Fraunhofer IPM präsentiert »Deep Learning Framework« zur automatisierten Interpretation von 3D-Daten

Bei der Zustandserfassung von Großstrukturen wie Verkehrswegen, Bauwerken oder landwirtschaftlich genutzten Flächen fallen enorme Mengen Bild- und 3D-Daten an, die heute in der Regel manuell ausgewertet werden. Das ist zeitaufwändig und teuer.

Fraunhofer IPM ist es jetzt mit einem Deep-Learning-Ansatz gelungen, die komplexe Datenauswertung und -interpretation zu automatisieren. »Die Datenauswertung war bisher ein limitierender Faktor bei der Messung von Großstrukturen«, sagt Prof. Dr. Alexander Reiterer, verantwortlich für den Bereich Objekt- und Formerfassung am Fraunhofer IPM. »Schnelle und preiswerte automatisierte Datenauswertung wird den Einsatzbereich für die Erfassung von 3D-Daten in Zukunft deutlich erweitern«.

Echtzeitauswertung dank künstlicher neuronaler Netze

»Deep Learning« ist als Methode des »Machine Learning« ein Teilbereich der künstlichen Intelligenz und setzt auf lernende Algorithmen. Das Identifizieren und Klassifizieren von Objekten, wie beispielsweise die Gesichtserkennung in einem Bild, erfolgt anhand von Trainingsdatensätzen. Beim »Deep Learning Framework« von Fraunhofer IPM werten Lernalgorithmen nun auch 3D-Daten automatisch aus. Der Ansatz basiert auf künstlichen neuronalen Netzen (KNN).

Im Vergleich zu klassischen Methoden der Objekterkennung erweist sich das »Deep Learning Framework« als sehr viel robuster gegenüber variierenden Formen, Verdeckungen, Beschädigungen oder Ausbleichungen, wie sie für reale Szenen typisch sind. Noch vor wenigen Jahren dauerte das Training solcher Algorithmen Wochen oder gar Monate. Heute ist dieser Prozess dank massiver Parallelisierung in wenigen Stunden möglich.

Die Auswertung neuer Datensätze auf Basis eines trainierten KNN erfolgt dann sogar in Echtzeit. In KNN durchläuft die eingespeiste Information eine Vielzahl miteinander verknüpfter künstlicher Neuronen, wird verarbeitet und an weitere Neuronen weitergegeben. Mithilfe manuell annotierter Trainingsdaten werden für bestimmte Eingangsmuster zugehörige Ausgabemuster erlernt. Auf Basis dieser »Erfahrungswerte« können neuartige Eingangsdaten dann in Echtzeit analysiert werden.

Datenfusion: Scannerdaten plus Kamerabilder

Datenbasis für die automatisierte Objekterkennung können Kamera- oder Scannerdaten sowie auch fusionierte Daten sein. Das von Fraunhofer IPM entwickelte Framework überführt dabei die georeferenzierten Punkte der Scannerdaten zunächst in ein Rasterformat, das Tiefeninformationen enthält, und verknüpft diese dann mit den RGB-Kameradaten. Liegen hochauflösende Scannerdaten vor, so können diese im Framework direkt verwendet werden. Letztlich entscheidet immer die Aufgabe und die Art der verfügbaren Daten darüber, welcher Ansatz geeignet ist.

Fraunhofer IPM auf der INTERGEO 2017

Neben dem »Deep Learning Framework« präsentiert Fraunhofer IPM auf der Messe INTERGEO 2017 in Berlin (Stand D4.041) auch mobile Laserscanning-Systeme: Den Clearance Profile Scanner CPS zur Umgebungserfassung von Fahrzeugen aus und den Lightweight Airborne Profiler LAP, der speziell für den Einsatz auf fliegenden Plattformen entwickelt wurde.

http://www.ipm.fraunhofer.de/de/gf/objekterfassung-laserscanning.html »Objekt- und Formerfassung« bei Fraunhofer IPM