Cases

computer vision
deep learning

BeeXact brengt grote gebieden in kaart met camera's en 3D scanners. Ze verwerken deze informatie voor allerlei doeleinden in de infrastructuur, zoals het in kaart brengen van wegen voor glasvezelnetwerken, of binnensteden voor onderhoud.

De vraag

BeeXact heeft ‘mobile mapping auto’s’. Deze auto’s maken camerabeelden van omgevingen, bijvoorbeeld van huizen en straten, en zenden deze informatie door. BeeXact wilde de transformatie van de camerabeelden naar 2D automatiseren. Hierdoor kan de bedekking van de grond (straat, stoep, gras), sneller in kaart gebracht worden. Met deze informatie worden o.a. aannemers ondersteund bij het aanleggen van een glasvezelnetwerk.

Voorheen werden de camerabeelden door mensen bekeken en de bedekking van de grond werd handmatig ingevoerd. Datacadabra dacht dat het efficiƫnter kon door de inzet van AI.

Het proces

Datacadabra is aan de slag gegaan om te onderzoeken met welke nauwkeurigheid camerabeelden automatisch getransformeerd kunnen worden naar 2D BGT (Basisregistratie Grootschalige Topografie) polygonen. Vrij vertaald betekent dit dat de camerabeelden omgezet worden naar een 2D kaart waarop aangegeven staat wat gras is en wat de straat.

Data

We verkregen de camerabeelden van de ‘mobile mapping auto’s’ van BeeXact zelf. Deze beelden werden al gemaakt, maar de verwerking verliep niet automatisch.

Diensten

Datacadabra heeft een tool gebouwd op basis van computer vision. Door de toepassing van dit soort artificial intelligence kon een algoritme de camerabeelden verwerken en werd via de tool aangegeven welk type bedekking er waar aanwezig is. Dit werd vervolgens op een 2D afbeelding weergegeven.

Terugkoppeling

We hebben een user interface/applicatie ontworpen waarmee ze de data van het algoritme kunnen inladen en verwerken.

Het resultaat

Het resultaat is een sterke tijdsbesparing van arbeidskrachten voor BeeXact. Videobeelden van de mobile mapping auto’s hoeven niet langer met de hand geanalyseerd en ingevoerd te worden. Door het algoritme en de tool van Datacadabra is er alleen nog een handmatige correctie nodig. Daarnaast zijn er functionaliteiten toegevoegd; o.a. het ‘blurren’ van gezichten en nummerborden. Dit werd voorheen niet automatisch uitgevoerd, dus ook hier is een efficiĆ«ntieslag gemaakt.