Computer vision is extreem goed geworden in het herkennen van wat zichtbaar is in een afbeelding. Objecten, patronen en oppervlakken kunnen met hoge precisie worden geïdentificeerd. Maar wanneer de technologie wordt toegepast op gebouwen, ontstaan er vaak problemen. Niet omdat de modellen slecht zijn, maar omdat ze iets fundamenteels missen: context.
Het probleem: Een gebouw is niet zomaar een object
Een van de meest onderschatte uitdagingen is ook een van de belangrijkste. Hoe definieer je eigenlijk een gebouw?
In de praktijk staan gebouwen zelden op zichzelf. Ze liggen dicht bij elkaar, overlappen visueel en zien er anders uit, afhankelijk van de hoek, hoogte en omgeving. Voor een mens is het intuïtief wat bij elkaar hoort. Voor een model is dat niet zo.
Als het model niet duidelijk één gebouw van een ander kan onderscheiden, wordt alles wat volgt minder betrouwbaar. Output kan nog steeds worden gegenereerd, maar het wordt moeilijker om erop te vertrouwen en moeilijker om in de praktijk te gebruiken.
Waarom computer vision tekortschiet in een gebouwcontext
De meeste computer vision-modellen zijn ontwikkeld voor algemene beeldverwerking, niet voor gestructureerde activa zoals gebouwen.
Ze kunnen herkennen wat zichtbaar is, maar ze begrijpen geen functionele grenzen. Ze weten niet welke pixels bij welk gebouw horen, en dus ook niet wat er daadwerkelijk wordt geanalyseerd.
Dit wordt een probleem zodra je de output voor iets concreets wilt gebruiken. Zonder een duidelijke afbakening verliezen gegevens zowel precisie als waarde.
Onze aanpak: Definieer het gebouw vóór de analyse
In plaats van te beginnen met de afbeelding, beginnen we met het gebouw. We combineren gebouwpolygonen met hoogtedata om precies de structuur te isoleren die we willen analyseren. Intern noemen we dit de "cookie cutter-methode".
Het idee is eenvoudig, maar cruciaal. Door het gebouw uit de omgeving te "snijden" voordat het naar het model wordt gestuurd, zorgen we ervoor dat de input duidelijk en consistent is. Het model werkt niet langer met een complexe, ongedefinieerde afbeelding, maar met een duidelijk afgebakende eenheid.
Wat dit in de praktijk verandert
Zodra het gebouw eenmaal is geïsoleerd, verandert de kwaliteit van de output aanzienlijk.
Het wordt mogelijk om materialen in te schatten, zichtbare bouwdelen te identificeren en hun verdeling op een consistentere manier te begrijpen. Deze gegevens kunnen vervolgens worden gestructureerd en direct worden opgenomen in conditiemetingen en onderhoudsplanning.
Het verschil is niet alleen technisch. Het zit hem in de vraag of data bruikbaar is voor beslissingen of niet.
Van beeldherkenning naar beslissingsbasis
Het doel is niet om te herkennen wat zichtbaar is, maar om data te creëren die in de praktijk kunnen worden toegepast.
Wanneer computer vision wordt gecombineerd met domeinspecifieke gegevens, bewegen we ons weg van algemene beeldanalyse en naar iets dat echte operationele beslissingen kan ondersteunen.
Dat is waar de technologie waarde begint te creëren in een gebouwcontext.
Bekijk hoe het in de praktijk werkt
In de video leggen Mikkel Jensen (Co-Founder & CDSO) en Anders Johannesen Berner (Data Engineer) uit hoe de methode werkt en wat deze mogelijk maakt.
Waarom het belangrijk is
Computer vision gaat een belangrijke rol spelen in het werken met gebouwdata. Maar als de technologie echte waarde wil creëren, moet ze uitgaan van hoe gebouwen feitelijk zijn gestructureerd en beheerd.
Het begint met iets zo eenvoudigs, en zo cruciaals, als het definiëren van waar een gebouw begint.
Meld je aan voor onze nieuwsbrief
Ontvang nieuwe functies, klantverhalen en nieuws van proprty.ai direct in je inbox.
