AI-анализ аэрофотоснимков: детекция и подсчёт объектов с дронов

Анализ аэрофотоснимков AI: где ломается ручной подсчёт

Аэросъёмка одного участка даёт тысячи кадров, а оператор за смену уверенно разбирает несколько сотен. Дальше начинается цена: обработка снимков с дрона вручную растягивается на недели, а на серии участков — на месяцы, и результат приходит, когда решение уже нужно принять.

Второе узкое место — расхождения. Точность ручной разметки падает к концу смены, разные операторы трактуют одни и те же объекты по-разному, часть кадров теряется в перекрытиях или уходит в брак по теням и бликам. Проверить чужой подсчёт можно только повторным проходом, то есть тем же временем.

Автоматический подсчёт объектов снимает именно это ограничение: модель проходит весь материал без пропусков, держит один критерий по всей серии и даёт повторяемый результат. Анализ аэрофотоснимков AI отдаёт счёт по каждому кадру и по участку целиком, а спорные зоны помечаются для проверки человеком — оператор занимается не механическим перебором, а разбором неоднозначных случаев.

Масштаб при этом меняется: объём аэросъёмки перестаёт быть ограничением, и добавление второго и десятого участка не требует пропорционально больше людей. Ниже разбираем, как это устроено на уровне обработки — от загрузки полётных данных до проверяемой выгрузки.

Измеримый эффект от автоматической детекции объектов

Скорость разбора перестаёт зависеть от размера съёмочного задания. Там, где аналитик разбирал кадр десятками минут и переносил объекты в таблицу вручную, модель обрабатывает весь ночной вылет к утру — цифры готовы раньше, чем начинается следующий полевой этап. На объёме расхождение только растёт: ручной режим масштабируется временем исполнителя, автоматический — нет.

Повторяемость подсчёта — второй измеримый эффект. Один и тот же снимок, поданный дважды при одинаковых порогах, даёт один и тот же результат: модель не устаёт к концу смены и не трактует границы объектов по-разному. Это позволяет держать эталонный набор кадров с проверенным подсчётом и после каждого обновления модели убеждаться, что цифры не сдвинулись.

Уходит целый класс ошибок ручной разметки: пропуски у краёв кадра, двойной подсчёт на перекрывающихся снимках, разная трактовка того, что считать одним объектом. Ошибки эти не случайны — они накапливаются к концу смены и сильнее всего проявляются на плотных участках. Автоматический проход фиксирует правило один раз и применяет его ко всем кадрам одинаково.

Простой съёмки перестаёт быть узким местом. Пока результата нет, маршрут не скорректировать, бригаду с техникой не отправить повторно, заказчик не получает цифры — это задержка на дни, а не на часы. Разбор в темпе съёмки снимает её: следующий вылет планируется по уже посчитанным данным, а не по предположениям.

Проверяем эффект тремя числами: время обработки одного снимка до и после, доля расхождений с эталонным набором, объём кадров между вылетом и готовым отчётом.

Подходы к обработке аэрофотоснимков и их ограничения

Аэрофотоснимки различаются по высоте, углу, освещению и сезону, поэтому один и тот же объект на разных кадрах выглядит по-разному. Выбор варианта обработки определяется тремя вещами: насколько объекты отличаются от фона, есть ли у вас свои размеченные кадры и какая точность подсчёта нужна на выходе. Ниже — честное сравнение трёх рабочих путей, между которыми реально выбирают.

Ограничения съёмки не снимает ни один из вариантов. Тени и блики меняют контраст, кроны перекрывают объекты, смаз от движения размывает границы — такие кадры либо отсеиваются на предобработке, либо уходят на ручную проверку. Поэтому мы всегда считаем не среднюю точность по всей выборке, а разброс по участкам: на одном поле модель может работать идеально, на соседнем — терять половину объектов.

Начинаем с прогонки ваших снимков через готовую модель и смотрим долю пропусков и ложных срабатываний отдельно по типам подложки. Если ошибка держится выше допустимой, показываем, сколько разметки потребуется для дообучения и что закроет ручная доразметка спорных зон, — решение принимается по цифрам, а не по предположениям.

Этапы внедрения: от аудита снимков до передачи модели

Аэрофотоснимки — не обычные фотографии: кадры с перекрытием, разный ракурс и высота, тени и блики на воде. Модель из публичных наборов на таком потоке ошибается предсказуемо — путает тень с объектом, теряет мелкие цели. Поэтому работа идёт этапами и начинается не с обучения, а с разбора того, что уже отснято.

