⚡ electrical engineering

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

Deze studie presenteert een open-source GUI-tool voor het converteren van DJI UAV thermische R-JPEG previews naar float32 GeoTIFFs, waarmee wordt aangetoond dat deze preprocessing-workflow de fotogrammetrische nauwkeurigheid aanzienlijk verbetert door het aantal tie-points te verhogen en reprojectiefouten te verminderen over diverse locaties voor aardwetenschappelijke surveys.

Oorspronkelijke auteurs: Yusuf Gedik, Semih Sami Akay, Orkan Özcan

Gepubliceerd 2026-09-17

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Yusuf Gedik, Semih Sami Akay, Orkan Özcan

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een drone voor die over een landschap vliegt, waarbij de camera de onzichtbare warmte opvangt die van de aarde uitstraalt. Deze technologie, bekend als thermische beeldvorming, stelt wetenschappers in staat om temperatuurverschillen te zien die onzichtbaar zijn voor het blote oog. Ze gebruiken deze beelden om barsten in bruggen te vinden, spanning in zonnepanelen te detecten of de warmtestroom van een vulkaan in kaart te brengen. Er zit echter een verborgen valstrik in de manier waarop deze camera's hun foto's opslaan. Wanneer een drone een foto maakt, slaat hij twee versies van de gegevens op in één enkel bestand. De ene versie is een kleurrijk beeld dat ontworpen is voor het menselijk oog, waarbij de software van de camera de kleuren uitrekt om het beeld er spectaculair en gemakkelijk interpreteerbaar uit te laten zien. De andere versie is een rauwe, precieze registratie van de werkelijke temperatuur op elk afzonderlijk punt, opgeslagen als een lange lijst met getallen. Het probleem doet zich voor wanneer wetenschappers proberen 3D-kaarten te maken van deze foto's. De software die de beelden aan elkaar naait, is ontworpen om de kleurrijke, mensvriendelijke versie te lezen. Als deze versie wordt gebruikt, werkt men met een vervormd beeld waarbij de kleuren kunstmatig zijn aangepast, waardoor de precieze temperatuurgegevens die nodig zijn voor nauwkeurige wetenschappelijke metingen verloren gaan.

Een team onderzoekers uit Istanbul zette zich scharpe om dit probleem op te lossen en om te bewijzen dat het gebruik van de ruwe, precieze gegevens een meetbaar verschil maakt in de kwaliteit van de uiteindelijke kaart. Ze ontwikkelden een gratis, gebruiksvriendelijk computerprogramma dat als een vertaler fungeert. Dit hulpmiddel neemt de ruwe temperatuurgetallen die verborgen zitten in de bestanden van de drone en zet deze om naar een nieuw formaat dat elke decimaal van de temperatuurmeting behoudt, terwijl ook de locatie- en tijdsinformatie intact blijft. Vervolgens testten ze deze methode op drie zeer verschillende locaties: een brug, een grote zonnecentrale en een geothermisch veld nabij een vulkaan. In elk geval bouwden ze twee keer 3D-modellen. Eerst gebruikten ze de standaard, kleurrijke previewbeelden die de meeste mensen zouden gebruiken. Daarna gebruikten ze de nieuwe, precieze temperatuurbestanden die door hun programma zijn gemaakt. De resultaten waren duidelijk en consistent over alle drie de locaties. De modellen die gebouwd waren vanuit de precieze temperatuurbestanden waren aanzienlijk nauwkeuriger. De software was in staat om de beelden nauwer aan elkaar te koppelen, waarbij veel meer verbindingspunten tussen foto's werden gevonden en de fouten in de uitlijning van de beelden werden verminderd. In sommige gevallen daalde de fout in de uitlijning met bijna dertig procent, wat resulteerde in een veel scherpere en betrouwbaardere 3D-kaart.

De onderzoekers ontdekten dat het probleem niet simpelweg ging over het aantal kleuren in het beeld, maar over hoe de camera het contrast van de ene foto naar de volgende veranderde. De standaard previewbeelden worden automatisch door de camera aangepast om er goed uit te zien, wat betekent dat de helderheid en de kleurenschaal verschuiven afhankelijk van wat er in het beeld te zien is. Dit constante verschuiven verwart de computer die de foto's probeert aan elkaar te naaien. De ruwe temperatuurbestanden hielden echter een constante schaal aan tijdens de gehele vlucht, waardoor de software de ware fysieke relaties tussen de objecten kon waarnemen. Hoewel de studie de absolute temperatuur niet heeft gemeten tegenover een fysieke thermometer op de grond, bewees het dat de methode de relatieve verschillen in warmte perfect behoudt. Door dit conversieproces eenvoudig en geautomatiseerd te maken, hebben de onderzoekers een manier geboden voor veldteams om hun dronebeelden om te zetten in wetenschappelijk rigoureuze gegevens zonder complexe code te hoeven schrijven. Dit zorgt ervoor dat wanneer wetenschappers de hitte van de aarde in kaart brengen, zij werken met de werkelijke temperatuur, en niet slechts met een mooi plaatje.

