Белгород, Белгородская область, Россия
Россия
ВАК 1.6.19 Аэрокосмические исследования Земли, фотограмметрия
УДК 528.7 Аэрокосмическая съемка и фотограмметрия (аэрофотограмметрия, наземная фотограмметрия). Методы и инструменты
ГРНТИ 36.23 Прикладная геодезия. Прикладные применения аэросъемки и фотограмметрии
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.
аэрофотоснимок, беспилотный летательный аппарат, точность, генеративная сеть, ортофотоплан, комплексные кадастровые работы
1. Захлебин А.С. Повышение точности построения ортофотоплана местности по видеоданным с беспилотного летательного аппарата: дис. ... канд. техн. наук. Томск, 2022. 139 с.
2. 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. DOIhttps://doi.org/10.3390/rs16193676.
3. 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. DOIhttps://doi.org/10.24412/2410-9916-2023-3-71-90.
4. 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. DOIhttps://doi.org/10.1109/CVPR.2018.00854.
5. 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. DOIhttps://doi.org/10.1061/(asce)cp.1943-5487.0000907.
6. 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. DOIhttps://doi.org/10.3390/s22239092.
7. 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. DOIhttps://doi.org/10.1109/ICCVW54120.2021.00217.
8. 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. DOIhttps://doi.org/10.1109/ICCVW54120.2021.00210.
9. 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. DOIhttps://doi.org/10.48550/arXiv.1809.00219.
10. 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. DOIhttps://doi.org/10.1109/CVPRW.2017.150.
11. 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. DOIhttps://doi.org/10.1109/CVPRW.2017.149.
12. 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. DOIhttps://doi.org/10.1109/CVPR.2018.00070.
13. 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. DOIhttps://doi.org/10.24411/2619-0761-2019-10008.
14. 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. DOIhttps://doi.org/10.25206/1813-8225-2024-189-119-126.
