Trasformazione digitale nella gestione delle infrastrutture spaziali: Soluzione AI per Geogrupa d.o.o. con il supporto di EDIH Adria

Sfide

Geogrupa d.o.o. ha riconosciuto la possibilità di utilizzare l'intelligenza artificiale per identificare e aggiornare i dati sulla segnaletica stradale e sui pali dell'illuminazione pubblica. La mappatura di questi elementi infrastrutturali si è tradizionalmente basata su visite sul campo, registrazioni manuali e trasmissione di dati, che è stato un lavoro lungo, spesso con conseguente accuratezza disomogenea e aumento dei costi operativi. Data la crescente domanda di una gestione più accurata e più rapida delle infrastrutture comunali, è stato necessario migliorare e digitalizzare questo processo con l'obiettivo di ridurre i tempi necessari per svolgere queste attività e ridurre i costi.

Soluzione

Attraverso il servizio "Test Before Invest" (TBI) e con il sostegno professionale del consorzio EDIH Adria, Geogroup ha testato il potenziale dell'uso dell'intelligenza artificiale (IA) e dei modelli di visione artificiale per affrontare questi problemi. L'obiettivo era verificare se i modelli di intelligenza artificiale e visione artificiale possono essere applicati al fine di automatizzare e digitalizzare il processo di localizzazione degli elementi dell'infrastruttura con l'obiettivo di alleviare i dipendenti e accelerare il processo.

Nell'ambito dell'attività TBI, sono stati testati modelli di machine learning AI per il rilevamento di elementi infrastrutturali comuni:

1. Rilevamento dei segnali stradali: Utilizzando modelli basati sull'architettura YOLO (You Only Look Once), è stato sviluppato un sistema prototipo per il riconoscimento automatico e la classificazione dei segnali stradali dalle immagini della scena stradale. Il sistema consente una marcatura rapida e precisa dei segnali nello spazio, con l'ulteriore possibilità di categorizzare i segnali stradali identificati (ad esempio stop, diritto di vantaggio, vicolo cieco, ecc.). L'obiettivo principale era quello di automatizzare il processo di identificazione delle coordinate dei segnali stradali e la loro categorizzazione e catalogazione.
2. Rilevamento di pali di illuminazione pubblica: Nello stesso quadro tecnologico, è stato testato un approccio per l'identificazione dei pali di illuminazione pubblica. I modelli sono stati addestrati su un campione rappresentativo di dati provenienti da una dozzina di riprese di scene di strada realizzate da una telecamera rettangolare con dati sulle coordinate della fotocamera e sulla direzione del movimento, utilizzando esempi contrassegnati manualmente come base per l'addestramento e la convalida del modello.

Il prototipo di sistema, sviluppato nell'ambito del progetto, consente la visualizzazione dei rilevamenti attraverso un'interfaccia utente semplice e chiara creata utilizzando gli strumenti di mappatura Streamlit e Leaflet OpenStreetMap. Il sistema ha mostrato un'elevata precisione al set di test e i risultati suggeriscono un chiaro potenziale di integrazione nei processi di rilevamento delle infrastrutture esistenti nelle aree pubbliche o come potenziale per offrire servizi aggiuntivi organizzati da Geogrupa d.o.o .

Figura 1 – Visualizzazione di una mappa interattiva con segnali stradali rilevati e pali di illuminazione pubblica

Figura 2 – Tabella delle rilevazioni di oggetti con informazioni sulle coordinate, sulla classe e sul numero di immagini in base alle quali sono state calcolate le coordinate

Figura 3 – Illustrazione dei dettagli di un massimo di tre immagini escluse dai video in base alle quali sono state calcolate le coordinate degli oggetti

Risultati e benefici

I test condotti nell'ambito delle attività di TBI hanno mostrato un grande potenziale per l'applicazione delle tecnologie di IA nell'elaborazione di immagini stradali e nella gestione di elementi infrastrutturali, consentendo:

• Maggiore efficienza: Il rilevamento automatizzato di segnali stradali e pali di illuminazione pubblica accelera in modo significativo l'elaborazione di grandi quantità di scatti sul campo, riducendo così la necessità di ispezione e marcatura manuali.
• Maggiore accuratezza e coerenza: I modelli AI come YOLO forniscono un elevato livello di precisione nel riconoscimento e nella classificazione degli oggetti, con una maggiore coerenza di quanto sia possibile con un approccio manuale.
• Migliore allocazione delle risorse: Sostituendo i processi manuali con l'analisi automatica, i dipendenti possono concentrarsi su altre attività.
• Scalabilità e possibilità di estensione: Il sistema può essere facilmente personalizzato per rilevare oggetti aggiuntivi o personalizzato per integrarsi con altre applicazioni e / o connettersi a database esistenti o open source come PostgreSQL.

Geogruppo TBI

Insegnamenti tratti

Durante la fase TBI di sviluppo e test del sistema, sono stati individuati i risultati chiave per un'attuazione efficace:

• Qualità e diversità dei dati di input: Il successo del rilevamento dipende in gran parte dalla qualità degli scatti e dalla varietà di esempi nel set di allenamento, ad esempio condizioni meteorologiche diverse, tipi di personaggi, angoli di ripresa.
• Adattare il modello al contesto locale: Per una classificazione precisa, è stato necessario adattare i modelli alle specificità della segnalazione locale e dell'infrastruttura, che include l'uso di dati nazionali per la formazione dei modelli.
• Interpretazione visiva dei risultati: L'interfaccia utente intuitiva (realizzata in Streamlit) ha reso più facile per gli utenti visualizzare e comprendere i risultati senza pre-conoscenza tecnica.

Effetti stimati dell'attuazione

Sulla base dei prototipi di test e dell'analisi dei metodi esistenti di elaborazione dei dati di immagine stradale, si stima che la piena implementazione di sistemi di intelligenza artificiale per il rilevamento dei segnali stradali e dei pilastri di illuminazione pubblica potrebbe migliorare significativamente i processi operativi dell'azienda. Automatizzando il rilevamento, si ridurrebbe significativamente il tempo necessario per analizzare il materiale raccolto, aumentando così la velocità di erogazione dei servizi agli utenti finali.

Ridurre la necessità di marcatura manuale e convalida dei dati avrebbe un impatto diretto sulla riduzione dei costi operativi e degli oneri amministrativi per i dipendenti. Ciò consentirebbe ai dipendenti di dedicare più tempo a compiti più complessi.

Inoltre, una maggiore precisione e coerenza nell'individuazione delle infrastrutture di trasporto riduce la possibilità di lacune, fornendo agli utenti finali, come le città, i servizi pubblici e le amministrazioni, informazioni più accurate per il processo decisionale e la pianificazione degli interventi. Il sistema offre inoltre la possibilità di sviluppare ulteriormente funzionalità complementari, come la generazione automatica di report o il monitoraggio delle modifiche nel tempo, che aumentano ulteriormente il valore dei servizi offerti.

Conclusion

Il progetto "Test Before Invest" realizzato presso Geogrupa d.o.o. ha dimostrato con successo che l'uso dell'intelligenza artificiale per automatizzare e migliorare il processo di rilevamento dei segnali stradali e dei pali di illuminazione pubblica è una soluzione molto potente e che la piena attuazione di tale soluzione nell'organizzazione dovrebbe certamente essere presa in considerazione. Gli approfondimenti acquisiti e i modelli prototipali sviluppati forniscono una solida base per prendere decisioni informate sull'approvvigionamento e sull'implementazione di soluzioni commerciali complete. EDIH Adria continua a sostenere Geogroup e altre PMI, nonché le unità di autogoverno locali (LGU) nei loro sforzi di trasformazione digitale, aiutandole a sfruttare le tecnologie avanzate per una gestione più efficiente, trasparente e sostenibile delle loro attività e delle organizzazioni del segmento PMI e vantaggio comparativo nei mercati nazionali ed esteri.