Xây dựng mô hình giám sát hành lang đường dây trung thế và cao thế áp dụng máy bay không người lái và trí tuệ nhân tạo

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI ĐỒ ÁN TỐT NGHIỆP XÂY DỰNG MƠ HÌNH GIÁM SÁT HÀNH LANG ĐƯỜNG DÂY TRUNG THẾ VÀ CAO THẾ ÁP DỤNG MÁY BAY KHƠNG NGƯỜI LÁI VÀ TRÍ TUỆ NHÂN TẠO HÀ VĂN ĐẠT dat.hv173734@sis.hust.edu.vn NGUYỄN ĐỨC TOẢN toan.nd174275@sis.hust.edu.vn Ngành KT Điều khiển & Tự động hóa Giảng viên hướng dẫn: TS Nguyễn Thanh Hường Chữ ký GVHD Khoa: Trường: Tự động hóa Điện – Điện tử HÀ NỘI, 8/2022 BỘ GIÁO DỤC & ĐÀO TẠO CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐH BÁCH KHOA HÀ NỘI Độc lập – Tự - Hạnh phúc NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP Họ tên sinh viên: Hà Văn Đạt MSSV: 20173734 Nguyễn Đức Toản MSSV: 20174275 Khóa: 62 Trường: Điện- Điện tử Ngành: KT ĐK &TĐH Tên đề tài: Xây dựng mơ hình giám sát hành lang đường dây trung cao áp dụng máy bay khơng người lái trí tuệ nhân tạo Nội dung đề tài: - Giới thiệu thực trạng hành lang an toàn điện Việt Nam giải pháp hành giám sát hành lang an toàn điện Xây dựng kịch bay cho UAV, thu thập liệu đa dạng, xác tin cậy Xây dựng mơ hình nhận diện đối tượng: dây điện, cột điện, cối, tịa nhà ảnh hưởng tới hành lang an tồn điện áp dụng trí tuệ nhân tạo Xây dựng mơ hình tính tốn chiều sâu vật thể khoảng cách đối tượng Đánh giá kết tốn nhận dạng vật thể, tính tốn chiều sâu vật thể khoảng cách đối tượng Thời gian giao đề tài: 04/2022 Thời gian hoàn thành: 07/2022 Ngày tháng … năm 2022 CÁN BỘ HƯỚNG DẪN LỜI CẢM ƠN Thời điểm dòng chữ viết thời điểm em bước chân khỏi cánh cổng Trường Đại học Bách Khoa Hà Nội với đầy đủ kiến thức chuyên môn kỹ mềm cần thiết phục vụ cho cơng việc sống sau Để có điều đó, em xin chân thành cảm ơn tất thầy, cô, cán công nhân viên nhà trường tâm huyết giảng dạy, giúp đỡ, tạo điều kiện thuận lợi cho em hồn thành chương trình đào tạo Em xin cảm ơn sâu sắc tới gia đình, bạn bè người thân quan tâm, lo lắng, đồng hành giúp đỡ vật chất lẫn tinh thần để em có năm tháng sinh viên đầy ý nghĩa ĐHBKHN Để thực đề tài này, em xin gửi lời cảm ơn chân thành tới giảng viên hướng dẫn - TS.Nguyễn Thanh Hường, cô người định hướng, giảng dạy giúp đỡ nhóm nhiệt tình suốt nhiều tháng qua để đồ án đạt kết cao Em xin cảm ơn bạn Nguyễn Đức Toản - thành viên lại nhóm đồ án cố gắng hết sức, khắc phục khó khăn để hồn thành nhiệm vụ đặt đồ án Cảm ơn ĐHBKHN, cảm ơn tất thầy cơ, gia đình, bạn bè, người thân hẹn gặp lại vào ngày lễ tốt nghiệp tới ! TÓM TẮT NỘI DUNG ĐỒ ÁN Hiện hành lang an toàn điện đường dây trung cao áp Việt Nam bị lấn chiếm vi phạm nhiều nơi Thực tế có nhiều phương pháp đưa ra, nhiên để tối ưu hóa việc theo dõi, bảo trì vận hành đường dây truyền tải điện nhóm đưa giải pháp sử dụng UAV kết hợp trí tuệ nhân tạo để theo dõi phát lỗi phát sinh đường dây Đề tài sử dụng UAV để thu thập liệu dạng hình ảnh video đưa trung tâm xử lý, sau trí tuệ nhân tạo sử dụng để xác định đối tượng đường dây điện, cột điện vật thể khác cần theo dõi cối, công trình xây dựng có nguy xâm phạm tới vùng an tồn đường dây truyền tải Một mơ hình tính tốn chiều sâu vật thể xây dựng nhằm mục đích tính tốn khoảng cách đối tượng từ ảnh video thu Sau xác định khoảng cách đối tượng, đối chiếu với quy định hành khoảng cách an toàn vận hành đường dây truyền tải điện hệ thống đưa cảnh báo cho người quản lý để kịp thời có biện pháp giải Kết đồ án bước khởi đầu cho việc xây dựng hệ thống theo dõi đường dây truyền tải điện cách tự động, an toàn tiết kiệm PHÂN CÔNG NHIỆM VỤ Hà Văn Đạt Sinh viên Nội dung thực - Đặt vấn đề Đưa giải pháp cho đề tài Thiết lập phần cứng - Tìm hiểu hành lang an tồn điện Tìm hiểu cơng nghệ tính tốn chiều sâu vật thể Thiết kế đánh giá mơ hình tính chiều sâu vật thể sử dụng hình ảnh chụp từ UAV - Nguyễn Đức Toản Tìm hiểu cơng nghệ thu thập liệu Tìm hiểu công nghệ nhận dạng đường dây truyền tải điện Thiết kế đánh giá hệ thống nhận diện đối tượng ứng dụng trí tuệ nhân tạo Sinh viên thực Ký ghi rõ họ tên Hà Văn Đạt Nguyễn Đức Toản MỤC LỤC CHƯƠNG 1: TỔNG QUAN ĐỀ TÀI 1.1 Đặt vấn đề 1.2 Các quy