Отчет о качестве реконструкции

Обзор

MipMapEngine SDK генерирует подробный отчет о качестве после завершения задач реконструкции, содержащий информацию об устройстве, эффективности реконструкции, настройках параметров и качестве результатов. Отчет сохраняется в формате JSON в файле report/report.json вместе с миниатюрами визуализации для быстрого предварительного просмотра.

Структура отчета

1. Информация об устройстве

Записывает конфигурацию оборудования, используемого для реконструкции:

Поле	Тип	Описание
`cpu_name`	string	Название процессора
`gpu_name`	string	Название видеокарты

Пример:

{
  "cpu_name": "Intel(R) Core(TM) i9-10900K CPU @ 3.70GHz",
  "gpu_name": "NVIDIA GeForce RTX 3080"
}

2. Эффективность реконструкции

Записывает время обработки для каждого этапа (в минутах):

Поле	Тип	Описание
`feature_extraction_time`	float	Время извлечения признаков
`feature_match_time`	float	Время сопоставления признаков
`sfm_time`	float	Время связной корректировки
`at_time`	float	Общее время AT
`reconstruction_time`	float	Общее время реконструкции (без AT)

Пример:

{
  "feature_extraction_time": 12.5,
  "feature_match_time": 8.3,
  "sfm_time": 15.2,
  "at_time": 36.0,
  "reconstruction_time": 48.6
}

3. Параметры реконструкции

Записывает входные параметры задачи и конфигурацию:

Параметры камеры

"initial_camera_parameters": [
  {
    "camera_name": "DJI_FC6310",
    "width": 5472,
    "height": 3648,
    "id": 0,
    "parameters": [3850.5, 2736, 1824, -0.02, 0.05, 0.001, -0.001, 0.01]
  }
]

Порядок массива параметров: [f, cx, cy, k1, k2, p1, p2, k3]

f: Фокусное расстояние
cx, cy: Координаты главной точки
k1, k2, k3: Коэффициенты радиальной дисторсии
p1, p2: Коэффициенты тангенциальной дисторсии

Другие параметры

Поле	Тип	Описание
`input_camera_count`	int	Количество входных камер
`input_image_count`	int	Количество входных изображений
`reconstruction_level`	int	Уровень реконструкции (1=Ультравысокий, 2=Высокий, 3=Средний)
`production_type`	string	Тип продукта
`max_ram`	float	Максимальное использование ОЗУ (ГБ)

Информация о системе координат

"production_cs_3d": {
  "epsg_code": 4326,
  "origin_offset": [0, 0, 0],
  "type": 2
}

Типы систем координат:

0: LocalENU (Локальная восток-север-верх)
1: Local (Локальная система координат)
2: Geodetic (Геодезическая система координат)
3: Projected (Проекционная система координат)
4: ECEF (Геоцентрическая система координат)

4. Результаты реконструкции

Параметры камеры после AT

Записывает оптимизированные внутренние параметры камеры:

"AT_camera_parameters": [
  {
    "camera_name": "DJI_FC6310",
    "width": 5472,
    "height": 3648,
    "id": 0,
    "parameters": [3852.1, 2735.8, 1823.6, -0.019, 0.048, 0.0008, -0.0009, 0.009]
  }
]

Различия в положении изображений

Записывает оптимизацию положения для каждого изображения:

"image_pos_diff": [
  {
    "id": 0,
    "pos_diff": 0.125
  },
  {
    "id": 1,
    "pos_diff": 0.087
  }
]

Метрики качества

Поле	Тип	Описание
`removed_image_count`	int	Изображения, удаленные после AT
`residual_rmse`	float	СКО невязок точек изображения
`tie_point_count`	int	Количество связующих точек
`scene_area`	float	Площадь сцены (квадратные метры)
`scene_gsd`	float	Расстояние выборки на местности (метры)
`flight_height`	float	Высота полета (метры)
`block_count`	int	Количество блоков реконструкции

5. Прочая информация

Поле	Тип	Описание
`sdk_version`	string	Версия SDK

Миниатюры визуализации

Папка thumbnail в каталоге отчета содержит следующие файлы визуализации:

1. График невязок камеры

camera_{id}_residual.png - 24-битное цветное изображение

Хороший результат калибровки: Невязки схожи по размеру во всех положениях со случайными направлениями
Плохой результат калибровки: Большие невязки с очевидными направленными паттернами

подсказка

Большие невязки не обязательно указывают на плохую общую точность, так как это отражает только внутреннюю точность камеры. Окончательная точность должна комплексно учитывать точность координат контрольных точек и качество модели.

