Für die photogrammetrische Datenakquise und Auswertung befindet sich seit dem Frühjahr 2017 ein Unmanned Aerial Vehicle (UAV) bei der GALA-MIBRAG-Service GmbH im Einsatz. Mit diesem werden kleingliedrige Strukturen, geotechnische Ereignisse und zeitlich begrenzt vorhandene Haufwerke erfasst. Die Integration dieser Messungen in die bestehenden Arbeitsabläufe erfordert in Abhängigkeit der eingesetzten Hard- und Software bestimmte Be- und Verarbeitungen für eine fachgerechte Auswertung. Betrachtet wurden diese Bearbeitungen, in Zusammenhang mit einer Abschätzung der erreichbaren Genauigkeiten, im Rahmen einer Abschlussarbeit (Menge, 2018). Im Zuge dieser Veröffentlichung werden, neben der grundsätzlichen Vorstellung der eingesetzten Hard- und Software, die durchgeführten Untersuchungen bezüglich erreichbarer Genauigkeiten näher beleuchtet. Dies umfasst insbesondere die durchgeführte Kamerakalibrierung. / In spring of 2017 an unmanned aerial vehicle has been acquired by the GALA-MIBRAG-Service GmbH for photogrammetric data acquisition and evaluation. It is used to record small-limbed structures, geotechnical events and temporarily limited heaps. The integration of such measurements into existing processes requires data processing, dependent upon the used evaluation Software. This overall process was considered in connection with an estimation of achievable accuracies in the context of a thesis. In course of this publication, this process will be examined in more detail, with special attention given to the performed camera calibration, and a basic presentation of the used hard- and software with its corresponding peculiarities will be given.

Die interdisziplinäre ESF Nachwuchsforschergruppe ARIDuA forscht seit dem 01. Juli 2017 institutsübergreifend an der TU Bergakademie Freiberg im Themenkomplex Autonome Roboter und Internet der Dinge in untertägigen Anlagen. Gegenstand der Forschung ist es, Schlüsseltechnologien für den entstehenden „Bergbau 4.0“ zu entwickeln. Hierzu zählen Roboternavigation, Sensorintegration und Langzeitmessungen, Big Data im bergbaulichen Kontext und automatisierte geologische Kartierung. Der Beitrag gibt einen Überblick über ARIDuA und die „automatisierte geologische Kartierung“. Es werden Anforderungen an eine automatisierte geologische Kartierung dargestellt und das darauf basierende Messfahrzeug, das u.a. mit einer Hyperspektralkamera ausgestattet ist. Es wird ein Auswertungsschema beschrieben, das die Klassifizierung der Messdaten mit einem geostatistischen Ansatz kombiniert und pixelgenau die Auftrittswahrscheinlichkeit der Gesteinsklassen angibt. / The interdisciplinary ESF Junior Research Group ARIDuA is investigating the topic “Autonomous Robots and Internet of Things in Underground Mining”. Therefore it implements key technologies for the new sector of “Mining 4.0”. Focusing on the application of mobile robots in underground, a wireless sensor network is implemented and synergies are identified. This also results in significant benefits for the mining sector. In this context, an outline of a geological analysis system capable of pixel-wise mineral classification is presented. A hyper-spectral-camera mounted on a mobile vehicle is used inside an underground mine in combination with multiple state-of-the-art RGB cameras. The reason why this is necessary, the requirements, and the concept of data analysis is described. The automated mine survey generates an occurrence probability of each mineral class for each pixel. Therefore, it combines classification with geostatic methods.

Für die automatisierte Überwachung technischer Einbauten in untertägigen Bergwerksanlagen auf Basis dreidimensionaler Punktwolken wurde ein Geomonitoringverfahren, bestehend aus Datenaufnahme und -analyse, entwickelt. Es werden zwei Ansätze zur semantischen Klassifizierung von dreidimensionalen Punktwolken betrachtet, die Multi-Skalen-Feature-Extraktion und die Anwendung eines dreidimensionalen Faltenden Neuronalen Netzes. Die Methode der Multi-Skalen-Feature-Extraktion bestimmt durch festgelegte Berechnungsvorschriften Features allein aus den Koordinaten eines Punktes und seiner Nachbarn auf mehreren Längenskalen. Diese werden zu Feature-Vektoren zusammengefasst und dienen als Input für einen Random Forest-Klassifizierer. Die Anwendung eines dreidimensionalen Faltenden Neuronalen Netzes erfordert nur die Vorverarbeitung der Punktwolke zu einem Voxel-Grid und liefert dann direkt Klassifizierungsergebnisse. In einer exemplarischen Anwendung beider Ansätze zur Detektion von Stempeln, Schienen und Stößen in einer untertägigen Szene werden Klassifizierungsgenauigkeiten von über 90 % erreicht.

Der Beitrag informiert über Themen und Aktivitäten am Institut für Markscheidewesen und Geodäsie der TU Bergakademie Freiberg im Zeitraum 2017/2018. / This contribution highlights activities and research topics, which form the focus of research, teaching and outreach of the Department of Mine Surveying and Geodesy of the TU Bergakademie Freiberg during the period 2017/2018.