Analyse zur crowd-basierten Erfassung von Gebäudeelementen aus 3D-Punktwolken

Dauer der Arbeit: 6 Monate
Fertigstellung: Februar 2021
Betreuer: M.Sc. Michael Kölle, Dr.-Ing. Volker Walter
Prüfer: Prof. Dr. Uwe Sörgel

Die Erfassung und Klassifizierung von Daten gewinnt mit dem Fortschritt der Technik in vielen Bereichen stark an Bedeutung. Durch eine stetige Entwicklung an autonom entscheidenden Computeralgorithmen, von einer selbständig arbeitenden Maschine in ei- nem industriellen Umfeld bis zu Luxusprodukten wie selbstfahrenden Autos, wächst der Markt für die Trainingsdaten der häufig dahinter stehenden Convolutional Neural Net- works (CNN). Durch die gleichzeitige Weiterentwicklung der Erfassungsmöglichkeiten von hochaufiösenden 3D-Raumdaten durch Laserscanning bildet sich ein groger Forschungs- bereich neuer Methoden zur Erfassung von Objekten im urbanen Umfeld oder zur Stadt- entwicklung durch die Beurteilung wichtiger städteplanerischer Faktoren wie der Barrie- refreiheit aus Punktwolken. Eine praktische, kostengünstige Alternative zur klassischen Annotation solcher Daten durch Experten oder trainierte Arbeiter, bietet hier das Crowd- sourcing. Dies bezeichnet das Prinzip einer an das Outsourcing angelehnten Struktur zur Auslagerung einzelner Aufgaben. Besonders ist hierbei, dass die Arbeiter, welche über internetbasierte Netzwerke wie Social Media oder dedizierte Unternehmensplattformen erreicht werden, meist kein spezielles Vorwissen über das Aufgabenfeld besitzen, sondern dem ungeschulten Durchschnitt gleichen. Die benötigte Genauigkeit der erfassten Daten baut hierbei auf der sogenannten JWisdom of the Crowd" auf, also der Berichtigung mög- licher Fehler durch eine hohe Anzahl an Erfassungen unterschiedlicher Arbeiter. Diese Arbeit untersucht die Genauigkeit der Erfassung von Gebäudeelementen, hier Fenstern und Türen, aus LiDAR-erfassten 3D-Punktwolken durch eine solche Crowd mittels einer eigens erstellten Webapplikation.

Webapplikation

Zur Erfassung der Gebäudeelemente wurde eine Webapplikation entwickelt, welche ein intuitiven Umgang mit der Punktwolke sowie eine einfache Markierung der Fenster und Türen durch Quader ermöglicht. Wesentlicher Bestandteil dieser Applikation waren zu- sätzlich der Umgang mit den Dateien der jeweiligen Gebäude sowie der Individualisierung für die einzelnen Arbeiter der Crowd. Die in Abb. 1 dargestellte Hauptseite zur Erfas- sung bietet, neben der grogen Darstellung der Punktwolke, auf der rechten Seite Knöpfe zum Einfügen der Element-Markierungen und Manipulation dieser in Form von Rota- tion und Skalierung. Durch die Bedienung mit der Maus kann die Punktwolke gedreht, vergrögert und bewegt und die Markierungen an eine entsprechende Position gesetzt wer- den. Zur Verteilung der Webapplikation an die Crowd und deren Bezahlung wurde die Crowdsourcing-Platform M iroWorkers genutzt. Insgesamt wurden so 25 einzelne Gebäu- de jeweils 20 mal erfasst.

Auswertungsmethoden

Zur Clusterbildung und Eliminierung positionsbezogener Ausreiger wurde ein DBSCAN- Algorithmus [1] verwendet. Zusätzliche Ausreiger der Dimensionen eines erfassten Elements wurden anhand von Flächen-Schnittquotienten mit dem entsprechenden Cluster- Mittel ausgeschlossen. Anschliegend wurden die Parameter jedes Clusters gemittelt und die Art des Elements, also Fenster oder Tür, durch eine Mehrheitsentscheidung bestimmt.

Qualitätsanalyse

Zur Qualitätsanalyse der crowd-erfassten Elemente wurde eine Referenzerfassung durch den Autor durchgeführt. Die Zuweisung der Crowd-Elemente zu diesen erfolgte zunächst über die Distanz der Quader-Zentren, anschliegend ebenfalls über Schnittquotienten. Hieraus liegen sich zusätzlich die Qualitätsparameter der User's und Producer's Accu- racy bestimmen.

Bei der Erfassung durch die Crowd wurden pro Job in durchschnittlich etwa 3 Minuten 6,3 Elemente erfasst, gegenüber 12,5 durchschnittlichen Referenzerfassungen pro Gebäude. 26,3% der Crowd-Elemente wurden hierbei bei der weiteren Auswertung als Ausreiger eliminiert, womit 3, % der Daten effektiv verwendet werden konnten. Insgesamt erga ben sich somit trotz der deutlich niedrigeren durchschnittlichen Erfassungszahl bei der Crowdkampagne 205 Crowd-Cluster für die 312 Referenzelemente aller Gebäude. Zwischen diesen ergaben sich 19 erfolgreiche Zuweisungen, wodurch eine User's Accuracy von 69,8% und eine Producer's Accuracy von 63,1% ergeben.

Für die Komplexität einer Referenzierung von dreidimensionalen Raumdaten lieferte das Modell des Crowdsourcing in dieser Arbeit zufriedenstellende Ergebnisse. Besonders nach der Auswertung der vielfachen Erfassungen ergaben sich hohe Genauigkeiten im Bezug zur Referenzerfassung.

[1] Kamran Khan, Saif Ur Rehman, Kamran Aziz, Simon Fong, and Sababady Sarasvady. Dbscan: Past, present and future. In The fifth international conference on the applications of digital information and web technologies (ICADIWT 2014), pages 232-238. IEEE, 2014.