Terug naar alle algoritmes

Kadastrale kaart next

Met artificial intelligence (kunstmatige intelligentie) bouwen we de kadastrale kaart opnieuw op. Hiervoor gebruiken we scans van originele historische veldwerken.

Organisatie
Kadaster
Thema
  • Ruimte en infrastructuur
  • Werk
  • Wonen
Status
In gebruik

Algemene informatie

Naam

Kadastrale kaart next

Korte omschrijving

Met artificial intelligence (kunstmatige intelligentie) bouwen we de kadastrale kaart opnieuw op. Hiervoor gebruiken we scans van originele historische veldwerken.

Organisatie

Kadaster

Thema

  • Ruimte en infrastructuur
  • Werk
  • Wonen

Status

In gebruik

Begindatum

Veld niet ingevuld.

Contactgegevens

https://formulieren.kadaster.nl/contact_kadaster_algoritmeregister

Publicatiecategorie

Overige algoritmes

Verantwoord gebruik

Doel en impact

De Kadastrale kaart next is een verbeterde Kadastrale kaart. Op deze kaart zie je de grenzen zoveel mogelijk zoals ze ook in werkelijkheid zijn. We gebruiken hiervoor de oorspronkelijke meetgegevens, dus oude veldwerken. Ook maken we gebruik van algoritmen en kunstmatige intelligentie. Zo kunnen we het proces automatiseren. Op die manier besparen we kosten en zorgen we voor een nauwkeurigere Kadastrale kaart: de Kadastrale kaart next.

Afwegingen

Veld niet ingevuld.

Menselijke tussenkomst

Human on the loop. Dit betekent dat AI wordt toegepast in een automatisch proces. Zijn er afwijkingen? Dan controleren mensen het resultaat en passen dit aan als dat nodig is.

Risicobeheer

Minimaal risico

Wettelijke basis

In artikel 74 Kadasterwet staat dat het Kadaster mag onderzoeken of gegevens uit de basisregistratie kadaster juist en volledig zijn. In artikel 23 Kadasterbesluit staat dat er een onderzoek van vernieuwing mag worden gedaan, als blijkt dat gegevens niet voldoende juist en volledig zijn. Er is dus nog geen wettelijke grondslag of basis voor de Kadastrale Kaart Next. Daarom willen we artikel 23 aanpassen. Zo kunnen we een stap verder gaan en de Kadastrale kaart vernieuwen.

Werking

Gegevens

Wij hebben een set veldwerken gebruikt, die kenmerkend is voor ons archief. Die set bestaat uit verschillende regio’s en tijdsperiodes. Dan is er nog een set voor OCR: het omzetten van handgeschreven teksten naar informatie die de computer kan lezen. Deze set bestaat uit ongeveer 200.000 veldwerken. De end-to-end set voor lijn- en objectdetectie bestaat uit 3.000 veldwerken.

Technische werking

Het algoritme gebruikt aparte neurale netwerken voor de OCR, lijndetectie en objectdetectie: * voor de OCR gebruiken we een NN, dat bestaat uit CNN- en RNN-lagen * de lijndetectie gebeurt op basis van een aangepast UNET * de objectdetectie gebeurt met een MaskRCNN op basis van de SWIN transformer architectuur Deze modellen zijn getraind op basis van veldwerk (componenten) en annotaties. Annotaties zijn notities met een opmerking of uitleg. De beschikbare dataset splitsen we op in train, validatie en test-sets. De traindata augmenteren we tijdens het trainen om een veelzijdige trainset te maken. Tijdens het trainen bepalen we na elke iteratie de F-score op de validatie-set. Zodra de performance op de validatie-set niet meer verbetert, stoppen we met het trainen. Daarna bepalen we de F-score op de test-set. Is deze F-score beter dan vorige trainingen? Dan gebruiken we de gewichten van het neurale netwerk voor de voorspellingen.