Veranstaltungsprogramm

Eine Übersicht aller Sessions/Sitzungen dieser Tagung.
Bitte wählen Sie einen Ort oder ein Datum aus, um nur die betreffenden Sitzungen anzuzeigen.
Wählen Sie eine Sitzung aus, um die darin gehaltenen Vorträge anzuzeigen.

 
Nur Sitzungen am Veranstaltungsort 
 
 
Sitzungsübersicht
Sitzung
Urban Mobile Mapping
Zeit:
Donnerstag, 03.02.2022:
11:00 - 12:30

Chair der Sitzung: Ansgar Brunn, FHWS
Virtueller Veranstaltungsort: ZOOM-Meeting


Zeige Hilfe zu 'Vergrößern oder verkleinern Sie den Text der Zusammenfassung' an
Präsentationen

Generierung von thermischen Punktwolken von Gebäuden aus Infrarotbildsequenzen und MLS-PUnktwolken

Jingwei Zhu, Yusheng Xu, Ludwig Hoegner, Uwe Stilla

Technische Universität München, Deutschland

Es hat sich gezeigt, dass Gebäude einen großen Anteil am Gesamtenergieverbrauch haben, insbesondere im Winter. Thermische Punktwolken, die die Vorteile der thermischen Eigenschaften von thermischen Infrarotbildern und der präzisen geometrischen 3D-Informationen der LiDAR-Punktwolken nutzen, bieten uns eine neue Lösung für die Energiebewertung, die Erkennung und andere Aufgaben. Ziel dieses Berichts ist es, unsere Methode zur Erzeugung thermischer Punktwolken für Gebäude in städtischen Gebieten vorzustellen.
In dieser Publikationen schlagen wir ein Verfahren vor, um thermische Infrarotbildsequenzen und LiDAR-Punktwolken durch korrespondierte homologe Punkte zu koregistrieren und die thermischen Informationen auf die LiDAR-Punktwolke zu übertragen. Dabei ergeben sich einige Herausforderungen. LiDAR-Punktwolken und Thermalbilder unterscheiden sich deutlich in der Darstellung einer Szene. Daher kommen wir die Koregistrierung nur Strukturen in Frage, die sowohl geometrisch in der Laserpunktwolke als auch radiometrisch in Thermalbildern deutlich zu identifizieren sind. Durch die Montage auf einem Fahrzeug ergibt sich ein Sichtbarkeitsunterschied und unterschiedliche Verdeckungen zwischen der Laserpunktwolke und den Thermalbildern. Dabei geht es auch um die Auswahl des passenden Thermalbildes aus der Bildsequenz, in der ein Punkt der Punktwolke zu sehen ist. Die erzeugten thermischen Punktwolken zeigen die thermischen Eigenschaften von Gebäuden, z. B. innere Rohrleitungen, thermische Unterschiede zwischen Materialien. Durch die Verwendung dieser 3D-Darstellung von Gebäuden mit thermischen Informationen können Forscher und Ingenieure ihre Analysen und Entscheidungen für die Instandsetzung und Renovierung von Gebäuden optimieren.

Zhu-Generierung von thermischen Punktwolken von Gebäuden aus Infrarotbildsequenzen_b.pdf


Mobiles Laserscanning und Deep Learning zur automatischen Kartierung des Straßenzustandes im kommunalen Straßennetz

Maximilian Sesselmann1, Thorsten Naber1, Steffen Scheller1, Andreas Großmann2

1LEHMANN+PARTNER GmbH, Deutschland; 2Hochschule Konstanz Fakultät Bauingenieurwesen, Deutschland

Ausbau, Erhalt und Unterhalt der Straßeninfrastruktur sind wichtige Aufgaben für kommunale Baulastträger. Die Grundvoraussetzung für ein solides Erhaltungsmanagement ist eine möglichst detaillierte Kenntnis über den Straßenzustand. Aufgrund der zu analysierenden Datenmengen und der gleichzeitig hohen Ansprüche an die Analysequalität ist ein manuell-visueller Inspektionsprozess durch Expert:innen zeit-, personal- und kostenintensiv. Eine Automatisierung ist demnach wünschenswert.

Im Kontext automatisierter Datenauswertung sind künstliche neuronale Netzwerke und der Einsatz von Deep Learning Ansätzen mittlerweile Stand der Technik. In verschiedensten Anwendungsdomänen haben sie sich gegenüber klassischen maschinellen Lernverfahren als überlegen erwiesen. Im Bereich der Straßenzustandserfassung haben Eisenbach et al. (2017) und Stricker et al. (2021) die Leistungsfähigkeit tiefer neuronaler Netze zur Analyse von Kamerabilddaten ebenfalls erfolgreich demonstriert. Jedoch nutzen sowohl KI-unterstützte Ansätze als auch konventionelle manuelle Inspektionen im Rahmen der kommunalen Straßenzustandserfassung lediglich die im Kamerabild enthaltene radiometrische Information, die es ermöglicht, Straßenschäden auf Basis von Grauwert- bzw. Farbunterschieden zu detektieren und zu klassifizieren (Sesselmann et al., 2020). Die beispielsweise für ein Schlagloch oder einen Riss charakteristische 3D-Oberflächenmorphologie kann bei solchen Ansätzen nicht berücksichtigt werden. Mobile Laserscanning Systeme sind dagegen in der Lage, mithilfe von LiDAR Instrumenten digitale und direkt georeferenzierte Topographien von Fahrbahnoberflächen schnell, flächendeckend und hochpräzise zu erfassen (Reiterer et al., 2013). Wie bei Sesselmann et al. (2019) gezeigt, erlauben die mit dem Fraunhofer Pavement Profile Scanner erfassten Oberflächendaten eine automatisierte Analyse von Fahrbahnoberflächenschäden sowohl entlang radiometrischer als auch geometrischer Merkmale mit einem patch-basierten neuronalen Faltungsnetz.

