Planet Object Detection Platform: deeplearning object herkenning als nieuwe standaard

Ivo de Liefde

Esri Certified Professional

Stel je voor: een GIS-oplossing die jouw specifieke objecten herkent en je snel relevante, bruikbare geo-data levert. Een tool waarmee je herkende objecten laagdrempelig kunt analyseren, zodat je bespaart op kosten en capaciteit.

Het Planet Object Detection Platform is die oplossing en is vanaf nu te gebruiken. De tool herkent geautomatiseerd uiteenlopende fysieke objecten op basis van beeldmateriaal zoals luchtfoto’s, sattelietbeelden en video. Deze innovatie luidt een nieuw hoofdstuk in op gebied van object detectie.

In dit artikel ga ik in op de werking van het Planet Object Detection Platform en leg ik uit waarom deze tool zo waardevol is binnen het GIS landschap.

Het POD-platform is een deep learning geografisch informatiesysteem (GIS) dat werkt op basis van een getraind algoritme. Resultaat? Nieuwe, snellere en meer accurate inzichten vanuit object detectie.

Alles over platform en de mogelijkheden ervan in één overzicht ontvangen? Download dan de productsheet Planet Object Detection. 

Mail button2


G
roeiende vraag naar Object Detection

Vanuit de markt krijgen wij steeds vaker de vraag of wij specifieke objecten kunnen herkennen op basis van beeldmateriaal zoals luchtfoto’s of video. We konden hier als GIS-specialist natuurlijk wat in betekenen, maar we hadden niet een eenduidig systeem voorhanden waarmee we in relatief korte tijd meerdere type objecten kunnen definiëren en analyseren.

hoe werkt-2

Dat was de aanleiding om een tool te ontwikkelen diezelf objecten herkent en analyseert. Dat is gelukt met het Planet Object Detection Platform! En dat bedoel ik niet als in een handig hulpmiddel. Nee, het POD-platform kan op basis van A.I. zelf leren, herkennen, analyseren en verder leren. Ofwel, machine learning in object detection. 

De variatie aan objecten en soorten te benutten beeldmateriaal maakt de oplossing uniek en erg waardevol voor organisaties. 

Door data van objecten goed in kaart te brengen kun je als organisatie processen beter stroomlijnen en adequater inspelen op behoeften, veranderingen of problemen. Het traject van verzamelen, verrijken, visualiseren en analyseren van geografische data is een behoorlijk technisch, maar bovenal kostbaar en tijdrovend traject.

Hierdoor zien wij die groeiende behoefte in het versnellen van het geo-dataproces (genereren, verwerken en analyseren) vanuit object herkenning. Hieronder een greep uit mogelijke toepassingen:

  • Een gemeente wil weten waar en hoeveel dakkappelen er zijn geplaatst binnen een bepaald gebied. En wil dat periodiek toetsen om te achterhalen of het aantal dakkappelen synchroon loopt met het aantal verstrekte vergunningen. Eenzelfde proces is denkbaar op gebied van boomkap- en beplanting, uit- en aanbouwen, et cetera;
  • De brandweer van een specifieke veiligheidsregio wil weten welke gebouwen een rieten dak bevatten. Reden van deze vraag is het inventariseren van de risico’s op brand. Een soortgelijke vraag ontvingen wij van een verzekeraar, maar dan toegespitst op schoorstenen;mog-1
  • Een overheid wil het aantal zonnepanelen op huizen en bedrijven in kaart brengen om te achterhalen hoe duurzaam een regio is en wat hierin de ontwikkeling is. Zonnepaneel herkenning kan ook worden ingezet voor organisaties actief in de verkoop en plaatsing van panelen; 

  • Een provincie wil weten welke bermen gemaaid moeten worden voor een goed overzicht op kruisingen en verkeersborden. Hierbij kan object herkenning op basis van video uitkomst bieden.
In principe kunnen we het algoritme trainen op basis van iedere foto/video waarop een object is te onderscheiden van de omgeving. Dit maakt het aantal toepassingen voor object herkenning talrijk.

Hoe werkt het?  

Om je een beter beeld te geven van hoe het POD-platform werkt, beschrijf ik hieronder het werkproces.

    1. De eerste stap is het definiëren en specificeren van het object dat herkend moet worden. Op basis van deze definitie zal een eerste dataset door ons worden voorbereid en worden geoptimaliseerd voor het ‘trainen’ van het algoritme. Ook wordt deze definitie gebruikt om later het functioneren van het algoritme te toetsen.

    Op basis van de objectdefinitie en de voorbereide dataset gaan wij het algoritme trainen op het zo precies mogelijk herkennen van dat object. Het getrainde algoritme wordt vervolgens klaargezet voor gebruik in een (web)applicatie naar keuze.

  1. Het POD-platfom kan nu de gewenste objecten herkennen en analyseren. Na de selectie van het object selecteer je jouw interessegebied. Wanneer je vervolgens een analyse start wordt de door jouw getekende polygoon doorgestuurd naar onze FME server. Vanuit daar wordt de (lucht)foto van het geselecteerde gebied opgehaald en in het juiste machine learning GIS-model geschoten. Dit model is het algoritme dat eerder is getraind op het herkennen van de desbetreffende objecten aan de hand van een dataset.

    screenshot_selecteren_blauw2

  2. Vervolgens gaat het algoritme een ‘voorspelling’ doen op het geselecteerde gebied. Het resultaat wordt omgezet naar een vectorbestand dat weer wordt ingeladen en getoond op de POD-website. Deze resultaten kunnen desgewenst door de gebruiker worden gepresenteerd op een interactieve kaart of worden gedownload als een Excel, Shapefile of PDF bestand.

Screenshot4

Meer weten? 

Ga naar onze website voor meer informatie over het hoe en waarom van het Planet Object Detection Platform.

Wil je de tool direct eens uitproberen? Registreer je dan snel en vrijblijvend op geoai.tensing.com voor de gratis versie en benut direct tal van functies. We horen graag wat je ervan vindt en of je nog vragen hebt. 

Ervaar de Planet Object Detection Viewer zelf

Registreer je voor de Freemium omgeving
Kennishub

Ontdek meer over dit onderwerp

Drie (extra) redenen om de 3D GeoViewer te gebruikenGIS,blog,BIM,3d geoviewer

5 mythes en 5 waarheden over de integratie tussen BIM en GISArcGIS,ESRI,ArcGIS Pro,GIS,blog,BIM,Inzicht

Succesvolle lancering 3D GeoViewerInnovation,GIS,Tensing,blog,BIM

Let's Make a Map!: A Comparison of Current Web Mapping LibrariesGIS,Spatial Data Science,Tensing,Geo-ICT,blog,Inzicht

Gebruiker-centraal ontwikkelen in ArcGIS ProArcGIS Pro,GIS,Consultancy,blog

Over ons

Tensing maakt GIS-technologie toegankelijk en toepasbaar. Onze consultants realiseren state-of-the-art oplossingen op basis van Esri ArcGIS en Safe Software FME.

Blijf op de hoogte

Esri ArcGIS

Met Esri maken wij kaarten, stimuleren we samenwerking en analyseren we data. Zo heb jij altijd inzicht in de actuele situatie.

Safe Software FME

Met FME verbind je eenvoudig honderden applicaties, transformeer je data op oneindig veel manieren en automatiseer je workflows.
© 2019 Tensing | Privacy Policy | Cookie Policy