định hành lang an toàn điện .4 1.3 Mục đích thiết kế 1.4 Các công nghệ hành 1.4.1 Các công nghệ thu thập liệu 1.4.2 Các công nghệ nhận diện đường dây truyền tải điện 14 1.4.3 Các cơng nghệ tính tốn chiều sâu vật thể 19 1.5 Giải pháp đưa 24 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 26 2.1 Tổng quan AI, Machine Learning, Deep Learning 26 2.1.1 Trí tuệ nhân tạo(AI) 26 2.1.2 Học máy (Machine Learning) 27 2.1.3 Học sâu (Deep learning) 28 2.2 Mạng nơ-ron tích chập 29 2.2.1 Lớp tích chập (Convolution layer) 30 2.2.2 Lớp Pooling 33 2.2.3 Lớp liên kết đủ (Fully connected) 34 2.3 Các dạng toán nhận diện 34 2.3.1 Phân đoạn hình ảnh (Image Segmentation) 35 2.3.2 Các ứng dụng phân đoạn hình ảnh (Image Segmentation) 36 2.4 Mơ hình Yolact [52] 37 2.4.1 Prototype net 38 2.4.2 Prediction head mask coefficients 39 2.4.3 Kết hợp prototype mask mask coeficients 40 2.5 Mơ hình tính chiều sâu vật thể khoảng cách đối tượng 40 CHƯƠNG III: THIẾT KẾ HỆ THỐNG 48 3.1 Thiết lập phần cứng 48 3.1.1 Hệ thống UAV thu thập liệu 48 3.1.2 Trung tâm phân tích xử lý liệu 50 3.2 Thiết kế phần mềm 51 3.2.1 Thu thập liệu 52 3.2.2 Huấn luyện mạng nơ-ron 55 3.3 Thiết lập điều kiện bay cho UAV 57 3.3.1 Khoảng cách UAV đường dây truyền tải điện 58 3.3.2 Góc quay UAV 59 3.4 Cơ sở lý thuyết đánh giá phép tính chiều sâu vật thể khoảng cách đối tượng 61 CHƯƠNG KẾT QUẢ VÀ ĐÁNH GIÁ 66 4.1 Kết nhận dạng vật thể 66 4.1.1 Các thông số đánh giá 66 4.1.2 Kết nhận dạng đạt với đối tượng 67 4.2 Kết tính tốn chiều sâu vật thể khoảng cách đối tượng 71 4.2.1 Kịch bay cho việc kiểm nghiệm mơ hình tính chiều sâu vật thể khoảng cách đối tượng 71 4.2.2 Thông số camera 73 4.2.3 Tính toán, kiểm nghiệm kịch bay 78 KẾT LUẬN 83 TÀI LIỆU THAM KHẢO 84 PHỤ LỤC 88 DANH MỤC HÌNH ẢNH Hình 1.1 Hình ảnh cơng trình vi phạm hành lang an tồn điện [1] Hình 1.2 Hình ảnh cối trồng vi phạm hành lang an tồn điện [3] Hình 1.3 Cơng nhân kiểm tra bảo dưỡng đường dây cao áp [4] Hình 1.4 Kỹ sư sử dụng UAV giám sát hành lang điện [5] Hình 1.5 Hệ thống viễn thám sử dụng SAR [22] [23] Hình 1.6 Hình ảnh SAR thu xử lý viện nghiên cứu địa lý Phần Lan [25] Hình 1.7 Hình ảnh vệ tinh quang học đồ liệu địa hình quốc gia Phần Lan[21] Hình 1.8 Trực thăng thu thập liệu đường dây truyền tải điện hãng Penn Power [30] 10 Hình 1.9 Hình ảnh thu từ camera hồng ngoại hệ thống ứng dụng Trung Quốc [31] 11 Hình 1.10 Dữ liệu hình ảnh nhiệt hồng ngoại thu từ máy bay trực thăng [25] 11 Hình 1.11 Hình ảnh hệ thống UAV thu thập liệu sử dụng cảm biết quét laser gắn UAV [25] .12 Hình 1.12 Hình ảnh trước sau áp dụng lọc làm trơn 15 Hình 1.13 Hình ảnh trước sau áp dụng tìm biên 15 Hình 1.14 Hình ảnh áp dụng lọc laplacian 16 Hình 1.15 Đường dây sau xử lý phát 16 Hình 1.16 YOLO với tốn xác định đối tượng (Object detection) [34] 18 Hình 1.17 YOLACT với toán xác định đối tượng (object detection) phân đoạn hình ảnh (image segmentation) 18 Hình 1.18 Minh họa hệ thống đo khoảng cách phương pháp tam giác [35] 19 Hình 1.19 Minh họa hệ thống đo khoảng cách phương pháp thời gian di chuyển [35] 20 Hình 1.20 Minh họa hệ thống đo khoảng cách phương pháp đo độ lệch pha [35] 20 Hình 1.21 Minh họa hoạt động cảm biến siêu âm [36] .21 Hình 1.22 Các vị trí chụp ảnh khác phối cảnh 22 Hình 1.23 Một cặp hình ảnh lập thể kết hợp hình [37] 23 Hình 1.24 Sơ đồ tổng quan hệ thống 24 Hình 2.1 Mối quan hệ hệ trí tuệ nhân tạo, học máy học sâu [38] 26 Hình 2.2 Quan hệ layer mạng nơ-ron [39] 28 Hình 2.3 Trọng số liên kết mạng nơ-ron [40] 28 Hình 2.4 Sơ đồ mạng nơ-ron tích chập (CNN) [41] 29 Hình 2.5 Ma trận ảnh đen trắng bit 30 Hình 2.6 Minh họa đầu vào ma trận lọc 30 Hình 2.7 Ma trận đặc trưng thu từ đầu vào lọc 31 Hình 2.8 Lớp tích chập không gian ba chiều 32 Hình 2.9 Ví dụ với Stride 32 Hình 2.10 Biến đổi ảnh qua lớp tích chập [42] 33 Hình 2.11 Hoạt động lớp Max Pooling 33 Hình 2.12 Pooling không gian ba chiều 34 Hình 2.13 Biến đổi ảnh đầu vào qua lớp tích chập Pooling liên tiếp [43] 34 Hình 2.14 Sơ đồ tác vụ nhận diện đối tượng AI [44] 35 Hình 2.15 Phân biệt hai toán xác định đối tượng (Object detection) phân đoạn hình