⚡ electrical engineering

Radiometric consistency in UAV thermal photogrammetry for Earth-science surveys: preview artefacts and cross-domain photogrammetric benchmarks

Cette étude présente un outil d'interface graphique (GUI) open-source pour la conversion des aperçus R-JPEG thermiques des drones DJI en fichiers GeoTIFF au format float32, démontrant que ce flux de travail de prétraitement améliore significativement la précision photogrammétrique en augmentant le nombre de points de liaison et en réduisant les erreurs de reprojection à travers divers sites de levés en sciences de la Terre.

Auteurs originaux : Yusuf Gedik, Semih Sami Akay, Orkan Özcan

Publié 2026-09-17

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Yusuf Gedik, Semih Sami Akay, Orkan Özcan

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez un drone survolant un paysage, sa caméra capturant la chaleur invisible qui irradie de la terre. Cette technologie, connue sous le nom d'imagerie thermique, permet aux scientifiques de voir des différences de température invisibles à l'œil nu. Ils utilisent ces images pour trouver des fissures dans des ponts, détecter des contraintes dans des panneaux solaires ou cartographier le flux de chaleur provenant d'un volcan. Cependant, il existe un piège caché dans la manière dont ces caméras enregistrent leurs photos. Lorsqu'un drone prend une photo, il stocke deux versions des données dans un seul fichier. Une version est une image colorée conçue pour les yeux humains, où le logiciel de la caméra étire les couleurs pour rendre l'image spectaculaire et facile à interpréter. L'autre version est un enregistrement brut et précis de la température réelle à chaque point, stocké sous la forme d'une longue liste de nombres. Le problème survient lorsque les scientifiques tentent de construire des cartes 3D à partir de ces photos. Le logiciel qui assemble les images est conçu pour lire la version colorée et conviviale pour l'humain. S'il utilise cette version, il travaille avec une image déformée où les couleurs ont été artificiellement ajustées, perdant ainsi les données de température précises nécessaires à une mesure scientifique exacte.

Une équipe de chercheurs d'Istanbul s'est donné pour mission de résoudre ce problème et de prouver que l'utilisation des données brutes et précises fait une différence mesurable dans la qualité de la carte finale. Ils ont développé un programme informatique gratuit et facile d'utilisation qui agit comme un traducteur. Cet outil prend les nombres de température bruts cachés à l'intérieur des fichiers du drone et les convertit en un nouveau format qui préserve chaque décimale de la lecture de température, tout en conservant les informations de localisation et de temps. Ils ont ensuite testé cette méthode sur trois sites très différents : un pont, une grande centrale solaire et un champ géothermique près d'un volcan. Dans chaque cas, ils ont construit des modèles 3D à deux reprises. D'abord, ils ont utilisé les images d'aperçu colorées standard que la plupart des gens utiliseraient. Ensuite, ils ont utilisé les nouveaux fichiers de température précis créés par leur programme. Les résultats ont été clairs et cohérents sur les trois sites. Les modèles construits à partir des fichiers de température précis étaient nettement plus exacts. Le logiciel a pu assembler les images plus étroitement, trouvant beaucoup plus de points de connexion entre les photos et réduisant les erreurs dans l'alignement des images. Dans certains cas, l'erreur d'alignement a chuté de près de trente pour cent, créant une carte 3D beaucoup plus nette et fiable.

Les chercheurs ont découvert que le problème ne concernait pas simplement le nombre de couleurs dans l'image, mais la façon dont la caméra modifie le contraste d'une photo à l'autre. Les images d'aperçu standard sont automatiquement ajustées par la caméra pour être esthétiques, ce qui signifie que l'échelle de luminosité et de couleur varie selon ce qui se trouve dans l'image. Ce changement constant déroute l'ordinateur qui tente d'assembler les photos. Les fichiers de température bruts, en revanche, conservent une échelle constante tout au long du vol, permettant au logiciel de percevoir les véritables relations physiques entre les objets. Bien que l'étude n'ait pas mesuré la température absolue par rapport à un thermomètre physique au sol, elle a prouvé que la méthode préserve parfaitement les différences relatives de chaleur. En rendant ce processus de conversion simple et automatisé, les chercheurs ont offert aux équipes de terrain un moyen de transformer leurs séquences de drones en données scientifiquement rigoureuses sans avoir besoin d'écrire un code complexe. Cela garantit que lorsque les scientifiques cartographient la chaleur de la terre, ils travaillent avec la température réelle, et non avec une simple jolie image.

