< zurück

veröffentlicht: 19.03.2020

Eine Punktwolke ist ein 3D-Datensatz aus Punkten, die individuelle Messwerte haben. Ein Punkt besteht in der Regel aus x-, y- und z-Koordinaten.

Je nach Scannertyp liefern einige Punktwolken auch Informationen über:

- Farbe

- Intensität des reflektierten Laserstrahls

- zusätzliche Informationen darüber, wie der Punkt aufgezeichnet wurde.

Punktwolken entstehen unter anderem als Messergebnisse von UAV-Scans, stationären Laserscans, Robotersteuerung, durch Qualitätskontrollen und satellitengestützten InSAR-Bildern. Punktwolken können im Zuge laserbasierter Abstandsscans (LiDAR), aus mehreren Bildern (Photogrammetrie) oder mit Hilfe von RGB-D-Kameras erzeugt werden.

Es gibt verschiedene Dateiformate, in denen Punktwolken gespeichert werden können, wobei .xyz das einfachste ist. Hier werden alle Punkte als Textdatei gespeichert. Weitere Formate sind in der Grafik (rechte Seite) dargestellt.

Es gibt ein breites Spektrum an Anwendern, da die Einsatzmöglichkeiten von Punktwolken vielfältig sind. Das Potenzial einer 3D-Punktwolke geht weit über virtuelle Standortbesichtigungen hinaus. Hier einige Beispiele, bei denen sie eine Schlüsseltechnologie in der Digitalisierung darstellen:

Punktwolken eignen sich als 3D-Modelle für das Prototyping und Reverse Engineering. Darüber hinaus können sie zur Vermessung von Baustellen und zur Messung von Volumen, Flächen und Entfernungen verwendet werden. Sie ermöglichen eine intelligente Navigation in der Welt, z. B. für Robotik und selbstfahrende Autos. Außerdem werden Punktwolken auch für Innenaufnahmen wie Indoor-Kartierung und die Modellierung von Gebäuden verwendet. Weitere Anwendungsbereiche sind der Denkmalschutz und die Archäologie, um Funde zu dokumentieren und zu analysieren.

Punktwolken müssen analysiert werden, um wertvolle Informationen über die darin enthaltenen Objekte und räumlichen Eigenschaften zu erhalten. Fortschritte in der Architektur neuronaler Netze ermöglichen es uns nun, 3D-Daten direkt zu verarbeiten und dabei die analytischen Fähigkeiten des Deep Learning mit der Informationsfülle von 3D-Punktwolken zu kombinieren.

Punktwolken können jedoch noch nicht automatisch verwendet werden. Stattdessen werden sie in der Regel manuell ausgewertet oder mit sogenannten „unüberwachten Methoden“ analysiert. Hier muss der Entwickler für jede Anwendung manuell sinnvolle Methoden zur Strukturerkennung festlegen.

Beide Ansätze lassen sich nur sehr schlecht an die Größe der Datensätze anpassen und funktionieren nur für begrenzte Anwendungen.. Daher ist eine automatisierte und flexible KI-basierte Lösung wünschenswert. Aber hier ist das Problem: Die KI muss anhand von Beispielen trainiert werden, und zunächst müssen Menschen diese Beispiele liefern. Zu diesem Zweck muss es möglich sein, die Messergebnisse zu Trainingsdaten zu verarbeiten. Dies erfordert eine systematische und präzise Zuordnung der einzelnen Messpunkte zu den entsprechenden Objektklassen (z. B. Gebäude, Straße usw.). Dieser Prozess wird in der KI-Community als „Labelling“ - also Auszeichnung - bezeichnet. In der Sprache der GIS-Spezialisten bedeutet „Beschriftung“ nichts anderes als „manuelle Klassifizierung“.

Hier liegt jedoch der Engpass im Bereich der 3D-Datenanalyse, da es derzeit keine effizienten Beschriftungsmethoden gibt, die flexibel auf viele Objekte angewendet werden können und mit sehr großen Punktwolken funktionieren. Die meisten handelsüblichen Tools können nur kleine Punktwolken verarbeiten und erlauben nur die Beschriftung durch Begrenzungsrahmen. Daher ist es nur auf sehr komplizierte Weise oder gar nicht möglich, die für KI-Anwendungen grundlegend notwendigen Trainingsdaten zu erstellen.

Der Schlüssel zu einer erfolgreichen 3D-KI-Strategie sind Daten, die zum Trainieren der KI verwendet werden können. Bei 3D-Punktwolken handelt es sich um klassifizierte Punktwolken.

Für Unternehmen sind jedoch die Trainingsdaten der entscheidende Faktor, da für das Training einer robusten KI große Mengen an Trainingsdaten erforderlich sind und die Klassifizierung sehr zeitaufwendig ist. Hier kommt Pointly mit intelligenten Bearbeitungswerkzeugen ins Spiel, mit denen Trainingsdaten schneller und einfacher als bisher generiert werden können.

Mit ausreichend Trainingsdaten wird die Leistung des Netzwerks so weit fortgeschritten, dass es künftig neue Punktwolken vollautomatisch klassifizieren kann. Je größer der Datensatz und je besser die Qualität, desto besser die Leistung der KI, die damit trainiert werden kann.

Pointly – Point out what matters.