Fraunhofer-Institut für Graphische Datenverarbeitung IGD
Fraunhofer-Institut für Graphische Datenverarbeitung IGD

ML für die Bild- und Punktwolkenanalyse im Geo- und Umweltbereich

Durch die in den letzten Jahren sehr stark gestiegenen Rechenkapazitäten und das zur Verfügung stehende Datenvolumen, rücken KI-basierte Auswerteverfahren und Machine Learning immer stärker in den Fokus. Mit ihnen lassen sich unter anderem Objekte in Bildern oder Punktwolken erkennen und klassifizieren, sensible Informationen und personenbezogene Daten in Fotografien aufspüren und unkenntlich machen, sowie sehr große Datenmengen automatisiert und intelligent verarbeiten, ohne dass ein Mensch Hand anlegen muss.

Im Bereich des Machine Learnings besitzen wir umfassende Expertise, mit der wir unsere Kunden bei ihren Projekten anwendungsbezogen beraten und unterstützen können. Wir haben darüber hinaus verschiedene Softwarekomponenten entwickelt, die z.B. die Automatisierung des Trainings von neuronalen Netzen verbessern oder Machine-Learning-Verfahren auf verschiedene Anwendungsfälle anwenden.

Luft- und Satellitenbilder: Klassifikation von Städten und Wäldern

Die Auswertung von Luftbildern und Orthophotos mit Hilfe von Machine-Learning-Verfahren bietet eine Vielzahl von Anwendungsmöglichkeiten, insbesondere im Kontext urbaner Umgebungen und städtischer Planung. Zum Beispiel lassen sich verschiedene Typen von versiegelten Oberflächen wie Straßen, Parkplätze und Gebäude präzise identifizieren und für städteplanerische Maßnahmen oder Infrastrukturprojekte nutzen. Darüber hinaus können Städte durch die Erfassung und Analyse unterschiedlicher Umweltbelastungen wie Überhitzung, Luftverschmutzung und den Verlust von Grünflächen besser verstehen und entsprechende Maßnahmen zur Reduzierung dieser Belastungen ergreifen.

Ein weiterer Anwendungsfall ist die Klassifikation von Waldbeständen. Hier ist insbesondere die präzise Erkennung von Baumarten ein Problem. Auf Basis von unserem Workflow-Management-System Steep sind wir in der Lage, verschiedene Machine-Learning Ansätze auf Sentinel 2 Daten zu trainieren und zu evaluieren.

 

Zur Steep-Website

 

Veröffentlichungen:

Kocon, K., Krämer, M., and Würz, H. M.: Comparison of CNN-based segmentation models for forest type classification, AGILE GIScience Ser., 3, 42, https://doi.org/10.5194/agile-giss-3-42-2022, 2022.

Würz, H. M., Kocon, K., Pedretscher, B., Klien, E., and Eggeling, E.: A Scalable AI Training Platform for Remote Sensing Data, AGILE GIScience Ser., 4, 53, https://doi.org/10.5194/agile-giss-4-53-2023, 2023.

Showcases

 

ML-basierte Klassifizierung von Waldtypen in Copernicus-Daten

Zum Showcase

Panoramabilder: Anonymisierung von Fahrzeugen und Personen

Geodaten werden für ein Vielzahl von Anwendungsfällen erzeugt und einer breiten Menge von Anwendern zur Verfügung gestellt. Dabei muss sichergestellt werden, dass rechtliche Rahmenbedingungen eingehalten werden. Bilder mit räumlichem Bezug (z.B. 360° Panoramabilder, Luftbilder, Texturen oder andere Fotografien) enthalten zum Beispiel oft sensible und personenbezogene Informationen (z.B. Gesichter oder Nummernschilder).

Um diese Bilder in einem sicheren Rechtsrahmen nutzen zu können, haben wir eine Softwarekomponente entwickelt, die automatisiert Personen und Fahrzeuge erkennt und unkenntlich macht („verpixelt“). Der Anonymizer nutzt Machine-Learning-Verfahren und kann mit Hilfe von GPU-Beschleunigung eine sehr große Menge an Bildern in kurzer Zeit verarbeiten. Die Software arbeitet sehr zuverlässig und mit einer hohen Erkennungsrate. Der Anonymizer wird bereits seit einigen Jahren produktiv in der Industrie eingesetzt.

 

Veröffentlichungen:

Krämer, M., Bormann, P., Würz, H. M., Kocon, K., Frechen, T., & Schmid, J. (2024). A cloud-based data processing and visualization pipeline for the fibre roll-out in Germany. Journal of Systems and Software, 211, 112008. https://doi.org/10.1016/j.jss.2024.112008