This thesis automates the geometric digital twinning of existing bridges from their point clouds. It proposes automated semantic segmentation of bridge point clouds using a deep learning architecture. It also automates the parametric modeling process of bridges through reverse engineering and optimization techniques. Results of applying the proposed method to ten bridges show high accuracy in segmentation (OA = 96.97%, mIoU = 91.57%) and low error in model generation (MAE = 8.43 cm).
Translated abstract:
Diese Arbeit automatisiert das geometrische digitale Twinning von bestehenden Brücken anhand ihrer Punktwolken. Sie schlägt eine automatisierte semantische Segmentierung von Brückenpunktwolken unter Verwendung einer Deep-Learning-Architektur vor. Außerdem wird der parametrische Modellierungsprozess von Brücken durch Reverse Engineering und Optimierungstechniken automatisiert. Die Ergebnisse der Anwendung der vorgeschlagenen Methode auf zehn Brücken zeigen eine hohe Genauigkeit bei der Segmentierung (OA = 96.97%, mIoU = 91.57%) und einen geringen Fehler bei der Modellerstellung (MAE = 8.43 cm).
«
Diese Arbeit automatisiert das geometrische digitale Twinning von bestehenden Brücken anhand ihrer Punktwolken. Sie schlägt eine automatisierte semantische Segmentierung von Brückenpunktwolken unter Verwendung einer Deep-Learning-Architektur vor. Außerdem wird der parametrische Modellierungsprozess von Brücken durch Reverse Engineering und Optimierungstechniken automatisiert. Die Ergebnisse der Anwendung der vorgeschlagenen Methode auf zehn Brücken zeigen eine hohe Genauigkeit bei der Segmentier...
»