Technische Samenvatting: Radiometrische Consistentie in UAV Thermische Fotogrammetrie

Probleemstelling
Hoogresolutie Unmanned Aerial Vehicle (UAV) thermische beeldvorming wordt steeds vaker toegepast in sectoren zoals de aardwetenschappen, structurele engineering en de energiesector voor taken variënd van het karakteriseren van aardverschuivingen tot het monitoren van zonneparken. Er bestaat echter een cruciale technische beperking in de workflow: DJI thermische camera's slaan radiometrische temperatuurgegevens op binnen de metadata en propriëtaire datasegmenten van de originele R-JPEG bestanden, terwijl de zichtbare 8-bit preview-afbeelding (bedoeld enkel voor visuele inspectie) degene is die standaard fotogrammetrische software doorgaans standaard uitleest.

Wanneer Structure-from-Motion (SfM) software deze ruwe R-JPEG bestanden verwerkt, maakt deze vaak gebruik van het 8-bit previewkanaal in plaats van de onderliggende radiometrische laag. Dit resulteert in het verlies van kwantitatieve temperatuurwaarden, aangezien de preview-afbeelding een scène-afhankelijke contrastverbetering (contrast stretching) en tone mapping toepast die per frame varieert. Bijgevolg missen de resulterende orthomosaïeken en 3D-modellen een fysiek betekenisvolle temperatureschaal, wat de kwantitatieve en reproduceerbare aard ondermijnt die vereist is voor geowetenschappelijke monitoring. Bovendien behandelen bestaande oplossingen (zoals IRimage-UAV of tools van fabrikanten) vaak slechts delen van de workflow (bijv. batchconversie of metadata-overdracht) zonder een verenigde omgeving te bieden voor kwaliteitscontrole en fotogrammetrische voorbereiding.

Methodologie
Om deze hiaten aan te pakken, hebben de auteurs Thermal-Pipeline ontwikkeld, een open-source PyQt5 grafische gebruikersinterface (GUI) die de preprocessing van DJI thermische data automatiseert. De workflow bestaat uit vijf opeenvolgende stappen:

Batch Radiometrische Extractie: Met behulp van de DJI Thermal SDK (dji_irp.exe) extraheert de tool de ruwe radiometrische data uit R-JPEG bestanden, waarbij een per-pixel float32 matrix wordt gegenereerd.
Formaatconversie: Een ImageJ-macro zet deze ruwe matrices om in ongecomprimeerde float32 GeoTIFF-tegels, waarbij de werkelijke decimale temperatuurwaarden worden behouden in plaats van 8-bit kleurcodes.
Metadata Overdracht: ExifTool wordt ingezet om essentiële EXIF- en GPS-tags van de bron-R-JPEG bestanden naar de nieuwe TIFF-bestanden te kopiëren, wat de georeferentierelatie waarborgt.
Rapportage: Het systeem genereert een vlucht-niveau CSV-rapport met statistieken per afbeelding.
Fotogrammetrische Benchmarking: De studie heeft drie verschillende missie-datasets (een brug, een zonnepark en het Kula Volcano geothermische veld) tweemaal gereconstrueerd in Agisoft Metashape Professional v2.1.0: één keer met de standaard 8-bit R-JPEG preview import en één keer met de geconverteerde float32 TIFF-producten.

Daarnaast werd een pixel-niveau consistentieanalyse uitgevoerd op 2.488 gematchte paar frames over de drie locaties. Deze analyse vergeleken de originele R-JPEG preview met de float32 TIFF om de behoud van temperatuurbereik, contraststabiliteit en structurele gelijkenis (SSIM) te evalueren.

