Return to search

Semantische Klassifizierung von 3D-Punktwolken

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.

Identiferoai:union.ndltd.org:DRESDEN/oai:qucosa.de:bsz:105-qucosa-237407
Date25 June 2018
CreatorsKöhler, Christian, Donner, Marc, Donner, Ralf
ContributorsTU Bergakademie Freiberg, Geowissenschaften, Geotechnik und Bergbau
PublisherTechnische Universitaet Bergakademie Freiberg Universitaetsbibliothek "Georgius Agricola"
Source SetsHochschulschriftenserver (HSSS) der SLUB Dresden
Languagedeu
Detected LanguageGerman
Typedoc-type:conferenceObject
Formatapplication/pdf

Page generated in 0.0017 seconds