chồng chéo là tỷ lệ phần trăm các ảnh lân cận che phủ lẫn nhau.
Vai trò của AI trong phép đo ảnh
AI hỗ trợ bốn vị trí trong quy trình làm việc này:
- Lập kế hoạch và tính toán chuyến bay. Nó giúp tính toán độ cao chuyến bay, tỷ lệ che phủ và số lượng ảnh cho khoảng cách lấy mẫu mặt đất mong muốn (GSD: kích thước mà mỗi pixel bao phủ trên mặt đất) và tạo danh sách kiểm tra.
- Kiểm tra trước chất lượng. Nó thiết lập logic quét để gắn cờ các bức ảnh bị mờ, che khuất không đủ và các vấn đề về phân phối GCP.
- Phân loại đầu ra và làm sạch. Nó giúp thực hiện các tác vụ như lọc đối tượng (tòa nhà/cây) và phát hiện đám mây/bóng trong ảnh trực giao để tạo DTM từ DSM.
- Báo cáo và tóm tắt độ chính xác. Làm cho bảng RMSE (Lỗi bình phương trung bình gốc; thước đo độ lệch trong các điểm kiểm soát) và báo cáo độ chính xác có thể đọc được.
Điểm mù: AI không nhìn thấy được điều kiện vật lý của chuyến bay và thực tế của địa hình. Nếu GCP không đủ, khả năng che phủ kém hoặc chuyến bay nhiều gió thì không có phần mềm/AI nào có thể khắc phục hoàn toàn điều này sau này. Sự chính trực bắt đầu trên sân cỏ.
Mẹo: Đặt mục tiêu chính xác của bạn bằng số ngay từ đầu. "Hãy để nó có độ trung thực cao" là mơ hồ; Đó là mục tiêu có thể đo lường được "nhắm mục tiêu ở khoảng ±3 cm theo chiều ngang và ±5 cm theo chiều dọc, được RMSE xác nhận với các điểm kiểm soát độc lập."
Từng bước: Quy trình đo quang học UAV
- Đặt mục tiêu chính xác và GSD. Độ chính xác mong muốn xác định GSD và do đó xác định độ cao chuyến bay. Nguyên tắc chung: độ chính xác của vị trí theo thứ tự của một số GSD.
- Lập kế hoạch chuyến bay. Tỷ lệ phủ sóng (thường là phía trước 75-80%, bên 65-70%), độ cao chuyến bay, số lượng ảnh. AI có thể tạo ra phép tính và danh sách kiểm tra này.
- Đặt và đo GCP. Đo chính xác bằng GNSS đủ số lượng GCP ở các góc và ở giữa để bao phủ đều khu vực. Tách một số trong số chúng thành các điểm kiểm soát độc lập không đưa vào mô hình.
- Xử lý nó. Căn chỉnh với SfM, hội thảo địa lý với GCP, đám mây điểm dày đặc, DSM, tạo ảnh trực giao.
- Sản xuất DTM. Chuyển từ DSM sang DTM bằng cách lọc các đối tượng ngoài mặt đất.
- Xác minh. Tính toán RMSE tại các điểm kiểm soát riêng lẻ; Nó có trúng mục tiêu không?
Điểm kiểm soát mặt đất và RMSE
Việc lắp mô hình đo quang vào thế giới thực phụ thuộc vào GCP. GCP cung cấp quy mô và vị trí cho mô hình; Nếu chúng không đủ về số lượng hoặc phân bổ kém (tất cả ở một góc), mô hình sẽ chính xác ở một vùng và bị lệch ở vùng khác. Cách để đo lường độ chính xác một cách trung thực là giữ một số GCP làm điểm kiểm soát độc lập bằng cách không căn chỉnh chúng và tính toán RMSE bằng cách so sánh giá trị của chúng trong mô hình với các giá trị đo được thực tế. Mô hình không được coi là đúng chỉ vì mức độ phù hợp (dư lượng) trên GCP thấp; Điều này giống như thành công trên dữ liệu đào tạo.
Thận trọng: Nếu bạn sử dụng tất cả các điểm được đánh dấu làm GCP và không để lại điểm kiểm soát độc lập nào, bạn sẽ không có bằng chứng độc lập để đo lường độ chính xác. Luôn dành một vài điểm để kiểm tra.
