Estimação de Elevações de Sites de Construção Usando Ortoimagem Baseada em Drone e Aprendizado Profundo

O uso de aprendizado profundo para recuperar informações de profundidade de uma única imagem foi estudado em muitas situações, mas não há artigos publicados relacionados à determinação de elevações de sites de construção. Este artigo apresenta os resultados da pesquisa sobre o desenvolvimento e teste de um modelo de aprendizado profundo para estimar elevações de sites de construção usando uma ortoimagem baseada em drone. O método proposto inclui um codificador de rede neural convolucional (CNN) baseado em ortoimagem, um decodificador de mapa de elevação da CNN e um algoritmo de desmontagem de ortoimagem sobreposta e montagem de mapa de elevação. No modelo de rede codificadora-decodificadora convolucional, as camadas de max pooling e up-sampling conectam o pixel da ortoimagem e o pixel do mapa de elevação na mesma coordenada. Os conjuntos de dados experimentais consistem em oito pares de ortoimagem e mapa de elevação (1.536×1.536 pixels), que foram recortados em 64.800 pares de patches (128×128 pixels). Os resultados experimentais indicaram que o patch de 128×128 pixels teve o melhor desempenho de previsão do modelo. Após 100 épocas de treinamento, 21,22% dos 2.304 pontos selecionados do conjunto de dados de teste foram exatamente correspondidos aos seus valores de elevação de verdade terrestre; e 52,43% dos pontos foram correspondidos com precisão em ±5 cm e 66,15% dos pontos em ±10 cm, menos de 10% dos pontos excederam ±25 cm. Este projeto de pesquisa avançou as aplicações de drones na construção, avaliou a eficácia das CNNs na topografia de sites e fortaleceu as CNNs para trabalhar com imagens de sites de construção em grande escala.