בכתבה
האם אפשר להפוך צילום רחפן של גג רעפים לשרטוט גיאומטרי שימושי לתכנון מערכת סולארית?
אחת המשימות שעדיין דורשות עבודה ידנית משמעותית בתכנון מערכות סולאריות על גגות היא הבנת הגיאומטריה של הגג.
בגג שטוח המשימה יחסית פשוטה. בגג רעפים משופע, המציאות מורכבת הרבה יותר.
הגג עשוי לכלול מספר מישורים בזוויות שונות, רכסים, שפות גג, קווי מפגש בין שיפועים, עמקים, שינויי גובה, ארובות, דודי שמש, קולטים, חלונות גג, עצים שמסתירים חלק מהמבנה ואלמנטים נוספים שמשפיעים על השטח הזמין להתקנה.
ב־Skylens אנחנו מפתחים סוכן מרחבי שמנסה להפוך את התהליך הזה מתהליך שרטוט ידני לתהליך מבוסס נתוני תלת־ממד.
המטרה אינה רק "לזהות שיש כאן גג".
המטרה היא להבין איך הגג בנוי.
הבעיה: תמונה של גג אינה גיאומטריה של גג
מודלי Vision ו־Segmentation מסוגלים כיום לזהות בצורה טובה יחסית את האזור בתמונה ששייך לגג.
אבל עבור תכנון סולארי זה לא מספיק.
אנחנו רוצים להגיע למבנה כמו:
Building → Roof → Roof Planes → Structural Lines → Measurements
כלומר, לזהות לא רק את קונטור הגג אלא את המרכיבים הגיאומטריים שלו:
- מישורי הגג השונים
- קו הרכס
- קווי Hip
- קווי Valley
- שפות הגג
- נקודות מפגש
- שיפוע וכיוון של כל משטח
- שטח כל משטח
- גובה יחסי ומוחלט
- מכשולים ואלמנטים הנמצאים על הגג
ההבחנה הזאת חשובה גם במודל הנתונים של Skylens: גבול הגג הנראה (roof_outline) אינו בהכרח זהה ל־footprint של המבנה על הקרקע.
במקום להסתכל רק על פיקסלים — אנחנו מסתכלים על הגיאומטריה
הגישה שאנחנו בוחנים מבוססת קודם כול על המידע התלת־ממדי שמתקבל מצילום הרחפן.
תהליך העבודה מתחיל ב־Reality Model של המבנה — לדוגמה ענן נקודות, מודל פוטוגרמטרי, DSM ותמונות הרחפן המקוריות.
לאחר בידוד המבנה, הסוכן מנתח את נקודות הגג ומחשב לכל אזור את הכיוון שלו במרחב.
מכאן מתקבלת שרשרת עבודה:
Point Cloud → Surface Normals → Region Growing → Plane Fitting → Plane Merging → Plane Intersections → Roof Topology
במילים פשוטות:
במקום לשאול את ה־AI רק "איפה הגג בתמונה?", אנחנו מנסים לגרום למערכת להבין:
אילו נקודות שייכות לאותו משטח פיזי של הגג?
שלב 1: זיהוי המישורים
לכל נקודה בענן ניתן להעריך Normal — וקטור שמתאר את הכיוון של המשטח המקומי.
בגג רעפים, אלפי נקודות שנמצאות על אותו שיפוע אמורות להציג כיוון דומה.
באמצעות שילוב של:
Normal similarity + Height + Spatial connectivity
ניתן לקבץ נקודות למועמדים למישורי גג.
לאחר מכן מתבצע Plane Fitting שמנסה להתאים משטח מתמטי לכל קבוצה.
במקום ענן המכיל מיליוני נקודות, אנחנו מתחילים לקבל ייצוג סמנטי הרבה יותר פשוט:
Roof Plane A שטח, שיפוע, כיוון וגובה.
Roof Plane B שטח, שיפוע, כיוון וגובה.
Roof Plane C שטח, שיפוע, כיוון וגובה.
וכן הלאה.
שלב 2: מהמישורים לקווים של הגג
כאשר שני מישורים סמוכים נפגשים, החיתוך המתמטי ביניהם מייצר קו.
הקו הזה הוא כבר מועמד לאלמנט אמיתי בגג.
בהתאם לכיוון המישורים והטופולוגיה שלהם, ניתן לנסות לסווג אותו כ:
Ridge / Hip / Valley / Eave / Boundary
זה שינוי משמעותי בגישה.
במקום לנסות לחלץ קווים מתמונה דו־ממדית, אנחנו יכולים לייצר חלק מהקווים מתוך המפגש בין משטחים תלת־ממדיים שנמדדו.
שלב 3: בניית Roof Graph
המטרה הסופית היא לא אוסף קווים בלתי תלויים.
אנחנו רוצים ליצור מודל טופולוגי של הגג.
לדוגמה:
Roof 01
Plane A מחובר ל־Plane B דרך Ridge.
Plane B מחובר ל־Plane C דרך Hip.
Plane C מסתיים ב־Eave.
כך הגג הופך לגרף של משטחים וקשרים ביניהם.
ב־Skylens אנחנו מפתחים את המערכת בגישת Entity-first: אובייקטים מקבלים זהות יציבה, גיאומטריה, Evidence וקשרים מרחביים — במקום להישאר רק כקבצים או מסכות AI חד־פעמיות.
ומה לגבי פאנלים סולאריים?
כאן החיבור לתעשייה הסולארית נהיה מעניין במיוחד.
לאחר שהמערכת מבינה את מישורי הגג, ניתן לחבר שכבת זיהוי נוספת עבור מערכות קיימות ואלמנטים על הגג.
Skylens כבר מגדירה Solar Array כישות נפרדת, שניתן לקשר למבנה ולמשטח הגג שעליו היא נמצאת. עבור מערך סולארי ניתן לשמור שטח, Azimuth, הערכת Tilt, יחס כיסוי של הגג והערכת מספר מודולים כאשר איכות המקור מאפשרת זאת.
מכאן אפשר לדמיין תהליך שבו צילום אחד של האתר מספק בסיס ל:
Roof Geometry + Existing Solar Arrays + Obstacles + Available Roof Areas
ומכאן לתכנון.
למה זה יכול להיות משמעותי לחברות סולאריות?
בתהליך המסורתי, חלק מהמידע הדרוש לתכנון גג נאסף ומוזן ידנית.
המטרה של הסוכן היא לצמצם את החלק הזה.
במקום להתחיל משרטוט ריק, המתכנן יוכל לקבל Roof Draft שנוצר אוטומטית מהמדידה:
- גבולות הגג
- חלוקה למישורים
- שטח כל מישור
- שיפוע
- Azimuth
- גובה
- קווי Ridge / Hip / Valley
- אלמנטים קיימים על הגג
- Evidence שממנו חושבה הגיאומטריה
המתכנן לא חייב לסמוך בצורה עיוורת על AI.
הוא מקבל מודל ראשוני, בודק אותו, מתקן במידת הצורך ומאשר אותו.
זה עיקרון חשוב בארכיטקטורה שלנו: תוצר AI הוא Draft שניתן לבדיקה ולעריכה, ורק לאחר Review הוא הופך למידע מאושר.
Human in the Loop — לא להחליף את המתכנן
אנחנו לא מנסים להציג את המערכת כתחליף למהנדס, למודד או למתכנן הסולארי.
המטרה היא אחרת:
לתת לאיש המקצוע נקודת פתיחה הרבה יותר טובה.
במקום לשרטט את כל הגג מחדש, הוא מקבל הצעה המבוססת על המדידה התלת־ממדית ויכול:
לאשר משטח, להזיז קו, לפצל משטח, לחבר משטחים, למחוק זיהוי שגוי או להוסיף אלמנט שהמערכת פספסה.
וכל תיקון כזה יכול להפוך בעתיד לדוגמה איכותית יותר לאימון המערכת — כאשר רק תוצרים שנבדקו ואושרו משמשים כ־trusted labels.
היעד: Roof Intelligence ולא רק Roof Detection
מבחינתנו, זיהוי גגות הוא רק השלב הראשון.
היעד הוא להגיע למצב שבו לכל גג במערכת קיים מודל שאפשר לשאול עליו שאלות:
מה שטח המישור הדרומי?
