Rekonstruktion von Gebäudeobjekten aus Punktwolken von bebauten Umgebungen und Baustellen
Dokumentinformationen
| Autor | Yusheng Xu |
| instructor | Prof. Dr.-Ing. André Borrmann |
| Schule | Technische Universität München |
| Fachrichtung | Ingenieurfakultät Bau Geo Umwelt |
| Veröffentlichungsjahr | 2019 |
| Ort | München |
| Dokumenttyp | dissertation |
| Sprache | German |
| Seitenanzahl | 178 |
| Format | |
| Größe | 8.51 MB |
- Geodäsie
- Bauinformatik
- Punktwolkenverarbeitung
Zusammenfassung
I. Einleitung
Die Rekonstruktion von Gebäudeobjekten aus Punktwolken ist ein bedeutendes Forschungsfeld, das sich mit der Erfassung und Analyse der bebauten Umwelt beschäftigt. Diese Arbeit zielt darauf ab, Methoden zu entwickeln, die die Rekonstruktion von Gebäuden in urbanen Szenen und auf Baustellen ermöglichen. Die Verwendung von Punktwolken, die durch Laserscanning oder Stereomatching gewonnen werden, ist entscheidend, da sie eine präzise Beschreibung der Objektoberflächen bieten. Die Herausforderung besteht darin, dass diese 3D-Punkte keine topologischen und semantischen Informationen enthalten. Daher ist die Entwicklung neuer Algorithmen in den Bereichen Segmentierung, Klassifikation und Modellrepräsentation von zentraler Bedeutung. Die Arbeit leistet Beiträge zur Optimierung von Datenstrukturen, zur Entwicklung robuster Merkmalsbeschreibungen und zur graphenbasierten Optimierung der Ergebnisse.
1.1 Motivation
Die Motivation hinter dieser Forschung liegt in der Notwendigkeit, die Effizienz und Genauigkeit der Rekonstruktion von Gebäudeobjekten zu verbessern. In der heutigen Zeit, in der die Bauindustrie zunehmend auf digitale Technologien angewiesen ist, ist es unerlässlich, präzise und zuverlässige Methoden zur Analyse der bebauten Umwelt zu entwickeln. Die Arbeit untersucht, wie voxelbasierte Datenverarbeitung und innovative Merkmalsbeschreibungen dazu beitragen können, die Segmentierung und Klassifikation von Punktwolken zu optimieren. Ein zentrales Ziel ist es, die Robustheit der Algorithmen zu erhöhen, um auch in komplexen urbanen Umgebungen zuverlässige Ergebnisse zu erzielen.
II. Methodik
Die Methodik dieser Arbeit umfasst die Entwicklung und Evaluierung optimierter Datenstrukturen sowie die Implementierung neuer Algorithmen zur Segmentierung und Klassifikation von Punktwolken. Ein wesentlicher Bestandteil ist die voxelbasierte Verarbeitung, die verschiedene Techniken wie voxelbasierte Filterung, Octree-basierte Indizierung und Supervoxel-basierte Übersegmentierung umfasst. Diese Techniken ermöglichen eine effiziente Verarbeitung großer Datenmengen und verbessern die Merkmalextraktion. Die Arbeit führt auch die Entwicklung des LSSHOT-Deskriptors ein, der zur Extraktion linearer Strukturen aus Punktwolken dient. Diese innovativen Ansätze sind entscheidend für die Verbesserung der Klassifikation und der Segmentierung von Punktwolken.
2.1 Voxelbasierte Verarbeitung
Die voxelbasierte Verarbeitung ist ein zentraler Aspekt der Methodik. Sie ermöglicht die effiziente Handhabung und Analyse von Punktwolken durch die Unterteilung in Voxel, die als volumetrische Elemente fungieren. Diese Technik verbessert die Datenstruktur und ermöglicht eine präzisere Merkmalextraktion. Durch die Anwendung von voxelbasierten Filtern können Rauschen und unerwünschte Daten entfernt werden, was die Qualität der Rekonstruktion erheblich steigert. Die Octree-basierte Indizierung sorgt für eine effiziente Speicherung und Abfrage der Punktwolken, während die Supervoxel-basierte Übersegmentierung die Segmentierung in bedeutungsvolle Einheiten erleichtert.
III. Ergebnisse und Diskussion
Die Ergebnisse dieser Forschung zeigen, dass die entwickelten Algorithmen und Datenstrukturen signifikante Verbesserungen in der Segmentierung und Klassifikation von Punktwolken ermöglichen. Die Experimente belegen, dass die voxelbasierte Datenverarbeitung und die neuen Merkmalsbeschreibungen zu einer effizienteren und effektiveren Analyse der bebauten Umwelt führen. Die graphenbasierte Optimierung hat sich als besonders nützlich erwiesen, um robuste Punktsegmentierungen zu erreichen und die Klassifikationsergebnisse zu verfeinern. Diese Erkenntnisse sind von großer praktischer Bedeutung für die Bauindustrie, da sie die Grundlage für die Entwicklung smarter, datengestützter Lösungen zur Analyse und Planung von Bauprojekten bieten.
3.1 Praktische Anwendungen
Die praktischen Anwendungen der Forschungsergebnisse sind vielfältig. Die entwickelten Methoden können in der Bauindustrie zur Verbesserung der Planung und Überwachung von Bauprojekten eingesetzt werden. Durch die präzise Rekonstruktion von Gebäudeobjekten aus Punktwolken können Architekten und Ingenieure fundierte Entscheidungen treffen und potenzielle Probleme frühzeitig identifizieren. Darüber hinaus können die Algorithmen auch in der Denkmalpflege und Stadtplanung Anwendung finden, um historische Gebäude zu dokumentieren und städtische Entwicklungen zu analysieren. Die Arbeit leistet somit einen wertvollen Beitrag zur Integration digitaler Technologien in die Bauindustrie.
Dokumentreferenz
- Reconstruction of Building Objects from Point Clouds of Built Environment and Construction Sites (Yusheng Xu)
- Doktor-Ingenieur (Dr.-Ing.) (Prof. Dr.-Ing. André Borrmann)
- Korreferent (Prof. Dr. techn. Norbert Pfeifer (TU Wien))
- Korreferent (Prof. Dr. sc. techn. habil. Hans-Gerd Maas (TU Dresden))
- E-Dissertation auf mediaTUM