Ba trường hợp nhỏ: Bằng những con số
Trường hợp 1 - Lỗi phân phối GCP. Trên cánh đồng rộng 40 ha, 5 trong số 6 GCP nằm ở nửa phía nam cánh đồng. Mô hình cho độ lệch ±3 cm ở phía nam và ±25 cm ở phía bắc. Các trạm kiểm soát độc lập đã tiết lộ sự biến dạng khu vực này; Khi các GCP được phân bổ đều và chuyến bay được xử lý lại, độ chính xác giảm xuống còn ±4 cm ở phía bắc.
Trường hợp 2 - Nhầm DSM với DTM. Khi tính toán khối lượng, nhóm nghiên cứu đã ước tính khối lượng đào quá cao khoảng 12% bằng cách giả sử DSM được nghiền trực tiếp trong khu vực nhiều cây cối. Khi DTM được tạo bằng tính năng lọc mặt đất được AI hỗ trợ và quá trình tính toán được lặp lại, âm lượng sẽ gần với thực tế hơn. Bài học: DTM được sử dụng trong khối lượng và công việc quần jean.
Trường hợp 3 - Bảo hiểm không đầy đủ. Khi phạm vi phủ sóng giảm xuống 55% trên một số tuyến do gió, SfM đã thực hiện kém hiệu quả ở khu vực đó và mô hình xuất hiện nhiều lỗ hổng. Việc kiểm tra trước chất lượng đã đánh dấu vùng có độ che phủ thấp; Phần đó đã được bay một lần nữa. Bài học: vỏ bọc được cung cấp tại hiện trường, sau này không thể sản xuất được.
Nhắc yếu / Nhắc mạnh
Dấu nhắc yếu:
Tôi sẽ tạo một bản đồ bằng máy bay không người lái, hãy cho tôi biết tôi nên làm gì.
Lời nhắc mạnh mẽ:
Nhiệm vụ: Lập kế hoạch bay đo ảnh và độ chính xác của UAV. Bối cảnh:- Diện tích: ~40 ha, hơi dốc bằng phẳng, cây cối thưa thớt- Độ chính xác của mục tiêu: ngang ±3 cm, dọc ±5 cm- Máy ảnh: [cảm biến/tiêu điểm], GSD mong muốn: 2 cm Yêu cầu:1) Viết độ cao và logic bay gần đúng cho GSD 2 cm.2) Khuyến nghị về tỷ lệ bao phủ (phía trước/bên cạnh) và biện minh.3) Số lượng GCP và chiến lược phân phối; Tôi nên dự trữ bao nhiêu trong số đó làm điểm kiểm tra ĐỘC LẬP?4) Viết phân biệt DSM/DTM và đầu ra nào là bắt buộc cho công việc nào.5) Xác minh: bước xác nhận với RMSE tại các điểm kiểm tra độc lập.
Lời nhắc mạnh mẽ bao gồm mục tiêu số, điều kiện hiện trường và kế hoạch xác minh; Đầu ra có thể áp dụng được.
Bốn mẫu có thể sao chép
1) Tính toán thông số chuyến bay:
Chiều cao bay gần đúng cho GSD [x cm] và máy ảnh [cảm biến/tiêu điểm] mong muốn, tỷ lệ che phủ đề xuất, ước tính số lượng ảnh. Viết các giả định của bạn một cách rõ ràng; Lưu ý rằng giá trị chính xác cần có xác nhận của phần mềm.
2) Lập kế hoạch GCP:
Đề xuất chiến lược bố cục GCP cho [diện tích/kích thước/hình dạng]: bao nhiêu điểm, cách phân phối, bao nhiêu nên dành riêng để kiểm soát độc lập. Giải thích nguy cơ phân phối kém (tất cả ở một góc).
3) Quy trình làm việc DSM->DTM:
Viết các bước lọc mặt đất để tạo DTM từ đám mây điểm/DSM. Chỉ định đối tượng nào (tòa nhà, cây) cần trích xuất và cách xác minh kết quả bằng phần hồ sơ. Giải thích tại sao DTM lại cần thiết cho công việc về khối lượng/cấp độ.
