Leg een luchtfoto voor je neus (zoals die hierboven) en je zal onmiddellijk heel wat elementen onderscheiden. Gebouwen, wegen, bomen en rivieren zijn ook vanuit vogelperspectief snel herkenbaar. Dat komt omdat ons brein bepaalde vormen, groottes en kleuren met die elementen verbindt. Zo weten we dat een klein, gekleurd rechthoekje op de weg waarschijnlijk een auto is. En dat gebouwen zich kenmerken door strakke contouren.

Door ons begrip van context maken we zelfs nóg betere beoordelingen: een klein, gekleurd rechthoekje op een grasveld is waarschijnlijk geen auto, omdat we weten dat auto’s doorgaans niet over gras rijden.

"Bekijk je een luchtfoto, dan herken je meteen tientallen elementen".

Intelligentie overbrengen

Onze ogen kunnen heel wat nuttige informatie afleiden uit foto’s: de dichtheid van het wegennet, het soort beplanting, het materiaal waaruit daken zijn gemaakt, de locaties van zonnepanelen ... Door foto’s te vergelijken, spotten we bovendien verschillen doorheen de tijd, zoals ontbossing, urbanisatie en de opkomst van hernieuwbare energie.

Het is evenwel makkelijk om te vergeten dat een taak die zo natuurlijk lijkt (objecten herkennen op luchtfoto’s), veel intelligentie en ervaring vereist. Kunnen we computers dezelfde skills en voortschrijdende inzichten aanleren? Het antwoord is volmondig ‘ja’.

Doorbraak van computervisie

De hulp van computers is zeker welkom als we grote gebieden wensen te analyseren. Voor mensen is dit immers te arbeidsintensief. De recente, technische ontwikkelingen rond computervisie zijn alvast veelbelovend op dit vlak. Dat komt doordat deze 3 voorwaarden elkaar nu goed aanvullen:

• beschikbaarheid van voldoende aardobservatiedata, lucht- en satellietbeelden dus, maar ook mobile mapping beelden;
• vernieuwende algoritmes die in staat zijn om de beelden beter te begrijpen op basis van neurale netwerken;
• krachtige grafische processoren (GPU’s) die gelijktijdige berekeningen op grote volumes aan beelddata mogelijk maken.

"Via computervisie leren we machines om naar de wereld te kijken met onze ogen".

Vooral de snelle ontwikkeling van AI en de subdomeinen machine learning en deep learning effenen het pad voor de grootschalige analyse van beeldmateriaal. Zo bestaan er vandaag algoritmes die de werking van het visuele deel van ons brein perfect nabootsen.

CNN als geheim ingrediënt

Voor de doorbraak van computervisie is één type algoritme van cruciaal belang: convolutionele neurale netwerken (CNN). Hoe deze neurale netwerken werken? Een CNN legt verschillende filters na elkaar over een digitaal beeld heen. Elke filter of laag van neuronen haalt zo de gewenste info uit het beeld en geeft die door aan de volgende laag neuronen. Kortom: elke stap is nauw verbonden met de voorgaande stap en houdt een aantal transformaties (of ‘convoluties’) in, waardoor het beeld alsmaar abstracter wordt tot de computer weet wat er exact te zien is.

afbeelding: Jonas Kubilius

Een simpel voorbeeld: een computer kan een kat herkennen door de pixels en bouwblokjes (bv. rechte en kromme lijnen) van een foto te categoriseren in verschillende fases.

Bovendien worden deze algoritmes voortdurend ‘slimmer’. Op basis van training data leren ze immers om sneller de belangrijkste elementen in een beeld te detecteren.

Van objectdetectie tot objectsegmentatie

Voor veel courante uitdagingen in computer visie ligt de oplossing in deep learning-architecturen die op verschillende manieren voortbouwen op convolutionele neurale netwerken. Denk bijvoorbeeld aan deze 4 toepassingen:

• Classificatie – Welk type object staat op deze foto? 
• Objectdetectie – Waar in het beeld bevinden zich welke objecten? Die vraag wordt beantwoord door het tekenen van vakjes rond elk te detecteren object. Dat kan bijvoorbeeld voor het detecteren van zonnepanelen op een beeld ingezet worden.
• Semantische segmentatie – Het opbreken van een beeld in verschillende zones met soortgelijke kenmerken. Of anders gezegd: het classificeren van pixels in bijvoorbeeld ‘wegen’, ‘gebouwen’ of ‘beplanting’.
• Objectsegmentatie – Terwijl semantische segmentatie meerdere objecten toekent aan één ‘klasse’, ziet objectsegmentatie die gelijksoortige objecten als aparte entiteiten. Dat is nuttig om bijvoorbeeld verschillende auto’s of gebouwen spotten.

Een breed scala aan geotoepassingen

Computervisie op basis van AI wordt in de geosector ingezet om te detecteren waar onder meer bomen, wegen en gebouwen zich bevinden op een lucht- of satellietbeeld. Vraag je bijvoorbeeld om enkel de gebouwen op een foto aan te duiden, dan zal een hiervoor getraind algoritme dat probleemloos doen. Door verschillende beelden te vergelijken kan de computer bovendien verschillen waarnemen doorheen de tijd, net zoals ook wij dat zouden kunnen.

Aanknopen met nieuwe technologieën

Zelf zetten wij bij GIM computervisie vooral in om Belmap, een 3D-databank van gebouwen en adressen in de Benelux, te verrijken. Zo brengen we onder andere de leeftijd van gebouwen in kaart en de aanwezigheid van zonnepanelen of zwembaden.

Maar we lossen met machine learning algoritmes ook vragen op maat op. Zo halen we samen meer uit de data van onze klanten en automatiseren we tijdrovende taken. Nieuwe technologieën zoals AI, machine learning en deep learning zijn niet meer weg te denken uit onze samenleving. Dus waarom niet vandaag mee op de kar springen?

Steven Smolders
Technology Director bij GIM
steven.smolders@gim.be

Benieuwd hoe AI jouw geodata kan verrijken?

Bekijk nu onze webinar "Artificial Intelligence for Geo"

Aan de slag met AI voor Geo?

Neem vrijblijvend contact op