Нейросетевой сервис, созданный совместной командой компании «ИнноГеоТех» и Университета Иннополис, протестирован на территории площадью в 48 тыс. кв. км в Татарстане, Краснодарском и Пермском краях, Иркутской области. Система распознаёт до 100 объектов за 10 минут.
Сервис распознавания земельных участков разработан в рамках платформы, где также реализованы алгоритмы по распознаванию карьеров, вырубок, гарей, участков используемой пашни, участков леса с помощью технологий машинного обучения и компьютерного зрения. Нейронные сети анализируют данные дистанционного зондирования Земли — спутниковые снимки и материалы аэрофотосъёмки, после чего информацию можно сравнить с отраслевыми сведениями. Полученные данные анализирует оператор, который подтверждает обнаруженные нарушения или проводит дополнительную проверку. До внедрения искусственного интеллекта весь процесс проводился вручную.
Рамиль Кулеев, директор Института Искусственного интеллекта Университета Иннополис: «Насколько мне известно, мы первыми в России начали применять алгоритмы искусственного интеллекта для распознавания земельных участков при помощи данных ДЗЗ. На начальном этапе проекта мы применили ряд собственных гипотез, касающихся в том числе методик распознавания земельных участков. Полученные выводы мы использовали для оптимального построения нейронных сетей, способных распознавать земельные участки и другие классы объектов. По итогам проекта мы пришли к выводу, что интегрированные в сервис наши алгоритмы способны существенно оптимизировать бизнес-процессы, связанные с землеустройством и градостроительной деятельностью».
Валерия Тихонова, руководитель проекта ООО «ИнноГеоТех»: «C 2017 года наша компания занимается созданием цифровых сервисов дистанционного мониторинга хозяйственной деятельности. Нами созданы сервисы для лесного комплекса, сельского хозяйства и экологического мониторинга. Полученный опыт мы использовали для создания сервисов уже в сфере кадастрового учета и учета недвижимости. При этом, в рамках проекта команда встретилась с новыми интересными задачами, которые помогают нам улучшать качество и точность работы наших нейросетевых сервисов. Как известно, чем больше разнообразных и нетривиальных данных загружено в обучающую выборку нейронной сети, так называемый Data Set, тем более точной и гибкой становится сама нейронная сеть. Работая над данным проектом нам удалось решить ряд интересных и сложных кейсов, благодаря чему сегодня мы можем говорить о создании достаточно производительного и точного нейросетевого механизма».
Создатели сервиса планируют дальше развивать технологию распознавания земельных участков и зданий по данным ДЗЗ, а также работать над повышением точности детектирования, оптимизации работы алгоритмов, тиражированием работы сервиса в регионах России.