Institut für Raumbezogene Informations- und Messtechnik
Hochschule Mainz - University of Applied Sciences

BAM - Big-Data-Analytics in Environmental and Structural Monitoring

Millionen von Menschen tragen Umweltsensoren bei sich, etwa zur Messung von Temperatur, Luftfeuchtigkeit oder Luftdruck. Multisensorsysteme spüren potentiell gefährlichen Umweltveränderungen nach. Aktuelle Zukunftsvisionen lassen erwarten, dass wir Umweltveränderungen in zunehmendem Maße quasi in Echtzeit interpretieren, bewerten und anschaulich kommunizieren werden. Im Idealfall kann die Lebensqualität dadurch nachhaltig verbessert oder gesichert werden, z.B. in den Bereichen Gesundheit, Umweltschutz oder Katastrophenvorbeugung.
Motivation: 

Ziel des Forschungsvorhabens ist es, innovative Verfahren bereitzustellen, die den Nutzen stark wachsender Datenmengen mit Raumbezug für Wirtschaft und Gesellschaft wesentlich erhöhen. So wird etwa ein Big-Data-Analytics-System für Fragestellungen aus dem Bereich Smart-City entwickelt, das sich auf Analysen unterschiedlicher Sensordaten zu Umwelt- und Gesundheitsfragen konzentriert. Ferner wird der Autonomiegrad optischer Monitoringsysteme für die Präzisionsüberwachung großer Strukturen, wie Windenergieanlagen oder Brücken, auf der Basis von Bildanalyse mithilfe von Deep-Learning-Systemen gesteigert, auf Zuverlässigkeit untersucht und auf Praxistauglichkeit hin getrimmt. Die Anwendbarkeit der Resultate soll durch die Bereitstellung von Prototypen gewährleistet werden.

Activities: 

Ein interdisziplinäres Forscherteam der Hochschule Mainz widmet sich diesen Zielen und greift dabei sog. Big-Data-Verfahren auf, wie sie zurzeit in der Welt schnell wachsender und zunehmend heterogener Massendaten entstehen. In enger Zusammenarbeit entwickeln die Bereiche Geoinformatik im Fachbereich Technik mit dem i3mainz, Institut für Raumbezogene Informations- und Messtechnik und Big-Data-Analytics im Fachbereich Wirtschaft vielversprechende Verfahren im Hinblick auf das Monitoring von natürlichen und durch den Menschen verursachten Umweltveränderungen weiter. Das Vorhaben erforscht die Potentiale aktueller Data-Mining- und Machine-Learning-Verfahren für Fragestellungen mit Raum-Zeit-Bezug. Mit dem Aufbau eines Metalearning-Systems, also der Kombination von Vorhersagen aus mehreren Modellen und neuartigen Visualisierungsmethoden soll der Kreis der möglichen Anwender komplexer Analysen stark erhöht werden.

Basic Information

Period:     01.04.2019 - 31.03.2022
  • – Prof. Dr. Gunther Piller (FB Wirtschaft)
  • – Lisa Mosis B.Sc.(Geoinformatik und Vermessung)
  • – Thomas MĂĽller M.Sc. (FB Wirtschaft)
  • – Linda Rau M.Sc. (Geoinformatik und Vermessung)
Titelbild:
  • Projektgruppe, v.l.n.r.: Martin SchlĂĽter, Jörg Klonowski, Klaus Böhm, Nicole Bruhn (alle i3mainz), Gunther Piller (FB Wirtschaft), Lisa Mosis (Geoinformatik und Vermessung), Thomas MĂĽller (FB Wirtschaft), Linda Rau (Geoinformatik und Vermessung), Alexander Rolwes (i3mainz) (Foto: Svenja Schwerdtfeger, Hochschule Mainz)

Nachrichten

Kurz bevor in Deutschland im März 2020 die meisten öffentlichen Veranstaltungen abgesagt oder ins Internet verlegt wurden, fand in Freiburg noch eine nur...

Bastian Plaß wurde am 10. März mit dem Förderpreis 2019/2020 des VDI Rheingau-Bezirksvereins e.V. ausgezeichnet. Die Preisverleihung fand im Rahmen der...

Meldungen

Alexander Rolwes referiert am 25.11.20 beim 8. Deutschen Geoforum in Berlin über die räumliche Analyse ML basierter Parkplatzvorhersagen
2020-09-08

Related Projects

Industrieroboter gewinnen durch ihre vielfältige Einsetzbarkeit sowohl in vielen Bereichen der Industrie als auch in der Messtechnik an Interesse. In Verbindung mit einem optischen...
In den zurĂĽckliegenden Jahren kann auf eine erfolgreiche Zusammenarbeit mit dem Institut fĂĽr Steinkonservierung e.V. (IfS) zurĂĽckgeblickt werden.

Publikationen

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.