Изображения с беспилотников: от захвата до автоматизированного анализа на основе GeoAI
Ключевые моменты
Картографирование реальности позволяет создавать 2D и 3D цифровые представления физического мира для использования с технологией географической информационной системы (ГИС) и получения реального контекста для пространственных данных. Чтобы сделать еще один шаг вперед, мы можем применить геопространственный искусственный интеллект (GeoAI), чтобы помочь извлекать информацию из этих представлений более эффективно, точно и в нужном масштабе. Из набора демонстрационных видео вы узнаете, как все это работает, включая обучение и использование модели глубокого обучения, использование предварительно обученных моделей искусственного интеллекта и изучение реальных приложений в различных отраслях.
Картографирование реальности определяется как процесс создания пространственно точного 2D и 3D цифрового представления физического мира с помощью изображений или лидара. При использовании технологии географической информационной системы (ГИС) для создания базовых ресурсов — там, где они еще недоступны, — очень полезно получить реалистичное представление о важнейших объектах и площадках и приступить к решению задачи.Таким образом, используя БПЛА для получения текущих изображений, мы получаем реальный контекст для пространственных данных. Затем мы можем наложить дополнительные точки данных поверх цифрового представления для более глубокого анализа и обеспечения целостного представления для широкого круга заинтересованных сторон.
Анализ изображений с БПЛА с помощью GeoAI
Геопространственный искусственный интеллект (Goal) — это интеграция искусственного интеллекта (ИИ) с пространственными данными, наукой и технологиями для улучшения понимания, решения пространственных проблем и автоматизации извлечения информации.
С помощью ArcGIS вы можете анализировать самые разные изображения — что угодно, от облака точек до ориентированных изображений и видео.Выполняйте различные задачи с применением изображений, включая обнаружение изменений, пригодность участка, мониторинг растительности, обнаружение объектов, редактирование и исправление изображений или извлечение и классификацию объектов.
Для управления общественной и коммерческой недвижимостью организации могут использовать неподвижные или движущиеся изображения для обнаружения, классификации и подсчета транспортных средств, чтобы узнать, как и когда заполняются парковки. Для мониторинга полос отвода у инженерных коммуникаций облака точек можно использовать для классификации инженерных коммуникаций и выявления развития растительности вокруг электросетей, чтобы помочь предотвратить лесные пожары. В экологических исследованиях ортоизображения или видеоизображения и алгоритмы классификации позволяют обнаружить изменения в популяциях животных с течением времени, чтобы понять, как они эволюционируют.
Рабочий процесс: Обучение и использование модели глубокого обучения
Экономия времени: предварительно обученные модели искусственного интеллекта
Esri уже предоставляет более 40 предварительно обученных моделей глубокого обучения, готовых к использованию в ArcGIS Living Atlas of the World. Эти предварительно подготовленные модели глубокого обучения устраняют необходимость в огромных объемах обучающих данных, огромных вычислительных ресурсах и обширных знаниях в области искусственного интеллекта (ИИ). Они позволяют ускорить ваши геопространственные рабочие процессы с помощью встроенных экспертных знаний и ресурсов, разработанных специально для извлечения объектов на изображениях, классификации растительного покрова, редактирования изображений и обнаружения объектов. Автоматизируйте способ извлечения значимой информации из изображений, облаков точек и видео.
Предварительно подготовленные модели глубокого обучения от Esri включают обнаружение автомобилей, зданий, классификацию растительного покрова, обнаружение линий электропередач и трещин на дорожном покрытии. Просто возьмите предварительно подготовленную модель по вашему выбору и запустите ее со своими изображениями с помощью ArcGIS Image for ArcGIS Online или ArcGIS Pro. Затем ее можно точно настроить в соответствии с вашими потребностями и местоположением. Никакого обучения не требуется.
Посмотрите следующие демонстрационные видеоролики, чтобы узнать, как искусственный интеллект и снимки с беспилотников используются в различных отраслях для решения сложных проблем.
Демо 1: Международный аэропорт Сан-Бернардино использует искусственный интеллект для определения повреждений дорожного покрытия
Международный аэропорт Сан-Бернардино запускает дроны в своем новом Центре систем беспилотных летательных аппаратов. Километры бетонных рулежных дорожек и взлетно-посадочных полос аэропорта необходимо регулярно проверять на предмет безопасности. Хотя исторически это делалось лично персоналом, что требовало сотен часов наземной съемки, сегодня для ускорения процесса можно использовать беспилотные летательные аппараты и алгоритмы искусственного интеллекта. Посмотрите эту демонстрацию, чтобы увидеть, как искусственный интеллект и глубокое обучение используются для выявления повреждений дорожного покрытия и быстрого обследования взлетно-посадочных полос и рулежных дорожек на наличие трещин.
Демо 2: Снимки с беспилотников и машинное обучение помогают определить риск от наводнений в Белизе
Прибрежные районы Белиза расположены на низменности, что повышает риск наводнений. Используя снимки с беспилотников и предварительно подготовленные модели глубокого обучения, можно оценить уязвимость сооружений — не только их близость к океану, но и их высоту, строительные материалы и множество других особенностей. Используя Белиз в качестве примера, в этой демонстрации описывается процесс загрузки изображений в ArcGIS Online с использованием новых возможностей ArcGIS Image for ArcGIS Online, позволяющих быстро начать анализ в облаке — кодирование не требуется.
Демо 3: Автоматизируйте оценку ущерба от пожара с помощью глубокого обучения
В 2018 году пожар в Вулси за 15 дней выжег почти 97 000 акров земли вокруг Лос-Анджелеса, штат Калифорния. Оценка масштабов ущерба имела важное значение для оказания помощи в случае стихийных бедствий. Раньше на классификацию аэрофотоснимков вручную уходили дни, но теперь это занимает всего несколько часов благодаря предварительно подготовленным моделям машинного обучения и автоматизированному ИИ. На примере пожара в Вулси эта демонстрация познакомит вас с процессом обучения модели, создания и применения вашей собственной модели глубокого обучения.
Нужна помощь в поиске правильного решения?
Запланируйте встречу с одним из наших опытных консультантов по продажам. Расскажите нам, как вы используете изображения и данные дистанционного зондирования, и мы покажем, как вам может помочь комплексная геопространственная система.