Ein neues Feature der KI-Plattform Pointly ermöglicht neben dem automatisierten Klassifizieren auch das Vektorisieren.
Wie werden 3D-Punktwolken zu Informationen? Diese Frage bewegt weite Teile des Infrastrukturmanagements, denn 3D-Punktwolken sind mittlerweile weit verbreitet und ihr enormer Informationscharakter ist weithin bekannt. Dennoch ist der Schritt vom reinen Datenprodukt zur Nutzung in konkreten Arbeitsprozessen, also der Weg von reinen Daten zu erkenntnisstiftenden Informationen, noch weit.
KI ermöglicht hier jedoch Fortschritte in Siebenmeilenstiefeln. Das nötige Training vorausgesetzt, ermöglichen cloudbasierte KI-Plattformen wie Pointly des gleichnamigen Berliner Unternehmens bereits heute, gängige Bearbeitungsschritte von 3D-Punktwolken (aus beliebigen Datenquellen) zu automatisieren und damit die Arbeitsschritte wesentlich effizienter, schneller und kostengünstiger durchzuführen. In den letzten Jahren hat das Unternehmen bereits in den Bereichen Objekterkennung und Klassifikation für Aufsehen gesorgt. Nun hat das Unternehmen ein Update der Plattform eingeführt, das auf die Vektorisierung von Punktwolken abzielt. „Damit sind große Einsparpotenziale beim Export von CAD-Elementen aus 3D-Punktwolken möglich“ , sagt Dr. Francesco Alaimo, Data Scientist bei Pointly.
Beispiel für Vektorisierung. In der Pointly Plattform lassen sich intuitiv 3D Vektormodelle erzeugen. Quelle: Pointly GmbH
Klassifizieren
3D-Punktwolken sind zunächst einmal Rasterdaten und damit eine Ansammlung von Punktdaten, die zwar eine hohe Informationstiefe besitzen (Farbe, Intensität, Geometrie etc.) aber noch nichts über die Objekte der realen Welt aussagen, die sie repräsentieren. Um aus der Punktwolke, ein Gebäudedach, eine Straßenlaterne oder eine Fahrbahnoberfläche zu extrahieren, muss diese zunächst als bedeutungsvolles Objekt erkannt (identifiziert), dann bestimmt (klassifiziert) und schließlich als Vektormodell für die weitere Verarbeitung aufbereitet werden.
Die manuelle Identifikation und Klassifikation ist bei großen Datensätzen komplex und zeitaufwändig. Das Potential der Künstliche Intelligenz liegt darin, diesen Prozess weitgehend zu automatisieren.
In der Regel wird die KI dazu mit entsprechenden Trainingsdaten trainiert, die den gewünschten Output darstellen, bevor sie dann „selbstständig“ einen Prozess erlernt, der eine automatisierte Vorgehensweise ermöglicht, die korrekt, vollständig und mit wenigen Fehlern arbeitet.
Dabei stellt die Pointly-Plattform bereits effiziente Standard Classifier zur Verfügung, die ausgewählte Objektgruppen automatisch klassifizieren, unter anderem für Airborne Laserscanning (ALS), Highway Scans und Stadtinventuren.
Pointly verfügt über eine ganze Reihe von Standard Classifiern, im Rahmen der Pointly-Services werden aber auch jederzeit Custom Classifier mit individuellen Objektklassen für individuelle Anwendungszwecke trainiert. Das Unternehmen kann dabei aber auch jegliche Art von maßgeschneiderten KI-Pipelines für 3D Punktwolken erstellen.
Quelle: Pointly GmbH
Vektorisierung
Mit der neuen, intuitiven Toolbox können nun Vektordaten direkt in der Punktwolke manuell erzeugt werden. Es stehen die Optionen Punkte, Polylinien und Polygone zur Verfügung. Zusätzlich können den Vektorelementen Attribute (Höhe, Länge etc.) hinzugefügt werden.
„Wie bei der Klassifizierung, ist die manuelle Arbeit der erste Schritt zur Erstellung von Trainingsdaten. Danach lernt die KI, die Vektordaten aus neuen Punktwolken automatisch zu generieren.“, beschreibt Dr. Alaimo.
Beispiel: Digitaler Zwilling aus dem Open Data Datensatz Thüringen.
Ein intensiver Nutzer der Pointly-Technologie ist auch die Stadt München im Rahmen ihrer Smart City Initiativen. Die Pointly Plattform spielt eine entscheidende Rolle bei der Klassifizierung von Airborne LiDAR Daten für dieses Projekt. Als Basismodell diente der ALS Standard Classifier, der für den Leica CityMapper 2 Scanner optimiert wurde. Die Pointly API ermöglichte eine nahtlose Integration mit Azure Blob Storage für die Datenabfrage und -speicherung. „Die Klassifizierung der gesamten Fläche von 500 Quadratkilometern konnte innerhalb von vier Tagen abgeschlossen werden“, berichtet Dr. Francesco Alaimo. Quelle: Pointly GmbH/Open Data Datensatz Thüringen
Beispiel Autobahn GmbH
Ein Proof of Concept (PoC) für die KI-basierte Vektorisierung wurde bereits bei der Autobahn GmbH im Bereich der CAD-Modellgenerierung aus 3D-Punktwolken erbracht. Dabei werden mittels Deep Learning automatisch vektorisierte Strukturen und Geländeformen erzeugt, die aus den Punktwolkendaten als .GeoJson-Datei extrahiert werden.
Die Datenbasis für das Projekt mit der Autobahn GmbH besteht aus hochauflösenden LiDAR-Scans deutscher Autobahnen und manuell erstellten CAD-Modellen. Das trainierte Netz ist in der Lage, Straßenkonturen automatisch zu erkennen und zentimetergenaue CAD-Modelle zu erzeugen. Der Vorteil liegt in der hohen Zeit- und Kostenersparnis gegenüber der manuellen Bearbeitung. Die automatisierte Verarbeitung ermöglicht zudem eine höhere Präzision und Effizienz in Planung, Bau und Instandhaltung der Straßeninfrastruktur.