Projekte
Amy – Autonomes mobiles robotergestütztes Monitoringsystem für Großstrukturen
Das Ziel von Amy ist die Schaffung eines autonomen mobile Mapping Systems, welches speziell für die Inspektion und das Monitoring von Infrastrukturbauwerken eingesetzt werden soll. Amy besteht aus einer mobilen Plattform (Roboterfahrzeug), diversen Sensoren (u. a. Kameras, Laserscanner) und einer Datenanalysesoftware. Das System kann dabei als Baukasten betrachtet werden – frei adaptierbar und mit freien Schrittstellen ausgestattet. Mittelfristig soll Amy in Richtung vernetzter Sensor entwickelt werden und mit anderen Robotern (u. a. Drohnen) kooperativ agieren.
Projektleitung: Prof. Dr. Alexander Reiterer
Gefördert durch: intern
SPENSER - Verständnis und Vorhersage der räumlichen und zeitlichen Variabilität von Schneeprozessen unter verschiedenen Vegetationsbedeckungen durch Kombination von Laserbeobachtungen und Punktmessungen
Ein umfassendes Wissen darüber, wie verschiedene Vegetations- und Waldstrukturen die Prozesse der Schneeakkumulation und -abtragung verändern, ist besonders wichtig, da die Waldbedeckung einer der sich am schnellsten verändernden Landbedeckungstypen ist. Vor allem menschliche Aktivitäten wie die Holzernte, egal ob als Kahlschlag oder selektiver Einschlag, und die anschließende Wiederaufforstung verändern die Waldstruktur schlagartig und erheblich. Darüber hinaus führen veränderte klimatische Bedingungen auch zu einer Ausdehnung der Wald- und Strauchflächen oberhalb der Waldgrenze und damit zu einer Veränderung der Eigenschaften der Waldkronen. Verbesserte Simulationsmodelle, die zeigen, wie sich diese Veränderungen auf den Schnee und alle damit verbundenen, oben erwähnten Prozesse auswirken, werden ein wertvolles Instrument sein, um die Auswirkungen dieser Wald- und Klimaveränderungen auf die Schneeprozesse abzu-schätzen.
Zunächst wird ein innovatives, UAV-basiertes LiDAR-System umgesetzt und evaluiert, das speziell darauf ausgerichtet ist, räumlich Informationen für Schneedeckenbeobachtungen zu liefern. Zweitens werden mehrere verschiedene Wald- und Vegetationsflächen ausgewählt und mit vorhandenen Boden-Sensoren instrumentiert. Diese Plots werden dann bei häufigen Flügen mit dem neu entworfenen Laserscanning-System beobachtet. Die Datenanalyse und die Ableitung verbesserter Forschungsmodelle sind weitere unverzichtbare Schritte, um das Projekt zu einem erfolgreichen Abschluss zu bringen.
Projektleitung: Prof. Dr. Alexander Reiterer
Gefördert durch: DFG (Sachbeihilfe)
Link: Link
STREEM - Vollmaßstäbliche Erfassung der windinduzierten Stromlinienförmigkeit von Bäumen
Durch die zunehmende weltweite Urbanisierung werden Bäume insbesondere für die Stadtplanung immer wichtiger. Allerdings stellen Bäume neben all ihren positiven Eigenschaften bei Stürmen ein Risiko dar. Um dieses Risiko zu minimieren, muss das Verhalten von Bäumen bei Baum-Wind-Interaktionen bekannt sein. Dieses wird aktuell mit Baumziehversuchen oder im Windkanal untersucht.
In Rahmen von STREEM wird ein Multisensorsystem, bestehend aus vier Kameras und einem Tree-Motion-System (MPU), zur Bestimmung der Verformung von Bäumen im Wind entwickelt. Das Kamerasystem muss zum einen 3D-Informationen über ausgewählte Bereiche des Baumes und deren Bewegung liefern. Zum anderen muss es mit schwierigen Verhältnissen wie zum Beispiel Sonneneinstrahlung umgehen können. Die zentrale Herausforderung bei der Entwicklung wird die Identifikation und Verknüpfung von korrespondierenden Punkten in den Bildzeitreihen und die Fusion der Kameradaten mit den Luftströmungs- und MPU-Daten sein. Eine weitere Herausforderung stellt neben der Synchronisierung der Sensoren und Speicherung der Daten, die lokale Referenzierung der Kameras dar.
