Billedgenkendelse
Billedgenkendelse via maskinlæring
Billedgenkendelse via maskinlæring identificerer interessepunkter, det vil sige skadestyper og alvorlighedsgrader.
Modellen er i første omgang optimeret til at identificere skader i afløbssystemer relateret til overflader, brud og samlinger. Dette fokus er baseret på tæt dialog med virksomheder og entreprenører, som specifikt ser på overflader, brud og samlinger, når de vurderer skader og nødvendige udbedringer.
Billedgenkendelsesmodellen er blevet trænet i bestemte, specifikke trin:
-
Vi har indsamlet data fra kloakinspektioner fra en række spildevandsselskaber. Vores grundlæggende træningsdata består af over 1 million observationer.
-
Vi har gennemgået data og tagget skadestyper og alvorlighedsgrader på en skala fra 0 til 4, hvor 0 indikerer ingen skade eller klasse.
-
Vi har opdelt vores observationsdata i et træningssæt og et testsæt for at vurdere og spore den statistiske robusthed af vores billedgenkendelsesmodeller.
-
Vi har udført kvalitetssikring i flere trin. For eksempel har vi verificeret skadetype og klasse i vores data med professionelle annotatorer og med erfaring fra forsyningsselskaber, vi har sporet statistisk ydeevne, og vi har sammensat og udvidet data for at afspejle de faktiske data præcist.
-
Vi har prioriteret udviklingsarbejdet for at fokusere på de vigtigste skadestyper for at sikre en stærk statistisk billedgenkendelsesmodel.
-
Vi har justeret output til at inkludere interessepunkter og mulige interessepunkter, herunder falske positive, ud fra et princip om ‘hellere safe than sorry’.
-
Vi udvikler og forbedrer modellen løbende. Vi forventer ikke, at modellen nogensinde kommer til at fungere fuldstændigt uafhængigt af forsyningsselskabernes erfaring.
Vi forventer, at forsyningsselskabernes erfaring styrkes af billedgenkendelsesmodellen, da den lister interessepunkter og hjælper medarbejderne med at spare værdifuld tid. Forsyningsselskabet og dets medarbejdere har det sidste ord i fortolkning og prioritering.
