Master Thesis Roof Type Classification from Digital Surface Models and Building Footprints

Digitale Zwillinge und virtuelle Nachbildungen städtischer Umgebungen finden in zahlreichen Branchen breite Anwendung, darunter im Krisenmanagement, in der Evakuierungsplanung und bei der Ausbildung für Notfallmaßnahmen. Ihre Fähigkeit, physische Umgebungen mit digitalen Darstellungen zu verknüpfen, ermöglicht es Organisationen, reale Anlagen und Abläufe zu simulieren, zu überwachen und zu optimieren. Die Erstellung detaillierter und funktionaler digitaler Nachbildungen von Außenumgebungen, vorzugsweise in LoD2, das detaillierte Dachformen umfasst, erfordert jedoch oft einen hohen manuellen Aufwand, insbesondere wenn offenen Datenquellen wesentliche Metadaten fehlen, darunter strukturelle Abmessungen oder semantische Merkmale von Gebäuden.
Um dieser Herausforderung zu begegnen, bietet die Nutzung von Digital Surface Models (DSM) in Kombination mit Gebäudegrundrissen eine vielversprechende Lösung zur Erstellung einer hochdetaillierten Darstellung der städtischen Umgebung. Diese Datenquellen werden häufig von den jeweiligen Stadtverwaltungen in Auftrag gegeben und sind öffentlich zugänglich. Klassische regelbasierte Ansätze wie die Ebenenanpassung mit anschließender Abgleichung von Dachprimitiven sind jedoch fehleranfällig und unzuverlässig, wenn die Daten verrauscht sind.

Deine Aufgaben:
Daher ist es das Ziel dieser Arbeit, zu untersuchen, welche Methoden eingesetzt werden können, um den Dachtyp von Gebäuden automatisch aus einem DSM abzuleiten und so die skalierbare Erstellung hochpräziser digitaler Zwillinge für sicherheitskritische Anwendungen zu unterstützen.

* Bewertung aktueller Fortschritte bei der Ableitung des Dachtyps auf Basis geordneter/ungeordneter Punktwolken und triangulierter Netze (beide können aus dem DSM abgeleitet werden)
* Entwicklung einer Pipeline zur Ableitung des Dachtyps auf Basis von DSM und Gebäudegrundrissen
* Vergleich der vorgeschlagenen Pipeline mit einem klassischen regelbasierten Ansatz
* Bewertung der praktischen Wirksamkeit der vorgeschlagenen Pipeline in repräsentativen Anwendungsfällen

Das bringst Du mit:
* Derzeit als Student in Informatik, Mathematik oder einem ähnlichen Studiengang eingeschrieben
* Grundkenntnisse über gängige 3D-Darstellungsformate in der Computergrafik, wie z. B. Netze, Punktwolken und Voxel
* Grundkenntnisse in Deep Learning und Computer Vision
* Grundkenntnisse in Python (idealerweise im Hinblick auf Deep-Learning-Anwendungen, z. B. PyTorch oder TensorFlow)
Wir freuen uns darauf, dich kennenzulernen!

Fragen zu dieser Position (Kennziffer 4677) beantwortet dir gerne:

Tobias Koch

Tel.: +49 2241 20148 55