Intelligente Auswahlwerkzeuge machen 3D-Punktwolken zum Erfolgsfaktor
veröffentlicht: 19.03.2020
Aktualisiert: 27.10.2020
Seien wir ehrlich: Trotz ihrer Nützlichkeit bei der Digitalisierung der realen Welt kann die Arbeit mit 3D-Punktwolken mühsam sein. Schon die Visualisierung einer großen Punktwolke kann langsam sein, und ihre Bearbeitung kann eine Herausforderung darstellen. Aus diesem Grund werden Punktwolken oft als Rohprodukt abgetan, wobei der Schwerpunkt auf verarbeiteten Datenformaten wie Raster für DEMs oder CAD-Formaten für BIM-Modelle liegt.
Diese verarbeiteten Formate können jedoch nur so gut sein wie die aus den Punktwolken extrahierten Daten. Wir bei Pointly sind davon überzeugt, dass Punktwolken ein großes ungenutztes Potenzial haben, und es ist unsere Mission, Ihnen einfache Tools und Dienste zur Verfügung zu stellen, mit denen Sie dieses Potenzial ausschöpfen können.
Was ist die aktuelle Situation bei 3D-Punktwolken-Tools?
Herkömmliche Punktwolken-Tools sind begrenzt. Haben Sie schon einmal versucht, ein komplexes 3D-Objekt mit 2D-Tools auf einem 2D-Bildschirm aus seiner Umgebung herauszuschneiden? Es erfordert viel Geduld, die richtigen Ansichten zu finden, um die richtige Auswahl zu treffen, und viel Zeit, um versehentlich ausgewählte Punkte zu entfernen. Deshalb machen sich die meisten von uns selten die Mühe. Wir verwenden Punktwolken als Visualisierungen für virtuelle Inspektionen und beschränken unsere Arbeit mit ihnen auf die Messung einfacher Entfernungen und Transekte, wo sie leicht platziert werden können.
Oder wir verlassen uns auf die Ergebnisse von Standardklassifikatoren, um Boden, Vegetation und Gebäude voneinander zu unterscheiden, um uns besser auf das Wesentliche konzentrieren zu können, was jedoch oft zu unzureichenden Ergebnissen führt.
Der Bereich des autonomen Fahrens bildet hier eine bemerkenswerte Ausnahme. Um selbstfahrenden Autos beizubringen, wie sie sich sicher in der Welt bewegen können, müssen Objekte wie Autos, Fußgänger, Straßenschilder und andere Hindernisse automatisch erkannt werden.
Standardklassifikatoren sind für solche komplexen Aufgaben nicht geeignet. Um diese Informationen aus Punktwolken zu extrahieren, ist fortschrittliche KI erforderlich.
KI benötigt jedoch Trainingsdaten (d. h. von Menschen erstellte Anmerkungen), die sie als Beispiele zum Lernen verwenden kann. Damit sind wir wieder beim ursprünglichen Problem angelangt: der mühsamen Aufgabe, Punktwolken manuell zu bearbeiten.
Der Bereich des autonomen Fahrens hat in letzter Zeit spektakuläre Durchbrüche erzielt, wenn es darum geht, KI zu trainieren, Fußgänger und andere Objekte zu erkennen. Wie haben sie das geschafft, und könnten ihre Ansätze auf andere Anwendungsfälle für Punktwolken übertragen werden?
Ja und Nein.
Trainingsdaten für selbstfahrende Autos werden in der Regel in Form von Begrenzungsrahmen generiert. Dabei handelt es sich um Quader, die manuell in die Punktwolke eingezeichnet werden, um einzelne Objekte von Interesse abzugrenzen. Das mag für einzeln stehende Objekte funktionieren und reicht für viele Straßenszenen aus, aber nehmen wir einmal an, Sie möchten Teile eines Gebäudes genau erkennen. Versuchen Sie einmal, einen Begrenzungsrahmen um die komplexe Form eines Daches zu zeichnen, ohne Wände und andere Objekte einzubeziehen, die Sie separat erkennen möchten – das ist unmöglich.
Wir bei Pointly wissen, dass die Fortschritte in der 3D-KI ein unglaubliches Potenzial für viele weitere Anwendungsfälle bieten. Hier sind drei Beispiele, wo diese Fortschritte zum Einsatz kommen könnten:
- Im Bausektor würden sie es ermöglichen, Bauteile automatisch zu erkennen und so den Baufortschritt zu verfolgen, den Materialbedarf zu berechnen und Sicherheitsrisiken zu identifizieren.
