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

Aktiv 3D-Messtechnik Geoinformation, Geodateninfrastrukturen und GeoGovernment Geovisualisierung und AR/VR
Ablaufschema des Projekts Vanessa Liebler für das i3mainz, CC BY SA 4.0

Ein interdisziplinäres Team der Hochschule Mainz erforscht im Hinblick auf Big-Data die Potentiale aktueller Data Mining- und Machine Learning Verfahren für Fragestellungen mit Raum-Zeit-Bezug.

Motivation

Ziel des Forschungsvorhabens ist es, Verfahren bereitzustellen, die den Nutzen stark wachsender Datenmengen mit Raumbezug erhöhen. So werden im Bereich Smart City auf Machine Learning basierende Informationssysteme entwickelt, welche mittels Analyse und Visualisierung Entscheidungsfindungen erleichtern. Ferner wird der Autonomiegrad optischer Monitoringsysteme auf der Basis von Bildanalyse mithilfe von Deep-Learning-Systemen gesteigert.

Aktivitäten

Durch Interessensaustausch mit verschiedenen Projektpartnern aus dem Mobilitätssektor konnten Schnittmengen entdeckt, Use Cases entwickelt und vielversprechende Daten zusammengeführt werden. Auf dieser Basis implementieren Alexander Rolwes und Thomas Müller eine prototypische Anwendung zur Vorhersage der Parkhausauslastung in Mainz. Aktuell widmen sie sich der Weiterentwicklung der Vorhersage sowie der Integration in ein ganzheitliches Steuerungsmodell zur Nutzung von Off-Street Parkflächen. Darüber hinaus untersuchen sie die Zusammenhänge zwischen räumlichen Einflussfaktoren und dem Parkverhalten.

Kira Zschiesche und Denise Becker realisieren vielversprechende Verfahren zum Monitoring von Veränderungen an Bauwerken. Unter anderem erlangen sie Erkenntnisse in Verbindung mit Methoden aus dem Structural Health Monitoring, indem sie optische Schwingungsmessung an Bauwerken vornehmen und erste Ansätze zur automatischen Rissdetektion erproben. Um die Sicherheit im Gleisbereich zu erweitern, entwickeln sie mittels eines Deep Learning Ansatzes eine Softwarelösung, welche durch den Einsatz von Künstlicher Intelligenz Züge in Bildern identifiziert. Zukünftig wird das Team Verfahren zur automatischen Targetdetektion erforschen, um den Automatisierungsgrad bei verschiedenen Prozessen zu steigern.