DEEP LEARNING W IDENTYFIKACJI OBIEKTÓW NA ORTOFOTOMAPACH

Analiza wyników zautomatyzowanego procesu wykrywania aut w przestrzeni miejskiej


Od 2020 r. możliwe jest bezpłatne pobieranie wielu materiałów wchodzących w skład Państwowego Zasobu Geodezyjnego i Kartograficznego. Jednym z nich są ortofotomapy, które są dostępne w coraz lepszych rozdzielczościach.


Postanowiliśmy sprawdzić, jakie efekty daje wykorzystanie deep learningu w identyfikacji obiektów na udostępnionych ortofotomapach. Efekty naszych testów przedstawiamy na przykładzie samochodów osobowych, które wykryliśmy na obszarze Lublina. Ortofotomapy wykorzystane w projekcie zostały opracowane na podstawie zdjęć lotniczych wykonanych w dniu 10 maja 2021 r.

W trakcie testów wykorzystywano różne modele, m.in.  Single Shot Detector, RetinaNet, MaskRCNN  dostępne w oprogramowaniu ArcGIS Pro. Najlepsze efekty dał model MaskRCNN, który pozwolił na poprawne wykrycie około 80% aut widocznych na zobrazowaniach.


Łącznie wykryto około 120 000 obiektów, co stanowi ponad 55% z blisko 215 000 pojazdów zarejestrowanych w Lublinie. Statystyka ta oczywiście nie uwzględnia aut znajdujących się pod drzewami, na parkingach podziemnych lub przesłoniętych w inny sposób oraz znajdujących się poza granicami miasta w momencie wykonywania zdjęć. Ponadto w liczbie tej uwzględnione są auta, które poruszają się po Lublinie, ale nie zostały w nim zarejestrowane. Mogły również wystąpić sytuacje, że dane auto zostało sfotografowane więcej niż jeden raz, ze względu na jego ruch w trakcie wykonywania zdjęć lotniczych. Są to jednak naszym zdaniem sytuacje marginalne, nie mające wpływu na całokształt wyników.

Wykorzystując dane z zasobów BDOT10k i OpenStreetMap podzieliliśmy auta na 3 grupy.


1. Samochody zlokalizowane na parkingach



2. Samochody poruszające się lub zaparkowane w ciągu ulic



3. Pozostałe: samochody nie znajdujące się na parkingach zaznaczonych w osm.org, ani w obrębie jezdni z bazy BDOT10k


Zliczając auta znajdujące się na poszczególnych ulicach możliwe jest stworzenie swego rodzaju rankingu ciągów komunikacyjnych najbardziej obciążonych ruchem samochodowym. W przypadku Lublina najwięcej aut wykryto na ulicach takich jak: Aleja Kraśnicka, Aleja Solidarności, ulica Jana Pawła II, Aleja Wincentego Witosa czy też Aleja Unii Lubelskiej. Na poniższym wykresie zestawiliśmy 15 ulic najbardziej obciążonych ruchem, czyli takich, dla których zidentyfikowano największą liczbę aut.

Kolejny wykres pokazuje wskaźnik liczby aut w stosunku do długości ulicy. Najwyższą wartością wskaźnika charakteryzuje się ulica Mełgiewska.

Jak widać na powyższych przykładach, pozyskiwanie danych metodami deep learningu i analizowanie ich w połączeniu z innymi zasobami daje wiele nowych i cennych informacji. Mogą być one np. wykorzystane w inwentaryzacji i opracowywaniu map parkingów, wykrywaniu "dzikich" miejsc parkingowych, identyfikacji osi ulic i ocenie natężenia ruchu na nich. To z kolei może być przydatna wiedza dla sieci handlowych, które poszukują działek pod nowe obiekty w pobliżu ruchliwych dróg i skrzyżowań.


Kolejne analizy i wizualizacje już wkrótce, zapraszamy do śledzenia naszych profili w serwisach Facebook, LinkedIn, Twitter, Instagram oraz YouTube.

DOSTĘPNOŚĆ OBSZARÓW ZIELENI PUBLICZNEJ W WARSZAWIE

Autor: GIS - Expert • 17 Oct, 2024
W poprzednim artykule omówiliśmy kluczowe informacje dotyczące Mapy Koron Drzew oraz Mapy Lokalizacji Pni Drzew, czyli narzędzi udostępnionych publicznie przez UM st. Warszawy. Zbiory danych stanowią istotne źródło do szczegółowej analizy stanu i rozmieszczenia zieleni miejskiej, a także stanowią podstawę do podejmowania decyzji dotyczących zarządzania przestrzenią publiczną, na przykład podczas opracowywania Planu Ogólnego Gminy. W dzisiejszym wpisie omówimy wykorzystanie tych danych w praktyce poprzez określenie obszarów zieleni publicznej na terenie m.st. Warszawy.

CYFROWE MAPY DRZEW - CO MÓWIĄ NAM O ZIELENI W MIASTACH?

Autor: GIS - Expert • 01 Oct, 2024
Cyfrowe mapy drzew dają szczegółową wiedzę o stanie zieleni wysokiej i stanową wartościowy zbiór danych przydatnych w zarządzaniu przestrzenią miejską. Na przykładzie Warszawy, która posiada zarówno mapę koron, jak i pni drzew, sprawdziliśmy, jakie informacje można pozyskać z tych dwóch zasobów danych i jak wykorzystać je w praktyce.
Pokaż więcej
Share by: