Algoritmer skal spotte trafikskilte og regnvandsriste i Ballerup Kommune

Over 400.000 billeder har Ballerup Kommune taget af kommunens vejnet. Nu skal billeddata bruges til at gøre kommunens arbejde lettere.
Brødtekst

650 kilometer stier og veje er i Ballerup Kommune blevet affotograferet  og uploadet til gør det selv-gadefotoplatformen Mapillary. Her kan over 140 algoritmer udtrække data om alt fra postkasser, cykelstativer og trafikskilte – som kan gøre administrationen i kommunen både lettere og smartere.

»Jeg er altid interesseret i teknologiske tiltag, der kan effektivisere og løfte vores arbejdsgange,« fortæller Sussi Kjær, der er udviklings- og driftschef i Ballerup Kommune.

»Machine learning og data kan helt givet lette vores arbejde med at drifte kommunens veje, parker, udendørs inventar og anlæg. Så vi derved kan være proaktive og få løst problemer før de opstår.«  

Mapillary tilbyder gratis hosting af billeder, når man vil udgive dem under en Creative Commons-licens og tillade Mapillary at lave machine learning fra disse billeder. Mapillary blev første gang taget i brug i Ballerup Kommune for tre år siden, hvor kommunen udskiftede over 6.000 gadelamper til LED-gadelamper. I den proces måtte kommunen sende påbud til 1.500 husstande, fortæller Søren Johannessen, der tilknyttet ekstern GIS-konsulent i Ballerup Kommune.

»Husejere har jo pligt til at holde deres fortov fri for genstande som f.eks. hæk, hegn, stengærde og lignende. Og når du sender 1.500 breve ud med påbud, så ved du, at folk ringer eller skriver ind for at høre præcis, hvad de skal gøre,« siger han.

Her var billederne det perfekte administrative redskab, siger Søren Johannessen:

»Når borgerne ringede eller skrev e-mails, kunne vi se på billederne og forklare, at de skulle for eksempel klippe hækken der og der, og hvor meget. Projektlederen estimerede, at det sparede omkring 500 mandetimer.«

Handicapparkering og brønddæksler

Når først billederne af Ballerup er uploadet til Mapillary, er mulighederne mange. Hos det svenske selskab sidder nemlig et hold af machine learning- og computer vision-eksperter og udvikler algoritmer, der spotter objekter i gadebilledet og sammensætter på den baggrund datasæt.

Den data kan brugere som Ballerup Kommune så betale for at udnytte – og efter nogle demoer er det netop, hvad kommunen vil gøre. På den måde får Ballerup adgang til intelligente systemer, kommunen aldrig kunne udvikle selv, fortæller Søren Johannesen.

»Der er måske tre kommuner i Danmark, der har råd til ansætte folk, der kan udvikle machine learning-systemer fra bunden. Resten må ud og købe dem,« siger han og fortsætter:

»I Ballerup er vi ikke så interesserede i, hvad der sker inde i maskinen og helt dybt nede i algoritmerne, vi er interesserede i det outcome, der kan komme ud af det.«

Og det er altså outcome, der kan hjælpe kommuner med en lang række administrationsopgaver, mener Søren Johannessen.

»Jeg talte med en i en anden kommune, der skulle til at udbyde trafikskilte, og han vidste ikke, hvor mange skilte kommunen havde – det kunne være 40.000 eller 60.000. Så hvis machine learning kunne tælle alle skilte i kommunen op, så ville han have en langt bedre fornemmelse af, hvad der skulle stå i den udbudskontrakt,« siger han.

Mapillarys algoritmer kan også sammenligne billeder taget samme sted med få års mellemrum for at undersøge, om noget har ændret sig – f.eks. hvis nogen skulle have sat et hegn op. Og hvis man som i nogle kommuner har lokalplaner, der gør, at borgere nogen steder ikke må sætte hegn op, kan man spotte det algoritmisk, forklarer Søren Johannesen.  

»I Ballerup Kommune har vi desuden fokus på regnvandsriste, handicapparkering og brønddæksler. Dem ved vi nogenlunde, hvor mange vi har, men er meget interesserede i at få det tal endeligt verificeret og lokaliseret. Og der er vi så interesseret i at lade de her algoritmer forsøge at finde dem for os.«

Forskel på performance

Der er endnu stor forskel på, hvor gode Mapillarys algoritmer er til at identificere de forskellige objekter – og sågar stor forskel mellem typer af objekter såsom forskellige trafikskilte.

