CC BY
16
УДК 004.421+[528.48:69]
DOI: 10.33764/2411-1759-2021-26-3-44-57
ИССЛЕДОВАНИЕ ТОЧНОСТИ ПОСТРОЕНИЯ МОДЕЛЕЙ ПО АЛГОРИТМУ SIFT ДЛЯ БОЛЬШЕПРОЛЕТНЫХ СООРУЖЕНИЙ
Андрей Аркадьевич Шоломицкий
Сибирский государственный университет геосистем и технологий, 630108, Россия, г. Новосибирск, ул. Плахотного, 10, доктор технических наук, профессор кафедры инженерной геодезии и маркшейдерского дела, тел. (383)343-29-55, e-mail: [email protected]
Бахтиёр Назруллович Ахмедов
Сибирский государственный университет геосистем и технологий, 630108, Россия, г. Новосибирск, ул. Плахотного, 10, аспирант кафедры инженерной геодезии и маркшейдерского дела, тел. (953)873-09-06, e-mail: [email protected]
Татьяна Михайловна Медведская
Сибирский государственный университет геосистем и технологий, 630108, Россия, г. Новосибирск, ул. Плахотного, 10, кандидат технических наук, доцент кафедры инженерной геодезии и маркшейдерского дела, тел. (383)343-29-55, e-mail: [email protected]
В статье рассматривается точность создания модели перекрытия большепролетных объектов, с использованием съемок беспилотными летательными аппаратами (БПЛА), с целью определения деформаций перекрытий. Для этого выполнено четыре аэрофотосъемки Дворца водных видов спорта в Душанбе, которые обработаны в программном обеспечении с применением алгоритма SIFT. Синхронно с аэрофотосъемкой были выполнены измерения по деформационным маркам в рамках геодезического мониторинга сооружения. Выполнен статистический анализ точности моделей перекрытия методом интерполирования сферической функцией, который показал, что 80 % точек модели имеют отклонения от проекта менее 30 мм, а остальные 20 % - до 80 мм. Использование метода коллокации для сглаживающей оптимальной фильтрации позволило уменьшить расхождения между поверхностями оседаний, полученными по данным геодезического мониторинга и из обработки съемки БПЛА до 26 мм, что составляет 10 % от допустимых отклонений для этого объекта. Выявлена необходимость дополнительных исследований алгоритма SIFT и фильтрации результатов для повышения точности построения моделей объекта.
Ключевые слова: геодезический мониторинг, деформации, оседания, точность, алгоритм SIFT, аэросъемка, БПЛА, погрешность определения координат, цифровая камера, интерполяция, фильтрация
Введение
В последнее десятилетие происходит второе качественное изменение в фотограмметрии, связанное с переходом на автоматизированную обработку цифровых съемок. Первое качественное изменение произошло примерно 30 лет назад с переходом от аналоговой фотограмметрии и универсальных механических фотограмметрических приборов к цифровым снимкам и цифровым фотограмметрическим станциям [1, 2]. Современный этап развития цифровой фотограмметрии связан с широким использованием алгоритма SIFT (масштабно-инвариантное преобразование признаков) [3, 4], который поз-
воляет в автоматическом режиме составлять детализированные трехмерные модели на основе цифровых фотографий. Размеры моделей могут очень сильно отличаться: от моделей предметов искусства в несколько сантиметров до моделей городов [5]. Причем плотность точек модели сопоставима с плотностью точек лазерного сканирования, и при этом модель имеет довольно высокую точность [6].
На данный момент имеется целый сегмент программ, которые реализуют алгоритм SIFT: Agisoft PhotoScan Pro [7], Bentley Context-Capture [3], Autodesk Memento (ReMake) [8], Pix4D [9], Reality Capture [10], 3dFlow: 3DF Zephyr [11] - и специализируются в различных
областях. В области геодезии и топографии наиболее часто используются программы Agisoft PhotoScan Pro (Metashape), Bentley ContextCapture и Pix4D. Исследования точности и операционной эффективности программ [12, 13] показали, что эти программы дают примерно одинаковые результаты, которые отличаются возможностью настройки обработки, наличием шумов в модели и возможностями ручных операций и сетевой обработки. Наличие методов «оптимизации» камер [7] позволяет, в некоторых случаях, улучшить точность, хотя эффективная самокалибровка камер и надежное определение фокусного расстояния невозможны при съемке местности, на которой перепад высот составляет менее 30 % от высоты фотографирования [14, 15]. Больше всего вопросов возникает по точности построения моделей [16-25], которая сильно зависит от камеры, высоты и конфигурации съемки и множества других параметров.
