Gemeenten, woningcorporaties en commerciële vastgoedbeheerders inspecteren elk jaar een deel van hun portefeuille voor het actualiseren van de meerjarenonderhoudsbegroting. Dat is telkens een arbeidsintensief proces met mogelijk subjectieve beoordelingen, ondanks de beschikbaarheid van een objectieve norm voor conditiemetingen. De komende jaren kunnen beeldherkenning, sensoren en machine learning vastgoedbeheerders helpen de inspectiekosten en subjectiviteit aanzienlijk te reduceren.
In Nederland wordt jaarlijks gemiddeld zo’n 1.500 euro per woning geïnvesteerd in het onderhoud van circa 2,5 miljoen sociale huurwoningen. Die investeringen worden begroot en gepland op basis van periodieke conditiemetingen door bouwkundige inspecteurs. Vooral corporaties die duizenden en zelfs tienduizenden woningen bezitten, kunnen de benodigde tijd en kosten voor inspecties aanzienlijk reduceren door gebruik te maken van innovaties op automatiseringsgebied. Behalve de kans om meer geld over te houden voor investeringen in onderhoud en verduurzaming, biedt het digitaliseren en automatiseren van inspecties tevens de kans om het inspectieproces objectiever en uniformer te maken.
De afgelopen jaren hebben bedrijven als Cyclomedia en Google in bijna alle straten van Nederland hoge resolutie beeldopnames gemaakt voor onder andere navigatiesystemen. Tegelijkertijd zijn de technieken voor automatische beeldherkenning en -analyse verbeterd. Door deze ontwikkelingen te combineren wordt het mogelijk om de onderhoudsconditie en gebreken van gebouwonderdelen softwarematig te beoordelen op basis van hoge resolutie foto’s. Een aantal gemeenten en corporaties heeft tijdens eerder uitgevoerde inspecties zelf al goede foto's van hun woningen gemaakt. Zij hebben dan al een deel van de benodigde beelden beschikbaar om het inspectieproces verder te digitaliseren en te automatiseren.
Computers en software zijn nu al beter in staat beelden te herkennen en te analyseren dan mensen. Dat kunnen ze ook objectiever en efficiënter. Voor het automatiseren van vastgoedinspecties moet de betreffende applicatie eerst nog worden getraind via machine learning. Machine learning is een onderdeel van kunstmatige intelligentie waarbij speciaal ontwikkelde algoritmes een softwareprogramma leren om bepaalde objecten te herkennen. Bijvoorbeeld een deur, kozijn, dakgoot etc. van woningen. Maar ook de onderhoudsstatus en vaak voorkomende gebreken van die gebouwonderdelen. Net als mensen met veel kennis en ervaring wordt die software na verloop van tijd natuurlijk steeds beter.
Behalve slimme software zijn voor het automatisch monitoren van de onderhoudsstatus van woningen en andere gebouwen ook sensoren nodig. Deze worden alsmaar kleiner en goedkoper, waardoor ze binnenkort tevens te gebruiken zijn voor het detecteren van de conditie en degradatie van laklagen van kozijnen en deuren. Omdat het jaarlijks benodigde onderhoud aan woningen voor bijna 70% uit schilderwerk bestaat, kunnen die sensoren straks een belangrijk deel van de benodigde inspectie-informatie leveren. De portefeuille van corporaties bestaat vaak uit rijen vergelijkbare woningtypes, waardoor maar op een klein aantal woningen sensoren nodig zijn om een groot deel van het bezit op afstand te kunnen ‘monitoren’.
Een andere ICT-ontwikkeling die gaat bijdragen aan het automatiseren en digitaliseren van gebouwinspecties, is de beschikbaarheid van zogenaamde cognitieve services. Dat zijn slimme algoritmes (artificial intelligence) om aan eigen bedrijfsapplicaties toe te voegen, voor onder andere het automatisch herkennen, identificeren en indexeren van foto’s. Cognitieve services leren en verbeteren zichzelf op basis van meer data, zoals van de al beschreven sensoren. Door eigen sensordata over de onderhoudsstatus van woningen te combineren met beschikbare omgevingsdata, zoals de invloeden van het weer en fijnstof, kunnen vastgoedbeheerders de komende jaren steeds nauwkeuriger begroten en plannen.