ENVI Deep Learning

Harris Geospatial ha desarrollado una tecnología de Deep Learning específicamente diseñada para trabajar con imágenes de sensores remotos para resolver problemas geoespaciales. El módulo ENVI Deep Learning elimina las barreras para realizar inteligencia artificial con datos geoespaciales y se está utilizando actualmente para resolver problemas en la agricultura, servicios públicos, transporte, defensa y otras industrias.

ENVI Deep Learning sobresale en la detección automática de objetivos, mapeo de clasificación de cobertura terrestre y detección de cambios. Al emplear un proceso altamente sintonizado que se basa en modelos de entrenamiento y computación de alto rendimiento para entrenar una red neuronal, ENVI Deep Learning puede identificar y extraer objetos de interés o descubrir condiciones específicas a través de grandes cantidades de imágenes y datos ofreciendo resultados más rápidos y más precisos que nunca.

Fácil de usar

No todos son expertos en aprendizaje profundo. Harris Geospatial desarrolló el módulo ENVI Deep Learning con esto en mente. El módulo tiene herramientas intuitivas y flujos de trabajo que no requieren programación y permiten a los usuarios etiquetar datos fácilmente y generar modelos con el clic de un botón. 

También es sencillo para los expertos en imágenes experimentadas fusionar capas de información tales como índices espectrales, resultados de detección de objetivos, resultados del Mapeador de ángulos espectrales o cualquier otra transformación de datos para crear clasificadores más robustos.

La exactitud cuenta

ENVI es la tecnología de análisis de imágenes líder en el mercado y su análisis patentado, basado en la ciencia, es preciso y confiable para extraer información significativa de todo tipo de imágenes y datos geoespaciales. Las herramientas de preprocesamiento de ENVI, como las transformaciones de calibración, estiramiento y espacio de color, crean datos de entrada consistentes para los modelos de aprendizaje profundo. Con la tecnología de aprendizaje profundo basada en TensorFlow, la biblioteca de código abierto líder, puede crear modelos confiables para la clasificación de imágenes.

Experiencia en el campo. Resultados en los que puede confiar

La precisión estándar para la clasificación de píxel por píxel es entre 75-85%. La inversión de Harris Geospatial en tiempo y dinero en tecnología de deep learning ha resultado en precisiones de clasificación de hasta 90-95%, y algunas veces más altas.

Saber cómo trabajar con imágenes es el primer paso para obtener un buen resultado con deep learning. Por ejemplo, comprender las bandas espectrales puede ayudar con la reducción de datos para hacer que el procesamiento sea más eficiente. También a menudo es necesario explotar las fortalezas de las modalidades de datos múltiples para responder preguntas. Como líder en ciencias de la imagen, Harris Geospatial aprovecha su tecnología de aprendizaje profundo en datos ópticos, SAR y LiDAR para crear productos geoespaciales y responder preguntas específicas para los clientes.

Como funciona ENVI Deep Learnig en el mundo real?

ENVI Deep Learning se ofrece como una extensión de ENVI para aplicaciones de escritorio y se basa en el marco de tareas de ENVI. Esto significa que los clasificadores se pueden crear una vez y ejecutarse en cualquier entorno, ya sea su computadora de escritorio, servidores locales o en la nube. Para demostrar cómo puede usar esta tecnología, aquí hay algunos ejemplos reales de problemas que se han resuelto utilizando el módulo.

RESPUESTA AL DESASTRE

Cuando ocurren los desastres, el tiempo de respuesta es muy importante. El módulo ENVI Deep Learning se ha optimizado para que no necesite miles de muestras para crear modelos para encontrar características. Después de un terremoto reciente, se utilizó ENVI Deep Learning para identificar rápidamente las pilas de escombros en una ciudad. En este ejemplo, solo se utilizaron 10 polígonos para construir un clasificador preciso que proporcione información procesable, de modo que los rescatistas pudieran navegar y mover suministros para salvar vidas.

AGRICULTURA

La extracción de filas curvas en campos agrícolas es un problema difícil para los algoritmos de detección remota tradicionales. Como el módulo ENVI Deep Learning funciona como su cerebro para identificar y extraer características, y puede determinar fácilmente las filas de plantas. Esta información se usó luego para contar cultivos, identificar plantas faltantes y generar zonas de manejo para mejorar el rendimiento.

UTILIDADES

Subir a las turbinas eólicas para inspeccionar daños es costoso y puede ser peligroso. El módulo  ENVI Deep Learning se usó en combinación con datos de UAV para discernir el daño a las aspas de las turbinas de los rayos que requieren reparación y la suciedad, las virutas de pintura y el daño de las aves que no necesitan reparación. El resultado ha sido la mejora de la seguridad y la reducción de costos y tiempos de inspección.

Desarrollamos Deep Learning Ideas

¿Tiene un problema que el deep learning podría resolver? Geospace Solutions puede trabajar con usted para desarrollar una solución que cumpla con los requisitos de su proyecto.