Gebäudedetektion
Das Projekt „Gebäudedetektion auf der CODE-DE Plattform“ zielt darauf ab, traditionelle Verfahren zur Aktualisierung des Gebäudedatenbestands im Liegenschaftskataster durch den Einsatz von Künstlicher Intelligenz (KI) zu verbessern.
In der Vergangenheit wurden Abrisse und Neubauten häufig übersehen, daher sollen nun diese Prozesse durch automatische Erkennung von Veränderungen effizienter gestaltet werden.
Motivation und Zielsetzung
Um den manuellen Aufwand zu reduzieren und den Aktualisierungszyklus zu beschleunigen, sollen mittels KI-basierter Methoden sogenannte Veränderungshinweise erzeugt werden. Dadurch müssen nur die detektierten Veränderungen, wie z. B. Neubauten oder Abrisse, manuell überprüft und bearbeitet werden. Dies verbessert nicht nur die Genauigkeit, sondern verringert auch den Aufwand bei der Gebäudedatenpflege.
Eingabedaten
Die Datengrundlage besteht aus True-Orthophotos des gesamten Stadtgebiets Gelsenkirchen mit drei Farbkanälen (RGB, 10 cm Auflösung) sowie dem Gebäudedatenbestand aus dem Liegenschaftskataster (ALKIS). Um die Vielfalt des Datenbestands zu erhöhen und sicherzustellen, dass unterschiedliche städtische Strukturen im Trainingsdatensatz abgedeckt sind, wurde zusätzlich der Inria-Datensatz eingebunden. Für die Aufteilung der Daten wurde ein Verhältnis von 80 % für den Trainings- und 20 % für den Validierungsdatensatz beachtet.
Um die Leistungsfähigkeit des Modells zu steigern, wird der Datensatz mithilfe verschiedener Augmentierungstechniken erweitert. Dazu zählen beispielsweise randomisierte Bildausschnitte oder Veränderungen der Helligkeit und des Kontrastes, sowie zufällige Rotationen und Spiegelungen und weitere Methoden. Diese Verfahren erhöhen die Vielfalt der Trainingsdaten und verbessern die Robustheit des Modells.
In ersten anschließenden Testläufen mit hochauflösenden Satellitenbildern mit einer Auflösung von 30 cm wurde die Leistung des Modells erfolgreich bewertet. Diese Tests bestätigen, dass das Modell auch mit anderen Bildquellen, wie beispielsweise hochaufgelösten Satellitenbildern, gut umgehen kann.
Unser KI-Modell auf CODE-DE
Im Rahmen des Projekts wurden verschiedene Modelle getestet, darunter FCDenseNet57 und das SAM-Modell (Segment Anything Model). Obwohl das SAM-Modell vielversprechende Ergebnisse lieferte, stellte sich heraus, dass es aufgrund seiner Größe während des Trainings nicht für handelsübliche GPUs geeignet ist. Um diese Einschränkung zu umgehen, wurde das Training auf einer leistungsstarken virtuellen Maschine mit einer A100-GPU in der CODE-DE Cloud durchgeführt. Diese Maschine ist mit 24 vCPUs, 118 GB RAM, 5 TB Block Storage, 10 TB Object Storage und einer IPv4- Verbindung ausgestattet.
Zur Optimierung des Modells wurde der Ansatz der Low-Rank Adaptation (LoRA) verwendet, dessen Implementierung auf einem GitHub-Repository basiert (Abbildung 1). Nach der Erzeugung der Gebäudemasken wird ein Vergleich zwischen dem aktuellen ALKIS-Datenbestand und den vom KIModell detektierten Gebäuden durchgeführt. Dieser Abgleich ermöglicht es, Differenzen zu identifizieren und potenzielle Abrisse sowie Neubauten darzustellen.
Abbildung 1: Grobe Vorstellung des Workflows für die Gebäudedetektion mit KI
Ergebnisse
Die Analyse zeigt eine hohe Übereinstimmung der Ergebnisse mit den realen Gebäudestrukturen. Das KI-Modell konnte sowohl bestehende Gebäude als auch potenzielle Neubauten und Abrisse erfolgreich identifizieren. Im Folgenden sind einige Beispiele der Ergebnisse aufgeführt:
Abbildung 2
In Zukunft wird nach dem Erhalt neuer Datensätze, wie beispielsweise Luftbildern oder hochaufgelösten Satellitenbildern, die KI-basierte Gebäudedetektion durchgeführt. Die Veränderungshinweise, wie Neubauten oder Abrisse, werden anschließend nach fachlichen Kriterien aufbereitet. Danach entscheidet ein Sachbearbeiter, ob die erkannten Veränderungen akzeptiert oder abgelehnt werden. Akzeptierte Veränderungshinweise werden schließlich in das Liegenschaftskataster übernommen und dort aktualisiert. Das Projekt zeigt, wie KI-basierte Methoden in Kombination mit verschiedenen hochaufgelösten Datenquellen die Effizienz und Genauigkeit bei der Aktualisierung von Gebäudedaten erheblich steigern können.