Авторы статьи выполняют геодезический мониторинг за большепролетным сооружением с перекрытием типа «пространственная оболочка» - Дворцом водных видов спорта, расположенном в Душанбе (Таджикистан) [17]. Эти методы дают очень высокую точность измерений, однако их применение для большепролетных сооружений не всегда целесообразно, так как требует присутствия исполнителей внутри помещения. Таджикистан располагается в сейсмоопасной зоне, где нередки землетрясения 4-6 балов, с мая 2018 по август 2020 г. произошло 356 землетрясений, из которых 10 % было силой 4 балла и более. Единичные землетрясения достигали 6 и даже 7,5 баллов. В 1946 г. было землетрясение силой 10 баллов.
В связи с этим для сейсмоопасных территорий актуально создать методику мониторинга, которая позволяет оценить последствия сейсмических событий для большепролетных сооружений, не находясь внутри помещений.
Поэтому авторы поставили перед собой следующий вопрос: возможно ли организовать мониторинг без доступа геодезистов внутрь сооружения с помощью аэросъемки с БПЛА, если произошло землетрясение с большой магниту-дой. Необходимо оценить точность построения модели перекрытия и возможность использования таких моделей для оценки деформаций перекрытия.
Особенности объекта исследования
Сооружение имеет форму эллипса в плане размером 118,94 X 93,94 м. Основная конструкция, поддерживающая кровельную систему, состоит из пространственной металлической конструкции - оболочки, стоящей на металлических колоннах высотой 28,30 м. Арки в поперечном и продольном направлениях усилены продольными и боковыми связями, и весь каркас создает пространственную несущую систему - пространственную оболочку. Несущая конструкция оболочки крепится к железобетонным фундаментам с помощью шарнирных опор.
Поверхность перекрытия состоит из четырех сопряженных сферических поверхностей (рис. 1, а) с радиусами Я\ = 33,73 м и Я2 = 67,7 м и многослойного покрытия, верхняя часть которого представляет собой поверхность из окрашенных алюминиевых листов (рис. 2, а, б).
а) б)
Рис. 1. Конструкция пространственной оболочки: а) схема сопряжения поверхностей; б) пространственная оболочка при монтаже
Окрашенные в разные цвета листы неравномерно нагреваются солнечным излучением, что вызывает деформации перекрытия. На рис. 2, б видны деформированная поверхность и надорванная отражательная марка. Швы между треугольными гранями перекрытия при нагреве могут расширяться на 10 мм. Ширина этих швов в некоторых местах достигает 25 мм.
На нижней стороне оболочки, внутри помещения, в местах наибольших вероятных
деформаций расположены 57 марок для геодезического мониторинга [17] (рис. 2, в). И хотя деформирование нижнего пояса пространственной оболочки и верхнего алюминиевого покрытия могут отличаться из-за температурных деформаций, изменения деформаций между циклами должны быть примерно одинаковы. Для исследования были одновременно выполнены четыре цикла геодезического мониторинга и аэрофотосъемки объекта.
Рис. 2. Маркировка контрольных точек на перекрытии:
а) контрольная точка для аэрофотосъемки; б) деформированная марка на наружной поверхности перекрытия; в) марка геодезического мониторинга
Аэрофотосъемка объекта
Аэрофотосъемка объекта выполнялась БПЛА DJI Phantom 4 штатной камерой. Каждый раз схема фотографирования объекта усложнялась, маршруты прокладывались на разных высотах (рис. 3, а), последние съемки
а) б)
Рис. 3. Аэросъемка объекта: а) маршрут 1-го цикла; б) съемка 4-го цикла
содержали кольцевые маршруты вокруг объекта съемки на разных высотах (рис. 3, б). Ввиду того, что точки на поверхности земли и на перекрытии имеют превышение более 20 м по высоте, маршруты на разной высоте должны были уменьшить разномасштабность снимков и улучшить автоматическое распознавание.
Обработка проводилась в программном комплексе Agisoft Photoscan (первые две съемки) и в Agisoft Metaspape [7] (последние две съемки) по точной схеме обработки
с самокалибровкой (оптимизацией) камер. В табл. 1 приведена краткая характеристика съемок, а в табл. 2 - средние квадратические отклонения на опорных точках.
Таблица 1
Краткая характеристика аэросъемок
Номер Дата Число снимков Число граней Число точек Среднее расстояние между точками, м
1 15.08.2019 159 308 135 622 346 0,085
2 03.12.2019 168 173 051 349 656 0,112
3 15.03.2020 203 141 146 285 165 0,125
4 15.08.2020 225 281 099 567 626 0,090
Таблица 2
СКО на опорных точках
Съемка СКОх, мм СКОу, мм С№, мм СКОху^ мм
1 5,5 6,1 8,5 11,8
2 10,3 7,2 8,8 15,4
3 22,3 14,2 14,8 30,3
4 21,5 15,9 14,9 30,6
Для анализа деформаций перекрытия использовалось облако точек модели объекта, которое экспортировалось в виде триангуляционной поверхности в формате dxf.
