Los científicos geoespaciales han desarrollado un nuevo programa para monitorear los letreros de las calles que necesitan reemplazo o reparación al aprovechar las imágenes de Google Street View.
El sistema completamente automatizado está entrenado usando detección de objetos con IA para identificar señales de calles en las imágenes disponibles gratuitamente.
Las autoridades municipales actualmente dedican grandes cantidades de tiempo y dinero a monitorear y registrar la geolocalización de la infraestructura de tráfico manualmente, una tarea que también expone a los trabajadores a riesgos de tráfico innecesarios.
Resultados recién publicados en la revista de Computadoras, Medio Ambiente y Sistemas Urbanos muestra que el sistema detecta señales con una precisión cercana al 96%, identifica su tipo con una precisión cercana al 98% y puede registrar su geolocalización precisa a partir de las imágenes 2D.
Andrew Campbell, autor principal del estudio y estudiante de Honores en Ciencias Geoespaciales de la Universidad RMIT, dijo que el modelo de prueba de concepto fue entrenado para ver señales de "parar" y "ceder", pero podría ser entrenado para identificar muchas otras entradasy era fácilmente escalable para su uso por los gobiernos locales y las autoridades de tráfico.
"Las autoridades municipales tienen requisitos para monitorear esta infraestructura, pero actualmente no hay una forma económica o eficiente de hacerlo", dijo Campbell.
"Al usar herramientas gratuitas y de código abierto, ahora hemos desarrollado un sistema totalmente automatizado para hacer ese trabajo y hacerlo con mayor precisión".
El equipo descubrió durante las investigaciones que los datos obligatorios de ubicación de GPS en las bases de datos de letreros de calles existentes a menudo eran inexactos, a veces hasta 10 m de distancia.
"El seguimiento manual de estos signos por parte de personas que pueden no estar formadas por geocientíficos introduce el error humano en la base de datos. Nuestro sistema, una vez configurado, puede ser utilizado por cualquier analista espacial; usted simplemente le dice al sistema qué área desea monitorear yte cuida ", dijo Campbell.
Campbell acreditó el concepto inicial del proyecto a su mentor de la industria en Alpine Shire Council y ex alumno de RMIT Geospatial Science, Barrett Higman.
El científico geoespacial de RMIT y co-líder del proyecto, Dr. Chayn Sun, dijo que el hecho de que algunos consejos ya estaban colocando cámaras en camiones de basura para recopilar imágenes de la calle mostraba cuán valiosos se estaban convirtiendo los datos visuales, dada la tecnología que ahora podía hacer con ellos.
"Esta imagen es crítica para los gobiernos locales en el monitoreo y la gestión de activos y con la gran cantidad de aplicaciones geoespaciales florecientes, esta información solo será más valiosa", dijo Sun.
"La nuestra es una de varias aplicaciones tempranas para satisfacer una necesidad específica de la industria, pero surgirán muchas más en los próximos años"
Sun dijo que las imágenes de otras fuentes, como las de las cámaras de los camiones de basura o cualquier otra imagen georreferenciada de la red de carreteras recopilada por las autoridades municipales, también podrían introducirse en el sistema.
"Cuando ya se están recopilando imágenes, nuestra investigación puede proporcionar a los consejos una herramienta económica para obtener información y datos de este recurso existente", dijo.
Fuente de la historia :
Materiales proporcionados por Universidad RMIT . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :