Automatische Dachflächeninspektion und Geomarketing

Bedarfsanalyse

Der Aufbau thematischer Karten sieht vor, Regionen farblich zu markieren, die je nach Fragestellung von besonderem Interesse sind. Hierbei werden aus Luftbildern zunächst der Fragestellung entsprechende relevante Parameter abgeleitet und diese zur besseren geographischen Übersicht in einer Karte visualisiert.

Für die Hersteller und Vertreiber von Dachfenstern ist es beispielsweise interessant, für einen Verwaltungsbezirk die Anzahl der Wohngebäude zu identifizieren, um für diese die Dachstrukturen sowie die Anzahl an bereits vorhandenen Dachfenstern zu ermitteln.

Auf der anderen Seite sind Hilfskommandos und Versicherungsunternehmen daran interessiert, nach großen Schadensereignissen, wie sie zum Beispiel durch ein Sturmereignis verursacht werden, Gebiete mit starken gegenüber schwachen Beschädigungen schnell zu identifizieren, um so eine Priorisierung vornehmen zu können, wo schnelle Hilfe von Nöten ist. Einen ersten Eindruck über das tatsächliche Ausmaß der Beschädigung nach Sturmschäden liefert der Zustand des Daches. Doch nach Naturkatastrophen ist der Zugang zu den versicherten Objekten oftmals erschwert. Außerdem müsste ein Schadensprüfer insbesondere das Dach von oben inspizieren, was eine zeitaufwendige und gefährliche Angelegenheit ist. Wenn auch die Aufgabe der Schadensprüfer nicht durch die Erstellung einer thematischen Karte ersetzt werden kann, so bietet sie doch unverzichtbare Unterstützung, dass die Hilfe schnell an den Orten ankommt, wo sie am meisten gebraucht wird.

Lösung

Zur Lösung von Aufgaben aus beiden Anwendungsgebieten eignen sich Methoden des maschinellen Lernens. Mit unseren Verfahren lassen sich sowohl Parameter für Dachfenster als auch für beschädigte Dächer ableiten. Im Idealfall ermöglicht die Auflösung des zugrundeliegenden Bildmaterials auch die Lokalisation von Fenstern und Schäden. Dieses Vorgehen bezeichnen wir als direkte Klassifikation. Bei dieser wird zunächst das Bildmaterial auf die Interessensregionen zugeschnitten. Dies kann der Umriss des gesamten Daches oder auch einer einzelnen Dachfläche sein.

Im weiteren Verlauf können geeignete Segmente gewählt werden, um zum einen die Berechnung zu beschleu­nigen und zum anderen Nachbarschaftseigenschaften einbeziehen zu können. Verschiedene Merkmale aus Farbe, Textur, morphologischen Profilen und vielem mehr werden als geometrische und radiometrische Merkmale gelernt und so Datensätze mit Klassifikatoren des überwachten Lernens wie zum Beispiel Random Forest oder Deep Learning Ansätzen ausgewertet. Wenn zusätzlich 3D-Daten zur Verfügung stehen, können die aufgenommenen Bilder mit diesen fusioniert und somit weitere hilfreiche Features abgeleitet werden. Eine besondere Herausforderung bildet in diesem Zusammenhang die oftmals komplexe Struktur und Aufbauten der Dächer. So dürfen Schäden nicht mit regulären Dachaufbauten wie Solaranlagen, Schornsteinen, Belüftuns­­vorrichtungen, Satelliten­schüsseln und so weiter verwechselt werden.

Ein alternativer Lösungsansatz bezieht sich auf eine indirekte Klassifikation der Fenster oder Schäden, bei der lediglich auf die Existenz einer bestimmten Anzahl an Fenstern oder eines Schadens geschlossen wird, ohne diese unmittelbar zu lokalisieren. Dieses Verfahren bietet sich insbesondere bei zugrundeliegendem Bildmaterial geringer Auflösung an. Auch bei diesem Ansatz wird zunächst die Region des Interesses bestimmt. Wir verzichten in diesem Fall jedoch auf eine weitere Segmentierung der Interessensregionen und entscheiden stattdessen für die gesamte Interessensfläche zum Beispiel mittels „Bag-of-Words“-Ansatzes, ob diese jeweils zur Klasse mit 1, 2, 3, … Fenstern oder zur Klasse beschädigt beziehungsweise unbeschädigt gehören. Auch Bilderkennungsverfahren mit Deep Learning Ansätzen wären hier denkbar.