4) Báo cáo chính xác:
Tính toán RMSE theo chiều ngang và chiều dọc từ các độ lệch điểm kiểm soát riêng lẻ sau đây, so sánh với độ chính xác mục tiêu, đưa ra diễn giải đạt/không đạt và chỉ ra bất kỳ khu vực yếu nào. Dữ liệu: [độ lệch điểm kiểm soát]
So sánh sản phẩm quang trắc
sản phẩm
Nó đại diện cho cái gì?
Cách sử dụng điển hình
Chú ý
ảnh trực giao
Chia tỷ lệ hình ảnh trên không chính xác
Bản đồ cơ sở, số hóa
Biến dạng cạnh
DSM
Bề mặt trên cùng (tòa nhà + cây)
Phân tích bóng/tầm nhìn
Nó không phải là mặt đất
DTM
đất trống
Denim, khối lượng, độ dốc
Chất lượng lọc
đám mây điểm
Điểm dày đặc 3D
Đo 3D, mặt cắt
làm sạch tiếng ồn
YKN
Cơ sở địa tham chiếu
nền tảng của sự thật
Phân phối quan trọng
Những lỗi thường gặp
- Sử dụng DSM thay vì DTM. Sai lầm lớn trong tính toán độ cao và thể tích.
- Không để lại điểm kiểm tra độc lập. Không còn bằng chứng độc lập nào để đo lường độ chính xác.
- Phân phối GCP kém. Chỗ này đúng, chỗ kia sai.
- Để lại tỷ lệ bao phủ không đủ trên sân. Mô hình đục lỗ, không thể phục hồi.
- Không đặt mục tiêu chính xác về con số. "Độ chính xác cao" không thể đo lường hoặc xác nhận.
- Nghĩ rằng orthophoto là hoàn toàn chính xác cho phép đo. Hiện tượng biến dạng xảy ra xung quanh các cạnh và vật thể cao.
Tóm lại
Trí tuệ nhân tạo trong đo ảnh UAV; Nó là một công cụ hỗ trợ mạnh mẽ trong việc tính toán kế hoạch bay, kiểm tra trước chất lượng, tạo DTM từ DSM và báo cáo độ chính xác. Tuy nhiên, nền tảng của độ chính xác về vị trí được đặt trên thực địa: số lượng chính xác và các điểm khống chế mặt đất được phân bổ đều, độ che phủ phù hợp và các mục tiêu có độ chính xác bằng số. Một thước đo trung thực về độ chính xác là RMSE được tính toán tại các điểm kiểm soát riêng lẻ không được đưa vào mô hình. Luôn sử dụng DTM cho vải denim và quần áo số lượng lớn; DSM là bề mặt trên cùng.
Nhiệm vụ ứng dụng
Thiết kế dự án UAV: xác định kích thước trường, GSD mục tiêu và mục tiêu có độ chính xác bằng số (ví dụ: ngang ±3 cm). Để AI tạo ra độ cao bay, tỷ lệ che phủ và chiến lược GCP; Viết ra số điểm bạn sẽ dành cho việc kiểm soát độc lập. Sau đó tính RMSE trên bảng độ lệch điểm kiểm soát giả định và hỏi “nó có đạt mục tiêu không?” Hãy tự mình nhận xét và xác nhận kết quả.
danh sách kiểm tra
- [ ] Tôi đặt mục tiêu về độ chính xác bằng số và GSD.
- [ ] Tôi đã lên kế hoạch đầy đủ về tỷ lệ bao phủ (phía trước/bên).
- [ ] Tôi đã phân bổ đều GCP và sử dụng chúng với số lượng vừa đủ.
- [ ] Tôi dành một số điểm để kiểm soát độc lập.
- [ ] Tôi sản xuất DTM, không phải DSM, cho vải denim/khối lượng.
- [ ] Tôi đã xác minh việc lọc mặt đất bằng phần hồ sơ.
- [ ] Tôi đã tính RMSE tại các điểm kiểm soát riêng lẻ.
- [ ] Tôi đã chấp nhận tính chính xác của kỹ sư.