Projektleitung: Prof. Dr. Alexander Reiterer
Gefördert durch: DFG (Sachbeihilfe)
Link: Link
mdfBIM+ - Teilautomatisierte Erstellung von objektbasierten Bestandsmodellen mittels Multi-Daten-Fusion multimodaler Datenströme und vorhandener Bestandsdaten
Um die Verkehrsinfrastruktur in Deutschland sicher und effektiv zu gestalten, müssen die über 65.000 Brücken regelmäßig inspiziert, bei Bedarf saniert oder sogar neu gebaut werden. Sowohl für den Neubau als auch die Sanierung werden genaue und aussagekräftige Bestandsdaten benötigt. Vorhandene Pläne sind häufig unvollständig oder veraltet. In den seltensten Fällen stehen 3D-Modelle des Bestandes zur Ver-fügung. Genau hier setzt mdfBIM+ an. Ziel des Projektes ist die Entwicklung eines teilautomatisierten Prozesses und digitaler Werkzeuge zur Dateninteraktion und -modifikation für die Erstellung von georeferenzierten, objektbasierten Bestands-modellen. Mit multimodaler Datenerfassung des Ist-Zustandes durch statisches und mobiles Laserscanning (LiDAR), drohnen-basierte sowie mobile terrestrische Photo-grammetrie soll in Kombination mit vorhandenen Bestandsdaten, z. B. analoge Grundrisse, CAD-Pläne, Bauwerksbücher, Gutachten, SAP, ein veredeltes Bestands-modell erstellt werden. Durch eine weitgehende Automatisierung kann dies effizient für die Bestandsinfrastruktur und insbesondere die große Anzahl an Brückenbauwerken eingesetzt werden.
Der Projektteil der Universität Freiburg (Professur „Monitoring von Großstrukturen“) fokussiert sich im Rahmen des Projektes auf die Analyse der multimodal erfassten Daten. 3D-Punktwolken aus den unterschiedlichen Quellen werden fusioniert und semantisch segmentiert, bevor sie mit den Bestandsplänen zusammengeführt werden.
Projektleitung: Prof. Dr. Alexander Reiterer
Gefördert durch: Bundesministerium für Verkehr und Digitale Infrastruktur (BMVI)
Link: Link
ECOSENSE – Skalenübergreifende Quantifizierung von Ökosystemprozessen in ihrer räumlich-zeitlichen Dynamik mittels smarter autonomer Sensornetzwerke – Projekt B2: Fernerkundung von laserinduziertem ChlF als Indikator für die Vitalität von Baumkronen unter Verwendung von UAVs mit robuster, leichter Instrumentierung
Dürren, Überschwemmungen und Hitzewellen gefährden Waldökosysteme weltweit. Doch die Auswirkungen dieser Gefahren auf Wälder mit ihren komplexen Prozessen und Boden-Pflanzen-Atmosphäre-Interaktionen weitgehend unerforscht. Im Rahmen von ECOSENSE wird ein autonomes, intelligentes Sensornetzwerk entwickelt mit dessen Hilfe die Prozesse und Interaktionen in Waldökosystemen analysiert und modelliert werden können.
Durch Chlorophyllfluoreszenzmessungen kann die Photosyntheseaktivität der Pflanzen, ein Hauptindikator der Vitalität des Waldökosystems, gemessen werden. Im Rahmen des Teilprojektes B2 wird ein kompakter, UAV-getragener Sensor zur laserinduzierten Chlorophyllfluoreszenzmessung entwickelt. Die mit diesem Sensor gewonnenen Daten werden künftig zur Erstellung von 4D-Vitalitätskarten dienen.
Projektleitung: Prof. Dr. Alexander Reiterer
Gefördert durch: DFG (SFB 1537)
Link: Link
FiVe3D - Fernerkundung für innovative Verfahren des Waldstrukturmonitoring
Um Wälder erhalten, schützen und nachhaltig bewirtschaften zu können, ist ein kontinuierliches Waldmonitoring notwendig. Aktuell werden Waldinventuren für Wald-strukturmonitoring in Form von kosten- und zeitintensiven terrestrischen Stichproben auf sehr kleinen Flächen durchgeführt. Im Projekt FiVe3D werden UAV-getragene Multispektralkameras und Laserscanner eingesetzt, um Wälder flächenhalt zu erfassen. Aus den Kamera- und Scannerdaten werden dann mit Hilfe von KI-Methoden Waldstrukturparameter, wie z.B. Baumpositionen, Baumhöhen, Kronenbasishöhen, Baumartenverteilung und Verteilung von stehendem Totholz sowie das Kronenform und -volumen, abgeleitet.
Projektleitung: Prof. Dr. Alexander Reiterer
Gefördert durch: Deutsche Bundesstiftung DBU
MoCES - Modellierung von Ingenieurbauwerken unter besonderer Berücksichtigung von unvollständigen und unsicheren Messdaten durch erklärbares maschinelles Lernen
Der Zustand eines Bauwerks ist dadurch gekennzeichnet, dass er sich mit zu-nehmendem Alter immer schneller verschlechtert. Eine vorbeugende Maßnahme gegen die Alterung ist umso erfolgreicher, je früher sie ergriffen wird. Um die Nutz-barkeit komplexer Bauwerke zu verlängern, sind viel mehr Informationen zu einem viel früheren Zeitpunkt erforderlich, als dies heute üblich ist. Auf dem Weg zu einer vorausschauenden Instandhaltung ist Grundlagenforschung zu den Methoden der Erfassung, Zusammenführung und Auswertung aller Geometrie-, Werkstoff-, Bean-spruchungs- und Alterungsdaten erforderlich. Die Digitalisierung im Sinne der Erzeu-gung eines digitalen Zwillings bekommt in diesem Zusammenhang eine völlig neue Bedeutung. Sie ermöglicht die Zusammenführung und Echtzeitauswertung aller für Betrieb und Instandhaltung erforderlichen Daten.
