Image Analysis

The concept of image analysis generally describe the computational solution of tasks with a complexity (in distinciton from simple image processing methods) and referring abilities to the visual system in humans.

Mechanical systems are often used in industrial production processes for automation and quality control. Further applications can be found in transport technologies - from a simple speed trap up to a "seeing vehicle" - and in security systems like access control or automatic identification of hazardous situation.

At our institute the image analysis rarely appears isolated to our other research fields and therefore is often associated with other areas of our expertise. We also understand the image analysis in context to high-density but und unstructured images of the real world such as those located in point clouds. Besides using existing software, we develop your own algorithms tailored to the specific issue of your project.

Contact Person

Prof. Dr.-Ing. Anita Sellent

Tel.: +49 6131-628-1461
Fax.: +49 6131-628-91461

Prof. Dr.-Ing. Frank Boochs

Tel.: +49 6131-628-1432
Fax.: +49 6131-628-91432

Prof. Dr.-Ing. Jörg Klonowski

Tel.: +49 6131-628-1436
Fax.: +49 6131-628-91436

Prof. Dr.-Ing. Martin Schlüter

Tel.: +49 6131-628-1440
Fax.: +49 6131-628-91440

Projects

other projects »

Publications

–

Optische Schwingungsmessung: Status, Integration, Pros und Contras

2020

PDF / RTF

GeoMonitoring 2020

Am Beispiel einer Eisenbahn-Stahlbrücke erarbeiten wir prototypisch die relevanten Einzelschritte von der mobilen Erfassung kontrollierter Schwingungsdaten bis zur Integration in die Bauwerksdatenmodellierung (BIM). Dieser Aufsatz umfasst einen Abriss bestehender Systeme zur Schwingungsbeobachtung an gealterten Bestandsbauwerken und geht dabei besonders auf die Vor- und Nachteile der optischen Schwingungsmessung ein. Es zeigt sich, dass die optische Schwingungsmessung hierbei eine wirtschaftliche Ergänzung zu bestehenden Systemen darstellt. Näher beschrieben wird das Erfassen von Schwingungen mittels modularer Digitalkameratachymetrie. Präzisionstachymeter können mit Digitalkameras am Okular kombiniert werden. Diese Erweiterung in Verbindung mit der digitalen Bildverarbeitung ermöglicht die automatische Detektion von Zielen und somit auch die berührungslose Erfassung von Schwingungen. Es ist nicht erforderlich das Ziel mit dem Fadenkreuz konkret anzuvisieren. Unzugängliche Objekte, wie z.B. Brückenbauwerke, Fabrikschlote oder Türme für Windenergieanlagen, können ohne Signalisierung durch die modulare Digitalkameratachymetrie hochfrequent durch die Messung natürlicher Ziele diskret, optisch und ad hoc erfasst werden. Es ist kein Eingriff am Objekt notwendig.

–

Künstliche Intelligenz als Strategie in der Ingenieurgeodäsie – erste Schritte im Bahnumfeld

2020

PDF / RTF

zfv – Zeitschrift für Geodäsie, Geoinformation und Landmanagement

Für die Arbeiten im Gleisbereich ist ein System zur Erfassung von Zugfahrten unverzichtbar. Künstliche Intelligenz kann einen Teil dazu beitragen. Im Folgenden wird ein erster Ansatz, basierend auf Deep Learning Technologie, vorgestellt, welcher auf Grundlage von Bilddaten automatisch Züge detektiert und so zu mehr Sicherheit im Gleisbereich beitragen kann. Darüber hinaus ist eine Softwarelösung entwickelt worden, welche den umfangreichen und bisher arbeitsintensiven Datenvorbereitungsaufwand signifikant reduziert. Im vorliegenden Beitrag werden das Potenzial und die flexible Einsetzbarkeit von Künstlicher Intelligenz im ingenieurgeodätischen Kontext aufgezeigt.

A system for recording train rides for work in the track area is crucial. The usage of Artificial Intelligence contributes to this. In the following article a first approach based on Deep Learning is presented, that automatically detects trains on the base of image data and can lead to more safety in the track area. In addition, a software has been developed that reduces the extensive and work-intensive data preparation effort significantly. This article presents the potential and the flexible deployment of Artificial Intelligence in the engineering geodetic domain.

–

i3mainz - Jahresbericht 2018

2019

PDF / RTF

Jahrebericht 2018

Im Jahresbericht werden die Projekte und Aktivitäten des i3mainz in komprimierter Form vorgestellt.

–

Berührungslose Positionsbestimmung von spiegelnden Kugeln mit Methoden des maschinellen Sehens

2019

PDF / RTF

zfv - Zeitschrift für Geodäsie, Geoinformation und Langmanagement

Die Raumstrecken zwischen den Mittelpunkten spiegelnder Kugeln werden mit einem theodolitbasierten Industriemesssystem hochgenau bestimmt. Dabei werden die Theodolitokulare durch je eine Adapteroptik samt Industriekamera ersetzt. So kommt ein ausschließlich auf Methoden des Machine Vision aufbauender, automatisierter Workflow zum Einsatz, bei dem die Zielpunktdefinition und die einzelnen Theodolitzielungen erfolgreich voneinander entkoppelt werden, ähnlich wie bei der automatischen Zielpunkterkennung von geodätischen Tachymetern auf Vermessungsreflektoren.