Подготовка данных и метрики

1. Аудит архива съёмки. Высоты и ракурсы, перекрытие кадров, сезоны, где объекты скрыты частично. На выходе — каких сцен не хватает и что доснять.
2. Постановка метрики качества. Что считаем верным ответом: полнота детекции, доля пропусков, допустимая погрешность подсчёта на кадр. Иначе спор «модель работает» неразрешим.
3. Разметка данных. Эталонная выборка и правила для спорных случаев — тень, частичное перекрытие, граница кадра. Спорные кадры размечают двое, расхождения разбираем.

Обучение и приёмка

• Обучение и настройка порогов на подготовленном наборе, с контролем переобучения на контрольной части.
• Проверка на отложенной выборке. Снимки из другой сессии и сезона, не участвовавшие в обучении; метрика по типам сцен, а не в среднем.
• Пилот на реальном потоке — прогон новых съёмок и сверка с ручным подсчётом на контрольных участках.
• Передача модели. С весами отдаём регламент разметки, инструкцию по запуску и порядок дообучения на новых данных.

Что остаётся у заказчика: конфигурации, схемы, регламенты

Развёрнутая система бесполезна, если после сдачи никто, кроме её авторов, не может повторить прогон или объяснить происхождение цифры в отчёте. Поэтому передаём не только работающий сервис, но и набор артефактов, по которым ваш инженер или другой подрядчик воспроизведёт результат на новом массиве аэрофотоснимков без нас.

• Конфигурации запуска — файлы с параметрами обработки: масштаб съёмки, порог уверенности детектора, размер и перекрытие фрагментов нарезки, порядок применения моделей. Правятся без изменения кода.
• Схема обработки данных — путь снимка от носителя дрона до итоговой таблицы: распаковка, отбраковка брака, геопривязка, дедупликация перекрытий, агрегация объектов по кадрам.
• Правила доступа к снимкам — матрица ролей, разделение сырых данных и результатов, сроки хранения, порядок выгрузки исходников и обезличивания.
• Документация модели — карточка с описанием обучающей выборки, перечнем распознаваемых классов, границами применимости и типами съёмки, на которых качество проседает.
• Регламент повторного запуска — пошаговый порядок для нового массива: входной контроль качества, запуск, приёмка результата, куда пишется заключение и кто его подписывает.
• Отчёт о качестве — полнота и точность по каждому классу на отложенной выборке плюс разбор спорных случаев, чтобы вы понимали, где цифре можно доверять.

Артефакты передаются вместе с рабочей системой и разбираются с вашей командой на приёмке: запуск следующего массива снимков не должен зависеть от разработчика.

Кейс: инвентаризация площадки по снимкам с дрона

Один из заказчиков — оператор открытой площадки хранения труб и металлопроката — вёл инвентаризацию обходом: бригада с планшетами проходила ряды раз в квартал. Обход занимал 2-3 суток, а расхождения между двумя независимыми подсчётами одной и той же зоны доходили до 8-12% — спорные штабели пересчитывали повторно, и результат всё равно оспаривался при сверке.

Как перевели в регулярный облёт

Мы зафиксировали маршрут дрона по опорным точкам и снимали площадку раз в неделю по одной и той же схеме: одинаковое перекрытие кадров, одно время суток, одни и те же полосы пролёта. Снимки собирались в ортофотоплан, модель обнаружения размечала пакеты и штабели, спорные участки инженер отдавал на ручную проверку. Контуры привязывали к открытым картографическим слоям OpenStreetMap, чтобы одна и та же зона попадала в отчёт под одним идентификатором.

Метрики до и после

Инвентаризация по снимкам сократилась с 2-3 суток до 1-2 часов разбора на площадку, расхождения между двумя прогонами подсчёта — с 8-12% до 1-3%. Облёт стал еженедельным вместо ежеквартального, и сравнение соседних недель показало перемещения, которых разовый обход не фиксировал: часть позиций числилась не в той зоне.

Повторяемость здесь даёт больше, чем точность отдельного кадра: одинаковый маршрут и одинаковые условия съёмки делают снимки сравнимыми, поэтому разница между облётами показывает реальное движение груза, а не погрешность метода.

