Logowanie do System sprawozdań KDM

Neuronowe metody poprawy jakości modeli fotogrametrycznych

Kierownik projektu: Paweł Burdziakowski

Politechnika Gdańska

Wydział Inżynierii Lądowej i Środowiska

Gdańsk

Streszczenie projektu

1. Wstęp

Współcześnie bezzałogowe statki powietrzne (BSP) są często wykorzystywane do wykonywania pomiarów fotogrametrycznych. Urządzenia te wyposażone są w niewielkie, niemetryczne kamery cyfrowe służące do pozyskiwania danych obrazowych. Dane obrazowe służą do generowania modeli przestrzennych, ortofotomap oraz modeli pokrycia terenu. Dane pozyskiwane do modelowania obarczone mogą być szeregiem wad, które uniemożliwiają, bądź utrudniają uzyskanie wymaganej jakości opracowania fotogrametrycznego [1]. Celem poprawy jakości takich opracowań proponuje się wykorzystać sieci neuronowe oparte o głębokie modele generatywne zaprojektowane do poprawy jakości danych obrazowych i w konsekwencji poprawy jakości produktów procesu modelowania fotogrametrycznego.

2. Istota rozwiązania

Istota rozwiązania jej poprawa jakości zdjęć uzyskiwanych z niemetrycznych kamer, w które wyposażone są niskobudżetowe bezzałogowe statki powietrzne. Klasyczne metody oparte o operacje punktowe, modelowanie histogramu czy operacje przestrzenne, nie pozwalają na poprawę rozdzielczości bez utraty istotnych danych, efektywne usunięcie rozmazu czy automatyczną identyfikacje punktów kontrolnych znajdujących się na granicy rozróżnialności. W ramach badań planowane jest wykorzystanie sieci generatywnych, umożliwiających osiągnięcie istotnej poprawy. Sieci te zostaną wykorzystane na poszczególnych etapach budowy produktu końcowego w fotogrametrii niskiego pułapu. Począwszy do poprawy rozdzielczości zdjęć, poprzez automatyczne wyszukanie naziemnych punktów kontrolnych na granicy rozróżnialności, czyli z relatywnie wysokiego pułapu, jak na niskobudżetowe BSP, po poprawę jakości samych wygenerowanych modeli w postaci chmur punktów. Rozwiązanie docelowo będzie zaimplementowane na zaprojektowanym i wdrożonym autorskim systemie fotogrametrycznym opartym na BSP [2].

3. Uzasadnienie potrzeby zasobów

W procesie treningu złożonych modeli sieci generatywnych istotne jest posiadanie dużego zasobu obliczeniowego. Sam trening oparty o stacjonarne maszyny jest bardzo czasochłonny i nie pozwala realnie, na bieżąco reagować badaczowi na zmiany oraz iteracyjnie wprowadzać poprawki w modelu. Trening sieci oparty będzie również o duży zbiór danych obrazowych. Dane te zostały zebrane w toku długoletnich badań i szeregu analiz i opracowań fotogrametrycznych autora [3]. Działanie takie wymaga posiadania istotnej ilości procesów obliczeniowych w celu obróbki tak dużej ilości danych oraz relatywnie szybkiego treningu sieci. Sieci są zbudowane w oparciu o środowisko Python oraz biblioteki PyTorch. Alternatywnie do testów mniejszych rozwiązań planuje się wykorzystać środowisko Matlab z narzędziem Deep Learning Toolbox.

4. Podsumowanie

Nowe metody oparte o głębokie modele generatywne w fotogrametrii niskiego pułapu dają wiele nowych możliwości, co zostało udowodnione już w badaniach autora [1]. Kolejne badania wymagają implementacji na szerszą skalę i intensywnego uczenia sieci opartego o większy zasób danych. W tym celu niezbędnym jest zastosowanie wielkich mocy obliczeniowych do przyspieszenia tego procesu i walidacji metod.

Bibliografia:

[1] Paweł Burdziakowski, Increasing the Geometrical and Interpretation Quality of Unmanned Aerial Vehicle Photogrammetry Products

Using Super-Resolution Algorithms. Remote Sensing 2020, 12, 1-21, doi:10.3390/rs12050810.

[2] Paweł Burdziakowski, UAV Design and Construction for Real Time Photogrammetry and Visual Navigation. 2018, 368-372,

doi:10.1109/bgc-geomatics.2018.00076.

[3] Paweł Burdziakowski, UAV IN TODAYS PHOTOGRAMMETRY - APPLICATION AREAS AND CHALLENGES. 2018, 18, 241-

248, doi:10.5593/sgem2018/2.3.