ảnh (Image Segmentation) [45] 36 Hình 2.16 Phân biệt Semantic segmentaion Instance segmentation [45] 36 Hình 2.17 MaskR-CNN cho tốn instance segmentation [52] 38 Hình 2.18 Sơ đồ thuật toán YOLACT [52] 38 Hình 2.19 Kiến trúc Protonet nhãn biểu thị kích thước đối tượng 39 Hình 2.20 Sử dụng mạng RetinaNet Head [52] 39 Hình 2.21 Cộng Prototype Mask theo hệ số đối tượng [52] 40 Hình 2.22 Mơ hình chụp ảnh vật ảnh ảo tượng trưng 41 Hình 2.23 Vị trí đặt camera ảnh vật thu hệ tọa độ OXYZ [53] 41 Hình 2.24 Vị trí đặt camera ảnh vật thu hệ tọa độ 𝑂1𝑋1𝑌1𝑍1 chiếu lên 𝑂1𝑋1𝑍1 [53] 43 Hình 2.25 Mơ hình thu ảnh vật không gian OXYZ [53] 45 Hình 2.26 Mơ hình tính khoảng cách hai điểm khơng gian 46 Hình 3.1 Sơ đồ tổng quan hệ thống 48 Hình 3.2 UAV với góc bay thẳng đứng [54] 49 Hình 3.3 Sơ đồ khối phần cứng hệ thống nhận diện đối tượng 51 Hình 3.4 Sơ đồ khối phần mềm hệ thống nhận diện đối tượng 51 Hình 3.5 Dữ liệu thu thập dùng cho training, validation, test 52 Hình 3.6 Ảnh trước sau giảm độ phân giải 53 Hình 3.7 Ví dụ file json chứa thông tin nhãn 54 Hình 3.8 Dán nhãn ảnh với phần mềm labelme 54 Hình 3.9 Sơ đồ huấn luyện mơ hình với mạng nơ-ron tích chập 55 Hình 3.10 Máy ảo chạy Google Colab 56 Hình 3.11 Sơ đồ thuật tốn bước sử lý mơ hình YOLACT 57 Hình 3.12 Khảo sát độ cao bay UAV [54] 58 Hình 3.13 Ảnh chụp góc bay ngang UAV 59 Hình 3.14 Ảnh chụp góc bay thẳng đứng UAV 60 Hình 3.15 Ảnh chụp góc bay xiên UAV 61 Hình 4.1 Định nghĩa quan hệ hai độ đo precision recall [46] 67 Hình 4.2 Hình ảnh nhận dạng đối tượng cột điện 68 Hình 4.3 Hình ảnh nhận diện đối tượng dây điện 69 Hình 4.4 Hình ảnh nhận diện đối tượng tổng hợp 70 Hình 4.5 Sơ đồ khối quy trình tính khoảng cách vật thể 71 Hình 4.6 Đối tượng cột điện với kịch bay ngang 72 Hình 4.7 Đối tượng đường dây điện với kịch bay camera thẳng đứng từ cao xuống 73 Hình Hình ảnh UAV Phantom [55] 74 Hình Hệ số cắt số kích thước cảm biến ảnh thơng dụng [57] 75 Hình 4.11 Vị trí chụp ảnh thứ nhất: Độ cao 27,3m, tọa độ điểm đỉnh cột vị trí (1895,1480) ảnh .76 Hình 4.12 Vị trí chụp ảnh thứ hai: Độ cao 27.3m, vị trí camera cách vị trí đầu 4m, di chuyển ngang song song với vật thể, tọa độ điểm đỉnh cột vị trí (1040,1475) ảnh 76 Hình 4.13 Ảnh chụp góc thẳng đứng camera vị trí thứ 77 Hình 4.14 Ảnh chụp góc thẳng đứng camera vị trí thứ hai 77 6,17 (2000 − 1895) 10−3 10,8 𝑥2 ⋅ ̅̅̅ ̅̅̅ 𝑍2 4000 ̅̅̅ 𝑋2 = = = 0,49 (𝑚) 𝑓 3,56 10−3 4,55 (1500 − 1480) 10−3 10,8 𝑦 ̅̅̅2 3000 ̅ ̅̅̅ 𝑌2 = 𝑍2 = = 0,09 (𝑚) 𝑓 3,56 10−3 2 𝑑2 = √̅̅̅ 𝑋2 + 𝑌̅2 + ̅̅̅ 𝑍2 = 10,81 (𝑚) Dựa vào thông số camera giá trị ảnh thu ta đánh giá kết kịch thử nghiệm thứ nhất: 𝑥2 = 0,162𝑚𝑚, 𝛥𝑥 ̅̅̅ ̅̅̅2 = 0,002𝑚𝑚, T=5m, 𝛥𝑇 =0,3m, f=3,56mm, 𝛥𝑓 =0,01mm, 𝛾=0 rad, 𝛥 𝛾 =0,02 rad, ̅̅̅ 𝑥1 = 1,481𝑚𝑚, 𝛥𝑥̅1 =0,002mm, ̅̅̅ 𝑦1 = 0,038𝑚𝑚, 𝛥𝑦 ̅̅̅1 = 0,002𝑚𝑚, 𝛥𝑦 ̅̅̅2 = 0,030𝑚𝑚, ̅̅̅ 𝑦2 = 0,002𝑚𝑚 ̅̅̅2 , 𝑌̅2 , 𝑍 ̅̅̅2 Áp dụng công thức xác định sai số tương đối phép đo giá trị 𝑋 𝑑2 công thức (3.6), (3.7), (3.8) (3.9) ta có: 𝛿̅̅̅̅ 𝑋2 = 0,002 0,3 0,01 tan 0.0,002 + + tan 0,02 + + 0,162 3,56 − 1,481 tan 3,56 − 1,481 tan 1,481.0,002 0,002 0,002 0,01 + + + + (3,56 − 1,481 tan 0) 1,481 − 0,162 1,481 − 0,162 3,56 = 8,2% 𝛿̅̅̅ 𝑌2 = 0,002 0,3 0,01 tan 0.0,002 + + tan 0,02 + + 0,030 3,56 − 1,481 tan 3,56 − 1,481 tan + 1,481.0,002 (3,56 − 1,481 tan 0) = 13% 𝛿̅𝑍̅̅2̅ = 0,3 + tan 0,02 + + 0,01 0,002 1,481 − 0,162 + + 0,002 1,481 − 0,162 tan 0.0,002 3,56 − 1,481 tan 3,56 − 1,481 tan 1,481.0,002 0,002 0,002 + + + (3,56 − 1,481 tan 0) 1,481 − 0,162 1,481 − 0,162 = 6,7% 0,49.0,04 0,09.0,01 10,8.0,72 𝛿𝑑2 = + + = 6,7% 10,812 10,812 10,812 Do kết phép đo: ̅̅̅ 𝑋2 = 0,49 ± 0,04 (𝑚) 𝑌̅2 = 0,09 ± 0,01 (𝑚) ̅̅̅ 𝑍2 = 10,80 ± 0,72 (𝑚) 𝑑2 = 10,81 ± 0,72 (𝑚) 79 + 0,01 3,56 Tương tự ta áp dụng cơng thức (3.2), (3.3), (3.4), (3.5) ta có sai số tương đối phép đo giá trị khoảng cách từ điểm khơng gian đến camera vị trí thứ nhất: 𝛿̅̅̅̅ 𝑋1 = 𝛿̅̅̅ 𝑌1 = 0,002 0,3 0,01 tan 0.0,002 + + tan 0,02 + + 1,481 3,56 − 0,162 tan 3,56 − 0,162 tan 0,162.0,002 0,002 0,002 0,01 + + + + (3,56 − 0,162 tan 0) 1,481 − 0,162 1,481 − 0,162 3,56 = 7,0% 0,002 0,3 0,01 tan 0.0,002 + + tan 0,02 + + 0,038 