Punktwolken-Segmentierung mittels Transferlearning und Local-Outlier-Factors

Das Verbundprojekt 3D-Hydromapper befasst sich mit einer weitestgehend automatisierten, qualitätsgesicherten und reproduzierbaren Über- und Unterwasser-3D-Aufnahme und -schadenserkennung von Hafenanlagen mittels eines hybriden Multi-Sensor-Systems. Die Auswertung der erfassten Massendaten stellt hierbei zum einen auf Grund der Komplexität der Analyse und zum anderen durch die große Anzahl an Datensätzen eine Herausforderung dar.

In dieser Masterarbeit soll daher eine Segmentierung von 3D-Punktwolken mittels künstlicher neuronaler Netze zur Trennung von Schäden und nicht geschädigten Bereichen erarbeitet werden. Das Ziel ist die Erkennung von Schäden, wobei zunächst die Beschränkung auf geometrischen Schäden liegt. Es sollen verschiedene Verfahren des Anomaly-Detection wie Transfer-learning, Local-Outlier-Factors mit und ohne Training sowie weiterer, selbst gewählter Verfahren gegenübergestellt werden. Hierzu werden reale Messdaten eines Multibeam-Echosounders in Form von unstrukturierten Punktwolken verschiedener Bauwerke bereitgestellt.