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 KI-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: Nutzung von GeoAI für die Berichterstattung über den Zustand der Infrastruktur mithilfe von Drohnen
Mit Isolatoren an Strommasten wird verhindert, dass Strom von den Leitern in den Boden abfließt. Energieunternehmen führen regelmäßige Inspektionen der Übertragungs- und Verteilungsinfrastruktur durch, um Sicherheit und Effizienz zu gewährleisten.
In diesem Video wird gezeigt, wie Drohnenbilder mit dem Deep-Learning-Modell von Esri genutzt werden können, um Isolatoren zu erkennen und Defekte zu klassifizieren. Durch die Identifizierung der visuellen Merkmale von Isolatoren kann das Modell sie innerhalb komplexer Hintergründe genau lokalisieren und klassifizieren und schnell Teams im Außendienst mit der Reparatur beauftragen.
Der Einsatz dieser Technologie ermöglicht die automatisierte Inspektion von Stromleitungen in großem Maßstab, schnell und ohne manuelle Eingriffe. Dies reduziert nicht nur die Inspektionszeit und -kosten, sondern verbessert auch die Sicherheitsmaßnahmen bei der Wartung der elektrischen Infrastruktur.
Sie benötigen zur Auswahl der richtigen Lösung Hilfe?
Vereinbaren Sie einen Termin mit einem unserer 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.