Wenn der Werkstudent Forschung schreibt: Tim Hoffmanns Masterarbeit bei Metrika360
Werkstudierende sind bei uns keine Aktenträger. Bei Metrika360 arbeiten sie an echten Projekten, mit echten Daten und echten Geräten. Manchmal entsteht daraus etwas, das weit über den Arbeitsalltag hinausreicht.
Genau das ist bei Tim Hoffmann der Fall: Während seiner Zeit als Werkstudent bei uns hat er an der Technischen Hochschule Würzburg-Schweinfurt (THWS) seine Masterarbeit geschrieben. Wir freuen uns, seine Arbeit hier vorzustellen, denn sie verbindet ein hochaktuelles Forschungsthema mit ganz konkretem Nutzen für die Vermessungspraxis.
Worum geht es?
Der Titel klingt zunächst sperrig: „Semantische Segmentierung von Punktwolken für Innenraumszenen“. Dahinter steckt eine Frage, die uns im Tagesgeschäft täglich begegnet.
Wenn wir ein Gebäude mit einem Laserscanner erfassen, entsteht eine Punktwolke: Millionen von 3D-Punkten, die den Raum millimetergenau abbilden. Für das menschliche Auge sieht das beeindruckend aus. Für den Computer ist es zunächst nur eine ungeordnete Menge von Koordinaten. Er „weiß“ nicht, was eine Wand ist, was eine Decke und was ein Stuhl.
Tims Leitfrage: Kann eine künstliche Intelligenz lernen, die Bestandteile eines Innenraums selbstständig zu erkennen – und bringt uns das in der täglichen Arbeit wirklich weiter?
Warum das für uns spannend ist
Aus unseren Bestandsaufnahmen entstehen Grundrisse, Schnitte und BIM-Modelle. Dafür brauchen wir oft nur die tragende Gebäudestruktur: Wände, Decken, Böden.
Möbel, Personen oder Messartefakte müssen bislang teilweise von Hand entfernt werden. Genau dieser Schritt kostet Zeit.
Tims Idee: Wenn ein KI-Modell jeden Punkt automatisch einer Klasse zuordnet, lassen sich die relevanten Bauteile auf Knopfdruck herauslösen und der Rest verwerfen. Weniger Handarbeit, schnellere Prozesse.
Was Tim gemacht hat
Tim hat ein KI-Modell namens KPConv auf genau diese Aufgabe angesetzt und sich bewusst auf vier strukturelle Klassen beschränkt: Wand, Decke, Boden und „Rest“ – also genau das, was für die Bestandsplanung zählt.
Trainiert und getestet hat er das Modell unter anderem mit eigenen Aufnahmen, erfasst mit unserem mobilen Laserscanner NavVis VLX 2. Als Grundlage diente ein Stockwerk eines Bürogebäudes, das er Punkt für Punkt manuell in die vier Klassen einsortiert hat – eine echte Fleißarbeit, die die Basis für jedes gute KI-Modell bildet.
Was dabei herauskam
Die Ergebnisse können sich sehen lassen:
- Hohe Erkennungsqualität: Auf dem Testdatensatz erreichte das Modell für die Gebäudestruktur einen mIoU von 91,5 %.
- Übertragbarkeit geprüft: Tim hat getestet, wie gut das einmal trainierte Modell mit fremden Räumen zurechtkommt – von einem ähnlichen Bürogebäude bis hin zu einem Weinkeller. Bei ähnlichen Strukturen segmentiert es zuverlässig, bei stark abweichender Geometrie sinkt die Qualität. Ein nachvollziehbares Ergebnis, das den Weg für künftige Verbesserungen aufzeigt.
- Automatisierte Flächenberechnung: Aus der erkannten Decke leitete er eine automatisierte Flächenberechnung ab – mit Abweichungen von nur 3,55 % bzw. 0,99 % gegenüber den Referenzwerten. Gerade für Themen wie Flächenmanagement und CAFM ist das ein spannender Ausblick.
Abbildung 1: Manuell gelabelte Trainingsdaten – ein komplettes Stockwerk eines Bürogebäudes, in dem jeder Punkt einer Klasse zugeordnet wurde (rot = Wände, gelb = Boden, blau = Objekte/„Rest“).
Abbildung 2: Das trainierte Modell auf einem völlig neuen Datensatz. Grün markiert sind Fehlklassifikationen, bei denen Wandflächen fälschlicherweise als Objekt eingestuft wurden.
Vom Modell zur Anwendung
Damit das Verfahren auch ohne KI-Studium nutzbar ist, hat Tim zusätzlich eine grafische Benutzeroberfläche entwickelt, die den gesamten Ablauf abbildet.
Und noch ein schöner Nebeneffekt: Der von Tim erstellte, sorgfältig gelabelte Datensatz darf mit unserer Zustimmung veröffentlicht werden. Da solche Datensätze in der Forschung rar sind, leistet die Arbeit damit auch einen echten wissenschaftlichen Beitrag.
Danke, Tim
Eine Masterarbeit, die gleichzeitig Forschung voranbringt und direkt in unsere Praxis einzahlt – besser kann eine Werkstudententätigkeit kaum laufen. Unser Dank gilt Tim für sein Engagement und Prof. Dr. Markus Müller für die Betreuung an der THWS.
Für uns ist das ein schönes Beispiel dafür, was möglich wird, wenn Hochschule und Unternehmen zusammenarbeiten – und dafür, dass es sich lohnt, Werkstudierenden echte Verantwortung zu geben. Wer Lust hat, an genau solchen Themen mitzuarbeiten: Bei uns ist Platz dafür.
Die Autoren
Tim Hoffmann
Tim Hoffmann hat seine Masterarbeit „Semantische Segmentierung von Punktwolken für Innenraumszenen“ im Studiengang Geodatentechnologie an der Technischen Hochschule Würzburg-Schweinfurt verfasst – als Werkstudent bei Metrika360.
Prof. Dr. Markus Müller
Prof. Dr. Markus Müller ist Professor für räumlich-analytische Künstliche Intelligenz an der THWS und Berater für Computer Vision. Er leitet die Arbeitsgruppe „Mobile Mapping-Systeme“ bei der DGPF.
97297 Waldbüttelbrunn
wuerzburg@metrika360.de