Toekomstmuziek of realiteit? Als woningcorporatie nooit meer naar een woning toe hoeven gaan om alles in te meten en te checken hoeveel kozijnen, ramen en deuren er zijn? Brink ontwikkelde samen met CQM een beeldherkenningsapp waardoor dit zeker als muziek in de oren klinkt! Waar voorheen het meetlint constant uit de broekzak werd gehaald, zijn nu slechts enkele foto’s van een huis nodig – en een tikkeltje Machine Learning en een snufje Deep Learning – om van alles over dat pand te weten te komen. Brink is het kloppend hart van bouw, infra en vastgoed. Combineer dit met wiskunde en ons hartje gaat sneller kloppen… Daarom lees je hier hoe wij samen met Joost van der Werf en Judith van Rijswick van Brink dit beeldherkenningsproject tot een succes hebben gemaakt. En dat Judith ooit bij CQM heeft gewerkt, maakt dit project extra leuk!

 

Slim gebruik maken van technologie

“Brink levert o.a. advies, management en software-ondersteuning bij vastgoedvraagstukken van woningcorporaties. Sturen op een financieel gezonde portefeuille én woningen betaalbaar houden is de uitdaging. Met tools en scherpe inzichten is er nog veel te verbeteren in de vastgoedprestaties van corporaties. Bijvoorbeeld door slim gebruik te maken van technologie en informatie. Daarom hebben wij – met de hulp van CQM – een app ontwikkeld die het voor gebruikers mogelijk maakt op basis van foto’s gegevens van de buitenzijde van een woning te verzamelen, geautomatiseerd, nauwkeurig en altijd herleidbaar.”, vertelt Judith.

 

Een drone doet het werk wel

Joost vult aan: “Ik dacht: dit doen we even. We vliegen met een drone rondom een woning en voilà we hebben alles wat we willen en nodig hebben. Helaas blijkt het in de praktijk toch iets anders te werken. De hulp van CQM kwam daarom goed van pas. Om exact te weten hoeveel ramen, kozijnen, deuren e.d. een woning heeft, is veel informatie nodig. Laat staan als je ook nog eens wilt weten wat de afmetingen van die elementen zijn. Voordat we überhaupt iets met beeldherkenning konden doen, was het noodzakelijk veel data te verzamelen. En dan bedoel ik echt veel.”

 

Hulp vanuit alle hoeken

Judith: “Om zo veel mogelijk te weten te komen over een woning, hebben we binnen Brink twee routes ontwikkeld. Eén is de geoscript-route. Deze maakt gebruik van openbare informatie. Bijvoorbeeld van de BAG, de BGT en de AHN. Dit laatste is een soort puntenbestand van alle hoogtes in Nederland. Met behulp van geoscripts brengen we de 3D-contouren van de woning in kaart. We weten dan bijvoorbeeld het dakoppervlak en het geveloppervlak. Als je meer details wilt weten over het aanzicht, bijvoorbeeld afmetingen van kozijnen, dan zul je met beeldmateriaal aan de slag moeten. Dat is onze tweede route: beeldherkenning. Stap 2 was dan ook zoveel mogelijk beeldmateriaal verzamelen, om deze vervolgens te combineren met het geoscript. Hiervoor schakelden we samen met CQM de hulp in van Cyclomedia. Op jaarbasis legt deze organisatie momenteel wereldwijd 300.000 kilometer vast in 360° panoramische beelden. Dat vertegenwoordigt 30 miljoen opnames per jaar. Bruikbare data om waardevolle inzichten te creëren dus!”

 

De overeenkomst tussen Machine Learning en een kleuter

“De volgende stap was het trainen van een neuraal netwerk. Met als doel elementen van woningen te herkennen. Hier kwam de kennis en kunde van CQM van pas. Een neuraal netwerk moet je echt helpen met leren. Deep Learning werkt pas als er veel situaties voorbij zijn gekomen en er daadwerkelijk herkenning plaatsvindt. Daarom hebben we aan scholieren gevraagd om 5.000 foto’s van Cyclomedia te analyseren. Zij hebben nauwkeurig op elke foto van een woning aangegeven waar het dak zit, de deur, het raam, enzovoorts. Heel geestdodend werk, waarbij zelfs de scholieren achteraf zeiden: werken bij een supermarkt voor minder geld is toch best leuk, haha”.

“Het trainen van een neuraal netwerk betekent veel herhaling, alsof je een kleuter opvoedt. Een kind herkent pas na een aantal keer dat een auto een auto is en geeft er dan pas een woord aan. Dat werkt bij een neuraal netwerk net zo. Het grote verschil tussen een neuraal netwerk en een kleuter is dat de eerste luistert”, vertelt Joost lachend.

