Crowdbasierte Erfassung von Fassadenelementen aus 3D-Meshes

Dauer der Arbeit: 4 Monate
Fertigstellung: September 2021
Betreuer: M.Sc. Michael Kölle
Prüfer: Dr.-Ing. Volker Walter

Die Zahl der Anwendungen, die Geodaten nutzen, steigt beispielsweise bei der Nutzung autonom arbeitender Maschinen (Steen et al. 2016). Gleichzeitig steigt dadurch das Interesse an der automatischen Klassifizierung und semantischen Interpretation von Geodaten. Dahinter stehen oft Algorithmen des maschinellen Lernens, die dafür zunächst eine sehr große Menge an Trainingsdaten von hoher Qualität benötigen. Um schnell und kostengünstig an diese Trainingsdaten zu gelangen, bietet sich Crowdsourcing als Lösung an (Vaughan, 2018). Mit zunehmender Verbreitung mobiler Endgeräte erscheint es von Bedeutung, dass Anwendungen für das Crowdsourcing nicht nur für den Desktop, sondern auch für mobile Geräte zur Verfügung gestellt werden. Wie die Erfassung von in der Geoinformatik häufig gebrauchten 3D-Geodaten, wie 3D-Punktwolken oder Ähnlichem, auch auf mobilen Endgeräten erfolgen kann und welche Qualität eine solche Erfassung aufzeigt, wird im Rahmen dieser Arbeit untersucht.

Grundlage für die Erfassung der Fassadenelemente Fenster und Tür bilden sogenannte texturierte 3D-Meshes, die einen Bereich des Ortes Hessigheim in Baden-Württemberg abbilden. Zur vereinfachten Erfassung und Darstellung werden aus den Meshes einzelne Gebäude geschnitten und 2D-Bilddaten der Fassadenebenen durch eine orthogonale Projektion erstellt. Außerdem wird eine Transformationsgleichung bestimmt, die die im Bild gemessenen Pixelkoordinaten in 3D-Koordinaten zurück transformiert.

Für die Datenerhebung durch die Crowdworker wird eine Webapplikation implementiert, mithilfe derer die Position und die Größe von Fenstern und Türen in den Bildern erfasst und gespeichert wird. Die Webapplikation ist so gestaltet, dass sie auf Desktop-Browsern und mobilen Browsern einsatzfähig und einfach und intuitiv zu bedienen ist. Die Webapplikation ist auf verschiedenen Displaygrößen und Betriebssystemen einsetzbar. Auf der Haupterfassungsseite können Elemente gesetzt, bewegt und skaliert werden. Ein kleiner Text am oberen Rand, gibt dem Nutzer kurze Hilfsanweisungen. Zur Datenerfassung werden drei Kampagnen mithilfe der Plattform microWorkers gestartet (Weblabcenter, Inc., 2021). Jedes Bild wird insgesamt 30-mal erfasst.

Zunächst werden die Mehrfacherfassungen integriert, um das an die abgebildeten Fassadenelemente bestangepassten Element zu ermitteln. Mithilfe des Algorithmus DBSCAN werden Ausreißer anhand der Position eliminiert und Cluster gebildet (Ester et al. 1996).  Eine weitere Ausreißerdetektion anhand der Größe erfolgt über die Berechnung von Flächenüberschneidungskoeffizienten. Zuletzt ergibt das Mittel aus Position und Größe von allen übrigen Ergebnissen eines Clusters das jeweils bestangepasste Fassadenelement. Die Art des Elements wird mit einer Mehrheitsentscheidung festgelegt.

Für die Qualitätsanalyse werden die Crowderfassungen bzw. integrierten Ergebnisse mit eigens ermittelten Referenzdaten verglichen und anhand von Flächenüberschneidungskoeffizienten die Parameter Vollständigkeit, Korrektheit und Qualität ermittelt.

Die Analyse der Kampagnen zeigt, dass rund die Hälfte der Crowdworker ihren mobilen Browser für die Erfassung nutzen. Es wird deutlich, dass mit mobilen und Desktop-Browsern qualitativ gute Ergebnisse erzielt werden können.  Weiterhin fällt auf, dass die Qualität durch die Integration der Mehrfacherfassungen entgegen den Erwartungen sinkt. Da die Crowd im Gegensatz zur Referenz auch Dachfenster erfasste, werden diese in einer weiteren Analyse und Integration nicht mit einbezogen. Das führte zu einer Steigerung der Qualitätswerte insgesamt, jedoch nicht dazu, dass die Qualität durch die Integration der Mehrfacherfassungen insgesamt steigt. In einer vertieften Analyse fällt auf, dass das Ergebnis der Qualitätsanalyse nicht nur von den Crowderfassungen beeinflusst wird, sondern auch durch die Wahl von Parametern für die Datenintegration und der Berechnung der Qualitätswerte bestimmt wird. Die zu erreichende Genauigkeit sollte vor Beginn der Datenerhebung und Auswertung an bekannt sein.

Zuletzt konnten die integrierten Ergebnisse in den 3D-Raum transformiert werden.

Zusammenfassend zeigt sich, dass es möglich ist, qualitativ gute Ergebnisse mit der crowdbasierten Erfassung von Geodaten auf mobilen Endgeräten zu erzielen. Für zufriedenstellende Ergebnisse in der Analyse sollte das Anwendungsgebiet bzw. der Verwendungszwecks und damit zu erwartende Genauigkeiten der Erfassungen bekannt sein.

Steen, K. A. et al. (2016). “Using Deep Learning to Challenge Safety Standard for Highly Autonomous Machines in Agriculture”. In: Journal of Imaging. DOI: 10.3390/jimaging2010006. URL: https://www.mdpi.com/2313-433X/2/1/6

Vaughan, J.W. (Mai 2018). “Making better use of the crowd: How crowdsourcing can advance machine learning research”. In: Journal of Machine Learning Research 18, S. 1-46.

Weblabcenter, Inc. (2021). “Microworkers - work, earn or offer a micro job”. URL: https://www.microworkers.com/ (besucht am 27. 07. 2021).

Ester, M. et al. (1996). “A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise”. In: Proceedings of 2nd International Conference on Knowledge Discovery and Data Mining, S. 226-231.