Впровадження штучного інтелекту для розпізнавання і вилучення 3D контурів будинків із супутникових знімків
Інновації в обробці супутникових знімків
Компанія VISICOM розробила та впровадила технологію розпізнавання актуальних супутникових знімків з роздільною здатністю 0,3-0,5 м на основі штучного інтелекту (ШІ), яка дозволяє автоматично створювати тривимірні карти забудови в національному масштабі.
Використовуючи алгоритм ML, за останні декілька років ми створили 3D покриття для 17 країн із загальною кількістю будинків близько 150 000 000.
Наразі 3D-моделі доступні для таких країн: ОАЕ, Катар, Кувейт, Бахрейн, Туреччина, Хорватія, Чорногорія, Румунія, Чехія, Греція, Словаччина, Мексика, Тайвань, Австрія, Македонія, В’єтнам, Таїланд.
Наші команди дослідників і розробників об'єднали наш досвід роботи з ГІС з досягненнями в галузі штучного інтелекту. Ця комбінація забезпечує інструмент, який дозволяє легко, швидко та економічно ефективно створювати 3D-моделі великих територій у будь-якій точці Землі.
Застосування та ринки
3D будинки можуть використовуватися в різних галузях, включаючи телекомунікації, геомаркетинг, WEB/GIS додатки, міське та кадастрове планування, військову справу, охорону навколишнього середовища та комунальне господарство.
3D дані створюють повний цифровий аналог країни разом з іншими шарами геоданих в складі карт для регіонального планування:
- Вулично-дорожня мережа
- Залізниці
- 3D мости
- Рельєф місцевості
- Гідрографія
- Землекористування
- Розподіл щільності населення
Переваги використання алгоритмів AI:
- Автоматизація виробництва та відповідно, скорочення часу на реалізацію проєкту: 99% будівель площею > 25 кв.м розпізнаються автоматично за допомогою алгоритму машинного навчання
- Повнота: 100% покриття контурами будинків досягається завдяки постобробці та валідації
- Планова точність та точність висот: +/- 3 м
Етапи виробництва:
- Створення еталонів будівель: Еталони включають найпоширеніші типи будівель. Для кожного регіону з відповідним типом будівлі має бути використана власна база даних еталонів і вхідні параметри з точними коефіцієнтами, які добре працюють для аналогічної місцевості.
- Етап штучного інтелекту та машинного навчання:
- Застосування порогових коефіцієнтів для ідентифікації шару будівель
- Розпізнавання шаблонів будівель за допомогою алгоритмів глибокого навчання
- Створення растра нейронною мережею
- Калібрування та зміна вхідних параметрів нейронної мережі (зміна коефіцієнтів, колірних патернів, геометричних шаблонів, додавання нових еталонів до бази даних).
- Цикл можна повторити кілька разів з самого початку, щоб досягти бажаної планіметричної точності 3 м CE90.
- Генерація векторних контурів будівлі з растра
- Додавання значень висот до контурів будівель
- Пост обробка: Остаточна перевірка, корекція та перевірка набору даних будівель, як геометрії, так і висот.
- Інтеграція у кінцевий продукт: наприклад, включення в повну 3D модель країни, генерація DHM/Clutter Heights, використання для створення детальної карти населення.
Використання 3D карт надає ряд переваг для планування процесів у будь-якій галузі в національному масштабі.
Наприклад, при плануванні мобільних мереж забезпечується оптимальне покриття країни.
Комплексне уявлення про забудову покращує стратегічне планування територіального та інфраструктурного розвитку країни. Дані, які виробляються одночасно для всієї країни, мають уніфіковані технічні характеристики, що спрощує координацію будь-яких проєктів.
Наші технології дозволяють підлаштовувати виробничі процеси під вимоги замовника, пропонувати гнучкі графіки постачання і комфортні ціни.
Ми завжди надаємо безоплатно дані для тестування та узгодження технічних характеристик. Всі типи моделей, не тільки 3D, для багатьох країн ви можете завантажити безпосередньо на нашому сайті.
