Automatisierte Interpretation von 3D- und Bilddaten
Für viele Vermessungsaufgaben und das Zustandsmonitoring werden heute leistungsfähige Kameras oder Laserscanner eingesetzt. Diese liefern hochaufgelöste Bilder bzw. sehr präzise, georeferenzierte Messdaten. Die Interpretation dieser Daten geschieht in der Regel manuell. Fortschritte in der künstlichen Intelligenz ermöglichen den Einsatz innovativer Techniken und Algorithmen, mithilfe derer sich der Auswerteprozess automatisieren lässt.
Die Auswertung der 3D-Daten übernehmen inzwischen komplexe Lernalgorithmen, die auf dem Konzept des »Deep Learning« mit künstlichen neuronalen Netzen (KNN) basieren. Diese Algorithmen sind den klassischen Methoden der Objekterkennung mittlerweile deutlich überlegen. Noch vor wenigen Jahren sah das anders aus: Das Training solcher Algorithmen dauerte 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. Dabei erweisen sich KNN als sehr robust gegenüber Variationen charakteristischer Farben, Kanten oder Formen.