Mutatiesignalering met behulp van Artificial Intelligence: hoe werkt het?

Introductie

Readar biedt geautomatiseerde mutatiesignalering voor basisregistraties en ander kaartmateriaal op basis van luchtfoto’s. Hoe werkt dit?

Nederland is gedetailleerd in kaart gebracht in verschillende basisregistraties zoals de BAG (Basisregistratie Adressen en Gebouwen), de BGT (Basisregistratie Grootschalige Topografie) en de WOZ. Maar de wereld buiten verandert snel. Er worden nieuwe woningen gebouwd, rotondes aangelegd en dakkapellen geplaatst. Bronhouders, zoals gemeenten en waterschappen, zijn verantwoordelijk om de basisregistraties actueel te houden. Bij elke relevante mutatie moeten zij de basisregistratie dan ook bijwerken.

Signalen van mutaties komen bij de bronhouder op verschillende manieren binnen. Denk bijvoorbeeld aan bouwvergunningen die worden afgegeven of werkzaamheden die de bronhouder zelf laat uitvoeren. Echter van een deel van de mutaties ontvangt de bronhouder nooit bericht. Luchtfoto’s bieden een mooie oplossing om ook die mutaties te vinden. Veruit de meeste relevante aanpassingen zijn goed op de luchtfoto te zien. Helaas is het handmatig opsporen van veranderingen op basis van een luchtfoto een arbeidsintensieve klus. Readar vereenvoudigt dit monnikenwerk met behulp van Artificial Intelligence. Hoe werkt dat?

Twee principes

Feitelijk kun je twee verschillende manieren kiezen voor het signaleren van mutaties aan de hand van een luchtfoto.

De eerste mogelijkheid is om de bestaande basisregistratie (kaart) direct te vergelijken met de meest recente luchtfoto. Een voordeel hiervan is dat we proberen om alle afwijkingen tussen de kaart en de foto te vinden: Zo kunnen fouten die in het verleden in de basisregistratie zijn ontstaan alsnog worden hersteld. Dit voordeel is ook een nadeel: oude discussies over of een object wel of niet in de basisregistratie hoort te staan kunnen opnieuw gevoerd worden.

Een tweede optie is om de luchtfoto van vorig jaar te vergelijken met de foto van dit jaar (uiteraard is het ook mogelijk om oudere foto’s te gebruiken). Het voordeel van deze aanpak is dat objecten waarvan in het verleden is bepaald dat ze niet in de basisregistratie opgenomen hoeven te worden, niet opnieuw beoordeeld worden. Alle aandacht gaat uit naar nieuwe mutaties.

Readar gebruikt beide principes omdat ze elkaar kunnen versterken.

Minimaliseren van niet relevante verschillen

“Zoek de verschillen” is een bekend spelletje uit menig vakantiepuzzelboek. Het concept is eenvoudig, maar het vinden van verschillen op een luchtfoto is in de praktijk een stuk lastiger.

Eén probleem is dat er eindeloos veel verschillen tussen de foto’s zijn. Zo zijn er verschillen in schaduw, belichting, seizoen en perspectief. Dit zorgt er voor dat hetzelfde object er op verschillende foto’s anders uitziet. Als bronhouder ben je hier niet in geïnteresseerd: deze uiterlijke verschillen moeten dus geen mutatie-signalen geven.

We elimineren daarom eerst zoveel mogelijk verschillen die niet relevant zijn. Het meest in het oog springen de perspectief-verschillen tussen de verschillende orthofoto’s. Daarvoor zetten we een eerste AI-model in dat de oorspronkelijke ruwe beelden uit de camera van het vliegtuig, de zogeheten stereofoto’s, omzet in een volledig 3D model (puntenwolk) van het gebied. Dit zetten we om naar een True Ortho en DSM (hoogtemodel). Het voordeel van een True Ortho luchtfoto boven een normale (ortho) luchtfoto is dat je elke pixel recht van boven bekijkt. Normaal bekijk je een groot deel van de objecten onder een (kleine) hoek, afhankelijk van waar het vliegtuig vloog toen de foto werd genomen. Omdat die kijkhoek elk jaar kan verschillen ontstaan verschillen in perspectief. Met een True Ortho foto heb je daar geen last van.

Omdat we precies weten wanneer de ruwe foto’s zijn opgenomen weten we ook wat de zonnestand bij de opname was. Hiermee kunnen we uitrekenen welke pixel een schaduwpixel is en welke niet. Tot slot kalibreren we de foto’s op een slimme manier om ze nog beter vergelijkbaar te maken. Hierna zien ongewijzigde objecten er ook ongeveer hetzelfde uit.

