Nachricht vom 10. März 2021

Dreidimensionaler Blick auf die Welt mit Künstlicher Intelligenz

Wissenschaftler*innen des Helmholtz-Instituts Freiberg für Ressourcentechnologie (HIF) am Helmholtz-Zentrum Dresden-Rossendorf (HZDR) forschen derzeit im Projekt Hyper 3D-AI (Artificial Intelligence for 3D multimodal point cloud classification) an einer Technologie, mit der multimodale Punktwolken besser verarbeitet und analysiert werden können. Das dreijährige Projekt ist Teil der Helmholtz Imaging Platform – einem neuen Programm der Helmholtz-Gemeinschaft, um bildgebende Analyseverfahren und -methoden systematisch zu fördern und weiterzuentwickeln. Das HZDR und sein Projektpartner, das Institut für Industrielle Informationstechnik am Karlsruher Institut für Technologie (KIT), erhalten für ihre Forschung rund 200.000 Euro aus dem Impuls- und Vernetzungsfonds der Helmholtz-Gemeinschaft.

Räumliche Informationen in Punktwolken

Es ist für viele Felder moderner Forschung von essentieller Bedeutung, bildgebende Verfahren und intelligente Methoden zur Analyse von Bilddaten zu beherrschen. Denn unabhängig vom Anwendungsgebiet werden räumlich aufgelöste Informationen üblicherweise in Form von Bilddaten zur Verfügung gestellt. Dementsprechend basieren auch die Methoden zur Bildverarbeitung und Interpretation auf einer räumlich zweidimensionalen (2D) Datenstruktur mit einer benutzerdefinierten Anzahl von Informationsebenen. Für großräumige geographische Daten ist dieser Ansatz ausreichend.

Die heutzutage wichtigsten Anwendungsfelder für Bilddaten liegen in den Bereichen Ressourcen, Energie, Mobilität und Medizin. Diese sind jedoch stark von der genauen Interpretation der räumlichen Beziehung von Objekten in allen drei Dimensionen abhängig. Um Verzerrungen der räumlichen Eigenschaften zu vermeiden, können 2D-Bilddaten auf dreidimensionale (3D) Punktwolken hochskaliert werden, das heißt jeder Datenpunkt wird mit eindeutigen Koordinaten eines 3D-Vektorraums versehen. Mit dieser Methode lassen sich nicht nur Bilddaten mit 3D-Informationen, wie Orientierung, Form und Oberflächenrauheit, verschmelzen, sondern es können auch zusätzliche charakteristische Attribute aus Sensordaten integriert werden.

KI-Verfahren zur Materialcharakterisierung in 3D

Die derzeit fortschrittlichsten Ansätze zur Verarbeitung solcher Punktwolken beruhen auf künstlicher Intelligenz (KI). Jedoch stoßen auch diese Ansätze noch an ihre Grenzen: Die Analyse von sowohl räumlichen als auch zusätzlichen, hochdimensionalen Punktinformationen wie spektralen Signaturen und anderen Materialeigenschaften einer Punktwolke ist derzeit noch nicht möglich. Im Projekt Hyper 3D-AI werden nun maschinelle Lernansätze entwickelt, um eben diese Lücke zu füllen.

„Das umfasst sowohl die herausfordernde Fusion mehrerer Sensoren als auch die anschließende Klassifizierung und Segmentierung durch Methoden der KI. Neben dem Algorithmenentwurf ist die Erprobung an repräsentativen Szenarien aus verschiedenen Anwendungsbereichen ein wichtiger Projektbestandteil, einschließlich der Erstellung wiederverwendbarer Benchmark-Datensätze für die Validierung und zukünftige Entwicklung von Algorithmen. Bei den Anwendungsszenarien arbeiten wir eng mit den Industriepartnern ZF Friedrichshafen sowie unserem Spin-off TheiaX zusammen. Im Erfolgsfall wird das Projekt die Charakterisierung von Objekten und Oberflächen für ein breites Spektrum potentieller Anwendungen wie Exploration und Bergbau, Recycling, autonome Systeme, Qualitätsbewertung oder Sortiersysteme verbessern“, beschreibt Dr. Sandra Lorenz die Ziele.

Aus Sicht der Projektleiterin wird eine verbesserte Materialcharakterisierung direkt dazu beitragen, Prozesse ressourcen- und energieeffizienter zu gestalten. Aufgrund der Vielseitigkeit in der Anwendung könnte das Projektergebnis jeden Prozess unterstützen, der eine multisensor-basierte Unterscheidung von Objekten und Materialien erfordert.

Weitere Informationen:

Dr. Sandra Lorenz
Helmholtz-Institut Freiberg für Ressourcentechnologie (HIF) am HZDR
Tel.: +49 351 260 4487