| name | satellite-ai-vision |
| description | Herramientas de visión por satélite y computer vision para análisis de tráfico, terreno y detección de objetos con IA. |
| version | 1.0.0 |
| author | Mastermind (Ntizar) |
| tags | ["vision","satellite","computer-vision","detection"] |
Satellite AI & Computer Vision
Herramientas para análisis de tráfico satelital, visión por CCTV, terreno 3D y detección de objetos con IA.
1. DRISH-X (sparkyniner) ⭐228
Qué hace: Inteligencia de tráfico de carga desde imágenes satelitales Sentinel-2 gratuitas.
Tecnología: Python, FastAPI, Sentinel-2 (Copernicus)
Mecanismo único: El sensor Sentinel-2 registra RGB 1.01s aparte. Los vehículos en movimiento dejan un "smear" azul-verde-rojo distintivo. DrishX detecta esos smears, cuenta vehículos, estima velocidad y dirección.
Stack:
- Sentinel-2 → Copernicus Data Space (gratuito)
- FastAPI → API backend
- Python 3.10+
- Detección: spectral smear analysis
Casos de uso:
- Contar tráfico de camiones en cualquier autopista del mundo
- Analizar patrones de tráfico temporal
- Estimación de velocidad y dirección de vehículos
2. TrafficLab-3D (duy-phamduc68) ⭐311
Qué hace: Digital twin de tráfico a partir de vídeo CCTV mp4 + ubicación Google Maps.
Autor: Yuk (yuk068 / duy-phamduc68)
Estado: PoC experimental, monolítico, en proceso de refactorización a modular
Licencia: No especificada (contactar autor para contribuciones)
Input: Vídeo CCTV mp4 + coordenadas GPS de Google Maps
Output: Visualización 3D del tráfico en digital twin
Pipeline técnico detallado:
- CCTV footage (mp4) → YOLO para detección y tracking de vehículos (2D bounding boxes)
- Camera calibration → intrinsics + extrinsics de la cámara CCTV
- Homography → mapeo planar del plano de la carretera al plano de la imagen
- Projection mapping → proyectar los vehículos detectados sobre un modelo 3D
- Satellite imagery → imagen satelital como base georreferenciada
- 3D visualization → PyQt5 GUI con visualización del digital twin
Estructura de directorios por ubicación:
location/{location_code}/
footage/*.mp4 # vídeo CCTV
sat_{location_code}.png # imagen satelital
cctv_{location_code}.png # imagen crítica de referencia
G_projection_{location_code}.json # matriz de proyección
illustrator/ # assets opcionales Adobe Illustrator
Stack:
- Python + YOLO (detección de objetos)
- Camera calibration + homography (mapeo 2D→3D)
- Satellite imagery (base georreferenciada)
- PyQt5 (GUI)
- Projection mapping (integración 3D)
Temas/Topics:
3d-bbox, autonomous-driving, camera-calibration, cctv-analysis, computer-vision, digital-twin, geospatial-mapping, homography, intelligent-transportation, object-detection, object-tracking, projection-mapping, pyqt5-gui, satellite-imagery, smart-city, traffic-analysis, traffic-monitoring, urban-analytics, yolo
Recursos:
- Blog: yuk068.github.io/2026/02/20/traffilclab-3d-overview
- YouTube Demo: TrafficLab 3D v1.0 Demo
- YouTube Guide: TrafficLab 3D Guide
- Academic Report: Google Drive (en README)
Ideal para:
- Prototipos rápidos de digital twins sin infraestructura costosa
- Estudiantes/investigadores sin acceso a calibración profesional
- Integración con datos abiertos de flotas municipales (ej. Cantabria)
- Patrón clave: CCTV existente + geolocalización = digital twin funcional sin sensores IoT
Integración con GeoAsset:
Este patrón es directamente aplicable a la gestión de flotas municipales — cámaras de tráfico existentes + detección de vehículos = datos en tiempo real para el gemelo digital.
Referencias
references/cctv-to-digital-twin-pattern.md — Patrón CCTV→Digital Twin aplicado a GeoAsset
3. Boxer3D (Barath19) ⭐398
Qué hace: Detección 3D de objetos en AR para iPhone con LiDAR.
Tecnología: Swift, iOS, YOLO11n + BoxerNet (Meta) + ARKit + SceneKit
Pipeline:
- YOLO11n → detección 2D (top 3 boxes, 80 COCO classes)
- BoxerNet → lifting a 7-DoF 3D boxes (center, size, yaw)
- LiDAR depth → median depth per 16x16 patch
- ARKit → camera pose + intrinsics + gravity
- SceneKit → AR rendering de cajas 3D
Requisitos:
- iPhone 12 Pro+ (LiDAR requerido)
- iOS 16.0+
- ~450MB para modelos
4. AWS Terrarium DEM Downloader (orcunkok) ⭐8
Qué hace: Descarga tiles de elevación (DEM) del dataset AWS Terrain Tiles.
Tecnología: Python 3.7+, concurrent downloads
Features:
- Bounding box precision
- Zoom levels 0-15
- Concurrent downloads (multi-threaded)
- Data integrity verification
- tiles.json output compatible con MapLibre GL JS, Leaflet, Mapbox GL JS
Uso:
python download.py --bbox -3.7,40.4,-3.6,40.5 --zoom 12 --output ./tiles
5. City2Graph (c2g-dev) ⭐1212
Qué hace: Librería Python para convertir datasets geoespaciales en grafos para GNNs.
Tecnología: Python, GeoPandas, NetworkX, PyTorch Geometric
Dominios: streets, transportations, OD matrices, POI proximities
Instalación: pip install city2graph o conda install -c conda-forge city2graph
Casos de uso:
- Graph Neural Networks para datos geoespaciales
- Análisis de redes de transporte
- Proximidad de POIs
- Matrices OD (origen-destino)
Patrones Comunes
- Satellite → Ground: DRISH-X usa datos satelitales para inferir tráfico terrestre
- CCTV → 3D: TrafficLab convierte vídeo 2D en visualización 3D
- Mobile LiDAR → 3D AR: Boxer3D usa LiDAR del iPhone para detección 3D en AR
- DEM → Mapping: AWS DEM downloader para datos de elevación en proyectos de mapeo
Integración con Mastermind
- Para análisis de tráfico: combinar DRISH-X (satélite) + TrafficLab-3D (CCTV)
- Para proyectos de mapeo: usar AWS DEM + City2Graph para grafos geoespaciales
- Para AR/3D: Boxer3D como referencia de lifting 2D→3D con LiDAR