2. Карта перекрытия

overlap_map.png - 8-битное изображение в градациях серого

Диапазон значений пикселей: 0-255
Может быть отрендерена как цветная карта для отображения распределения перекрытия
Используется для оценки проектирования траектории полета и качества покрытия изображениями

3. Миниатюра области съемки

rgb_thumbnail.jpg - 32-битное цветное изображение

Для быстрого предварительного просмотра проекта
Показывает протяженность области съемки и результаты реконструкции

Примеры интерпретации отчета

Пример полного отчета

{
  "cpu_name": "Intel(R) Core(TM) i9-10900K CPU @ 3.70GHz",
  "gpu_name": "NVIDIA GeForce RTX 3080",
  "feature_extraction_time": 12.5,
  "feature_match_time": 8.3,
  "sfm_time": 15.2,
  "at_time": 36.0,
  "reconstruction_time": 48.6,
  "initial_camera_parameters": [{
    "camera_name": "DJI_FC6310",
    "width": 5472,
    "height": 3648,
    "id": 0,
    "parameters": [3850.5, 2736, 1824, -0.02, 0.05, 0.001, -0.001, 0.01]
  }],
  "input_camera_count": 1,
  "input_image_count": 156,
  "reconstruction_level": 2,
  "production_type": "all",
  "production_cs_3d": {
    "epsg_code": 4326,
    "origin_offset": [0, 0, 0],
    "type": 2
  },
  "production_cs_2d": {
    "epsg_code": 3857,
    "origin_offset": [0, 0, 0],
    "type": 3
  },
  "max_ram": 28.5,
  "AT_camera_parameters": [{
    "camera_name": "DJI_FC6310",
    "width": 5472,
    "height": 3648,
    "id": 0,
    "parameters": [3852.1, 2735.8, 1823.6, -0.019, 0.048, 0.0008, -0.0009, 0.009]
  }],
  "removed_image_count": 2,
  "residual_rmse": 0.68,
  "tie_point_count": 125840,
  "scene_area": 850000.0,
  "scene_gsd": 0.025,
  "flight_height": 120.5,
  "block_count": 1,
  "sdk_version": "3.0.1"
}

Метрики оценки качества

Стандарты отличного качества

residual_rmse < 1.0 пикселей
removed_image_count / input_image_count < 5%
tie_point_count > 10000
Средняя разница положений < 0.5 метров

Ситуации, требующие внимания

residual_rmse > 2.0 пикселей: Возможные систематические ошибки
removed_image_count > 10%: Проблемы с качеством изображений или перекрытием
tie_point_count < 5000: Недостаточно характерных точек, влияет на точность

Инструменты анализа отчетов

Пример анализа на Python

import json
import numpy as np

def analyze_quality_report(report_path):
    with open(report_path, 'r', encoding='utf-8') as f:
        report = json.load(f)
    
    # Вычисление метрик эффективности
    total_time = report['at_time'] + report['reconstruction_time']
    images_per_minute = report['input_image_count'] / total_time
    
    # Вычисление метрик качества
    removal_rate = report['removed_image_count'] / report['input_image_count']
    avg_pos_diff = np.mean([item['pos_diff'] for item in report['image_pos_diff']])
    
    # Генерация отчета анализа
    analysis = {
        'efficiency': {
            'total_time_minutes': total_time,
            'images_per_minute': images_per_minute,
            'area_per_hour': report['scene_area'] / (total_time / 60)
        },
        'quality': {
            'residual_rmse': report['residual_rmse'],
            'removal_rate_percent': removal_rate * 100,
            'avg_position_diff_meters': avg_pos_diff,
            'tie_points_per_image': report['tie_point_count'] / report['input_image_count']
        },
        'scale': {
            'area_sqm': report['scene_area'],
            'gsd_cm': report['scene_gsd'] * 100,
            'flight_height_m': report['flight_height']
        }
    }
    
    return analysis

# Пример использования
analysis = analyze_quality_report('report/report.json')
print(f"Эффективность обработки: {analysis['efficiency']['images_per_minute']:.1f} изображений/минуту")
print(f"Средние невязки: {analysis['quality']['residual_rmse']:.2f} пикселей")
print(f"Разрешение на местности: {analysis['scale']['gsd_cm']:.1f} см")

Визуализация отчета о качестве

import matplotlib.pyplot as plt
from PIL import Image

def visualize_quality_report(report_dir):
    # Чтение данных отчета
    with open(f'{report_dir}/report.json', 'r') as f:
        report = json.load(f)
    
    # Создание графиков
    fig, axes = plt.subplots(2, 2, figsize=(12, 10))
    
    # 1. Круговая диаграмма распределения времени
    times = [
        report['feature_extraction_time'],
        report['feature_match_time'],
        report['sfm_time'],
        report['reconstruction_time']
    ]
    labels = ['Извлечение признаков', 'Сопоставление признаков', 'Связная корректировка', '3D-реконструкция']
    axes[0, 0].pie(times, labels=labels, autopct='%1.1f%%')
    axes[0, 0].set_title('Распределение времени обработки')
    
    # 2. Гистограмма различий положений
    pos_diffs = [item['pos_diff'] for item in report['image_pos_diff']]
    axes[0, 1].hist(pos_diffs, bins=20, edgecolor='black')
    axes[0, 1].set_xlabel('Разница положений (метры)')
    axes[0, 1].set_ylabel('Количество изображений')
    axes[0, 1].set_title('Распределение оптимизации положений изображений')
    
    # 3. Карта перекрытия
    overlap_img = Image.open(f'{report_dir}/thumbnail/overlap_map.png')
    axes[1, 0].imshow(overlap_img, cmap='jet')
    axes[1, 0].set_title('Распределение перекрытия изображений')
    axes[1, 0].axis('off')
    
