satellite-ai-vision

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:

1. CCTV footage (mp4) → YOLO para detección y tracking de vehículos (2D bounding boxes)
2. Camera calibration → intrinsics + extrinsics de la cámara CCTV
3. Homography → mapeo planar del plano de la carretera al plano de la imagen
4. Projection mapping → proyectar los vehículos detectados sobre un modelo 3D
5. Satellite imagery → imagen satelital como base georreferenciada
6. 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:

1. YOLO11n → detección 2D (top 3 boxes, 80 COCO classes)
2. BoxerNet → lifting a 7-DoF 3D boxes (center, size, yaw)
3. LiDAR depth → median depth per 16x16 patch
4. ARKit → camera pose + intrinsics + gravity
5. 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

1. Satellite → Ground: DRISH-X usa datos satelitales para inferir tráfico terrestre
2. CCTV → 3D: TrafficLab convierte vídeo 2D en visualización 3D
3. Mobile LiDAR → 3D AR: Boxer3D usa LiDAR del iPhone para detección 3D en AR
4. 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