3,56 − 0,162 tan 3,56 − 0,162 tan + 0,162.0,002 (3,56 − 0,162 tan 0) = 12% 𝛿̅𝑍̅̅1̅ = 0,3 + tan 0,02 + + 0,002 1,481 − 0,162 0,01 + + 0,002 1,481 − 0,162 + 0,01 3,56 tan 0.0,002 3,56 − 0,162 tan 3,56 − 0,162 tan 0,162.0,002 0,002 0,002 + + + (3,56 − 0,162 tan 0) 1,481 − 0,162 1,481 − 0,162 = 6,7% 4,48.0,31 0,11.0,01 10,8.0,72 𝛿𝑑1 = + + = 7,8% 10,812 10,812 10,812 Do kết phép đo: ̅̅̅ 𝑋1 = 4,48 ± 0,31(𝑚) 𝑌̅1 = 0,11 ± 0,01(𝑚) ̅̅̅ 𝑍1 = 10,80 ± 0,72(𝑚) 𝑑1 = 11,69 ± 0,92(𝑚) Trên thực tế, giá trị đo là: ̅̅̅̅ ̅̅̅̅ 𝑋1𝑟 = 4,50(𝑚) ̅̅̅̅ 𝑌1𝑟 = 0,10(𝑚) 𝑍1𝑟 = 10,50(𝑚) ̅̅̅̅̅ ̅̅̅̅ ̅̅̅̅ 𝑋 𝑍2𝑟 = 10,50 (𝑚) 2𝑟 = 0,50 (𝑚) 𝑌2𝑟 = 0,10 (𝑚) 𝑑1𝑟 = 11,42(𝑚) 𝑑2𝑟 = 10,51 (𝑚) 4.2.3.2 Tính tốn, kiểm nghiệm kịch bay thứ hai Ta có hai vị trí chụp ảnh cho điểm 𝑃𝐴 , 𝑃𝐵 , điểm có tọa độ khác so với hệ quy chiếu vị trí chụp thứ thứ hai, phép tính sai số khoảng cách ta cần xét tới hệ quy chiếu vị trí chụp thứ Tính tốn hồn tồn tương tự so với ta có tọa độ điểm 𝑃𝐴 , 𝑃𝐵 không gian so với hệ quy chiếu camera vị trí chụp thứ là: 𝑋𝐴 = 3,14 ±0,22 𝑌𝐴 = 4,84 ±0,33 𝑍𝐴 = 17,76 ±1,12 𝑋𝐵 = 2,94 ±0,21 𝑌𝐵 = 9,77 ±0,65 𝑍𝐵 = 17,76 ± 1,14 (Chi tiết phần tính tốn, thay số xem thêm phụ lục B) 80 Khi khoảng cách hai điểm 𝑃𝐴 , 𝑃𝐵 không gian xác định công thức (2.16): 𝑃𝐴 𝑃𝐵 = √(3,14 − 2,94)2 + (4,84 − 9,77)2 = 4,93 (𝑚) Sai số tương đối phép tính khoảng cách hai điểm xác định công thức (3.10): (𝑋𝑎 − 𝑋𝑏 )𝛥𝑋𝑎 (𝑋𝑎 − 𝑋𝑏 )𝛥𝑋𝑏 + 2 (𝑋𝑎 − 𝑋𝑏 + (𝑌𝑎 − 𝑌𝑏 ) + (𝑍𝑎 − 𝑍𝑏 ) (𝑋𝑎 − 𝑋𝑏 ) + (𝑌𝑎 − 𝑌𝑏 )2 + (𝑍𝑎 − 𝑍𝑏 )2 (𝑌𝑎 − 𝑌𝑏 )𝛥𝑌𝑎 + (𝑋𝑎 − 𝑋𝑏 ) + (𝑌𝑎 − 𝑌𝑏 )2 + (𝑍𝑎 − 𝑍𝑏 )2 (𝑌𝑎 − 𝑌𝑏 )𝛥𝑌𝑏 + (𝑋𝑎 − 𝑋𝑏 )2 + (𝑌𝑎 − 𝑌𝑏 )2 + (𝑍𝑎 − 𝑍𝑏 )2 (𝑍𝑎 − 𝑍𝑏 )𝛥𝑍𝑎 + (𝑋𝑎 − 𝑋𝑏 ) + (𝑌𝑎 − 𝑌𝑏 )2 + (𝑍𝑎 − 𝑍𝑏 )2 (𝑍𝑎 − 𝑍𝑏 )𝛥𝑍𝑏 + (𝑋𝑎 − 𝑋𝑏 ) + (𝑌𝑎 − 𝑌𝑏 )2 + (𝑍𝑎 − 𝑍𝑏 )2 (3,14 − 2,94) 0,22 + (3,14 − 2,94) 0,21 + (9,77 − 4,84) 0,33 + (9,77 − 4,84) 0,65 = 4,932 = 20% 𝛿𝑃𝑎𝑃𝑏 = )2 Vậy kết phép tính khoảng cách hai điểm là: 𝑃𝐴 𝑃𝐵 = 4,93 ± 0,97 (𝑚) Thực tế, khoảng cách hai điểm đo 5m Bảng 4.7 thể kết đánh giá kiểm nghiệm mơ hình tính tốn chiều sâu vật thể tính tốn khoảng cách hai điểm không gian Bảng 4.7 Kết đánh giá, kiểm nghiệm mơ hình Thơng số Điểm P đến vị trí đặt camera thứ Điểm P đến vị trí đặt camera thứ hai Khoảng cách 𝑃𝐴 𝑣à 𝑃𝐵 Giá trị tính tốn (m) ̅̅̅ 𝑋1 = 4,48 Giá trị thực tế (m) ̅̅̅̅ 𝑋1𝑟 = 4,5 𝑌̅1 = 0,11 ̅̅̅ 𝑍1 = 10,8 Sai số tuyệt Sai số tương đối (m) đối (%) 0,02 0,44 ̅̅̅̅ 𝑌1𝑟 = 0,1 ̅̅̅̅ 𝑍1𝑟 = 10,5 0,01 10 0,3 2,9 𝑑1 = 11,69 ̅̅̅ 𝑋2 = 0,49 𝑑1𝑟 = 11,42 ̅̅̅̅̅ 𝑋2𝑟 = 0,5 0,27 2,4 0,01 2,0 𝑌̅2 = 0,09 ̅̅̅ 𝑍2 = 10,8 ̅̅̅̅ 𝑌2𝑟 = 0,1 ̅̅̅̅ 𝑍2𝑟 = 10,5 0,01 10 0,3 2,9 𝑑2 = 10,81 𝑑2𝑟 = 10,51 0,3 2,9 4,93 0,07 1,4 81 Kết luận chương IV Ở chương này, kịch bay khác thiết lập đường dây 110kV, thực tế thu kết quả: - - Thu thập liệu an toàn, hiệu quả, liệu thu phục vụ tốt cho việc kiểm nghiệm mô hình nhận diện vật thể tính tốn chiều sâu, khoảng cách đối tượng Kết nhận diện đối tượng đạt độ xác cao, khoanh vùng đối tượng rõ ràng, sắc nét Kết tính tốn chiều sâu, khoảng cách vật thể đạt độ xác cao, sai số mơ hình tương đối nhỏ, phù hợp với việc triển khai hệ thống lên thực tế 82 KẾT LUẬN Kết luận chung Trong phạm vi đề tài này, nhóm sinh viên gồm hai thành viên Hà Văn Đạt Nguyễn Đức Toản hướng dẫn nhiệt tình TS Nguyễn Thanh Hường hồn thành việc xây dựng mơ hình giám sát hành lang đường dây đường dây trung cao áp dụng máy bay không người lái trí tuệ nhân tạo phù hợp với điều kiện hành lang an toàn điện Việt Nam Với phần cụ thể sau: - Xây dựng đánh giá mơ hình trí tuệ nhân tạo nhận diện đối tượng đường dây truyền tải điện vật thể phạm vi hành lang an toàn điện cối, cơng trình, nhà cửa - Xây dựng đánh giá mơ hình xác định chiều sâu vật thể, từ tính tốn khoảng cách đối tượng không gian Em xin thay mặt nhóm cảm ơn hướng dẫn cẩn thận, chu đáo hữu ích TS Nguyễn Thanh Hường, môn Kỹ thuật đo tin học công nghiệp giúp nhóm hồn thành tất nội dung đồ án Hướng phát triển đề tài Những kết đạt phạm vi đề tài bước đầu việc xây dựng hệ thống giám sát hành lang an toàn điện hoàn chỉnh Để xây dựng hệ thống hồn chỉnh, hoạt động xác hiệu cao nhóm xin đưa số hướng giải pháp để tiếp tục phát triển đề tài: - Hoàn thiện nội dung code việc áp dụng