
Piattaforma AI che rileva variazioni cartografiche su ortofoto aeree e automatizza l'aggiornamento delle mappe

Context
OrtoSense è una piattaforma basata su intelligenza artificiale sviluppata per enti pubblici, uffici tecnici e società di rilievo che gestiscono grandi volumi di dati territoriali. Il sistema confronta ortofoto storiche con nuove acquisizioni per identificare automaticamente le aree che hanno subito modifiche nel tempo. Modelli di deep learning e architetture transformer rilevano variazioni, errori di segmentazione e i livelli cartografici coinvolti. L'output è un insieme di coordinate precise delle aree modificate, con classificazioni multilivello, pronte per alimentare i workflow di aggiornamento CAD. La piattaforma gestisce grandi estensioni territoriali in modo scalabile, mantenendo elevata precisione e continuità operativa. Un'infrastruttura dockerizzata e modulare rende il deployment semplice sia su server locali che in cloud, semplificando la manutenzione e i futuri aggiornamenti.



Concezione del progetto
Il progetto nasce da un problema operativo concreto: aggiornare le mappe territoriali a partire da ortofoto aeree è un processo lento, manuale e costoso. L'obiettivo era sostituire i cicli di revisione umana con una pipeline automatizzata di rilevamento e classificazione basata su AI.
Architettura e progettazione dei modelli
Il sistema è stato progettato attorno a modelli di deep learning e architetture transformer per l'analisi temporale delle immagini e la classificazione geospaziale. È stata scelta un'infrastruttura modulare e dockerizzata per supportare sia deployment on-premise che cloud, mantenendo i componenti aggiornabili e scalabili in modo indipendente.


Sviluppo dell'applicazione
La piattaforma è stata sviluppata per acquisire coppie di ortofoto, eseguire il rilevamento delle variazioni e restituire coordinate classificate con tagging cartografico multilivello. Sono stati realizzati punti di integrazione per alimentare i risultati direttamente nei workflow CAD esistenti, riducendo l'intervento manuale alla sola gestione delle eccezioni.
Testing e rilascio
La validazione ha riguardato l'accuratezza del rilevamento su tipologie di terreno variabili, la coerenza della segmentazione e la precisione della classificazione su più livelli cartografici. I benchmark di performance hanno confermato la capacità del sistema di elaborare grandi estensioni territoriali entro limiti accettabili di tempo e risorse prima del rilascio in produzione.


Computer Vision Engineer
Geospatial Data Engineer
ML Model Developer
Backend Engineer
DevOps Engineer