Анализ поверхностей
Для оценки точности поверхности, построенной по облаку точек модели, необходимо сравнить ее с некоторым эталоном. Поскольку поверхность перекрытия состоит из четырех сопряженных сферических поверхностей (см. рис. 1, а) с радиусами Я1 = 33,73 м и Я2 = 67,7 м было принято решение аппроксимировать ограниченные окрестности модели сферами соответствующих радиусов. Предварительно было выполнено статистическое моделирование, которое позволило выбрать оптимальный размер окрестности. В местах точек геодезического мониторинга (57 точек [17]) выбирались точки поверхности в квадратную область раз-
мером ^ и аппроксимировались сферой с заданным радиусом Я.
Для этого составлялись уравнения для каждой г точки, попавшей в окрестность размером ^
(* -Ох)2 + (у -Оу)2 + (^ - Ог )2 - Я2 =е2, (1)
где xi ,у{ - координаты точки г, попавшей в окрестность э; Ox,Oy,Oz - координаты центра окружности; Я - заданный радиус окружности; - отклонение точки поверхности от
сферы заданного радиуса Я .
Затем вычислялось среднее квадратиче-ское отклонение точек, попавших в область выборки, от сферы заданного радиуса по формуле
' п -1
(2)
где п - число точек, попавших в окрестность э.
На рис. 4 приведены графики средних квадратических отклонений для 56 точек, при разных размерах области выборки, от 3 до 12 м. На рисунке по оси абсцисс откладываются средние квадратические отклонения в метрах, по оси ординат - номера точек, размеры окна выборки изменяются от 3 до 12 м.
mr =
Рис. 4. Графики средних квадратических отклонений
При размерах окна выборки 5 < 3 метров уравнения (1) становятся сингулярны, так как область поверхности выборки близка к плоскости.
Гистограммы распределения отклонений для поверхностей приведены на рис. 5.
Поверхность 1
[«фе»»й|
Иитсроллы ОТНЛЗИСМИЙ, М
Поверхность 2
(сферой!
Н
I I
■О (Л- -0 0*- -0 03- 4.02 - -0.01 0 0 001 С 01 0.02 0.03 0 0« 0С&
оо« осе осв оса оси оде о о* осе осе
Интервалы откло* и м
а)
б)
Поверхность 3
(сферой)
Поверхность 4
(сферой)
Нигере* лы отклонений, ы
-о о* - -0 04 - -0 04 - -0 01 - 402 - -0 01 о о 001 оса осе о а о о« о а о ой о« оо« осе оде аса оси оов оо» ос» о» оде
Интервалы отклонений, м
в) г)
Рис. 5. Гистограммы распределения отклонений для поверхностей:
а) гистограмма для поверхности 1; б) гистограмма для поверхности 2; в) гистограмма для поверхности 3; г) гистограмма для поверхности 4
С увеличением размеров окна выборки средние квадратические отклонения точек поверхности от сферы заданного радиуса возрастают. Это можно объяснить только тем, что реальная форма поверхности покрытия отличается от теоретической сферической формы. Поэтому для дальнейшего анализа приняты минимальные размеры окна выборки, при которых находится решение системы уравнений (1) для всех точек, ^ = 4 м.
Анализ отклонений (табл. 3) показывает, что примерно 30 % точек имеют хорошую точность аппроксимации теоретической поверхности ± 10 мм, более 50 % точек имеют точность ± 20 мм, почти 80 % имеют отклонения менее ± 30 мм. При мониторинге зданий и сооружений достаточной считается точность в 10 % от величины максимальных деформаций, в нашем случае это будет 10 % от 266 мм - 26,6 мм.
Таблица 3
Таблица отклонений точек от теоретической поверхности
Поверхность Ч исло точек по диапазонам, в % Число точек
- 0,01...+ 0,01 м - 0,02.+ 0,02 м - 0,03.+ 0,03 м > ± 0,03
1 35,6 63,8 80,5 19,5 10 652
2 37,6 65,4 83,3 16,5 6 068
3 33,8 59,7 78,8 21,2 4 912
4 31,7 59,1 77,7 22,3 9 426
Однако примерно 20 % точек выходит за пределы допустимой точности и может достигать ±80 мм, что значительно искажает результаты определения деформаций. Чтобы повысить точность полученной из аэрофотосъемки модели поверхности, необходимо выполнить ее сглаживание.
Фильтрация точек поверхностей
Эти 20 % отклонений являются результатом ошибок распознавания соответствий на снимках на однотонных гладких поверхностях [3, 4]. Для повышения точности поверхности возникает необходимость фильтрации данных, чтобы исключить «ураганные» значения отклонений.
Линейные методы аппроксимации гранью не дают должного результата, так как не устраняют влияние «ураганных» отклонений. Поэтому авторы исследовали возможность выполнить сглаживающую фильтрацию методом коллокации [18], который хорошо зарекомендовал себя при обработке геодезических и маркшейдерских измерений.
Сущность способа заключается в аппроксимации поверхности с помощью участков плоскости, оптимально близких реальной поверхности. При этом можно подобрать коэффициенты, которые позволяют сглаживать погрешности измерений.
