Case study – DJI Matrice 350 RTK jako narzędzie inspekcyjne

Autor: Radosław Bronakowski

Nie od dziś wiadomo, że drony mogą być pomocne w bardzo szerokim spektrum zastosowań. Często służą nam jako latające kamery, np. do rejestrowania pamiątek z wakacji. Pozwalają ukazywać świat z nowej perspektywy – z lotu ptaka. Ponadto dzięki rozwijającej się technologii dron może być doskonałym narzędziem pomiarowym, monitorującym czy inspekcyjnym.

Dziś wielowirnikowy bezzałogowy statek powietrzny to już nie tylko kamera. Multisensorowe głowice na gimbalu i coraz inteligentniejsze funkcje sprawiają, że lista zastosowań BSP znacząco się wydłużyła.

Najczęściej wykorzystywane sensory we współczesnych dronach to między innymi:

• Precyzyjne szerokokątne kamery światła widzialnego.
• Telekamery o możliwościach hybrydowego przybliżenia na poziomie nawet 400x.
• Dalmierze laserowe (LRF).
• Kamery termowizyjne (IR).
• Kamery noktowizyjne.
• Światło pomocnicze bliskiej podczerwieni (NIR).
• Detektory gazów, smogu etc.

Jak widać, rosnące możliwości sprzętowe w parze z błyskawicznym rozwojem oprogramowania i funkcji AI sprawiają, że BSP są stosowane coraz szerzej.

Poniżej przedstawiamy przykład wykorzystania drona do inspekcji dużej farmy fotowoltaicznej.

Obiekt, którego dotyczyła inspekcja, to część farmy fotowoltaicznej. Działania przeprowadzono tylko na wskazanym przez zleceniodawcę fragmencie o powierzchni 130 ha.

• Trudne warunki pogodowe: minusowe temperatury, wiatr na poziomie 10-15 m/s.
• Podmokły teren, na którym znajduje się farma.
• Stosunkowo wysoka wilgotność powietrza ze względu na porę roku.

Jako że inspekcja miała na celu wykrycie ewentualnych zmian wysokości stołów PV po zimie, niezbędne było wykonanie minimum dwóch nalotów celem zebrania dwóch osobnych chmur punktów. Aby wykazać ewentualne zmiany wysokościowe w interwale czasu, należało następnie porównać te chmury.

W planach jest jeszcze trzeci nalot celem weryfikacji, czy pierwsze porównanie przedstawia konkretne tendencje zmian wysokościowych stołów.

Rozwiązania uniwersalnie idealne nie istnieją. Dlatego w większości przypadków bardzo ważny jest odpowiedni dobór sprzętu do danego zadania.

W tym konkretnym przypadku wybór padł na flagową platformę DJI Enterprise, czyli DJI Matrice 350 RTK wraz DJI Zenmuse L2 (technologia LiDAR). Ponadto użyto mobilnej stacji bazowej D-RTK 3 oraz D-RTK 2. Wykorzystane oprogramowanie to DJI Terra do wygenerowania chmury punktów w formacie LAS i/lub PNTS – następnie do jej obróbki i modelowania zastosowano Cyclon 3DR.

Za takim konkretnym doborem sprzętu stało wiele czynników – poniżej wymieniamy kilka głównych:

• Wysoka odporność warunki atmosferyczne platformy DJI M350 RTK (odporność na wiatr do 12m/s, szeroki zakres temperatury roboczej od -20°C do 50°C).
• Wysoka precyzja i dokładność danych zbieranych przez DJI Zenmuse L2.
• Stacje bazowe D-RTK 2 oraz D-RTK 3 ze względu na stabilny dostęp do RTK (nawet bez internetu)
• DJI Terra jako oprogramowanie do wygenerowania chmury punktów w formacie LAS i/lub PNTS jest bezpłatnym rozwiązaniem dla DJI Zenmuse L2.
• Cyclon 3DR – wyspecjalizowane rozwiązanie programowe wykorzystujące automatyzację i narzędzia klasyfikacyjne oparte na sztucznej inteligencji.

Wykonanie nalotu zaczynamy od zaprogramowania trasy lotu.

