Onderhoud van gebouwen sneller en makkelijker dankzij AI
Nederland moet miljoenen woningen verduurzamen voor 2050. Dat lukt alleen als je per adres weet welke aanpak werkt. TNO ontwikkelde een zeer efficiënte computer vision-methode die gebouwkenmerken automatisch uit straatbeelden herkent, van dakkapellen tot schoorstenen. De technologie levert in de contingentenaanpak al meetbare verbeteringen op, maar is ook bij veel andere vraagstukken in de gebouwde omgeving in te zetten.
Om te bepalen welke aanpak bij welke woning past, werkt TNO met data uit het Kadaster en onder andere het CBS. Inmiddels bevat de database een ruime hoeveelheid woningeigenschappen per adres. Onder andere bouwjaar, oppervlakte, woningtype en energielabel.
Maar voor een nauwkeurige inschatting van welke renovatie bij een woning toepasbaar is, schiet die informatie soms tekort. Raphaël Gueulet, machine learning engineer bij TNO, legt uit waarom. “Je kunt op basis van kadaster informatie en woningtype alleen niet beoordelen of bijvoorbeeld een dak geïsoleerd kan worden. Dakkapellen, dakramen, ventilatieschachten: die hebben allemaal invloed op de manier waarop je een dak isoleert. Die informatie staat nergens geregistreerd, maar is wel zichtbaar op foto’s.”
Veel data nodig
Traditionele computer vision vereist enorme hoeveelheden data. Voor elk element dat je wilt herkennen, moet iemand handmatig in duizenden foto’s aangeven waar dat element zit. Bij 2 minuten per afbeelding en 10.000 benodigde afbeeldingen betekent dat meer dan 300 uur werk. Per element.
Tom Slik, computer vision scientist bij TNO zocht naar een andere aanpak. “Er zijn genoeg datasets voor standaard dingen zoals auto’s of verkeersborden”, vertelt hij. “Maar als je iets specifieks zoekt in jouw domein, of het dan de bouw is of infrastructuur, dan heeft niemand dat geannoteerd. Of bedrijven hebben er veel geld in geïnvesteerd en delen die data niet.”
AI-model
De oplossing is een zogeheten Vision Transformer. Dit type AI-model heeft al miljoenen afbeeldingen gezien zonder dat iemand die gelabeld heeft. Daardoor heeft het een interne representatie van visuele concepten opgebouwd. Het enige wat TNO hoeft te doen is met een handvol voorbeelden aangeven: dit is een dakkapel, dit is een schoorsteen. “Door de duizenden voorbeelden die je nodig had, was model training voor computer vision tot nu toe best lastig”, zegt Gueulet. “Nu annoteer je binnen een uur 20 beelden en dan kun je dat element overal herkennen.”
Het systeem verdeelt elke afbeelding in kleine blokjes van 14 bij 14 pixels. Elk blokje is vertegenwoordigd door een vector: een mathematische beschrijving van wat erin te zien is. Blokjes die bij elkaar horen, bijvoorbeeld allemaal deel van een dakkapel, krijgen vergelijkbare vectoren. Een classificatiemodel leert vervolgens welke vectoren bij welk element horen. Doordat één afbeelding uit honderden blokjes bestaat, leveren 20 voorbeelden genoeg data op om te trainen.
95 procent nauwkeurig
Het systeem detecteert inmiddels 7 gebouwelementen uit Google Street View-beelden: zonnepanelen, dakkapellen, schoorstenen, dakramen, dakventilatie, borstweringen en balkons. De resultaten zijn veelbelovend. De gemiddelde nauwkeurigheid over alle elementen ligt op 95,6 procent. De precisie, de mate waarin een positieve detectie ook daadwerkelijk klopt, komt uit op 98,2 procent. Wanneer het model zegt dat er een dakkapel op een dak zit, is dat bijna altijd correct.
Gestandaardiseerde oplossingen
De voorspellingen van mogelijke renovaties voor de contingenten aanpak worden hiermee tot 11% nauwkeuriger, afhankelijk van de renovatieoplossing. Bij deze contigentenaanpak wordt in plaats van de woning als uitgangspunt te nemen, gestart bij de oplossing en worden daar passende woningen bij gezocht. Dit stelt bouwaanbieders in staat om gestandaardiseerde oplossingen te ontwikkelen die geïndustrialiseerd kunnen worden toegepast.
Slik licht toe waarom dat verschilt per type renovatie. “Als de elementen die wij detecteren ook daadwerkelijk te maken hebben met de renovatieoplossing, dan gaat de impact omhoog. Voor dakisolatie is het relevant om te weten of er een schoorsteen of dakkapel zit. Voor vloerisolatie maakt dat niet uit.”
Voor woningcorporaties onderzoekt het team of de onderhoudsstaat van kozijnen uit beelden af te leiden is. Voor infrastructuurbeheerders wordt gekeken naar bruggen: zit er een voetpad op, een fietspad? Dat soort informatie is waardevol voor het beheer en onderhoud van bruggen en andere infrastructuur.
Bron: TNO
