Zwerfafvaldetectie met scanauto's (Rotterdam)

Het probleem

Rotterdam wil stadsbreed gemiddeld 90% B-schoonniveau halen volgens de CROW-systematiek (Q1 2025: 90,26%). Tot voor kort waren reinigingsroutes vooral gebaseerd op vaste rondes of reactief op burgermeldingen, niet op data over waar het werkelijk vies is. Tegelijk speelt: beelden van openbaar gebied moeten voldoen aan GDPR.

De aanpak

De bestaande scanauto's van Rotterdam (rood-wit, oorspronkelijk voor parkeerhandhaving via ANPR) hebben elk twaalf camera's. Voor zwerfafvaldetectie wordt dezelfde voertuigvloot voorzien van extra AI-software. Onderdeel van het bredere ORBS-initiatief, Openbare Ruimte Beeldherkenning Service, geleid door Amsterdam, met Utrecht, VNG, UU en HU.

Pipeline:

1. Image capture, camera's leggen continu beelden vast tijdens normale routes (parkeercontrole, wijkbeheer)
2. Privacy preprocessing, automatische face/plate blur (YOLO/RetinaFace-stijl) vóór opslag. Geen ruwe beelden ergens
3. Object detection, CNN (YOLO-familie) op afval-categorieën: zakken, blikjes, peuken, lachgaspatronen, naastplaatsingen bij containers
4. Geo-tagging, elke detectie krijgt GPS uit het voertuig
5. Aggregatie naar heatmap, binning op straat-/buurt-niveau, dichtheidsgewogen, gevisualiseerd groen → rood
6. Dekkingscorrectie, heatmap toont ook welke straten al wel/niet bereden zijn (anders krijg je vertekening: "dit is schoon" vs "hier is nog niemand geweest")
7. Planning-dashboard, gebruikt door planners om reinigingsroutes te optimaliseren

Wat het opleverde

Detectie-pipeline operationeel op de Rotterdam scanauto's; aggregatie naar heatmap voor datagedreven reinigingsroutes.

Wat ik specifiek deed

Eén van de ontwikkelaars in het Rotterdam-team. Bijgedragen aan de detection-pipeline en de aggregatie naar bruikbare planning-output. Verder TODO, specifieke focus binnen het team afstemmen.

Wat ik ervan heb meegenomen

De basis-detectie is geen rocket science meer in 2024, pre-trained CNNs op COCO + fine-tuning. Het echte werk zit elders:

• Class imbalance: sigarettenpeuken zijn klein en talrijk, koelkasten groot en zeldzaam. Hoe label je? Hoe weeg je? In de praktijk: aparte modellen of categorieën met aparte drempels.
• Domain shift: een model getraind in zomer presteert slechter in herfst (bladval lijkt op afval). Antea en UrbanVue publiceren hier expliciet over.
• Privacy by design: GDPR-compliance is hier geen bijzaak maar kern-vereiste. Beelden geanonimiseerd vóór opslag, geen boetes op basis van deze beelden (in tegenstelling tot de parkeerscan).
• Validatie tegen CROW: Rotterdam gebruikt al jaren beeldmeetlatten voor schoonniveau. De AI-aanpak moet daarmee correleren om geaccepteerd te worden door operationele planners, een interessant validatieprobleem.

Bronnen

• Algoritmeregister Rotterdam
• Nota Samen SchoonR Actieplan 2025
• ORBS-project (digitaleoverheid.nl)
• Object Detection Kit (ODK)
• TU Delft paper "Contestable Camera Cars" (2023): arxiv.org/pdf/2302.04603

Gerelateerd

• Private GenAI-chatbot bij Gemeente Rotterdam, andere Rotterdam-opdracht in dezelfde periode
• Groene daken in kaart bij Gemeente Rotterdam, andere vision-AI bij Rotterdam
• Skills: Computer vision, Geospatial analyse