Die neue Art, BIM-Modelle aus 3D-Punktwolken zu generieren

Building Information Modeling (BIM) gilt als die Zukunft des Bauwesens – von der Planung und Analyse über die Dokumentation bis hin zu Instandhaltung und Renovierung. Der technologische Fortschritt ermöglicht es heute, hochpräzise 3D-Gebäudemodelle zu erstellen, die zusätzliche Informationen wie Spezifikationen, Diagramme, finanzielle Aspekte oder sogar historische und Echtzeitdaten wie Wetter, Kundennachfrage oder Lieferunterbrechungen enthalten. Kürzlich haben wir uns der Herausforderung gestellt und ein BIM-Modell aus photogrammetrischen Punktwolken mit zusätzlichen Flächenattributen für Dächer und Wände erstellt. Lesen Sie diesen Blog, um mehr über unseren Ansatz und die Ergebnisse zu erfahren!

Building Information Modeling (BIM) ist eine Methode zur effizienten Planung, Gestaltung, Konstruktion und Verwaltung von Gebäuden und Infrastruktur mithilfe geeigneter Software. Mit BIM werden alle relevanten Gebäudedaten digital erfasst und als „digitaler Zwilling“ visualisiert, bevor sie in der Realität umgesetzt werden. Auf diese Weise lässt sich überprüfen, ob die Objekte alle Erwartungen erfüllen, und potenzielle Planungsfehler und Inkonsistenzen lassen sich leicht beseitigen. Doch das ist noch nicht alles – digitale Zwillinge ermöglichen auch die Kontrolle und Wartung des Gebäudes nach der Fertigstellung. BIM verbessert Planungsentscheidungen und die Gebäudeleistung während des gesamten Projektlebenszyklus.

Aufgrund der zunehmenden Digitalisierung in allen Branchen der letzten Jahre hat BIM an Popularität gewonnen. Der BIM-Markt wird voraussichtlich von 4,9 Milliarden US-Dollar im Jahr 2019 auf 8,9 Milliarden US-Dollar im Jahr 2024 wachsen. Die schnelle Entwicklung dieser Methode hat viele Gründe. Einer davon ist die Verbesserung der 3D-Technologien zur Erstellung digitaler Zwillinge. Früher erfolgte die Modellierung mit 2D-Methoden, was zeitaufwändig und weniger präzise war. Heute ist es möglich, hochwertige 3D-Daten für die Gebäudemodellierung zu liefern, beispielsweise durch den Einsatz von LiDAR.

LiDAR ist ein Fernerkundungsverfahren, das Licht in Form eines gepulsten Lasers nutzt, um Entfernungen (variable Distanzen) zur Erde zu messen. LiDAR wird verwendet, um 3D-Modelle, sogenannte Punktwolken, zu generieren, die aus Millionen von Datenpunkten bestehen können. Ein wichtiger Faktor ist, dass die Sensoren nicht nur genaue Daten von Gebäudeoberflächen und komplexeren Strukturen wie Brücken oder Versorgungseinrichtungen generieren, sondern auch deren Umgebung und Innenraum präzise erfassen können. Dadurch ist es möglich, Informationen über das gesamte Gebäude oder die gesamte Konstruktion zu erhalten, was für BIM-Anwendungen von entscheidender Bedeutung ist.

Einer der jüngsten Anwendungsfälle, die mit Pointly & Pointly Service durchgeführt wurden, umfasste die Erstellung von LOD 2.3-Gebäudemodellen. LOD steht für Level of Detail und ist eines der wichtigsten Merkmale eines 3D-Stadtmodells, da es die Optimierung verschiedener Zoomstufen ermöglicht. LOD 2.3 ist eine detaillierte 3D-Modellierung von Dachformen mit vertikaler Projektion auf den Boden, jedoch ohne Details wie Oberlichter, Schornsteine, Antennen oder Solarmodule.

Ziel des Projekts war die automatisierte Generierung hochpräziser Stadtmodelle aus Luftbild-Laserscans mit zusätzlichen Informationen zu Dach- und Wandflächen. Die Ergebnisse wurden anschließend in eine 3D-Stadtdatenbank für Webvisualisierung, Kartierung und Planung eingespeist.

Es gibt viele verschiedene Dacharten und Dachmaterialien. Die Grundformen von Dächern sind Flachdächer, Pultdächer, Satteldächer, Walmdächer, Schmetterlingsdächer, Bogendächer und Kuppeldächer, wobei es zahlreiche Variationen davon gibt. Daher scheitern die meisten regelbasierten Ansätze (feste Regeln zur Definition eines Daches) zur Dachidentifizierung bei komplex geformten Dächern und konnten nicht berücksichtigt werden. Die größte Herausforderung des Projekts bestand darin, einen zuverlässigen Ansatz für alle verschiedenen Dacharten zu entwickeln. Eine weitere Schwierigkeit bestand darin, dass Wände bei Luftbild-Laserscans nicht immer erfasst werden, was die Gebäudemodellierung erschwert.

Wir kombinierten 3D Deep Learning zur Identifizierung von Dächern in den Punktwolken mit Computer-Vision-Techniken zur Identifizierung von Schlüsselpunkten für Dachteile. Schlüsselpunkte sind räumliche Positionen oder Punkte im Bild, die das Interessante oder Auffällige definieren – in diesem Fall die Dachecken. Um wohlgeformte CAD-Modelldarstellungen zu generieren, wurden die erkannten Dachflächen in Dreiecksnetze umgewandelt.

Wir haben erfolgreich eine automatisierte und skalierbare Pipeline zur Generierung von LOD 2.3-Gebäudemodellen aus Punktwolken und Gebäudegrundrissen entwickelt.

Das Ergebnis war eine CAD-Datei mit Gebäudemodell in LOD2 (Gebäudeform und Dachform) mit zusätzlichen Flächenattributen für Dächer und Wände. Dieser Ansatz lässt sich mit vergleichsweise geringem Aufwand auf ähnliche Scantypen übertragen. Lediglich geringfügige Anpassungen der Dachextraktion wären für die Bearbeitung völlig neuer Stadtszenen erforderlich.

Pointly – Zeigen, was wichtig ist.