In opdracht van Rijkswaterstaat heeft Aquila Ecologie onderzocht of het mogelijk is vanuit een rijdende auto wegbermen te inventariseren. Met dit project zoeken we de grenzen op van wat mogelijk is met het maken van beelden en het analyseren met AI. En met resultaat. Hoewel er nog uitdagingen genoeg zijn in de herkenning van planten en vegetatietypen, blijkt het al goed mogelijk grotere plantensoorten te herkennen. Zo konden we op een kort traject 4 verschillende exoten opsporen: Japanse duizendknoop, Hemelboom, Reuzenberenklauw en Pampasgras, terwijl de twee getrainde ecologen in de auto alleen Japanse duizendknoop en Reuzenberenklauw noteerden. Dit doen we door tijdens het rijden met 80 – 100 km/u foto’s te maken met een korte sluitertijd. Deze foto’s worden vervolgens door AI geanalyseerd.
Bermen fotograferen
De foto’s die met deze methode vanuit een rijdende auto gemaakt kunnen worden zijn van verrassend hoge kwaliteit. Ook kleine soorten als Zachte ooievaarsbek zijn op de foto’s duidelijk te herkennen. We hebben om dit te bewerkstelligen twee verschillende methoden om te fotograferen getest en daarnaast een GAN (Generative Adversarial Network) gemaakt, getraind en getest om de onscherpte tegen te gaan. Deze techniek is bekend van websites waarmee hele afbeeldingen samengesteld kunnen worden op basis van wat tekst, maar kan ook voor verbeteren van afbeeldingen gebruikt worden. Ook hebben we een platform gebouwd dat door de bestuurder van de auto naar buiten en binnen geschoven kan worden, met daarop de camera gemonteerd, die ook omhoog en omlaag gericht kan worden. Zo zou in principe één persoon bermen kunnen inventariseren.
Herkenning met AI
Per kilometer maakten we ongeveer 150 foto’s, die vervolgens door AI geanalyseerd werden. Hieruit bleek dat grote soorten goed herkend werden, maar dat kleinere soorten niet altijd correct geïdentificeerd werden. Zeer waarschijnlijk komt de trainingsdata die achter het AI-model zit niet genoeg overeen met het beeld dat vanuit de auto gemaakt wordt. Uit een snelle test bleek al dat de herkenning sterk verbeterd kon worden door trainingsdata te verbeteren.
Hoewel lang niet alle planten correct herkend worden, is de hoeveelheid data zo groot dat hier toch algemene patronen uit gehaald kunnen worden: de wel correct herkende plantensoorten zijn vaak genoeg vertegenwoordigd om de incorrecte herkenningen te compenseren. Met een door Aquila Ecologie ontwikkelde methode rekenden we de herkende plantensoorten om naar vegetatietypen volgens de typologie van RWS. Hieruit bleek dat met rond de 50% nauwkeurigheid de juiste vegetatietypen voorspeld kunnen worden. De data is direct in GIS-programma’s in te lezen.
Toepassing
Met de ontwikkelde techniek is het mogelijk om tegen lage kosten honderden kilometers berm te monitoren. In ieder geval kan daarbij de verspreiding van grote exoten en andere grote, herkenbare planten goed in beeld gebracht worden. Op termijn is het waarschijnlijk ook mogelijk om nog gedetailleerder beeld te krijgen van de vegetatie, tot zelfs de aanwezigheid van grassoorten als glanshaver en witbol.
