ドローン画像: 取得から自動化 GeoAI 解析まで

リアリティ マッピングは、画像または LIDAR を使用して物質世界の空間的に正確な 2D および 3D デジタル表現を作成するプロセスです。 リアリティ マッピングは、地理情報システム (GIS) 技術を使用して基本コンテンツ (まだ利用可能でない) を確立し、重要な場所の写実的なビューを取得して問題解決を開始する場合に特に役立ちます。このため、ドローンを使用して最新の画像を取得することで、空間データの実世界のコンテキストを取得できます。 この後、デジタル表現の上にさらにデータ ポイントを重ねて、詳細な解析を実行し、多くの関係者に全体像を示すことができます。

地理人工知能 (GeoAI) は、理解度を高め、空間的な問題を解決し、情報抽出を自動化するために、人工知能 (AI) と空間データ、科学、技術を統合させたものです。

ArcGIS を使用すると、点群から方向付き画像、さらにビデオまで、あらゆる画像を解析することができます。変化の検出、サイトの適合性、植生の監視、オブジェクトの検出、画像の編集、フィーチャの抽出と分類など、画像を使用してさまざまなタスクを実行します。

公共資産と商用資産を管理する場合、組織は静止画または動画を使用して、車両を検出、分類、カウントし、駐車場がいつ満車になったかを確認することができます。 公益事業の用地を監視する場合は、点群を使用して、公益資産を分類したり、山火事を未然に防ぐためにネットワーク内の植生の侵害を特定したりすることができます。 環境調査の場合は、オルソ画像またはビデオ画像と分類アルゴリズムを使用して、野生動物集団の経時的な変化を検出し、動物の進化の過程を把握することができます。

時間の節約: 事前トレーニング済み AI モデル
Esri では現在、40 を超える事前トレーニング済みディープ ラーニング モデルを用意しており、ArcGIS Living Atlas of the World ですぐに使用できるようになっています。 これらの事前トレーニング済みディープ ラーニング モデルでは、膨大な量のトレーニング データも、多数の計算リソースも、豊富な人工知能 (AI) 知識も必要ありません。 画像フィーチャの抽出、土地被覆の分類、画像の編集、オブジェクトの検出に専用に設計された組み込み型の専門技術とリソースを使用して、地理空間ワークフローをすばやく実行できます。 画像、点群、ビデオから有意義な洞察を得る方法を自動化します。

Esri の事前トレーニング済みディープ ラーニング モデルは、車の検出、建物の検出、土地被覆の分類、電線の検出、舗道の亀裂の検出に対応しています。 簡単な操作で、選択した事前トレーニング済みモデルを取得し、ArcGIS Image for ArcGIS Online または ArcGIS Pro で画像に対して実行することができます。 この後、ニーズや場所に合わせて微調整を加えることができます。 トレーニングを行う必要はありません。

次のデモ ビデオを視聴して、さまざまな業界で複雑な問題を解決するために AI とドローン画像を使用する方法を確認してください。

サンバーナーディーノ国際空港は、新しい無人航空機システム センターでドローンを飛ばしています。 空港の何マイルにも及ぶコンクリートの誘導路と滑走路は、安全を確保するために定期的に評価する必要があります。 これまで、この作業は有人で行われていたため、何百時間もの現場調査が必要でしたが、現在では、ドローンと人工知能アルゴリズムを適用して迅速に行うことができます。 このデモを視聴して、AI とディープ ラーニングで舗道の破損を特定し、滑走路と誘導路に亀裂がないかをすばやく点検する方法を確認してください。

ベリーズの沿岸地域は、洪水の危険性が高い低地に位置しています。 ドローン画像と事前トレーニング済みディープ ラーニング モデルを使用すると、建造物の脆弱性を確認することができます。海への近接性だけでなく、標高や建築資材などのさまざまな特徴も調査できます。 このデモでは、ベリーズを例に挙げて、ArcGIS Image for ArcGIS Online の新機能を使用して画像を ArcGIS Online にアップロードし、コーディングの必要なく、クラウドですばやく解析を開始するプロセスを段階的に説明しています。

2018 年のウールジー火災では、カリフォルニア州ロサンゼルス周辺の約 97,000 エーカーの土地が 15 日間で焼失しました。 損害の規模の調査は、災害救助に必要不可欠でした。 これまでは、航空写真を手動で分類するのに数日かかりましたが、現在では、事前トレーニング済み機械学習モデルと自動化 AI によって、数時間で済むようになりました。 このデモでは、ウールジー火災を例に挙げて、ユーザー独自のディープ ラーニング モデルをトレーニング、作成、適用するプロセスを段階的に説明しています。