Das Hauptziel unseres Vorhabens ist die Erforschung und Entwicklung neuer Methoden und Verfahren zur automatisierten Modellierung komplexer Gebäude-strukturen. Dabei geht es darum, verschiedenste Datenströme zu fusionieren und deren Unsicherheit und Unvollständigkeit zu berücksichtigen. Die Modellierung, die auf der Basis von Methoden des maschinellen Lernens realisiert wird, soll um eine erklärende Komponente erweitert werden, so dass Schlussfolgerungen im Sinne einer Objektmodellierung und Rekonstruktion reproduzierbar sind.
Projektleitung: Prof. Dr. Alexander Reiterer
Gefördert durch: DFG (Schwerpunktprogramm)
Link: Link
KaSyTwin - Generierung und Nutzung von digitalen Zwillingen bestehender Kanalinfrastruktur zur Steigerung der Verfügbarkeit und Resilienz im Betrieb
Die Kanalinfrastruktur hat eine enorme Relevanz für die Daseinsvorsorge weltweit. Allerdings ist die bestehende Kanalinfrastruktur in der Regel sehr alt und hat einen hohen Erhaltungsbedarf. Aktuell werden die Systeme bei Bedarf gewartet und in Stand gesetzt. Im Rahmen von KaSyTwin entwickeln wir gemeinsam mit unseren Projektpartnern eine Prozesskette zur Erstellung von Digitalen Zwillingen bestehender Kanalinfrastruktur zur prädiktiven Instandhaltung durch intelligente Resilienzvorhersagen. Hierfür entwickeln wir an der Universität Freiburg robuste Sensorplattformen, ausgestattet mit Kameras und Laserscanningsystemen, zur Kartierung der Kanalinfrastruktur. Ziel ist der Aufbau zweier miteinander kommunizierender Plattformen, deren Daten die Basis für die Erstellung des Digitalen Zwillings darstellen. Zusätzlich sollen Schäden in Echtzeit durch die Sensorplattformen detektiert und lokalisiert werden.
Projektleitung: Prof. Dr. Alexander Reiterer
Gefördert durch: mFUND
Beendete Projekte
ErfASst – Erhöhung des Automatisierungsgrades für die Bewertung der Standsicherheit von Brücken
Brücken sind neben Tunneln die neuralgischen Elemente in der Verkehrsinfrastruktur. Ausfälle dieser Elemente können weitreichende Folgen für Leib und Leben, aber auch für die Versorgungssicherheit haben. Durch den stetigen Anstieg vor allem des Güterverkehrs sowohl auf der Schiene als auch auf der Straße, steigt die Belastung von Brückenbauwerken an. Derzeit werden Brücken alle drei Jahre in aufwendigen, manuellen Verfahren auf Standfestigkeit und Gebrauchstauglichkeit geprüft.
Mit ErfASst soll die Prüfung von Brücken teil-automatisiert und kostengünstiger werden. Der Einsatz neuster Sensorik und Algorithmen soll die Detektion von Rissen und die Bewertung deren Auswirkung beschleunigen. Umgesetzt werden die entwickelten Methoden in einem Demonstrator.
Projektleitung: Prof. Dr. Alexander Reiterer
Gefördert durch: Leistungszentrum Nachhaltigkeit Freiburg
Link: Link
RaVeNNA 4pi - Digitale Plattform mit 4PI real-time Endoimaging zur endoskopischen 3D-Rekonstruktion, Visualisierung und Nachsorgeunterstützung von Patienten mit Harnblasenkarzinom
Die Endoskopie gewinnt immer mehr an Bedeutung in der Chirurgie, da sie minimal-invasive und dadurch schonender Eingriffe ermöglicht. 3D-Modelle aus den Bildern der Endoskopie ermöglichen u. a. eine präzisere und somit effiziente OP-Vor- und Nachbereitung. Die Rekonstruktion der Harnblase aus endoskopisch erfassten Bildern gestaltet sich aus den unterschiedlichsten Gründen als schwierig.
Mit RaVeNNA sollen die Schwierigkeiten bei der 3D-Rekonstruktion der Harnblase aus Endoskopiebildern mittels Structure-from-Motion ausgeräumt werden. Zusätzlich sollen Harnblasenkarzinome mittels Klassifizierung des 3D-Modells detektiert und überwacht werden. Zur Klassifizierung der Harnblasenstrukturen werden Deep Learn-Ansätze verwendet, wobei ein besonderes Augenmerk auf dem Einsatz von Convultional Neural Networks (ConvNets) liegen wird.
Projektleitung: Prof. Dr. Alexander Reiterer
Gefördert durch: Bundesministerium für Bildung und Forschung
Link: Link