Hoe AI kan ingezet worden voor de analyse van asbesthoudende daken

Transcriptie

1 Hoe AI kan ingezet worden voor de analyse van asbesthoudende daken Earth Observation Data Sciences Workshop: Asbestinventarisatie en analyse Weerslag van een Proof of Concept (PoC) Programma EODaS 2 1

2 AI artificieel & intelligent? relevant tool design relevante input relevante output Image Source: Medium 1ste Vlaamse Asbestcongres VCB/OVAM 04/12/2018 AIV-EODaS/VITO-RS 3 AI artificieel & intelligent? Machine learning Machine learning explores the study and construction of algorithms that can learn from and make predictions on data (Ron Kohavi; Foster Provost (1998). "Glossary of terms". Machine Learning. 30: ) Artificiële Neurale Netwerken (ANN) Machine learning algoritme dat gebruik maakt van artificiëleneuronenof perceptron en de nodige onderlinge verbindingen om de complexe relaties tussen input en output te modelleren. 4 2

3 AI artificieel & intelligent? Deep learning Een ANN met meervoudige verborgen lagen en vaag geïnspireerd op het biologische zenuwstelsel. Toegepast in computer vision, spraakherkenning,... Image: R. Gupta Er zijn ±86 miljard verbindingen tussen neuronendoorheenhet menselijke brein (Kevin Sitek) Convolutional Neurale Netwerken (CNN) Deep learning netwerk, specifiek gebruikt bij beeldanalyse (classificatie en lokalisatie) 5 AI artificieel & intelligent? Deep learning Recepten voor schrijven, spreken, herkennen en labelen op basis van eenleerproces. Leren van neurale netwerken: het gewenste resultaat uitdrukken in de vorm van voorbeelden in plaats van instructies Veel voorbeelden! LEREN schaap PATRONEN DEFINIEREN PATRONEN HERKENNEN + LOKALISEREN PATRONEN LABELEN schaap UITVOEREN geen schaap 6 3

4 Deep learning praktijk toepassingen CNN keuze relevant model design Image: Adit Deshpande LeNet : 8 layers GoogLeNet 2014 : 22 layers ResNet 2015 : 152 layers Source: SidhartaDas 7 AI Deep learning: geïntegreerde toolset binnen een beeldverwerkingsworkflow Sinds 2011: structurele AIV-VITO innovatie-samenwerking (nieuwe EO technieken, image data science, processing chains en API s) AIV-VITOBVK-initiatief binnen het EODaS programma CNN Image: Adit Deshpande Image: Biesemans J. 8 4

5 Koeltorendetectie voor Agentschap Zorg en Gezondheid 2015 Positive examples Negative examples 9 Grachten detectie op basis van LiDAR rasters (25cm). Proof of Concept voor VMM 2018 U-Net: Convolutional Networks for Biomedical Image Segmentation (Univ of Freiburg) IFLEXIS Automatic vessel segmentation U-net vessel segmentation model obtains human specialist performance on DRIVE reference data set VITO in collaboration with KUL 10 5

6 RELEVANTE INPUT DATA RELEVANTE ALGORITMES LEREN APEX hyperspectraal (0.4 tot 2.5 μm) 200 à 300cm Project vluchten multi-spectraal (RGB) 10cm multi-spectraal (RGB) 5cm LiDAR campagne Project vluchten Spectral Angle Mapper (SAM) object-based Decission Tree classifier Convolutional Neuraal Netwerk (CNN) calibratie spectra grote training/ validatie dataset 11 kans op voorkomen APEX 2m Hyperspectraal 12 6

7 Decision Tree 10cm 13 Decision Tree 5 cm 14 7

8 99% kans op voorkomen CNN 10cm 15 99% kans op voorkomen CNN 5 cm 16 8

9 Potentieel van inzet van AI - machine learning, berekend als overeenkomst met de referentie, volgens de gegevens uit deze PoC. referentie = menselijke interpretatie overeenkomst Apex 2m RGB 10cm RGB 5cm golfplaten SAM 71% + leien - - Dec. Tree - 71% golfplaten 85% CNN - 80% golfplaten 96% + leien golfplaten golfplaten + leien 17 Potentieel van inzet van AI - machine learning, praktische toepasbaarheid op een regionale schaal voor de verschillende algoritme-beeld combinaties. Apex 2m (SAM) RGB 10cm (Dec. Tree) RGB 10cm (CNN) RGB 5cm (Dec. Tree) RGB 5cm (CNN) overeenkomst golf & lei? JA NEE JA NEE JA beelden regionaal beschikbaar? NEE JA JA NEE NEE Het aanmaken van voorbeelden om het algoritme te leren ( = pre processing) is voor alle technieken even intensief! Het interpreteren van de resultaten (= post processing) is voor alle technieken even intensief! resultaten zijn nooit 100% correct maar geven een waarschijnlijkheid van aanwezigheid van asbest weer 18 9

10 Multispectrale beelden 10cm Deep learning (CNN) Aanbevolen combinatie uit de PoC, zowel naar prestatie als inzetbaarheid Een goed leerproces, vereist steeds degelijke en voldoende leer voorbeelden Aanbevolen om beroep te doen op initiatieven als PASSwerk ( Resultaten geven indicatie van waar asbest zou kunnen zijn 19 Contact Openbare Vlaamse Afvalstoffenmaatschappij (OVAM) Astrid Verheyen Informatie Vlaanderen Programma Earth Observation Data Science (EODaS) Programma manager: Jo Van Valckenborgh ) Vlaams Instituut voor Technologische Ontwikkeling VITO Remote Sensing Hoofd Geomatica: Jan Biesemans ) 20 10