Die Verarbeitung und Klassifizierung von Punktwolken spielt eine zentrale Rolle bei der Erstellung präziser und umfassender Building Information Modeling (BIM)-Modelle. Punktwolken, die mithilfe von Laserscannern oder Photogrammetrie generiert werden, bieten eine detaillierte Darstellung der geometrischen Informationen eines Gebäudes. Allerdings stellt die manuelle Verarbeitung und Zuordnung dieser enormen Datenmengen eine zeitaufwendige und komplexe Aufgabe dar. Um diese Herausforderungen zu bewältigen, gewinnt der Einsatz von künstlicher Intelligenz (KI) bei der Punktwolkenklassifizierung zunehmend an Bedeutung.
Der Einfluss von Deep Learning auf die Punktwolkenklassifizierung
In der Punktwolkenklassifizierung ermöglicht Deep Learning die Erkennung und Klassifizierung von Mustern, die für das menschliche Auge schwierig oder unmöglich zu erkennen wären. Durch den Einsatz von Deep Learning-Techniken können Computer jetzt 3D-Punktwolken analysieren und interpretieren, die aus Millionen von Punkten bestehen, und diese Punkte in Kategorien wie Gebäude, Bäume, Straßen usw. einordnen.
Es gibt mehrere Methoden und Architekturen im Bereich des Deep Learning, die zur Klassifizierung von Punktwolken eingesetzt werden. Eines der bekanntesten Modelle ist PointNet, das 2017 eingeführt wurde. PointNet ist ein Pionier in der Anwendung von Deep Learning für die direkte Verarbeitung von Punktwolken und hat einen großen Einfluss auf das Feld gehabt.
Lösungen für die Punktwolkenklassifizierung
Trimble Business Center (Software)
In der kürzlich veröffentlichten Version 5.90 wurde der bisherige Klassifizierungsalgorithmus um Deep-Learning-Fähigkeiten ergänzt. Durch die Integration dieser fortschrittlichen Technologie sind die Klassifikationen von Punktwolken nun von höherer Qualität, was die Genauigkeit und Zuverlässigkeit der daraus resultierenden Daten erhöht.
Neben den Deep-Learning-Fähigkeiten bietet das Update auch signifikante Verbesserungen in der automatischen Punktfeature-Extraktion. Dies ermöglicht es den Nutzern, spezifische Feature-Codes während der Extraktion zuzuweisen, wodurch die Flexibilität und Genauigkeit der extrahierten Features erheblich verbessert wird.
Leica Cyclone 3DR (Software)
In Leica Cyclone 3DR werden Punktwolken automatisch mittels eines auf maschinellem Lernen basierenden Algorithmus klassifiziert. Die neuesten Updates liefern regelmäßig verbesserte Klassifikationsmodelle und erfordern eine GPU für optimale Berechnungen. Darüber hinaus ermöglicht die Software eine manuelle Klassifizierung zur weiteren Verbesserung der Ergebnisse und bietet flexible Einstellungen für die Klassifizierungsziele.
Cloudservice: Aurivius (Cloud)
Aurivus bietet eine schnelle und intuitive Punktwolkenklassifizierung an, die auf künstlicher Intelligenz basiert. Die Cloud-Lösung ist in der Lage, verschiedene Objekte und ihre Attribute in wenigen Minuten zu erkennen und zu klassifizieren, was die Modellierungszeit erheblich verkürzt und die Qualität der Ergebnisse verbessert. Sie kann Wände, Fenster, Türen, Böden, Dächer und sogar spezifische Elemente wie Rohre und Träger erkennen. Außerdem können störende Objekte wie Möbel leicht ausgeblendet werden. Die AI-gestützte Klassifizierung von Aurivus ist direkt in Revit integrierbar und ermöglicht eine effiziente Modellierung mit minimaler Lernkurve. Neue Benutzer können in der Regel nach nur 30 Minuten Training mit dem Modellieren beginnen
Cloudservice Vercator (Cloud)
Vercator bietet eine cloudbasierte Plattform zur Verarbeitung von Punktwolkendaten. Die Plattform bietet drei Hauptdienstleistungen: die automatische Registrierung von Punktwolken, die Klassifizierung von Punktwolken und die Konvertierung zwischen verschiedenen Punktwolken-Formaten. Sie kann im Innen- und Außenbereich von Gebäuden, Hochspannungsleitungen, im Bahnschienenbereich und im Straßenbereich Punktwolken klassifizieren.
Beschleunigung der BIM-Modellierung durch verbesserte Punktwolkenklassifizierung
In Bezug auf die BIM-Modellierung kann die Punktwolkenklassifizierung nun dazu beitragen, das Modellieren in Software wie Revit und Archicad zu beschleunigen. Durch das Einsparen der manuellen Punktwolkenfilterung können Zeit und Kosten gespart werden. Anbieter wie Aurivius, haben schon einen Schritt weiter gedacht indem relevante Bauteile wie Türen, Fenster und im industriellen Bereich auch Rohre klassifiziert werden und mit einem Plugin für Revit können diese Punktwolkenobjekte dann als layer ein und ausgeschaltet werden. Durch die automatische Anpassung an die Punktwolke werden dann beispielsweiße Wände und Fenster an die Punktwolke automatisch angepasst.
Der ultimative Vergleich:
Angesichts dieser Fortschritte möchten wir einen spannenden Vergleich zwischen allen vier Lösungen vornehmen. Wer bietet eine bessere Klassifizierung von Bauteilen in Gebäuden? Wir werden alle Anbieter mit demselben Datensatz testen, indem wir ein einfaches Gebäude, das von innen und außen gescannt wurde, klassifizieren lassen und die Exaktheit der klassifizierten Punktwolkenobjekte in einem weiteren Blogbeitrag vergleichen. Stay tuned :-)!
Author: Julian
Ich bin sowohl leidenschaftlicher Vermesser als auch Tech-Freak und liebe es über die neusten Trends in der Scantechnologie zu schreiben!
