Das Projekt BIM-konforme Geb?udeerfassung ist ein exploratives Teilprojekt im Leuchtturmprojekt iCity. Die intelligente Stadt der Zukunft l?sst sich nur auf Grundlage von hochwertigen Daten erschaffen. Insbesondere Geb?ude- und Stadtmodelle stehen im Zentrum einer derartigen Entwicklung. Als pr?zises, dreidimensionales Abbild von Geb?uden erfreut sich Building Information Modeling bei der Planung von Neubauten immer gr??erer Beliebtheit. Eine Modellierung von Bestandsgeb?uden in ein BIM-Modell findet meist jedoch nicht statt. In diesem Projekt wird ein m?gliches Konzept für eine solche BIM-konforme Geb?udeerfassung vorgeschlagen.

Zur Erfassung der Geb?ude- und Innenraumgeometrien stehen verschiedene, aus der Geod?sie bekannte, hochmoderne Verfahren zur Verfügung. Jedoch sind ihre Arbeitsabl?ufe entweder bei der Einmessung oder der Auswertung eines so h?chst komplexen dreidimensionalen BIM-Modells sehr zeitaufw?ndig. Hinzu kommt, dass die für das BIM-Modell so wichtigen semantischen Informationen nicht automatisch ermittelt werden, sondern h?ndisch notiert und manuell in das BIM-Modell überführt werden müssen. Eine automatische Extraktion von diesem für das BIM-Modell integralen Bestandteil aus den Messdaten ist bisher nicht existent. Um eine einfache Modellierung zu erm?glichen, wird in diesem Projekt ein neues Verfahren hin zu einer Automatisierung der BIM-konformen Geb?udeerfassung entwickelt. Dies wird durch die Umsetzung in einer Demonstrator-Anwendung veranschaulicht.

Ausgehend von einer Untersuchung der geeigneten Aufnahmeverfahren wurde ein Konzept zur Aufnahme und Auswertung entwickelt. Die Kombination von mobilen Laserscannern und auf Bildern basierender Photogrammetrie bildet die Grundlage für eine automatisierte Auswertung.

Zentraler Bestandteil davon sind – neben den geometrischen Informationen der Punktwolke – besonders die in den Bildern enthaltenen semantischen Informationen. Basierend auf diesen wird eine automatische, pixelgenau Extraktion des Objekttyps mit Deep Learning - Verfahren durchgeführt. Darauf aufbauend werden den Punkten der photogrammetrischen Punktwolke eindeutige Kategorien zugeordnet.

Die in ihr enthaltenen geometrischen und semantischen Informationen bilden die Basis der BIM-Modellierung.

Weitere Schritte des Konzepts:

?          Kombination mit – durch mobilem Laserscanning – erzeugter Punktwolke

?          Extraktion der Objekte und ihrer Eigenschaften

?          Extraktion weiterer semantischer Informationen aus den Daten

• In einem Demonstrator wurde das Konzept umgesetzt
  • Qualitativ hochwertig trainiertes Neuronales Netz zur semantischen Segmentierung von Innenr?umen
  • Klassifizierte Punktwolke durch Projektion der segmentierten Bilder anhand von Position und Rotation
  • Automatisiertes Post-Processing der Punktwolke basierend auf semantischen Informationen
  • Grundlage für weitere Arbeiten hin zu einem BIM-Modell wurden gelegt

• Aus einer mit Laserscanning aufgenommenen Vergleichspunktwolke wurde manuell ein BIM-Modell abgeleitet
• Eine Verknüpfung zwischen Innen- und Au?enbereichen ist m?glich.
• Ein Ansatz zur Automatisierung ist entwickelt und validiert'
   

Conclusio

• Photogrammetrie und Deep Learning Methoden erg?nzen sich und nutzen die in den Bildern vorhandenen Informationen qualitativ hochwertig aus
• Eine Kombination mit mobilem Laserscanning erm?glicht die Generierung einer Gesamtpunktwolke zur vollst?ndigen Modellierung von Innen- und Au?enbereichen
• Eine weitergehende Automatisierung der BIM-Modellierung von Bestandsgeb?uden auf Basis der hier extrahierten geometrischen und semantischen Objekt- und Bauteilinformationen ist m?glich