En SRM Consulting dentro de nuestra apuesta por la innovación, hemos desarrollado un sistema que consiste en el reconocimiento y segmentación de objetos a partir de imágenes aéreas y otros datos multidimensionales.

Las tecnologías utilizadas se basan en algoritmos de Machine learning o aprendizaje automático y, más específicamente, de Deep learning o aprendizaje profundo. Se trata de un sistema con redes neuronales artificiales formadas por capas encargadas de extraer características y patrones de las imágenes.

Esquema de entrenamiento y explotación IA

El módulo de IA integrado en Ipsilum es una solución completa que cubre tanto la generación de datasets de entrenamiento, el entrenamiento y depuración hasta la creación de un modelo depurado de IA que ya esté disponible para su explotación. Tiene capacidades que permiten el reconocimiento y segmentación de objetos cartográficos a partir de imágenes aéreas y otros datos multidimensionales mediante la automatización de una gran cantidad de geoprocesos orientados a la detección de entidades cartográficas. Estos procedimientos se basan en el análisis de información genérica junto a información generada desde distintos tipos de fuentes como imágenes aéreas (PNOA, Drones), imágenes satelitales (Sentinel) o sensores embarcados en drones (IR, NVDI).

Para la explotación se tienen que distinguir dos fases claramente diferenciadas, por un lado, todos los procesos de entrenamiento del modelo, que requieren gran cualificación y conocimientos orientados a la mejora de los parámetros de la misma y que para el presente proyecto ya están en funcionamiento.

Y una segunda fase, que es la explotación de los modelos de predicción generados en la fase anterior, que se puede explotar de dos forma modo ingeniería,

Modelo IA en ITasker

que requiere conocimientos básicos de parametrización en el  uso del modelo, y modo operación, que es el procedimiento a usar en el  presente proyecto, en el que sólo será necesario marcar la zona de interés de búsqueda y el tipo de fenómenos a identificar, por lo que decimos que es un modelo mucho más operativo o humanizado, de forma que puede ser usado por operadores sin ningún conocimiento de IA, a través un componente de Atlas

Componente de Atlas de IA

La información obtenida puede ser utilizar tanto para realizar una actualización automática de cartografía ya existente que se retroalimentaría con esa cartografía producida por inteligencia artificial, como para, a partir de su comparación con la cartografía existente, detectar los cambios que se han producido. Como se puede observar en el siguiente diagrama, las zonas que se detecten con un nivel de cambio elevado se podrían revisar o incluso modificar automáticamente mediante geoprocesos ejecutados en la cartografía existente.

¿Qué ventajas tiene el uso de la Inteligencia Artificial en la producción de cartografía?

1. Reducción de tiempos

La revisión y producción cartográfica tradicional con operadores requiere de una gran cantidad de tiempo invertido. Con el aprendizaje automático, la máquina es capaz de detectar objetos cartográficos en cuestión de minutos.

2. Reducción de costes

Se puede lograr más con menos recursos, lo que va a repercutir en una reducción de costes muy significativa. No solamente disminuye el tiempo de trabajo invertido, sino también los recursos humanos necesarios.

3. Aumento de la productividad y de la eficiencia operativa

A los dos beneficios anteriores se suma una mejora de la productividad y de la eficiencia en general de las operaciones de la empresa puesto que se automatizan tareas repetitivas que conllevan una gran carga de trabajo, favoreciendo así un mejor reparto y aprovechamiento de los recursos.

4. Mejor calidad de los datos

La compleja red neuronal que utiliza el algoritmo de aprendizaje y la capacidad de analizar diferentes tipos de información de entrada permite al sistema de inteligencia artificial detectar objetos que para un operador podrían pasar desapercibidos. Además, a diferencia de la revisión manual, el sistema puede trabajar a un nivel de precisión mayor, con escalas menores, sin que repercuta en un coste computacional mucho más alto.

¿Qué somos capaces de detectar?

Se han entrenado varios modelos para la detección de un gran número de entidades cartográficas de tipo polígono, línea y punto. Algunas entidades requieren de la utilización de algoritmos geométricos adicionales para la optimización de la forma. También se ha entrenado un modelo para la detección de cambios en la cartografía.

Por otro lado, el sistema es flexible de forma que se pueden entrenar nuevos modelos para la detección de nuevas entidades cartográficas de cualquier tipo.

A continuación, se muestran ejemplos de entidades obtenidas en Ipsilum con nuestros modelos entrenados:

Edificaciones
Caminos, carreteras
Postes de Alta Tensión

EnglishGermanPortugueseSpanish