Nederland staat voor een enorme verduurzamingsopgave richting 2050. Miljoenen woningen moeten worden aangepakt en daarvoor is betrouwbare informatie per gebouw essentieel. TNO ontwikkelde hiervoor een efficiënte computer vision methode waarmee kenmerken van gebouwen automatisch uit straatbeelden kunnen worden herkend. Van dakkapellen en schoorstenen tot zonnepanelen en dakramen. De technologie maakt het mogelijk om veel sneller tot bruikbare analyses te komen en levert inmiddels aantoonbare verbeteringen op binnen verduurzamingsvraagstukken.
Een eenvoudige aanpak met grote impact
Volgens Tom Slik, computer vision scientist bij TNO, werden eerder meerdere complexe methodes getest. Denk aan uitgebreidere datasets, ingewikkelde algoritmes en andere AI modellen. Toch leverde dat niet het gewenste resultaat op. De uitdaging bleef hetzelfde: hoe laat je een AI systeem specifieke gebouwelementen herkennen met slechts een beperkt aantal voorbeelden?
Pas na het testen van een alternatieve aanpak ontstond een doorbraak. De methode bleek verrassend effectief. Inmiddels beschikt TNO over een model dat met slechts twintig voorbeeldafbeeldingen elementen zoals dakkapellen, zonnepanelen en schoorstenen kan detecteren in beelden van onder andere Google Street View en Cyclomedia.
De nauwkeurigheid ligt rond de 95 procent. Binnen de contingentenaanpak, waarbij voorspeld wordt welke verduurzamingsmaatregelen het beste passen bij woningen, levert dat direct meer betrouwbare inzichten op.
Belangrijke verduurzamingsinformatie ontbreekt vaak in databases
Voor het verduurzamen van de Nederlandse woningvoorraad maakt TNO gebruik van databronnen zoals het Kadaster en het CBS. Daarin staan al veel relevante woninggegevens geregistreerd, waaronder bouwjaar, woningtype, oppervlaktes en energielabels.
Toch blijkt die informatie niet altijd voldoende voor een nauwkeurige renovatie-inschatting. Raphaël Gueulet, machine learning engineer bij TNO, legt uit dat cruciale details vaak ontbreken in bestaande databases.
“Op basis van alleen kadasterinformatie en woningtypes kun je niet bepalen of een dak goed te isoleren is. Dakkapellen, ventilatieschachten en dakramen hebben directe invloed op de uitvoerbaarheid van renovaties. Die gegevens staan meestal niet geregistreerd, maar zijn wel zichtbaar op beelden.”
Juist daar biedt computer vision volgens TNO een belangrijke meerwaarde.
Van duizenden trainingsbeelden naar slechts twintig voorbeelden
Traditionele computer vision modellen vereisen enorme hoeveelheden gelabelde data. Voor ieder object dat herkend moet worden, moeten duizenden afbeeldingen handmatig worden geannoteerd. Dat kost veel tijd en geld.
Bij een dataset van 10.000 afbeeldingen en gemiddeld twee minuten annotatiewerk per beeld loopt de benodigde tijd al snel op tot meer dan 300 uur per objectcategorie.
TNO koos daarom voor een andere benadering met behulp van een Vision Transformer. Dit AI model heeft al miljoenen afbeeldingen verwerkt zonder handmatige labels en beschikt daardoor over een uitgebreide interne visuele representatie.
Daardoor hoeft het team slechts een beperkt aantal voorbeelden aan te leveren om een nieuw objecttype herkenbaar te maken. Met twintig voorbeelden kan het model vervolgens vergelijkbare elementen detecteren in grote hoeveelheden straatbeelden.
“Waar computer vision voorheen afhankelijk was van duizenden voorbeelden, kun je nu binnen een uur voldoende beelden annoteren om een element breed herkenbaar te maken.”
Hoe de computer vision methode werkt
Het systeem verdeelt afbeeldingen in kleine segmenten van 14 bij 14 pixels. Elk segment wordt vervolgens vertaald naar een mathematische vector die beschrijft welke visuele kenmerken aanwezig zijn.
Segmenten die visueel bij elkaar horen, bijvoorbeeld onderdelen van een dakkapel, krijgen vergelijkbare vectorwaarden. Vervolgens leert een classificatiemodel welke patronen horen bij specifieke gebouwelementen.
Doordat één afbeelding uit honderden segmenten bestaat, leveren twintig voorbeeldbeelden al voldoende trainingsinformatie op.
In tegenstelling tot traditionele AI methodes traint TNO het volledige Vision Transformer model niet opnieuw. In plaats daarvan worden alleen de relevante vectoren gebruikt voor een apart en lichtgewicht classificatiemodel. Dat maakt de methode aanzienlijk efficiënter.
Hogere nauwkeurigheid bij renovatievoorspellingen
De technologie herkent inmiddels zeven verschillende gebouwonderdelen in straatbeelden, waaronder zonnepanelen, schoorstenen, dakkapellen, dakramen, dakventilatie, borstweringen en balkons.
De gemiddelde nauwkeurigheid van het systeem ligt op 95,6 procent. De precisie, oftewel hoe vaak een positieve detectie daadwerkelijk klopt, bedraagt zelfs 98,2 procent.
Wanneer het model aangeeft dat een woning bijvoorbeeld een dakkapel bevat, blijkt dat vrijwel altijd correct te zijn.
De extra gebouwinformatie zorgt er bovendien voor dat voorspellingen rondom renovatiemaatregelen tot 11 procent nauwkeuriger worden. Hoe groot de impact is, verschilt per renovatietype.
Bij dakisolatie spelen elementen zoals schoorstenen en dakkapellen een belangrijke rol. Bij vloerisolatie is die informatie juist minder relevant.
“Alles wat zichtbaar is op straatbeelden of luchtfoto’s kunnen we in principe detecteren.”
Brede inzetbaarheid binnen de gebouwde omgeving
Hoewel de eerste toepassing gericht was op verduurzaming, ziet TNO veel bredere mogelijkheden voor de technologie.
Zo onderzoekt het team momenteel of de onderhoudsstaat van kozijnen automatisch uit beeldmateriaal kan worden afgeleid voor woningcorporaties.
Ook infrastructuurbeheerders tonen interesse. Denk aan analyses van bruggen, waarbij automatisch wordt vastgesteld of er fietspaden, voetpaden of andere specifieke onderdelen aanwezig zijn. Zulke informatie kan waardevol zijn voor beheer- en onderhoudsprocessen.
Daarnaast werkt TNO samen met gemeenten aan toepassingen zoals het herkennen van specifieke grindsoorten op onverharde wegen.
Volgens TNO waren veel van deze toepassingen kort geleden nog nauwelijks haalbaar vanwege de enorme hoeveelheid benodigde data en verwerkingstijd.
Samenwerken met TNO op het gebied van computer vision
De ontwikkelde methode is inmiddels operationeel en klaar voor verdere toepassing binnen de gebouwde omgeving. Organisaties die data uit straatbeelden of luchtfoto’s willen benutten voor verduurzaming, beheer, onderhoud of planologie kunnen samen met TNO onderzoeken welke mogelijkheden er zijn.
