Masterarbeit Martin Wiecek

 

Computer Vision gestützte Erfassung von Objekten und topologischen Zusammenhängen komplexer Energiesysteme

Kernelemente eines Plans der Technischen Gebäudeausrüstung Urheberrecht: EBC Kernelemente eines Plans der Technischen Gebäudeausrüstung

Der Anteil des gebäuderelevanten Endenergieverbrauchs lag 2016 bei 35 Prozent [BMWi, 2016]. Die Maßnahmen des “Nationalen Aktionsplans Energieeffizienz” [BMWi, 2014] und der Energieeffizienzstrategie Gebäude" [BMWi, 2015] der Deutschen Bundesregierung setzen dabei auf den Ausbau regenerativer Energiesysteme und die Erhöhung der Effizienz in Gebäuden. Durch abgeleitete Maßnahmen von “Building Energy Performance Simulation (BEPS)” oder “Building Energy Management Systemen (BEMS)” kann der Energieverbrauch gesenkt werden. Dazu spielen Abbildungen der Technischen Gebäudeausrüstung (TGA) eine wichtige Rolle, da damit alle Elemente und deren topologischen Zusammenhänge im Energiesystem des Gebäudes erkannt werden können. Die Abbildungen sind jedoch oft nicht in einer maschinenlesbaren Form vorhanden. Die Umwandlung in maschinenlesbare Formate kann dabei mithilfe künstlicher Intelligenz geschehen. Diese Arbeit beschäftigt sich daher mit der Extraktion von objektorientierten Modellen aus gemischten Text- und Grafikdokumenten, die komplexe Gebäudeenergiesystem darstellen. Hierbei werden die Art und die Position der TGA-Symbole identifiziert und deren topologische Zusammenhänge erkannt.

Es existieren bereits Arbeiten, die diese Problemstellung behandeln. Viele der bekannten Algorithmen stammen aus dem verfahrenstechnischen Bereich im Kontext von “Automatisierung der Automatisierung” (AoA). Arroyo et al. [2016] zeigt ein schrittweises Verfahren auf, wie eine objektorientierte Struktur aus Grafikdokumenten erstellt werden kann, bei der Benutzung von optischer Erkennung und semantischer Analyseverfahren.

In dieser Arbeit wird ebenfalls ein schrittweises Verfahren verwendet. Damit sollen die Topologie inklusive verschiedener Elemente der TGA-Abbildung erkannt werden. Dazu wird die TGA-Abbildung analysiert und eine objekt-orientierte Struktur wird eingeführt, welche die unterschiedlichen Elemente beinhaltet. Für das Trainieren und Testen des Verfahrens werden Datensätze erstellt. Für die Erkennung von TGA-Symbolen wird einerseits ein Faster Region-based Convolutional Neural Network (Faster R-CNN) trainiert und andererseits eine Template Matching (TM) basierte Methodik um Funktionen zur Erkennung geometrisch transformierter TGA-Symbole erweitert. Eine Kombination aus Algorithmen der Canny-Kantenerkennung und Hough-Transformation wird für die Identifizierung von Linien verwendet. Zusammen mit dem entwickelten Verfahren der Linien-Kreuzungs-Erkennung werden Verbindungen zwischen den TGA-Symbolen abgeleitet.

Die Verbindungserkennung führt zu guten Ergebnissen. Sie wird bewertet durch die Metriken Recall, Precision und F1 Score. Ein F1 Score von 82% wurde erreicht. Jedoch besteht eine große Differenz zwischen Recall und Precision. Der Precision liegt bei 91%, wohingegen für den Recall ein Wert von 75% erreicht wurde. Obwohl 116 Elemente der Verbindungsmatrixen als True Positive klassifiziert wurden, existieren immer noch 39 False Negative. Die CNN-Objekterkennung ist vielversprechend, da der Erkennungsvorgang nur wenig Zeit im Vergleich zur TM-Methode benötigt. Sie wird durch das Precision-Recall-Diagramm und den Average Precision (AP) ausgewertet. Für alle Objektklassen außer dem Wärmeübertrager wurden AP-Werte von mindestens 90% erreicht. Außerdem erreichen sie Recall-Werte von 100%. Die TM-Methode führte zu schwachen Objekterkennungsergebnissen. Besonders für die Klasse “Klappe” und “Wärmeübertrager” wurden AP-Werte von nur 54-61% erreicht. Außerdem gibt es bei allen Klasen das Problem, dass der Recall-Wert von 100% nicht erreicht wird.

Eine Schwachstelle der Verbindungserkennung ist der Linienerkennungs-Algorithmus, bei dem es viele False Positive und False Negative Linienerkennungen gibt. Zusammen mit Defiziten im Linien-Kreuzungs-Algorithmus führt dies zu Verlusten im Recall-Wert. Eine Verbesserung der Kalibrierung der Hough-Transformation könnte die Abweichung verringern. Obwohl die Objekterkennung mit CNN gute Ergebnisse zeigt, sollte dieser weiterentwickelt werden. Er muss für einen größeren Bereich an Objektklassen und eine größere Variation für jede Objektklasse erweitert werden. Für das TM-Verfahren sollte relative zentrische Streckungsparameter eingeführt werden, die proportional zu den Abmessungen der TGA-Symbole sind. Da das TM-Verfahren nützlich in Anwendungsfällen sein kann bei denen die Objektsymbole und -arten sich stetig ändern, ist eine Weiterführung der Entwicklung gerechtfertigt.