Sloopwijzer - artificiële intelligentie helpt selectief slopen

Van een lineaire naar een circulaire economie

In een lineaire economie gebruiken we grondstoffen om een product te vervaardigen, dat we na gebruik weggooien. Om te evolueren van zo’n lineair naar een meer circulair systeem, dienen we elke stap te transformeren: de manier waarop we omgaan met natuurlijke bronnen, producten ontwerpen, produceren en gebruiken. En ook wat we achteraf doen met de materialen.

We verleggen de focus van afvalbeheer naar materiaalstockbeheer. Dit laat ons toe om op grote schaal hergebruik, reparatie en recyclage in het ontwikkelingsproces te brengen of sterk te verbeteren om zo het gebruik van primaire grondstoffen terug te dringen.

Yoko Dams, R&D expert duurzaam materialenbeheer VITO: "De bouwsector en gebouwde omgeving zijn wereldwijd de grootste materiaalverbruikers en vertegenwoordigen het hoogste aandeel van onze Vlaamse afvalproductie. Daarenboven heeft de gebouwde omgeving een significante impact op het klimaat en de omgeving. In een circulaire economie beschouwen we bouwmaterialen in de stad als een 'urban mine' voor secundaire materialen, wat ten goede komt van alle betrokkenen: de burger, de industrie en de leefbaarheid en duurzaamheid van onze steden en gemeenten. In het Sloopwijzer project hebben we vooral gekeken naar hoe we met behulp van data science deze transitie beter kunnen ondersteunen of zelfs versnellen."

In de eerste plaats hebben we gedetailleerde informatie nodig over de aanwezige materiaalstock in de gebouwde omgeving, alsook waar en wanneer deze materialen zullen vrijkomen. Dit laat toe afnemers en leveranciers van secundaire materialen met elkaar te connecteren en de ondersteunende logistiek en opslag via materiaalhubs te optimaliseren .

Straatbeelden en Artificiële Intelligentie

VITO heeft al jaren ervaring in enerzijds duurzaam materiaalbeheer en anderzijds dataverwerking en remote sensing. In het Sloopwijzer- project hebben we beide expertises samengebracht. We ontwikkelden een proof-of-concept voor automatische materiaalherkenning met behulp van straatbeelden en AI met als doel een betere en snellere inschatting te kunnen maken van onze materiaalstock.

De generieke workflow is onafhankelijk van de te herkennen materialen of bouwelementen. Hij focust op de uitbouw van de volledige keten van input beeld naar een geschatte waarde voor een geïdentificeerd bouwelement als output.

In dit demonstratieproject hebben we gefocust op het detecteren van ramen met behulp van Google Streetview-beelden. Daarnaast analyseerden we ook de gebouwgevel in zijn geheel om een relevante gebouwtypologie te bepalen. Deze generieke opbouw zorgt ervoor dat de workflow ingezet, of verder uitgebreid kan worden, in gelijkaardige opdrachten en opvolgtrajecten.

De workflow

De workflow die we ontwikkeld hebben voor Sloopwijzer bevat verschillende modules:

Gebouw beeldgenerator

In een eerste module genereren we de beelden en metadata van de te analyseren gebouwen. We maken gebruik van de officiële developer API van Google Streetview om beelden te genereren op basis van locatie, heading, pitch en zoomlevels van een gevel. Op basis van de geografische gegevens die we ophalen uit het Grootschalig ReferentieBestand (GRB) Vlaanderen, namelijk 3D LOD1 gebouwdata, kunnen we de afstand en het gezichtspunt t.o.v. de gebouwgevel bepalen en zo de optimale parameters instellen voor verdere verwerking.

Deep learning algoritmes voor detectie van ramen en gebouwtypologie

Gebouwelementen en -typologieen worden ingeschat op basis van beeldverwerking door toepassing van deep learning algoritmes (AI). Voor het Sloopwijzer-project hebben we gefocust op ramen omwille van de brede toepassing in de context van circulaire economie: het mogelijke hergebruik door bouwheren, recyclage mogelijkheden van de materialen door raamproducenten, inschatting van de energie-efficientie van het gebouw,…

Daarnaast worden drie gebouwtypologieen automatisch herkend: baksteen, verborgen baksteen, en residentiele versus niet-residentiele gebouwen. De gebouwtypologie laat toe om een inschatting te maken van de gemiddelde materiaalbalans van het gehele gebouw.