Для аппроксимации выбирается некоторая окрестность вокруг точки Р, в нашем случае - квадратная область со стороной квадрата, подобранной для оптимального интерполирования соответствующей поверхности.
Ковариационная функция К(р), будет иметь вид
к(Рг,-) = а + Ь' Рг,
(3)
где а и Ь - постоянные величины, подбираемые для конкретной поверхности; рг- - расстояние
между точками, вычисляется по формуле
Ь =
1
(4)
ри =
- х-) + (Уг - У-)) . (5)
В данном случае 28зг - размер окрестности, в которую выбираются точки для аппроксимации.
По выбранным в окрестность точкам формируются следующие матрицы:
Ь =
2 2г\
2г
(6)
С =
К( Р1,р)
С = К(Р2,р) Ср
К( Рп,р)
к(Р1,1; к(Р12; ... к(Р1,п)
к(Р1Л) к(Р22; ... к(Р2,п;
К( Р1,п) К( Р 2 ,п) К( Р п,п)
(7)
, (8)
где ¿о - среднее арифметическое из отметок точек, попавших в окрестность.
Отметка ^р точки интерполирования Р
вычисляется по формуле
^ = ^ + СТ„С XL .
(9)
Подбор параметров уравнения выполнялся статистическим методом. Для этого
в 57 областях, где будет выполняться интерполирование, выбиралась точка Тг, ближайшая к интерполируемой точке Рг. И для нее выполнялось интерполирование при разных значениях параметров а и Ssr (4). Полученное значение сравнивалось с отметкой точки Тг, и по отклонениям вычислялось среднее квадратическое отклонение для каждой поверхности.
Статистическое моделирование показало, что точность аппроксимации практически не зависит от параметра а и сильно зависит от параметра Ь ((3) и (4)), и соответственно, Ssr, т. е. размеры окрестности и число попавших в нее точек оказывают значительное влияние на точность аппроксимации. На рис. 6 показан график зависимости среднего квадратического отклонения от размера области выборки. Число попавших в область выборки точек зависит от плотности точек для данной поверхности (рис. 6).
•поверхность 1 поверхность 2 - поверхность 3 поверхность 4
Рис. 6. Зависимость СКП интерполирования отметки от размера окна
Как видно из графиков, на рис. 6 наблюдается небольшое увеличение СКП интерполирования на отрезке 0,1-0,2 м, связанное с не-
большим числом точек, попавших в окно выборки (рис. 7). Возможно, в выборку попали точки с большими отклонениями.
Число точек в окне выборки
Рздмер окна м
-поверхность 1 поверхность 2 поверхность 3 поверхность 4
Рис. 7. Зависимость числа точек выборки от размера окна
При размерах окна выборки от 0,2 до 1 м идет участок, на котором СКП интерполирования не превышает 1 мм, а затем идет возрастание СКП интерполирования, связанное с тем, что такая выборка точек криволинейной поверхности не может аппроксимироваться линейно-кусочной поверхностью интерполяционной функции коллокации. Поэтому для дальнейшей обработки был выбран размер Ssr = 0,50 м, при котором СКП определения интерполированных отметок для всех поверхностей составляет менее 1 мм, а число точек, попавших в выборку, составляет от 50 до 100, что обеспечивает усреднение больших отклонений.
После подбора оптимальных параметров аппроксимации было выполнено интерполирование отметок по поверхности кровли для 57 точек, координаты которых определены при геодезическом мониторинге, и построены поверхности разниц между соответствующими съемками из геодезического монито-
ринга и аэрофотосъемки. Если реакция нижнего ряда оболочки (геодезический мониторинг) и внешней поверхности кровли (аэросъемки) одинакова, то мы должны получить примерно одинаковые поверхности оседаний (рис. 8). Однако из-за разницы реакции верхней оболочки перекрытия и нижней части пространственной оболочки, а также температурных, ветровых деформаций они могут достаточно сильно отличаться. А главным фактором, определяющим отличие, является более низкая точность аэрофотосъемки и ее обработки (точность работы алгоритма SIFT).
Так как оседания между смежными съемками, по данным геодезического мониторинга, незначительны и лежат в пределах ±3 мм, то для построения поверхностей оседаний брались не смежные даты съемки, оседания которых соизмеримы с точностью определения отметок при геодезическом мониторинге, а между первой и каждой последующей датой съемки (см. рис. 8).