Résumé technique : Consistance radiométrique en photogrammétrie thermique par UAV

Énoncé du problème
L'imagerie thermique à haute résolution par drone (UAV) est de plus en plus utilisée dans les domaines des sciences de la Terre, du génie civil et des secteurs de l'énergie pour des tâches allant de la caractérisation des glissements de terrain à la surveillance de fermes solaires. Cependant, une limitation technique critique existe dans le flux de travail : les caméras thermiques DJI stockent les données de température radiométriques dans les métadonnées et les segments de données propriétaires des fichiers R-JPEG originaux, tandis que l'image d'aperçu visible en 8 bits (destinée uniquement à l'inspection visuelle) est celle que les logiciels photogrammétriques standards lisent par défaut.

Lorsque les logiciels de Structure-from-Motion (SfM) traitent ces fichiers R-JPEG bruts, ils utilisent souvent le canal d'aperçu 8 bits plutôt que la couche radiométrique sous-jacente. Cela entraîne la perte des valeurs de température quantitatives, car l'image d'aperçu applique un étirement de contraste et un mappage de tonalité dépendants de la scène qui varient d'une image à l'autre. Par conséquent, les orthomosaïques et les modèles 3D qui en résultent manquent d'une échelle de température physiquement significative, ce qui compromet la nature quantitative et reproductible requise pour la surveillance géoscientifique. De plus, les solutions existantes (telles qu'IRimage-UAV ou les outils des fabricants) ne gèrent souvent que des parties du flux de travail (par exemple, la conversion par lots ou le transfert de métadonnées) sans fournir d'environnement unifié pour le contrôle qualité et la préparation photogrammétrique.

Méthodologie
Pour combler ces lacunes, les auteurs ont développé Thermal-Pipeline, une interface graphique (GUI) open-source basée sur PyQt5 qui automatise le prétraitement des données thermiques DJI. Le flux de travail se compose de cinq étapes séquentielles :

Extraction radiométrique par lots : En utilisant le SDK thermique de DJI (dji_irp.exe), l'outil extrait les données radiométriques brutes des fichiers R-JPEG, produisant une matrice float32 par pixel.
Conversion de format : Une macro ImageJ convertit ces matrices brutes en tuiles GeoTIFF float32 non compressées, préservant les valeurs de température décimales réelles plutôt que les codes de couleurs 8 bits.
Transfert de métadonnées : ExifTool est employé pour copier les balises EXIF et GPS essentielles des fichiers R-JPEG sources vers les nouveaux fichiers TIFF, assurant la compatibilité du géoréférencement.
Rapport : Le système génère un rapport CSV au niveau du vol avec des statistiques par image.
Évaluation comparative photogrammétrique : L'étude a reconstruit trois ensembles de données de missions distinctes (un pont, une ferme solaire et le champ géothermique du volcan Kula) deux fois dans Agisoft Metashape Professional v2.1.0 : une fois en utilisant l'importation par défaut de l'aperçu R-JPEG 8 bits et une fois en utilisant les produits TIFF float32 convertis.

De plus, une analyse de la consistance au niveau du pixel a été menée sur 2 488 paires de cadres correspondantes à travers les trois sites. Cette analyse a comparé l'aperçu R-JPEG original au TIFF float32 pour évaluer la préservation de la plage de température, la stabilité du contraste et la similitude structurelle (SSIM).