Что делать, если снимки уже есть, а разметки и модели нет

Архив аэрофотоснимков сам по себе не датасет. Обучение на нём напрямую даёт модель, которая держится на одной площадке и одной высоте съёмки, а при смене сезона или камеры рассыпается: внутри перемешаны вылеты с разным освещением и перекрытием, есть дубликаты, а привязка части кадров потеряна.

Работа начинается с инвентаризации — считаем съёмки по площадкам, сезонам и условиям, и сразу видно, каких состояний не хватает. Затем подготовка датасета: отбраковка нерезких и заоблачных кадров, дедупликация по геометрии, приведение к единому пространственному разрешению и нарезка на фрагменты с перекрытием по краям, иначе объекты на стыках режутся пополам.

Размечать весь архив вручную бессмысленно, поэтому идём через частичную разметку. Закрываем стратифицированную выборку — по каждой площадке, сезону и классу объекта, обычно 15–25% фрагментов; работу ведём в CVAT и версионируем разметку вместе с кодом. Дальше модель предлагает рамки с оценкой уверенности, аннотатор правит только спорные случаи, а однозначные предсказания принимаются автоматически.

Перенос модели на новые площадки — отдельная задача, а не «добавить фото в папку»: меняются фон, тени и плотность объектов. Поэтому держим контрольную площадку, которая не попадает в обучение, и смотрим метрики по классам и размерным группам, а не по средней точности. Пороги калибруем под подсчёт, где важнее полнота и отсутствие двойных срабатываний, чем идеальная рамка.

Так архив превращается в переиспользуемый актив: разметка и рецепт подготовки остаются, и каждая новая площадка или класс добавляются без старта с нуля.

Технические сомнения: точность, облачность, малые объекты

Точность детекции — не постоянная величина: она зависит от условий съёмки, размера объекта и того, насколько аккуратно сведены перекрывающиеся рамки. Поэтому до старта проговариваем, какие условия считаем рабочими, а где сценарий проседает — и что делаем в каждом случае.

Как не потерять мелкие объекты на снимке?

Кадр режется на перекрывающиеся фрагменты, поэтому объект в пограничной полосе целиком попадает хотя бы на один из них. После детекции рамки склеиваются по пересечению, дубли гасятся — один объект считается один раз. Модель дополнительно дообучается на вырезках реальных объектов с вашей площадки.

Объекты перекрывают друг друга или кроны деревьев?

Частично видимые объекты размечаем отдельно и выводим в отчёте строкой «требует проверки», а не растворяем в общем числе. Перекрытие перестаёт быть скрытой ошибкой: видно, сколько объектов посчитано уверенно, а сколько спорных.

Сезонные изменения площадки ломают модель?

Модель обучается на снимки разных сезонов, а регулярные облёты накапливают базу по одной территории. Сравнение идёт по стабильным ориентирам — дорогам, строениям, границам участков. Новая застройка или вырубка попадает в отчёт как изменение, а не как ошибка детекции.

Обсудим задачу: что нужно для старта работ

Чтобы вернуться с оценкой сроков и планом работ, а не с общими словами, нам нужен минимальный набор вводных по вашему типу объектов. Обычно хватает нескольких пунктов — часть из них уже есть у вас под рукой.

• Тип объектов и что именно считать: техника, люди, строения, растительность, дефекты покрытия — и как поступать с пограничными случаями.
• Два-три своих снимка, включая сложные: тени, облачность, съёмка под углом, частичное перекрытие крон.
• Параметры съёмки: носитель, высота, перекрытие кадров, есть ли координатная привязка и метаданные — от этого зависит достижимая точность подсчёта.
• Границы участка: один полигон или разрозненные площадки, нужен ли повторный облёт по расписанию.
• Формат результата: таблица с координатами и классами, векторные контуры в GeoJSON или SHP, вырезки объектов, отчёт с агрегатами по площади.
• Эталон, если он есть: ручная разметка или прошлые подсчёты — по ним считаем точность и полноту, а не оцениваем на глаз.
• Ограничения по доступам: где хранятся снимки, можно ли передавать их на обработку, нужен ли закрытый контур без выхода данных наружу.
• Приоритет: закрыть всю площадь или быстрее получить результат по пилотному участку.

Как только будет этот минимум, вернёмся с планом работ: этапы, выходные данные, способ проверки точности и сроки под ваш объём. Опишите задачу — если каких-то данных пока нет, подскажем, какая съёмка их заменит.