Opsporen van mutaties

Nu de verschillen in perspectief en atmosfeer zoveel als mogelijk zijn geëlimineerd kunnen we op zoek gaan naar de “echte” verschillen. Ook hiervoor geldt dat niet alle verschillen relevant zijn, denk bijvoorbeeld aan tijdelijke en mobiele objecten zoals partytenten, opblaaszwembaden, zonneschermen, kuilvoer, trampolines en (vracht)auto’s. We passen hiervoor opnieuw een AI-model toe. Dit model is getraind met duizenden relevante en niet-relevante mutaties. Het model heeft zo geleerd deze twee van elkaar te onderscheiden. Het model vindt mogelijke mutaties en classificeert deze naar een van de volgende classificaties:

• Nieuwe en gesloopte (bij)gebouwen
• Veranderingen van de footprint van gebouwen
• Veranderingen in water
• Veranderingen in verharding
• Verandering in terreindelen
• Veranderingen binnen de footprint van bestaande gebouwen
  • Nieuwe dakkapellen
  • Nieuwe zonnepanelen

Verwijderen van vals positieven

Het onderscheiden van relevante en niet-relevante mutaties lukt nooit helemaal geautomatiseerd. We stellen onze algoritmes daarom ruim af om zoveel mogelijk mutaties te vinden. Gevolg is wel dat we ook bijvangst hebben. Denk hierbij aan een grijs zonnescherm wat is aangezien voor een uitbouw. Deze vals positieven verwijderen we handmatig. Dat klink als veel werk, maar dat valt mee omdat we hier efficiënte processen voor hebben. Het is in ieder geval veel makkelijker om vals positieven te verwijderen, dan om de hele gemeente af te speuren op zoek naar mutaties. Per saldo wordt namelijk maar een klein deel van de luchtfoto met de hand bekeken om vals positieven te verwijderen, terwijl je voor het opsporen van mutaties de hele luchtfoto moet afzoeken.

Het mooie is dat je door dit slim te doen tot een consistent hoge datakwaliteit kunt komen, waarbij de kwaliteit statistisch bewezen wordt. We hebben in de afgelopen jaren een paar miljoen handmatige controles uitgevoerd. De lessen die we daaruit geleerd hebben en de daarvoor ontwikkelde workflows zetten we nu in voor mutatiesignalering. Dit betekent dat de klant opgeschoonde resultaten ontvangt met een voorspelbare en gegarandeerde kwaliteit.

Wat leveren we op?

Als resultaat leveren we markers op van de locatie van de mutaties en het type mutatie. Vanaf dat punt zijn er verschillende opties.

Veel bronhouders werken al jaren naar tevredenheid samen met een vaste partij voor het bijhouden van de basisregistratie. Wij treden vaak op als onderaannemer van die leverancier, waarbij we onze signalen leveren aan de vaste leverancier van de bronbouder die voor de verdere verwerking zorgdraagt. 

Sommige bronhouders willen de signalen zelf beoordelen en verwerken, dat is uiteraard ook mogelijk. We kunnen de data op allerlei manier uitleveren, in verschillende bestandsformaten (bv Shape), maar ook via een API zoals WFS (lees hier meer over onze API).

Bronhouders met verspreide objecten

Van een aantal grote bronhouders zoals provincies en waterschappen liggen de te beheren objecten verspreid over een groot gebied. Zo’n gebied in zijn geheel analyseren kan kostbaar zijn. Een groot voordeel van Readar is dat we de volledige softwareketen, van het invoeren van de ruwe stereobeelden tot en met het opleveren van de mutatiepolygonen in huis hebben ontwikkeld. Hierdoor kunnen we de hele keten optimaliseren voor mutatiesignalering. We weten precies welke data ons proces in gaat. Als we bijvoorbeeld voor een provincie aan de slag gaan, dan is het voor ons geen probleem om alleen de stukjes van de ruwe luchtfoto’s waar de provinciale objecten zichtbaar zijn te processen. Op eenzelfde manier hebben we al eens met luchtfoto’s puntenwolken gemaakt van alle gebouwen in NL. Dat kostte slechts een fractie van de rekentijd die benodigd is om heel Nederland te verwerken.

Zelf aan de slag?

Momenteel werken we samen met verschillende bestaande spelers in de markt. Zij besteden het arbeidsintensieve signaleren graag aan ons uit, zodat ze zich kunnen concentreren op de verwerking van de signalen. Wilt u ook gebruik maken van onze mutatiesignalering? We staan open voor nieuwe samenwerkingen! Uiteraard kunt u als bronhouder ook direct bij ons terecht!