Machine Learning Techniques

Η Consortis Geospatial μένοντας συντονισμένη στις τεχνολογικές εξελίξεις ερευνά συνεχώς τρόπους να βελτιώσει τις υπηρεσίες που προσφέρει εφαρμόζοντας καινοτόμες λύσεις. Τον τελευταίο καιρό η προσπάθεια επικεντρώνεται στην ενσωμάτωση μεθόδων τεχνητής νοημοσύνης (AI) και μηχανικής εκμάθησης (Machine Learning) ώστε να επιτευχθεί αυτοματοποίηση χρονοβόρων διαδικασιών και να ελαχιστοποιηθούν λάθη που οφείλονται στον ανθρώπινο παράγοντα.

Συγκεκριμένα, ο επόμενος στόχος είναι η αναβάθμιση και μετεξέλιξη του Mobiroad, εφαρμογή Διαχείρισης Βλαβών Οδικού Δικτύου.

Η πρώτη έκδοση του Mobiroad περιελάμβανε λεπτομερή σχεδιασμό της Βάσης Δεδομένων, των Ροών Εργασίας και της συνολικής λειτουργικότητας του συστήματος αντανακλώντας τις ανάγκες των Φορέων που είναι υπεύθυνοι για την συντήρηση του οδικού δικτύου. Η εφαρμογή παραδίδονταν με τη Βάση Δεδομένων έτοιμη να υποδεχθεί τα δεδομένα από τις επιθεωρήσεις του εκάστοτε Φορέα.

Στην δεύτερη έκδοση ενσωματώθηκε η διαδικασία καταγραφής του οδικού δικτύου με την μέθοδο της κινηματικής χαρτογράφησης (mobile mapping), που αποτελεί μια ολοκληρωμένη λύση συλλογής 3Δ δεδομένων πεδίου. Η επεξεργασία της πληροφορίας των γεωαναφερμένων φωτογραφιών έχει ως αποτέλεσμα την εξαγωγή των πάγιων στοιχείων του οδικού δικτύου (πινακίδες, στηθαία ασφαλείας κ.λπ.) και την εισαγωγή τους στην Βάση Δεδομένων. Με αυτόν τον τρόπο, ενισχύθηκε η λειτουργικότητα της εφαρμογής καθώς πλέον ο Φορέας μπορεί να συσχετίζει βλάβες με πάγια στοιχεία της οδικής υποδομής.

Κατά την παραπάνω διαδικασία επεξεργασίας φωτογραφιών αναδείχθηκε η ευκαιρία αναγνώρισης των υπαρχόντων βλαβών ώστε να εισαχθούν στη Βάση Δεδομένων και να παραδοθούν στον Φορέα με σήμανση την ημερομηνία λήψης των φωτογραφιών. Με αυτό ως γνώμονα οδηγούμαστε στην τρίτη έκδοση του Mobiroad. Αξιοποιώντας λοιπόν πλήθος πρωτογενών δεδομένων εκκίνησε η διαδικασία  ανάπτυξης  αλγορίθμου μηχανικής εκμάθησης βάσει των φωτογραφιών ώστε να αναγνωρίζονται βλάβες όπως ρωγμές οδοστρώματος, λακκούβες αλλά και τα πάγια όπως πινακίδες, φρεάτια κ.ά.

Στην παρούσα φάση έχουμε φτάσει σε ικανοποιητικά επίπεδα αναγνώρισης και σήμανσης αντικείμενων με ένα ποσοστό επιτυχίας 50%. Σχετικά με τις βλάβες έχει παρατηρηθεί ότι καταγράφονται μεν στο σύνολό τους ανά εικόνα, χρήζουν όμως περαιτέρω εκπαίδευσης ώστε να μειωθεί ο θόρυβος και να εξαιρούνται αντικείμενα που δεν αποτελούν βλάβη όπως σκιές, μπαλώματα από υπογειοποίηση καλωδίων κ.λπ.

Είμαστε αισιόδοξοι πως η νέα έκδοση θα είναι έτοιμη από την νέα χρονιά και θα χαρούμε να αξιοποιηθεί η λειτουργικότητά της από τους αρμόδιους Φορείς ώστε να ενισχυθεί η οδική ασφάλεια που προέρχεται από την σωστή συντήρηση του οδικού δικτύου.