- In der Stadtplanung könnten sie detaillierte Verzeichnisse des städtischen Bestands erstellen, was zu deutlich verbesserten Stadtmodellen führen würde.
- Im Forstsektor können sie zur Erkennung von Baumbeständen und zur Schätzung des Ertrags eingesetzt werden.
Stellen Sie sich also die Frage: Was wäre, wenn Sie nicht nur reale Objekte automatisch in Punktwolken erkennen, sondern auch bis auf ihre einzelnen Komponenten herunterbrechen könnten? Und all das in bessere und detailliertere 3D-Modelle sowie Karten umwandeln könnten?
Das ist das ungenutzte Potenzial von Punktwolken und das Versprechen der 3D-KI.
Wie kommen wir also dahin?
Arbeiten Sie effizient mit den intelligenten Auswahlwerkzeugen von Pointly.
Um Klassifikatoren für die Erkennung benutzerdefinierter Objekte aus Punktwolken zu trainieren, benötigen wir Trainingsdaten, um es der KI anhand von Beispielen beizubringen. Die einzige Einschränkung hierbei ist die Qualität und Menge der Trainingsdaten, die generiert werden können. Herkömmliche Tools sind entweder zu langsam oder zu eingeschränkt, um KI effektiv zu trainieren. Die intelligenten Auswahltools von Pointly bieten hierfür eine einfachere und effektivere Möglichkeit.
Das wichtigste Tool von Pointly ist der Segment-Selektor, eingeführt im zweiten Quartal 2020. Mit diesem Tool können Sie mit nur einem Klick zusammenhängende Segmente auswählen. Sie müssen nicht mehr zoomen, die Ansicht ändern und perfekte Begrenzungen zeichnen. Pointly hat bereits die wahrscheinlichsten Trennungen zwischen einzelnen Objekten in Ihren Daten ermittelt und ermöglicht Ihnen, auf dieser Grundlage eine Auswahl zu treffen. Auf diese Weise können komplexe Objekte mit schwierigen Umrissen schnell ausgewählt und einer Objektklasse zugeordnet werden.
Um unterschiedliche Detailstufen zu unterstützen, ermöglicht das Segment-Werkzeug die Auswahl zwischen verschiedenen Segmentgranularitätsgraden. Diese reichen von „fein“ über „mittel“ bis „grob“ und sind so konzipiert, dass sie verschiedene Anwendungsfälle für alle möglichen Punktwolkentypen und Auflösungen abdecken. Auf diese Weise können Sie mit einem Klick große Bodenflächen und mit dem nächsten Klick Straßenschilder auswählen.
Ein Polygon-Lasso-Werkzeug bietet eine Alternative, wenn Sie die Segmente manuell anpassen möchten. Die Genauigkeit des Segmentfinders von Pointly ist jedoch für die meisten Objekte bereits ausreichend und nimmt Ihnen die mühsame Arbeit ab. Unser Beschriftungsdienstleister sagte dazu:
„Früher hätte einer meiner Mitarbeiter dafür einen ganzen Tag gebraucht, jetzt geht das mit einem Klick.“
Eine weitere nützliche Funktion ist die 3D-Begrenzungsbox. Mit diesem vielseitigen Werkzeug können Sie die Auswahltiefe steuern. So können Sie Objekte klassifizieren, die sich sehr nahe an anderen Objekten befinden oder die räumlich voneinander getrennt werden müssen. Schneller Tipp: Beenden Sie Ihre Auswahl, indem Sie mit der rechten Maustaste klicken.
Alle Auswahlwerkzeuge sind direkt in die Zuweisung von Objektklassen integriert, sodass keine zusätzliche Zuweisung erforderlich ist. Aktivieren Sie einfach die Klasse, die Sie kennzeichnen möchten, und beginnen Sie mit dem Klicken.
Das Segment-Werkzeug ist nur der Anfang einer ganzen Reihe intelligenter Auswahlwerkzeuge, die die Arbeit mit Punktwolken beschleunigen werden: Als Nächstes stehen ein dynamischer Zauberstab-Selektor sowie ein Werkzeug zur Auswahl von Objekten, die bereits ausgewählten Objekten ähneln, auf dem Plan. Bleiben Sie dran!
Pointly – Point out what matters.
Pointly ist eine intelligente, cloudbasierte Softwarelösung zur Verwaltung und Klassifizierung von 3D-Punktwolken – schneller und präziser als je zuvor.
Pointly Services bieten bedarfsgerechte, fortschrittliche 3D-Punktwolkenlösungen, individuell zugeschnitten auf spezifische Anforderungen.
Hinterlassen Sie einen Kommentar