Tot 2050 moeten circa zeven tot acht miljoen woningen worden verduurzaamd. Dat vraagt om een renovatietempo dat kan oplopen tot zo’n duizend woningen per dag. Versnelling is dus essentieel. Tegelijkertijd blijkt de beschikbare informatie over woningeigenschappen vaak onvoldoende om snel en gericht de juiste renovatieaanpak te bepalen. TNO ontwikkelde daarom een AI-gedreven computer vision-methode die de kwaliteit en betrouwbaarheid van gebouwdata per woning aanzienlijk verbetert. Daarmee ontstaat een steviger basis voor schaalbare en efficiënte verduurzaming.
Dit beeldherkenningssysteem van bijvoorbeeld schoorstenen, dakkapellen en zonnepanelen betekent voor renovatie- en onderhoudsbedrijven dat ze nauwkeuriger kunnen bepalen welke renovatie bij welke woning het best past. Tot dusver kan de bouw- en vastgoedsector op basis van informatie uit het Kadaster en van het CBS het bouwjaar, oppervlakte, woningtype en energielabel een inschatting maken. Volgens Raphaël Guelet, machine learning engineer bij TNO, is die informatie onvoldoende om bijvoorbeeld te bepalen of een dak van een woning geïsoleerd moet worden. “Dakkapellen, dakramen, ventilatieschachten..zij hebben allemaal invloed op de manier waarop je een dak isoleert. Informatie over die gebouwkenmerken staat nergens geregistreerd, maar is wel zichtbaar op foto’s.”
Gemiddelde betrouwbaarheid 95%
TNO heeft een model ontwikkeld dat met slechts twintig voorbeeldafbeeldingen dakkapellen, schoorstenen en zonnepanelen herkent in bijvoorbeeld Google View of Cyclomedia. De betrouwbaarheid van de meting is volgens het instituut 95 procent. Het model dat TNO gebruik heeft al miljoenen afbeeldingen van bovengenoemde gebouwkenmerken gezien zonder dat iemand die gelabeld heeft. Daardoor hoeft het instituut alleen met een handvol voorbeelden aan te geven: dit is een dakkapel, dat is een schoorsteen. “Traditionele computer vision vereist enorme hoeveelheden data. Voor elk element dat je wilt herkennen, moet iemand handmatig in duizenden foto’s aangeven waar dat element zit. Dat betekent meer dan 300 uur werk per element. Dat maakte het trainen van een AI-model voor computer vision tot dusver best lastig. Maar met ons model voeg je binnen een uur 20 beelden toe en kan de gebruiker dat element overal herkennen.”
Zeven gebouwelementen
Het systeem detecteert inmiddels zeven gebouwelementen uit Google View: zonnepanelen, dakkapellen, schoorstenen, dakramen, dakventilatie, borstwering en balkons. “Alles wat zichtbaar is op straatbeelden en luchtfoto’s kunnen we in principe detecteren”, zegt Guelet. “De gemiddelde nauwkeurigheid over alle elementen ligt op 95,6 procent. De mate waarin een detectie ook daadwerkelijk klopt komt uit op 98,6%. Wanneer het model zegt dat er een dakkapel op dat dak zit, is dat bijna altijd correct.”
SupRmen
Overigens levert het bedrijf SupRmen 3D fotorealistische modellen van schade en onvolkomenheden van gevel- en dakelementen. Dat scheelt onderhoud- en renovatiebedrijven een rit voor een fysieke schouw.
