საკვანძო სიტყვები
ციფრული სასიმაღლო მოდელი
ორთომოზაიკა
ხელოვნური ინტელექტი
ობიექტების ავტომატური ამოცნობა
როგორ უნდა ციტირება
ანოტაცია
მაღალი სივრცული გარჩევადობის აეროფოტოსურათებიდან ობიექტების ამოცნობისა და აციფვრის ავტომატიზაცია ერთ-ერთი საკვანძო პრობლემაა დისტანციური ზონდირებისა და ფოტოგრამმეტრიის ამოცანებიდან. წინამდებარე კვლევის ფარგლებში შეფასდა და გამოიცადა უპილოტო საფრენი აპარატებისა და ღრმა სწავლების მოდელების გამოყენების შესაძლებლობა ტრადიციული მეთოდების გაუმჯობესების, მონაცემების სიზუსტის გაზრდისა და მატერიალური დანახარჯების შემცირებისათვის სივრცული მონაცემების მოპოვებისა და დამუშავების პროცესში. საკვლევ ტერიტორიაზე, რომელსაც წარმოადგენს ქალაქი ცაგერი და მიმდებარე სოფელი ჭალისთავი რაჭა-ლეჩხუმისა და ქვემო სვანეთის რეგიონში, dji Mavic 3 უპილოტო საფრენი აპარატის საშუალებით მომზადდა მაღალი გარჩევადობის აეროფოტოსურათები, რომელთა ჯამური ფართობი შეადგენს 128 ჰექტარს. კვლევის ერთ-ერთ ძირითად მიზანს წარმოადგენდა მიღებული ორთოფოტოგეგმებიდან შენობების ავტომატური ამოცნობა და დიგიტალიზაცია, ღრმა სწავლების ალგორითმების გამოყენებით. ამ მიზნის მისაღწევად შეირჩა და გამოიცადა Mask R-CNN ღრმა სწავლების მოდელი. მოდელირების პროცესში გამოყენებულია ციფრული სასიმაღლო მოდელების ორთოფოტოგეგმებთან ინტეგრაციით მიღებული 4 არხიანი გამოსახულებები, რაც დამატებით ტოპოგრაფიულ კონტექსტს ქმნის მოდელისათვის და პოტენციურად ზრდის მის სიზუსტეს. კვლევის შედეგები აჩვენებს, რომ უპილოტო საფრენი აპარატებისა და ღრმა სწავლების მოდელების ინტეგრირებული გამოყენება მნიშვნელოვნად ამარტივებს და აუმჯობესებს სივრცული მონაცემების მოპოვებისა და დამუშავების პროცესს. კერძოდ, dji Mavic 3 უპილოტო საფრენი აპარატის საშუალებით მივიღეთ 3 სანტიმეტრი სივრცული გარჩევადობის ორთოფოტოგეგმები და ციფრული სასიმაღლო მოდელები, ხოლო ჩვენს მიერ გაწვრთნილმა Mask R-CNN ღრმა სწავლების მოდელმა აჩვენა 92%-იანი სიზუსტე საკვლევ არეალზე შენობების ამოცნობისათვის. სტატიაში აღწერილი მეთოდოლოგია და ტექნიკური საფუძვლები წარმოადგენს მომავალი კვლევების განვითარების ბაზისს და შეიძლება გამოყენებულ იქნეს სხვადასხვა ამოცანების გადაწყვეტისათვის, მაგალითად როგორიცაა, მიწის ადმინისტრირება, სხვადასხვა ინფრასტრუქტურული პროექტები, გარემოს მონიტორინგი, რესურსების მენეჯმენტი და ა.შ. განსაკუთრებით ეს შეიძლება ითქვას საქართველოში არსებული კონტექსტის გათვალისწინებით, როდესაც მაღალი რეზოლუციისა და სიზუსტის სივრცული მონაცემები ხშირად არ არის ხელმისაწვდომი კომპლექსური გარემო-პირობებისა თუ ეკონომიკური ფაქტორების გამო.
წყაროები
Audebert, N., Le Saux, B., & Lefevre, S. (2018). Beyond RGB: Very high resolution urban remote sensing with multimodal deep networks. ISPRS Journal of Photogrammetry and Remote Sensing, 140, 20-32. https://doi.org/https://doi.org/10.1016/j.isprsjprs.2017.11.011
Calantropio, A., Chiabrando, F., Codastefano, M., & Bourke, E. (2021). DEEP LEARNING FOR AUTOMATIC BUILDING DAMAGE ASSESSMENT: APPLICATION IN POST-DISASTER SCENARIOS USING UAV DATA. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, v-1-2021, 113-120. https://doi.org/10.5194/isprs-annals-V-1-2021-113-2021
Colomina, I., & Molina, P. (2014). Unmanned Aerial Systems for Photogrammetry and Remote Sensing: A Review. ISPRS Journal of Photogrammetry and Remote Sensing, 92, 79-97. https://doi.org/https://doi.org/10.1016/j.isprsjprs.2014.02.013
Gribov, A. (2019). Optimal Compression of a Polyline While Aligning to Preferred Directions. International Conference on Document Analysis and Recognition Workshops (ICDARW), (pp. 98-102). Sydney, NSW, Australia. https://doi.org/10.1109/ICDARW.2019.00022
He, K., Gkioxari, G., Dollar, P., & Girshck, R. (2017). Mask R-CNN. IEEE International Conference on Computer Vision (ICCV), (pp. 2980-2988). Venice, Italy. https://doi.org/10.1109/ICCV.2017.322
ეს ნამუშევარი ლიცენზირებულია Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 საერთაშორისო ლიცენზიით .
საავტორო უფლებები (c) 2024 ქართველი მეცნიერები