Klassifizierung von Strommasten mit der neuen Segmentierungsoption in Global Mapper

Das Tool Global Mapper Pro zur automatischen Punktwolkenanalyse bietet die Möglichkeit, Strommasten mithilfe der Segmentierungsmethode „Max-Likelihood“ zu klassifizieren. Dieses Tool identifiziert zylindrische Muster in der Punktwolke, ähnlich wie ebene Flächen zur Erkennung von Wänden in Gebäuden verwendet werden. Die Merkmale in der Punktwolke werden anhand ihrer Form und ihrer Eigenschaften identifiziert. Dieser Blog beschreibt die Funktionsweise des Tools im Detail und gibt Empfehlungen zu den Einstellungen. Sie müssen die Segmentierungsmethode nicht kennen, um das Tool zu verwenden, aber es ist interessant!

Die Option zur Klassifizierung von Strommasten funktioniert nur bei zylindrischen Masten.

Wie die Segmentierung zur Polfindung eingesetzt wird

Die Segmentierung (Max-Likelihood-Schätzung) ist eine Klassifizierungsmethode, die speziell für die moderne Datenerfassung mit Lidar entwickelt wurde und sich daher besonders gut dafür eignet. Ursprünglich wurden Lidar-Daten mit einem spärlichen Luftsensor erfasst; dafür waren ältere Verfahren wie die Rastersegmentierung konzipiert. Moderne Lidar-Daten sind hingegen sehr dicht und werden häufig von Sensoren erfasst, die nicht an Flugzeugen montiert sind, sondern beispielsweise terrestrische Daten von Stativen oder Fahrzeugen oder Luftbilder von Drohnen liefern.

Terrestrisches Lidar erfasst Daten mithilfe von Sensoren am Boden. In dieser Draufsicht auf einen Häuserblock sind die leeren Löcher zu erkennen, wo die Sensoren platziert waren. Diese Art der Datenerfassung ist dichter und anders strukturiert als luftgestütztes Lidar, was Einfluss auf die Wahl der Klassifizierungsmethode hat.

Technisch gesehen können Strommasten auch manuell mithilfe des Werkzeugs „Geometrische Segmentierung“ klassifiziert werden . Hierfür lassen sich individuelle Einstellungen anpassen. Zylinder/Masten weisen unter anderem einen spezifischen Krümmungswert auf. Der Mast im ersten Bild funktionierte gut mit einem minimalen Clusterwert von 10 und einer Standardabweichung von 3. Der Vorteil der Max-Likelihood-Methode liegt darin, dass die Einstellungen bereits auf die Erkennung von Maststrukturen optimiert sind. Sie ermöglicht außerdem das Filtern nach Mastdurchmesser und automatisch nach Höhe, um andere zylindrische Objekte, die keine Masten sind, auszusortieren. Weitere Informationen zur Funktionsweise der Segmentierung finden Sie hier.

Einstellungstipps

Wählen Sie für die Mastklassifizierung die Einstellung „Maximale Wahrscheinlichkeit“ und scrollen Sie anschließend nach oben, um zu den gemeinsamen Einstellungen für Klassifizierung und Extraktion zurückzukehren . Diese Einstellungen werden sowohl für die Mastklassifizierung als auch für die Mastextraktion angewendet, falls Sie dieses Werkzeug später verwenden möchten.

Die Minimal- und Maximalwerte dienen dazu, Masten von Bäumen zu unterscheiden. Zylinderförmige Merkmale außerhalb dieser Werte werden nicht klassifiziert. Verwenden Sie das Messwerkzeug , um Ihren Mast in den Daten zu vermessen und diesen Wert zu ermitteln.

Bäume werden oft in derselben Höhe über dem Boden gemessen, der sogenannte Brusthöhendurchmesser (BHD). Strommasten hingegen haben im Gegensatz zu Bäumen typischerweise einen einheitlichen Durchmesser. Daher wird angenommen, dass sie über die gesamte Länge einen konstanten Durchmesser besitzen und nicht in einer bestimmten Höhe über dem Boden gemessen. Dennoch sollten Sie zunächst die Messpunkte am Boden klassifizieren, da die Höhe über dem Boden bei der Messung der Masthöhe verwendet wird, um zu überprüfen, ob es sich tatsächlich um einen Mast oder etwas Kürzeres wie beispielsweise einen Poller handelt.

Halten Sie den Punktabstand ( Nachbarschaftsbereich ) so groß, dass die Masten noch sichtbar sind. Wenn Sie beispielsweise nur einen 0.1 Meter großen Bereich betrachten, erscheint ein Telefonmast eher flach als der Zylinder, den wir klassifizieren möchten.

Stellen Sie die Auflösung so hoch ein, dass die Masten noch erkennbar sind. Wenn Sie beispielsweise nur einen 0.1 Meter großen Ausschnitt betrachten, erscheint ein Telefonmast flach und nicht wie der zu klassifizierende Zylinder. Manchmal ist der optimale Bereich für die Klassifizierung von Masten ein anderer als der für Gebäude und andere Klassifizierungswerkzeuge. Dies hängt natürlich von Ihren Daten ab, da jede Punktwolke aufgrund der Erfassungsmethode und -art unterschiedlich ist. Wie Sie sich vielleicht aus der Blogreihe „Fehlerbehebung bei Lidar-Systemen“ erinnern , legen Sie mit diesen Einstellungen fest, was Global Mapper mit Ihren spezifischen Daten erwarten kann.

Entdecken Sie die spannenden neuen Funktionen von Global Mapper Pro, indem Sie noch heute eine kostenlose 14-tägige Testversion herunterladen und das Programm selbst ausprobieren!