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. Deshalb setzt Fraunhofer IPM auf eine automatisierte Auswertung mit Ansätzen des »Deep Learning«. Ergebnis ist eine semantische Segmentierung der Bilder, bei der jedes Pixel bzw. jeder 3D-Punkt einer bestimmten Objektklasse zugeordnet wird.
»Deep Learning« ist als Methode des »Machine Learning« ein Teilbereich der künstlichen Intelligenz, bei der mit lernenden Algorithmen gearbeitet wird. Das Identifizieren und Klassifizieren von Objekten, wie beispielsweise die Erkennung eines vordefinierten Objekts (z. B. ein Verkehrsschild) in einem Bild, erfolgt anhand von Trainingsdatensätzen. Der Ansatz basiert auf künstlichen neuronalen Netzen (KNN) und ist klassischen Methoden der Objekterkennung überlegen.
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.