Images de drones : de la capture à l'analyse GeoAI automatisée

La cartographie de la réalité se définit comme une procédure de création d'une représentation numérique du monde physique en 2D et 3D précise spatialement à l'aide d'images ou du lidar. Elle est particulièrement utile lorsqu'elle est utilisée avec la technologie SIG (système d’information géographique) pour établir un contenu fondamental, si ce dernier n'est pas encore disponible, afin d'obtenir une vue réaliste des sites critiques et de commencer à résoudre les problèmes.Ainsi, en capturant les images actuelles à l'aide de drones, nous donnons aux données spatiales un contexte dans le monde réel. Nous pouvons ensuite superposer des points de données supplémentaires sur la représentation numérique en vue d'une analyse plus approfondie et d'une approche holistique pour de nombreux intervenants différents.

L'intelligence artificielle géospatiale (GeoAI) est l'intégration de l'intelligence artificielle (IA) aux données, sciences et technologies spatiales pour renforcer la compréhension, résoudre les problèmes spatiaux et automatiser l'extraction d'informations.

Avec ArcGIS, vous pouvez analyser une grande variété d'images (nuage de points, imagerie orientée ou encore vidéo).Effectuez diverses tâches avec les images et notamment la détection des changements, l'étude de la pertinence du site, la surveillance de la végétation, la détection d'objets, la rédaction d'images ou l'extraction et la classification des entités.

Dans le cadre de la gestion des propriétés publiques et commerciales, les organisations peuvent utiliser des photos ou des vidéos pour détecter, classer et compter les véhicules afin de déterminer à quel moment la capacité des parkings est atteinte. Dans le cadre de la surveillance des servitudes des services publics, des nuages de points peuvent être utilisés pour classer les ressources des services publics et identifier les empiètements de la végétation dans le réseau pour prévenir des incendies. En recherche environnementale, l'ortho-imagerie ou les images vidéo et les algorithmes de classification peuvent détecter les changements des populations animales dans le temps pour comprendre leur mode d'évolution.

Gain de temps : modèles d’IA pré-entraînés
Esri offre à présent plus de 40 modèles Deep Learning pré-entraînés prêts à l’emploi dans ArcGIS Living Atlas of the World. Grâce à ces modèles Deep Learning pré-entraînés, les grands volumes de données d’entraînement, les ressources de calcul importantes et la connaissance intensive de l’intelligence artificielle (IA) ne sont plus nécessaires. Ils vous permettent d'accélérer vos processus géospatiaux avec une expertise et des ressources intégrées conçues spécifiquement pour l’extraction d’entités image, la classification de l’occupation du sol, la rédaction d’images et la détection d’objets. Automatisez la manière dont vous extrayez les informations pertinentes de l’imagerie, des nuages de points et des vidéos.

Les modèles de Deep Learning pré-entraînés d'Esri incluent la détection des voitures, la détection des bâtiments, la classification de l’occupation du sol, la détection des lignes à haute tension et la détection des fissures de la chaussée. Choisissez simplement un modèle pré-entraîné et exécutez-le sur vos images à l'aide d'ArcGIS Image for ArcGIS Online ou ArcGIS Pro. Vous pouvez ensuite l'optimiser en fonction de vos besoins et de votre emplacement. Aucune formation n'est nécessaire.

Regardez les vidéos de démonstration ci-après pour découvrir la manière dont l'intelligence artificielle et les images de drones sont utilisées dans les différents secteurs d'activité pour résoudre des problèmes complexes.

Les tours de transmission électrique utilisent des isolants pour éviter la fuite de courant des conducteurs vers le sol. Les sociétés de fourniture d’électricité inspectent régulièrement l’infrastructure de transmission et de distribution pour en assurer la sécurité et l’efficacité.

Cette vidéo montre comment utiliser des images de drone avec le modèle de Deep Learning d’Esri pour détecter les isolants et classer les défauts. En identifiant les caractéristiques visuelles des isolants, le modèle peut les localiser et les classer avec précision dans des contextes complexes, et affecter rapidement des équipes à distance pour les réparer.

L’utilisation de cette technologie permet une inspection automatisée des lignes électriques à grande échelle, ce qui permet de procéder à des inspections rapides sans intervention manuelle. Cela permet non seulement de réduire les délais et les coûts d’inspection, mais aussi d’améliorer les mesures de sécurité dans la maintenance de l’infrastructure électrique.