Между датами 15.08.2019-03.12.2019 (поверхность 2 - поверхность 1)
Между датами 15.08.2019-15.08.2020 (поверхность 4 - поверхность 1)
д) е)
Рис. 8. Поверхности оседаний:
а) по данным геодезического мониторинга; б) по данным аэросъемки; в) по данным геодезического мониторинга; г) по данным аэросъемки; д) по данным геодезического мониторинга; е) по данным аэросъемки
Анализ результатов и выводы
Анализ отклонений на опорных точках (табл. 2) и поверхностей оседаний (см. рис. 8) показывает, что поверхности перекрытия
объекта, полученные по данным аэрофотосъемки в программе Agisoft Photoscan, имеют небольшие отклонения на опорных точках для съемок 1 и 2 (даты съемок 15.08.2019 и 03.12.2019) и почти в два раза большие для
съемок 3 и 4 (даты 15.03.2020 и 15.08.2020) при том, что снимков в первых двух съемках было около 160, а в третьей и четвертой - более 200. Версии программы обработки первых двух съемок - 1.4.0, последних двух -1.6.3, обработка выполнялась при одинаковых параметрах. В двух последних съемках были наклонные снимки кольцевых маршрутов (см. рис. 3, б).
В целом можно констатировать, что модели поверхности, полученные в результате обработки аэрофотосъемки, достаточно хорошо совпадают в центральной части перекрытия с данными геодезического мониторинга (±20 мм), и отклонения возрастают к краям поверхности.
Понижение точности моделей подтверждается геодезическими измерениями на 16 контрольных точках перекрытия (рис. 2, а, б). Если выполнить интерполяцию поверхностей перекрытия методом коллокации в местах с координатами контрольных точек и теми же параметрами интерполирования и сравнить с геодезическими измерениями, то получим результаты, подтверждающие, что первые две поверхности лучше описывают реальную поверхность перекрытия, чем вторые две поверхности (табл. 4). В табл. 4 приведено только среднее квадратическое отклонение по высоте.
Сравнение изменений нижней поверхности пространственной оболочки, которая исследуется при геодезическом мониторинге, и верхней поверхности перекрытия, которая исследуется при аэрофотосъемке БПЛА, показало, что разность поверхностей не превышает 26 мм, что составляет 10 % от допусти-
мых деформаций. Конечно, прямое сравнение деформаций нижней поверхности пространственной оболочки и поверхности перекрытия не совсем корректно, так как в этом сравнении нельзя учесть температурные деформации и ветровую нагрузку. Однако, если за начальное измерение взять наружную поверхность и отслеживать ее изменения во времени, с оптимально подобранными параметрами аэрофотосъемки и обработки, то возможно добиться требуемой точности измерений для экспресс-оценки состояния зданий и сооружений.
Таблица 4 Средние квадратические отклонения на контрольных точках
Номер Дата Среднее квадратическое отклонение, мм
1 15.08.2019 6,2
2 03.12.2019 8,9
3 15.03.2020 16,4
4 15.08.2020 22,5
В целом можно отметить, что автоматические методы обработки аэрофотосъемки по алгоритму SIFT требуют дополнительных исследований и могут давать необходимую точность для оценки состояния зданий и сооружений после крупных сейсмических событий, когда есть опасность для нахождения людей внутри. Требуются дополнительные исследования алгоритма и фильтрации для повышения точности определения деформаций.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Иноземцев Д. П. Цифровая фотограмметрия - оперативный способ развития геодезического обоснования в городах // Геодезия и картография. - 2001. - № 8. - С. 35-38.
2. Тетеря А. Н. Опыт использования цифровой камеры 3-DAS-1 // Геопрофи. - 2008. - № 1. -С.26-30.
3. Bentley: ПО для моделирования реальности [Электронный ресурс] // Bentley. - 2020. - Режим доступа: https://www.bentley.com/ru/products/product-line/reality-modeling-software/contextcapture-center (дата обращения: 20.12.2020).
4. Иноземцев Д. П. Беспилотные летательные аппараты: теория и практика. Часть 2. Модель обработки аэрофотоснимков в среде AGISOFT PHOTOSCAN // Автоматизированные технологии изысканий и проектирования. - 2013. - № 3 (50). - С. 48-51.
5. Программное обеспечение для автоматического создания детализированных трехмерных моделей на основе фотографий [Электронный ресурс] // ContextCapture. - 2020. - Режим доступа: https://prod-
bentleycdn.azureedge.net/-/media/files/documents/product-data-sheet/pds_contextcapture_ltr_ru_lr.pdf?la=ru-ru&modified=20170711095732.
6. Моделирование реальности [Электронный ресурс] // Reality Modelling, ContextCapture and the Pope. - 2020. - Режим доступа : https://aecmag.com/59-features/1029-reality-modelling-contextcapture-and-the-pope.
7. Discover intelligent photogrammetry with Metashape [Электронный ресурс] // Agisoft. - 2020. - Режим доступа: https://www.agisoft.com.
8. Memento-High-Definition 3D Models from Reality [Электронный ресурс]// Autodesk. - 2020. - Режим доступа: https://www.autodesk.com/autodesk-university/ru/forge-content/au_class-urn%3Aadsk.con-tent%3 Acontent%3 A588cc8bf-bd59-4049-86ff-318f585b14e9.
9. Make better decisions with accurate 3D maps and models [Электронный ресурс] // Pix4D. - 2020. -Режим доступа: https://www.pix4d.com.