The spatial distances between the centers of reflecting spheres are precisely determined using a theodolite-based industrial measuring system. The theodolite eyepieces are each replaced by an adapter optic including an industrial camera. For the first time, an automated workflow based exclusively on Machine Vision methods is used, in which the target definition and the individual theodolite targetings are successfully decoupled from each other, similar to the automatic target
recognition of geodetic tachymeters towards survey reflectors.

–

Automatic Detection of Objects in 3D Point Clouds Based on Exclusively Semantic Guided Processes

2019

PDF / RTF

ISPRS International Journal of Geo-Information

In the domain of computer vision, object recognition aims at detecting and classifying objects in data sets. Model-driven approaches are typically constrained through their focus on either a specific type of data, a context (indoor, outdoor) or a set of objects. Machine learning-based approaches are more flexible but also constrained as they need annotated data sets to train the learning process. That leads to problems when this data is not available through the specialty of the application field, like archaeology, for example. In order to overcome such constraints, we present a fully semantic-guided approach. The role of semantics is to express all relevant knowledge of the representation of the objects inside the data sets and of the algorithms which address this representation. In addition, the approach contains a learning stage since it adapts the processing according to the diversity of the objects and data characteristics. The semantic is expressed via an ontological model and uses standard web technology like SPARQL queries, providing great flexibility. The ontological model describes the object, the data and the algorithms. It allows the selection and execution of algorithms adapted to the data and objects dynamically. Similarly, processing results are dynamically classified and allow for enriching the ontological model using SPARQL construct queries. The semantic formulated through SPARQL also acts as a bridge between the knowledge contained within the ontological model and the processing branch, which executes algorithms. It provides the capability to adapt the sequence of algorithms to an individual state of the processing chain and makes the solution robust and flexible. The comparison of this approach with others on the same use case shows the efficiency and improvement this approach brings.

–

Connected Semantic Concepts as a Base for Optimal Recording and Computer-Based Modelling of Cultural Heritage Objects

2019

RTF

Structural Analysis of Historical Constructions

3D and spectral digital recording of cultural heritage monuments is a common activity for their documentation, preservation, conservation management, and reconstruction. Recent developments in 3D and spectral technologies have provided enough flexibility in selecting one technology over another, depending on the data content and quality demands of the data application. Each technology has its own pros/cons, suited perfectly to some situations and not to others. They are mostly unknown to humanities experts, besides having a limited understanding of the data requirements demanded by the research question. These are often left to technical experts who again have a limited understanding of cultural heritage requirements. A common point of view has to be achieved through interdisciplinary discussions. Such agreements need to be documented for their future references and re-uses. We present a method based on semantic concepts that not only documents the semantic essence of such discussions, but also uses it to infer a guidance mechanism that recommends technologies/technical process to generate the required data based on individual needs. Experts' knowledge is represented explicitly through a knowledge representation that allows machines to manage and infer recommendations. First, descriptive semantics guide end users to select the optimal technology/technologies for recording data. Second, structured knowledge controls the processing chain extracting and classifying objects contained in the acquired data. Circumstantial situations during object recording and the behaviour of the technologies in that situation are taken into account. We will explain the approach as such and give results from tests at a CH object.

–

Identification and classification of objects in 3D point clouds based on a semantic concept

2019

PDF / RTF

–

Analyse von Bildresiduen mit Machine-Learning im Rahmen von Kamera-Kalibrierungen

2017

RTF

Photogrammetrie ermöglicht es, Objekte mithilfe von Digitalbildern zu vermessen. Bei optimalen Messbedingungen sind Qualitätsunterschiede der abgeleiteten Maße vor allem auf die mathematische Modellierung des verwendeten Sensors und des Objektivs zurückzuführen. Photogrammetrische Kalibrierungen erfolgen meist mittels Bündelblockausgleichung. Diese gestattet es, vielerlei statistische Kennzahlen abzuleiten. Eine tiefer gehende Analyse der berechneten Parameter, Standardabweichungen, Korrelationen und deren Verteilungen kann Aufschluss darüber geben, ob das verwendete Kalibriermodell Schwächen aufweist. Solche Defizite können sich durch systematische Restfehler im Bild- oder Objektraum äußern. Da solche Restfehler auch zu Ungenauigkeiten in den daraus abgeleiteten Informationen führen können, ist deren mathematischer Nachweis und anschließende Kompensation zur Erzielung höchster Genauigkeiten unausweichlich. Neueste Ansätze nutzen Korrekturterme, um Residuensystematiken schon während der Bündelblockausgleichung zu modellieren. Dieser Beitrag beschreibt, wie auch Machine-Learning-
Techniken dabei helfen können, verbliebene systematische Abweichungen in Bildresiduen nachzuweisen, ohne dass hierzu ein Eingriff in die Bündelblockausgleichung notwendig ist. Dies wird im ersten Schritt anhand von Beispieldaten erläutert. Im zweiten Schritt wird die Wirkung dieser Vorgehensweise an einer realen Kamerakalibrierung verdeutlicht. Abschließend erfolgt eine Diskussion der im Zuge dieser Arbeit erzielten Resultate und möglicher Eignung dieses Verfahrens in der Praxis.

more publications »