Abstract
<p>Im Rahmen eines studentischen Masterprojekts werden Ansätze und Ideen hinsichtlich des Potenzials für die automatisierte Materialklassifikation anhand von Punktwolken und Bilddaten erarbeitet und bewertet. Es werden erste Verfahren innerhalb eines begrenzten zeitlichen Rahmens evaluiert, ohne den Anspruch auf die Entwicklung eines vollumfänglichen Systems. Primär soll eine Grundlage für weitere mögliche Forschungsarbeiten gelegt werden. Menschen unterscheiden Materialien anhand von optischen und haptischen Reizen. Unter der Annahme, dass durch Laserscanning und Bilddaten diese Reize ausreichend reproduziert werden können, soll eine automatisierte Klassifikation anhand mehrerer durch Laserscanning erfasster Materialien erfolgen. Diese sind Klinker, Putz, Beton, Holz, Metall und Kunststoff, die sich an Gebäudeoberflächen befinden. Als Merkmale dienen die Intensität aus dem Laserscanning, die in den HSV-Raum übertragenen Farbwerte der integrierten Kamera sowie drei beschreibende Attribute für die Oberflächenrauheit. Zur automatisierten Klassifikation werden zwei etablierte Machine-Learning- Methoden verwendet. Für einen punktbasierten Ansatz werden Support Vector Machines (SVM) genutzt, wobei jeder Punkt einen Merkmalsvektor zugeschrieben bekommt. Das System wird durch eine Menge von gelabelten Punkten trainiert und validiert, bevor es für beliebige Punktwolken angewendet werden kann. Bei dem zweiten Ansatz wird ein Convolutional Neural Network (CNN) zur Klassifikation verwendet, welches aus dem Bereich des Deep Learnings stammt. Hierbei werden die Punktwolken in Bilddaten übertragen. Die einzelnen Merkmale werden zudem – entsprechend des 8-bit-Formats – auf einen Bereich zwischen 0 und 255 skaliert. Die einzelnen Merkmalsbilder werden dann zu mehrkanaligen TIFF-Dateien zusammengeführt, welche sortiert nach Materialien als Trainingsdaten für ein CNN dienen. Nach dem Training dieser Modelle können vollständige Gebäudefassaden materialspezifisch klassifiziert und eingefärbt werden. Als Untersuchungsobjekte dienen verschiedene Objektfassaden auf dem Campus der Jade Hochschule Oldenburg. Beide Klassifikationsverfahren erreichen während des Systemtrainings innere Genauigkeiten von über 95 %. Durch weitere Genauigkeitsuntersuchungen ergeben sich zudem äußere Genauigkeiten von über 80 % bei ähnlichen Fassaden, wobei der CNN-Ansatz zuverlässigere Ergebnisse liefert. Insgesamt lässt sich feststellen, dass materialspezifische Klassifikationen aus Laserscandaten mithilfe von Methoden der künstlichen Intelligenz grundsätzlich möglich sind und erste verwertbare Ergebnisse erreicht werden.</p>