Lantaarnpeallen lokalisearje

Gemeente Amsterdam

It doel fan it systeem is om de registraasje fan lantearnepeallen by te wurkjen. Dizze registraasje wurdt brûkt foar it behear fan aktiva (bygelyks ûnderhâld) fan iepenbiere ferljochting.

Lêst feroare op 10 septimber 2025 om 14:33 | Publikaasjestandaard 1.0

• Publicatiecategorie: Oare algoritmes
• Impacttoetsen: Fjild net ynfierd.
• Status: Yn gebrûk

Algemene ynformaasje

Tema

• Romte en ynfrastruktuer
• Ferkear

Begjindatum

2022-07

Kontaktgegevens

[e-mail]

Ferantwurde gebrûk

Doel en impact

It doel fan it systeem is om de registraasje fan lantearnepeallen by te wurkjen. Dizze registraasje wurdt brûkt foar assetbehear (bygelyks ûnderhâld) fan iepenbiere ferljochting. It systeem detektearret lantearnepeallen yn 3D-puntwolken. It berekkent dan eigenskippen fan 'e lantearnepeallen, lykas de krekte lokaasje fan 'e boppe- en ûnderkant fan 'e lantearnepeal, en de hoeke dy't it makket mei de grûn.

Afwagings

Fjild net ynfierd.

Minskele tuskenkomst

Elke fûne lantearnepeal (en de byhearrende passing) is kontrolearre troch in minske.

Ynformaasje oer fûne lantearnepeallen dy't maklik oerienkomme kinne mei de besteande registraasje wurdt automatysk opnommen yn dizze registraasje.

De lantearnepeallen dy't fûn binne en dy't net maklik oerienkomme mei de besteande registraasje wurde troch saakkundigen yn mear detail kontrolearre foardat de ynformaasje oer dizze peallen brûkt wurdt.

Nivo fan minsklike kontrôle: minsklik-yn-befel

Risikobehear

It systeem hat net folle risiko, om't de gegevens net tige gefoelich binne en de resultaten troch minsken kontrolearre wurde foardat wy se brûke.

Grootskalige gegevensferwurking

• Risikobeskriuwing: Grutskalige gegevensferwurking (segmintaasje fan alles wat sichtber is fan 'e dyk, gefoel fan ûnderdiel wêzen fan in masine, automatisearre systeem)
• Frekwinsje: Leech
• Beskriuwing fan risikobeperking: Kommunikaasje. Wy ferklearje dat wy net alles brûke en dat alles troch minsken kontrolearre wurdt.
• Status fan mitigaasje: Foltôge
• Kâns: Leech
• Skaal: Leech
• Ernst: Leech

Lokaasjegegevens

• Risikobeskriuwing: Lokaasjegegevens (witte wêr't alles is kin nuttich wêze foar kweade akteurs)
• Frekwinsje: Leech
• Mitigaasjestatus: Net begûn
• Kâns: Leech
• Skaal: Leech
• Ernst: Leech

Non-diskriminaasje: Wy ferwachtsje dat it model it bêste prestearret yn gebieten dy't fergelykber binne mei de gebieten wêrop it traind is (yn dit gefal ferlykbere lantearnepealfoarmen en miljeu-úterlik). Wy wolle besykje de ynfloed (en kwaliteit) fan it model oer ferskate groepen te behâlden. Dêrom is Amsterdam East keazen as lokaasje foar it trainen fan it model, om't dizze wyk in ferskaat strjittebyld en befolking hat.

Wurking

Gegevens

Namme: 3D puntwolken

Beskriuwing fan de dataset

De ynfiergegevens binne de 3D-puntwolken dy't yn 2020 mei in LiDAR-scanner makke binne. De punten hawwe x-, y-, z-koördinaten, in kleur en yntensiteit.

De punten wurde earst semantysk segmintearre en dan klustere yn yndividuele lantearnepeallen.

In subset fan 'e gegevens, dy't 50 gebieten yn Amsterdam East fertsjintwurdiget, waard brûkt om it model te trainen. Dizze subset waard annotearre. Dit waard foar in part automatysk dien en doe ferbettere troch in minske. Earste testen waarden útfierd yn Weesp en de Oosterparkwyk yn Amsterdam East. It definitive operasjonele model brûkt de dataset foar hiel Amsterdam.

Foar automatyske annotaasje brûke wy ek AHN4- en BGT-gegevens om bygelyks it lânoerflak en de lokaasje fan gebouwen te bepalen.

• Lisinsje: Rjocht fan gebrûk binnen de gemeente
• Operearjend
• Persoanlike gegevens: Gjin persoanlike gegevens

Boarne:

Strjitte LiDAR | Cyclomedia

Technyske wurking

Beskriuwing fan systeemarsjitektuer:

De earste stap is de semantyske segmintaasje fan 'e puntwolken. Dit giet oer it klassifisearjen fan punten yn regio's op basis fan har betsjutting. Wy bepale oft eat ûnderdiel is fan in lantearnepeal of net. Hjirfoar brûke wy RandLA-Net (QingyongHu/RandLA-Net (github.com)).

De folgjende stap is it klusterjen fan alle punten dy't ta lantearnepeallen hearre. Wy brûke hjirfoar ferbûne komponintenlabeling. Wy ferwiderje rûs en komme úteinlik ta puntwolksegmenten dy't ta in yndividuele lantearnepeal hearre.

Foar elke fûne kluster brûke wy haadkomponintanalyse om in fit te meitsjen foar elke lantearnepeal. Ut dizze fit kinne wy ​​maklik de eigenskippen fan 'e lantearnepeal ôfliede.

De koade foar dizze lêste twa stappen is te finen op ús github: Amsterdam-AI-Team/Urban_PointCloud_Analysis

Optreden

• Prestaasjes fan 'e earste stap yn gegevensferwurking (semantyske segmintaasje mei RandLA-Net): de ynterseksje-oer-uny foar de lantearnepealklasse is 82.
• Twadde stap prestaasje (identifisearjen fan yndividuele lantearnepeallen): in wichtich diel (sawat in tredde) fan 'e fûne lantearnepeallen binne eins gjin lantearnepeallen (falske positiven). Dizze wurde troch minsken fuorthelle (sjoch de seksje "minsklik tafersjoch").

Prestaasje fan 'e tredde stap (passing per lantearnepeal): yn 91 prosint fan 'e gefallen wie de passing korrekt en yn 'e oerbleaune 9 prosint waard it troch in minske korrizjeare.