Zobrazowania z dronów: Od rejestrowania po zautomatyzowane analizy GeoAI
Najważniejsze informacje
Tworzenie map rzeczywistości umożliwia generowanie dwu- i trójwymiarowych cyfrowych reprezentacji świata fizycznego, które można następnie wykorzystać w systemie informacji geograficznych (GIS), aby nadać rzeczywisty kontekst danym przestrzennym. Aby pójść o krok dalej, możemy zastosować sztuczną inteligencję geoprzestrzenną (GeoAI), aby ułatwić wyodrębnianie informacji z tych reprezentacji w sposób wydajny, dokładny i na dużą skalę. Dzięki zestawowi filmów demonstracyjnych dowiesz się, jak to wszystko działa: jak trenować i używać modelu Deep Learning, wykorzystywać wstępnie wytrenowane modele SI i poznawać rzeczywiste zastosowania w różnych branżach.
Tworzenie map rzeczywistości jest definiowane jako proces generowania przestrzennie dokładnej cyfrowej reprezentacji 2D i 3D świata fizycznego przy użyciu obrazów lub danych z lidaru. Bardzo przydaje się tu technologia systemu informacji geograficznych (GIS), która pozwala ustalić zasoby podstawowe – tam, gdzie nie są one jeszcze dostępne – i uzyskać realistyczny obraz ważnych miejsc oraz rozpocząć rozwiązywanie problemów.Tak więc wykorzystując drony do rejestrowania aktualnych obrazów, nadajemy rzeczywisty kontekst danym przestrzennym. Możemy następnie nałożyć dodatkowe punkty danych na cyfrową reprezentację, dzięki czemu pogłębiamy analizę i zapewniamy kompleksowy obraz sytuacji szerokiej gamie zainteresowanych.
Analiza zobrazowań z dronów z wykorzystaniem GeoAI
Sztuczna inteligencja geoprzestrzenna (GeoAI) powstaje w wyniku integracji sztucznej inteligencji (AI) z danymi przestrzennymi, nauką i technologią. Pozwala ona uzyskiwać dodatkowe informacje, rozwiązywać problemy przestrzenne i automatyzować proces pozyskiwania informacji.
Korzystając z systemu ArcGIS, można analizować szeroką gamę zobrazowań – od chmury punktów przez zobrazowania zorientowane po filmy.Wykonuj różne zadania dotyczące zobrazowań, takie jak wykrywanie zmian, sprawdzanie przydatności miejsc, monitorowanie roślinności, wykrywanie obiektów, redagowanie obrazów lub wyodrębnianie i klasyfikacja obiektów.
W przypadku zarządzania nieruchomościami publicznymi i komercyjnymi instytucje mogą na przykład korzystać ze zobrazowań nieruchomych lub animowanych do wykrywania, klasyfikowania i liczenia pojazdów. Dzięki temu można dowiedzieć się, kiedy zapełnią się parkingi. W przypadku monitorowania publicznych sieci infrastrukturalnych chmury punktów mogą być używane do klasyfikowania zasobów użytkowych i identyfikowania roślinności, która zarasta sieć, co pomaga zapobiegać pożarom. W badaniach środowiskowych ortozobrazowania lub zobrazowania wideo i algorytmy klasyfikacji mogą wykrywać zmiany w populacjach zwierząt w czasie, co ułatwia zrozumienie ich ewolucji.
Analiza zobrazowań z dronów może być przeprowadzana na różnych typach danych.
Procedura wykonywania zadań: Trenowanie modelu Deep Learning i korzystanie z niego
Oszczędność czasu: Wstępnie wytrenowane modele SI
Esri dostarcza teraz ponad 40 wstępnie wytrenowanych, gotowych do użytku modeli Deep Learning, które są dostępne w atlasie ArcGIS Living Atlas of the World. Te wstępnie wytrenowane modele Deep Learning eliminują potrzebę posiadania dużej ilości danych treningowych, bogatych zasobów komputerowych i obszernej wiedzy na temat sztucznej inteligencji (SI). Przyspieszają one przestrzenne procedury wykonywania zadań przy użyciu wbudowanych funkcji i zasobów zaprojektowanych specjalnie z myślą o wyodrębnianiu obiektów z obrazów, klasyfikowaniu pokrycia terenu, edytowaniu obrazów i wykrywaniu obiektów. Zautomatyzuj sposoby wyodrębniania ważnych spostrzeżeń z obrazów, chmur punktów i filmów.