10. Explore the possibilities of RealityCapture [Электронный ресурс] // CapturingReality. - 2020. - Режим доступа: https://www.capturingreality.com.
11. 3DF ZEPHYR [Электронный ресурс] // 3DFLOW. - 2020. - Режим доступа: https://www.3dflow.net.
12. Nikolov I. A., Madsen C. B. Benchmarking Close-range Structure from Motion 3D Reconstruction Software under Varying Capturing Conditions [Electronic resourse] // 6th International Euro-Mediterranean Conference (EuroMed 2016). - Springer, 2016. - Vol. 10058. - Mode of access: https://doi.org/10.1007/978-3-319-48496-9_2/.
13. Молоко А. С., Колюк К. В., Шабалина Е. С., Ширшова Ю. В. Исследование возможностей фотограмметрической обработки изображений в Agisoft Metashape, Pix4D и Bentley ContextCapture // III Всероссийской науч.-практ. конф. «Геодезия, картография, геоинформатика и кадастры. Наука и образование» : сб. материалов (Санкт Петербург, 6-8 ноября 2019 г.) / Науч. ред. О. А. Лазебник. -СПб. : Изд-во РГПУ им. А. И. Герцена, 2019. - С. 42-48.
14. Могильный С. Г., Шоломицкий А. А., Лунев А. А. Конструктивная калибровка цифровой камеры // Изв. вузов. Геодезия и аэрофотосъемка. - 2011. - № 2. - С. 62-66.
15. Mogilny S. G., Sholomitskij A. A., Martynov O. V. The effectiveness of self-calibration of non-metric digital camera that used on unmanned aerial vehicles // Proceedings of 18th International Multidisciplinary Scientific GeoConference, SGEM 2018 (29 June-5 July). Section Photogrammetry and Remote Sensing. -2018. - Vol. 18, Issue 2.3, - P. 199-210. doi: 10.5593/sgem2018/2.3/S10.026
16. Оньков И. В. Оценка точности ЦМР по материалам аэрофотосъемки с БЛА «ГЕОСКАН 101» // Геопрофи. - 2015. - № 5. - С. 49-51.
17. Шоломицкий А. А., Ахмедов Б. Н. Геодезический мониторинг большепролетных сооружений с пространственной металлической конструкцией // Вестник СГУГиТ. - 2020. - Т. 25, № 3. - С. 117126. doi: 10.33764/2411-1759-2020-25-3-117-126.
18. Стрельцов В. И., Могильный С. Г. Маркшейдерское обеспечение природопользования недр. -М. : Недра, 1989. - 205 с. : ил.
19. Костюк А. С. Расчет параметров и оценка качества аэрофотосъемки с БПЛА // ГЕО-Сибирь-2010. VI Междунар. науч. конгр. : сб. материалов в 6 т. (Новосибирск, 19-29 апреля 2010 г.). - Новосибирск : СГГА, 2010. Т. 4, ч. 1. - С. 83-87.
20. Долгополов Д. В. Возможности использования беспилотных авиационных систем для контроля соответствия результатов строительства площадных объектов трубопроводного транспорта проектным решениям // Вестник СГУГиТ. - 2020. - Т. 25, № 4. - С. 85-95. doi: 10.33764/2411-1759-2020-25-4-8595.
21. Хлебникова Т. А., Опритова О. А. Экспериментальные исследования построения и использования плотной цифровой модели по материалам беспилотной авиационной системы // // Интерэкспо ГЕОСибирь. XV Междунар. науч. конгр., 24-26 апреля 2019 г., Новосибирск : сб. материалов в 9 т. Т. 4 : Междунар. науч. конф. «Дистанционные методы зондирования Земли и фотограмметрия, мониторинг окружающей среды, геоэкология». - Новосибирск : СГУГиТ, 2019. № 2. - С. 213-220.
22. Хлебникова Т. А., Опритова О. А., Аубакирова С. М. Экспериментальные исследования точности построения фотограмметрической модели по материалам // Интерэкспо ГЕО-Сибирь. XIV Между-нар. науч. конгр. : Междунар. науч. конф. «Дистанционные методы зондирования Земли и фотограмметрия, мониторинг окружающей среды, геоэкология» : сб. материалов в 2 т. (Новосибирск, 23-27 апреля 2018 г.). - Новосибирск : СГУГиТ, 2018. Т. 1. - С. 32-37.
23. Тихонов А. А., Акматов Д. Ж. Обзор программ для обработки данных аэрофотосъемки // Горный информационно-аналитический бюллетень. - 2018. - № 12. - С. 192-198.
24. Аврунев Е. И., Ямбаев Х. К., Опритова О. А., Чернов А. В., Гоголев Д. В. Оценка точности 3D-моделей, построенных с использованием беспилотных авиационных систем // Вестник СГУГиТ. -2018. - Т. 23, № 3. - С. 211-228.
