JuiceVision, geospatial vision model WebyJuice AI Lab

Proof of capability

To nie jest nakładka na cudze API.

JuiceVision powstał wewnątrz WebyJuice. Od danych i anotacji, przez trening modelu, po pełny pipeline analizy obrazu. Budujemy własny model, bo gotowe narzędzia za szybko dochodzą do ściany. Gdy model ma wykrywać realne obiekty na polskich dachach i gruntach, potrzebujesz kontroli. Nad klasami. Nad jakością danych. Nad progiem pewności.

paneli PV wykrytych

dachów przeanalizowanych

działek pod PV ocenionych

dokładność detekcji

Własny model vision

Trenowany pod obrazy geospatial, nie generyczne API rozpoznawania zdjęć.

Dachy, grunty, PV

Analiza instalacji fotowoltaicznych, typów dachów i potencjału terenu.

Pełny pipeline

Od kafelków mapy do wyniku gotowego dla biznesu, nie tylko ładny screen.

Rozwój w Polsce

Budowany lokalnie, z myśleniem o danych europejskich i polskiej zabudowie.

Built by WebyJuice AI Lab

Co wykrywa JuiceVision

Dachy, grunty, instalacje PV.

Model analizuje obrazy z góry i rozpoznaje elementy, które mają znaczenie przy ocenie potencjału fotowoltaiki, audycie instalacji i pracy na danych przestrzennych.

Dachy

JuiceVision wykrywa istniejące panele PV, liczy moduły, rozpoznaje typy dachów i wskazuje ubytki powierzchni, które mogą ograniczać montaż. To przyspiesza preselekcję adresów i porządkuje dane przed rozmową z klientem.

Panele PV na dachach.
Liczba paneli i przybliżony układ instalacji.
Typ dachu i widoczna geometria.
Ubytki powierzchni oraz przeszkody widoczne z góry.

Grunty

Model analizuje teren pod kątem potencjału PV i obiektów naziemnych. Może wspierać wstępną klasyfikację działek, wykrywanie paneli naziemnych oraz ocenę, czy dany obszar zasługuje na dalszą analizę.

Panele naziemne i instalacje ground mounted PV.
Wstępna klasyfikacja terenu.
Działki i obszary do dalszej kwalifikacji.
Widoczne ograniczenia na obrazie mapowym.

JuiceVision wspiera preselekcję i analizę. Decyzje inwestycyjne wymagają dodatkowych danych technicznych, prawnych i terenowych.

Jak działa

Model trenowany pod polskie dane.

JuiceVision pracuje na ortofotomapach i wybranych danych satelitarnych. Dzieli obraz na fragmenty, analizuje je modelem vision, a potem składa wynik w warstwę, którą można wykorzystać w procesie biznesowym. Nie chodzi o ładny screen. Chodzi o powtarzalny pipeline.

DANE

Dane wejściowe

Ortofotomapy, zdjęcia satelitarne lub inne źródła obrazu geospatial.

VISION

Analiza vision

Własna architektura modelu rozpoznaje obiekty i klasy potrzebne w danym zastosowaniu.

WYNIK

Warstwa wynikowa

Wynik trafia do mapy, panelu, CSV, CRM albo procesu kwalifikacji leadów.

REVIEW

Review i kalibracja

Model rozwija się na przykładach, feedbacku i porównaniu wyniku z rzeczywistością.

Dla projektów pilotażowych zakładamy przetwarzanie w kontrolowanym środowisku europejskim. Nie planujemy publicznego uploadu map ani otwartego demo bez weryfikacji danych.

Tak widzi model

Dokładnie to, co analizuje JuiceVision.

Model dostaje kadr ortofotomapy z obrysem budynku (BDOT10k) albo działki (LPIS). Obszar poza obrysem jest maskowany, żeby detekcja dotyczyła wyłącznie analizowanego obiektu, nie sąsiadów. Każdy wynik to wartość pewności w zakresie 0 do 1. To realny widok z naszego pipeline detekcji.

BUDYNEK · BDOT10kPV 0.96

DZIAŁKA · LPISPV 0.02

DZIAŁKA · LPISPV 0.94

Ortofotomapa GUGiK · obrys budynku BDOT10k (cyan) · granica działki EGiB / LPIS (zielony) · dane zanonimizowane

Use cases

Gdzie JuiceVision ma sens.

Solar lead scoring

Wstępna kwalifikacja adresów po widocznych cechach dachu, panelach PV i potencjale montażowym.

Audyt instalacji

Wykrywanie paneli PV na dużym obszarze i porównanie wyniku z bazą klientów lub portfelem instalacji.

Preselekcja gruntów

Szybkie typowanie obszarów wartych dokładniejszej analizy prawnej, technicznej i przyłączeniowej.

Monitoring rynku

Obserwacja zmian w liczbie instalacji PV na wybranych obszarach, gminach lub segmentach klientów.

Asset management

Szybkie wzbogacanie danych o budynkach, dachach i powierzchniach widocznych na ortofotomapie.

AI pod dane klienta

JuiceVision pokazuje, że podobny model można zbudować pod inną domenę: zdjęcia, mapy, dokumenty, inspekcje.

Własny model, a nie gotowe API

Gotowe API jest dobre, dopóki problem jest typowy.

W typowych zadaniach korzystamy z gotowych modeli. To rozsądne. Ale geospatial vision szybko robi się specjalistyczny. Polskie dachy, różna jakość ortofotomap, małe panele, cienie, drzewa, kąty zdjęć, działki i instalacje naziemne wymagają dopasowania. Gotowe API nie zna Twojego procesu.

Gotowe API

Szybki start.
Mało kontroli nad klasami.
Ograniczona możliwość kalibracji.
Trudna praca na danych wrażliwych lub specjalistycznych.

Własny model WebyJuice

Klasy dopasowane do problemu.
Kontrola nad pipeline i progami pewności.
Możliwość trenowania na danych klienta.
Wynik podłączony do realnego procesu, nie tylko do demo.

To jest różnica między użyciem AI a budowaniem przewagi z AI.

Early access

Early access dla firm z realnym przypadkiem użycia.

JuiceVision nie jest jeszcze publicznym narzędziem. Nie otwieramy masowej rejestracji i nie pokazujemy live demo każdemu. Szukamy firm, które mają konkretny problem: solar, grunty, ortofotomapy, portfele budynków, analiza dachów albo dane geospatial.

Co dostajesz na waitliście

Krótka rozmowa o Twoim przypadku użycia.
Ocena dopasowania, czy JuiceVision ma sens dla Twoich danych.
Wejście do pilotażu jako jedna z pierwszych firm.
Dostęp do wybranych wyników i przykładów, zanim pokażemy je szerzej.

Zgłoszenie przyjęte.

Dzięki. Odezwiemy się, jeśli Twój przypadek pasuje do programu pilotażowego JuiceVision.

WebyJuice AI Lab

Masz dane, które powinny zacząć pracować?

JuiceVision to pierwszy publiczny przykład naszego AI Lab. Jeśli masz obrazy, mapy, zdjęcia, dokumenty albo proces, którego nie da się rozwiązać gotowym narzędziem, porozmawiajmy. Budujemy modele tam, gdzie warto mieć własną przewagę.

Dołącz do early access Porozmawiaj z WebyJuice