ML für die Bild- und Punktwolkenanalyse im Geo- und Umweltbereich

Durch die in den letzten Jahren sehr stark gestiegenen Rechenkapazitäten und das zur Verfügung stehende Datenvolumen, rücken KI-basierte Auswerteverfahren und Machine Learning immer stärker in den Fokus. Mit ihnen lassen sich unter anderem Objekte in Bildern oder Punktwolken erkennen und klassifizieren, sensible Informationen und personenbezogene Daten in Fotografien aufspüren und unkenntlich machen, sowie sehr große Datenmengen automatisiert und intelligent verarbeiten, ohne dass ein Mensch Hand anlegen muss.

Im Bereich des Machine Learnings besitzen wir umfassende Expertise, mit der wir unsere Kunden bei ihren Projekten anwendungsbezogen beraten und unterstützen können. Wir haben darüber hinaus verschiedene Softwarekomponenten entwickelt, die z.B. die Automatisierung des Trainings von neuronalen Netzen verbessern oder Machine-Learning-Verfahren auf verschiedene Anwendungsfälle anwenden.

Luft- und Satellitenbilder: Klassifikation von Städten und Wäldern

Die Auswertung von Luftbildern, Orthophotos und optischen Satellitenbildern mit Hilfe von Machine-Learning-Verfahren bietet eine Vielzahl von Anwendungsmöglichkeiten, insbesondere im Kontext urbaner Umgebungen und städtischer Planung.

Use Case Versiegelungskarten

Die Oberflächenversieglung hat einen großen Einfluss auf städteplanerische Maßnahmen und Infrastrukturprojekte. Dabei spielt sowohl der Grad als auch die Art der Versiegelung eine Rolle. Mittels KI-Methoden, unter Verwendung von Orthophotos, sind wir in der Lage zwischen Asphalt, Pflaster, Gebäuden und unbebauten Oberflächen zu unterscheiden. Auf Basis dieser Informationen kann der Versiegelungsgrad der einzelnen Flächen präzise bestimmt werden. Dabei werden nicht nur das Flächenverhältnis zwischen versiegelten und ungebundenen Oberflächen berücksichtigt, sondern auch die Art der Versiegelung.

Durch die Erfassung und Analyse dieser und anderer Faktoren, können Städte unterschiedliche Umweltbelastungen wie Überhitzung, Luftverschmutzung und der Verlust von Grünflächen besser verstehen und entsprechende Gegenmaßnahmen ergreifen.

Zur Steep-Website

Veröffentlichungen:

Kocon, K., Krämer, M., and Würz, H. M.: Comparison of CNN-based segmentation models for forest type classification, AGILE GIScience Ser., 3, 42, https://doi.org/10.5194/agile-giss-3-42-2022, 2022.

Würz, H. M., Kocon, K., Pedretscher, B., Klien, E., and Eggeling, E.: A Scalable AI Training Platform for Remote Sensing Data, AGILE GIScience Ser., 4, 53, https://doi.org/10.5194/agile-giss-4-53-2023, 2023.

Showcases

ML-basierte Klassifizierung von Waldtypen in Copernicus-Daten

Zum Showcase

Panoramabilder: Anonymisierung von Fahrzeugen und Personen

Geodaten werden für ein Vielzahl von Anwendungsfällen erzeugt und einer breiten Menge von Anwendern zur Verfügung gestellt. Dabei muss sichergestellt werden, dass rechtliche Rahmenbedingungen eingehalten werden. Bilder mit räumlichem Bezug (z.B. 360° Panoramabilder, Luftbilder, Texturen oder andere Fotografien) enthalten zum Beispiel oft sensible und personenbezogene Informationen (z.B. Gesichter oder Nummernschilder).

Um diese Bilder in einem sicheren Rechtsrahmen nutzen zu können, haben wir eine Softwarekomponente entwickelt, die automatisiert Personen und Fahrzeuge erkennt und unkenntlich macht („verpixelt“). Der Anonymizer nutzt Machine-Learning-Verfahren und kann mit Hilfe von GPU-Beschleunigung eine sehr große Menge an Bildern in kurzer Zeit verarbeiten. Die Software arbeitet sehr zuverlässig und mit einer hohen Erkennungsrate. Der Anonymizer wird bereits seit einigen Jahren produktiv in der Industrie eingesetzt.

Veröffentlichungen:

Krämer, M., Bormann, P., Würz, H. M., Kocon, K., Frechen, T., & Schmid, J. (2024). A cloud-based data processing and visualization pipeline for the fibre roll-out in Germany. Journal of Systems and Software, 211, 112008. https://doi.org/10.1016/j.jss.2024.112008