mơ hình tính khoảng cách vào kết nhận dạng đối tượng để việc tính khoảng cách hồn tồn tự động - Nâng cấp hệ thống truyền thông UAV trung tâm xử lý nhằm thực việc xử lý xử lý liệu realtime Trên tồn nội dung nhóm thực đề tài: “Xây dựng mơ hình giám sát hành lang đường dây trung cao áp dụng máy bay khơng người lái trí tuệ nhân tạo” Xin chân thành cảm ơn ý theo dõi nội dung đồ án thầy/cô 83 TÀI LIỆU THAM KHẢO [1] [Online] Available: https://evn.com.vn/d6/news/Vi-pham-an-toan-hanh-langluoi-dien-o-a-Nang 6-18-9315.aspx [2] EVN, " “Vi phạm hành lang an toàn điện cao áp”," 2020 [3] [Online] Available: https://www.evn.com.vn/d6/news/Vi-pham-hanh-langbao-ve-an-toan-luoi-dien-Co-the-bi-khoi-to-hinh-su-0-18-19572.aspx [4] [Online] Available: https://luatnhandan.vn/quy-dinh-ve-hanh-lang-an-toanluoi-dien-220kv-500kv/ [5] Z Du, "High Voltage Power Line Detection Based on," Submitted in Fulfilment of the Requirements for the Academic Degree M.Sc [6] N đ 14/2014/NĐ-CP, "Luật điện lực an toàn điện," 26/2/2014 [7] Yan, L.; Wu, W.; Li, T, "Power transmission tower monitoring technology based on TerraSAR-X products," 82861E, ENG, 2011 [8] Deng, S, Zhang, J., Li, P., Yang, J, "Power line detection from synthetic aperture radar imagery using coherence of co-polarisation and crosspolarisation estimated in the Hough domain," IET Radar Sonar Navig, 2012 [9] Xu K., Zhang X., Chen Z, Wu, W, Li T, "Risk assessment for wildfire occurrence in high-voltage power line corridors by using remote-sensing techniques: A case study in Hubei Province, Chin," 2016 [10] Kobayashi Y, Karady G.G, Heydt G.T, Olsen R.G, "The Utilization of Satellite Images to Identify Trees Endangerin," 2017 [11] Jó´zków G, Vander Jagt B, Toth, C, "Experiments with UAS Imagery for Automatic Modeling of Power Line 3D Geometry Int," Arch Photogramm Remote Sens Spat Inf Sci, 2015 [12] Zhao H.C., Lei J.F,Wang X.P, Zhao, L, "Power line identification algorithm for aerial," 2015 [13] Jadin, M.S.; Ghazali, K.H.; Taib, S., "Thermal condition monitoring of electrical installations based on infrared image analysis," In Proceedings of the Electronics, Communications & Photonics Conference, Riyadh, Saudi Arabia,, 2013 [14] Zhang, W.F.; Peng, X.; Chen, R.; Chen, C.; Deng, Y.; Qian, J.; Xu, W., "Intelligent Diagnostic Techniques of Abnormal Heat Defect in Transmission Lines Based on Unmanned Helicopter Infrared Vide," Power Syst Technol, 2014 84 [15] Nardinocchi, C.; Balsi, M.; Esposito, S., "Fully Automatic Point Cloud Analysis for Powerline Corridor Mapping," IEEE Trans [16] Chen, C.; Mai, X.M.; Song, S.; Peng, X.Y.; Xu,W.X.;Wang, K., "Automatic power line extraction method for airborne laser point cloud data Geomat," Inf Sci Wuhan Univ, 2015 [17] Husain, A.; Vaishya, R.C., "An automated method for power line points detection from terrestrial LiDAR data," In Emerging Technologies in Data Mining and Information Security, Germany, 2019 [18] Nasseri, M.H.; Moradi, H.; Nasiri, S.M.; Hosseini, R, "Power Line Detection and Tracking Using Hough Transform and Particle Filter," 2018 [19] Zheng, L.; Yi, R., "Fault diagnosis system for the inspection robot in power transmission lines maintenance," Shanghai, China, 2009 [20] Guan, H.; Yu, Y.; Li, J.; Ji, Z.; Zhang, Q , "Extraction of power-transmission lines from vehicle-borne lidar data," Int J Remote Sens, 2016 [21] Gu, Y., Hsu, L.-T., Kamijo, S.,, "Passive sensor integration for vehicle selflocalization in urban traffic environment," Sensors 2015, 2015 [22] [Online] Available: https://www.esa.int/SPECIALS/Eduspace_Global_EN/SEMFMY96KQH_0.h tml [23] [Online] Available: https://www.sandia.gov/radar/pathfinder-radar-isr-andsynthetic-aperture-radar-sar-systems/what-is-sar/ [24] SigmaSpace, "Single photon lidar, SigmaSpace Corporation," http://www.sigmaspace.com/single-photon-lidar, 2016 [25] Leena Matikainen, Matti Lehtomäki, Eero Ahokas, Juha Hyyppä , Mika Karjalainen , Anttoni Jaakkola , Antero Kukko , Tero Heinonen,, "Remote sensing methods for power line corridor surveys," 2016 [26] Ahmad, J., Malik, A.S., Abdullah, M.F., Kamel, N., Xia, L, "A