Drohnenbilddaten: Von der Erfassung zur automatisierten Analyse mit GeoAI
Wichtigste Erkenntnisse
Das Reality-Mapping ermöglicht uns, digitale 2D- und 3D-Repräsentationen der physischen Umwelt zu erstellen, um sie mit GIS-Technologie (geographische Informationssysteme) zu verwenden und realen Kontext für räumliche Daten zu erhalten. In einem weiteren Schritt können wir mithilfe von Geospatial Artificial Intelligence (GeoAI, also räumlicher künstlicher Intelligenz) aus diesen Repräsentationen noch effizienter, genauer und maßstabgetreu Informationen extrahieren. In mehreren Demo-Videos erfahren Sie, wie all das funktioniert: Das Training und die Verwendung eines Deep-Learning-Modells, die Nutzung vortrainierter AI-Modelle und die Erkundung echter Anwendungen in verschiedenen Branchen.
Laut Definition ist Reality-Mapping ein Prozess zum Erstellen einer räumlich genauen digitalen 2D- und 3D-Repräsentation der physischen Umwelt anhand von Bild- oder LIDAR-Daten. Besonders nützlich ist dies, wenn GIS-Technologie (geographische Informationssysteme) zum erstmaligen Erstellen grundlegender Inhalte verwendet wird, um eine realistische Ansicht wichtiger Standorte zu erhalten und mit der Problemlösung zu beginnen.Also können wir mit Drohnen aktuelle Bilddaten erfassen, um realen Kontext für räumliche Daten zu erhalten. Danach können wir zusätzliche Datenpunkte über die digitale Repräsentation legen, um eingehendere Analysen und den verschiedenen Projektbeteiligten eine ganzheitliche Sicht zu ermöglichen.
Analyse von Drohnenbilddaten mit GeoAI
Geospatial Artificial Intelligence (GeoAI) ist die Integration von Artificial Intelligence (AI), also künstlicher Intelligenz (KI), mit räumlichen Daten, Wissenschaft und Technologie zum Verbessern des Verständnisses, Lösen räumlicher Probleme und Automatisieren der Extraktion von Informationen.
Mit ArcGIS können Sie verschiedenste Bilddaten analysieren, deren Palette von einer Punktwolke über ausgerichtete Bilddaten bis zu Videodaten reicht.Mit Bilddaten können Sie verschiedene Aufgaben durchführen, wie zum Beispiel Änderungserkennung, Standorteignung, Vegetationsüberwachung, Objekterkennung, Bildschwärzung oder Feature-Extraktion und -Klassifizierung.
In der öffentlichen und gewerblichen Immobilienverwaltung können die Organisationen Standbild- oder Bewegtbilddaten zum Erkennen, Klassifizieren und Zählen von Fahrzeugen verwenden, um zu überwachen, wann die Kapazität der Parkplätze erreicht ist. In der Überwachung von Versorgungsnetzen können Punktwolken zum Klassifizieren einzelner Anlagen und Identifizieren vorgedrungener Vegetation im Netz verwendet werden, um Wald- und Buschbrände zu verhindern. In der Umweltforschung können mit Klassifizierungsalgorithmen in Orthobilddaten oder Videobilddaten die zeitlichen Änderungen in Tierpopulationen erkannt werden, um deren Entwicklung zu verstehen.
Die Analyse von Drohnenbilddaten kann an verschiedenen Datentypen durchgeführt werden.
Workflow: Training und Verwendung eines Deep-Learning-Modells
Zeitersparnis: Vortrainierte AI-Modelle
Esri stellt jetzt über 40 vortrainierte Deep-Learning-Modelle bereit, die im ArcGIS Living Atlas of the World verwendet werden können. Diese vortrainierten Deep-Learning-Modelle machen umfangreiche Mengen an Trainingsdaten, große Rechenressourcen und umfassende Kenntnisse im Bereich der künstlichen Intelligenz (KI) überflüssig. Mit ihrer Hilfe können Sie Ihre räumlichen Workflows mit integrierter Expertise und Ressourcen, die speziell für die Bild-Feature-Extraktion, Landbedeckungsklassifizierung, Bildschwärzung und Objekterkennung entwickelt wurden, beschleunigen. Automatisieren Sie die Extraktion aussagekräftiger Erkenntnisse aus Bilddaten, Punktwolken und Videomaterial.
