Adnotacja obrazu satelitarnego dla sztucznej inteligencji AgriTech
W jaki sposób Shaip zrealizował segmentację wielokątów na poziomie działek na podstawie lotniczych i satelitarnych zdjęć rolniczych — obejmujących pola uprawne, sady, szklarnie, zbiorniki wodne, ścieżki i leśne strefy buforowe, z 6-warstwową inteligencją terenową — stworzoną jako zbiór danych klasy produkcyjnej na potrzeby precyzyjnego rolnictwa i sztucznej inteligencji w rejestrach gruntów.
Przegląd projektu
W miarę jak geoprzestrzenna sztuczna inteligencja zmierza w kierunku monitorowania upraw na poziomie działek, automatycznego mapowania katastralnego i automatyzacji ubezpieczeń rolniczych, klient potrzebował precyzyjnego systemu adnotacji, który umożliwiałby segmentację poszczególnych działek gruntowych na podstawie obszernych, złożonych zdjęć lotniczych i satelitarnych.
Shaip zbudował kompleksowy system adnotacji obejmujący segmentację poligonów w ramach ponad 9 typów podziału terenu, 6-warstwowe atrybuty inteligencji terenowej, spójność topologiczną między sąsiadującymi działkami i obsługę granic przypadków brzegowych — generując gotowe do modelowania zestawy danych na potrzeby rolnictwa precyzyjnego i geoprzestrzennej sztucznej inteligencji.
Kluczowe statystyki
Typ adnotacji
Segment wielokąta
Źródło obrazów
Antena + Satelita
Rodzaje gruntów
9+
Warstwy atrybutów
6
Wyzwania
- Segmentacja setki paczek na ramkę na rozległych zdjęciach lotniczych i satelitarnych
- Prowadzenie nieregularne i niejednoznaczne granice które zmieniają się wraz z porami roku, pogodą i użytkowaniem gruntów
- Rozróżnianie paczek oddzielonych tylko wąskimi ścieżkami lub kanałami irygacyjnymi
- Zarządzający nakładanie się cieni, wysokość terenu i cechy naturalne Podziały
- Utrzymywanie spójność topologiczna między sąsiednimi działkami
Rozwiązanie
Segmentacja działek wielokątnych
Każda pojedyncza działka widoczna na każdym zdjęciu lotniczym lub satelitarnym została oddzielnie opisana za pomocą precyzyjnej segmentacji wielokątów, wyznaczając dokładne granice każdego odrębnego pola, działki lub podziału gruntu. Gęstość wielokątów została skalibrowana w celu uchwycenia organicznych kontur pól bez zbędnego narzutu wierzchołków.
Kompleksowe pokrycie typów gruntów
Adnotacje dotyczyły pól uprawnych, gruntów ugorowanych lub nieuprawianych, pól nawadnianych i nawadnianych deszczówką, tarasowych działek rolniczych, sadów i plantacji, szklarni i poligoni, zbiorników wodnych (stawów i kanałów nawadniających), ścieżek i dróg polnych oddzielających działki oraz leśnych lub roślinnych stref buforowych graniczących z gruntami rolnymi.
6-warstwowe atrybuty inteligencji lądowej
Każda działka została wzbogacona o atrybuty obejmujące rodzaj upraw, w których można je zidentyfikować, klasyfikację użytkowania gruntów (uprawa aktywna, zbiory, jałowość), status nawadniania, kategorię wielkości pola, widoczność gleby i stan sezonowy. Ta wieloatrybutowa warstwa przekształca prosty zbiór danych wykrywania granic w kompleksowy korpus danych o terenie, wspierający wielosezonowe monitorowanie upraw i prognozowanie plonów.
Wymuszanie spójności topologicznej
Adnotatorzy przestrzegali ścisłych reguł topologicznych, aby zapewnić wyraźne wyrównanie granic sąsiednich działek – bez nakładających się wielokątów i nieoznakowanych luk. Ta spójność jest niezbędna dla aplikacji AI w katastrach, ubezpieczeniach i zarządzaniu zasobami wodnymi, które opierają się na dokładnych obliczeniach powierzchni na poziomie działki.
Obsługa granic przypadków brzegowych
Surowe wytyczne dotyczyły działek oddzielonych jedynie wąskimi ścieżkami lub kanałami irygacyjnymi, nakładających się obszarów cienia od chmur lub wysokości terenu, pofragmentowanych pól podzielonych przez naturalne elementy, takie jak rzeki i grzbiety, oraz działek o niejednolitej kolorystyce ze względu na fazy wzrostu upraw lub poziom wilgotności gleby. Do precyzyjnego wyznaczenia granic z zachowaniem ogólnego kontekstu przestrzennego wykorzystano narzędzia do powiększania o wysokiej rozdzielczości.
Zakres projektu
| Typ zbioru danych | Źródło obrazów | Metoda adnotacji | Rodzaje gruntów | Atrybuty | Konsystencja: |
|---|---|---|---|---|---|
| Podział gruntów rolnych | Antena + satelita | Segmentacja wielokątów | Ponad 9 typów partycji | 6 warstw atrybutów | Wymuszanie topologiczne |
Wyniki
- Założona kanał segmentacji wielokątów na poziomie paczek dla geoprzestrzennej sztucznej inteligencji w rolnictwie
- znormalizowane 9+ typów pokrycia podziału gruntów rozciągający się na polach, sadach, wodzie, ścieżkach i strefach buforowych
- Dostarczany 6-warstwowe atrybuty inteligencji lądowej dla upraw, nawadniania i kontekstu sezonowego
- wymuszone spójność topologiczna między sąsiadującymi działkami w celu zapewnienia dokładności katastralnej
- Włączono klienta monitorowanie upraw, rejestr gruntów, ubezpieczenia rolnicze, zasoby wodne i kredyty węglowe AI
Ogólnie rzecz biorąc, Shaip pomógł przekształcić wymagania dotyczące adnotacji geoprzestrzennej na skalę satelitarną w ustrukturyzowany, gotowy do produkcji system segmentacji — taki, który może obsługiwać precyzyjne rolnictwo, zautomatyzowane mapowanie katastralne, ocenę roszczeń ubezpieczeniowych, zarządzanie wodą i weryfikację kredytów węglowych z precyzją na poziomie działki.
Segmentacja na poziomie działki opracowana przez Shaipa poradziła sobie z niejednoznacznością granic, która łamie większość adnotacji geoprzestrzennych. Ich reguły spójności topologicznej pozwoliły naszej katastralnej sztucznej inteligencji wygenerować obszary zasięgu, którym mogliśmy zaufać prawnie.
