O projekcie

Zastanawiałeś się, jak technologia AI może wspierać decyzje dotyczące wyboru lokalizacji pod budowę Twoich sklepów? Nasz projekt bazuje na analizie zdjęć satelitarnych różnych miast, identyfikując optymalne miejsca dla lokalizacji nowych sklepów. Wykorzystujemy przy tym zaawansowane techniki przetwarzania obrazu, aby dostarczyć precyzyjne rekomendacje.

Wyjściowe Założenia Projektowe

Zlecenie obejmowało analizę 137 zestawów zdjęć satelitarnych miast, wraz z dodatkowymi maskami, na których budynki były zaznaczone kolorem białym, a pozostałe, wolne przestrzenie, kolorem czarnym. Celem było stworzenie modelu, który na podstawie tych danych, będzie w stanie automatycznie zaznaczać obszary 30x40m przeznaczone pod budowę sklepów.

Implementacja Rozwiązania:

1. Przygotowanie Danych

Praca rozpoczęła się od przygotowania danych, co okazało się procesem czasochłonnym. Oznaczenie budynków na zdjęciach, choć proste koncepcyjnie, wymagało precyzyjnej segmentacji, aby uzyskać dokładne maski.

Original Image

Ground Truth Mask

2. Augmentacja Danych: Wizualizowanie Miejskich Wariantów

Augmentacja danych umożliwia modelowi widzenie różnych "wariantów" tej samej lokalizacji poprzez tworzenie zmodyfikowanych kopii obrazów satelitarnych, takich jak obroty, przesunięcia czy zmiany ekspozycji. To nie tylko urozmaica nasz zestaw danych, ale także umożliwia modelowi uczenie się i adaptację do różnych scenariuszy i warunków oświetleniowych, co z kolei poprawia jego zdolność do generalizacji i poprawnej segmentacji różnorodnych obrazów miejskich.

3. Zamiana na Tensory: Tłumaczenie Obrazów na Język Komputerów

Przekształcanie obrazów satelitarnych na tensory jest jak tłumaczenie książki na inny język, tylko że tym razem "książką" są nasze obrazy, a "językiem" - numeryczne dane, które komputer jest w stanie przeczytać i zrozumieć. Wyobraźmy to sobie tak: komputer widzi obrazy nie jako zdjęcia, ale jako zestaw liczb. Każdy kawałek obrazu, który my widzimy, dla komputera to konkretny ciąg liczb. Przemieniając obrazy w ten „numeryczny” język, umożliwiamy maszynie naukę i rozpoznawanie wzorców na zdjęciach, co pozwala na efektywną analizę i segmentację terenu widocznego na obrazach satelitarnych.

4. Segmentacja Obrazu

Wykorzystaliśmy model U-net, znany ze swojej skuteczności w segmentacji obrazu. Jednak czas nauki modelu był dość długi - 7 godzin na jedną iterację, a było ich wiele, co wpłynęło na całkowity czas realizacji projektu.

Original Image

Ground Truth Mask

Predicted Mask

5. Proces Dylatacji

Proces Dylatacji: Z powodu licznych małych, wolnych przestrzeni między budynkami, konieczne było zastosowanie funkcji dylatacji, aby zespolić te przestrzenie i uzyskać bardziej jednolity obszar.

6. Korekta z Użyciem Erozji

Proces dylatacji miał jednak swoje wady - nawet pojedyncze budynki powiększały swoją powierzchnię. Aby skorygować ten efekt, zastosowaliśmy funkcję erozji, która przywróciła budynki do ich oryginalnych rozmiarów, zachowując jednocześnie pożądany efekt dylatacji.

Predicted Image

Processed Image

Wyniki: Wizualizacja Optymalnych Lokalizacji

Wyniki naszego projektu wizualizują potencjał każdego możliwego miejsca pod nowe inwestycje. Dwa kluczowe obrazy stanowią esencję naszych dokładnych analiz. Pierwsze zdjęcie, utworzone z analizy zdjęć satelitarnych, przekształca miasta w kontrastowe obrazy białego i czarnego, gdzie dominująca biel symbolizuje budynki i zwarte struktury urbanistyczne, podczas gdy izolowane czarne obszary ilustrują potencjalne lokalizacje pod budowę. Co ważne, każda z tych przestrzeni jest otoczona zielonym prostokątem z wyraźnie podanymi wymiarami, zapewniając praktyczny wgląd w realne możliwości zagospodarowania.

Drugie zdjęcie, prezentuje oryginalne zdjęcie satelitarne, jednakże, zostało ono wzbogacone o zielone prostokąty, identyczne z tymi na obrazie przetworzonym, z dokładnymi wymiarami potencjalnych miejsc pod budowę. Ta kompozycja oferuje czytelną mapę - zarówno w kontekście realnego obrazu terenu, jak i jego praktycznej analizy, umożliwiając łatwe lokalizowanie i planowanie przestrzeni pod przyszłe projekty budowlane. Zestawienie obu obrazów nie tylko ułatwia nawigację, ale także przenosi naszą analizę danych na wizualnie dostępny i praktyczny poziom, który można łatwo przetłumaczyć na rzeczywiste działania i decyzje inwestycyjne.

Wnioski

Opracowane przez nas narzędzie stanowi krok naprzód w automatyzacji procesu wyszukiwania lokalizacji pod budowę sklepów wielkopowierzchniowych. Dzięki zastosowaniu technologii AI, możliwe jest teraz przetwarzanie dużych zbiorów danych w sposób efektywny czasowo oraz kosztowo, co otwiera nowe możliwości dla sektora retailowego. Dodatkowo, przebieg tego projektu zaznaczył znaczenie starannego przygotowania danych wejściowych. Zdobytą wiedzą i doświadczeniem, jesteśmy teraz lepiej przygotowani do realizacji analogicznych projektów. Na przykład, technologie te mogą być zastosowane do odróżnienia lasów od wolnych przestrzeni na zdjęciach satelitarnych, co może być kluczowe przy planowaniu lokalizacji farm fotowoltaicznych czy farm wiatrowych. Tego typu zastosowania pokazują, jak technologie AI i ML mogą przyczynić się do zrównoważonego rozwoju oraz efektywnego planowania przestrzeni w różnych sektorach gospodarki.