3D reconstructiemodule

In deze module converteren we de pixel coördinaten van de raamhoekpunten naar 3D metrische coördinaten, waarna de grootte van het raamoppervlak kan worden ingeschat.

Materiaalschatter

In het project is ook getest of men met behulp van machine learning een materiaalschatter kan ontwikkelen die de restwaarde schat van het gedetecteerd gebouwelement (in casu ramen) op basis van vraagprijzen van gebruikte ramen aangeboden op online handelsplatformen, de oppervlakteschatting, en andere eigenschappen die prijsbepalend zijn.

Hoe goed werkt het in de praktijk?

Na de ontwikkeling werd de volledige workflow uiteraard getest. We pasten de automatische materiaalherkenning toe op enkele gebouwen in Leuven en stelden de resultaten beschikbaar aan de stakeholders via een interactieve kaart.

We zijn vertrokken van een voorgetraind raamdetectiemodel uit de internationale literatuur. Hiermee bereiken we al een gemiddelde nauwkeurigheid van 85 % voor een individueel straatbeeld. Dat zou zelfs nog verhoogd kunnen worden als we het algoritme verder zouden verfijnen met training data voor typische bouwstijlen in Vlaanderen. Daarnaast zorgt de redundante detectie vanuit verschillende gezichtspunten ervoor dat bouwelementen gemist in één beeld, toch gecapteerd kunnen worden vanuit een andere hoek.

De drie AI-modellen voor gebouwtypologieherkenning ('baksteen', 'verborgen baksteen', en 'residentieel/niet-residentieel') werden tijdens dit project getraind op onze eigen gegenereerde dataset van enkele honderden gevels in een aantal Vlaamse steden. De behaalde accuraatheid ligt boven de 90% voor alle modellen, met een score van 95% voor baksteendetectie als best presterende model.

What's next?

Sloopwijzer leverde dus een eerste proof-of-concept voor het detecteren van bouwelementen en -materialen op straatbeelden van gebouwen in Vlaanderen. Het bracht ons ook enkele interessante inzichten waarmee we deze of gelijkaardige diensten kunnen verbeteren en opschalen.

Opschalen naar wijk- of stadsniveau

Sloopwijzer heeft ons ook geleerd dat het gebruik van Google streetview-beelden voor- en nadelen heeft. De data zijn publiek beschikbaar maar hebben ook een aantal beperkingen zoals de beperkte gps-nauwkeurigheid, obstakels die gevels moeilijker zichtbaar maken zoals bomen en auto’s, de update frequentie,...

Dit hoeft echter geen belemmering te zijn om op relatief korte termijn de technologie op te schalen naar wijk- of stadsniveau. Dat kan een significante verbetering zijn van de huidige beschikbare statistische gegevens over de materiaalstock binnen een stad en hoe deze zal evolueren in de toekomst.

Verhogen van de nauwkeurigheid en update frequentie

Als we het raamdetectiealgoritme nog verder zouden verfijnen met training data voor typische bouwstijlen in Vlaanderen, kunnen we de nauwkeurigheid voor een individueel straatbeeld nog verbeteren.

Verder zijn er ook technische mogelijkheden die de nauwkeurigheid op gebouwniveau en de updatefrequentie kunnen verhogen, zoals het gebruik van doelgerichte mobile mapping opnames vanop transportvoertuigen, gebruik van geavanceerde sensoren (multispectraal, thermisch, LIDAR), bijkomende analyses met luchtbeelden en satellietdata,...

Verder ontwikkeling materiaalschatter

We willen ook nog verder sleutelen aan de materiaalschatter om zo met behulp van nieuwe datastromen (webscraping, sensoren,…) de voornaamste prijsbepalers van materialen en bouwelementen op te sporen.

Dit project werd gesubsideerd door OVAM - Vlaanderen Circulair en uitgevoerd door VITO Remote Sensing en VITO Materials in samenwerking met partner Immoterrae. We danken ook de betrokken stakeholders Stad Leuven, BOPRO, Tracimat en FLOOW2 voor hun waardevolle bijdrage vanuit de gebruikerszijde en het vormgeven van toekomstige trajecten.

Dit praktijkvoorbeeld is overgenomen van de website van VITO remote sensing.