Immagini drone: dall'acquisizione all'analisi GeoAI automatizzata
Punto chiave
La mappatura della realtà consente di creare rappresentazioni digitali 2D e 3D del mondo fisico per utilizzarle con la tecnologia di sistema di informazioni geografico (GIS) e ottenere un contesto del mondo reale per i dati geospaziali. Inoltre, è possibile applicare una intelligenza artificiale geospaziale (GeoAI) per estrarre le informazioni da queste rappresentazioni in modo più efficace, preciso e in scala. Attraverso una serie di video dimostrativi, imparerai come fare, inclusa la formazione e l'utilizzo di un modello di apprendimento profondo, sfruttando modelli di intelligenza artificiale preaddestrati ed esplorando applicazioni nel mondo reale in una varietà di settori.
La mappatura della realtà è definita come un processo di creazione di una rappresentazione digitale 2D e 3D spazialmente accurata del mondo fisico utilizzando immagini o lidar. Essa è vantaggiosa quando si utilizza una tecnologia di sistema di informazioni geografico (GIS) per stabilire i contenuti di base (quando non sono ancora disponibili) utili a ottenere una visione realistica dei siti e iniziare il processo di risoluzione dei problemi.Quindi, utilizzando i droni per catturare le immagini attuali, si ottiene un contesto reale per i dati spaziali. È possibile sovrapporre punti dati aggiuntivi sulla rappresentazione digitale per un'analisi più approfondita e per facilitare una visione olistica a favore di un'ampia varietà di parti interessate.
Analisi delle immagini drone con GeoAI
L'intelligenza artificiale geospaziale (GeoAI) è l'integrazione dell'intelligenza artificiale (AI) con i dati spaziali, la scienza e la tecnologia per aumentare la comprensione, risolvere i problemi spaziali e automatizzare l'estrazione delle informazioni.
Con ArcGIS, è possibile analizzare un'ampia varietà di immagini: dai cloud di punti alle immagini orientate ai video.Esegui una varietà di attività con le immagini, tra cui il rilevamento delle modifiche, l'idoneità del sito, il monitoraggio della vegetazione, il rilevamento degli oggetti, l'oscuramento delle immagini o l'estrazione e la classificazione delle feature.
Per la gestione di proprietà pubbliche e commerciali, le organizzazioni possono utilizzare immagini fisse o in movimento per rilevare, classificare e contare i veicoli per sapere quando i parcheggi raggiungono la capacità massima. Per il monitoraggio del diritto di passaggio, i cloud di punti possono essere utilizzati per classificare le risorse delle utenze e identificare gli sconfinamenti della vegetazione nella rete per aiutare a prevenire gli incendi. Nella ricerca ambientale, le ortoimmagini o le immagini video e gli algoritmi di classificazione possono rilevare i cambiamenti nelle popolazioni animali nel corso del tempo per capire come si stanno evolvendo.
Flusso di lavoro: addestrare e utilizzare un modello di apprendimento profondo
Risparmiare tempo con i modelli AI preaddestrati
Esri ora fornisce oltre 40 modelli di apprendimento profondo preaddestrati pronti all'uso in ArcGIS Living Atlas of the World. Questi modelli di apprendimento profondo preaddestrati eliminano la necessità di enormi volumi di dati di formazione, di risorse di calcolo massicce e di una vasta conoscenza dell'intelligenza artificiale (AI). Essi consentono di accelerare i flussi di lavoro geospaziali con le competenze e le risorse integrate progettate specificamente per l'estrazione di feature immagine, classificazione della copertura del suolo, redazione delle immagini e rilevamento di oggetti. Automatizza il modo in cui estrai informazioni significative da immagini, cloud di punti e video.
I modelli di apprendimento profondo preaddestrati di Esri includono rilevamento di automobili, classificazione della copertura del suolo, rilevamento delle linee elettriche e rilevamento delle crepe sulla pavimentazione. Scegli semplicemente un modello preaddestrato ed eseguilo sulle tue immagini usando ArcGIS Image for ArcGIS Online o ArcGIS Pro. Puoi quindi regolarlo in base alle tue esigenze e alla tua posizione. Nessun addestramento è necessario.
Guarda i seguenti video dimostrativi per scoprire come l'IA e le immagini drone vengono utilizzate in diversi settori per risolvere problemi complessi.
Demo 1: l'Aeroporto Internazionale di San Bernardino utilizza l'IA per identificare le condizioni della pavimentazione
L'Aeroporto Internazionale di San Bernardino fa volare i droni nel suo nuovo centro per sistemi di velivoli senza pilota. I chilometri di piste di rullaggio e piste di cemento dell'aeroporto devono essere valutati regolarmente per sicurezza. Mentre storicamente questa procedura veniva eseguita di persona richiedendo centinaia di ore di lavoro di indagine sul campo, oggi è possibile applicare droni e algoritmi di intelligenza artificiale per accelerare il processo. Guarda questa demo per scoprire come vengono utilizzati l'intelligenza artificiale e l'apprendimento profondo per identificare i cedimenti della pavimentazione ed esaminare rapidamente le piste e le vie di rullaggio alla ricerca di crepe.
Demo 2: le immagini drone e l'apprendimento automatico aiutano a identificare il rischio di allagamento nel Belize
Le aree costiere del Belize si trovano su terreno pianeggiante, incrementando il rischio di allagamento. Utilizzando le immagini acquisite con i droni e modelli di apprendimento profondo preaddestrati, possiamo osservare la vulnerabilità delle strutture: non solo la loro prossimità al mare, ma anche l'elevazione, i materiali di costruzione e una varietà di altre caratteristiche. Utilizzando il Belize come esempio, questa demo guida attraverso il processo di caricamento delle immagini in ArcGIS Online usando nuove funzionalità in ArcGIS Image for ArcGIS Online per iniziare rapidamente ad analizzare in cloud, senza necessità di codice.
Demo 3: automatizzare la valutazione dei danni da incendio con l'apprendimento profondo
Nel 2018, l'incendio di Woolsey ha bruciato quasi 97.000 acri di terreno intorno a Los Angeles, in California, nel giro di 15 giorni. Rilevare la scala dei danni era fondamentale per fornire aiuti dopo il disastro. In passato, ci sarebbero voluti giorni per classificare manualmente le immagini aeree, ma ora sono necessarie solo alcune ore grazie ai modelli di apprendimento automatico preaddestrati e alla IA. Con l'esempio dell'incendio di Woolsey, questa demo guida attraverso la procedura per addestrare, creare e applicare il proprio modello di apprendimento profondo.
Hai bisogno di aiuto per trovare la soluzione giusta?
Pianifica una conversazione con uno dei nostri esperti consulenti di vendita. Dicci come stai utilizzando le immagini e i dati di telerilevamento ora e ti mostreremo dove un sistema geospaziale completo può portare il tuo lavoro in seguito.