Elk tactisch hoofdkwartier draait op SITREP's — situatierapporten die observaties van pelotonsniveau opwaarts samenvoegen tot een coherent beeld van wat er op het slagveld gebeurt. Het probleem is dat een groot deel van die SITREP's nog steeds arriveert als handgetekende schetsen op papier, gefotografeerde kaarten, geannoteerde satellietafdrukken of gescande formulieren. Voordat enige informatie het digitale gemeenschappelijke operatiebeeld (COP) bereikt, gaat het via een menselijke operator die het document leest, elke tactische entiteit identificeert, rasterreferenties transcribeert en de eenheid of dreiging handmatig op een scherm plot. Die handmatige herinvoerstap is het knelpunt, en het is een van de doelwitten met de hoogste hefboomwerking voor AI-visie in militaire operaties vandaag.

Dit artikel beschrijft de volledige technische pijplijn voor het automatiseren van SITREP-verwerking met AI-visie: van beeldopname en voorverwerking via entiteitsextractie, coördinatenparsing, NATO-symboolgevolgtrekking en CoT-berichtgeneratie voor TAK-plaatsing. Het behandelt waar de pijplijn autonoom kan werken, waar menselijke bevestiging vereist is, hoe het integreert met CloudTAK via TAKpilot, en wat nodig is om het op edge-hardware in ontkoppelde omgevingen te draaien.

Het knelpunt bij SITREP-verwerking

Een veld-SITREP die aankomt bij een bataljonoperatiecentrum neemt doorgaans een van meerdere fysieke vormen aan: een handgetekende schets op een rasteroverlayvellen, een foto van een kaart met annotaties geschreven in wasvet of marker, een gescand of gefotografeerd voorgedrukt formulier met handmatig ingevulde velden, of — steeds vaker — een foto genomen door een soldaat op een smartphone en verzonden via een berichtenapp. Elk hiervan vereist dat de ontvangende operator dezelfde dingen doet: het roepletterteken van de rapporterende eenheid identificeren, de rasterreferenties vinden voor elke waargenomen entiteit, bepalen welk type entiteit het is (bevriend, vijandelijk, onbekend; voertuigtype, troepconcentratie, obstakel, vuurpositie) en dat alles invoeren in het digitale COP.

Onder rustige omstandigheden duurt dit proces 3–8 minuten per SITREP. Onder stress, 's nachts of tijdens operaties met hoog tempo waarbij tientallen SITREP's per uur kunnen binnenkomen, wordt het een knelpunt dat gevaarlijke veroudering introduceert in het tactische beeld. AI-visiemodellen pakken dit knelpunt aan door de transcriptiestap te automatiseren — waardoor de rol van de operator verschuift van transcribent naar reviewer.

Visiemodellenijplijn: van opname naar gestructureerde extractie

De pijplijn begint met beeldopname (JPEG, PNG, PDF). Voorverwerking past toe: de-skew (Hough-lijndetectie, ±15°); adaptieve binarisatie (Sauvola) voor ongelijkmatige verlichting; CLAHE om potloodmarkeringen te herstellen; morfologische ruisverwijdering; en layoutanalyse om tekst-, symbool- en rasterzones te segmenteren voordat elk naar het juiste model wordt gerouteerd.

Kerninsicht: Layoutanalyse is de meest impactvolle voorverwerkingsstap — het routeren van tekst- versus symboolregio's naar afzonderlijke modellen elimineert een klasse fouten die stroomafwaarts niet gecorrigeerd kunnen worden.

Coördinaatextractie: MGRS, UTM en relatieve posities

OCR-tokens worden gevalideerd tegen MGRS-formaatpatronen (GZD + 100 km-vierkant + gelijkciferdig oost/noord-paar). Gedeeltelijke overeenkomsten gaan naar een fuzzy-correctiemodule (Levenshtein-afstand ten opzichte van een theaterspecifieke opzoektabel). UTM-referenties worden afgehandeld via een parallel pad. Relatieve referenties ("400 m NO van controlepunt BRAVO") gebruiken een VLM chain-of-thought-prompt of regelgebaseerde parser om WGS-84-coördinaten af te leiden met opgeblazen CE (100–500 m), weergegeven als een onzekerheidsring in TAK.

NATO-symbologiegevolgtrekking: handgetekende symbolen koppelen aan MIL-STD-2525C

Een hiërarchische CNN-classificator getraind op gedegradeerde synthetische APP-6/MIL-STD-2525C-weergaven produceert gerangschikte SIDC-kandidaten. Kandidaten boven 0,80 vertrouwen worden automatisch geaccepteerd; onder de drempel selecteert de operator uit de top-3 via een één-tikinterface. Dubbelzinnige symbolen (top-3 softmax-spreiding onder 0,15) vereisen altijd bevestiging.

CoT-berichtgeneratie: van entiteiten naar TAK-plaatsing

Geëxtraheerde entiteiten worden verpakt als Cursor-on-Target XML-gebeurtenissen (uid, CoT-type van SIDC, tijdstempels, WGS-84-punt met CE/LE) en geleverd aan de TAK-server via TCP of UDP-multicast. ATAK-, WinTAK-, iTAK- en CloudTAK-clients renderen entiteiten onmiddellijk op de kaart bij ontvangst.

TAKpilot-implementatie: visiepijplijn geïntegreerd met CloudTAK

TAKpilot draait de volledige visiepijplijn (8–20 s per document) en presenteert resultaten als een bevestigingskaart met inline bewerking. De operator keurt goed en TAKpilot pusht het CoT-bundel naar CloudTAK. De interface is geoptimaliseerd voor tabletgebruik in veldcondities.

Nauwkeurigheid en betrouwbaarheidsscore

De betrouwbaarheid van rasterreferenties combineert OCR-tekenscores, bewerkingsafstand van geldig MGRS en ruimtelijke plausibiliteit. Boven 0,92: automatisch plaatsen. Onder 0,85 (symbool) of buiten theater: bevestigen. Symboolclassificator bereikt 87% top-1-nauwkeurigheid boven de drempel van 0,80. Dubbelzinnige symbolen vereisen altijd menselijke bevestiging.

Operationele noot: TAKpilot biedt drempelwaarden voor automatisch plaatsen als een per-sessie instelling — lager voor fasen met hoog tempo, hoger wanneer COP-nauwkeurigheid van het grootste belang is.

Edge-implementatie: Jetson, alleen-CPU-knooppunten en ontkoppelde werking

Jetson AGX Orin draait LLaVA-1.6 INT4 + TensorRT-symboolclassificator op 8–15 s per SITREP volledig air-gapped, co-locatie met CloudTAK. Alleen-CPU-knooppunten gebruiken PaddleOCR + MobileNetV3 INT8 op 3–6 s op een laptop. Ondertekende modelupdates met rollback worden geleverd via het TAKpilot-beheerkanaal. De pijplijn schakelt transparant tussen cloud- en edge-modus.