Mapillary
Mapillarys brugere kan gøre selskabets algoritmer bedre ved at give dem feedback.
Illustration: Mapillary / Screenshot

Ser man for eksempel på skiltet, der indikerer en kombineret cykelsti og fortov, så har algoritmen en fejlrate på 0,6 procent baseret på algoritmetest af Mapillary-billederne i Ballerup Kommune. Men når det gælder skiltet 'Cykling forbudt', er fejlraten på over 30 procent, fordi skiltet rutinemæssigt forveksles med skiltet for 'Knallertkørsel forbudt'. Cykelstativer er ligeledes vanskelige for algoritmen, fordi der ikke er en universel måde at designe dem på.

Men det er noget, som kommunen selv kan ændre på ved at annotere billeddata og dermed give Mapillarys algoritmer mere træningsdata.

»Skilte er ens i hele Danmark. Så når vi træner algoritmerne, så gavner det alle kommuner. Vi er i gang med at etablere et netværk med andre nabokommuner vedrørende netop træning af algoritmer. Der er ingen grund til en nabokommune begynder at træne en algoritme, som allerede er blevet trænet med flere tusinde billeder af Ballerup og selvfølgelig den anden vej rundt. Alle kommuner, som har en interesse i machine learning data m.m., er mere end velkomne til tilslutte sig dette åbne netværk,« siger Søren Johannesen.

Mapillary
Nogle skilte er sværere end andre for Mapillarys algoritmer at identificere.
Illustration: Mapillary / Screenshot

Sammen med Allerød, Egedal og Furesø har Ballerup så sent som i sidste uge arrangeret træningssessioner, hvor målet var at træne otte forskellige af Mapillarys algoritmer.

»Så kan deres algoritme blive bedre til netop den opgave undervejs.«

Træningssessionerne har også den funktion, at de giver indblik i, hvor godt algoritmerne egentlig performer,

»Vi er selvfølgelig interesseret i at undersøge, hvordan denne teknologi er lige nu,« siger Søren Johannesen.

Hvor stor præcision, der i sidste ende er nødvendig, vil være op til den enkelte use case.

»Det kræver også, at vi kommer ud i de forskellige fagområder og spørger dem, om de for eksempel kan leve med en fejlrate på fem procent. Det er en længerevarende process, som kommunens GIS- og data-team er gået i gang med.«

Mapillary
Nogle fejl er mere overraskende end andre.
Illustration: Mapillary / Screenshot

Nye billeder tre gange om året

Alt det gode, som algoritmerne på Mapillarys platform kan levere, er afhængigt af billederne tages i første omgang, og at de efterfølgende opdateres løbende.

I Ballerup forventer man, at man to til tre gange om året har et komplet nyt sæt billeder af kommunens veje og stier. Og det er ikke så omfattende et arbejde, som det måske kunne lyde, siger Søren Johannesen.

»Det går rimelig hurtigt. Vi har delt Ballerup op i syv distrikter, og så har vi været ude og køre i de områder. Alt efter hvor stort området er, kan du gøre det på to-tre timer.«

Flere af kommunens fagområder er i den sammenhæng nu blevet aktive bidragydere til billedesamlingen. 

»Der er jo folk, der i forvejen er ude på tilsyn i forskellige sammenhænge, og så kan de lige så godt tage nogle billeder via Mapillary,« siger Søren Johannesen.

Dertil kommer at kommunens borgere kan bidrage med crowdsourcing af billeder – og gør det allerede.

»I denne uge skal vi have tre borgere fra Grønt Råd på et Mapillary-introduktionskursus. Hvor de skal lære at bruge et GoPro-actionkamera, som de låner med hjem. Endvidere er der planer om en case med en folkeskoleklasse til efteråret, fortæller Søren Johannesen og fortsætter:

»Der er ca. 500.000 billeder fra Ballerup lige nu, og vi har taget de ca. 400.000. Resten er taget af andre Mapillary-brugere.«