Blog, Data science, Immobilien
Automatische Bilderkennung in Wüest Visits
20 Sep 22
Wüest Visits ist eine von unserem Mutterunternehmen Wüest Partner in Kooperation mit QualiCasa entwickelte, webbasierte Applikation, welche die Digitalisierung im Immobilienmarkt vorantreibt. Sie erlaubt es, bei Besichtigungen von Liegenschaften deren wichtigste Eigenschaften wie Zustand, Standard und Materialien systematisch zu erfassen und auszuwerten.
Datahouse hat nun ein neues, deep-learning-basiertes Feature der App erstellt, welches in Bildern von Immobilien automatisch den Inhalt erkennt und so den Besichtigungsprozess vereinfacht.
Automatische Bilderkennung
Küche oder Bad? Heizung oder Garage? In Wüest Visits müssen Bilder, die bei Liegenschaftsbesichtigungen aufgenommen werden, jeweils einem von insgesamt 21 Bauelementen (siehe Screenshot) zugeordnet werden.
Dieser Prozess dient der besseren Übersicht und effizienteren Auswertung von Informationen zur Liegenschaft und geschah bisher manuell. Das heisst: Die Person, welche die Besichtigung vornahm, musste bei jedem Foto eingeben, um welches Bauelement es sich handelt.
Dieser Vorgang wurde mit dem neuen Feature automatisiert. Mit einem deep-learning-basierten System wird automatisch der Inhalt des Bildes analysiert und es werden direkt die wahrscheinlichsten Bauelemente vorgeschlagen (siehe jeweils „Top selection“ in Screenshots aus Wüest Visits).
Technischer Hintergrund: Deep & Transfer Learning
Das neue Feature basiert auf „Deep Learning“ – einer Unterkategorie des maschinellen Lernens, bei der künstliche neuronale Netze angewendet werden, um Informationen in Bildern zu verarbeiten. Mit „Transfer Learning“ – einer speziellen Anwendung von Deep Learning – können bestehende neuronale Netzwerke auf andere, verwandte Probleme transferiert werden. Dies steigert die Effizienz im Einsatz von Deep Learning und die Qualität der Vorhersagen in einem gegebenen Bildverarbeitungsproblem oft enorm.
In Wüest Visits sollten Bilder von Immobilien automatisch in eine der 21 möglichen Bauelement-Kategorien eingeteilt werden. Wir transferierten dazu ein mächtiges, bestehendes neuronales Netz: Das „MobileNetV2“ von Google, welches auf der sehr grossen „ImageNet“ Bilddatenbank vortrainiert wurde. Es besteht aus dutzenden Schichten künstlicher Neuronen und extrahiert tausende Merkmale aus einem Bild. Um das vortrainierte Netz auf unseren spezifischen Case anzupassen, fügten wir selbst eine Schicht Neuronen dazu, welche die Information aus dem restlichen Netz nutzt und die Einteilung in die 21 Kategorien vornimmt (sogenannte „Classification Layer“). Diese Schicht wurde mit über 60‘000 Bildern aus der Wüest Visits-Datenbank trainiert.
Das finale Modell erkennt die Bauteile zuverlässig: In über 80 Prozent der Fälle findet sich die wahre Kategorie in der vorgeschlagenen Topselektion von Bauteilen. Die nicht korrekt erkannten Bilder sind oft Fälle, welche auch für menschliche Beurteilung Schwierig sind oder schlicht mehrere Bauteile enthalten: Bei einer Aussenansicht eines Hauses sind beispielsweise oft Fenster, Fassade, Dach, Umgebung und Parkplätze enthalten – alle stellen eigene Bauteilkategorien dar. Aus diesem Grund entscheidet das System nie abschliessend über die Zuteilung, sondern schlägt nur Kategorien vor. Die finale Entscheidung wird der menschlichen Expertise überlassen.
Erfahren Sie mehr!
Haben Sie Interesse an Wüest Visits? Dann besuchen Sie die Homepage oder treten Sie direkt mit uns in Kontakt.
In unserem Online-Tool „ImmoEye“ können Sie zudem das isolierte Bilderkennungs-Feature ausprobieren: Sie laden ein Immobilienbild hoch und bekommen dessen Kategorie zurück. Stimmen die Zuordnungen bei Ihren Bildern?
share