Imágenes tomadas por drones: desde la captura hasta el análisis GeoAI automatizado
Punto clave
La representación cartográfica de la realidad nos permite crear representaciones digitales en 2D y 3D del mundo físico para usar con tecnología de sistemas de información geográfica (SIG) y obtener un contexto realista para los datos espaciales. Para ir un paso más allá, podemos aplicar la inteligencia artificial geoespacial (GeoAI) para ayudar a extraer información de estas representaciones de manera más eficiente, precisa y a escala. A través de un conjunto de vídeos de demostración aprenderá cómo funciona todo, incluidos el entrenamiento y el uso de un modelo de aprendizaje profundo, el aprovechamiento de modelos de IA preentrenados y la exploración de aplicaciones del mundo real en una variedad de sectores.
La representación cartográfica de la realidad se define como un proceso de creación de una representación digital 2D y 3D espacialmente precisa del mundo físico utilizando imágenes o LIDAR. Resulta muy beneficioso cuando se usa tecnología de sistemas de información geográfica (SIG) para establecer contenido de base, donde aún no está disponible, para obtener una vista realista de las ubicaciones críticas y empezar a resolver problemas.Entonces, al usar drones para capturar imágenes actuales, obtenemos un contexto realista para los datos espaciales. Luego, podemos superponer puntos de datos adicionales sobre la representación digital para un análisis más profundo y para facilitar una visión holística para una amplia variedad de partes interesadas.
Análisis de imágenes tomadas por drones con GeoAI
La inteligencia artificial geoespacial (GeoAI) es la integración de la inteligencia artificial (IA) con los datos espaciales, la ciencia y la tecnología para aumentar la comprensión, resolver problemas espaciales y automatizar la extracción de información.
Con ArcGIS, puede analizar una amplia variedad de imágenes, desde una nube de puntos hasta imágenes orientadas y vídeos.Realice una variedad de tareas con imágenes que incluyen detección de cambios, idoneidad del sitio, monitoreo de la vegetación, detección de objetos, redacción de imágenes o extracción y clasificación de entidades.
Para la administración de propiedades públicas y comerciales, las organizaciones pueden usar imágenes fijas o en movimiento para detectar, clasificar y contar vehículos para saber cuándo alcanzan los estacionamientos su capacidad máxima. Para el monitoreo del derecho de paso de los servicios públicos, las nubes de puntos se pueden usar para clasificar los activos de los servicios públicos e identificar las invasiones de vegetación en la red para ayudar a prevenir incendios forestales. En el ámbito de la investigación ambiental, las ortoimágenes o las imágenes de vídeo y los algoritmos de clasificación pueden detectar cambios en las poblaciones de fauna a lo largo del tiempo para comprender cómo evolucionan.
El análisis de las imágenes tomadas por drones se puede realizar en una variedad de tipos de datos.
Flujo de trabajo: entrenamiento y uso de un modelo de aprendizaje profundo
Los ahorradores de tiempo: modelos de IA preentrenados
Ahora, Esri proporciona más de 40 modelos de aprendizaje profundo preentrenados que están listos para usar en ArcGIS Living Atlas of the World. Estos modelos de aprendizaje profundo preentrenados eliminan la necesidad de altos volúmenes de datos de entrenamiento, recursos de cálculo masivos y amplios conocimientos de inteligencia artificial (AI). Le permiten acelerar sus flujos de trabajo geoespaciales con experiencia y recursos integrados diseñados específicamente para extracción de entidades de imágenes, clasificación de cobertura de suelo, redacción de imágenes y detección de objetos. Automatice la forma con la que extrae perspectivas significativas de imágenes, nubes de puntos y vídeo.
Los modelos de aprendizaje profundo preentrenados de Esri incluyen detección de automóviles, detección de edificios, clasificación de cobertura terrestre, detección de líneas eléctricas y detección de grietas en el pavimento. Simplemente, tome un modelo previamente entrenado de su elección y ejecútelo en sus imágenes usando ArcGIS Image for ArcGIS Online o ArcGIS Pro. Luego puede ajustarlo para que se adapte a sus necesidades y ubicación. No se necesita entrenamiento.
Siga estos pasos para empezar a entrenar y usar un modelo de aprendizaje profundo.
Mire los siguientes vídeos de demostración para descubrir cómo se usan las imágenes de IA y de drones en diferentes sectores para resolver problemas complejos.
Demostración 1: el Aeropuerto Internacional de San Bernardino usa IA para identificar defectos en el pavimento
El Aeropuerto Internacional de San Bernardino vuela drones en su nuevo Centro de Sistemas de Aeronaves No Tripuladas. Los kilómetros de calles de rodaje y pistas de hormigón del aeropuerto deben evaluarse periódicamente para garantizar la seguridad. Si bien históricamente esto se ha hecho en persona, lo que requiere cientos de horas de trabajo de inspección en el terreno, hoy en día se pueden aplicar drones y algoritmos de inteligencia artificial para acelerar el proceso. Mire esta demostración para ver cómo se utilizan la IA y el aprendizaje profundo para identificar defectos en el pavimento y examinar rápidamente las pistas y calles de rodaje en busca de grietas.
Demostración 2: Las imágenes tomadas por drones y el aprendizaje automático ayudan a identificar el riesgo de inundación en Belice
Las áreas costeras de Belice están situadas en terrenos bajos, lo que aumenta el riesgo de inundaciones. Al usar imágenes de drones y modelos de aprendizaje profundo previamente entrenados, podemos observar la vulnerabilidad de las estructuras, no solo su proximidad al océano, sino también su elevación, materiales de construcción y una variedad de otras características. Con Belice como ejemplo, esta demostración recorre el proceso de carga de imágenes en ArcGIS Online usando las nuevas capacidades de ArcGIS Image for ArcGIS Online para empezar rápidamente el análisis en la nube, sin necesidad de codificación.
Demostración 3: Automatizar la evaluación de daños de incendios con aprendizaje profundo
En 2018, el incendio de Woolsey quemó casi 97.000 acres de tierra alrededor de Los Ángeles, California, en 15 días. Supervisar la escala de los daños fue esencial para ayudar después del desastre. Antes, hubiera llevado días clasificar manualmente las imágenes aéreas, pero ahora solo toma horas gracias a los modelos de aprendizaje automático preentrenados y la IA automatizada. Con el ejemplo del incendio de Woolsey, esta demostración lo guía a través del proceso de entrenamiento, creación y aplicación de su propio modelo de aprendizaje profundo.
¿Necesita ayuda para encontrar la solución adecuada?
Programe una conversación con uno de nuestros expertos asesores de ventas. Díganos cómo está utilizando en estos momentos las imágenes y los datos de teledetección y le mostraremos hasta dónde puede llevar su trabajo un sistema geoespacial integral.