    # 4. Текст ключевых метрик
    metrics_text = f"""
    Входных изображений: {report['input_image_count']}
    Удаленных изображений: {report['removed_image_count']}
    СКО невязок: {report['residual_rmse']:.2f} пикс.
    Связующих точек: {report['tie_point_count']:,}
    Площадь сцены: {report['scene_area']/10000:.1f} гектаров
    Разрешение на местности: {report['scene_gsd']*100:.1f} см
    """
    axes[1, 1].text(0.1, 0.5, metrics_text, fontsize=12, 
                    verticalalignment='center', family='monospace')
    axes[1, 1].set_title('Ключевые метрики качества')
    axes[1, 1].axis('off')
    
    plt.tight_layout()
    plt.savefig('quality_report_summary.png', dpi=150)
    plt.show()

Автоматическая проверка качества

Настройка пороговых значений качества

QUALITY_THRESHOLDS = {
    'excellent': {
        'residual_rmse': 0.5,
        'removal_rate': 0.02,
        'tie_points_per_image': 1000,
        'pos_diff_avg': 0.1
    },
    'good': {
        'residual_rmse': 1.0,
        'removal_rate': 0.05,
        'tie_points_per_image': 500,
        'pos_diff_avg': 0.5
    },
    'acceptable': {
        'residual_rmse': 2.0,
        'removal_rate': 0.10,
        'tie_points_per_image': 200,
        'pos_diff_avg': 1.0
    }
}

def assess_quality(report):
    """Автоматическая оценка уровня качества реконструкции"""
    
    # Вычисление метрик
    removal_rate = report['removed_image_count'] / report['input_image_count']
    tie_points_per_image = report['tie_point_count'] / report['input_image_count']
    pos_diff_avg = np.mean([item['pos_diff'] for item in report['image_pos_diff']])
    
    # Оценка уровня
    for level, thresholds in QUALITY_THRESHOLDS.items():
        if (report['residual_rmse'] <= thresholds['residual_rmse'] and
            removal_rate <= thresholds['removal_rate'] and
            tie_points_per_image >= thresholds['tie_points_per_image'] and
            pos_diff_avg <= thresholds['pos_diff_avg']):
            return level
    
    return 'poor'

Приложения для интеграции отчетов

Мониторинг качества пакетной обработки

def batch_quality_monitor(project_dirs):
    """Мониторинг качества пакета проектов"""
    
    results = []
    
    for project_dir in project_dirs:
        report_path = os.path.join(project_dir, 'report/report.json')
        
        if os.path.exists(report_path):
            with open(report_path, 'r') as f:
                report = json.load(f)
            
            quality_level = assess_quality(report)
            
            results.append({
                'project': project_dir,
                'images': report['input_image_count'],
                'area': report['scene_area'],
                'gsd': report['scene_gsd'],
                'rmse': report['residual_rmse'],
                'quality': quality_level,
                'time': report['at_time'] + report['reconstruction_time']
            })
    
    # Генерация сводного отчета
    df = pd.DataFrame(results)
    df.to_csv('batch_quality_report.csv', index=False)
    
    # Статистика
    print(f"Всего проектов: {len(results)}")
    print(f"Отличное: {len(df[df['quality'] == 'excellent'])}")
    print(f"Хорошее: {len(df[df['quality'] == 'good'])}")
    print(f"Приемлемое: {len(df[df['quality'] == 'acceptable'])}")
    print(f"Плохое: {len(df[df['quality'] == 'poor'])}")
    
    return df

Лучшие практики

Регулярные проверки отчетов: Просматривайте метрики качества после каждой реконструкции
Установка базовых показателей: Записывайте метрики качества типичных проектов в качестве эталонов
Оповещения об аномалиях: Настройте автоматизированные скрипты для обнаружения аномальных метрик
Анализ тенденций: Отслеживайте тенденции метрик качества с течением времени
Предложения по оптимизации: Корректируйте параметры съемки и обработки на основе метрик отчета

Совет: Отчет о качестве является важным инструментом для оценки и оптимизации рабочих процессов реконструкции. Рекомендуется интегрировать его в автоматизированные рабочие процессы.

Обзор​

Структура отчета​

1. Информация об устройстве​

2. Эффективность реконструкции​

3. Параметры реконструкции​

Параметры камеры​

Другие параметры​

Информация о системе координат​

4. Результаты реконструкции​

Параметры камеры после AT​

Различия в положении изображений​

Метрики качества​

5. Прочая информация​

Миниатюры визуализации​

1. График невязок камеры​

2. Карта перекрытия​

3. Миниатюра области съемки​

Примеры интерпретации отчета​

Пример полного отчета​

Метрики оценки качества​

Стандарты отличного качества​

Ситуации, требующие внимания​

Инструменты анализа отчетов​

Пример анализа на Python​

Визуализация отчета о качестве​

Автоматическая проверка качества​

Настройка пороговых значений качества​

Приложения для интеграции отчетов​

Мониторинг качества пакетной обработки​

Лучшие практики​