Dashcambeelden analyseren met AI — hoe sat-detect wegmarkeringen herkent

Stel je voor: duizenden kilometers aan dashcambeelden, opgenomen door voertuigen die dagelijks door heel Nederland rijden. Ergens in die beelden zit waardevolle informatie over de staat van wegmarkeringen — zebrapaden, doorgetrokken strepen, stootbanden. Maar wie gaat dat allemaal bekijken? Niemand. Daar heb je AI voor.

Wat is sat-detect?

sat-detect is een AI-systeem dat ITARR heeft gebouwd voor de analyse van dashcambeelden. Het hart van het systeem is een getraind YOLOv8-model — een van de snelste en meest nauwkeurige objectdetectie-architecturen die er bestaan. Het model is specifiek getraind om zes typen wegmarkeringen te herkennen:

• Zebrapaden
• Doorgetrokken strepen
• Onderbroken strepen
• Stopstrepen
• Fietspadmarkeringen
• Stootbanden en kantstenen

Het systeem verwerkt beelden in bulk: duizenden foto’s per run, met voor elke detectie een nauwkeurigheidspercentage en exacte locatie in het beeld.

Hoe het werkt

Het proces is opgebouwd in drie stappen:

1. Data-inname

Dashcambeelden worden aangeleverd als reeksen afbeeldingen met GPS-metadata. Het systeem weet dus niet alleen wat het ziet, maar ook waar het dat ziet.

2. Detectie

Het YOLOv8-model analyseert elk beeld en markeert de herkende wegmarkeringen met bounding boxes. Per detectie wordt een confidence score meegegeven — hoe zeker het model is van wat het ziet. Alleen detecties boven een instelbare drempel worden meegenomen.

3. Aggregatie & rapportage

De resultaten worden geaggregeerd tot een overzicht per route, per regio of per type markering. Waar zijn zebrapaden vervaagd? Welke wegen missen markeringen? Waar is onderhoud nodig? Die vragen beantwoordt het systeem op basis van data, niet op basis van steekproeven.

Waarom dit belangrijk is

Wegbeheerders moeten weten waar markeringen onderhoud nodig hebben. Traditioneel gebeurt dat met periodieke inspecties — duur, tijdrovend, en altijd incompleet. Met sat-detect kun je continu monitoren. Elk voertuig met een dashcam wordt een mobiele sensor.

Dat verandert de dynamiek fundamenteel. In plaats van reactief onderhoud (wachten tot iemand klaagt of er een ongeluk gebeurt) kun je proactief werken. Data-gedreven wegbeheer.

De techniek achter de schermen

Voor de technici onder ons: het model is getraind op een eigen dataset van duizenden geannoteerde dashcambeelden. We hebben gewerkt met data augmentatie (variaties in belichting, weer, perspectief) om het model robuust te maken voor real-world omstandigheden. De training draaide op eigen hardware — geen cloud, volledig onder eigen beheer.

Het resultaat is een model dat snel genoeg is voor batchverwerking van grote datasets en nauwkeurig genoeg om betrouwbare conclusies te trekken. De precision en recall scores zijn vergelijkbaar met menselijke annotatie, maar dan duizenden keren sneller.

Wat kan AI met jouw data?

sat-detect is een specifiek voorbeeld, maar het principe is universeel. Overal waar je grote hoeveelheden visuele data hebt die handmatig niet te verwerken zijn, kan AI het verschil maken:

• Kwaliteitscontrole — Foto’s van producten analyseren op defecten.
• Vastgoed — Luchtfoto’s analyseren voor taxatie of schade-inspectie.
• Landbouw — Dronebeelden analyseren voor gewasmonitoring.
• Retail — Schapfoto’s analyseren voor voorraadcontrole.

De vraag is niet of AI iets kan met jouw data. De vraag is: welk probleem wil je oplossen?

Heb je een dataset die te groot is voor handmatige analyse, of een visueel herkenningsprobleem dat je wilt automatiseren? Bekijk onze aanpak bij AI-strategie & implementatie of neem contact met ons op. We verkennen graag wat er mogelijk is.