Judith vult aan: “CQM zorgde voor de rekenkracht, de software, de machine, alles om ervoor te zorgen dat het neurale netwerk ook daadwerkelijk getraind kan worden. Dat is een hele klus en erg zwaar rekenwerk. Maar het is gelukt.”

 

Foto’s doen het werk ipv een meetlint

Judith: “Uiteindelijk hebben we ontzettend veel elementen verzameld die we aan het neuraal netwerk hebben gegeven: zo’n 20.000 glasdelen, 10.000 kozijnen, ga zo maar door (zie figuur 1). In totaal meer dan 70.000 elementen van een woning. Hierdoor herkende het neurale netwerk al heel veel. Het enige nadeel is dat de verzamelde foto’s van Cyclomedia soms goed zijn en soms niet. De ene keer staat er bijvoorbeeld een busje voor of een grote boom, waardoor je de helft van het huis niet ziet. Dat maakt dat niet alle data bruikbaar is. Bovendien verzamelt Cyclomedia geen foto’s van de achterzijde van de woning. Terwijl die wel natuurlijk wél ingemeten en onderhouden moet worden.

Daarom hebben wij zelf een app ontwikkeld waarmee een woningcorporatie naar een huis toe kan rijden om foto’s te maken van de voor-, achter- en zijkant van de woning. Maar dat is het enige. Deze foto laden ze vervolgens in de app die het werk doet. Het geoproces wordt erop losgelaten en de foto wordt door het neurale netwerk van CQM gehaald. Vervolgens kom je alles over de woning te weten: hoeveel kozijnen de woning heeft, wat de afmetingen daarvan zijn, enzovoorts. Zonder zelf iets te hoeven inmeten, zijn alle maten traceerbaar en leverbaar: hoogte, breedte, lengte, oppervlakte, met glas of zonder, maar ook de positie op de gevel. We kunnen dus zelfs aangeven hoe hoog de ladder moet zijn om te schilderen...”


Figuur 1.


De eerste testresultaten

Joost: “We ontwikkelen natuurlijk nog steeds door met dit project, maar leveren ook al aan klanten. Een project met Machine & Deep Learning kost veel tijd en geduld. Zoals ik al zei, dacht ik aan het begin van het traject: we gaan met een drone naar een huis, vliegen een rondje en komen alles te weten. De conditie van het huis, de kwaliteit van het schilderwerk, enzovoorts. In de praktijk blijkt het toch net iets anders te zijn. Toch ben ik enorm trots op wat we bereikt hebben. Deze beeldherkenningsapp gaat in de toekomst zoveel tijd besparen.

Verzamelde informatie wordt traceerbaar, navolgbaar en een stuk nauwkeuriger. Nu heb je een schilder die alles handmatig opmeet, een makelaar die op basis van ervaring een inschatting maakt, de een is een pietje precies en de ander heeft slecht geslapen en maakt veel telfouten. En je hebt ons rekenwonder dat het precies weet te zeggen, en elke keer hetzelfde. De foutmarge moet uiteindelijk naar heel weinig en we zijn ervan overtuigd dat dit gaat lukken. Voor nu bespaart het een hoop tijd en is er een enorme kwaliteitsslag gemaakt. En uiteraard hoop ik dat mijn drone-droom ooit werkelijkheid wordt.”

 

Een avontuur vol rekenkracht

“Het fijnste aan werken met CQM is dat we samen een soort van avontuur zijn aangegaan waarvan we niet wisten waar we zouden uitkomen. Het was een moeilijk project en toch hebben we iets heel moois neergezet. Het is continu bijschaven en gebruik maken van elkaars talenten. Die ruimte is er ook en hebben we ook in gezamenlijke brainstorms ingezet. Met CQM werken voelt echt als samen en dat gaat vrij natuurlijk.”, vertelt Joost.

 

Ook Machine Learning en/of Deep Learning in je organisatie toepassen?

Neem dan contact op met Carien Leushuis. Wil je daarnaast op de hoogte blijven van het laatste nieuws van CQM, volg ons op LinkedIn of meld je aan voor onze digitale nieuwsbrief.

Openbaar maken en/of verveelvoudigen van teksten/beelden is alleen toegestaan na uitdrukkelijke toestemming van CQM.
Fotocredits: Pexels, Pixabay en Brink Groep.

 

Carien Leushuis
Carien Leushuis helpt je graag verder Neem contact op