Pasak Kauno technologijos universiteto pranešime cituojamo Informatikos fakulteto (KTU IF) profesoriaus Ryčio Maskeliūno, idėja gimė iš praktinio poreikio spręsti urbanistinius ir geoinformacinius uždavinius, kuriuose tradiciniai metodai pasirodė nepakankami.

„Nors LiDAR technologija suteikia didelio tikslumo erdvinius duomenis, geometriškai orientuoti metodai, tokie kaip RANSAC arba DBSCAN, nepajėgūs patikimai atpažinti smulkių, netaisyklingos formos arba užstojamų objektų, tokių kaip suoliukai, stulpai ar ženklai. Tuo tarpu giliojo mokymosi modeliams dažnai nepavyksta atskirti retų arba mažų objektų“, – pasakoja KTU profesorius.

KTU profesorius
Rytis Maskeliūnas.
KTU nuotr.

 

Taip tyrėjams atsirado mintis sukurti hibridinį metodą, kuris derintų abiejų technologijų stipriąsias puses: gilųjį mokymąsi – semantinei konteksto analizei, o geometrinius algoritmus – tiksliai formų išskyrimui ir patikrinimui. Technologija papildyta ir spalvinių vaizdų, palydovinių nuotraukų integracija – tai leido dar labiau padidinti galutinio rezultato kokybę.

„Ši mūsų miestų elementų skenavimo sistema – inovacija, mat skanuojant miestus įprastu būdu su dronu arba nuo žemės, gaunamas milžiniškas taškų debesis (angl. point cloud). Didžiausia problema po to – tame debesyje surasti atskirus objektus ir juos sužymėti. Tuo tarpu mūsų algoritmai tai padaro automatizuotai", – sako prof. R. Maskeliūnas.

Technologijos poreikis

„Šiandien juntamas sparčiai didėjantis poreikis automatiškai, tiksliai ir realiu laiku stebėti bei valdyti kompleksinę urbanistinę infrastruktūrą. Labiausiai to trūksta vietose, kur tradiciniai stebėjimo metodai (rankinė apžiūra, nuotraukos, net žemo raiškos GIS duomenys) pasiekia savo ribas: smulkių, dažnai užstatytų ar užtemdytų objektų (laiptai, stulpai, kelio ženklai, šiukšlinės, stotelės) inventorizavimas, būklės vertinimas ir erdvinis valdymas", – apie technologijos pritaikomumą pasakoja įmonės „Matomai AI" mokslininkas, KTU alumnas dr. Julius Gelšvartas.

Įmonės „Matomai AI"
mokslininkas,
KTU alumnas
dr. Julius Gelšvartas.
„Matomai AI" nuotr.

 

Jo teigimu, technologijos siūlomas automatinis aptikimas leidžia pamatyti net tokias problemas kaip pavojingas pastato nusidėvėjimas, nelegali statyba, greitai kintanti infrastruktūra – laikini reklamos stendai, nelegalūs kioskai.

Netiesiogiai technologija gali būti pritaikyta spręsti problemoms, kurios apsunkina planavimą ir didina ilgalaikes infrastruktūros priežiūros išlaidas.

„Automatizuotas, tikslius 3D duomenis pateikiantis atpažinimas leidžia ne tik greičiau identifikuoti problemas, bet ir proaktyviai modeliuoti miestų raidą, tokiu būdu užtikrinant saugesnę, efektyvesnę ir tvarkingesnę gyvenamąją aplinką", – akcentuoja įmonės atstovas.

Jau šiandien akivaizdu, kad sukurta sistema bus pritaikyta ir kitose srityse. Energetikos sektoriuje tokia sistema galėtų būti naudojama automatinei elektros tinklų (kabelių, pylimų, transformatorinių) stebėsenai, identifikuojant vegetacijos paaugą prie linijų, korozijos požymius ar struktūrinius pažeidimus, taip pat planuojant vėjo jėgainių parkų priežiūrą ar saulės elektrinių optimalų išdėstymą.

Geležinkelių infrastruktūros kontekste technologija gali padėti automatiškai kaupti ir analizuoti bėgių tinklo duomenis, identifikuoti kliūtis važiuojamojoje dalyje, stebėti tiltų ir perėjų būklę bei atpažinti sugedusius ar pasenusius signalizacijos įrenginius, didinant saugumą ir sumažinant rankinės patikros poreikį.

Duomenis rinko ir važinėjant dviračiu

KTU komandos ir KTU „Santakos" slėnyje įsikūrusio startuolio sukurti algoritmai analizuoja pirminius LiDAR taškų debesis ir palaipsniui, žingsnis po žingsnio, paverčia juos atpažįstamais atskirais objektais – pvz., pastatais, medžiais, suolais, stulpais ar šiukšliadėžėmis.

