ИИ научился заглядывать внутрь домов на Google Street View
В Университете Торонто разработали метод, который использует искусственный интеллект и изображения Google Maps Street View для получения более детальной информации о зданиях — например, их возраста и площади.
Эти дополнительные данные можно использовать для оценки жилого фонда, потоков стройматериалов и выбросов парниковых газов, образующихся при их производстве и транспортировке.
«Это первая известная нам работа, в которой по фотографии фасада здания предсказываются характеристики, которые на самом деле не видны на снимке», — говорит Шошана Сакс с кафедры гражданского и горного строительства факультета прикладных наук и инженерии, руководившая исследованием. «Моей основной целью было изучение связанного углерода, но этот метод будет полезен для самых разных специалистов. Я общалась с исследователями, которые изучают водопотребление для планирования будущей инфраструктуры или оценки устойчивости», — объясняет она.
Поскольку Google Street View доступен повсеместно, этот метод предлагает экономичный способ сбора масштабных данных о зданиях.
«Мы потратили около $1000 на фотографии, чтобы получить данные, которые в противном случае обошлись бы в миллионы долларов, — признается Сакс. — Ни у кого нет таких денег, чтобы тратить их только на параметры зданий, так что этот метод решает проблему. Возможность анализировать целые районы и здания в масштабе действительно полезна».
Команда обучила ИИ оценивать атрибуты зданий на основе изображений их фасадов, достигнув точности в 70% для прогнозирования возраста и 80% для прогнозирования площади. Подробнее об этом рассказывает Journal of Industrial Ecology.
«Анализ экстерьеров позволяет сделать обоснованные предположения о внутренней структуре и нагрузке на местную инфраструктуру со стороны пользователей. Это дает надежную оценку ресурсов, затраченных на строительство, обслуживание и эксплуатацию зданий», — отмечает соавтор Алекс Олсон из Центра аналитики и искусственного интеллекта Университета Торонто.
Такие выводы невозможно сделать только на основе карт или строительных планов, добавляет Сакс: «Нужно видеть сами конструкции. Например, мы предсказываем внутреннюю площадь здания. Хотя она коррелирует с внешними размерами, это гораздо сложнее. Также возраст здания невозможно точно определить по внешнему виду».
«Опытный специалист может осмотреть здание и сказать: "Это здание примерно такого-то возраста, а вот это — поновее". Но есть много нюансов, например, реконструкции. Фасад может отличаться от задней части. Отделка — кирпич, стекло или бетон? Возраст важен, потому что он указывает на использованные материалы, объем связанного углерода, а также на эксплуатационные характеристики», — продолжает она.
Использование ИИ для анализа не только фасадов, но и скрытых параметров зданий может помочь градостроителям лучше понимать потребности городов в ресурсах и расставлять приоритеты в инфраструктурных проектах.
«Важно выявлять неэффективно используемые ресурсы или инфраструктуру, — убежден Олсон. — Казалось бы, такие данные уже должны быть, но на деле их нет. Наш метод, хоть и не моделирует будущее, точно описывает текущую ситуацию и позволяет использовать эти данные для планирования ресурсов и будущих проектов».
