dc.description.abstract | Oppgaven er skrevet innen fagområdet geomatikk, på vegne av Skanska Survey. Bilder fra drone gir en
interessant datafangst. Droners unike navigasjonsevne er en fordel for å innhente bilder fra vanskelige
områder, som bakgårder og trange smug. I denne masteroppgaven har jeg belyst hvordan det er mulig å
forbedre Photoscans sluttprodukter. Ortofoto, punktsky og 3d-modell er noen av sluttproduktene.
Formålet med oppgaven er å forbedre og optimalisere Photoscans sluttprodukter. Jeg har vurdert to
ulike resultat, det er geometrisk kvalitet og punktnøyaktighet. Resultatene fra Photoscan ble testet ved å
sammenligne prosjekter. Tanken er at prosjektenes ulike resultater skal forklares ut fra de ulike valg av
variabler. Ved metoden er det viktig at det er kun de variablene som undersøkes, som varierer. Alle
andre variabler skal holdes konstant.
I min studie av Photoscan, tok jeg utgangspunkt i rådataene fra dronebilder, kameraposisjon og
gittpunkter.
Her presenteres mine funn:
Photoscan automatiske selvkalibrering gir den beste punktnøyaktigheten, både for 120 og 40 meters
flyhøyde. Lavere flyhøyde gir bedre punktnøyaktighet. God overlapp er en fordel for den geometriske
kvaliteten, både punktsky og ortofoto blir bedre. Overlapp er likevel et lite dilemma, for
punktnøyaktigheten blir bedre med dårligere overlapp.
Små og detaljerte kasser i forgrunnen av bildene oppdages best ved Mild-filtrering.
I denne artikkelen har jeg undersøkt hvor mange gittpunkt som trengs for å detektere grovfeil.
Les videre for å finne ut mer!
Abstract
This thesis is written in the fields of geomatics, on behalf of Skanska Survey. Photographs from a drone
generates an interesting data capture. A drone's unique navigation capability, is an advantage when
gathering photographs in difficult landscapes such as backstreets and narrow alleys. In this Masters
thesis I have highlighted how it is possible to improve Photoscan's end products. Orthophoto, point
cloud and 3D-modell are a few of the end products.
The aim of this thesis is to improve and optimize Photoscan's end products. I have considered two
different results, the geometric quality and point accuracy. The results from Photoscan was tested by
comparing projects. The idea is that the projects varied results will be explained using the different
selections of variables. Using this method, it is important that only the variables under investigation,
differ. All others variables must remain constant.
During my study in Photoscan, my starting point was chosen from raw data from the drones, camera
positions and ground control points.
These are my findings:
Photoscan's automatic self-calibration gives the best point accuracy, both at 40 and 120 meters altitude.
Lower altitude gives better point accuracy. Generous overlaps are an advantage to achieve geometric quality, both point cloud and orthophoto results are better. Overlap is also however a dilemma, as point
accuracy is better when overlap is less generous.
Small and detailed boxes in the foreground of the photographs are more discoverable using Mild depth
filtering mode.
In this thesis I have investigated how many ground control points are needed to detect blunders.
Read on to discover more! | nb_NO |