Mit der zunehmenden Verfügbarkeit von Technologien zur Aufnahme von digitalen
Oberflächenmodellen nimmt auch die Analyse dieser stetig an Bedeutung zu. Über LiDAR
Scanner lassen sich genaue Aufnahmen in Form von Ansammlungen von Punkten im
dreidimensionalen Raum (Punktwolken) anfertigen und können schließlich visualisiert werden,
wodurch gewöhnliche Darstellungen von Landschaften um die dritte Dimension erweitert
werden. Durch den Prozess der semantischen Klassifizierung werden diesen Punkten
Bedeutungen zugewiesen, was bei weiterer Arbeit mit ihnen schließlich eine isolierte
Darstellung und die Verarbeitung einzelner Klassen ermöglicht, sodass eine große Landschaft
schneller und effektiver manuell oder automatisch evaluiert werden kann. Aufgrund von
variierenden Eigenschaften einzelner Modelle ist die maschinelle semantische Klassifizierung
eine Problemstellung, welche jedoch oftmals individuelle Lösungen benötigt.
In dieser Arbeit werden diverse Ansätze zur Klassifizierung von Punktwolken beschrieben und
anhand der Anwendungsmöglichkeiten eingeschätzt. Schließlich wird ein heuristisches Hybrid-Verfahren
vorgestellt, welches im Rahmen des Projekts „SARDINE“ (Smart Regional Development Infrastructure)
entstanden ist und eine vollständige semantische Klassifizierung digitaler Oberflächenmodelle ermöglicht.:Einleitung
1.1 Zielsetzung und Motivation
1.2 Aufbau der Arbeit
Aktuelle Lösungen und deren Möglichkeiten
2.1 Oberflächenmodelle von Landschaften
2.2 Klassifizierung digitaler Oberflächenmodelle
2.3 Techniken aktueller kommerzieller Software
2.4 Problematik der Klassifizierung mit maschinellem Lernen
Entwicklung eines Hybrid-Verfahrens
3.1 Heuristische Parameterwahl
3.2 Vollständige Klassifizierung der Testdaten
3.2.1 Erstellen eines digitalen Geländemodells
3.2.2 Gebäude
3.2.3 Hochspannungsleitungen und Freileitungsmasten
3.2.4 Fahrzeuge und Straßenlaternen
3.2.5 Vegetation
3.2.6 Gewässer
3.2.7 Boden und Straßen
3.2.8 Mauern, Zäune und sonstige linear verlaufende Objekte
3.2.9 Fertigstellung
3.3 Verwendete Sprache, Bibliotheken und Datenstrukturen
3.4 Dynamisierung statischer Parameter
3.5 Maschinelles Lernen
Evaluation des Hybrid-Verfahrens
4.1 Analyse der Ergebnisse
4.2 Schwachstellen der Konzepte
4.3 Verbesserungspotential
4.4 Fazit
Literaturverzeichnis
Identifer | oai:union.ndltd.org:DRESDEN/oai:qucosa:de:qucosa:85165 |
Date | 04 May 2023 |
Creators | Kaubukowski, Kenn Joel |
Contributors | Hochschule für Technik, Wirtschaft und Kultur Leipzig |
Source Sets | Hochschulschriftenserver (HSSS) der SLUB Dresden |
Language | German |
Detected Language | German |
Type | info:eu-repo/semantics/acceptedVersion, doc-type:bachelorThesis, info:eu-repo/semantics/bachelorThesis, doc-type:Text |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.052 seconds