A DJI legújabb, 2025 novemberében megjelent LiDAR szenzorát természetesen a „legjobbkor” sikerült élesben tesztelnem. Napokig sűrű köd ült az ország jelentős részén, ami kettős kihívást jelentett: nemcsak a drón láthatóságát korlátozta, de a LiDAR lézeres technológiája miatt a mérést is ellehetetlenítette. Ködös, párás időben a szakmai ajánlások szerint sem tanácsos repülni, mivel a légköri nedvesség jelentősen rontja a kapott pontfelhő minőségét.
Hozzá kell tennem, a tényleges legelső tesztre pár nappal korábban, még ideális időjárási körülmények között került sor – ám egy utófeldolgozási hiba miatt abból az adatból végül nem született pontfelhő, így maradt a ködös premier.
Bár a térinformatikai utófeldolgozás nem hozott sikert, a premierről és az új szenzorról készült egy videós anyag, ami itt nézhető meg. (A legfigyelmesebb nézők másfél percnél engem is felfedezhetnek a háttérben):
Az eszköz megnövelt hatótávolsága mellett a legnagyobb újdonságot a kifejezetten távvezetékek felmérésére optimalizált funkciók jelentik, így a teszthelyszínt is egy ilyen infrastruktúra mentén választottuk ki. Emellett kíváncsi voltam arra is, hogy a kiemelkedő, akár 16-szoros visszaverődés mire képes a gyakorlatban: vajon képes-e kirajzolni a fák tövében elhelyezett kisebb, rejtett tárgyakat?
Így tekert a drón a ködben:
Az adatok feldolgozásához a DJI saját szoftverét, a DJI Terrát használtam. Kíváncsiságból nemcsak a pontfelhőt, hanem egy ortofotót is generáltam vele, ám – ahogy az alábbi képen is látszik – egy kifejezetten LiDAR-méréshez tervezett röppálya esetén ez az eredmény inkább csak háttértérképnek alkalmas. Természetesen a szoftverben elérhető kifejezetten fotogrammetriai célú repüléstervezés is, de ezt most nem teszteltem.
Mit látunk az alábbi képeken?
1) Az oblique (ferdetengelyű) repülés útvonalát az adatgyűjtés közben.
2) A generált ortofotót.
3) A mérésből származó domborzatmodellt.
4) A pontfelhőt, Gaussian Splatting technológiával ábrázolva.
5) A pontfelhőt a visszaverődések száma szerint színezve.
6) Egy alapszintű, automatizált osztályozást is elvégzett a DJI Modify.
7) A létrehozott osztályok közül itt kizárólag a felszíni (talaj) pontokat hagytam meg, minden egyéb objektumot kikapcsoltam.
A fák tövében elhelyezett tárgyak utólagos azonosítását közvetlenül a szoftverben végeztem el. További adatszűrést vagy komplex feldolgozást itt nem alkalmaztam: magában a DJI Terrában kerestem meg a kérdéses helyszínt, és ellenőriztem, hogy keresztmetszeti nézetben (szelvényezve) kiemelkednek-e a célobjektumok a talajfelszínből.
A kedvezőtlen időjárás ellenére ez a mérés kiválóan megmutatta, hogy a legrosszabb terepi körülmények között mire képes a szenzor. Egyfajta éles stressztesztként is felfogható, ami reális képet ad az eszköz határairól. A részletes technikai paraméterekről és specifikációkról az alábbi linken lehet tájékozódni:
Katt a részletekért