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

Robert Roschlaub, Qingyu Li, Stefan Auer, Karin Möst, Clemens Glock, Michael Schmitt, Yilei Shi, Xiao Xiang Zhu

doi:10.12902/zfv-0299-2020

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.