Klassifizierung von Innenraumobjekten aus Punktwolken : Ein Workflow basierend auf faltenden Neuronalen Netzen

Jan Martens
2021
Die Anwendungsfälle von Building Information Modeling (BIM) im Lebenszyklus sind vielfältig und reichen von der Planung über die Bauausführung bis hin zum Betrieb. Für Letztgenanntes wird der Einsatz vor allem auch für Aufgaben der Gebäudebewirtschaftung im Facility Management (CAFM) gesehen. Bestandsgebäude stellen hierfür jedoch eine besondere Herausforderung dar, da für diese in der Praxis nur selten (aktuelle) digitale Modelle vorliegen. Da das erforderliche Gebäudeaufmaß zur Erstellung von
more » ... Bestandsmodellen zunehmend effektiver mittels moderner (mobiler) Laserscanner gelingt, bilden hochaufgelöste 3D-Punktwolken vielfach die Grundlage der digitalen Rekonstruktion für ein as-is BIM. Der Modellierungsprozess ist dabei jedoch heute noch stark durch manuelle Arbeitsschritte geprägt, so dass großer Bedarf für die Automatisierung der Modellierung aus 3D-Punktwolken besteht. Neben der Ableitung der Geometrie der Grundbauwerksstruktur (z.B. Räume, Wände, Öffnungen etc.), ist für einige Anwendungsfälle, insbesondere im CAFM, auch die Erkennung und Modellierung von Installationen (z.B. Lampen/Leuchten, Heizkörper) und Einrichtungsgegenständen (z.B. Mobiliar) aus den Erfassungsdaten von Bedeutung. Im Beitrag wird eine Methode vorgestellt, welche Einrichtungsgegenstände und Installationen automatisch in Punktwolkensegmenten erkennt sowie selbstständig ihrer jeweiligen Klasse von Einrichtungsgegenständen zuordnet. Zum Einsatz kommen hierbei faltende Neuronale Netze (Convolutional Neural Networks, CNN). Für das Netzwerk werden die lokale Punktwolkendichte, Luminanz und Laserintensität der Segmente auf ein Voxelgitter aufgetragen, sodass diese unabhängig von ihrer Orientierung einer von sechs Objektklassen zugeordnet werden können. Ein wichtiger Aspekt für das Training stellt dabei die Aufbereitung der Daten dar, zumal die Menge an Trainingsdaten im gegebenen Szenario stark begrenzt ist. Dieser Beitrag stellt neben der grundlegenden Methodik, der Architektur des verwendeten Netzwerks auch den Gesamtworkflow (inkl. z.B. Data Augmentation) vor. Die bisherigen Ergebnisse werden abschließend diskutiert, um einen Ausblick auf mögliche Erweiterungen zu geben.
doi:10.18154/rwth-2022-02769 fatcat:qhqepl4vwfetfnww5xvlpd3tui