Lokaasje fan lampeposten

Gemeente Amsterdam

It doel fan it systeem is it bywurkjen fan de registraasje fan lampeposten. Dizze registraasje wurdt brûkt foar assetbehear (ynklusyf ûnderhâld) fan iepenbiere ferljochting.

Lêst feroare op 27 novimber 2024 om 17:04 | Publikaasjestandaard 1.0

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

Algemene ynformaasje

Tema

• Romte en ynfrastruktuer
• Ferkear

Begjindatum

Fjild net ynfierd.

Kontaktgegevens

[e-mail]

Ferantwurde gebrûk

Doel en impact

It doel fan it systeem is it bywurkjen fan de registraasje fan lampeposten. Dizze registraasje wurdt brûkt foar assetbehear (ynklusyf ûnderhâld) fan iepenbiere ferljochting. It systeem detektearret lampeposten yn 3D puntwolken. It berekkent dan eigenskippen fan 'e lantearnepeallen, lykas de krekte lokaasje fan' e ûnder- en boppekant fan 'e lantearnepeal, en de hoeke dy't it makket mei de grûn.

Afwagings

Fjild net ynfierd.

Minskele tuskenkomst

Elke fûne lampepost (en de byhearrende fit) is kontrolearre troch in minske.

De ynformaasje oer de fûne lamppeallen dy't maklik oerienkomt mei de besteande registraasje is automatysk opnommen yn dizze registraasje.

De fûnemintele peallen dy't net maklik oan te passen binne by de besteande registraasje wurde nochris troch saakkundigen kontrolearre foardat de ynformaasje oer dizze peallen brûkt wurdt.

Nivo fan minsklike kontrôle: minske-yn-kommando

Risikobehear

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

Grutskalige gegevensferwurking

• Risikobeskriuwing: Grutskalige gegevensferwurking (segmentaasje fan alles dat kin wurde sjoen fan 'e dyk, gefoel diel te wêzen fan in masine, automatisearre systeem)
• Frekwinsje: leech
• Beskriuwing fan risikobeheining: Kommunikaasje. Wy ferklearje dat wy net alles brûke en dat alles troch minsken kontrolearre wurdt.
• Mitigaasjestatus: foltôge
• Kâns: leech
• Skaal: leech
• Severity: leech

Lokaasje gegevens

• Risikobeskriuwing: Lokaasjegegevens (witte wêr't alles is kin nuttich wêze foar minsken mei kweade bedoelingen)
• Frekwinsje: leech
• Mitigaasjestatus: Net begûn
• Kâns: leech
• Skaal: leech
• Severity: leech

Non-diskriminaasje: Wy ferwachtsje dat it model it bêste presteart yn gebieten dy't lykje op 'e gebieten dêr't it model waard oplaat (yn dit gefal deselde lampepostfoarmen en uterlik fan 'e omjouwing). Wy wolle besykje de ynfloed fan (de kwaliteit fan) it model foar ferskate groepen gelyk te hâlden. Dêrom is Amsterdam East keazen as lokaasje foar it oplieden fan it model, om't dit stedsdiel in ferskaat strjitbyld en in ferskaat oan befolking hat.

Wurking

Gegevens

Namme: 3D puntwolken

Dataset beskriuwing

De ynfiergegevens binne de 3D-puntwolken makke mei in LiDAR-scanner yn 2020. De punten hawwe x, y, z koördinaten, in kleur en yntinsiteit.

De punten wurde earst semantysk segmentearre en dan klustere yn yndividuele lamppeallen.

In subset fan de gegevens waard brûkt om it model te trainen, besteande út 50 stikken yn Amsterdam East. Dizze subset is annotearre. Dit wurdt foar in part automatysk dien en dan ferbettere troch in minske. De earste proeven waarden útfierd yn Weesp en de Oosterparkbuurt yn Amsterdam East. It definitive operasjonele model brûkt de dataset út hiel Amsterdam.

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

• Lisinsje: Gebrûksrjocht binnen de gemeente
• Operating
• Persoanlike ynformaasje: Gjin persoanlike ynformaasje

Boarne:

Strjitte LiDAR | Cyclomedia

Technyske wurking

Beskriuwing fan it systeem arsjitektuer:

De earste stap is de semantyske segmintaasje fan 'e puntwolken. Wy klassifisearje punten yn regio's op basis fan har betsjutting. Wy bepale oft der wat diel útmakket 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 by lampepeallen hearre. Wy brûke ferbûn-komponint-labeling foar dit. Wy ferwiderje lûd en komme úteinlik by stikken puntwolk dy't by in yndividuele lantearnepeal hearre.

Foar elk fûn kluster brûke wy haadkomponintanalyse om in fit te meitsjen foar elke lampepost. Ut dizze fit kinne wy ​​maklik ôfliede de eigenskippen fan de peal.

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

Optreden

• Prestaasje fan 'e earste stap yn gegevensferwurking (semantyske segmintaasje mei RandLA-Net): de krusing-oer-uny foar de lampepostklasse is 82.
• Prestaasje fan 'e twadde stap (identifikaasje fan yndividuele lantearnepeallen): in signifikant diel (sawat in tredde) fan' e fûne lantearnepeallen binne yn werklikheid gjin lantearnepeallen (falske positiven). Dy wurde troch minsken fuorthelle (sjoch de kop 'minsklike tafersjoch').

Utfiering fan de tredde stap (fit per lamppeal): de fit wie yn 91 prosint fan de gefallen korrekt en yn de oerbleaune 9 prosint waard it korrizjearre troch in minske.