🤖 machine learning

A Scoping Review of Deep Learning for Urban Visual Pollution and Proposal of a Real-Time Monitoring Framework with a Visual Pollution Index

Deze scoping review analyseert bestaande deep learning-methoden voor de detectie van visuele vervuiling in steden en stelt een nieuw monitoringkader voor met een index om de ernst ervan te meten.

Oorspronkelijke auteurs: Mohammad Masudur Rahman, Md. Rashedur Rahman, Ashraful Islam, Saadia B Alam, M Ashraful Amin

Gepubliceerd 2026-02-11

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Mohammad Masudur Rahman, Md. Rashedur Rahman, Ashraful Islam, Saadia B Alam, M Ashraful Amin

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De "Visuele Rommel" in onze steden: Een digitale bezem voor de toekomst

Stel je voor dat je door een prachtige, rustige straat loopt. Maar plotseling word je overvallen door een chaos: overal hangen wirwar van elektriciteitskabels als een spinnenweb, reclameborden schreeuwen om je aandacht, de stoep ligt vol met afval en de muren zitten vol met graffiti. Je voelt je onbewust onrustig, gestrest of zelfs een beetje moe.

Dat gevoel? Dat is Urban Visual Pollution (UVP), oftewel stedelijke visuele vervuiling. Het is niet zoals luchtvervuiling die je longen beschadigt, maar het is een soort 'vervuiling voor je ogen' die je mentale rust en het plezier in je stad wegneemt.

Het probleem: De stad is een rommelige kamer

De onderzoekers van de Independent University in Bangladesh hebben ontdekt dat we momenteel een groot probleem hebben: we weten wel dat de visuele rommel er is, maar we hebben geen goede manier om het systematisch op te ruimen.

Het is alsof je een kamer probeert schoon te maken in het donker. Je weet dat er troep ligt, maar je ziet niet precies wat het is (is het een sok of een kapotte vaas?), waar het precies ligt, en hoe erg de rommel is. Tot nu toe moesten mensen met een klembord door de stad lopen om dit handmatig te noteren. Dat is traag, foutgevoelig en je kunt niet de hele stad tegelijk in de gaten houden.

De oplossing: Een digitale 'super-bril' (Deep Learning)

De onderzoekers stellen voor om Deep Learning te gebruiken. Zie dit als een soort super-intelligente digitale bril die de stad constant kan scannen.

In plaats van een mens die naar een foto kijkt, gebruiken we computersystemen (zoals de bekende 'YOLO'-technologie) die razendsnel beelden kunnen herkennen. Deze digitale bril kan in een fractie van een seconde zeggen: "Hé, dat is een illegaal reclamebord!" of "Kijk, daar liggen stapels afval!"

Het plan: De "Visuele Vuilniswagen" van de toekomst

Het belangrijkste onderdeel van het onderzoek is een voorstel voor een nieuw systeem. Je kunt dit zien als een vijfstappenplan voor een digitale schoonmaakploeg:

De Ogen (Data): Camera's op straat, drones in de lucht en zelfs de smartphone van een burger sturen beelden naar het systeem.
De Herkenner (Detectie): De computer ziet direct de 'rommel' (kabels, afval, gaten in de weg).
De Scanner (Segmentatie): De computer kijkt niet alleen dat er troep ligt, maar meet ook precies hoe groot de rommel is (bijvoorbeeld: "de helft van dit plein is bedekt met afval").
De Classificatie: De computer bepaalt wat het is: is het een onschuldig reclamebord of een gevaarlijke wirwar van kabels?
De Scorekaart (De Visual Pollution Index): Dit is het geniale stukje. Het systeem geeft de stad een 'rommel-score' van 0 tot 100.
- Een score van 10? De straat is prachtig, niks aan de hand.
- Een score van 90? De straat is een visuele chaos en de gemeente moet direct actie ondernemen.

Waarom is dit belangrijk? (Meer dan alleen een mooi plaatje)

Dit gaat niet alleen over esthetiek of "mooie plaatjes".

Mentale gezondheid: Een opgeruimde stad zorgt voor minder stress en een gelukkiger volk.
Gezondheid en veiligheid: Rommel zoals stilstaand water in afval kan bijvoorbeeld broedplaatsen zijn voor muggen (die ziektes verspreiden). Door de visuele rommel op te ruimen, bestrijden we indirect ook ziektes.
Slimme steden: Gemeentes kunnen hun budget veel slimmer gebruiken. In plaats van willekeurig rond te rijden, sturen ze de schoonmaakploeg precies naar de plekken waar de 'rommel-score' het hoogst is.

Kortom: De onderzoekers willen de stad een digitale 'resetknop' geven, zodat we met behulp van slimme computers onze steden weer kunnen laten ademen en genieten.