מה השיפוע שלו?
מה ה־Azimuth?
כמה מהשטח תפוס כבר בפאנלים?
אילו אזורים בגג פנויים?
איפה נמצאים הרכסים והמכשולים?
מה השתנה בגג מאז הצילום הקודם?
וכאשר אותו מבנה מצולם שוב בעתיד, ניתן לשמור את הזהות שלו ולהשוות בין גרסאות לאורך זמן.
איפה אנחנו נמצאים היום?
המערכת נמצאת בתהליך פיתוח ובדיקת האלגוריתמיקה על גגות אמיתיים.
כבר עברנו מהניסיון הפשוט של "Segment Roof → Convert Mask to Polygon" לגישה שבה הגיאומטריה התלת־ממדית היא מקור המדידה המרכזי, והתמונה משמשת בעיקר לסיווג, Evidence ואימות.
האתגר שאנחנו עובדים עליו עכשיו הוא להפוך את אוסף המישורים והקווים למודל גג טופולוגי יציב, מדיד וקל לתיקון.
המבחן מבחינתנו אינו האם האלגוריתם נראה טוב בתמונה.
המבחן הוא האם התוצר חוסך זמן אמיתי בתהליך מקצועי.
מחפשים שותף לפיילוט
אנחנו מחפשים כעת חברה מהתחום הסולארי שתהיה מוכנה לבחון איתנו את התהליך על מספר גגות אמיתיים.
בפיילוט נרצה לקחת פרויקטים שבהם קיימים גם נתוני צילום וגם תכנון שבוצע בפועל, ולהשוות בין התוצר של Skylens לבין העבודה המקצועית הקיימת.
נבחן בין היתר:
דיוק גיאומטרי — עד כמה הקווים והמישורים תואמים למדידה.
דיוק שטחים — ההפרש בשטחי הגג והמישורים.
דיוק שיפוע וכיוון — Tilt ו־Azimuth.
שלמות — כמה מהמישורים והקווים האמיתיים זוהו.
זמן תיקון — כמה זמן נדרש למתכנן להפוך את תוצר ה־AI לתוצר מאושר.
חיסכון בזמן — השוואה בין עבודה מאפס לבין Review של Roof Draft אוטומטי.
היעד אינו להוכיח שה־AI יכול לצייר גג יפה.
היעד הוא לבדוק שאלה עסקית הרבה יותר פשוטה:
האם ניתן להפוך צילום רחפן ל־Roof Draft אמין שמקצר באופן משמעותי את הדרך מגג קיים לתכנון סולארי?
אם התשובה תהיה כן — ניתן יהיה להפוך תהליך שכיום דורש שילוב של צילום, מדידה ושרטוט ידני ל־workflow מרחבי שבו חלק גדול מהעבודה הראשונית מתבצע אוטומטית, ואיש המקצוע נשאר בנקודת הבקרה והאישור.
Skylens — Turning captured reality into structured spatial intelligence.
שאלות נפוצות
האם המערכת כבר מפיקה תכנון סולארי מאושר?
לא. הסוכן נמצא בפיתוח ובבדיקות. היעד הוא טיוטת גג המבוססת על ראיות, שנבדקת ומתוקנת בידי איש מקצוע לפני אישור.
האם תמונת רחפן אחת מספיקה למדידה?
התהליך המתואר נשען על שחזור תלת־ממדי ועל תמונות מקור מתאימות. צילום בודד אינו כשלעצמו בסיס לאימות שטחים, שיפועים או גבהים.
מה בודקים בפיילוט?
משווים לפרויקט מקצועי קיים את הגיאומטריה, השטחים, השיפוע והכיוון, שלמות הזיהוי וזמן התיקון והעבודה. לא מוצגים כאן נתוני דיוק או חיסכון שכבר אומתו.
להמשך קריאה ולהצטרפות לפיילוט
מסכת AI עדיין אינה ישות של מבנה · Skylens Viewer · מיפוי ומודלים תלת־ממדיים.
מעוניינים לבחון את התהליך על גגות אמיתיים? פנו אלינו לגבי פיילוט סולארי.