Project Description

Anwendung von Deep Learning auf 3D Punktewolken

Projektziel

3D-Punktwolken sind eine Schlüsseltechnologie bei der Digitalisierung vieler Branchen. Die Erschließung der Informationsdichte von 3D-Punktwolken erfordert zusätzliche Analysen. Dieser Use Case stellt einen skalierbaren Ansatz dar, der neuronale Netze auf 3D-Punktwolken anwendet, um eine Instanz-Segmentierung von großen szenischen Punktwolken zu erzeugen.

Genutzte Daten

Für diesen Anwendungsfall haben wir mit photogrammetrischen Punktwolken gearbeitet, die von unserem Drohnenflugpartner FairFleet erzeugt wurden. Die von uns analysierten Punktwolken waren Scans aus städtischen und semi-urbanen Umgebungen, die oft Baustellen enthielten. Jeder Scan hatte bis zu zehn Millionen Punkte.

Herausforderungen

Die meisten Anwendungen beschränken sich bisher auf die Klassifizierung von Einzelpunktwolken, z.B. 3D-Scans einzelner Objekte. Um Punktwolken z.B. in der Konstruktion und Planung effektiv zu nutzen, ist es notwendig, große Szenenscans mit Dutzenden von Millionen von Punkten zu segmentieren.

Angewandte Methoden

Um große szenische 3D-Punktwolken zu segmentieren, verwendeten wir eine Kombination aus unsupervised Clustering und supervised Neural Network Training.

Projektergebnis

Abhängig von den verfügbaren gelabelten Beispielen konnten wir für einzelne Objektklassen Genauigkeitswerte von bis zu 93% erreichen. Der Output unseres Netzwerks stellt eine so genannte “Instanz-Segmentierung” der Input-Point Cloud dar. Das heißt, es ist nicht nur möglich, jedem 3D-Punkt ein Label zuzuordnen (“Segmentierung”), sondern man kann auch einzelne Instanzen jeder Label-Klasse isolieren. Dieser zusätzliche Schritt ermöglicht weitere Analysen, wie z.B. das automatische Zählen und Lokalisieren einzelner Objekte eines bestimmten Typs.

Unsere Technologie kann Punktwolkendaten in wertvolle Informationen verwandeln, so dass Sie Ihre Digitalisierungsstrategie erfolgreich umsetzen können.

Mögliche Anwendungen sind unter anderem Bestandsaufnahmen der städtischen Infrastruktur, solare Eignungsanalysen, Baustellenüberwachung und 3D-Modellerstellung.

Unsere 3D-KI-Lösungen können an Ihre individuellen Anforderungen angepasst und in End-to-End-Lösungen integriert werden, die die Ergebnisse in Geodatenbanken, Kartenlayer und AutoCAD-Modelle zurückführen.

Kategorie

GEO AI
Infrastructure
Deep Learning Object Detection
Spatial temporal Analysis
Computer Vision
3D Point Clouds

Technologien

Deep Learning

Download

Social Sharing

Weitere Use Cases dieser Kategorie

Alle Use Cases im Überblick

Kontakt

Stefanie Supper
CEO