Erstellen eines Schilder- und Straßenbestandsverzeichnisses aus Punktwolken mit KI

Ziel ist, Straßengüter in Punktwolken zu erkennen und Straßenschilder zu klassifizieren, um sie präzise in einem GIS-System abzubilden. Zu diesen Straßenobjekten können unter anderem gehören:

• Straßenschilder
• Straßenlaternen
• Gullyschächte
• Bushaltestellen
• Strommasten und Leitungen
• Werbeflächen

Für diesen Fall werden mobile Laserscannerdaten und 360-Grad-Bilder benötigt.

Die Vegetationsüberwucherung kann bei manchen Objekten eine Herausforderung darstellen. Sie lässt sich durch das Zuschneiden der Rohdateien auf die nahegelegenen und gut abgedeckten Scanbereiche bewältigen.

Die meisten Punktwolken sind nicht detailliert genug, um die genaue Art oder den Text von Straßenschildern zu erkennen. Daher müssen die 360-Grad-Bilder in einem separaten Erkennungsschritt verwendet werden.

Wir trainierten Deep-Learning-Modelle auf den 3D-Punktwolken. Dafür benötigten wir Trainingsdaten, die wir mit Pointly generierten. Mit dem trainierten Modell segmentierten wir die Punktwolken in mehrere Objektklassen. Anschließend wurden einzelne Objekte bestimmt und ihre Positionen in Feature-Klassen extrahiert.

Die Position der extrahierten Straßenschilder wird verwendet, um entsprechende 360-Grad-Bilder zu lokalisieren. Auf diesen wird der Typ des Straßenschilds durch einen 2D-Klassifikator identifiziert und der Text mit gängigen OCR-Techniken extrahiert.

Die Extraktion der Objekte verlief erfolgreich. Für jede Objektklasse wurde ein eigener Shape-Layer generiert und anschließend in das GEOjson-Format exportiert. Für Verkehrsschilder wurden zusätzliche Metadaten generiert, die den Typ und den Text des Schildes enthalten.

Pointly – Zeigen, was wichtig ist.