Использование искусственного интеллекта для распознавания объектов капитального строительства по ортофотоплану

В 2025 году компания «Сканэнергоконтроль» выполняла проект на аэрофотосъёмку населённых пунктов Нижегородской области общей площадью 4000 км²

Из-за активной работы средств радиоэлектронной борьбы (РЭБ) удалось охватить лишь порядка 2600 км². Параллельно в рамках того же проекта стояла задача выделения полигонов объектов капитального строительства (ОКС) по крышам зданий для последующего расчёта фактического пятна застройки (не для ККР). Ручная оцифровка была невозможна из-за сжатых сроков и масштабов работ и было принято решения по автоматизации процесса с использованием нейросетей.

Почему был выбран искусственный интеллект?

Масштаб территории: тысячи квадратных километров и тысячи объектов капитального строительства;
Жёсткие сроки: весь объём данных нужно было обработать за несколько месяцев.
Необходимость надёжного результата

Как проходила работа

1. Сбор и подготовка изображений

Разделили большие аэрофотоснимки на мелкие тайлы (обычно размером 512×512 пикселей) — так удобнее загружать данные в алгоритмы и равномерно распределять нагрузку.
Выровняли цветопередачу: подстроили яркость, контраст и баланс белого, чтобы отличие кровельных материалов (металл, черепица, битум) было более чётким.
Подготовили обучающие данные для модели: Опытные картографы отобрали репрезентативные участки — разные типы застройки, материалы крыш. Всего получилось несколько сотен размеченных объектов. Собранные вручную разметки стали эталоном для обучения и валидации моделей.

2. Выбор и тестирование моделей

После того как собрали и разметили обучающую выборку, перешли к этапу подбора и оценки моделей. Работа шла поэтапно:

Изучили популярные нейросетевые архитектуры для сегментации объектов на снимках.
Разбили размеченные тайлы на три части:

⠀⠀⠀— тренировочная выборка для обучения модели;
⠀⠀⠀— валидационная для настройки гиперпараметров;
⠀⠀⠀— тестовая для окончательной проверки качества.

Применили аугментации (повороты, отражения, сдвиги, изменение яркости) — чтобы модель лучше работала с разными ракурсами и освещением.
Обучили каждую из сетей на одинаковом объёме данных: фиксировали параметры обучения (количество эпох, размер батча, скорость обучения).
На валидационной выборке оценили:

⠀⠀⠀— точность выделения крыш (метрика IoU — насколько области модель совпадают с ручной разметкой),
⠀⠀⠀— полноту (recall) — процент крыш, который модель не пропустила,
⠀⠀⠀— точность (precision) — насколько модель не выдаёт «ложных» крыш.

Для каждой модели замерили время инференса (обработки) одного тайла на нашем оборудовании.
Учли потребление оперативной и видеопамяти — важно, чтобы модель работала стабильно при пакетной обработке тысяч тайлов.
Прогнали каждую модель на "слепой" тестовой выборке: убедились, что заявленные метрики подтверждаются на новых данных.

3. Итоговое решение

В итоге подготовили три отдельных «обученных» модели, каждая — под свой тип застройки. Ниже простыми словами о двух ключевых из них:

Модель с городской застройкой, кварталы с многоэтажками
Модель для индивидуального жилищного строительства (ИЖС): частный сектор, дачные участки, коттеджные посёлки. Игнорирует мелкие постройки, теплицы.
Третья (универсальная) модель служит «запасным вариантом» для смешанных и нестандартных территорий, но в вашем случае основные два варианта обеспечивают наилучшую точность и скорость обработки.

Результаты распознования зданий

Точность автоматической разметки близка к ручной работе специалистов.
На каждый квадратный километр ортофотоплана требуется несколько минут обработки на сервере.
После автоматического выделения крыш данные сразу переводятся в векторный формат (полигоны), готовый к использованию в геоинформационных системах.

Благодаря технологиям компьютерного зрения компания «Сканэнергоконтроль» уложилась в сроки контракта, сократила трудозатраты на ручную оцифровку и получила качественные картографические данные крыш зданий Нижегородской области.

Итого: за 4 месяца с помощью ИИ мы обработали 2 600 км² территории, охватили 557 населённых пунктов и оцифровали 752 592 объекта капитального строительства.

Перспективы

Добавление анализа изменений со временем: появление новых пристроек или капитального строительства.
Подготовка модели для оцифровки земельных участков по забору.

Использованное ПО

Для работы над проектом мы использовали собственное ПО. Подробнее об Искусственном интеллекте и разрабатываемых нами ПО вы можете узнать у нас на сайте.

Узнать подробнее

Вам понравилась эта статья?