Von Esri gibt es vortrainierte Deep-Learning-Modelle für die Fahrzeugerkennung, Gebäudeerkennung, Landbedeckungsklassifizierung, Stromleitungserkennung und Straßenbelagsrisserkennung. Sie müssen lediglich Ihr gewünschtes vortrainiertes Modell auswählen und können es dann mit ArcGIS Image for ArcGIS Online oder ArcGIS Pro an Ihren Bilddaten ausführen. Danach können Sie es auf Ihre Anforderungen und den gewünschten Standort feinabstimmen. Es ist kein Training erforderlich.
Führen Sie die folgenden Schritte aus, um mit dem Training und der Verwendung eines Deep-Learning-Modells zu beginnen.
Schauen Sie sich die folgenden Demo-Videos an, um zu erfahren, wie KI und Drohnenbilddaten in anderen Branchen zum Lösen komplexer Probleme verwendet werden.
Demo 1: San Bernardino International Airport nutzt AI zum Erkennen von Straßenbelagsschäden
Der San Bernardino International Airport setzt Drohnen am neuen Unmanned Aircraft Systems Center ein. Auf dem Flughafen müssen die Rollfelder und Start- und Landebahnen aus Beton regelmäßig auf ihre Sicherheit geprüft werden. In der Vergangenheit mussten spezielle Mitarbeiter in Hunderten von Stunden die notwendigen Bodeninspektionsarbeiten durchführen. Heute können dafür Drohnen und KI-Algorithmen eingesetzt werden, um diesen Prozess zu beschleunigen. Schauen Sie sich dieses Demo-Video an, um zu erfahren, wie KI und Deep Learning verwendet werden, um Straßenbelagsschäden zu erkennen und Start- und Landebahnen und Rollfelder schnell auf Risse zu untersuchen.
Demo 2: Drohnenbilddaten und maschinelles Lernen helfen beim Erkennen des Überschwemmungsrisikos in Belize
Die tief liegenden Küstengebiete in Belize sind einem hohen Überschwemmungsrisiko ausgesetzt. Mit Drohnenbilddaten und vortrainierten Deep-Learning-Modellen können wir uns die Gefährdung von Bauwerken anschauen, und dies nicht nur in Bezug auf ihre Nähe zum Meer, sondern auch auf ihre Höhenlage, ihre Baumaterialien und verschiedene weitere Merkmale. Anhand von Belize als Beispiel zeigt dieses Demo-Video den Prozess zum Hochladen von Bilddaten mit den neuen Funktionen in ArcGIS Image for ArcGIS Online an ArcGIS Online, um schnell mit der Analyse in der Cloud beginnen zu können, ganz ohne Programmierkenntnisse.
Demo 3: Feststellung von Brandschäden mit Deep Learning automatisieren
Im Jahr 2018 zerstörte das Woolsey-Feuer in 15 Tagen nahezu 392 km² Land in der Umgebung von Los Angeles in Kalifornien. Für die Katastrophenhilfe war es wichtig, das Ausmaß der Schäden zu erfassen. Früher hätte es Tage gedauert, die Luftbilddaten manuell zu klassifizieren. Dank der vortrainierten Modelle für maschinelles Lernen und automatisierter KI dauert dies heute nur noch Stunden. Anhand des Woolsey-Feuers als Beispiel zeigt dieses Demo-Video den Prozess zum Erstellen, Trainieren und Anwenden eines eigenen Deep-Learning-Modells.
Sie benötigen zur Auswahl der richtigen Lösung Hilfe?
Dann vereinbaren Sie einen Gesprächstermin mit einem unserer erfahrenen Verkaufsberater. Erläutern Sie kurz, wie Sie Bild- und Fernerkundungsdaten aktuell nutzen, damit wir Ihnen zeigen können, wie Ihre Arbeit von einem umfassenden Geodatensystem profitieren kann.