vestnik Журнал "Вестник Сибирского государственного университета геосистем и технологий (СГУГиТ)" 2411-1759 ФГБОУ ВО "Сибирский государственный университет геосистем и технологий (СГУГиТ)" RU https://vestnik.sgugit.ru 10.33764/2411-1759-2026-31-1-62-71 Дистанционное зондирование земли, фотограмметрия Методика анализа точности фототриангуляции по данным автоматической обработки аэрофотоснимков на основе алгоритмов машинного зрения С. Г. Могильный Могильный С. Г. А. А. Шоломицкий Шоломицкий А. А. М. С. Тутанова Тутанова М. С. Донецкий национальный технический университет, г. Донецк, Российская Федерация Сибирский государственный университет геосистем и технологий, г. Новосибирск, Российская Федерация Карагандинский технический университет имени Абылкаса Сагинова, г. Караганда, Республика Казахстан 2026 31 1 62 71 © С. Г. Могильный, А. А. Шоломицкий, М. С. Тутанова, 2026 2026 С. Г. Могильный, А. А. Шоломицкий, М. С. Тутанова Эта статья дотупна по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная. В статье приведена методика, которая позволяет выполнить строгую оценку точности фототриангуляции, полученную при обработке снимков алгоритмами машинного зрения. Выявлено, что в отличие от классической фотограмметрии с небольшим количеством сгруппированных связующих точек, цифровая фотограмметрия с распознаванием точек алгоритмами машинного зрения дает большое количество равномерно расположенных точек. Исследование показало, что более 40 % точек модели составляют точки, распознанные только на двух снимках. Имеется обратная зависимость между числом изображений и средними квадратическими ошибками координат точек. Средняя квадратическая ошибка определения высоты mz более чем в два раза превысила ошибки плановых координат. Выявлено, что для достижения приемлемой для маркшейдерских и геодезических съемок точности определения координат в 0,05 м требуется идентификация точки не менее чем на четырех изображениях для вычисления плановых координат и не менее чем на восьми – для определения ее высотной отметки. Приведены практические рекомендации для планирования и выполнения аэрофотосъемки беспилотными авиационными системами. Для аэрофотосъемки бортов карьеров и отвалов рекомендовано прокладывать дополнительные маршруты с наклоном камеры. Эти рекомендации повысят число изображений точек и их распознавание, что приведет к повышению точности моделей открытых разработок. беспилотная авиационная система аэрофотосъемка цифровой снимок фототриангуляция машинное зрение точность координаты модель алгоритм unmanned aircraft system aerial photography digital image phototriangulation machine vision accuracy coordinates model algorithm Lowe D. G. Object recognition from local scale‑invariant features. International Conference on Computer Vision (ICCV). 1999. URL: https://www.cs.ubc.ca/~lowe/papers/iccv99.pdf. Lowe D. G. Distinctive Image Features from Scale‑Invariant Keypoints. International Journal of Computer Vision. 2004. Vol. 60, № 2. P. 91–110. DOI 10.1023/B:VISI.0000029664.99615.94. Chibunichev G., Kurkov V. M., Smirnov A. V., Govorov A. V., Mikhalin V. A. Investigation of phototriangulation accuracy with using of various techniques laboratory and field calibration. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2016. Т. XLI‑B1. XXIII ISPRS Congress, 12–19 July 2016, Prague, Czech Republic. Bay H., Tuytelaars T., Van Gool L. SURF: Speeded Up Robust Features. European Conference on Computer Vision (ECCV). 2006. DOI 10.1007/11744023_32. Bay H., Ess A., Tuytelaars T., Van Gool L. SURF: Speeded Up Robust Features. Computer Vision and Image Understanding. 2008. Vol. 110, № 3. P. 346–359. DOI 10.1016/j.cviu.2007.09.014. Rublee E., Rabaud V., Konolige K., Bradski G. ORB: An efficient alternative to SIFT or SURF. International Conference on Computer Vision (ICCV). 