Wstępnie wytrenowane modele Deep Learning firmy Esri potrafią wykrywać samochody, budynki, linie energetyczne i pęknięcia nawierzchni oraz klasyfikować pokrycie terenu. Wystarczy pobrać wstępnie wytrenowany model i uruchomić go na swoich zobrazowaniach za pomocą aplikacji ArcGIS Image for ArcGIS Online lub ArcGIS Pro. Można go też dostosować do swoich potrzeb i lokalizacji. Nie jest potrzebny żaden trening.
Wykonaj poniższe czynności, aby rozpocząć trenowanie i użytkowanie modelu Deep Learning.
Obejrzyj poniższe filmy demonstracyjne, aby dowiedzieć się, jak SI i zobrazowania z drona są wykorzystywane w różnych branżach do rozwiązywania złożonych problemów.
Prezentacja 1: Międzynarodowy port lotniczy w San Bernardino wykorzystuje sztuczną inteligencję do identyfikowania uszkodzeń nawierzchni
Międzynarodowe lotnisko w San Bernardino korzysta z dronów w swoim nowym Centrum Bezzałogowych Statków Powietrznych. Kilometry betonowych dróg kołowania i pasów startowych lotniska muszą być regularnie oceniane pod kątem bezpieczeństwa. Dawniej robili to ludzie, co wymagało setek godzin prac naziemnych. Dziś można zastosować drony i algorytmy sztucznej inteligencji, aby przyspieszyć ten proces. Obejrzyj ten film demonstracyjny, aby sprawdzić, jak sztuczna inteligencja i technologia Deep Learning są wykorzystywane do identyfikowania uszkodzeń nawierzchni i szybkiego sprawdzania pasów startowych oraz dróg kołowania pod kątem pęknięć.
Prezentacja 2: Zobrazowania z dronów i uczenie maszynowe pomagają identyfikować zagrożenia powodziowe w Belize
Obszary przybrzeżne w Belize są położone nisko, co zwiększa ryzyko powodzi. Wykorzystując zdjęcia z dronów i wstępnie wytrenowane modele Deep Learning, możemy przyjrzeć się wrażliwości budowli – nie tylko pod kątem ich położenia względem oceanu, ale także wysokości, materiałów budowlanych i wielu innych cech. W filmie zaprezentowano na przykładzie Belize proces przesyłania do usługi ArcGIS Online zobrazowań przy użyciu nowych funkcji aplikacji ArcGIS Image for ArcGIS Online. Można dzięki temu szybko rozpocząć analizę w chmurze – bez konieczności kodowania.
Prezentacja 3: Automatyzacja oceny szkód pożarowych za pomocą technologii Deep Learning
W 2018 roku pożar Woolsey Fire strawił w ciągu 15 dni prawie 97 tysięcy akrów ziemi wokół Los Angeles w stanie Kalifornia. Ocena skali zniszczeń miała zasadnicze znaczenie w procesie usuwania skutków katastrofy. Dawniej ręczne klasyfikowanie zdjęć lotniczych zajmowało wiele dni, a teraz trwa tylko godziny dzięki wstępnie wytrenowanym modelom uczenia maszynowego i zautomatyzowanej sztucznej inteligencji. Ta prezentacja prowadzi użytkownika przez proces trenowania, tworzenia i stosowania własnego modelu Deep Learning, wykorzystując przykład pożaru Woolsey Fire.
Potrzebujesz pomocy podczas szukania właściwego rozwiązania?
Zaplanuj rozmowę z jednym z naszych doświadczonych konsultantów sprzedaży. Opowiedz nam, jak używasz zobrazowań i danych teledetekcyjnych, a my pokażemy Ci, co możesz osiągnąć, korzystając z kompleksowego systemu geoprzestrzennego.