Drie-eenheid gebouwinspectie: automatische beeldherkenning, kunstmatige intelligentie en de mens

Jaap van Peperstraten

Applicateurs behandelen regelmatig producten voor de bouw. Hoe presteert de oppervlaktebehandeling gedurende de jaren na de oplevering? Niemand die dat heel precies weet. Grote kans dat dat de komende jaren gaat veranderen, want er wordt hard gewerkt aan nieuwe vormen van gebouwinspectie. Twee kernpunten daaruit: grootschalige inwinning van data van vastgoed en computers die getraind zijn om allerlei gebouwelementen te herkennen en onregelmatigheden aan te stippen. Dit kan het handmatige inspectieproces sterk gaan verbeteren.

Een Nederlands bedrijf dat op dit gebied grote stappen zet, is het bedrijf Spotr.ai. Het is betrokken bij het project Façade Service Applicatie (FaSA) dat moet leiden tot nieuwe methoden van dataverzameling en inspectie van vastgoed. Spotr.ai wil toepasbare methoden vinden om dit op grote schaal zo efficiënt mogelijk te doen. De eerste stap daartoe is grootschalige dataverzameling van vastgoed en computers leren om bouwelementen en de staat daarvan te herkennen.

Dirk Huibers, CEO en medeoprichter van Spotr.ai, legt de werkwijze uit: “Wij verzamelen heel veel beeldmateriaal uit onder meer satellieten, vliegtuigen, drones, street view vanuit auto’s (Cyclo Media) en met de hand genomen foto’s. Deze beelden worden verzameld in een beeldbank zodat een totaaloverzicht ontstaat van een vastgoedportefeuille. Deze beelden combineren wij met een locatie zodat wij de portefeuille kunnen projecteren op de kaart. Het grootste gedeelte van onze inspanningen hebben wij gestoken in onze softwareontwikkeling. De data moeten namelijk automatisch ingelezen en herkend kunnen worden. Dit bereiken we door computers te trainen.

We hebben ongeveer 25 mensen in dienst en daarnaast veertig studenten ingehuurd om gebouwelementen te labelen. Ze lezen de foto’s in en labelen de bouwelementen en de staat waarin ze verkeren. Als je zodoende bijvoorbeeld 5.000 keer afbladderende verf annoteert, dan kan de computer de 5001e keer het gebrek zelf herkennen. Het kost veel menselijke energie om de computer iets te leren, maar als de computer iets eenmaal geleerd heeft, vergeet-ie het nooit meer en geeft-ie het aan andere computers door. Qua efficiëntie een gigantische sprong.”

Dirk Huibers.jpg
Dirk Huibers

NIEUWE INZICHTEN
Op die manier kunnen diverse onderhoudsgebreken van een gebouw in kaart worden gebracht. Denk aan afbladderende verf, scheuren in het metselwerk, bladeren in de dakgoot en door corrosie aangetaste balkonhekjes. De volgorde bij het trainen van de computers is eerst het herkennen van bouwelementen (zoals metselwerk, kozijnen, schoorstenen, dakkapellen en goten) en daarna de gebreken bij deze bouwelementen. Door die op deze manier te constateren, kan de inspecteur veel gerichter op pad worden gestuurd. Er wordt dan geen tijd verloren aan inspecties van gebouwen waar niets aan de hand is. Momenteel is Spotr.ai in staat om circa zeventig elementen te herkennen en grote onvolkomenheden vast te stellen. Dat is nog geen honderd procent, maar het systeem werkt wel al zo goed dat woningbouwcorporaties, banken, verzekeraars en Thema Bedrijfsinrichting en apparatuur overheden er veel interesse in hebben. Allemaal partijen die iets met vastgoed hebben en graag zo vroeg mogelijk eventuele gebreken willen zien.