Główne ustawienia, jakich użyto przy tym projekcie:

•  Dron: DJI Matrice 350 RTK + DJI Zenmuse L2.
• Pułap nalotu: 120 m.
• Kalibracja IMU L2 przed, w trakcie oraz po zakończeniu nalotu.
• Standardowe ustawienia nakładania się (overlaps) – boczne 40% i przednie 80%.
• Prędkość lotu w misji: 5 m/s.
• 3 odbicia/powroty lasera.
• Metoda skanowania: „repetitive” (dla scenariuszy, gdzie skanujemy struktury poziome, zaleca się używać „repetitive”, a dla obiektów pionowych, takich jak np. wieże linii energetycznych, zalecaną metodą skanowania jest „non-repetitive”).
• Zaznaczamy „RGB coloring” – dzięki temu model chmury punktów będzie kolorowy i przystępniejszy dla oka.

Dzięki tak dobranym nastawom możemy liczyć na chmurę punktów o gęstości ok. 240 punktów na metr kwadratowy i GSD na poziomie 3,22 cm/pix.

Dane z pierwszej część misji na obszarze o powierzchni 0,25 km² zebrano podczas ok. 20 minut lotu BSP.

Następnie wygenerowano model chmury punktów przy użyciu oprogramowania DJI Terra. Może ono generować pliki w najpopularniejszych formatach (np. PNTS, LAS) do dalszej obróbki.

DJI Terra jest intuicyjnym narzędziem, które pozwala na wykonywanie pomiarów, wyznaczanie przekrojów etc.

Z raportu jakościowego (generowanego automatycznie) wynika, że osiągnięto dokładność wysokościową na poziomie 0,0063 m (6,3 mm) dla składowej Z, przy błędzie RMSE wynoszącym 0,0007 m. Parametry kalibracji LiDAR wskazują na niewielkie odchylenia w osi Z (-0,0465 m), co mogło wpłynąć na precyzję.

Kolejny krok to modelowanie chmury punktów w programie Cyclon 3DR.
Na tym etapie wykorzystano celem porównania oba modele chmur punktów.
Porównano dane z grudnia 2024 z danymi z marca 2025.

Podzieliliśmy projekt na kilkanaście sekcji, aby uniknąć porównywania setek stołów.

Po prawej stronie widoczny jest rozkład błędów dla każdej sekcji. Przykładowo, w tym przypadku większość punktów mieści się w przedziale od -4 cm do +4 cm, co odpowiada granicom błędu pomiarowego.

Histogram pojawia się jedynie wtedy, gdy wyświetlana jest pojedyncza analiza, a nie wszystkie naraz, jak pokazano na zdjęciu.

Analiza porównawcza dwóch chmur punktów (grudzień 2024 vs. marzec 2025) wykazuje istotne różnice w wysokościach, choć ich charakter jest zróżnicowany przestrzennie. Poniżej prezentujemy najważniejsze wnioski.

Tendencje zmian

1. Zmienność przestrzenna:

• Obserwuje się lokalne wypiętrzenia terenu (sięgające +0,2 m), otoczone strefami osiadania gruntu.
• Najintensywniejsze zmiany występują w północno-zachodnich sekcjach.

2. Wpływ czynników sezonowych:

• Część obniżeń terenu może być związana z naturalnym zagęszczaniem się gruntu po cyklach zamarzania i odmarzania w okresie zimowym.
• Wypiętrzenia sugerują potencjalne przemieszczenia materiału lub oddziaływanie infrastruktury technicznej.

3. Analiza stabilności:

• 68% wyników pomiarów mieści się w zakresie ±1 odchylenia standardowego (ok. ±0,07 m), co potwierdza powtarzalny charakter deformacji.
• Wartości skrajne (< -0,16 m lub > +0,16 m) obejmują mniej niż 3% badanej powierzchni, wskazując na lokalny charakter anomalii.

Wnioski końcowe

Między grudniem 2024 a marcem 2025 odnotowano statystycznie istotne różnice wysokościowe (średnio -0,015 m, ±0,06 m) o charakterze mozaikowym. Podczas gdy 60% obszaru wykazuje stabilność (±0,04 m), ok. 30% terenu doświadczyło osiadania, a 10% – wypiętrzeń. Zalecana jest analiza przyczyn lokalnych anomalii (> ±0,12 m) oraz monitoring wybranych sektorów.