\n
![\"3D-Punktwolken-Klassifizierung](\"https:\/\/d17ocfn2f5o4rl.cloudfront.net\/wp-content\/uploads\/2020\/10\/3D-point-cloud-classifier.jpg\")
<\/p>\nUnser Kunde ist ein Berater und Anbieter von Technologien der k\u00fcnstlichen Intelligenz (KI) f\u00fcr wettbewerbsf\u00e4hige und ma\u00dfgeschneiderte L\u00f6sungen in den Bereichen Datenwissenschaft und maschinelles Lernen. Bei der Bereitstellung von GeoAI-Diensten (GeoAI = geospatial artificial intelligence) musste der Kunde eine intelligente Software zur Verarbeitung von Punktwolken entwickeln, um gro\u00dfe Datens\u00e4tze in einer 3D-Punktwolke zu verwalten und zu klassifizieren. Der schwierigste Teil dieses Projekts (bei dem unser Kunde Unterst\u00fctzung suchte) war die Klassifizierung und Kennzeichnung von fast 150 Millionen 3D-Punkten zur Unterscheidung zwischen verschiedenen Objekttypen: Autos, Stra\u00dfen, B\u00e4ume, etc. Die Beschriftung dieser Objekte w\u00fcrde es den Benutzern erm\u00f6glichen, das gesamte Bild eines gescannten Bereichs zu sehen. Schlie\u00dflich sollten die Benutzer in der Lage sein, klassifizierte Objekte in einem Webbrowser zu rendern, anzuzeigen und auszuw\u00e4hlen.<\/p>\n
Urspr\u00fcnglich arbeitete Intellias mit diesem Kunden an Projekten zum maschinellen Lernen. Unsere Erfahrung in Big Data Analytics qualifizierte uns, die neue 3D-Punktwolkenverarbeitungssoftware des Kunden von Grund auf neu zu entwickeln.
\n<\/p>\n
Wir begannen mit der Entwicklung eines MVP f\u00fcr die Software zur Verarbeitung von Punktwolken und setzten die Entwicklung \u00fcber den gesamten Zyklus fort, mit kontinuierlicher Bereitstellung kundenspezifischer Funktionen f\u00fcr Endkunden. Im Rahmen dieses 3D-Punktwolkenprojekts \u00fcbernahmen wir auch die Verantwortung f\u00fcr die Gestaltung einer einzigartigen Benutzererfahrung (UX). Unsere Spezialisten waren an allen Phasen der Implementierung der Software zur Verarbeitung von 3D-Punktwolken beteiligt. Vom Entwurf der Architektur und der Auswahl der Kernkomponenten \u00fcber die Erstellung von UI\/UX-Prototypen, die Entwicklung der kundenseitigen Funktionalit\u00e4t, die Tests, die Bereitstellung der Cloud-Infrastruktur und schlie\u00dflich die Markteinf\u00fchrung des Produkts.<\/p>\n
Das von uns entwickelte Produkt zur Verarbeitung von Punktwolken verarbeitet und klassifiziert 3D-Punktwolken-Eingabedaten, die von Lidar-Sensoren, die auf Fahrzeugen installiert sind, Luftbildern von Hubschraubern und Drohnen sowie tragbaren Stationen, die in einem gescannten Gebiet aufgestellt sind, gesammelt wurden. Nachdem die Daten gesammelt wurden, werden sie f\u00fcr die weitere Verarbeitung von Lidar-Punktwolken zu gro\u00dfen Datens\u00e4tzen zusammengefasst. Unser Kunde erh\u00e4lt von seinen Kunden 3D-Punktwolken zur Verarbeitung, Segmentierung und Klassifizierung. In Zukunft plant er, all diese Daten in Web Maps unter Anwendung von benutzerdefinierten Kartierungsdiensten darzustellen.<\/p>\n
Die Software unseres Kunden zur Verarbeitung von Punktwolken kann Objekte in zuvor ausgew\u00e4hlten Segmenten erkennen und sie anhand von Kriterien wie Form und Lage und ob sie mobil oder statisch sind, klassifizieren. Auf diese Weise kann die 3D-Punktwolken-Software unseres Kunden Objekte wie Stra\u00dfenschilder, B\u00e4ume, Stra\u00dfen, Fahrzeuge, Geb\u00e4ude, Br\u00fccken und Ampeln klassifizieren. Diese 3D-Punktwolkentechnologie kann mit Milliarden von Datenpunkten umgehen, sie als Objekte der realen Welt klassifizieren und ihnen Merkmale wie Farbe, geografische Koordinaten, Winkel und Geschwindigkeit zuweisen. Nachdem die Objekte beschriftet sind, k\u00f6nnen die Benutzer ein 3D-Modell einer ganzen Stadt oder einer beliebigen Landschaft, die digital dargestellt werden soll, erstellen und anzeigen und es direkt in einem Webbrowser rendern. Nach erfolgreicher Klassifizierung der Wolkenpunkte k\u00f6nnen diese 3D-Modelle f\u00fcr eine intelligente Stadtplanung, Konstruktion, Architektur und Infrastrukturentwicklung verwendet werden.
