In de wereld van georuimtelijke analyse en gegevensvisualisatie is de integratie van deep learning-technieken een game-changer geworden. Het vermogen om complexe gegevens te interpreteren en waardevolle inzichten te genereren uit ruimtelijke gegevens, heeft geleid tot de ontwikkeling van krachtige tools. Tools die de manier waarop we onze omgeving begrijpen en analyseren, transformeren.
Een opvallend voorbeeld van deze vooruitgang is het gebruik van voorgetrainde deep learning-modellen uit de Levende Atlas, die direct kunnen worden ingezet in ArcGIS. De voorgetrainde modellen kunnen onder andere worden gebruikt voor het detecteren van objecten, het classificeren van pixels en het tracken van objecten. In deze blog delen we voorbeelden van deep learning, verkennen we de workflow en zetten we uiteen welke voordelen het gebruik van voorgetrainde modellen met zich meebrengt.
Bekijk de voorgetrainde modellen
Voorbeelden
Voordat we kijken naar de voordelen van deep learning-modellen, laten we eerst een aantal voorbeelden zien. Zo krijgt u een beeld van wat er mogelijk is.
Windmolendetectie
De opwekking van duurzame energie wordt steeds belangrijker. Om aan de energievraag te voldoen, zal de aankomende jaren het aantal windturbines in Nederland toenemen. Om nieuwe locaties voor windturbines aan te wijzen, is het belangrijk om te weten waar huidige windturbines staan. Dit model detecteert windturbines, die goed zichtbaar zijn op hoge resolutie luchtfoto’s.
Boomsegmentatie
Dit model maakt het mogelijk om bomen te detecteren en segmenteren. Zoals op de foto te zien is, haalt het model ook de vorm van de boom eruit. Zo kunt u bepalen hoe groot de boomkroon is. Op basis van de gegeven informatie, wordt onder andere inzicht verkregen in de aanwezigheid van bomen en schaduwvorming. Niet alleen op openbaar terrein, maar ook op privéterrein.
Autodetectie
Voor het detecteren van auto’s is ook een deep learning model-beschikbaar. Dit model is toepasbaar op zowel hoge resolutie luchtfoto’s, als op dronebeelden. Het herkent auto’s en geeft als resultaat een ‘bounding box’ om de auto heen. Autodetectie is handig voor het analyseren van verkeer, het gebruik van parkeerplaatsen en stadsplanologie.
Workflow deep learning
Voordat een deep learning-model kan worden toegepast, dient er een model getraind te worden. Dit kan een model zijn om auto’s, zonnepanelen, verkeersborden of andere objecten te detecteren. Het is ook mogelijk om pixels te classificeren. Het model kan worden getraind op basis van labels die handmatig worden toegepast, bijvoorbeeld door 300 verschillende auto’s te labelen op een luchtfoto. Soms zijn er wel honderden gelabelde objecten nodig om een goed getraind model te krijgen. Zodra het model getraind is, kan deze worden uitgevoerd op oneindig veel andere luchtfoto’s of andere datasets.
Bekijk de tutorials voor het trainen van je eigen model
Voorgetrainde modellen
U kunt zich voorstellen dat het labelen van de objecten veel tijd kost. Daarnaast kan het ook veel tijd kosten om het model te trainen, aangezien het veel rekenkracht van de computer vereist. Het zijn de meest tijdsintensieve stappen in de workflow van deep learning. Gelukkig is hiervoor in de meeste gevallen een goede oplossing, waardoor u enorm n. In ArcGIS kunnen deep learning-modellen gedeeld worden via een deep learning-package. Door een deep learning-package te delen kunnen meerdere mensen, organisaties en processen de vruchten plukken van het reeds uitgevoerde werk. Vanuit Esri stellen we, op dit moment, 73 modellen ter beschikking via de ArcGIS Living Atlas of the World. De modellen verschillen van objectdetectie tot pixelclassificatie en objectblurring en kunt u direct inzetten met behulp van ArcGIS Pro, ArcGIS Online, ArcGIS Enterprise of ArcGIS Survey123.
Bekijk de voorgetrainde modellen
