Imágenes de drones: de la captura al análisis GeoAI automatizado

Publicado el 20 marzo, 2024

Idea clave

El mapeo de la realidad nos permite crear representaciones digitales 2D y 3D del mundo físico para usar con la tecnología de sistemas de información geográfica (GIS) y obtener un contexto del mundo real para los datos espaciales. Para ir un paso más allá, podemos aplicar inteligencia artificial geoespacial (GeoAI) para ayudar a extraer información de estas representaciones de manera más eficiente, precisa y a escala. A través de una serie de videos de demostración, aprenderá cómo funciona todo, incluido el entrenamiento y el uso de un modelo de aprendizaje profundo, el aprovechamiento de modelos de inteligencia artificial (IA) previamente entrenados y la exploración de aplicaciones del mundo real en una variedad de industrias.

El mapeo de la realidad se define como un proceso de creación de una representación digital 2D y 3D espacialmente precisa del mundo físico utilizando imágenes o lidar. Es muy beneficioso utilizar la tecnología de sistemas de información geográfica (GIS) para establecer contenido fundamental (donde aún no está disponible) y así obtener una visión realista de los sitios críticos para comenzar a resolver problemas. Entonces, al usar drones para capturar imágenes actuales, obtenemos un contexto del mundo real para los datos espaciales. Luego podemos superponer puntos de datos adicionales sobre la representación digital para un análisis más profundo, y facilitar una visión holística para una amplia variedad de partes interesadas.

Análisis de imágenes de drones con GeoAI

La inteligencia artificial geoespacial (GeoAI) es la integración de la inteligencia artificial (IA) con datos espaciales, ciencia y tecnología para aumentar la comprensión, resolver problemas espaciales y automatizar la extracción de información.

Con ArcGIS, puede analizar una amplia variedad de imágenes, desde una nube de puntos hasta imágenes orientadas y videos. Realice una variedad de tareas con imágenes, incluida la detección de cambios, la idoneidad del sitio, el monitoreo de la vegetación, la detección de objetos, la revisión de imágenes, o la extracción y clasificación de entidades.

Para la gestión de propiedades públicas y comerciales, las organizaciones pueden utilizar imágenes fijas o en movimiento para detectar, clasificar y contar vehículos, y así saber cuándo los estacionamientos alcanzan su capacidad. Para el monitoreo del derecho de paso de los servicios públicos, se pueden utilizar nubes de puntos para clasificar los activos de los servicios públicos, e identificar las invasiones de vegetación en la red para ayudar a prevenir incendios forestales. En la investigación ambiental, las ortoimágenes o las imágenes de video y los algoritmos de clasificación pueden detectar cambios en las poblaciones de animales a lo largo del tiempo para comprender cómo están evolucionando.

Flujo de trabajo: entrenamiento y uso de un modelo de aprendizaje profundo

El ahorro de tiempo: modelos de IA previamente entrenados
Esri ahora proporciona más de 40 modelos de aprendizaje profundo previamente entrenados que están listos para usar en ArcGIS Living Atlas of the World. Estos modelos de aprendizaje profundo previamente entrenados eliminan la necesidad de grandes volúmenes de datos de entrenamiento, recursos informáticos masivos y amplios conocimientos de inteligencia artificial (IA). Le permiten acelerar sus flujos de trabajo geoespaciales con experiencia integrada y recursos diseñados específicamente para la extracción de entidades de imágenes, clasificación de cobertura terrestre, redacción de imágenes y detección de objetos. Automatice la forma de extraer información significativa de imágenes, nubes de puntos y videos.

Los modelos de aprendizaje profundo previamente entrenados de Esri incluyen detección de automóviles, detección de edificios, clasificación de cobertura del suelo, detección de líneas eléctricas y detección de grietas en el pavimento. Simplemente tome el modelo previamente entrenado de su elección y ejecútelo sobre sus imágenes usando ArcGIS Image for ArcGIS Online o ArcGIS Pro. Luego podrá configurarlo para que se ajuste a sus necesidades y ubicación. No se necesita entrenamiento.

Mire los siguientes vídeos de demostración para aprender cómo se utilizan la IA y las imágenes de drones en diferentes industrias para resolver problemas complejos.

Demostración 1: El Aeropuerto Internacional de San Bernardino utiliza IA para identificar fallas en el pavimento

El Aeropuerto Internacional de San Bernardino (California, EEUU) vuela drones en su nuevo Centro de Sistemas de Aeronaves No Tripuladas. Los kilómetros de calles y pistas de concreto del aeropuerto deben evaluarse periódicamente por motivos de seguridad. Si bien históricamente esto se ha hecho en persona, lo que requiere cientos de horas de trabajo de reconocimiento sobre el terreno, hoy en día se pueden aplicar drones y algoritmos de inteligencia artificial para acelerar el proceso. Mire esta demostración para ver cómo se utiliza la IA y el aprendizaje profundo para identificar fallas en el pavimento y examinar rápidamente pistas y calles en busca de grietas.

Vea el video aquí

Demostración 2: Las imágenes de drones y el aprendizaje automático ayudan a identificar el riesgo de inundaciones en Belice

Las zonas costeras de Belice están situadas en terrenos bajos, lo que aumenta el riesgo de inundaciones. Utilizando imágenes de drones y modelos de aprendizaje profundo previamente entrenados, podemos observar la vulnerabilidad de las estructuras: no solo su proximidad al océano sino también su elevación, materiales de construcción y una variedad de otras características. Usando Belice como ejemplo, esta demostración recorre el proceso de carga de imágenes en ArcGIS Online utilizando nuevas capacidades dentro de ArcGIS Image for ArcGIS Online para comenzar rápidamente el análisis en la nube, sin necesidad de codificación.

Vea el video aquí

Demostración 3: Automatice la evaluación de daños por incendio con aprendizaje profundo

En 2018, el incendio de Woolsey quemó casi 40.000 hectáreas de tierra alrededor de Los Ángeles, California, en 15 días. Evaluar la magnitud de los daños fue esencial para el socorro en casos de desastre. Anteriormente, se necesitaban días para clasificar manualmente las imágenes aéreas, pero ahora solo lleva horas gracias a modelos de aprendizaje automático previamente entrenados y a la IA automatizada. Con el ejemplo del incendio de Woolsey, esta demostración lo guía a través del proceso de entrenamiento, creación y aplicación de su propio modelo de aprendizaje profundo.

Vea el video aquí

Conozca más sobre imágenes y GeoAI aquí.