Schadenserkennung mit Machine-Learning-Algorithmen am Beispiel von Hafenstrukturen

In den letzten Jahren haben künstliche neuronale Netze (KNN) in vielen Bereichen neue Ansätze und Methoden des maschinellen Lernens (ML) hervorgebracht und viele herkömmliche Methoden ersetzt. In einigen Bereichen haben sie sogar den Menschen überflügelt. In diesem Zusammenhang haben Begriffe wie Deep Learning (DL) oder Künstliche Intelligenz (KI) an Popularität gewonnen und prägen die öffentliche Meinung. So hat die Klassifizierung von Bildern in verschiedenen Bereichen und die Zuordnung dieser Bereiche zu Objektklassen in den letzten zehn Jahren stark zugenommen. Noch vor wenigen Jahren haben neuronale Netze dazu beigetragen, die Frage zu beantworten, ob ein Bild eine bestimmte Klasse von Objekten enthält. Seit neue Methoden dieses Problem gelöst haben, stellt sich die Frage, wo diese Objekte im Bild zu finden sind. Dabei wird für jede Klasse die Zuordnung zu einer bekannten Objektklasse für jedes Pixel bestimmt. In Anbetracht der Tatsache, dass das Convolution Neural Network (CNN) hauptsächlich mit 2D-Daten perfekt funktioniert und Transformatoren hauptsächlich für die Verarbeitung natürlicher Sprache (NLP) verwendet werden. Die Entwicklung von Punktwolken, die in 3DFormen dargestellt werden, bietet die Möglichkeit, mit 3D-Daten zu arbeiten. Darüber hinaus bietet die Darstellung von 3D-Punktwolken mehrere Vorteile, wie z. B. die Beibehaltung des 3D-Raums ohne Diskretisierung und die Bereitstellung von mehr Informationen über die Geometrie, Form und den Maßstab eines Objekts. Im Rahmen dieser Arbeit untersuchen wir anhand einer Klassifizierungsaufgabe die Schäden an den Hafenanlagen und der Infrastruktur unter Verwendung von Deep Learning. Diese Arbeit befasst sich mit der Infrastruktur in deutschen Seehäfen, die eine neue Methodik für die Planung und Durchführung des Lebenszyklusmanagements erfordern. Zunächst wird ein für eine 3D-Klassifizierungsaufgabe geeignetes Modell ausgewählt, dann wird ein realer Datensatz, der die verschiedenen Arten von Schäden in der Hafeninfrastruktur repräsentiert, bereitgestellt, der vor der Einspeisung in das Modell aufbereitet wird. Ein weiteres Ziel dieser Arbeit ist es, die Fähigkeit der vorgeschlagenen neuronalen Netze zu untersuchen, die Kombination von 3D, Oberflächennormalen und Farbinformationen, die in Rot-Grün- Blau (RGB) Werten. Die Ergebnisse dieser Arbeit zeigen die Fähigkeit der neuronalen Netze, ihre Leistung bei der Klassifizierung von 3DFormen zu verbessern, wenn die (RGB)-Werte vorhanden sind, die mehr Informationen über die 3D-Objekte liefern.