Contributions clés

Logiciel Thermal-Pipeline : La publication d'une interface graphique unifiée et open-source qui comble le fossé entre l'acquisition de données thermiques brutes et le traitement photogrammétrique, permettant la conversion par lots de R-JPEG en TIFF float32 avec des métadonnées géospatiales intactes.
Évaluation comparative quantitative : Une étude comparative démontrant que l'utilisation d'entrées radiométriques float32 améliore considérablement les métriques de reconstruction photogrammétrique par rapport aux imports d'aperçu 8 bits standards.
Analyse de la consistance radiométrique : La preuve que la dégradation des performances photogrammétriques est principalement causée par le mappage de tonalité (étirement de contraste) de l'aperçu de DJI, qui dépend de la scène, plutôt que par la représentation 8 bits elle-même. L'étude prouve que les entrées float32 maintiennent un axe de température commun à travers un bloc de vol, tandis que les canaux d'aperçu introduisent une variabilité d'une image à l'autre.

Résultats
L'étude a produit les conclusions suivantes pour les trois sites de test (Pont, Ferme Solaire, Volcan Kula) :

Qualité de reconstruction : L'utilisation des entrées TIFF float32 a systématiquement amélioré l'alignement et la génération de points de liaison (tie points).
- Points de liaison : Augmentation de 29,7 % (Pont), 91,7 % (Ferme Solaire) et 12,0 % (Volcan Kula).
- Erreur de reprojection : Diminution de 29,4 % (Pont), 22,7 % (Ferme Solaire) et 13,7 % (Volcan Kula).
- Alignement de caméra : Les entrées float32 ont réussi à aligner plus de caméras que les entrées 8 bits (ex: 810/811 contre 779/811 pour le pont).
Stabilité radiométrique : Les données float32 ont maintenu une échelle de température cohérente entre les images. En revanche, le canal d'aperçu a présenté une instabilité significative de l'écart-type spatial de la température ( $\sigma$ ), l'écart-type de l'aperçu dépassant celui du float32 par des facteurs de 3,3x à 18,9x selon le site.
Densité du nuage de points dense : Les résultats varient selon le site ; le pont et le volcan ont vu des augmentations du nombre de points denses (+9,2 % et +6,9 %, respectivement), tandis que la ferme solaire a connu une diminution (-8,6 %). Les auteurs notent que les nombres de points denses sont influencés par les processus de reconstruction ultérieurs et ne reflètent pas uniquement la qualité de l'image d'entrée.
Métriques de consistance : Le ré-échantillonnage linéaire des données float32 vers 8 bits a introduit une erreur minimale (0,012–0,060 °C MAE), confirmant que la principale source de variation est l'étirement de contraste de l'aperçu, et non la réduction de la profondeur de bits.

Signification et affirmations
Le document positionne Thermal-Pipeline non pas comme un outil de calibration de température absolue (ce qui nécessite des références de terrain externes absentes de cette étude), mais comme une étape de prétraitement critique pour préserver l'intégrité radiométrique relative des données thermiques pour l'analyse quantitative.

Les auteurs affirment que le flux de travail :

Permet l'analyse quantitative : En convertissant les aperçus 8 bits orientés vers la visualisation en TIFF float32, l'outil garantit que les valeurs de pixels représentent les températures de surface réelles, rendant les données aptes à l'analyse statistique et à la surveillance.
Améliore les performances photogrammétriques : L'étude fournit des preuves empiriques que la préservation des valeurs radiométriques conduit à des reconstructions 3D plus robustes avec des erreurs de reprojection plus faibles et des réseaux de points de liaison plus denses.
Abaisse les barrières à l'entrée : L'interface graphique permet aux équipes de terrain d'effectuer des conversions par lots complexes et des transferts de métadonnées sans expertise en programmation, facilitant des flux de travail reproductibles en sciences de la Terre et en ingénierie.
Standardise le traitement : Il répond à l'absence de routines standardisées pour les données thermiques par UAV, offrant une méthode reproductible pour éviter l'abandon silencieux de l'information de température lors de l'étape de cartographie.

Les auteurs concluent que bien que la précision de la température absolue dépende de la calibration du capteur et des hypothèses d'émissivité, le choix de la représentation d'entrée (float32 vs aperçu 8 bits) affecte mesurablement la consistance géométrique et radiométrique du résultat photogrammétrique final.

Articles similaires