Bouwplaatsen zijn belangrijke bronnen van lokale luchtvervuiling, vooral door de inzet van zware dieselvoertuigen. Het monitoren van die vervuiling is vaak kostbaar en technisch complex. Dit onderzoek verkent of bestaande beveiligingscamera’s op bouwplaatsen — die beelden opnemen met tussenpozen van vijf minuten — kunnen worden ingezet om activiteiten van bouwvoertuigen te detecteren en zo indirect de luchtkwaliteit te monitoren.
Aanpak
Er is een driestaps machine learning-pijplijn ontwikkeld:
- Detectie van voertuigen met een geavanceerd YOLOv9-model op camerabeelden.
- Classificatie van voertuigactiviteit (stilstaand, werkend, rijdend) via twee methoden: een support vector machine (SVM) en een deep learning-model gebaseerd op een Vision Transformer (ViT).
- Statistische analyse (lineaire regressie) van de relatie tussen gedetecteerde voertuigactiviteiten en luchtkwaliteitsmetingen (o.a. NO₂, CO₂, PM).
De modellen zijn getraind en gevalideerd op data van een Amsterdamse bouwplaats en ondersteund met externe datasets (ACID & MOCS). De luchtkwaliteitsdata zijn synchroon met de camerabeelden gemeten.
Resultaten
- Detectie: Het YOLOv9-model behaalde uitstekende prestaties na fine-tuning (mAP50 van 95,3%).
- Activiteitsclassificatie: De ViT-methode presteerde beter dan de SVM, met een nauwkeurigheid van 87,1% versus 82,1%. Vooral het herkennen van werkende voertuigen werd hiermee sterk verbeterd.
- Luchtkwaliteit: Er werden enkele significante correlaties gevonden, bijvoorbeeld tussen werkende vrachtwagens en verhoogde PM-waarden. Toch verklaarden de modellen maar een beperkt deel van de variatie in luchtkwaliteit (R² < 0,5), wat wijst op invloed van externe factoren zoals weersomstandigheden of achtergrondvervuiling.
Conclusies en aanbevelingen
Dit onderzoek laat zien dat bestaande beveiligingscamera’s, zelfs met een lage beeldfrequentie, effectief kunnen worden ingezet voor het automatisch detecteren en classificeren van bouwvoertuigactiviteiten. Daarmee wordt een laagdrempelige en schaalbare methode geboden om inzicht te krijgen in de milieu-impact van bouwplaatsen. Hoewel er enkele statistisch significante verbanden zijn aangetoond tussen voertuigactiviteit en luchtvervuiling, blijkt uit de beperkte verklaarde variantie dat andere externe factoren — zoals weersomstandigheden of achtergrondvervuiling — eveneens een grote rol spelen. Om nauwkeurigere inschattingen van emissiebronnen mogelijk te maken, is het aan te bevelen om aanvullende databronnen, zoals meteorologische gegevens of achtergrondmetingen, te integreren. De voorgestelde methode biedt waardevolle kansen voor beleidsmakers, toezichthouders en bouwbedrijven om duurzamer te opereren en beter te voldoen aan milieuwetgeving, zonder afhankelijk te zijn van dure sensortechnologie. Hiermee draagt het bij aan een schonere, gezondere en transparanter beheerde stedelijke leefomgeving.
Volledige publicatie
Klik hier om meer te lezen over het onderzoek via Universiteit Twente.
Mede mogelijk gemaakt door
Dit onderzoek is uitgevoerd vanuit het programma ECOLOGIC van Universiteit Twente over de optimalisatie van bouwlogistiek. De projectpartners zijn Dura Vermeer, BauWatch, Datacadabra, CAPE Groep, Aannemingsmaatschappij Hegeman-Nijverdal en Pioneering. Lees meer over ECOLOGIC.
