Kontakt

Michael Mommert

Laborbeschreibung

Im Labor werden AI-Methoden im Themenfeld Vermessung und Geoinformatik angewandt und erforscht.

Die in der Lehre vermittelten Methoden und Modelle für die Anwendung von Künstlicher Intelligenz können im Labor in der Praxis angewendet und erprobt werden. Beispielsweise bei der Auswertung großer und komplexer Datensätze wie Satelliten- und Luftbildern, Höhenmodellen, etc.. 

Zur Anwendung von KI-Methoden, insbesondere für das Training von Neuronalen Netzen, werden leistungsfähige Rechner benötigt, welche über geeignete Grafikkarten verfügen. Im Labor stehen 8 GPU-gestützte Desktoprechner zur Verfügung, die sowohl für die Lehre als auch für Abschlussarbeiten und weitere Projekte verwendet werden können.

GPU-PC im Geo-AI Labor für KI-/AI-Anwendungen

Das GeoAI-Labor bietet mit leistungsstarken KI-Rechnern ausgestattete Arbeitsplätze für 8 Studierende.

Aktuelle Beispiele von KI-Anwendungen im Rahmen von Abschluss- und Forschungsarbeiten

Beispiel eines Segmentierungsmodells: Erkennung von Vegetation in Luftbildern mit Hilfe von GeoAI

Automatisierte Erkennung von Vegetation in hochauflösenden Luftbildern:

Ein Beispiel für die Ergebnisse unseres Segmentierungsmodells: Das Modell kann in den meisten Fällen sehr gut zwischen niedriger (blau) und hoher Vegetation (rot) unterscheiden. Probleme mit der korrekten Klassifizierung gibt es vor allem in Übergangsbereichen und Bereichen, die im Schatten liegen. Bilddaten: Landesamt für Geoinformation und Landentwicklung Baden-Württemberg, www.lgl-bw.de, dl-de/by-2-0.

Luftbild mit Markierung und gesundheitlicher Kategorisierung des Streuobstbestands mit Hilfe von KIbestand

Erkennung und Charaktisierung von Streuobstbeständen aus Luftbildern:

In der Masterarbeit von Johannes Jäger (2025) wurde ein Segmentierungsmodell trainiert, welches in der Lage ist, Streuobstbestände aus Luftbildern zu erkennen. In Kombination mit verfügbaren Infrarotdaten können damit Streuobstbäume erkannt und gleichzeitig die Gesundheit der Bäume bestimmt werden (je kleiner der bestimmte NDVI-Mittelwert je Baum, desto höher die Wahrscheinlichkeit dass der Baum nicht gesund ist).

Geo AI: Automatische Erkennung von Solarzellen auf Luftbildern

Automatisierte Erkennung von Solarpaneelen auf Luftbildern:

Im Rahmen eines Studienprojekts wurde ein Modell trainiert, welches Solarpaneele (rechts) aus Luftbildern (links) erkennen kann. Hieraus kann beispielsweise das genutzte Solarpotential für ein Quartier abgeschätzt werden.