25. Ессин А. С., Ессин С. С. Особенности фотограмметрической обработки материалов цифровой аэрофотосъемки с БПЛА // ГЕО-Сибирь-2010. VI Междунар. науч. конгр. : сб. материалов в 6 т. (Новосибирск, 19-29 апреля 2010 г. ). - Новосибирск : СГГА, 2010. Т. 1, ч. 1. - С. 1-4.
Получено 26.02.2021
© А. А. Шоломицкий, Б. Н. Ахмедов, Т. М. Медведская, 2021
STUDY OF THE ACCURACY OF MODEL CONSTRUCTION BY SIFT ALGORYITHM FOR LARGE SPAN STRUCTURES
An drei A. Sh olomitskii
Sibirian State University of Geosystems and Technologies, 10, Plakhotnogo St., Novosibirsk, 630108, Russia, D. Sc., Professor, Department of Engineering Geodesy and Mine Surveying, phone: (383)343-29-55, e-mail: [email protected]
Bakhtiyor N. Akhmedov
Sibirian State University of Geosystems and Technologies, 10, Plakhotnogo St., Novosibirsk, 630108, Russia, Ph. D. Student, Department of Engineering Geodesy and Mine Surveying, phone: (953)873-09-06, e-mail: [email protected]
Tatiana M. Medvedskaya
Sibirian State University of Geosystems and Technologies, 10, Plakhotnogo St., Novosibirsk, 630108, Russia, Ph. D., Associate Professor, Department of Engineering Geodesy and Mine Surveying, phone: (383)343-29-55, e-mail: [email protected]
The article considers the accuracy of floor models creation in large span structures with the use of unmanned aerial vehicles for the purpose of determining their deformations. There were performed 4 aero shootings of Water Sports Palace in Dushambe, which were processed by SIFT algorithm. Synchronically with the UAV shooting there was performed the measurements on deformation marks within the frames of geodetic monitoring. There was performed the statistical analysis of models accuracy by method of interpolation of spherical function, which showed that 80% of points has deviations less than 30 mm, and the rest 20% has deviations up to 80 mm. The use of collocation method for smoothing optimal filtering allowed to decrease the differences between settlement surfaces obtained by geodetic measurement and UAV shooting up to 26mm., which is 10 % of acceptable deviations of this object. It was found out that there is a necessity of further investigations of SIFT algorithm and filtering its results for the purpose of increasing the accuracy of object's models.
Keywords: geodetic monitoring, deformations, settlements, accuracy, SIFT algorithm, aero-shooting, UAV, reference grid error, digital camera, interpolation, filtering
REFERENCES
1. Inozemtsev, D. P. (2001). Digital photogrammetry - an operational method for the development of geodetic justification in cities. Geodesy and Cartography [Geodesy and Cartography], 8, 35-38 [in Russian].
2. Teterya, A. N. (2008). Experience of using a digital camera 3-DAS-1. Geoprofi, 1, 26-30 [in Russian].
3. Bentley. (2020). Bentley: reality simulation software. Retrieved from https://www.bentley.com/ ru/products/product-line/reality-modeling-software/contextcapture-center (accessed 20.12.2020).
4. Inozemtsev, D. P. (2013). Unmanned aerial vehicles: theory and practice. Part 2. Model of processing aerial photographs in the AGISOFT PHOTOSCAN environment. Avtomatizirovannye tekhnologii izyskaniy i proektirovaniya [Automated Technologies of Research and Design], 3(50), 48-51 [in Russian].
5. ContextCapture. (2020). Software for the automatic creation of detailed 3D models from photographs. Retrieved from https://prod-bentleycdn.azureedge.net/-/media/files/documents/product-data-sheet/pds_contextcapture_ltr_ru_lr.pdf?la=ru-ru&modified=20170711095732.
6. Reality Modelling, ContextCapture and the Pope. (2020). Reality Modelling. Retrieved from https://aecmag.com/59-features/1029-reality-modelling-contextcapture-and-the-pope.
7. Agisoft. (2020). Discover intelligent photogrammetry with Metashape. Retrieved from https://www.agisoft.com.
8. Autodesk. (2020). Memento-High-Definition 3D Models from Reality. Retrieved from https://www.autodesk.com/autodesk-university/ru/forge-content/au_class-urn%3Aadsk.con-tent%3Acontent%3A588cc8bf-bd59-4049-86ff-318f585b14e9.
9. Pix4D. (2020). Make better decisions with accurate 3D maps and models. Retrieved from https://www.pix4d.com.
10. CapturingReality. (2020). Explore the possibilities of RealityCapture. Retrieved from https://www.capturingreality.com.
11. 3DFLOW. (2020). 3DF ZEPHYR. Retrieved from https://www.3dflow.net.