Drie-eenheid gebouwinspectie2.JPG

Dirk Huibers: “Zij huren ons met name in om inzichten te krijgen die ze tot dan toe nog nooit hebben gehad. Een simpel voorbeeld: stel je hebt 100.000 woningen en door de jaren heen diverse aannemers ingehuurd om zonnepanelen te plaatsen. Als de aannemer klaar is, wil je weten: bij welke complexen zijn er zonnepanelen aangebracht en welke complexen zijn eventueel ook geschikt voor zonnepanelen? Zijn er bij het aanbrengen van de zonnepanelen nog zonder toestemming zelf aangebrachte schuren of dakkapellen aangetroffen? Of welke complexen liggen qua situering (on)gunstig op de zon of is er actie vereist op het gebied van schilderwerk?”

Hij vervolgt: “Dit soort vragen waren tot nu toe niet grootschalig te beantwoorden. Als je antwoord op die vragen wilde, moest je mensen op pad sturen. Grootschalige data-inwinning en -analyse is veel goedkoper, completer en vooral betrouwbaarder. Met name in de woningmarkt kunnen we de meeste meters maken. Wel zijn er nog uitdagingen op het gebied van beeldherkenning. Woningen lijken allemaal erg op elkaar en zijn veel makkelijker door de computer te herkennen. Maar utiliteitsbouw heeft veel unieke gebouwen die momenteel minder precies te inspecteren zijn via automatische beelden.”

BETEKENIS VOOR APPLICATEURS
Wat gaat dit allemaal concreet betekenen voor applicateurs? “In eerste instantie nog niet zoveel, maar dat gaat binnenkort wel veranderen. In de bouw raken prestatiecontracten meer ingeburgerd. Denk aan het voorbeeld dat er geen lampen geleverd moeten worden, maar licht. Dat gaat ook gelden voor bouwelementen en de conservering. Dat een gevel of ander bouwelement door de jaren heen een bepaalde kleur moet vasthouden of bescherming moet bieden. Hoe dat bereikt wordt, mag de prestatieleverancier zelf bepalen. Met de aanpak die wij bieden, kunnen vastgoedeigenaren of hoofdaannemers de afgesproken prestaties van het Dirk Huibers oppervlak dynamisch gaan controleren door de jaren heen.

Daarnaast roept het meer mogelijkheden op inzake garantie op de oppervlaktebehandeling. Nu geeft bijna geen enkele verffabrikant garantie op hun product in de bouw, omdat ze niet zeker weten hoe het wordt aangebracht. Maar als je weet wie de applicateurs zijn na selectie, kun je wel die garantie geven. Wij hebben hierover met AkzoNobel gesproken en hen aangeraden alleen maar samen te werken met partijen die met hun systemen werken om zodoende de risico’s te verkleinen. Maar ze durven dit niet aan, omdat ze daarmee hun grootste klant, zijnde de aannemers, gaan passeren. Ze zijn bang dat die dan naar een andere coatingleverancier gaan.”

Screenshot 2021-10-14 at 22.08.36_2.JPG

otr richt zich momenteel in mindere mate op aannemers maar meer op woningbouwcorporaties, banken, verzekeraars en overheden. Dit heeft te maken met het gewenste detailniveau van deze partijen, dat meer aansluit bij wat Spotr kan bieden. “Voor hen kunnen wij met onze aanpak snel inspectierapporten samenstellen op basis waarvan doelgerichte actie ondernomen kan worden. Het tijdrovende administratieve werk dat ook nog eens incompleet is, zal verdwijnen terwijl het intelligente werk overblijft. Daarnaast is onze techniek nog lang niet uitontwikkeld en zullen er nog veel meer databronnen beschikbaar komen, hetgeen de kwaliteit en de mogelijkheden nog verder zal verbeteren.

Het luchtruim tot 200 meter hoog bijvoorbeeld wordt nu niet echt benut, maar leent zich heel goed voor een drone die een hele stad automatisch op een hoog detailniveau vastlegt: precies wat je nodig hebt. Ook kunnen we van gebouwen snel vastleggen waar het meeste warmteverlies optreedt en waar je dus moet beginnen met isoleren. Veel vastgoedbeheerders willen warmteverlies graag voorkomen om energie te besparen. Maar ons doel is dat we proactief de risico’s in kaart kunnen brengen, bijvoorbeeld vaststellen dat er in Nederland vijfhonderd gebouwen zijn met een hoog risico op brandoverslag van de ene naar de andere verdieping.”

MEER INFORMATIE
www.spotr.ai

Reacties