2011. DOI 10.1109/ICCV.2011.6126544. Juan D., Gwon Y. A Comparison of SIFT, SURF, and ORB. 2016. DOI 10.1109/ICIT.2016.7474991. Alcantarilla P. F., Nuevo J., Bartoli A. Fast Explicit Diffusion for Accelerated Features in Nonlinear Scale Spaces. British Machine Vision Conference (BMVC). 2013. DOI 10.5244/C.27.13. DeTone D., Malisiewicz T., Rabinovich A. SuperPoint: Self‑Supervised Interest Point Detection and Description. Conference on Computer Vision and Pattern Recognition (CVPR). 2018. DOI 10.48550/arXiv.1712.07629. Revaud J., Weinzaepfel P., De Souza C., Pion N., Csurka G., Cabon Y., Humenberger M. R2D2: Repeatable and Reliable Detector and Descriptor. Conference on Computer Vision and Pattern Recognition (CVPR). 2019. DOI 10.48550/arXiv.1906.06195. Sun J., Shen Z., Wang Y., Bao H., Zhou X. LoFTR: Detector‑Free Local Feature Matching with Transformers. Conference on Computer Vision and Pattern Recognition (CVPR). 2021. DOI 10.48550/arXiv.2104.00680. Agisoft Metashape User Manual. Standard Edition. Version 1.8 [Электронный ресурс]. URL: https://www.agisoft.com/pdf/metashape _1_8_en.pdf. Pix4D Documentation [Электронный ресурс]. URL: https://support.pix4d.com/hc/en-us/articles/360023629191. Кадничевский С. А., Курков М. В., Курков В. М., Чибуничев А. Г. Фотограмметрическая калибровка фотокамеры для аэрофотосъемки с беспилотного воздушного судна. Геопрофи. 2019. № 6. С. 35–40. Suzuki T., Takahashi Y., Amano Y. Precise UAV Position and Attitude Estimation by Multiple GNSS Receivers for 3D Mapping [Электронный ресурс]. Waseda University, Japan. URL:http://taroz.net/paper/IONGNSS2016_UAV.pdf . Küng O., Strecha C., Beyeler A., Zufferey J.-C., Floreano D., Fua P., Gervaix F. The accuracy of automatic photogrammetric techniques on ultra‑light UAV imagery. Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci. 2011. Т. XXXVIII‑1/C22. P. 125–130. DOI 10.5194/isprsarchives‑XXXVIII‑1‑C22‑125‑2011. Ginia R., Pagliari D., Passoni D., Pinto L., Sona G., Dosso P. UAV photogrammetry: block triangulation comparisons. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2013. Vol. XL‑1/W2. UAV‑g2013, 4 – 6 September 2013, Rostock, Germany. Ackermann F. Digital image correlation – performance and potential application in photogrammetry. Photogrammetric Record. 2006. Vol. 11, № 64. P. 429–439. DOI 10.1111/j.1477‑9730.1984.tb00505. x. Remondino F., Barazzetti L., Nex F., Scaioni M., Sarazzi D. UAV photogrammetry for mapping and 3D modeling – current status and future perspectives. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2011. Т. XXXVIII‑1/C22. ISPRS Zurich 2011 Workshop, 14–16 September 2011, Zurich, Switzerland. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Vol. XXXVIII‑1/C22: UAV‑g 2011, Conference on Unmanned Aerial Vehicle in Geomatics, Zurich, Switzerland. James M. R., Robson S. Mitigating Systematic Error in Topographic Models Derived from UAV and Ground‑Based Image Networks. Earth Surface Processes and Landforms. 2014. Vol. 39, № 10. DOI 10.1002/esp.3609. Sanz‑Ablanedo E., Chandler J. H., Rodríguez‑Pérez J. R., Ordóñez C. Accuracy of Unmanned Aerial Vehicle (UAV) and SfM Photogrammetry Survey as a Function of the Number and Location of Ground Control Points Used. Remote Sens. 2018. Vol. 10. 1606. DOI 10.3390/rs10101606. Mogilny S. G. Programmauswahl der zusätzlichen Parametr bei der Bändelblockausgleichung. Bildmessung und Luftbildwesen. 1981. Vol. 49. P. 181–190. Сайт ООО «Аналитика» [Электронный ресурс]. URL: https://www.vingeo.com/Rus/index.html. Дата обращения: 25.06.2025. Сайт ДонНТУ [Электронный ресурс]. URL: http://ea.donntu.ru:8080/bitstream/123456789/13801/1/Mogilnij2.pdf. Дата обращения: 25.06.2025. Сайт А. А. Шоломицкого [Электронный ресурс]. URL: https://sholomitskij.wixsite.com/sholomitskij/kalibrovka-cifrovyh-kamer . Дата обращения: 25.06.2025.