Application of a direct georeferencing method of drone images for smart farming | Anwendung einer drohnenbildbasierten, direkten Georeferenzierungsmethode für Smart Farming

Немецкий. Für Smart Farming Anwendungen müssen die Informationen, welche autonome Systeme wie z.B. Drohnen sammeln, mit ihrer exakten räumlichen Verteilung verknüpft werden – ein Prozess, welcher allgemein Georeferenzierung genannt wird. Dieser Prozess ist jedoch häufig sehr rechenintensiv und komplex. In dieser Arbeit untersuchen wir die Anwendbarkeit und Genauigkeit einer vereinfachten, direkten Georeferenzierungsmethode von Drohnenbilder für Smart Farming Anwendungen wie z.B. die Unkrauterkennung. Die Methode, welche nur auf einer affinen Homographie basiert und keine Kalibration benötigt, erreicht in Kombination mit einer High-end-Drohne (DJI Matrice 300 RTK) eine Genauigkeit von < 0.82 m bei einer Flughöhe von 30 m, sogar bei ausgeprägter Hangneigung. Da die untersuchte Methode nur Einzelbilder benutzt und kein Feature Matching benötigt, ist sie sehr recheneffizient und bestens für Echtzeitanwendungen geeignet. Abhängig vom konkreten Anwendungsfall liefert die Methode Genauigkeiten von der Größe der zu detektierenden Objekte, insbesondere für den Fall der Ampfererkennung auf Wiesen, wie wir in dieser Arbeit aufzeigen. Die Methode kann als obere Schranke der Georeferenzierung angesehen werden und ist einfach auf andere Drohnensysteme anzuwenden.

Английский. In smart farming, information collected by autonomous devices needs to be related to its exact field location, that is, georeferenced. In this work, we study the applicability and accuracy of a simplified direct georeferencing method of drone images for typical smart farming applications, such as weed detection. Based solely on an affine homography, the method results in accuracies < 0.82 m measured at 30 m above ground level even in the presence of pronounced steepness when applied to a real-time kinematic (RTK) enterprise drone (DJI Matrice 300 RTK). Our method uses only single images and does not rely on feature matching; therefore, it is inexpensive to compute. Depending on the targeted use case, the proposed georeferencing method yields errors in the order of the object of interest’s dimensions, which we demonstrate for our envisioned use case of dock plant (‘Rumex’) detection on meadows. The method may be seen as an upper bound for georeferencing errors that can be applied easily to other drone systems.