Die automatische Erkennung unterschiedlicher LKWs in Orthofotos mit ArcGIS-Pro

Projektziel

Ziel dieses Projektes war es, anhand von Orthophotos (Rasterbildern) verschiedene LKWs erkennen zu können. Dazu mussten die LKWs entsprechend ihrer Länge in die folgenden Klassen eingeteilt werden: Es wurden dabei drei Fahrzeugtypen unterschieden: Einzel-LKW, Sattelschlepper und Multitrailer-LKW.

Genutzte Daten

Für dieses Projekt wurden digitale Orthofotos von Nordrhein-Westfalen von OpenGeodata.NRW.de genutzt. Diese Bilder waren 4-Band-Bilder (Rot, Grün, Blau, Infrarot) mit einer Auflösung von 10cm und einer Bildgröße von 1000m × 1000m (10000Pixel × 10000Pixel). Die NRW-Orthofotos wurden in 100m × 100m große Bilder geteilt und aus ihnen wurden 2400 ausgewählt. Von dieser Anzahl wurden 2148 für das Training und die Validierung des LKW-Erkennungsmodells gelabelt.

Herausforderungen

Das Modelltraining erfordert eine große Menge an Trainingsdaten, um optimale Ergebnisse zu erzielen. Für bessere Ergebnisse und Analysen wären mehr Trainingsdaten und eine bessere Datenauflösung notwendig gewesen. Zum Beispiel erkannte das Modell gelegentlich Autos mit Anhängern (und in seltenen Fällen Hauswände) als LKWs. Darüber hinaus war eine Differenzierung zwischen zwei nahe aneinander stehenden (parkenden) Fahrzeugen schwierig, da sie wie ein Fahrzeug wahrgenommen werden können.

Angewandte Methoden (Umsetzung)

Für die automatisierte Erkennung und Unterscheidung der verschiedenen Fahrzeugtypen wurde ein Deep-Learning-Modell trainiert. Dazu wurde ein vortrainiertes TernausNet-16-Modell verwendet. Im Fall der Fahrzeugerkennung und -klassifizierung besteht die Ausgabe des Modells aus Pixeln, die zu den Klassen Hintergrund, Anhänger und Fahrerhaus gehören. Die erkannten Lastwagen wurden dann in 3 Klassen eingeteilt, basierend auf der Länge des Lastwagens. Anschließend wurde das trainierte Modell und die LKW-Klassifizierung in ArcGIS Pro durch eine Inferenzfunktion und eine spezielle Esri-Modelldefinitionsdatei implementiert.

Projektergebnis

Das Modell resultierte insgesamt mit guter und zuverlässiger Genauigkeit, Präzision und Recall. Über 99% der Lastwagen wurden durch das Modell erkannt. Weniger als 10% der erkannten Lastwagen wurden in die falsche Klasse eingeordnet. Weiteres Finetuning des Modells, mit zusätzlichen Trainingsdaten unterschiedlicher Rahmenbedingungen, können das Modell noch wesentlich robuster machen.