Fraunhofer-Institut für Physikalische Messtechnik IPMBei der Vermessung großer Strukturen, wie z. B. baulicher Infrastruktur, fallen immense Datenmengen an. Wir nutzen Methoden der künstlichen Intelligenz (KI), um die von Laserscannern oder Kameras generierten Daten so aufzubereiten, dass sie für Anwendungen wie z. B. Building Information Modeling (BIM)- oder Augmented Reality (AR) nutzbar werden.
Datenreduktion und -interpretation mithilfe von KI: Voraussetzung für geometrische Modellierung
Punktwolken sind das gängigste Datenformat bei der 3D-Vermessung von Umgebungen, lassen sich jedoch nicht ohne Vorverarbeitung nutzen. Wir wenden verschiedene Strategien zur Datenreduktion und Dateninterpretation an, um geometrische Messdaten für BIM- oder AR-Anwendungen aufzubereiten. Ein semantisches Verständnis der Punktwolken und Bilddaten ist notwendig, um relevante Objekte in den Messdaten zu erkennen und zu lokalisieren. Dazu entwickeln wir künstliche neuronale Netze (KNN), die auf spezifische Interpretationsaufgaben wie z. B. Innenräume oder spezifische bauliche Infrastruktur wie z. B. Brücken oder Fassaden zugeschnitten sind. Basierend auf dem semantischen Verständnis gewinnen wir weitere Erkenntnisse und sind in der Lage, die aufgenommene Szene auf das Wesentliche zu reduziert. So schaffen wir die Basis für die geometrische Modellierung umfangreicher 3D-Daten.
Leistungsfähige Hardware für das Training neuronaler Netze
Leistungsfähige Hardware ist Voraussetzung für das Training neuronaler Netze, denn der Speicherbedarf bei der Verarbeitung großer Punktwolken ist enorm. Für das Training neuronaler Netze stehen uns hochleistungsfähige Server zur Verfügung, die eine Parallelisierung von Rechenprozessen und die Verarbeitung sehr großer neuronaler Netze ermöglichen.
