TY - THES TI - Deep Learning zur Analyse von Mobile Laserscanning Daten im Kontext der kommunalen Straßenerhaltung AU - Sesselmann, Maximilian PY - 2025 PB - Otto-Friedrich-Universität CY - Bamberg DO - 10.20378/irb-106528 UR - https://fis.uni-bamberg.de/handle/uniba/106528 LA - deu AB - Für eine systematische und effiziente Erhaltung der kommunalen Straßeninfrastruktur ist eine detaillierte Kenntnis des vorherrschenden Straßenzustandes von zentraler Bedeutung. In Deutschland wurden deshalb Standards etabliert, die ein objektives Erhaltungsmanagement sicherstellen sollen. Trotz innovativer technischer Entwicklungen und hoher Automation im Bereich der mobilen Datenerfassung dominiert im Bereich der Datenauswertung die manuell-visuelle Inspektion von Oberflächenschäden aus Kamerabilddaten. Dieser Prozess ist nicht nur zeit-, personal- und kostenintensiv, sondern nutzt darüber hinaus ausschließlich fotometrische Informationen für den Inspektionsvorgang. Mobil erfasste Laserscans werden lediglich zur Erfassung und Bewertung der Ebenheit einer Straße genutzt, obwohl ausreichend dichte Oberflächenscans eine gleichzeitige dreidimensionale Beschreibung der Oberfläche und ihrer Schädigungen zuließen. Eine solche Datenbasis wäre sowohl für eine manuelle Schadenserfassung als auch für eine Automatisierung des Inspektionsvorgangs von Vorteil. Studien zeigen, dass die manuelle Erfassung von Oberflächenschäden aus Kamerabilddaten die größte Fehlerquelle im Prozess der Zustandserfassung und -bewertung von Straßen ist und das Ziel gefährdet, eine objektive und vergleichbare Datengrundlage für das Erhaltungsmanagement zu schaffen. Ziel der vorliegenden Arbeit ist es deshalb, eine automatische Erkennung, Klassifikation und Kartierung von Straßenoberflächenschäden aus den Daten eines speziellen Mobilen Laserscanning Systems zu realisieren sowie deren Potentiale und Grenzen im Kontext der kommunalen Straßenerhaltung zu untersuchen. Dabei kommen sowohl Methoden der Geoinformatik und der digitalen Geländeanalyse sowie Methoden aus dem Bereich der Mustererkennung und des maschinellen Lernens zum Einsatz. Um tiefe neuronale Netzwerkmodelle zur semantischen Segmentierung von Oberflächenmodellen trainieren zu können, werden umfangreiche Datensätze aufgebaut und eine Transfer Learning Strategie angewendet. Die Leistungsfähigkeit des entwickelten Analysesystems wird mithilfe von Vergleichsmessungen durch zwei Referenzsysteme evaluiert, die auf nationaler und internationaler Ebene den Stand der Technik im Bereich Straßenzustandserfassung repräsentieren. Die Ergebnisse zeigen, dass es möglich ist, mit dem untersuchten LiDAR-System, eine ganzheitliche Datengrundlage (Ebenheit und Oberflächenschäden) für die kommunale Straßenzustandserfassung aufzunehmen und mit dem entwickelten Deep-Learning-Ansatz eine Zustandsbewertung zu erzeugen, die dasselbe Qualitätsniveau einer durch geschultes Personal durchgeführten Inspektion aufweist und dabei deutlich weniger Prozesszeit in Anspruch nimmt. KW - Mobile Laserscanning KW - Deep Learning KW - GeoAI KW - LiDAR KW - Straßenzustand KW - Zustandserfassung- und bewertung KW - Mobile Mapping ER - TY - THES TI - Entwicklung georeferenzierender Augmented Reality Systeme auf Mobilgeräten mit Mikrosensoren AU - Kreuziger, Ulf PY - 2017 PB - opus CY - Bamberg UR - https://fis.uni-bamberg.de/handle/uniba/41803 LA - deu AB - Die Motivation der Arbeit besteht darin, einen Beitrag zu leisten, um die Augmented Reality (AR) tiefer in den (Arbeits-)Alltag zu integrieren und leichter für (Fach-)Anwendungen zugänglich zu machen sowie konzeptuelle Vorlagen zur Entwicklung zukünftiger AR-Systeme im Bereich der graphischen Geodatenverarbeitung bereitzustellen. Die Dissertation setzt sich mit einer konkreten Art von AR-Systemen intensiv auseinander. Es handelt sich dabei um Systeme mit einem Anwendungsbereich außerhalb von Gebäuden (Außenbereich) sowie mit einem absoluten Raumbezug von AR-System und Geodaten auf der Erdoberfläche. Derartige Systeme werden hierbei als Georeferenzierende Augmented Reality System(e) für Geodaten (GeoARS) bezeichnet und weiterführend in mobil-pedestrische und stationäre Systeme unterteilt. Dem low cost Ansatz folgend integrieren GeoARS verschiedene Mikrosensoren, sind mit plattformunabhängiger handelsüblicher Massenmarkt-Hardware (Smartphone, Tablet, Einzelkomponenten) verwendbar und unabhängig von Betriebssystem und Programmiersprache. Die Komponenten von GeoARS werden hinsichtlich ihrer Leistungsfähigkeit sowie ihrem Nutzen und Anwendungsfeld im AR-System eingehend untersucht. Die Ergebnisse der Arbeit umfassen die erarbeiteten Grundlagen – Modelle, Konzepte, Verfahren, Algorithmen sowie Beispiele – und können als „Werkzeugkasten“ zur Entwicklung zukünftiger GeoARS-Spezialisierungen verstanden werden. Die Überprüfung der entwickelten Lösungen erfolgte stets anhand zweier Referenzbeispiele – „GeoARS-Landentwicklung“ und „GeoARS-Unfallaufnahme“ – in Form mehrerer Prototypen, auf verschiedenen