Im vorliegenden Beitrag wird das Mobile Laserscanning System I.R.I.S und die für die Punktwolkenerzeugung relevante Sensorik beschrieben. Im Anschluss wird die Datengrundlage und das auf Deep Learning basierende semantische Segmentierungsverfahren erläutert. Abschließend werden die Untersuchungen und Ergebnisse dargestellt und interpretiert. Dabei liegt der Schwerpunkt auf den folgenden Aspekten: Einerseits wird anhand eines Prüfkörpers untersucht, bis zu welcher Öffnungsbreite Risse im Laserscan bei unterschiedlichen Erfassungsgeschwindigkeiten abgebildet werden können. Andererseits werden auf Basis eines umfangreichen Datensatzes Deep Learning Modelle trainiert und evaluiert, um zu eruieren, mit welcher Qualität eine vollautomatische Kartierung von Oberflächenschäden unter Nutzung des vorgestellten semantischen Segmentierungsansatzes möglich ist. Anhand einer Teststrecke wird demonstriert, dass mit dem Verfahren eine Inspektionsqualität auf menschlichem Expertenniveau erreicht werden kann.

Quellen

Eisenbach, M., Stricker, R., Seichter, D., Amende, K., Debes, K., Sesselmann, M., Ebersbach, D., Stöckert, U. & H.-M. Gross (2017). How to Get Pavement Distress Detection Ready for Deep Learning? A Systematic Approach. Int. Joint Conf. on Neural Networks, IEEE, pp. 2039-2047.

Reiterer, A., Dambacher, M., Maindorfer, I., Höfler, H., Ebersbach, D., Frey, C., Scheller, S. & D. Klose (2013). Straßenzustandsüberwachung in Sub-Millimeter. In: T. Luhmann (Ed.), Photogrammetrie, Laserscanning, optische 3D-Messtechnik: Beiträge der Oldenburger 3D‑Tage 2013, pp. 78-85.

Sesselmann, M., Stricker, R., Naber, T., Scheller, S. (2020). Automatische Detektion und objektscharfe Georeferenzierung von Fahrbahnschäden aus Bilddaten eines Mobile-Mapping-Systems mithilfe von Deep Learning. gis.Science, pp. 18-30.

Stricker, R., Aganian, D., Sesselmann, M., Seichter, D., Engelhardt, M., Spielhofer, R., Hahn, M., Hautz, A., Debes, K. & H.-M. Gross (2021). Road Surface Segmentation-Pixel-Perfect Distress and Object Detection for Road Assessment. 2021 IEEE 17th International Conference on Automation Science and Engineering (CASE), pp. 1789-1796.



Kombiniertes Trolley- und Fahrzeug-basiertes innerstädtisches Mapping in einer historischen Innenstadt

Ansgar Brunn, Valentin Wich

Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt

Aktuelle hochaufgelöste 3D-Geodaten aus Mobile Mapping werden zur Erfüllung kommunaler Aufgaben immer bedeutsamer. Der Einsatz von Mobile Mapping Systemen ist für Großstädte regelmäßige Praxis. Kleinere urbane Strukturen (z.B. Kleinstädte, Dörfer) entdecken jetzt nach und nach das Potential der regelmäßigen 3D-Erfassung. Vielerorts findet man historische Innenstädte vor, die sich durch eine zu den Großstädten abweichende Bebauungsstruktur auszeichnen, die wiederum besondere Anforderungen an die mobile Objektaufnahme stellt. Eine Kombination aus einer Trolley- und einer Fahrzeug-basierten Erfassung kommt hier aus geometrischen und wirtschaftlichen Gründen in Betracht. In diesem Beitrag werden beide Messverfahren gegenübergestellt und anhand einer kombinierten Stadtraumvermessung, die in der historischen Innenstadt von Brakel (Krs. Höxter/NRW) umgesetzt wurde, bewertet. Die Ergebnisse zeigen das große Potential einer kombinierten Vorgehensweise in Bezug auf die Vollständigkeit, Genauigkeit und Wirtschaftlichkeit. Als weitere Ergänzung bieten sich zur Vervollständigung der Modelle eine photogrammetrische UAV-Befliegung oder die Nutzung amtlicher Geobasisdaten an.



 
Impressum · Kontaktadresse:
Datenschutzerklärung · Veranstaltung: 20. Oldenburger 3D-Tage
Conference Software - ConfTool Pro 2.6.145
© 2001–2022 by Dr. H. Weinreich, Hamburg, Germany