12. Nikolov, I. A., & Madsen, C. B. (2016). Benchmarking Close-range Structure from Motion 3D Reconstruction Software under Varying Capturing Conditions. In 6th International Euro-Mediterranean Conference, EuroMed 2016: Vol. 10058. Springer. Retrieved from https://doi.org/10.1007/978-3-319-48496-9 2
13. Moloko, A. S., Kolyuk, K. V., Shabalina, Ye. S., & Shirshova Yu. V. (2019). Research of photogrammetric image processing capabilities in Agisoft Metashape, Pix4D and Bentley ContextCapture. In Sbornik materialov III Vserossiyskoy nauchnoy prakticheskoy konferentsii: Geodeziya, kartografiya, geoinformatika i kadastry. Nauka i obrazovanie [Proceedings of All-Russian Scientific and Practical Conference: Geodesy, Cartography, Geoinformatics and Cadastres. Science and Education] (pp. 42-48). O. A. Lazebnik (Ed.). St. Petersburg: Publishing house of Herzen State Pedagogical University of Russia Publ. [in Russian].
14. Mogilny, S. G., Sholomitsky, A. A., & Lunev, A. A. (2011). Constructive calibration of a digital camera. Izvestiya vuzov. Geodeziya i aerofotos"emka [Izvestiya Vuzov. Geodesy andAeropho-tography], 2, 62-66 [in Russian].
15. Mogilny, S. G., Sholomitskij, A. A., & Martynov, O. V. (2018). The effectiveness of self-calibration of non-metric digital camera that used on unmanned aerial vehicles. In Proceedings of 18th International Multidisciplinary Scientific GeoConference, SGEM 2018 (29 June-5 July). Section Photogrammetry and Remote Sensing: Vol. 18, Issue 2.3 (pp. 199-210). doi: 10.5593/sgem2018/2.3/S10.026.
16. Onkov, I. V. (2015). Estimation of the DEM accuracy based on aerial photography from the UAV «GEOSKAN 101». Geoprofi, 5, 49-51 [in Russian].
17. Sholomitskii A. A., & Akhmedov, B. N. (2020). Geodesic monitoring of large-span constructions with spatial metal structure. Vestnik SGUGiT [Vestnik SSUGT], 25(3), 117-126 [in Russian]. doi: 10.33764/2411-1759-2020-25-3-117-126
18. Streltsov, V. I. (1989). Marksheyderskoye obespecheniyeprirodopol'zovaniya nedr [Mining-surveying support for the use of natural resources]. Moscow: Nedra Publ., 205 p. [in Russian].
19. Kostyuk, A. S. (2010). Calculation of the parameters and evaluation of quality with UAV aerial photography. In Sbornik materialov Geo-Sibir'-2010: T. 4, ch. 1 [Proceedings of GEO-Siberia 2010: Vol. 1, Part1] (pp. 83-87). Novosibirsk: SSGA Publ. [in Russian].
20. Dolgopolov, D. V. (2020) Possibilities of using unmanned aircraft systems to control compliance of construction results of pipeline transport facilities with design solutions. Vestnik SGUGiT [Vestnik SSUGT], 25(4), 85-95 [in Russian]. doi: 10.33764/2411-1759-2020-25-4-85-95.
21. Khlebnikova, T. A., & Opritova, O. A. (2019). Experimental studies of the dense digital model accuracy by using UAV. In Sbornik materialov Interekspo Geo-Sibir-2019: T. 4, no. 2 [Proceedings of Interexpo GEO-Siberia-2019: Vol. 4, No. 2] (pp. 213-220). Novosibirsk: SSUGT Publ. [in Russian].
22. Khlebnikova, T. A., Opritova, O. A., & Aubakirova, S. M. (2018). Experimental studies of photogrammetric model accuracy by UAV. In Sbornik materialov Interekspo Geo-Sibir-2018: T. 1, no. 4 [Proceedings of Interexpo GEO-Siberia 2018: Vol. 1, No. 4] (pp. 32-37). Novosibirsk: SSUGT Publ. [in Russian].
23. Tikhonov, A. A., & Akmatov, D. Zh. (2018) Review of programs for processing aerial photography data. Gornyi informatsionno-analiticheskiy byulleten [Mining Information and Analytical Bulletin], 12, 192-198 [in Russian].
24. Avrunev, E. I., Yambaev, Kh. K., Opritova, O. A., Chernov, A. V., & Gogolev, D. V. (2018). Accuracy evaluation of 3d models by using unmanned aerial system. Vestnik SGUGiT [Vestnik SSUGT], 23(3), 211-228 [in Russian].
25. Essin, A. S., & Essin, S. S. (2010). Features of photogrammetric processing of digital aerial photography from UAVs. In Sbornik materialov Geo-Sibir-2010: T. 1, ch. 1 [Proceedings of GEO-Siberia 2010: Vol. 1, Part 1] (pp. 1-4). Novosibirsk: SSGA Publ. [in Russian].
Received 26.02.2021
© A. A. Sholomitskii, B. N. Akhmedov, T. M. Medvedskaya, 2021
