TNO heeft een AI-methode ontwikkeld die gebouwkenmerken zoals dakkapellen, schoorstenen en zonnepanelen automatisch herkent in straatbeelden. Het model heeft slechts twintig voorbeeldafbeeldingen nodig per element en bereikt volgens de onderzoekers een gemiddelde nauwkeurigheid van 95,6 procent.
Deze computer vision-methode is bedoeld als verrijking van de informatie waarop renovatie- en verduurzamingsbeslissingen worden gebaseerd. Tot nu toe baseert de bouw- en vastgoedsector zich vooral op gegevens uit het Kadaster en CBS over bouwjaar, oppervlakte, woningtype en energielabel.
Volgens Raphaël Guelet, machine learning engineer van TNO, is dat onvoldoende om bijvoorbeeld te bepalen of een dak geïsoleerd moet worden. “Dakkapellen, dakramen, ventilatieschachten; zij hebben allemaal invloed op de manier waarop je een dak isoleert. Informatie over die gebouwkenmerken staat nergens geregistreerd, maar is wel zichtbaar op foto’s.”
Vision Transformer als basis
De doorbraak van TNO zit in de keuze voor een Vision Transformer: een AI-model dat al miljoenen ongelabelde afbeeldingen heeft verwerkt en daardoor visuele concepten herkent zonder uitgebreide trainingsdata. Met twintig geannoteerde voorbeelden binnen een uur kan het model een element vervolgens overal terugvinden. Het systeem detecteert nu zeven gebouwelementen uit Google Street View-beelden: zonnepanelen, dakkapellen, schoorstenen, dakramen, dakventilatie, borstweringen en balkons.
Voorspellingen tot 11 procent nauwkeuriger
In de zogeheten contingentenaanpak voor verduurzaming worden volgens TNO voorspellingen voor renovaties tot 11 procent nauwkeuriger, afhankelijk van de toegepaste oplossing. Het team werkt aan bredere toepassingen, waaronder onderhoudsstaat van kozijnen voor woningcorporaties en typering van bruginfrastructuur voor wegbeheerders. “Alles wat zichtbaar is op straatbeelden of luchtfoto’s kunnen we in principe detecteren”, aldus Guelet.
Bron: TNO