Plattformen, verschiedenen Betriebssystemen und unterschiedlichen Programmiersprachen, womit die Übertragbarkeit der Ergebnisse gezeigt wird. KW - Dissertation; Erweiterte Realität; Alltag; Mobilgeräte; Mikrosensoren (MEMS); kostengünstig; Geodaten; Konzepte; mathematische Modelle; Beispiele; Inertialnavigation KW - Dissertation; Augmented Reality (AR); daily life; mobile phones / smartphones; microsensors (MEMS); low cost approach; geospatial data; concepts; mathematical models; examples; inertial navigation ER - TY - THES TI - Modelling the Impacts of Predicted Environmental Change on the Frequency and Magnitude of Rainfall Induced Landslides in Central Kenya AU - Mwaniki, Mercy Wanjiru PY - 2016 PB - opus CY - Bamberg UR - https://fis.uni-bamberg.de/handle/uniba/41387 LA - eng AB - The central highlands of Kenya frequently suffer the impacts of rainfall-induced landslides resulting from the interaction of slope stability and elements of environmental change (land-use and climatic variables). The impacts of rainfall-induced landslides affect the country’s fight against poverty, bearing in mind the limited budgets to cope with the socioeconomic losses incurred by landslide hazards. On the other hand, a fast population growth rate puts pressure on the country’s resources which is majorly agricultural based, thus contributing to more people settling on steep slopes and increasing their vulnerability to rainfall landslide hazards. Thus, this research sought to contribute to the mitigation measures by mapping the landslide areas, performing landslide susceptibility assessment, and investigating the impacts of predicted environmental change on the frequency and magnitude of rainfall-induced landslides. The role of environmental change was investigated using specific objectives which assessed the impacts of land-use on slope stability, and the impact of precipitation characteristics on landslide susceptibility. Several data types ranging from topographic, soil and geology, land-use land-cover (LULC), hydrology, and precipitation landslide controlling factors were mapped and used in the modelling process. The methodology comprised of LULC change detection with Landsat multitemporal data for the years 1995, 2002, 2010 and 2014; structural geology and soil mapping; landslide inventory creation with Landsat multitemporal data for the years 1995, 2000, 2010 and 2014; landslide susceptibility mapping with Combined Hydrological and Slope stability Model (CHASM) and landslide modelling with Artificial Neural Network (ANN) model. The success of mapping and visualizing geology lineaments was owed to the digital image enhancement methods involving band ratioing, False Colour Composites (FCC), feature data transformation and data reduction methods of principal and independent component analysis. In addition to the feature data transformation and data reduction, the landslide inventory mapping was enhanced by utilizing a Normalized Difference Mid-Red (NDMIDR) spectral index involving Landsat geology and red bands. The key results of this research indicated that human activities relating to land-use (mostly agricultural) did aggravate the landslide processes on the sloppy terrain. This was confirmed by the CHASM model results where forested slopes maintained low landslide susceptibility levels. In addition, the ANN model rated LULC, rainfall, and proximity to drainage network factors high in contributing to landslide occurrence in the study area. Thus, majorly shallow types of landslides dominated, although the ANN model mapped some areas with deep-seated landslide areas along lineament features. The impacts of heavy precipitation were observed to increase slope instability, especially in bare land covers and high density drainage network areas due to rapid soil saturation, while prolonged precipitation increased infiltration thus maintaining high landslide susceptibility levels. The effects of climatic variables were associated with increased rock weathering observed on bare volcanic rocks, hence high instability rates around such areas. Landslide hazard zonation with ANN model captured several landslide types and the stability classification. The results of this study can guide targeted policies on land-use management as it has been established that rainfall induced landslides are a result of the interactions of land-use, slope and rainfall landslide conditioning factors. Moreover, creating a landslide inventory which can be updated with landslide attributes was a success since this had not been done in this geographical location to indicate the potential of landslide reactivation. KW - Landslides KW - susceptibility assessment KW - Environmental change KW - Landsats KW - Geo-hazard KW - Normalized Difference Mid Red (NDMIDR) spectral index KW - Artificial Neural Network (ANN) model KW - Digital Image Processing (DIP) and enhancements KW - Digital Image ProcCombined Hydrology and Slope Stability model (CHASM) ER -