elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Imprint | Privacy Policy | Contact | Deutsch
Fontsize: [-] Text [+]

KI-basierte Detektion von Gebäuden mittels Deep Learning und amtlichen Geodaten zur Baufallerkundung

Roschlaub, Robert and Li, Qingyu and Auer, Stefan and Moest, Karin and Glock, Clemens and Schmitt, Michael and Shi, Yilei and Zhu, Xiaoxiang (2020) KI-basierte Detektion von Gebäuden mittels Deep Learning und amtlichen Geodaten zur Baufallerkundung. ZFV - Zeitschrift für Geodasie, Geoinformation und Landmanagement (3), pp. 180-189. Wißner-Verlag. doi: 10.12902/zfv-0299-2020. ISSN 1618-8950.

[img] PDF - Published version
3MB

Official URL: https://geodaesie.info/zfv/heftbeitrag/8584

Abstract

Zusammenfassung: Es wird ein neuartiger Ansatz vorgestellt, der auf einer Erkennung von Gebäuden und Gebäudeveränderungen aus hochaufgelösten Luftbildern anhand von Künstlicher Intelligenz (KI) beruht. Die zum Trainieren des KI-Systems notwendigen Datenbestände sind die Gebäudeumrisse aus der amtlichen Digitalen Flurkarte (DFK) und das lagerichtige Digitale Orthophoto (TrueDOP). Die semantische Detektion der Gebäude und Gebäudeveränderungen erfolgt über optische Aufnahmen und Oberflächenmodelle, wie dem normalisierten Oberflächenmodell (nDOM) und einem aus der Differenz von zwei Zeitepochen abgeleiteten Oberflächenmodell (tDOM). Am Beispiel der Baufallerkundung werden die Ergebnisse einer aktuellen Forschungskooperation zwischen der Bayerischen Vermessungsverwaltung (BVV) und der Technischen Universität München (TUM) aufgezeigt und bestehenden Verfahrenslösungen gegenübergestellt. Die vorgestellte KI-basierte Verfahrenslösung ist grundsätzlich auf alle Vermessungsverwaltungen der Länder bundesweit übertragbar. Summary: A novel approach is introduced which is based on the detection of buildings and building changes from high-resolution aerial images using artificial intelligence (AI). The data sets necessary for training the AI system are the building outlines from the official Digital Cadastre Map (DFK) and Digital Orthophotos without building lean (TrueDOP). The semantic detection of the buildings and building changes is carried out based on optical images and digital surface models, such as the normalized digital surface model (nDOM) and a Temporal Digital Surface Model (tDOM) derived from the difference of two time epochs. The results of the current cooperation between the Bavarian Agency for Digitisation, High-Speed Internet and Surveying (BVV) and the Technical University of Munich (TUM) on the detection of buildings and building changes are presented and compared with results derived from existing approaches. The presented AI-based solution is basically transferable to all surveying administrations of the federal states nationwide.

Item URL in elib:https://elib.dlr.de/135907/
Document Type:Article
Title:KI-basierte Detektion von Gebäuden mittels Deep Learning und amtlichen Geodaten zur Baufallerkundung
Authors:
AuthorsInstitution or Email of AuthorsAuthor's ORCID iDORCID Put Code
Roschlaub, RobertBavarian Agency for Digitisation, High Speed Internet and Surveying, 80538 MünchenUNSPECIFIEDUNSPECIFIED
Li, QingyuUNSPECIFIEDUNSPECIFIEDUNSPECIFIED
Auer, StefanUNSPECIFIEDhttps://orcid.org/0000-0001-9310-2337UNSPECIFIED
Moest, KarinBavarian Agency for Digitisation, High Speed Internet and Surveying, 80538 MünchenUNSPECIFIEDUNSPECIFIED
Glock, ClemensBavarian Agency for Digitisation, High Speed Internet and Surveying, 80538 MünchenUNSPECIFIEDUNSPECIFIED
Schmitt, MichaelUNSPECIFIEDUNSPECIFIEDUNSPECIFIED
Shi, YileiUNSPECIFIEDUNSPECIFIEDUNSPECIFIED
Zhu, XiaoxiangGerman Aerospace Center & Technical University of MunichUNSPECIFIEDUNSPECIFIED
Date:2020
Journal or Publication Title:ZFV - Zeitschrift für Geodasie, Geoinformation und Landmanagement
Refereed publication:Yes
Open Access:Yes
Gold Open Access:No
In SCOPUS:No
In ISI Web of Science:No
DOI:10.12902/zfv-0299-2020
Page Range:pp. 180-189
Publisher:Wißner-Verlag
ISSN:1618-8950
Status:Published
Keywords:Deep Learning, Building Detection, Digital Surface Models, Optical Data, Data Fusion
HGF - Research field:Aeronautics, Space and Transport
HGF - Program:Space
HGF - Program Themes:Earth Observation
DLR - Research area:Raumfahrt
DLR - Program:R EO - Earth Observation
DLR - Research theme (Project):R - Vorhaben hochauflösende Fernerkundungsverfahren (old)
Location: Oberpfaffenhofen
Institutes and Institutions:Remote Sensing Technology Institute > Photogrammetry and Image Analysis
Remote Sensing Technology Institute > EO Data Science
Deposited By: Auer, Dr. Stefan
Deposited On:14 Sep 2020 13:22
Last Modified:19 Nov 2021 20:21

Repository Staff Only: item control page

Browse
Search
Help & Contact
Information
electronic library is running on EPrints 3.3.12
Website and database design: Copyright © German Aerospace Center (DLR). All rights reserved.