Technische Samenvatting: Deep Learning voor Stedelijke Visuele Vervuiling

1. Probleemstelling (The Problem)

Stedelijke visuele vervuiling (Urban Visual Pollution, UVP) wordt gedefinieerd als de aanwezigheid van ongeorganiseerde of intrusieve elementen (zoals chaotische reclameborden, overmatige bebording, zwerfvuil en wirwar van bovengrondse kabels) die de esthetische balans van een stad verstoren. Hoewel UVP geen directe fysieke schade aanricht, heeft het significante psychologische gevolgen, zoals cognitieve stress en verminderd welzijn bij burgers.

De huidige methoden om UVP te monitoren zijn grotendeels kwalitatief, subjectief en handmatig, waardoor ze niet schaalbaar of consistent zijn. Bovendien is het bestaande onderzoek naar automatische detectie gefragmenteerd: studies richten zich vaak op slechts één type vervuiling of één specifieke geografische locatie, zonder een geïntegreerd systeem voor stadsbeheer.

2. Methodologie (Methodology)

Het onderzoek is opgebouwd uit twee hoofdonderdelen:

Scoping Review: De auteurs voerden een systematische literatuurstudie uit volgens de PRISMA-ScR richtlijnen. Ze doorzochten zeven academische databases (waaronder Scopus, IEEE Xplore en Web of Science). Van de 3.439 gevonden artikelen werden er uiteindelijk 26 geselecteerd op basis van strikte inclusiecriteria (focus op deep learning, peer-reviewed, Engelstalig en gericht op visuele vervuiling).
Framework Ontwerp: Op basis van de bevindingen uit de review stelden de auteurs een conceptueel, gelaagd raamwerk voor (het "Real-Time UVP Monitoring Framework") dat gebruikmaakt van geavanceerde computer vision-technieken.

3. Belangrijkste Bijdragen (Key Contributions)

Het artikel levert drie cruciale bijdragen aan het vakgebied:

Taxonomie van Visuele Vervuiling: De auteurs stellen een gestandaardiseerde classificatie voor, onderverdeeld in categorieën zoals structurele defecten, reclame/bebordering, nutsvoorzieningen (kabels), zwerfvuil, industrieel afval en graffiti.
Voorgesteld Monitoring Framework: Een vijflaags systeem:
1. Data-acquisitie: Multimodale input (CCTV, drones, smartphones).
2. Detectie: Gebruik van lichtgewicht modellen (zoals YOLOv8) voor real-time objectdetectie.
3. Segmentatie: Pixel-niveau analyse om de exacte omvang van de vervuiling te bepalen.
4. Classificatie: Toewijzen van menselijk begrijpelijke categorieën aan de gedetecteerde objecten.
5. Rapportage & Indexering: Omzetting van data naar bruikbare informatie.
Visual Pollution Index (VPI): De introductie van een wiskundige formule om de ernst van vervuiling te kwantificeren:
$VPI = 100 \times (\alpha D + \beta S + \gamma R) \times W$
(Waarbij $D$ =dichtheid, $S$ =oppervlakteverhouding, $R$ =terugkeringsfrequentie en $W$ =ruimtelijke contextgewicht).

4. Resultaten (Results)

De scoping review toonde aan dat:

De meeste huidige studies gebruikmaken van variaties van YOLO, Faster R-CNN en EfficientDet.
Er een groot tekort is aan gestandaardiseerde, geografisch diverse benchmark-datasets; veel datasets zijn beperkt tot specifieke regio's of specifieke afvaltypen.
Er een gebrek is aan integratie tussen detectie-algoritmen en daadwerkelijke real-time toepassingen voor stadsbeheer.
De meeste modellen momenteel gericht zijn op detectie, maar niet op de interpretatie van de ernst van de vervuiling.

5. Betekenis en Impact (Significance)

Dit werk is van groot belang voor de ontwikkeling van Smart Cities. De implementatie van het voorgestelde raamwerk kan:

Stadsplanning verbeteren: Beleidsmakers kunnen datagestuurd beslissingen nemen om de esthetische kwaliteit van steden te verhogen.
Volksgezondheid ondersteunen: Door het detecteren van zwerfvuil en stilstaand water (bijv. in containers) kan de verspreiding van ziekten zoals Dengue worden helpen voorkomen.
Efficiëntie verhogen: Het automatiseren van handhavingsprocessen (bijv. het opsporen van illegale reclame) bespaart middelen en tijd voor gemeenten.

Conclusie: Het artikel legt de fundering voor een verschuiving van reactief, handmatig beheer naar een proactief, AI-gestuurd systeem voor het behoud van de stedelijke leefomgeving.