\n![\"3D-Punktwolken-Klassifizierung](\"https:\/\/d17ocfn2f5o4rl.cloudfront.net\/wp-content\/uploads\/2020\/10\/point-cloud-3D-models.jpg\")
<\/p>\n
Zun\u00e4chst laden Kunden Dateien mit Datenpunkten in den Punktwolken-Verarbeitungsdienst hoch, wo eine KI-Engine automatisch Segmente verschiedener Objekte erzeugt. In diesem Stadium kann das System Objekte nicht nach Kategorien sortieren, aber es bereitet gro\u00dfe Segmente f\u00fcr die weitere Beschriftung und Annotation vor.<\/p>\n
Eine segmentierte 3D-Punktwolke dient als Eingabe f\u00fcr die manuelle Beschriftung und Etikettierung. Das manuelle Markieren gro\u00dfer Datens\u00e4tze, die fast eine Milliarde Punkte umfassen, k\u00f6nnte ewig dauern. Die Datenpunkte werden also mit bestimmten Objekt-Determinatoren beschriftet. Benutzer k\u00f6nnen auf ein Objekt (z. B. einen Baum) klicken und der Klassifizierer wird automatisch alle in der N\u00e4he befindlichen B\u00e4ume gr\u00fcn markieren. Derselbe Algorithmus funktioniert auch f\u00fcr andere Objekte: Gel\u00e4nde, Stra\u00dfen, Infrastruktur, Autos. Klicken Sie auf ein Objekt und der Klassifizierer markiert alle nahegelegenen Objekte mit Determinanten, die denen des gew\u00e4hlten Objekts \u00e4hnlich sind. Auf diese Weise gruppiert der Klassifizierer \u00e4hnliche Punkte in Objektkategorien, um Objekte voneinander zu unterscheiden.<\/p>\n
Nachdem alle Objekte in der 3D-Punktwolke erkannt sind und das gesamte 3D-Gel\u00e4ndemodell f\u00fcr den Benutzer zur Ansicht zur Verf\u00fcgung steht, bietet das System die M\u00f6glichkeit, ein bestimmtes Objekt (z. B. eine Stra\u00dfe) getrennt von anderen Objekten zu betrachten. Dies hilft Gemeinden oder Baufirmen bei der Planung und Optimierung der Stra\u00dfeninfrastruktur, ohne durch andere Objekte im Gel\u00e4ndemodell abgelenkt zu werden. Jede Ansicht kann direkt in einem Webbrowser gerendert werden. Kunden k\u00f6nnen diese Modelle exportieren und mit Software von Drittanbietern f\u00fcr Stadtplanung, Bauwesen und Landschaftsgestaltung verwenden.<\/p>\n
W\u00e4hrend des gesamten Projekts hat sich die 3D-Punktwolkentechnologie unseres Kunden zu einer Komplettl\u00f6sung entwickelt, die sich auf umfassende maschinelle Lernalgorithmen zur automatischen Klassifizierung von 3D-Punktwolkendaten st\u00fctzt. Seine Rechenleistung erm\u00f6glicht es Endkunden, gro\u00dfe Datens\u00e4tze, die aus 150 Millionen Punkten bestehen und bis zu 5 Gigabyte wiegen, mit bemerkenswerter Geschwindigkeit zu verarbeiten, so dass Benutzer 3D-Modelle in einem Browser rendern und Klassen in Sekundenschnelle ausw\u00e4hlen k\u00f6nnen.<\/p>\n
Das Punktwolkenverarbeitungsprodukt unseres Kunden hat nach seiner Pr\u00e4sentation auf mehreren technischen Konferenzen positives Feedback erhalten. Seine UX wurde als die benutzerfreundlichste unter den Konkurrenten auf dem Gebiet der 3D-Wolkenpunkt-Klassifizierung anerkannt.<\/p>\n
