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.
| Identifer | oai:union.ndltd.org:DRESDEN/oai:qucosa:de:qucosa:23255 |
| Date | 25 June 2018 |
| Creators | Köhler, Christian, Donner, Marc, Donner, Ralf |
| Publisher | TU Bergakademie Freiberg |
| Source Sets | Hochschulschriftenserver (HSSS) der SLUB Dresden |
| Language | German |
| Detected Language | German |
| Type | doc-type:conferenceObject, info:eu-repo/semantics/conferenceObject, doc-type:Text |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | urn:nbn:de:bsz:105-qucosa-237233, qucosa:23240 |
Page generated in 0.0093 seconds