Maschinelles Lernen von CNN-Modellen zur Segmentierung von Störobjekten auf Gebäudefassaden auf Infrarot- und Farbbildern

Schlender, KlausBehrens, GritCreutzburg, Reiner2021-12-142021-12-142021978-3-88579-708-1https://dl.gi.de/handle/20.500.12116/37695Die Arbeit zeigt, dass es mit Hilfe von Technologien der künstlichen Intelligenz möglich ist, unerwünschte Objekte auf Infrarot- und Normalbildern zu segmentieren, um diese anschließend erfolgreich aus dem Bild entfernen zu können. Die in dieser Arbeit entwickelte Methode kann eingesetzt werden, um weitere Segmentierungsaufgaben zu übernehmen, die bei der Berechnung von thermischen Energieverlusten oder anderen Anwendungen hilfreich sind. Die vorgestellten Ergebnisse können im ENVIRON-Projekt "Environ - Entwicklung und Evaluation einer Intervention zur Vermeidung von durch energetische Sanierung ausgelösten Rebound-Effekten" anwendungsbezogen zu einer schnelleren Bewertung potentieller Energieverluste in sanierungsbedürftigen Gebäuden beitragen und entsprechend helfen, den Entscheidungsprozess für oder gegen eine Modernisierungsmaßnahme zu bewerten. In diesem Zusammenhang wird auch dazu beigetragen, unnötige C02-Emissionen von Gebäuden zu reduzieren und damit die Umwelt zu entlasten.deData ScienceDeep Neural NetworkObject SegmentationRegion ProposalConvolutional Neural Networkthermal imagesMaschinelles Lernen von CNN-Modellen zur Segmentierung von Störobjekten auf Gebäudefassaden auf Infrarot- und Farbbildern10.18420/informatik2021-0311617-5468