Belangrijkste Bijdragen

Thermal-Pipeline Software: De release van een verenigde, open-source GUI die de kloof overbrugt tussen ruwe thermische data-acquisitie en fotogrammetrische verwerking, waardoor batchconversie van R-JPEG naar float32 TIFF mogelijk wordt met intacte geospatiale metadata.
Kwantitatieve Benchmarking: Een vergelijkende studie die aantoont dat het gebruik van float32 radiometrische inputs de fotogrammetrische reconstructiemetrieken aanzienlijk verbetert ten opzichte van standaard 8-bit preview imports.
Radiometrische Consistentie Analyse: Bewijs dat de degradatie in fotogrammetische prestaties primair wordt veroorzaakt door de ongecontroleerde, scène-afhankelijke preview tone mapping (contrast stretching) van de DJI SDK, en niet door de 8-bit representatie zelf. De studie bewijst dat float32 inputs een gemeenschappelijke temperatuuras over een vluchtblok behouden, terwijl preview-kanalen variabiliteit tussen frames introduceren.

Resultaten
De studie leverde de volgende bevindingen op over de drie testlocaties (Brug, Zonnepark, Kula Volcano):

Reconstructiekwaliteit: Het gebruik van float32 TIFF-inputs verbeterde consequent de alignment en tie-point generatie.
- Tie Points: Nam toe met 29,7% (Brug), 91,7% (Zonnepark) en 12,0% (Kula Volcano).
- Reprojectiefout: Nam af met 29,4% (Brug), 22,7% (Zonnepark) en 13,7% (Kula Volcano).
- Camera Alignment: float32 inputs slaagden erin meer camera's te alignen dan 8-bit inputs (bijv. 810/811 vs. 779/811 voor de brug).
Radiometrische Stabiliteit: De float32 data behield een consistente temperatureschaal over de frames. In tegenstelling hiertoe vertoonde het preview-kanaal significante instabiliteit in de ruimtelijke temperatuurstandaarddeviatie ( $\sigma$ ), waarbij de preview $\sigma$ de float32 $\sigma$ overtrof met factoren van 3,3x tot 18,9x, afhankelijk van de locatie.
Dichtheid van de Dense Cloud: De resultaten varieerden per locatie; de brug en de vulkaan zagen toenames in dense point counts (+9,2% en +6,9% respectievelijk), terwijl het zonnepark een afname zag (-8,6%). De auteurs merken op dat dense point counts worden beïnvloed door daaropvolgende reconstructieprocessen en niet uitsluitend de kwaliteit van de inputbeelden reflecteren.
Consistentie Metrics: Lineaire re-binning van float32 data naar 8 bits introduceerde minimale fouten (0,012–0,060°C MAE), wat bevestigt dat de primaire bron van variatie de contrast stretching van de preview is, en niet de reductie van de bit-diepte.

Significantie en Claims
Het artikel positioneert Thermal-Pipeline niet als een tool voor absolute temperatuurcalibratie (die externe veldreferenties vereist die niet aanwezig zijn in deze studie), maar als een kritieke preprocessing-stap om de relatieve radiometrische integriteit van thermische data te bewaren voor kwantitatieve analyse.

De auteurs beweren dat de workflow:

Kwantitatieve Analyse Mogelijk Maakt: Door visualisatie-georiënteerde 8-bit previews om te zetten in float32 TIFF's, zorgt de tool ervoor dat pixelwaarden daadwerkelijke oppervlakte Temperaturen vertegenwoordigen, waardoor de data geschikt is voor statistische analyse en monitoring.
Fotogrammetische Prestaties Verbetert: De studie levert empirisch bewijs dat het behoud van radiometrische waarden leidt tot robuustere 3D-reconstructies met lagere reprojectiefouten en dichtere tie-netwerken.
Drempels Verlaagt: De GUI stelt veldteams in staat om complexe batchconversies en metadata-overdrachten uit te voeren zonder programmeerkennis, wat reproduceerbare workflows in de aardwetenschappen en engineering faciliteert.
Verwerking Standaardiseert: Het adresseert het gebrek aan gestandaardiseerde routines voor UAV thermische data, en biedt een reproduceerbare methode om het "stille weggooien" van temperatuurinformatie tijdens de mapping-fase te voorkomen.

De auteurs concluderen dat hoewel de absolute temperatuurnauwkeurigheid afhangt van sensorkalibratie en emissiviteitsaannames, de keuze van de inputrepresentatie (float32 vs. 8-bit preview) de geometrische en radiometrische consistentie van de uiteindelijke fotogrammetrische output meetbaar beïnvloedt.

Meer zoals dit