Images de drones : de la capture à l'analyse GeoAI automatisée
Points clés
La cartographie de la réalité nous permet de créer des représentations numériques du monde physique en 2D et 3D à utiliser avec la technologie du SIG (système d’information géographique) pour obtenir un contexte dans le monde réel. Pour la perfectionner, nous pouvons appliquer l'intelligence artificielle géospatiale (GeoAI) afin de faciliter l'extraction d'informations de ces représentations de manière plus efficace et précise, à l'échelle. À travers un ensemble de vidéos de démonstration, vous allez découvrir le fonctionnement de toutes ces fonctionnalités et notamment l'entraînement et l'utilisation d'un modèle Deep Learning, l'exploitation de modèles d'IA pré-entraînés et l'exploration d'applications du monde réel dans divers secteurs d'activité.
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.
Analyse des images de drones avec GeoAI
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.
Processus : formation et utilisation du modèle Deep Learning
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.
Démonstration 1 : l'aéroport international de San Bernardino utilise l'intelligence artificielle pour identifier les défaillances des chaussées.
L'aéroport international de San Bernardino fait voler des drones à son nouveau centre de systèmes aériens sans pilote. Les kilomètres de pistes d'envol et de circulation en béton de l'aéroport doivent être évalués régulièrement pour assurer la sécurité. Autrefois, cette opération était réalisée en personne et nécessitait des centaines d'heures de travail d'arpentage au sol, mais aujourd'hui, elle peut être accélérée à l'aide de drones et d'algorithmes d'intelligence artificielle. Regardez cette démonstration pour découvrir comment l'intelligence artificielle et le Deep Learning permettent d'identifier les défaillances des chaussées et de rechercher rapidement les fissures sur les pistes d'envol et de circulation.
Démonstration 2 : les images de drones et l'apprentissage machine permettent d'identifier le risque d'inondation au Belize.
Les régions côtières du Belize se situent à basse altitude, ce qui augmente le risque d'inondation. À l'aide des images de drones et de modèles Deep Learning pré-entraînés, nous pouvons examiner la vulnérabilité des structures (non seulement leur proximité avec l'océan, mais également leur altitude, les matériaux des bâtiments et diverses autres entités). À partir de l'exemple du Belize, cette démonstration explique la procédure de téléchargement des images dans ArcGIS Online à l'aide de nouvelles fonctionnalités d'ArcGIS Image for ArcGIS Online pour commencer rapidement l'analyse dans le Cloud. Aucun codage n'est requis.
Démonstration 3 : automatiser l’évaluation des dégâts causés par un incendie à l’aide du Deep Learning
En 2018, l’incendie Woolsey a ravagé en 15 jours près de 40 000 hectares autour de Los Angeles, en Californie. Mesurer l’ampleur des dégâts a représenté une tâche essentielle pour l'aide humanitaire. Auparavant, la classification manuelle des images aériennes prenait des jours, mais désormais, grâce aux modèles d'apprentissage machine pré-entraînés et à l'intelligence artificielle automatisée, elle ne nécessite que quelques heures. Avec l'exemple de l'incendie Woolsey, cette démonstration vous guide à travers la procédure d'apprentissage, de création et d'application de votre propre modèle Deep Learning.
Besoin d’aide pour trouver la solution adéquate ?
Programmez une discussion avec l’un de nos conseillers commerciaux expérimentés. Dites-nous comment vous utilisez actuellement les données d’imagerie et de télédétection et nous vous montrerons comment un système géospatial complet peut faire évoluer votre travail.