Gruppe 3D-Geodaten-Analyse

Forschungsschwerpunkte der Gruppe sind die Analyse, Klassifizierung und Visualisierung räumlicher Messdaten. Für die vollautomatisierte Analyse von 2D- und 3D-Messdaten setzen wir auf maschinelles Lernen, darunter vor allem auf das Konzept des »Deep Learning«. Dabei werden künstliche neuronale Netze (KNN) so trainiert, dass sie gesuchte Objekte – beispielsweise aus dem Bereich städtischer Infrastruktur – in umfangreichen Daten mobiler Messsysteme erkennen und lokalisieren können.

Mit interaktiven Applikationen zur Navigation in Messdaten unterstützen wir komplexe Analysen und Entscheidungsprozesse visuell. Je nach Anwendungsfall entwickeln wir unterschiedlichste Visualisierungsvarianten auf geeigneten Plattformen, die Messergebnisse in Echtzeit darstellen. So können Erfassungsprozesse interaktiv nachgeregelt werden. Bei der Echtzeit-Visualisierung auf mobilen Endgeräten mit limitierter Rechenleistung greifen wir auf eigens entwickelte Visualisierungskomponenten zurück. Für eine KI-basierte Objekterkennung erstellen wir synthetische Trainingsdaten. Damit wiederum legen wir gleichzeitig die Grundlage für eine iterative Optimierung der Messtechnik im Hinblick auf eine spätere maschinelle Datenanalyse.

Automatisierte Datenanalyse

• Vollautomatische Analyse von 2D- und 3D-Messdaten, u. a. durch »Deep Learning«
• Implementierung von cloudbasierten Lösungen für die Datenverarbeitung
• Aufbau umfangreicher Trainingsdatensätze für das automatisierte Anlernen von Algorithmen

Synthetische Trainingsdaten

• Erstellung von 3D-Szenen inkl. Material-Eigenschaften, Beleuchtungssituationen, Wetterphänomenen, dynamischen Eigenschaften
• Algorithmische Erzeugung von 3D-Modellen aus parametrisierbaren Bausteinen
• Erstellung simulierter Messdaten: fotorealistische Bilder, 3D-Punktwolken

Visualisierung

• Darstellung massiver Punktwolken
• Diverse Visualisierungstechniken zur intuitiven Darstellung komplexer Sachverhalte, wie z. B. Beleuchtungsberechnung, Kanten-Färbung oder Falschfarben-Darstellung