Unter dem Motto “ IT for Smart Infrastructure and Communities “ veranstaltete die Universität von Florida vom 12. bis 14. September 2021 die “International Conference on Computing in Civil Engineering “ (i3CE2021).

Dort wurde das Paper "A Systematic Review of Image-Based Technologies for Detecting As-Is BIM Objects" von den Autoren Angelina Aziz, Markus König und Jens-Uwe Schulz (Technische Hochschule Ostwestfalen-Lippe) vorgestellt.

Die Arbeit thematisiert Objekterkennung zur Erzeugung von BIM im Ist-Zustand aus Bildern und gibt einen systematischen Überblick über KI-Ansätze zur Klassifizierung und Erkennung von gebäudebezogenen Informationen im Bereich des Bauwesens und Facility-Managements, welche durch Machine und Deep-Learning-Methoden gewonnen wurden.

Die Leistung von Objekterkennungsmethoden hängt stark von der Qualität der Bilder und der extrahierten Merkmale sowie der Robustheit der Klassifikatoren ab, da das Erscheinungsbild durch viele Faktoren wie den Beleuchtungsbedingungen, den Blickwinkel, und der Reflexion von Objekten beeinflusst werden kann.

Bildmerkmale können in drei Kategorien unterteilt werden (Sitaula et al. 2019):          

1. Merkmale auf niedriger Ebene oder dem "low-level“ (z. B. Farbintensität, Textur) 

2. Merkmale auf mittlerer Ebene oder dem "middle-level“ (z. B. Form, Objekte)         

3. Merkmale auf hoher Ebene oder dem "high-level“ (z. B. Kontextinformationen).

Die meisten klassischen Methoden des maschinellen Lernens sind darauf beschränkt, nur semantische Informationen auf niedriger und mittlerer Ebene zu extrahieren. Sie stützen sich auf Vorwissen und Erkennungsregeln und basieren in der Regel auf Klassifikatoren wie Support Vector Machine (SVM) oder anderen Klassifikationsalgorithmen in Kombination mit ausgewählten Merkmalsdetektoren.

In den letzten Jahren haben neuronale Netze mehr Aufmerksamkeit auf sich gezogen, da sie nun in der Lage sind, automatisch Merkmale auf hoher Ebene aus einem Trainingsdatensatz zu extrahieren (-> "high-level“).

Somit könnte die Kombination aus Machine und Deep-Learning-Methoden in Zukunft eine robuste Erkennung von BIM-Objekten in Bildern ermöglichen.

Sollten nicht genügend Daten für das Training zur Verfügung stehen, existieren Methoden, die ggf. eine Steigerung der Leistung und Genauigkeit ermöglichen können. Die Generierung synthetischer Bilder aus einem BIM-Modell kann auf einen Satz realer Bilder übertragen werden und so die Trainingsmenge vergrößern. Darüber hinaus bietet die Verwendung von Transfer-Learning ein vortrainiertes System, das für die jeweilige Erkennungsaufgabe fein abgestimmt werden kann. Außerdem kann eine automatisierte Bildannotation von Trainingsbildern viel Zeit sparen.