Изображения с беспилотников: от захвата до автоматизированного анализа на основе GeoAI

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.

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.

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.

На опорах линий электропередачи находятся изоляторы, предназначенные для предотвращения утечки тока из проводников в землю. Энергетические компании проводят регулярные проверки инфраструктуры передачи и распределения электроэнергии для обеспечения безопасности и эффективности.

В этом видео показано, как использовать снимки с беспилотников с помощью модели глубокого обучения Esri для обнаружения изоляторов и классификации дефектов. Распознавая визуальные особенности изоляторов, модель может точно находить и классифицировать их на сложном фоне, а также быстро назначать удаленные бригады для проведения их ремонта.

Использование этой технологии позволяет проводить автоматизированную проверку линий электропередач в больших масштабах, обеспечивая быстрые проверки без ручного вмешательства. Это позволяет не только сократить время и затраты на проверки, но и расширить меры безопасности при обслуживании электротехнической инфраструктуры.