Bewertung von Softwarelösungen zur Klassifizierung urbaner MLS-Daten

Diese Bachelorarbeit untersucht und bewertet Softwarelösungen zur Klassifizierung urbaner Punktwolken, die durch ein mobiles Laserscanning (MLS) System erfasst wurden. Ziel ist es -neben der Planung und Durchführung der Befahrung, sowie der Vorprozessierung der Rohdaten - die Effizienz und Genauigkeit zweier Softwarepakete zu analysieren und deren Anwendbarkeit im Bereich der Geoinformation zu bewerten.

In einer praktischen Fallstudie wurde im Mai 2024 ein MLS-Datensatz innerhalb des Stadtgebietes von Münster (Stadtteil Häger) erstellt und mittels proprietärer Software vorprozessiert (siehe Abb. 1). Die Pipeline besteht hierbei v.a. aus der Trajektorienkorrektur, der Rohdatenverarbeitung (Scanner und Kameras) und der Verpixelung der hochaufgelösten Daten. Am Ende der Datenvorverarbeitung steht eine geometrisch konsistente, georeferenzierte und mit RGB-Werten eingefärbte Punktwolke (siehe Abb. 3, linke Spalte). Zur semantischen Segmentierung der entstandenen Punktwolke, also zur punktweisen Zuordnung einer Objektklasse mittels maschinellen Lernens, wurden die Softwarepakete CloudCompare und Trimble Business Center (TBC) verwendet und hinsichtlich Genauigkeit, Leistung, Kosten und Anpassungsfähigkeit evaluiert.

Das Punktwolkenmodul in TBC wurde für die Punktwolkenextraktion großer geografischer Gebiete entwickelt und kann - basierende auf einem vortrainierten Modell - Punkte einer Punktwolke in die Klassen Gebäude, Boden, Vegetation, Masten, Schilder und Stromleitungen einteilen. Der Prozess ist dabei automatisiert und erfordert nur wenige Benutzereingaben. Die Möglichkeit, ein auf die vorliegende Anwendung spezialisiertes Klassifizierungsmodell mittels vorgelabelter Trainingsdaten selbst zu entwickeln, ist in TBC möglich, wurde in dieser Arbeit jedoch nicht untersucht.

Die semantische Segmentierung in CloudCompare, einer kostenlosen Open-Source-Software, erfolgte mittels der Erweiterung 3DMASC, die an der Universität Rennes entwickelt wurde und auf dem Random Forest-Algorithmus basiert. Im Vergleich zur „Black-Box“-Klassifikation in TBC erfordert das Plug-in zum einen ein erweitertes Verständnis im Bereich des Maschinellen Lernens, ermöglicht andererseits jedoch eine deutlich größere Beeinflussung des Klassifikationsprozesses. Da zum Zeitpunkt der Bachelorarbeit in 3DMASC keine vortrainierten Modelle zur Verfügung gestellt wurden, wurde ein eigenes Modell trainiert. Hierfür wurde ein Ausschnitt des frei verfügbaren MLS-Datensatzes „Toronto-3D“ verwendet (ca. 78 Millionen Punkte, 8 Objektklassen, siehe Abb. 2). Dieser urbane Datensatz weist neben den 3D-Koordinaten weitere Attribute auf (u.a. RGB und Laserintensität), die für die Klassifikation verwendet wurden. Der Trainingsprozess in 3DMASC wird über eine Konfigurationsdatei gesteuert, in der definiert wird, welche Attribute (sogenannte „Features“) in frei wählbaren kugelförmigen Nachbarschaftsbereichen erstellt werden. Das Training erfolgte dabei auf 70% der Trainingsdaten, die restlichen 30% wurden für die Evaluierung verwendet. Neben einer Konfusionsmatrix und statistischen Kennwerten wird zudem ein „Feature Ranking“ erstellt, das Aufschluss über die Wichtigkeit der einzelnen Attribute gibt und zur Optimierung des Klassifikators verwendet werden kann. Anschließend wurde der auf Toronto-3D erstellte Klassifikator verwendet, um den vorliegenden MLS-Datensatz zu klassifizieren.

Insgesamt konnten mittels TBC auf Anhieb zufriedenstellende Ergebnisse erzielt werden (siehe Abb. 3, rechte Spalte), während der in CloudCompare trainierte Klassifikator noch erheblichen Verbesserungsbedarf aufweist (siehe Abb. 3, mittlere Spalte).