Skenuojama Laisvės alėja. KTU/„Matomai AI" vizualizac. ir nuotr.

Pirmiausia suderinami ir sujungiami skirtingi duomenų šaltiniai: LiDAR geometriniai matavimai su bet kokiais turimais vaizdais tai vietovei (pvz., iš palydovų ar ortofotografijų). Tai daroma tam, kad būtų galima gauti kuo išsamesnį ir informatyvesnį miesto vaizdą.

Nuskenuoti suoliukai.

KTU/„Matomai AI" vizualizac. ir nuotr.

 

„Tada šį sujungtą taškų debesį padalijame į didelius regionus ir klasifikuojame pagrindines kategorijas (pvz., žemę, pastatus, augmeniją) naudodami gilųjį mokymą. Po to, žinant, kur tikėtina rasti smulkesnius objektus, tikslingose zonose atliekame detalesnę analizę, naudodami specializuotus vaizdo atpažinimo modelius objektams aptikti ir išskirti. Galiausiai, aptiktus objektus patikriname ir pataisome pagal jų geometrines savybes (pvz., ieškome suolo formų arba vertikalių apšvietimo stulpų) ir, jei reikia, grupuojame į prasmingas aukštesnio lygio kategorijas (pvz., „pramogų infrastruktūra")", – pasakoja KTU mokslininkas.

Stiprioji šios technologijos pusė – duomenys iš skirtingų šaltinių gali būti apjungiami, taip gaunant dar tikslesnius rezultatus. Mokslininkai su partneriais juos gauna iš nepilotuojamų orlaivių, antžeminiais skeneriais ar net važinėjant dviračiais.

Mėnesių darbas – per kelias valandas

„Šis metodas, apdorojantis milijardus LiDAR taškų, leidžia automatiškai segmentuoti ir klasifikuoti tūkstančius miesto objektų (nuo pastatų iki šiukšliadėžių) per kelias valandas, ką rankiniu būdu atlikti užtruktų mėnesių mėnesius. Miestų savivaldybėms tai potencialiai reiškia ne tik tiesiogines išlaidas sumažinant geodezinius darbus ir žymėjimo paslaugų pirkimus, bet ir netiesiogines naudas: spartesnį sprendimų priėmimą, tikslesnį miesto infrastruktūros inventorizavimą", – akcentuoja profesorius.

Mokslininkų ir partnerių sprendimas leidžia automatiškai, greitai ir tiksliai sukurti visapusiškus viešosios erdvės ir infrastruktūros objektų registrus.

Tai pagerina ir leidžia tiksliau planuoti ir vystyti miestus, objektyviai vertinti esamą aprūpinimą, identifikuoti trūkstamus elementus ir modeliuoti naujų objektų įdiegimo poveikį. Metodas gali būti pritaikytas ir pakeitimų aptikimui (pvz., nesankcionuotų objektų atsiradimas arba nuolatinių objektų pašalinimas). Tokia pokyčių sekimo sistema yra itin vertinga ir paveldosauginėse veiklose. Sistema taip pat padeda savivaldybėms planuoti bei stebėti miesto žaliąsias erdves.

Vyksta skenavimo procesas. KTU/„Matomai AI" nuotr.

„Be abejo gerėtų ir skaitmeninimas, nes gerėtų geoinformacinės sistemos ir „protingojo miesto" sprendimai. Gauti detalių objektų duomenys, integruoti su GIS ir kitomis miesto duomenų bazėmis, sudarytų vientisą skaitmeninį miesto atvaizdą. Tai būtų esminis pamatas pažangesnėms aplikacijoms: nuo autonominių transporto priemonių navigacijos iki teritorijų panaudojimo analizės ir darnaus vystymosi rodiklių skaičiavimo", – sutaria abu tyrėjai.

Ateity stebės realiu laiku

„Kuriant sistemą, visai tyrėjų komandai įdomiausia buvo stebėti ir apžiūrinėti paminklus Kauno mieste. Turime labai daug meniškų ir istorinių paminklų, puošiančių miesto viešąsias erdves. Taip pat buvo įdomu iš arti stebėti į UNESCO paveldą įrašytus Kauno tarpukario architektūros pastatus", – pasakoja abu mokslininkai.

„Matomai AI" jau šiandien bendrauja su keletu Lietuvos bei užsienio miestų.

„Matome, kad lengviausia sekasi bendradarbiauti su miestais, kurie turi noro ir nebijo diegti inovatyvius sprendimus. Ateityje planuojame sistemos funkcionalumą plėsti bei patobulinus algoritmus, sistemą pritaikyti miesto stebėjimui realiu laiku. Tai leistų matyti miesto infrastruktūros pokyčius bei sparčiai reaguoti į iškylančias problemas", – sako dr. J.Gelšvartas.