Tekoälyn hyödyntäminen väyläomaisuustiedon hallinnassa : suojatiemerkintöjen inventointi ilmakuvasta

Abstract

Väyläomaisuustietoa on kerätty pitkään, ja yleensä paljon työtä vaativilla menetelmillä. Menetelmien laajan kirjon vuoksi tiedon luotettavuus ja kattavuus on vaihtelevaa. Tieto voi olla myös puutteellista ja sitä voi olla hankala löytää.

Opinnäytetyön tarkoituksena oli selvittää, onko tekoälyä mahdollista hyödyntää väyläomaisuustiedon hallinnassa. Tutkimuksessa käytettiin esimerkkinä suojatiemerkintöjen inventointia ilmakuvista.

Inventointi tapahtui kouluttamalla kohteentunnistusmalli 1 229:n ilmakuvan avulla. Ilmakuvien suojatiemerkinnät luokiteltiin kahteen luokkaan. Toiseen luokkaan merkittiin pelkät suojatiet ja toiseen yhdistetyt suojatiet ja pyörätien jatkeet. Luokittelun jälkeen malli koulutettiin Microsoftin pilvipalvelussa.

Mallin testaamista varten valittiin tutkimusalueeksi Tampereen Kaupista noin yhden neliökilometrin kokoinen alue. Alueelta oli saatavilla laadukas ja ajantasainen ilmakuva. Ilmakuva lähetettiin mallin prosessoitavaksi ja tuloksena saatiin datasetti alueen suojatiemerkinnöistä. Tuloksena saatu data esikäsiteltiin muun muassa suodattamalla siitä pois sellaiset kohteet, joissa tunnistuksen luotettavuus mallin mukaan oli alle 90 prosenttia.

Tulosten tarkkuutta arvioitiin vertaamalla suodatettua aineistoa manuaalisesti tarkistettuun versioon, johon tutkimusalueen suojatiemerkinnän tyyppi oli merkitty ilmakuvan perusteella silmämääräisesti oikein. Aineistoja vertailemalla saatiin mallin tarkkuudeksi tutkimusalueella 81 prosenttia. Tarkkuutta pidettiin riittämättömänä aineiston käyttämiseksi ilman tarkistamista. Sellaisenaan mallin arveltiin olevan käyttökelpoinen esimerkiksi yksinkertaisten merkintöjen tunnistamiseen maanteiden varsilta. Vaihtelevia kaupunkiympäristöjä varten mallia pitäisi jatkokouluttaa, jotta tarkkuudessa päästäisiin lähemmäksi sataa prosenttia.

Tulevaisuudessa on yhä tärkeämpää, että tietokoneet pystyvät tulkitsemaan tiemerkintöjä ja muuta ympäristöä. Tulkintaa auttaisi se, että merkinnät suunniteltaisiin, toteutettaisiin ja ylläpidettäisiin siten, että niissä ei olisi tulkinnan mahdollisuutta. Myös laadukkaan väyläomaisuustiedon merkitys korostuu yhteiskunnan digitalisoituessa. On mahdollista, että tulevaisuudessa samaa väyläomaisuustietoa hyödyntävät itsenäisessä päätöksenteossa niin autonomiset ajoneuvot kuin väylien kunnossapidon automaattiset päätöksentekoprosessitkin.

Traffic network asset information has been collected for a long time and typically using labour-intensive methods. Due to inconsistent methods, the reliability of the information is also inconsistent. Information can also be incomplete and hard to find.

The aim of this thesis was to find out if artificial intelligence could be used in traffic network asset information management. In this paper, the topic was studied by creating a crosswalk marking inventory using computer vision.

The object recognition model used in the study was trained in Microsoft cloud service using 1,229 labelled aerial images. Aerial images were labelled manually with the correct crosswalk marking type. Two types of markings were labelled: the zebra crossing for pedestrians and the zebra crossing with combined cycling path extension.

The research was carried out by testing the performance of the model in a research area. The selected area covered approximately one square kilometre in Kauppi, Tampere. A high-quality aerial photograph from the area was processed by the model. The data generated by the model was pre-processed by filtering out objects for which the object recognition reliability according to the model was less than 90 per cent.

The accuracy of the dataset was measured by comparing it against a manually corrected data set. The precision of the model in the research area was 81 per cent. The accuracy was considered to be insufficient without a manual checking process. However, in rural areas where markings are simple, the model might work as such. In more complex urban areas, like in the research area, the model should be further trained to achieve sufficient accuracy. In the future, it will be increasingly important that computers can interpret our environment. The interpretation would be more reliable if the markings were designed, implemented, and maintained in an unambiguous way. It is possible that autonomous vehicles, as well as automated decision-making processes for traffic network maintenance, rely on the same information to be able to make independent and reliable decisions.