Avvertenza: il presente tutorial ha come fonte questo, ma non è una sua copia quanto piuttosto un riadattamento per comprenderne le basi che ci stanno dietro e quanto possa essere applicato in progetti riguardanti una città. Necessita di una minimo di informazioni tecniche di base sulla teoria dell’informazione, intesa come approccio matematico a come le informazioni possono essere elaborate estraendole da una qualunque fonte o canale di comunicazione. Negli ultimi anni ricavare informazioni dalle immagini digitalizzate (tecnica chiamata “computer vision”) si è affermata come una metodologia che ha preso sempre più campo e che ha consentito piano piano la creazione di vere e proprie professioni nell’ambito. Qui a me interessa dimostrare come l’ingegneria dell’informazione applicata ad un caso pratico (ovvero la fotografia delle stade delle nostre città) ci consente con un po’ di programmazione python di ricavare un dato utile sulla qualità dell’asfalto stesso. Se poi questo tutorial lo combinate a quest’altro tutorial capite che di tutto questo si può fare dato georiferito a partire esclusivamente dalle foto.

Per chi volesse approfondire il tema della teoria dell’informazione rimando a Wikipedia per iniziare. Si può poi approfondire cosa sia la computer vision specificamente per l’interpretazione delle immagini.

Il linguaggio usato è python 3, ma solo perchè fornisce già tutta una serie di strumenti pronti per interpretare le immagini e usarle come fonte di dati utili. Ad esempio in questa analisi si usa opencv e scipy librerie di cui consiglio lo studio prima di cimentarvi in questo campo. Non è necessario conoscere tutto la teoria che c’è dietro ad ogni libreria, ma per lo meno comprenderne le potenzialità e come ogni funzione delle librerie può tornare utile per applicazioni simiili a quella qui illustrata.

Il punto di partenza sono delle foto scattate all’asfalto delle strade di cui volete analizzare la qualità. Potete usare un normale smartphone per farlo, meglio se abilitate la localizzazione mentre lo fate, oppure anche una fotocamera più costosa.

Per comodità ho usato un notebook ipython per eseguire le mie prove, ma potete lavorare anche a riga di comando o con uno script python. L’algoritmo seguente non fa altro che estrarre un punteggio tanto più alto quanto più difetti dell’asfalto sono identificati. Il notebook è archiviato qui. Di seguito trovate il codice commentato.

Istruzioni per importare le librerie python. Definizione di una funzione per mostrare le immagini durante l’analisi. Lettura dell’immagine da file .jpg

import numpy as np
import scipy.ndimage as nd
import imageio
import cv2
from matplotlib import pyplot as plt
%matplotlib inline

def mostra_immagine(img, titolo):
    plt.imshow(img)
    plt.title(titolo)
    plt.show()

img = imageio.imread("/Users/TeoPro/Desktop/strade/strada4.jpg")
mostra_immagine(img, "foto")

E’ necessario ritagliare l’immagine in modo che resti solo una parte dell’asfalto interessante per l’analisi. Per fare questo in questo caso si taglia metà dell’immagine (quella sottostante) rimuovendo la parte alta ed i lati della strada, viene anche rimosso un 10% della parte inferiore dell’immagine. Variando sui parametri si può fare tagli in modo diverso sulla base della modalità delle acquisizioni fatte.

nrow, ncol = img.shape[:2]
img = img[nrow//2:(nrow-nrow//10),:,:]
mostra_immagine(img, "foto")

E’ necessario l’applicazione di un sistema di filtraggio per la riduzinone del rumore dell’immagine.

md = nd.filters.median_filter
md_blurPhoto = md(img, 5)
mostra_immagine(md_blurPhoto, "foto")

E’ necessario convertire l’immagine da formato RGB a formato HSV in modo da rendere i difetti facilmente riconoscibili.

lower = np.array([0, 10, 50])
upper = np.array([360, 100, 100])
hls = cv2.cvtColor(md_blurPhoto, cv2.COLOR_BGR2HSV)
mask = cv2.inRange(hls, lower, upper)
res = cv2.bitwise_and(hls, hls, mask = mask)
mostra_immagine(res, "foto")

A questo punto si devono detettare i difetti rimasti, ridurre il rumore attorno ad essi mantenendo le linee oltre una soglia di rumore. Al termine dell’analisi’ è possibile quantificare il punteggio di difetti presenti.

#detezione dei difetti (linee) rimasti in modo da poter estrarre i difetti dell'asfalto
edges_cv = cv2.Canny(res, 200, 400)

#riduzione rumore attorno alle linee
blurred_edges = cv2.GaussianBlur(edges_cv,(3,3),0)

#mantenere le linee oltre una certa soglia di rumore
bdilation = nd.morphology.binary_dilation
berosion = nd.morphology.binary_erosion
edges_cv_2 = bdilation(berosion(blurred_edges, iterations=2), iterations=2)

mostra_immagine(edges_cv_2, "foto")

defect_score = edges_cv_2.mean()
defect_score

0.0759078429437279