Einreichungen

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

Zur Preisträgerübersicht Zur Übersicht Zur Preisträgerübersicht

Klaus Schlender [et. al.] (Hrsg.): Gesellschaft für Informatik e.V. (GI) (Hrsg.), INFORMATIK 2021, Lecture Notes in Informatics (LNI), Gesellschaft für Informatik, Bonn 2021

Die 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.

Keywords: Data Science, Deep Neural Network, Object Segmentation, Region Proposal, Convolutional Neural Network, thermal images.

Zum Beitrag
  • Disziplin
    Technische Wissenschaften / Technical Sciences andTechnology
  • Award
    YOUNG SCIENTIST AWARD

Teammitglieder

  • Klaus Schlender
    FH-Bielefeld University of Applied Science & Freelancer Computer Science