novel method for vegetation encroachment monitoring of transmission lines using a single 2D camera," http://dx.doi.org/10.1007/s10044- , 2014 [27] Kukko, A., Kaartinen, H., Zanetti, M., "Backpack personal laser scanning system for grain-scale topographic mapping," In: Proc 46th Lunar and Planetary Science Conference, Abstract, 2015 [28] ASC, " Advanced Scientific Concepts Inc," , 2015 [29] L Wallace, "The Development and Application of a Unmanned Aerial," 2015 85 [30] [Online] Available: https://www.tdworld.com/overheadtransmission/article/21178708/penn-power-completes-proactive-inspectionsof-hv-power-lines [31] [Online] Available: https://www.uavfordrone.com/powerline-inspection-bydrone-uav-thermal-imaging-camera/ [32] Melzer, T., Briese, C.,, "Extraction and modeling of power lines from ALS point clouds," Workshop of the Austrian Association for Pattern , Hagenberg, Austria, 2004 [33] Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi, "You Only Look Once: Unified, Real-Time Object Detection" [34] [Online] Available: https://appsilon.com/object-detection-yoloalgorithm/#:~:text=YOLO%20(%E2%80%9CYou%20Only%20Look%20On ce,by%20Joseph%20Redmon%20et%20al [35] [Online] Available: https://www.dathop.com.vn/post/-3-phuong-phap-de-xacdinh-khoang-cach-bang-cong-nghe-lidar.html [36] [Online] Available: https://lidinco.com/cam-bien-sieu-am/ [37] [Online] Available: https://en.wikipedia.org/wiki/Stereoscopy [38] [Online] Available: https://blogs.nvidia.com/blog/2016/07/29/whatsdifference-artificial-intelligence-machine-learning-deep-learning-ai/ [39] [Online] Available: https://viblo.asia/p/gioi-thieu-ve-deep-learning-deeplearning-hoat-dong-nhu-the-nao-3Q75w2nDlWb [40] [Online] Available: https://viblo.asia/p/machine-learning-that-thu-vi-4-tudong-tag-ten-ban-be-voi-hog-cnn-ORNZqPDqK0n [41] [Online] Available: https://viblo.asia/p/ung-dung-convolutional-neuralnetwork-trong-bai-toan-phan-loai-anh 4dbZNg8ylYM [42] [Online] Available: https://towardsdatascience.com/applied-deep-learningpart-4-convolutional-neural-networks-584bc134c1e2 [43] CS231n, " Convolutional Neural Networks for Visual Recognition Stanford," Spring 2021 [44] [Online] Available: https://blog.vietnamlab.vn/tim-hieu-image-segmentation/ [45] P D Khanh, "https://phamdinhkhanh.github.io/2020/06/10/ImageSegmention.html" [46] Mohamed Y Abdallah and Tariq Alqahtani , "Research in Medical Imaging Using Image Processing Techniques," 2018 86 [47] Pranav Rajpurkar, Emma Chen Oishi Banerjee Eric J Topol , " AI in health and medicine," 2022 [48] Q Rao, " Deep learning for self-driving cars: chances and challenge," 2018 [49] D J Hemanth, "Artificial Intelligence Techniques for Satellite Image Analysis," 2020 [50] Ngozi Clara Eli-Chukwu, "Applications of Artificial Intelligence in Agriculture:," 2019 [51] Timothy J Brown, Beth L Hall & Anthony L Westerling, "The Impact of Twenty-First Century Climate Change on Wildland Fire Danger in the Western United States: An Applications Perspective," 200 [52] Daniel Bolya, Chong Zhou, Fanyi Xiao, Yong Jae Lee, "YOLACT Real-time Instance Segmentation," IEEE [53] G S a M G Juan I Larrauri, "Automatic System for Overhead Power Line Inspection using an Unmanned Aerial Vehicle," Automat2013 International Conference on Unmanned Aircraft Systems (ICUAS) May 28-31, 2013, Grand Hyatt, 2013 [54] M P a F A C Oswaldo Menéndez, "Visual-Based Positioning of Aerial Maintenance Platforms on Overhead Transmission Lines," Department of Electronic Engineering, Universidad Técnica Federico Santa María, Valparaíso 2390123, Ch [55] [Online] Available: https://www.ferntech.co.nz/phantom-4-rtk [56] [Online] Available: https://www.dji.com/phantom-4-pro-v2/specs [57] [Online] Available: https://photographylife.com/what-is-crop-factor 87 PHỤ LỤC A.Cài đặt mơ hình Yolact • Clone tập liệu Yolact máy tính: git clone https://github.com/dbolya/yolact.git • Cài đặt mơi trường cách sau: - Sử dụng Anaconda: Chạy câu lệnh: conda env create -f environment.yml - Cài đặt thủ công: + Cài đặt môi trường Python3 + Cài đặt Pytorch 1.0.1 cao TorchVision + Cài đặt thêm số gói khác: pip install cython pip install opencv-python pillow pycocotools matplotlib • Chuẩn bị liệu cho training Để resize ảnh kích thước mong muốn ta cấu hình file resize_image_and_annotation-final.py Sau cài đặt kích thước mong muốn ta chạy file để thực resize ảnh, folder sized_data tạo để chứa ảnh resize python resize_image_and_annotation-final.py -t Thực file remove_void.py để xóa nhãn void muốn, sau folder newjsons python remove_void.py -t Dựa vào ba file train.txt,test.txt val.txt, file split_jsons.py dùng để tách folder newjsons thành folder nhỏ train, val test Sau thực lệnh: python split_jsons.py -t newjsons/ folder train_jsons, val_jsons test_jsons Sử dụng labelme2coco_2.py để tạo file json tổng hợp cho folder train_jsons, val_jsons, test_jsons python labelme2coco_2.py splitting_jsons/train_jsons/ Train Model: python train.py config=yolact_img700_val_config batch_size=8 resume=weights/yolact_img550_108_12253_interrupt.pth For evaluation: python eval.py config=yolact_img550_secondtest_config mask_proto_debug -trained_model=weights/weights_img550_resnet50/yolact_img550_400_30061_resn et50_sep7_2217.pth fast_nms=false 88 B Biến đổi chứng minh cơng thức a, Thay số cho cơng thức tìm tọa độ điểm A, điểm B đến camera vị trí thứ thứ hai Do kịch bay này, camera xoay ngang so với hướng di chuyển nên lúc hồn tồn khơng tính tổng qt mơ hình, trục OX OY đổi vai trị cho nhau, ta có, khoảng cách đến mặt phẳng điểm A B so với điểm đặt camera thứ tính theo cơng thức (2.14) (2.15): ̅̅̅̅̅ 𝑍𝐴1 = Tcos 𝛾 𝑓 − ̅̅̅ 𝑦2 tan 𝛾 3,56 10−3 = cos = 17,76 (𝑚) 4,55 𝑦1 − ̅̅̅ ̅̅̅ 𝑦2 −3 (2141 − 1876) 10 3000 6,17 (2000 − 1591) 10−3 17,76 𝑥̅1 ⋅ ̅̅̅ 𝑍1 4000 ̅̅̅̅̅ 𝑋 = = 3,14 (𝑚) 𝐴1 = 𝑓 3,56 10−3 4,55 (2141 − 1500) 10−3 17,76 ̅̅̅1 𝑦 3000 ̅̅̅̅ ̅̅̅ 𝑌𝐴1 = 𝑍1 = = 4,84 (𝑚) 𝑓 3,56 10−3 ̅̅̅̅̅ 𝑍𝐵1 = Tcos 𝛾 𝑓 − ̅̅̅ 𝑦2 tan 𝛾 3,56 10−3 = cos = 17,76 (𝑚) 4,55 𝑦1 − ̅̅̅ ̅̅̅ 𝑦2 −3 (2795 − 2530) 10 3000 6,17 (2000 − 1617) 10−3 17,76 𝑥̅1 ⋅ ̅̅̅ 𝑍1 4000 ̅̅̅̅̅ 𝑋 = = 2,94 (𝑚) 𝐵1 = 𝑓 3,56 10−3 4,55 (2795 − 1500) 10−3 17,76 ̅̅̅1 𝑦 3000 ̅̅̅̅ ̅̅̅ 𝑌𝐵1 = 𝑍1 = = 9,77 (𝑚) 𝑓 3,56 10−3 Các sai số tương đối phép tính trên: Điểm A: 𝑥2 = 0,689𝑚𝑚, 𝛥𝑥 ̅̅̅ ̅̅̅2 = 0,002, T=2m, 𝛥𝑇 =0,1m, f=3,56mm, 𝛥𝑓 =0,01mm, 𝛾=0 rad, 𝛥 𝛾 =0,02 rad, 𝑥̅̅̅1 = 0,631𝑚𝑚, 𝛥𝑥̅1 =0,002mm, ̅̅̅ 𝑦1 = 0,972𝑚𝑚, 𝛥𝑦 ̅̅̅1 = 0,002mm 𝛥𝑦 ̅̅̅2 = 0,002𝑚𝑚, ̅̅̅ 𝑦2 = 0,570mm Áp dụng cơng thức (3.2), (3.3), (3.4) ta có: ̅̅̅1 𝛥𝑇 𝛥𝑍 𝛥𝑓 tan 𝛾 𝛥(𝑦 ̅̅̅) 𝑦2 𝛥𝛾 ̅̅̅ 𝛥𝑦 ̅̅̅1 = + 𝑡𝑎𝑛𝛾 𝛥𝛾 + + + + ̅̅̅ 𝑇 𝑓 − ̅̅̅ 𝑦2 tan 𝛾 𝑓 − ̅̅̅ 𝑦2 tan 𝛾 𝑐𝑜𝑠 𝛾(𝑓 − ̅̅̅ 𝑦2 tan 𝛾) ̅̅̅ 𝑦1 − ̅̅̅ 𝑦2 𝑍1 𝛥𝑦 ̅̅̅2 + 𝑦1 − ̅̅̅ ̅̅̅ 𝑦2 ̅̅̅ ̅̅̅̅1 𝛥𝑍1 𝛥𝑓 𝛥𝑥 = + ̅̅̅ + ̅𝑥̅̅̅1 𝑍1 𝑓 𝛿̅̅̅̅̅ 𝑍𝐴1 = 𝛿̅̅̅̅̅̅ 𝑋𝐴1 89 ̅̅̅ 𝛥𝑓 ̅̅̅̅1 𝛥𝑍 𝛥𝑦 + ̅̅̅1 + ̅̅̅̅ 𝑦1 𝑍1 𝑓 𝛿̅̅̅̅̅ 𝑌𝐴1 = Thay số ta có: 0,1 𝛿̅̅̅̅̅̅ 𝑍𝐴1 = + tan 0,02 + 0,01 + tan 0.0,002 3,56 − 0,57 tan 3,56 − 0,57 tan 0,57.0,002 0,002 0,002 + + + = 6,3% (3,56 − 0,57 tan 0) 0,972 − 0,570 0,972 − 0,57 0,002 0,1 0,01 tan 0.0,002 + + tan 0,02 + + 0,631 3,56 − 0,57 tan 3,56 − 0,57 tan 0,57.0,002 0,002 0,002 0,01 + + + + (3,56 − 0,57 tan 0) 0,972 − 0,570 0,972 − 0,57 3,56 = 6,9% 0,002 0,1 0,01 tan 0.0,002 = + + tan 0,02 + + 0,972 3,56 − 0,57 tan 3,56 − 0,57 tan 0,57.0,002 0,002 0,002 0,01 + + + + (3,56 − 0,57 tan 0) 0,972 − 0,570 0,972 − 0,57 3,56 = 6,8% 𝛿̅̅̅̅̅̅ 𝑋𝐴1 = 𝛿𝑌̅̅̅̅̅̅ 𝐴1 Khi kết phép tính điểm A đến camera vị trí thứ nhất: 𝑋𝐴 = 3,14 ±0,22 𝑌𝐴 = 4,84 ±0,33 𝑍𝐴 = 17,76 ±1,12 Điểm B: 𝑥2 = 0,671𝑚𝑚, 𝛥𝑥 ̅̅̅ ̅̅̅2 = 0,002, T=2m, 𝛥𝑇 =0,1m, f=3,56mm, 𝛥𝑓 =0,01mm, 𝛾=0 rad, 𝛥 𝛾 =0,02 rad, 𝑥̅̅̅1 = 0,591𝑚𝑚, 𝛥𝑥̅1 =0,002mm, ̅̅̅ 𝑦1 = 1,964𝑚𝑚, 𝛥𝑦 ̅̅̅1 = 0,002mm 𝛥𝑦 ̅̅̅2 = 0,002𝑚𝑚, ̅̅̅ 𝑦2 = 1,562mm Áp dụng công thức (3.2), (3.3), (3.4) ta có: ̅̅̅1 𝛥𝑇 𝛥𝑍 𝛥𝑓 tan 𝛾 𝛥(𝑦 ̅̅̅) 𝑦2 𝛥𝛾 ̅̅̅ 𝛥𝑦 ̅̅̅1 = + 𝑡𝑎𝑛𝛾 𝛥𝛾 + + + + ̅̅̅ 𝑇 𝑓 − ̅̅̅ 𝑦2 tan 𝛾 𝑓 − ̅̅̅ 𝑦2 tan 𝛾 𝑐𝑜𝑠 𝛾(𝑓 − ̅̅̅ 𝑦2 tan 𝛾) ̅̅̅ 𝑦1 − ̅̅̅ 𝑦2 𝑍1 𝛥𝑦 ̅̅̅2 + 𝑦1 − ̅̅̅ ̅̅̅ 𝑦2 ̅̅̅ 𝛥𝑓 ̅̅̅̅1 𝛥𝑍 𝛥𝑥 = + ̅̅̅1 + ̅𝑥̅̅̅1 𝑍1 𝑓 𝛿̅̅̅̅̅ 𝑍𝐵1 = 𝛿̅̅̅̅̅̅ 𝑋𝐵1 𝛿̅̅̅̅̅ 𝑌𝐵1 = ̅̅̅ 𝛥𝑓 ̅̅̅̅1 𝛥𝑍 𝛥𝑦 + ̅̅̅1 + ̅̅̅̅ 𝑦1 𝑍1 𝑓 90 𝛿̅̅̅̅̅̅ 𝑍𝐵1 = 𝛿𝑋̅̅̅̅̅̅ 𝐵1 0,1 0,01 + tan 0,02 + tan 0.0,002 + 3,56 − 1,562 tan 3,56 − 1,562 tan 1,562.0,002 0,002 0,002 + + + (3,56 − 1,562 tan 0) 1,964 − 1,562 1,964 − 1,562 = 6,4% 0,002 0,1 0,01 tan 0.0,002 = + + tan 0,02 + + 0,591 3,56 − 1,562 tan 3,56 − 1,562 tan + + 𝛿̅̅̅̅̅̅ 𝑌𝐵1 = 1,562.0,002 (3,56 − 1,562 tan 0) + 0,002 1,964 − 1,562 + 0,002 1,964 − 1,562 0,01 = 7,0% 3,56 0,002 0,1 0,01 tan 0.0,002 + + tan 0,02 + + 1,964 3,56 − 0,57 tan 3,56 − 0,57 tan 0,57.0,002 0,002 0,002 0,01 + + + + (3,56 − 0,57 tan 0) 0,972 − 0,570 0,972 − 0,57 3,56 = 6,7% Khi kết phép tính điểm B đến camera vị trí thứ nhất: 𝑋𝐵 = 2,94 ±0,21(m) 𝑌𝐵 = 9,77 ±0,65(m) 𝑍𝐵 = 17,76 ±1,14(m) b, Xây dựng sai số tương đối phép tính khoảng cách vật đến mặt phẳng 𝑂1 𝑋1 𝑌1 camera thứ nhất- ̅̅̅ 𝑍1 : Ta có: 𝑓 − ̅̅̅ 𝑥2 tan 𝛾 𝑥̅1 − ̅̅̅ 𝑥2 Lấy Logarit Nepe hai vế đạo hàm hai vế ta được: ̅̅̅ 𝑍1 = Tcos 𝛾 ̅̅̅1 )) = 𝑑 (𝑙𝑛 (Tcos 𝛾 𝑑(𝑙𝑛(𝑍 𝑓 − ̅̅̅ 𝑥2 tan 𝛾 )) 𝑥1 − 𝑥 ̅̅̅ ̅̅̅2 = 𝑑(𝑙𝑛(𝑇) + 𝑙𝑛(cos 𝛾) + 𝑙𝑛(𝑓 − ̅̅̅ 𝑥2 tan 𝛾) − 𝑙𝑛(𝑥 ̅̅̅1 − ̅̅̅)) 𝑥2 = 𝑑(𝑙𝑛(𝑇)) + 𝑑(𝑙𝑛(cos 𝛾)) + 𝑑(𝑙𝑛(𝑓 − ̅̅̅ 𝑥2 tan 𝛾)) − 𝑑(𝑙𝑛(𝑥 ̅̅̅1 − ̅̅̅)) 𝑥2 𝑑𝑇 𝑑 cos 𝛾 𝑑(𝑓 − ̅̅̅ 𝑥2 tan 𝛾) 𝑑(𝑥 ̅̅̅1 − 𝑥 ̅̅̅) + + − (𝑓 − 𝑥 (𝑥 𝑇 cos 𝛾 ̅̅̅2 tan 𝛾) ̅̅̅1 − ̅̅̅) 𝑥2 𝑑𝑇 𝑑 cos 𝛾 𝑑𝑓 𝑑(𝑥 ̅̅̅2 tan 𝛾) 𝑑𝑥 ̅̅̅1 𝑑𝑥 ̅̅̅2 = + + − − + 𝑇 cos 𝛾 𝑓−𝑥 ̅̅̅2 tan 𝛾 𝑓 − 𝑥 ̅̅̅2 tan 𝛾 ̅̅̅ 𝑥1 − 𝑥 ̅̅̅2 ̅̅̅ 𝑥1 − ̅̅̅ 𝑥2 𝑑𝑇 −𝑠𝑖𝑛𝛾 𝑑𝛾 𝑑𝑓 tan 𝛾 𝑑(𝑥 ̅̅̅) 𝑥2 𝑑(tan 𝛾) ̅̅̅ 𝑑𝑥 ̅̅̅1 𝑑𝑥 ̅̅̅2 = + + − − − + 𝑇 cos 𝛾 𝑓 − ̅̅̅ 𝑥2 tan 𝛾 𝑓 − ̅̅̅ 𝑥2 tan 𝛾 𝑓 − ̅̅̅ 𝑥2 tan 𝛾 𝑥 ̅̅̅1 − ̅̅̅ 𝑥2 ̅̅̅ 𝑥1 − ̅̅̅ 𝑥2 = 91 = 𝑑𝑇 −𝑠𝑖𝑛𝛾 𝑑𝛾 𝑑𝑓 tan 𝛾 𝑑(𝑥 ̅̅̅) 𝑥2 𝑑𝛾 ̅̅̅ 𝑑𝑥 ̅̅̅1 + + − − − 𝑇 cos 𝛾 𝑓 − ̅̅̅ 𝑥2 tan 𝛾 𝑓 − ̅̅̅ 𝑥2 tan 𝛾 𝑐𝑜𝑠 𝛾(𝑓 − ̅̅̅ 𝑥2 tan 𝛾) ̅̅̅ 𝑥1 − 𝑥 ̅̅̅2 𝑑𝑥 ̅̅̅2 + 𝑥1 − 𝑥 ̅̅̅ ̅̅̅2 Suy sai số tương đối phép đo khoảng cách từ điểm không gian đến mặt phẳng 𝑂1 𝑋1 𝑌1 giá trị tính tốn giá trị thực tế là: 𝛿̅̅̅ 𝑍1 = ̅̅̅1 𝛥𝑇 𝛥𝑍 𝛥𝑓 tan 𝛾 𝛥(𝑥 ̅̅̅) 𝑥2 𝛥𝛾 ̅̅̅ 𝛥𝑥 ̅̅̅1 = + 𝑡𝑎𝑛𝛾 𝛥𝛾 + + + + ̅̅̅ 𝑇 𝑓 − 𝑥 ̅̅̅ tan 𝛾 𝑓 − 𝑥 ̅̅̅ tan 𝛾 𝑐𝑜𝑠 𝛾(𝑓 − 𝑥 ̅̅̅ tan 𝛾) 𝑥 ̅̅̅ − 𝑥2 ̅̅̅ 𝑍1 2 𝛥𝑥 ̅̅̅2 + 𝑥1 − ̅̅̅ ̅̅̅ 𝑥2 c, Xây dựng sai số tương đối phép tính khoảng cách vật đến camera thứ nhất: Lấy Logarit Nepe hai vế đạo hàm hai vế ta được: 2 𝑑(𝑙𝑛(𝑑1 )) = 𝑑 (𝑙𝑛 (√̅̅̅ 𝑋1 + 𝑌̅1 + ̅̅̅ 𝑍1 )) = ̅̅̅1 + 𝑌̅1 + ̅̅̅ 𝑑 (𝑙𝑛 (𝑋 𝑍1 )) 2 ̅̅̅1 + 𝑌̅1 + ̅̅̅ 𝑍1 ) ̅̅̅1 ̅̅̅1 𝑑 (𝑋 𝑑𝑋 𝑑𝑌̅1 𝑑𝑍 ) = = ( 2 2+ 2+ 𝑋 ̅̅̅ ̅̅̅1 + 𝑌̅1 + ̅̅̅ ̅̅̅1 + 𝑌̅1 + ̅̅̅ ̅̅̅1 + 𝑌̅1 + 𝑍 ̅̅̅1 𝑍1 𝑋1 + 𝑌̅1 + ̅̅̅ 𝑍1 𝑋 𝑍1 𝑋 = ̅̅̅1 𝑑𝑋 ̅̅̅1 ̅̅̅1 𝑑𝑍 ̅̅̅1 2𝑋 2𝑌̅1 𝑑𝑌̅1 2𝑍 ( + + 2 2 2 2) ̅̅̅ ̅̅̅ ̅̅̅ 𝑋1 + 𝑌̅1 + ̅̅̅ 𝑍1 𝑋1 + 𝑌̅1 + ̅̅̅ 𝑍1 𝑋1 + 𝑌̅1 + ̅̅̅ 𝑍1 = ̅̅̅ ̅̅̅1 ̅̅̅ ̅̅̅1 𝑋1 𝑑𝑋 𝑌̅1 𝑑𝑌̅1 𝑍1 𝑑𝑍 + + 2 2 2 2 ̅̅̅ ̅̅̅ ̅̅̅ 𝑋1 + 𝑌̅1 + ̅̅̅ 𝑍1 𝑋1 + 𝑌̅1 + ̅̅̅ 𝑍1 𝑋1 + 𝑌̅1 + ̅̅̅ 𝑍1 Suy sai số tương đối giá trị tính tốn giá trị thực tế phép đo: ̅̅̅̅ ̅̅̅1 ̅̅̅ ̅̅̅1 𝛥𝑑1 𝑋1 𝛥𝑋 𝑌̅1 𝛥𝑌̅1 𝑍1 𝛥𝑍 𝛿𝑑1 = = + + 2 2 2 2 𝑑1 ̅̅̅ ̅̅̅ ̅̅̅ 𝑋1 + 𝑌̅1 + ̅̅̅ 𝑍1 𝑋1 + 𝑌̅1 + ̅̅̅ 𝑍1 𝑋1 + 𝑌̅1 + ̅̅̅ 𝑍1 d, Thiết lập công thức sai số tương đối phép tính khoảng cách tuyệt đối hai điểm khơng gian Ta có cơng thức xác định khoảng cách hai điểm thiết lập chương trên: 𝑃𝑎 𝑃𝑏 = √(𝑋𝑎 − 𝑋𝑏 )2 + (𝑌𝑎 − 𝑌𝑏 )2 + (𝑍𝑎 − 𝑍𝑏 )2 Lấy Logarit Nepe hai vế đạo hàm hai vế ta được: 𝑑(𝑙𝑛(𝑃𝑎 𝑃𝑏 )) = 𝑑 (𝑙𝑛 (√(𝑋𝑎 − 𝑋𝑏 )2 + (𝑌𝑎 − 𝑌𝑏 )2 + (𝑍𝑎 − 𝑍𝑏 )2 )) 92 = 𝑑(𝑙𝑛((𝑋𝑎 − 𝑋𝑏 )2 + (𝑌𝑎 − 𝑌𝑏 )2 + (𝑍𝑎 − 𝑍𝑏 )2 )) 𝑑 ((𝑋𝑎 − 𝑋𝑏 )2 + (𝑌𝑎 − 𝑌𝑏 )2 + (𝑍𝑎 − 𝑍𝑏 )2 ) = (𝑋𝑎 − 𝑋𝑏 )2 + (𝑌𝑎 − 𝑌𝑏 )2 + (𝑍𝑎 − 𝑍𝑏 )2 𝑑 ((𝑋𝑎 − 𝑋𝑏 )2 ) = ( (𝑋𝑎 − 𝑋𝑏 )2 + (𝑌𝑎 − 𝑌𝑏 )2 + (𝑍𝑎 − 𝑍𝑏 )2 𝑑 ((𝑌𝑎 − 𝑌𝑏 )2 ) + (𝑋𝑎 − 𝑋𝑏 )2 + (𝑌𝑎 − 𝑌𝑏 )2 + (𝑍𝑎 − 𝑍𝑏 )2 𝑑 ((𝑍𝑎 − 𝑍𝑏 )2 ) + ) (𝑋𝑎 − 𝑋𝑏 )2 + (𝑌𝑎 − 𝑌𝑏 )2 + (𝑍𝑎 − 𝑍𝑏 )2 = 2(𝑋𝑎 − 𝑋𝑏 )𝑑 (𝑋𝑎 ) ( 2 (𝑋𝑎 − 𝑋𝑏 ) + (𝑌𝑎 − 𝑌𝑏 )2 + (𝑍𝑎 − 𝑍𝑏 )2 −2(𝑋𝑎 − 𝑋𝑏 )𝑑 (𝑋𝑏 ) + (𝑋𝑎 − 𝑋𝑏 )2 + (𝑌𝑎 − 𝑌𝑏 )2 + (𝑍𝑎 − 𝑍𝑏 )2 2(𝑌𝑎 − 𝑌𝑏 )𝑑 (𝑌𝑎 ) + (𝑋𝑎 − 𝑋𝑏 )2 + (𝑌𝑎 − 𝑌𝑏 )2 + (𝑍𝑎 − 𝑍𝑏 )2 −2(𝑌𝑎 − 𝑌𝑏 )𝑑 (𝑌𝑏 ) + (𝑋𝑎 − 𝑋𝑏 )2 + (𝑌𝑎 − 𝑌𝑏 )2 + (𝑍𝑎 − 𝑍𝑏 )2 2(𝑍𝑎 − 𝑍𝑏 )𝑑 (𝑍𝑎 ) + (𝑋𝑎 − 𝑋𝑏 )2 + (𝑌𝑎 − 𝑌𝑏 )2 + (𝑍𝑎 − 𝑍𝑏 )2 −2(𝑍𝑎 − 𝑍𝑏 )𝑑(𝑍𝑏 ) + ) (𝑋𝑎 − 𝑋𝑏 )2 + (𝑌𝑎 − 𝑌𝑏 )2 + (𝑍𝑎 − 𝑍𝑏 )2 Suy sai số tương đối phép tính khoảng cách hai điểm khơng gian: (𝑋𝑎 − 𝑋𝑏 )𝛥𝑋𝑎 𝛿𝑃𝑎 𝑃𝑏 = (𝑋𝑎 − 𝑋𝑏 )2 + (𝑌𝑎 − 𝑌𝑏 )2 + (𝑍𝑎 − 𝑍𝑏 )2 (𝑋𝑎 − 𝑋𝑏 )𝛥𝑋𝑏 + (𝑋𝑎 − 𝑋𝑏 )2 + (𝑌𝑎 − 𝑌𝑏 )2 + (𝑍𝑎 − 𝑍𝑏 )2 (𝑌𝑎 − 𝑌𝑏 )𝛥𝑌𝑎 + (𝑋𝑎 − 𝑋𝑏 )2 + (𝑌𝑎 − 𝑌𝑏 )2 + (𝑍𝑎 − 𝑍𝑏 )2 (𝑌𝑎 − 𝑌𝑏 )𝛥𝑌𝑏 + (𝑋𝑎 − 𝑋𝑏 ) + (𝑌𝑎 − 𝑌𝑏 )2 + (𝑍𝑎 − 𝑍𝑏 )2 (𝑍𝑎 − 𝑍𝑏 )𝛥𝑍𝑎 + (𝑋𝑎 − 𝑋𝑏 )2 + (𝑌𝑎 − 𝑌𝑏 )2 + (𝑍𝑎 − 𝑍𝑏 )2 (𝑍𝑎 − 𝑍𝑏 )𝛥𝑍𝑏 + (𝑋𝑎 − 𝑋𝑏 )2 + (𝑌𝑎 − 𝑌𝑏 )2 + (𝑍𝑎 − 𝑍𝑏 )2 93