无人机影像:从捕获到自动 GeoAI 分析
关键要点
通过现实映射,我们能够创建物理世界的 2D 和 3D 数字表示,并将其与地理信息系统 (GIS) 技术配合使用,从而获得空间数据的真实世界环境。 通过进一步应用地理空间人工智能 (GeoAI),我们可以更高效、更准确、更大规模地从这些表示中提取信息。 通过一组演示视频,您将了解它的工作原理,包括训练和使用深度学习模型、利用预训练的 AI 模型,以及探索各行各业的实际应用。
现实映射被定义为使用图像或激光雷达创建空间方面准确的物理世界的 2D 和 3D 数字表示的过程。 当使用地理信息系统 (GIS) 技术建立基础内容(该内容目前尚不可用)以获取关键站点的真实视图并开始解决问题时,这将非常有用。因此,通过使用无人机捕捉当前影像,我们可以获得空间数据的真实世界环境。 然后,我们可以在数字表示上对附加数据点进行分层,进行更深入的分析,并促进各利益相关者的整体视图。
使用 GeoAI 进行无人机影像分析
地理空间人工智能 (GeoAI) 是人工智能 (AI) 与空间数据、科学和技术的集成,可以增加理解、解决空间问题并自动提取信息。
借助 ArcGIS,您可以分析各种影像:从点云到定向影像,再到视频。使用影像执行各种任务,包括变化检测、站点适宜性、植被监测、对象检测、图像编辑或要素提取和分类。
对于公共和商业物业管理,组织可以使用静止影像或运动影像来检测、分类和计算车辆数量,以了解停车场何时达到容量。 对于公共设施路权监测,点云可用于对公共设施资产进行分类并识别网络中的植被侵占,以帮助防止野火。 在环境研究中,正射影像或视频影像和分类算法可以检测动物种群随时间的变化,以了解它们的进化方式。
工作流:训练和使用深度学习模型
节省时间:预训练 AI 模型
Esri 目前提供了 40 多个预训练深度学习模型,可供在 ArcGIS Living Atlas of the World 中使用。 这些预训练深度学习模型消除了对大量训练数据、海量计算资源和广泛的人工智能 (AI) 知识的需求。 利用这些模型,您可以借助专为图像要素提取、土地覆被分类、图像编辑和对象检测而设计的内置专业知识和资源,加速地理空间工作流。 自动化从影像、点云和视频中提取有意义见解的方式。
来自 Esri 的预训练深度学习模型包括汽车检测、建筑物检测、土地覆被分类、电力线检测和路面裂缝检测。 仅需获取所选预训练模型,然后使用 ArcGIS Image for ArcGIS Online 或 ArcGIS Pro 在影像上运行它。 然后,您可以根据需求和位置对其进行微调。 无需培训。
观看以下演示视频,了解各行业如何使用 AI 和无人机影像来解决复杂问题。
演示 1:圣贝纳迪诺国际机场使用 AI 识别路面故障
圣贝纳迪诺国际机场在新的无人机系统中心驾驶无人机。 机场数英里长的混凝土滑行道和跑道需要定期进行安全评估。 之前这项工作由工作人员亲自完成,他们需要完成数百小时的地面调查工作,而现在,可以通过应用无人机和人工智能算法来加快这一过程。 观看此演示,了解如何使用 AI 和深度学习来识别路面故障并快速检查跑道和滑行道是否存在裂缝。
演示 2:无人机影像和机器学习有助于识别伯利兹的洪水风险
伯利兹的沿海地区地处低洼地带,这增加了发生洪水的风险。 使用无人机影像和预训练深度学习模型,我们可以查看结构的脆弱性,不仅是它们与海洋的距离,还有它们的海拔、建筑材料和各种其他特征。 以伯利兹为例,该演示介绍了使用 ArcGIS Image for ArcGIS Online 中的新功能将影像上传到 ArcGIS Online 以在云中进行快速分析(无需编码)的过程。
演示 3:通过深度学习自动进行火灾损失评估
2018 年,伍尔西大火在 15 天内烧毁了加利福尼亚州洛杉矶周边近 97,000 英亩的土地。 调查损失规模对于救灾至关重要。 以前手动对航拍影像进行分类需要几天时间,但现在借助预训练机器学习模型和自动化 AI,这项工作仅需几个小时即可完成。 通过伍尔西大火示例,此演示将引导您完成训练、创建和应用您自己的深度学习模型的过程。
需要帮助寻找可行解決方案?
安排您与我们一位经验丰富的销售顾问对话 告诉我们您现在如何使用影像和遥感数据,我们将为您讲解综合地理空间系统如何助力您开展后续工作。