Meer zien met computervisie

Computervisie is gemodelleerd op de werking van het menselijke brein om informatie uit digitale beelden te halen. Het combineert een reeks beeldfilters gestapeld in zogenaamde deep convolutional of transformer gebaseerde networks. Deze netwerken worden specifiek getraind om kenmerken uit beelden te identificeren.

Als we deze technieken toepassen op luchtfoto's en satellietbeelden kunnen we informatie verzamelen die nuttig is voor een hele reeks toepassingen.  

Gebouwen detecteren Een neuraal netwerk brengt elke pixel van een luchtfoto in kaart en gaat na of deze al dan niet tot een gebouw behoort. Het resultaat wordt vergeleken met bestaande gebouwpolygonen.
De leeftijd van gebouwen bepalen Door de gebouwdetectie te herhalen op tijdreeksen van topografische kaarten, orthofoto’s en satellietbeelden bepaal je voor elk gebouw in welke periode het is gebouwd.
Dakobjecten identificeren Computervisie identificeert zelfs kleinere objecten op daken, zoals zonnepanelen, dakramen en air conditioning units. Deze informatie integreren we in Belmap ondermeer om het energiepotentieel en energiegebruik van gebouwen te bepalen.
Bodembedekking bepalen In een zogeheten multiclass-beeldsegmentatie wordt elke pixel van een beeld toegewezen aan de meest waarschijnlijke categorie. Het resultaat: een uiterst gedetailleerde landbedekkingskaart.
Mobiele beelden analyseren Computervisie is niet kieskeurig. Het werkt met beelden verzameld uit professionele 360°-camera’s maar ook met smartphonefoto’s. Met deze beelden beoordeel je de kwaliteit van het wegdek of identificeer je verkeersborden, straatmarkeringen, bomen en straatmeubilair …

Toveren met pixels dankzij superresolutie

Hoe nauwkeurig je aan beeldherkenning doet, hangt in grote mate af van de beeldresolutie. Geen hoge resolutie beschikbaar? Geen nood, computervisie kan de resolutie van het beeldmateriaal kunstmatig verhogen met een factor 4.

Computers voorspellen de toekomst

Geo-AI beperkt zich niet tot computervisie. Taalverwerkingstechnieken (natural language processing) scannen documenten op zoek naar geografische inhoud. Tijdreeksanalyse spoort patronen op en maakt voorspellingen voor toekomstige verkeersstromen, parkeerbezetting of stedelijke hittestress.

Machine learning-technieken worden ook gebruikt om eigenschappen van objecten te voorspellen zoals bijvoorbeeld de waarde en energieprestatie van gebouwen. Modellen worden getraind op bekende informatie over bestaande gebouwen. Zo leert het model om een reeks basiseigenschappen zoals volume, type, leeftijd, aard en dakkenmerken te linken aan de energieprestaties. Eens de modellen getraind zijn, worden ze ingezet om de prestaties van het volledige gebouwenbestand in te schatten.

Ook sterkere inzichten verwerven via Geo-AI?

• Schrijf je in voor onze training 
• Contacteer onze experten
• Bekijk ons webinar