Assessment of Photogrammetric Performance Test on Large Areas by Using a Rolling Shutter Camera Equipped in a Multi-Rotor UAV
Notice bibliographique
Résumé
The generation of digital aerial photogrammetry products using unmanned aerial vehicle-digital aerial photogrammetry (UAV-DAP) has become an essential task due to the increasing use of UAVs in the world of geomatics, thanks to their low cost and spatial resolution. Therefore, it is relevant to explore the performance of new digital cameras equipped in UAVs using electronic rolling shutters instead of ideal mechanical or global shutter cameras to achieve accurate and reliable photogrammetric products, if possible, while minimizing workload, especially for their application in projects that require a high level of detail. In this paper, we analyse performance using oblique images along the perimeter (3D perimeter) on a flat area, i.e., with slopes of less than 3%. The area was photogrammetrically surveyed with a DJI (Dà-Jiāng Innovations) Inspire 2 multirotor UAV equipped with a Zenmuse X5S rolling shutter camera. The photogrammetric survey was accompanied by a Global Navigation Satellite System (GNSS) survey, in which dual frequency receivers were used to determine the ground control points (GCPs) and checkpoints (CPs). The study analysed different scenarios, including the combination of forward and transversal strips and oblique images. After examining the ideal scenario with the least root mean square error (RMSE), six different combinations were analysed to find the best location for the GCPs. The most significant results indicate that the optimal calibration of the camera is obtained in scenarios including oblique images, which outperform the rest of the scenarios for achieving the lowest RMSE (2.5x the GSD in Z and 3.0x the GSD in XYZ) with optimum GCPs layout; with non-ideal GCPs layout, unacceptable errors can be achieved (11.4x the GSD in XYZ), even with ideal block geometry. The UAV-DAP rolling shutter effect can only be minimised in the scenario that uses oblique images and GCPs at the edges of the overlapping zones and the perimeter.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».