Samenvatting

In opdracht van Appnormal is tijdens dit afstudeertraject onderzoek gedaan naar het verkrijgen van informatie uit het straatbeeld met behulp van point clouds en machine learning. Een point cloud is een verzameling van vaak honderdduizenden punten in een 3D ruimte. Deze point clouds kunnen een omgeving of object belichamen. Door point clouds te verwerken met een machine learning model kan er allerlei informatie verkregen worden zonder menselijke interactie. In de toekomst kan Appnormal samen met bezorgdienst “Tring Tring” 3D omgevingsdata van het straatbeeld gaan verzamelen met behulp van scanners die point clouds opleveren. De hoofdvraag van het afstudeerproject is “Hoe kan Machine Learning ingezet worden om voor gemeentes relevante objecten en statistieken uit het straatbeeld te extraheren uit point clouds?” Deze objecten en statistieken kunnen afgestemd worden op de eindgebruiker. Een voorbeeld van objecten en statistieken uit een straatbeeld is de hoeveelheid prullenbakken die in een point cloud gevonden worden.
 
Na een analysefase waarin praktijkgericht onderzoek is gedaan naar machine learning technieken en een ontwerpfase waarin de opzet van het systeem is gemaakt, is het systeem ontwikkeld in de realisatiefase van het afstudeertraject. Het systeem bestaat uit twee aaneenschakelingen van machine learning technieken, deze aaneenschakelingen worden pipelines genoemd. Er zijn twee pipelines ontwikkeld: de train-pipeline en de inference-pipeline. Met de train-pipeline kan op basis van point clouds met bijgevoegde informatie over de inhoud een machine learning model getraind worden. Met de inference-pipeline kan met behulp van een reeds getraind model informatie uit een point cloud geëxtraheerd worden. Aan deze pipelines zijn toevoegingen gedaan om een zo goed mogelijk resultaat te krijgen. Zo worden punten die niet bijdragen aan de informatie van de point cloud weg gefilterd en worden er bewerkingen uitgevoerd op de training data. Hiermee wordt het systeem robuuster gemaakt voor point clouds van wisselende kwaliteit. Het gerealiseerde systeem kan op basis van de beschikbare data met een zekerheid van rond de 80 procent de punten en objecten in een point cloud classificeren.
 
De conclusie is daarom dat het mogelijk is om een systeem te bouwen waarmee point clouds van het straatbeeld verwerkt kunnen worden tot nuttige informatie met behulp van machine learning. De resultaten hiervan zijn echter afhankelijk van de diversiteit en kwaliteit van de beschikbare point clouds. Het resultaat kan verbeterd worden door het gebruik van een meer diverse en grotere dataset. Daarnaast kunnen de voorafgaand aan het trainen uitgevoerde acties geoptimaliseerd worden. Het opgeleverde systeem vormt een goede basis voor doorontwikkeling en het toepassen van deze verbeteringen.