​Télédétection et apprentissage machine
​
Précis, répétable, rapide et efficace
horoma AI utilise de l'apprentissage automatique de pointe pour l'analyse et la classification des données de télédétection. Ce processus offre des résultats précis, reproductibles et cohérents qui peuvent être adaptés aux besoins spécifiques de chaque application.
​
horoma AI a également développé une expertise enviable en télédétection dans les domaines de l'agriculture, de la gestion de la végétation, de la foresterie, de l'utilisation du territoire et de la classification des écosystèmes. Dans le contexte de changements climatiques, ces outils permettent d’observer et mesurer les effets du climat et planifier des réponses appropriées.

Bénéfices: 
  • Rapidité et précision d'exécution
  • Réduction du risque d'erreur humaine
  • Réduction de coûts d'analyse
  • Répétabilité
  • Puissant outil d'aide à la décision

Applications:
Remote sensing and machine learning
​

Precise, repeatable, fast & efficient
horoma AI uses leading-edge machine learning for the analysis and classification of remote sensing data.  This process yields precise, repeatable, fast and efficient results that can be adapted to the specific requirements of each application.

​In addition to machine learning, horoma AI has developed enviable remote sensing expertise in the fields of agriculture, vegetation management, forestry, land use and ecosystem classification. Given the current global climate crisis, these tools represent a critical strategy for observing and measuring the effects of climate and taking appropriate action.

Benefits: 
  • Increased speed and precision
  • Reduced human error
  • Cost reductions
  • Repeatability
  • Powerful decision-making ability
​​
Applications:

Co-développement avec :
In collaboration with:

Gestion de la végétation.

Ce projet vise à de détecter huit espèces d’arbres qui causent la majorité des pannes liées à la végétation sur le réseau de distribution d’Hydro-Québec.  La donnée utilisée pour le projet provient d'une unité de LiDAR mobile.  Elle comprend des images planaires qui sont reprojetées dans une image hémisphérique et un nuage de points à haute résolution.  Un réseau a été entrainé à reconnaitre et classifier les espèces d'arbres sur les images planaires.  Cette classification a ensuite été utilisée pour coloriser le nuage de points LiDAR. 

En utilisant une application de gestion de données LiDAR, il est maintenant possible d'isoler le tracé du réseau de distribution et de déterminer la position et la quantité de points de chaque espèce inclus dans la zone d'exclusion autour des fils conducteurs définie par le client.

​Ce projet utilise nombre de technologies de pointe incluant des algorithmes parmi les plus avancés dans le domaine de l'IA.

Vegetation Management.

​This project aims to detect eight species of trees that cause the majority of outages related to vegetation on  Hydro-Québec's distribution network. The data used for the project comes from a mobile LiDAR unit. It includes planar images that are reprojected into a hemispherical image and a high-resolution point cloud. A network was trained to recognize and classify tree species on planar images. This classification was then used to colorize the LiDAR point cloud.

Using a LiDAR data management application, it is now possible to isolate the route of the distribution network and determine the position and quantity of points of each species included in the exclusion zone around the conductor wires defined by the customer.

This project uses a number of advanced technologies including some of the most advanced algorithms in the field of AI.
La classification et la hauteur de canopée géoréférencées sont ensuite reportées dans un document standard de système d'information géographique (SIG/GIS).
The georeferenced classification and canopy height are then used to generate standard geographic information system (GIS) documents.
•Classification de l'utilisation du territoire

Les réseaux de neurones développés par horoma a servi a classifier plus de 7 500 km carrés de territoire urbain et rural à partir de données aéroportées de très haute résolution. 

L'objectif du projet vise à permettre à chacune des municipalités d'obtenir un inventaire détaillé de l'utilisation de son territoire.  En procédant ainsi, chacun des clients est en mesure de mesurer les aires de culture, de forêts, de milieux humides et urbains et en comparant les résultats au précédent inventaire de valider leur évolution de l'utilisation du territoire.

Le modèle peut être adapté plus spécifiquement pour la détection de milieux humides ou la classification de la végétation présente dans les bandes riveraines.
•Land use classification

The neural networks developed by horoma have been used to classify more than 7 500 sq. km from high resolution aerial images.

​The objective of the project is to allow each municipality to obtain a detailed inventory of land use within its territory. By doing so, each client is able to measure crop, forest, wetlands and urban areas, and compare the results to the previous inventory to monitor the evolution of land use.

​The model can be adapted specifically to  detect wetlands or classify vegetation  in riparian buffers.
Classification
Bande riveraine/Riparian buffer
Milieux humides/Wetlands
•Inventaire forestier

Ce projet a permi le développement  d'un algorithme intelligent pour la photo-interprétation forestière basé sur l’apprentissage profond. 

L'algorithme, conforme à la norme NAIPF du Ministère de la faune, des forêts et des parcs du Québec (MFFP) visait spécifiquement l’extraction des essences et de la structure des peuplements (densité-hauteur).  Un des objectifs visait à apporter rapidement une augmentation matérielle de productivité pour ces activités et donc un avantage concurrentiel pour les clients de ce service.
 
Le déploiement de cet algorithme intelligent adéquatement entrainé permet d’automatiser le procédé, d’obtenir des résultats consistants et de garantir la pérennité des connaissances des photo-interprètes impliqués dans le développement de la base de données d'apprentissage.
​•​Forest Inventory

This project focused on the development of a convolutional neural network designed specifically for forest photo-interpretation based on deep learning.

The algorithm, which complies with the NAIPF standard of the Quebec Ministry of Wildlife, Forests and Parks (MFFP), specifically targeted the extraction of species and stand structure (height and density). One of the objectives was to quickly generate a material increase in productivity for these activities, and therefore deliver a competitive advantage for the customers of this service.
 
With the deployment of this specialized intelligent algorithm, forestry stakeholders can  automate the photo-interpretation process,  obtain consistent results, and ensure the long-term preservation of the photo-interpreters' knowledge that contributed to the development of the training database.
Extraction de cimes/Crown extraction
Modèle de terrain/Terrain model
Classification
Membre et partenaire industriel.
Member and Industrial Partner.
UA-101942779-1