Derzeit bietet unser Kunde 3D-Punktwolkenverarbeitungsdienste an, die es Endkunden erm\u00f6glichen, benutzerdefinierte und spezifische Punktwolken hochzuladen, um 3D-Punktwolkendaten in einer Vielzahl von Anwendungsf\u00e4llen in der Industrie anzuwenden.<\/p>\n
Der Kunde muss m\u00f6glicherweise eine gro\u00dfe Landschaft f\u00fcr eine Parkzone mit Radwegen an H\u00e4ngen und Gr\u00fcnfl\u00e4chen umgestalten. Dazu m\u00fcssen sie m\u00f6glicherweise die Landschaft in verschiedenen Bereichen anheben, nivellieren und absenken, um das Gel\u00e4nde an die erforderlichen Winkel anzupassen. Der Legacy-Ansatz w\u00fcrde vorschlagen, Erde f\u00fcr T\u00e4ler auszuheben, sie zu transportieren und dann nach mehr Erde zu suchen, um H\u00fcgel aufzuschichten. Mit einer Software zur Verarbeitung von 3D-Punktwolken kann der Kunde im Voraus ein pr\u00e4zises 3D-Gel\u00e4ndemodell erhalten. Mit diesem digitalen Modell k\u00f6nnen sie planen, die genaue Menge an Boden f\u00fcr T\u00e4ler auszuheben, die f\u00fcr andere Zwecke, wie zum Beispiel das Aufh\u00e4ufen von H\u00fcgeln, verwendet werden. Dieser Ansatz spart Zeit und Geld beim Transport von Erde von anderen Orten.<\/p>\n
M\u00f6glicherweise muss der Kunde einen Stra\u00dfenabschnitt und Kreuzungen neu bauen. Vielleicht haben sie einen Anbieter gefunden, der ihnen eine Spezifikation mit der Gesamtmenge der ben\u00f6tigten Baumaterialien angeboten hat. Nach der H\u00e4lfte des Bauprojekts k\u00f6nnte der Verk\u00e4ufer jedoch vorschlagen, weitere Materialien hinzuzuf\u00fcgen. Die verwendeten Materialien k\u00f6nnen schwer zu \u00fcberwachen sein, was zu einem Kostenaufwand f\u00fchrt. Die Verwendung eines 3D-Punktwolkenmodells w\u00fcrde dem Kunden helfen, die erforderliche Anzahl von Gehwegplatten und anderen Materialien genau zu berechnen, um ein genaues Budget und einen genauen Zeitplan zu planen.<\/p>\n
Nach der Stra\u00dfenrekonstruktion und dem Aufstellen neuer Stra\u00dfenschilder muss der Kunde aus Anwendungsfall 2 m\u00f6glicherweise Schilder und neue Verkehrsknotenpunkte auf \u00f6ffentlichen Karten aktualisieren. Dies k\u00f6nnte Monate dauern, um Bilder und Scans des neu gebauten Gebiets zu sammeln. Stattdessen konnte der Kunde durch die Anwendung der Lidar-Punktwolkenverarbeitung w\u00e4hrend der Konstruktion bereits ein 3D-Modell mit allen erkannten Objekten haben, um neue Schilder auf jeder \u00f6ffentlichen Karte exakt zu platzieren.<\/p>\n","protected":false},"excerpt":{"rendered":"
Wir beschleunigten die 3D-Punktwolken-Klassifizierung von Objekten aus der realen Welt und erm\u00f6glichten das Web-Rendering von Gel\u00e4ndemodellen<\/p>\n","protected":false},"author":17,"featured_media":48473,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[42],"tags":[69,524,48],"acf":[],"yoast_head":"\n