@misc{Hoeng, type = {Master Thesis}, author = {H{\"o}ng, Simon}, title = {Entwicklung eines digitalen Werkzeugs zur automatisierten Remodellierung von Bauwerken auf Grundlage von Bestandspl{\"a}nen: Erzeugung von synthetischen Daten f{\"u}r KI-L{\"o}sungen}, url = {http://nbn-resolving.de/urn:nbn:de:bvb:898-opus4-65218}, school = {Ostbayerische Technische Hochschule Regensburg}, pages = {93}, abstract = {In Anbetracht der hohen Zahl an zu ert{\"u}chtigenden Bauwerken in Deutschland bei gleichzeitig zunehmendem Fachkr{\"a}ftemangel in der Baubranche ist es wichtig, effiziente Planungs- und Bauprozesse zu schaffen. Digitale und automatisierte Arbeitsmethoden auf Basis von digitalen Bauwerksmodellen beginnen sich daher zu etablieren. F{\"u}r viele Bestandsbauwerke werden diese Methoden aber nur z{\"o}gerlich angewendet, da das als Grundlage ben{\"o}tigte digitale Bauwerksmodell erst aufwendig erstellt werden m{\"u}sste. Moderne Techniken der k{\"u}nstlichen Intelligenz (KI) wie Machine- oder Deep Learning bewegen im Moment viele Forschungs- und Wirtschaftsbereiche. Ihr Einsatz kann auch in der Bauwirtschaft L{\"o}sungen f{\"u}r komplexe oder repetitive Aufgaben bieten. In dieser Arbeit wird ein Tool konzipiert und evaluiert, welches in der Lage ist, mithilfe von KI-Techniken aus Bestandspl{\"a}nen dreidimensionale (3D) Bauwerksmodelle zu rekonstruieren. Bei der Konzeptionierung hat sich eine der großen Herausforderung beim Einsatz von Machine Learning herauskristallisiert. Um KI-Systeme {\"u}berwacht trainieren zu k{\"o}nnen, werden sog. gelabelte Trainingsdaten ben{\"o}tigt. In diesem konkreten Fall Positionspl{\"a}ne, bei denen in einer maschinenlesbaren Form hinterlegt ist, welche Art von Bauteilen an welcher Stelle des Planes dargestellt sind. Damit kann eine KI lernen, selbstst{\"a}ndig unbekannte Pl{\"a}ne zu analysieren und darin Bauteile zu klassifizieren. Diese Daten k{\"o}nnen entweder unter großem Aufwand manuell erstellt werden oder man greift auf synthetische Daten zur{\"u}ck. Synthetische Daten sind k{\"u}nstlich erschaffene Daten, die von ihrer Struktur und ihren Eigenschaften her echte Daten imitieren. Da dabei der Erzeugungsprozess gesteuert wird, lassen sich die ben{\"o}tigten Labels gleichzeitig miterzeugen. Auf diese Weise entsteht sog. Ground Truth Data, also Daten, bei denen man sich sicher sein kann, dass sie korrekt gelabelt sind. F{\"u}r diese Arbeit wurde eine Datenpipeline umgesetzt, die in der Lage ist, synthetische Daten speziell f{\"u}r die Zwecke der Baubranche zu generieren. Mithilfe des Applications Programming Interface von Autodesk Revit wurde eine C\#-Anwendung programmiert, die zufallsgesteuert Modelle erzeugt und anhand dieser Modelle realistische Pl{\"a}ne ableitet. Parallel dazu werden mithilfe der im Modell hinterlegten Bauteilinformationen die f{\"u}r die KI ben{\"o}tigten gelabelten Daten erzeugt. Erste Testl{\"a}ufe mit dem Objekterkennungsframework YOLOv5 waren vielversprechend. Der gew{\"a}hlte Ansatz hat sich somit als flexibel und skalierbar erwiesen, um damit KI-Systeme f{\"u}r bauspezifische Aufgaben - wie die Bauteilerkennung auf Pl{\"a}nen - zu trainieren.}, language = {de} }