Сьогодні штучний інтелект (ШІ) увійшов в повсякденне життя багатьох компаній світу - від сортування посилок до написання програмного коду і запуску ракет в космос.

Наша компанія створила власну технологію з використанням алгоритмів машинного навчання і штучного інтелекту для розпізнавання і класифікації забудови на супутникових знімках.

КОНТУРИ БУДИНКІВ - ГОЛОВНІ ХАРАКТЕРИСТИКИ ПРОДУКТУ:

• Автоматизоване виробництво (99% будівель> 25 кв.м розпізнаються автоматично)
• Повнота (досягається 100% покриття шляхом ручної постобробки)
• Точність в плані: 3 м
• Швидке створення бази даних будівель для будь-якої країни
• Використовуються актуальні супутникових знімків з роздільною здатністю 0,3–0,5 м

Етапи виробництва:

1. Створення еталонів найбільш поширених типів будинків з плановою точністю 3 м. Для кожної території використовується власна база даних еталонів і вхідних параметрів з точними коефіцієнтами.
   
2. Машинне навчання:
   • Процес сегментації зображення
   • Застосування порогових коефіцієнтів для ідентифікації шару будівель
   • Розпізнавання образів будівель за допомогою алгоритмів глибокого навчання
   • Продукування нейронною мережею растрових зображень
   • Калібрування і зміна вхідних параметрів для нейронної мережі, додавання в базу даних більшої кількості еталонів
   • Цикл може повторюватися кілька разів від початку для досягнення бажаної 3/5m планіметричної точності.
3. Генерація векторних контурів будівлі з растрових зображень
   

4. Автоматичні процедури для геометричної корекції векторних контурів

5. Додавання значень висоти в контури будинків
6. Ручна постобробка розпізнаних контурів будівлі: остаточна перевірка, корекція та перевірка геометрії та висоти.

7. Залежно від потреб проєкту контури будівель LOD1 можуть бути оновлені в моделі LOD2.
8. Інтеграція шару контурів будівлі в кінцевий продукт (3D карта міста, цифрова модель поверхні, модель землевикористання).

Контури будівель можуть бути застосовані у таких галузях:

• телекомунікації
• геомаркетинг
• WEB/GIS-додатки
• планування міст/архітектурне планування
• менеджмент навколишнього середовища
• симуляція польотів
• 3D друк і т. ін.

Модель розподілу населення описує щільність на 1 кв.км або кількість населення в межах будь-яких географічних одиниць (наприклад, адміністративних кордонів регіонів, міст, районів або міських кварталів).

Можна розрахувати чисельність населення для заданих географічних одиниць (в людях), а також розрахувати щільність населення на одиницю площі, наприклад, люди / 1 кв. км або люди / соти в матриці (ланка матриці).

Модель розподілу населення постачається як додатковий шар до звичайних наборів геоданих: DTM, DSM, клаттера, векторів, 3D перешкод. В цілому, карти розподілу населення використовуються для прогнозування потоків трафіку при розгортанні або оптимізації мобільної мережі і забезпечують важливі вхідні дані для пропускної спроможності мережі з різним рівнем деталізації: від територій всієї країни до окремих міст.

Зокрема, можна вирішити наступні завдання:

• Оцінку потенціалу та пріоритетів розвитку мережі
• Визначення зон стратегічного охоплення клієнтів
• Для ущільнення мережі
• Моделювання пропускної спроможності мережевої інфраструктури
• Формування бюджету інфраструктури
  

Карти населення постачаються в роздільної здатності від 2 м до 20 м.

Модель розподілу населення може бути надана в форматі будь-якої планування або GIS: Atoll, Planet, Asset, MapInfo і т.д.

Джерела для виробництва моделей:

• Клаттерна модель країни і / або міста
• Адміністративно-територіальний поділ
• Межі забудованих територій
• Останній доступний перепис населення або екстрапольовані на поточний момент
  

Модель розподілу населення може включати:

• Кількість населення для кожної адміністративної одиниці, кварталу, будинку (Векторна модель);
• Щільність населення на одиницю площі (Растрова модель);
• Щільність населення на кожну клітинку растрової сітки.
• Адміністративні кордони населених пунктів (міста, селища, села і т.д.)
  

ОСОБЛИВОСТІ ДАНИХ ВІЗІКОМ:

• Унікальна методологія виробництва
• Об'єктивна інтерпретація даних
• Актуальні та точні джерела даних
• Найкраще співвідношення якості / ціни
• Індивідуальний підхід до кожного проєкт Карти населення доступні в готовому вигляді для 25+ країн і 150+ міст.

Продукт може бути адаптований до вимог проєкту замовника для будь-якої країни в будь-якому форматі

МОДЕЛІ 3D ДЕРЕВ

Точні і детальні картографічні моделі використовуються в якості базових даних для вирішення завдань радіопланування. Такі моделі містять в собі як природні, так і штучні перешкоди, які впливають на поширення радіосигналу. Під штучними об'єктами розуміють будівлі та інженерні споруди, під природними - рельєф і рослинність.

Відомо, що чим вище частоти радіосигналів, тим більше на їх поширення впливають перешкоди. В разі планування 5G мереж необхідно враховувати щонайменші перешкоди, в тому числі – крони дерев, окремі дерева і навіть кущі.

Сучасне місто, як правило, має безліч парків, скверів, зон відпочинку, посадок дерев і т.д. Таким чином, виникає задача правильно ідентифікувати рослинність і показати її в моделях перешкод з необхідною точністю і деталізацією. Розгортання мережі 5G без урахування рослинності призведе до зниження якості зв'язку. І навпаки - використання 3D моделей дерев забезпечить точний і надійний процес планування мережі 5G, дозволить розмістити необхідну кількість базових станцій для отримання стабільного сигналу.

Виробництво 3D дерев є доволі складний технологічний процес, часто на практиці для створення таких моделей використовуються аерофотознімки з більш високою роздільною здатністю для більш точного розпізнавання. Для розпізнавання крон дерев VISICOM розробив та застосовує методи машинного навчання, засновані на Convolutional Neural Networks (Зго́рткових нейро́нних мере́ж) та Deep Learning Techniques (технологіях глибокого навчання). Експерти VISICOM провели навчання моделей нейро мережі, використовуючи навчальний набір, що складається з 30 тисяч об’єктів рослинності у всьому світі. Це дозволило досягти високої точності навчання - 95–98% для тестових даних. Очевидно, такої точності неможливо досягти для реальних даних, але завдяки обов’язковому процесу перевірки якості та верифікації даних, які виконуються в ручному режимі, остаточні моделі дуже близькі до реальності. Кожне нове завдання та кожен новий зразок дозволяють розширити навчальний набір новими видами та назавжди вдосконалити стандарти розпізнавання.

ПРОЄКТ 3D МОДЕЛЮВАННЯ РОСЛИННОСТІ В ПРАЗІ

- Тестова зона для випробування 5G - 27.кв.км
- Загальна кількість будівель LOD2 - 30 633
- Загальна площа, покрита рослинністю - 11,2 кв.км
- Загальна кількість полігонів крон - 243 000

Для розпізнавання об'єктів рослинності застосовувалися методи машинного навчання на основі Convolutional Neural Networks (Зго́рткових нейро́нних мере́ж).
Контури й висоти будівель і рослинності були отримані зі стереопар знімків Pleiades з розподільчою здатністю 0,5 м і аерофотознімків.

Як бачите, рослинність займає більшу частину території та, безсумнівно, повинна враховуватися при вирішенні задач радіопланування