Izvestia Vuzov. Geodesy and Aerophotosurveying Izvestia Vuzov. Geodesy and Aerophotosurveying Известия высших учебных заведений «Геодезия и аэрофотосъемка» 0536-101X 2618-7299 103785 10.30533/GiA-2025-003 Аэрокосмические исследования Земли, фотограмметрия Earth aerospace survey, photogrammetry Аэрокосмические исследования Земли, фотограмметрия The use of generative artificial intelligence to improve the quality of aerial photography results during complex cadastral works Применение генеративного искусственного интеллекта для повышения качества результатов аэрофотосъемки при проведении комплексных кадастровых работ Лозовая С. Ю. Lozovaya S. Yu.

доктор технических наук;

doctor of technical sciences;

 Поляков А. И. Polyakov A. I. Ширина Н.В. Shirina N.V. Рыжакова Н. С. Ryzhakova N. S. Белгородский государственный технологический университет им. В.Г. Шухова RU Belgorod State Technological University named after V.G. Shukhov RU Белгородский государственный технологический университет им В.Г. Шухова Belgorod State Technological University named after V.G. Shukhov 28 02 2025 28 02 2025 69 1 36 49 29 10 2024 21 02 2025 https://miigaik.editorum.ru/en/nauka/article/103785/view

Нередко снимки, получаемые при аэрофотосъемке с помощью беспилотных летательных аппаратов (БПЛА), вследствие различных причин могут иметь низкое разрешение, шумы, смазы, артефакты и искажения, что затрудняет дешифрирование объектов недвижимости и снижает точность определения их границ и площадей, увеличивая тем самым трудозатраты на выполнение кадастровых работ. Получение точных результатов обеспечивается качественными исходными данными, поэтому исследовалась возможность применения генеративного искусственного интеллекта с целью повышения качества снимков, получаемых при проведении аэрофотосъемки для решения задач кадастра недвижимости. В статье представлены результаты применения метода машинного обучения с использованием генеративных состязательных сетей. Исследование выполнялось на материалах, полученных при проведении комплексных кадастровых работ с помощью БПЛА. Представлены результаты обработки исходных аэрофотоснимков в модифицированной генеративной состязательной сети Real-ESRGAN. Выполнена фотограмметрическая обработка улучшенных аэрофотоснимков, созданы ортофотоплан и трехмерная модель местности. Проведен анализ обработанных изображений и полученного по ним ортофотоплана. Актуальность и важность применения данной технологии обусловлены задачами обеспечения кадастра недвижимости качественными исходными данными.

Often, images obtained during aerial photography using UAV, due to various reasons, may have low resolution, various noises, smudges, artifacts and distortions, which makes it difficult to decrypt real estate objects and reduces the accuracy of determining their boundaries and areas, thereby increasing the labor costs of performing cadastral work. Based on this, in order to obtain accurate results, it is necessary to provide highquality initial data. Therefore, the possibility of using generative artificial intelligence was investigated in order to improve the quality of images obtained during aerial photography to solve real estate cadastre problems. The article presents the results of applying the machine learning method using generative adversarial networks. The study was carried out on the materials obtained during the complex cadastral works with the help of UAV. The results of processing the initial aerial photographs in the modified generative adversarial network Real-ESRGAN are presented. Photogrammetric processing of improved aerial photographs was performed, an orthophotoplan and a three-dimensional terrain model were created. The analysis of the processed images and the orthophotoplane obtained from them is carried out. The relevance and importance of using this technology is due to the tasks of providing the real estate cadastre with high-quality source data.

 аэрофотоснимок беспилотный летательный аппарат точность генеративная сеть ортофотоплан комплексные кадастровые работы aerial photography unmanned aerial vehicles precision generative network orthophotoplane complex cadastral works Работа проведена в научно-исследовательской лаборатории беспилотных и геоинформационных систем в сфере дистанционного мониторинга БГТУ им. В.Г. Шухова в рамках темы государственного задания № FZWN-2024-0011 «Разработка адаптивно-вариативного комплекса беспилотных авиационных систем для инфраструктурных задач на основе цифровых двойников».

Захлебин А.С. Повышение точности построения ортофотоплана местности по видеоданным с беспилотного летательного аппарата: дис. ... канд. техн. наук. Томск, 2022. 139 с. Zakhlebin AS. Povyshenie tochnosti postroenija ortofotoplana mestnosti po videodannym s bespilotnogo letatel’nogo apparata [Improving the accuracy of constructing an orthophotoplane of an area based on video data from an unmanned aerial vehicle] [dissertation]. Tomsk, 2022. 139 p. (In Russian). Zheng X., Xu Z., Yin Q., et al. A Transformer-Unet Generative Adversarial Network for the Super-Resolution Reconstruction of DEMs // Remote Sensing. 2024. Vol. 16. No. 19. P. 3676. DOI:10.3390/rs16193676. Zheng X, Xu Z, Yin Q, et al. A Transformer-Unet Generative Adversarial Network for the Super-Resolution Reconstruction of DEMs. Remote Sensing. 2024;16(19): 3676. DOI:10.3390/rs16193676. Фомина Е.С. Оценка эффективности применения специализированных нейронных сетей для повышения разрешения изображений, получаемых при дистанционном зондировании Земли // Системы управления, связи и безопасности. 2023. № 3. С. 71–90. DOI:10.24412/2410-9916-2023-3-71-90. Fomina ES. Ocenka jeffektivnosti primenenija specializirovannyh nejronnyh setej dlja povyshenija razreshenija izobrazhenij, poluchaemyh pri distancionnom zondirovanii Zemli [Evaluation of the effectiveness of the use of specialized neural networks to increase the resolution of images obtained during remote sensing of the Earth]. Control systems, communications and security. 2023;3: 71–90. (In Russian). DOI:10.24412/2410-9916-2023-3-71-90. Kupyn O., Budzan V., Mykhailych M., et al. DeblurGAN: Blind Motion Deblurring Using Conditional Adversarial Networks // 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City, 2018. P. 8183–8192. DOI:10.1109/CVPR.2018.00854. Kupyn O, Budzan V, Mykhailych M, et al. DeblurGAN: Blind Motion Deblurring Using Conditional Adversarial Networks. 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City, 2018: 8183–8192. DOI:10.1109/CVPR.2018.00854. Liu Y., Yeoh J.K.W., Chua D.K.H. Deep Learning–Based Enhancement of Motion Blurred UAV Concrete Crack Images // Journal of Computing in Civil Engineering. 2020. Vol. 34. No. 5. P. 04020028. DOI:10.1061/(asce)cp.1943-5487.0000907. Liu Y, Yeoh J, Chua D. Deep Learning–Based Enhancement of Motion Blurred UAV Concrete Crack Images. Journal of Computing in Civil Engineering. 2020;34(5): 04020028. DOI:10.1061/(asce)cp.1943-5487.0000907. Yuan B., Sun Z., Pei L., et al. Super-Resolution Reconstruction Method of Pavement Crack Images Based On an Improved Generative Adversarial Network // Sensors (Basel). 2022. Vol. 22. No. 23. P. 9092. DOI:10.3390/s22239092. Yuan B, Sun Z, Pei L, et al. Super-Resolution Reconstruction Method of Pavement Crack Images Based On an Improved Generative Adversarial Network. Sensors (Basel). 2022;22(23): 9092. DOI:10.3390/s22239092. Wang X., Xie L., Dong C., et al. Real-ESRGAN: Training Real-World Blind Super-Resolution with Pure Synthetic Data // 2021 IEEE/CVF International Conference on Computer Vision Workshops (ICCVW). Montreal, 2021. P. 1905–1914. DOI:10.1109/ICCVW54120.2021.00217. Wang X, Xie L, Dong C, et al. Real-ESRGAN: Training Real-World Blind Super-Resolution with Pure Synthetic Data. 2021 IEEE/CVF International Conference on Computer Vision Workshops (ICCVW). Montreal, 2021: 1905–1914. DOI:10.1109/ICCVW54120.2021.00217. Liang J., Cao J., Sun G., et al. SwinIR: Image Restoration Using Swin Transformer // IEEE/CVF International Conference on Computer Vision Workshops (ICCVW). Montreal, 2021. P. 1833–1844. DOI:10.1109/ICCVW54120.2021.00210. Liang J, Cao J, Sun G, et al. SwinIR: Image Restoration Using Swin Transformer. IEEE/CVF International Conference on Computer Vision (ICCV). Montreal, 2021: 1833–1844. DOI:10.1109/ICCVW54120.2021.00210. Wang X., Yu K., Wu S., et al. ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks // Computer Vision – ECCV 2018 Workshops. Munich, 2018. P. 63–79. DOI:10.48550/arXiv.1809.00219. Wang X, Yu K, Wu S, et al. ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks. Computer Vision – ECCV 2018 Workshops. Munich, 2018: 63–79. DOI:10.48550/arXiv.1809.00219. Agustsson E., Timofte R. NTIRE 2017 Challenge on Single Image Super-Resolution: Dataset and Study // 2017 IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). Honolulu, 2017. P. 1122–1131. DOI:10.1109/CVPRW.2017.150. Agustsson E, Timofte R. NTIRE 2017 Challenge on Single Image Super-Resolution: Dataset and Study. 2017 IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). Honolulu, 2017: 1122–1131. DOI:10.1109/CVPRW.2017.150. Timofte R., Agustsson E., Gool L.V., et al. NTIRE 2017 Challenge on Single Image Super-Resolution: Methods and Results // 2017 IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). Honolulu, 2017. P. 1110–1121. DOI:10.1109/CVPRW.2017.149. Timofte R, Agustsson E, Gool LV, et al. NTIRE 2017 Challenge on Single Image Super-Resolution: Methods and Results. 2017 IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). Honolulu, 2017: 1110–1121. DOI:10.1109/CVPRW.2017.149. Wang X., Yu K., Dong C., et al. Recovering Realistic Texture in Image Super-Resolution by Deep Spatial Feature Transform // 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City, 2018. P. 606–615. DOI:10.1109/CVPR.2018.00070. Wang X, Yu K, Dong C, et al. Recovering Realistic Texture in Image Super-Resolution by Deep Spatial Feature Transform. 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City, 2018: 606–615. DOI:10.1109/CVPR.2018.00070. Шин Е.Р., Щекина А.Ю., Черкасов Р.А. Технология создания топопланов масштаба 1 : 500 по данным съемки с квадрокоптера Phantom 4 // Вектор ГеоНаук. 2019. Т. 2. № 1. С. 54–58. DOI:10.24411/2619-0761-2019-10008. Shin ER, Shchekina AYu, Cherkasov RA. Tehnologija sozdanija topoplanov masshtaba 1 : 500 po dannym s’’emki s kvadrokoptera Phantom 4 [The technology of creating topographic planes at a scale of 1: 500 according to shooting data from a Phantom 4 quadcopter]. Vektor GeoNauk. 2019;2(1): 54–58. (In Russian). DOI:10.24411/2619-0761-2019-10008. Захлебин А.С., Курячий М.И., Капустин В.В. и др. Повышение контраста и точности локализации объектов интереса на ортофотопланах местности, построенных по искаженным изображениям с беспилотного летательного аппарата // Омский научный вестник. 2024. Т. 1. № 189. С. 119–126. DOI:10.25206/1813-8225-2024-189-119-126. Zakhlebin AS, Kuryachiy MI, Kapustin VV, et al. Povyshenie kontrasta i tochnosti lokalizacii ob’’ektov interesa na ortofotoplanah mestnosti, postroennyh po iskazhennym izobrazhenijam s bespilotnogo letatel’nogo apparata [Increasing the contrast and accuracy of localization of objects of interest on orthophotomaps of the terrain built from distorted images from an unmanned aerial vehicle]. Omsk Scientific Bulletin. 2024;1(189): 119–126. (In Russian). DOI:10.25206/1813-8225-2024-189-119-126.