Die Global Mapper Insight and Learning Engine™ (Beta) - eine Erweiterung der Analysewerkzeuge in Global Mapper Pro v26.0

Das Herbst-Update für Global Mapper Pro, Version 26.0, wird von der innovativen Global Mapper Insight and Learning Engine™ (Beta) angeführt, einem auf Deep Learning basierenden Bildanalyse-Werkzeugset. Diese neue Version führt auch ein brandneues Solaranalyse-Werkzeug ein, das zur Analyse von 3D-Daten und zur Berechnung von Sonnen-/Schattenbereichen im Laufe der Zeit entwickelt wurde. Die auf maschinellem Lernen basierenden Werkzeug zur automatischen Punktwolkenanalyse von Global Mapper Pro, die benutzerdefiniertes Training und Klassifizierung bieten, enthalten ebenfalls eine Vielzahl von Verbesserungen. Die photogrammetrische Analyse wird durch die Hinzufügung eines Workflows und Geschwindigkeitsaktualisierungen zum Tool "Pixels to Points" weiter verbessert.

Wie immer finden Sie die vollständige Liste der neuen Funktionen, Aktualisierungen und Fehlerbehebungen in der Wissensdatenbank v26.0.

Die Aktualisierung der Standard-Version 26.0 können Sie hier lesen: Neu in Global Mapper Standard 26.0!

Die Global Mapper Insight and Learning Engine™ (Beta) öffnet die Tür für tiefgreifende lernbasierte Analysen in Global Mapper. Alle Benutzer von Global Mapper Pro v26 haben über die Deep-Learning-Symbolleiste und das Menü, das automatisierte Rasteranalyse-Werkzeuge bietet, Zugriff auf diese Funktionalität. Diese neue Suite von Werkzeugen bietet trainierte Modelle für die Klassifizierung der Bodenbedeckung, die Fahrzeugidentifizierung und die Gebäudeextraktion. Eine Feinabstimmungsoption ermöglicht es Benutzern, Ebenen eines Modells neu zu trainieren, um die Analyseergebnisse für bestimmte Datensätze zu verbessern.

Der Landbedeckungsklassifizierungsprozess (LCC) in Global Mapper ermöglicht es Benutzern, LCC-Analysen selbst durchzuführen. Das Werkzeug ist so konzipiert, dass es mit Quelldaten höherer Auflösung arbeitet im Vergleich zu bestehenden öffentlich zugänglichen Datensätzen, die oft auf regionaler oder globaler Ebene erstellt werden. Dadurch können Benutzer Produkte mit höherer Genauigkeit und höherer Auflösung für ihre spezifischen Interessengebiete erstellen.

Die Objekterkennung bezieht sich auf die Aufgabe, einzelne Objekte in einem Bild zu identifizieren. Die Global Mapper Insight and Learning Engine bietet derzeit Modelle für zwei Arten der Objekterkennung: Fahrzeuge und Gebäude.

Fahrzeugerkennungsmethoden, die auf hochauflösenden Luft- und Satellitenbildern trainiert wurden, identifizieren Fahrzeuge in einem Bild über einen vektorbasierten Begrenzungsrahmen. Die Gebäudeidentifikation – oft auch als Gebäudeextraktion bezeichnet, da sie explizite Gebäudegrenzen identifiziert – erzeugt sowohl vektorielle Gebäudegrenzen als auch eine binäre Rastermaske.

Der wohl leistungsstärkste Bestandteil dieser neuen Werkzeuge ist die Möglichkeit, die integrierten Modelle zu optimieren und neu zu trainieren.

Die Global Mapper Insight and Learning Engine (Beta) ist für die Optimierung und das erneute Training von Modellen konzipiert. Diese Funktionalität ermöglicht es Benutzern, Modelle an bestimmte Datensätze und Aufgaben anzupassen. Benutzer können Ground-Truth-Daten importieren oder manuell erstellen, die mit ihren Beispielbildern verknüpft sind, und den Optimierungsprozess ausführen. Dadurch wird ein benutzerdefiniertes Modell erstellt, das auf der Grundlage dieser Ground-Truth-Daten für die zukünftige Verwendung in der Anwendung erweitert wird.

Durch die Feinabstimmung erhält der Benutzer die Kontrolle darüber, wie tiefgreifend das Modell angepasst wird, während bei einem vollständigen Training das gesamte Modell angepasst wird.

Schattenprozentsatz und Abdeckungsbereich können jetzt in Global Mapper Pro auf der Grundlage der Analyse von Gelände, 3D-Vektoren und Netz-Elementen berechnet werden.

Das Verständnis der Auswirkungen, die Gelände- und Oberflächen-Elemente auf die Landschaft haben können, gilt für eine Vielzahl von Szenarien – von der Landwirtschaft und Stadtplanung bis hin zu gewerblichen und privaten Solarenergieanwendungen. Mit diesem neuen Werkzeug können Benutzer Schattenmasken und den prozentualen Schattenabdeckungsgrad für ein bestimmtes Gebiet berechnen. Das Werkzeug kann einen Zeitbereich und eine Höhe über dem Boden berücksichtigen und eine Animationsebene als Ausgabe erstellen, die im Werkzeug Animationsebenen verwendet werden kann.

Diese Version enthält zahlreiche Aktualisierungen des Werkzeuges für die automatische Punktwolkenanalyse. Dieses innovative Werkzeug, das in Global Mapper Pro verfügbar ist, wurde kürzlich bei den Lidar Leader Awards 2024 mit dem Preis für herausragende Innovation im Bereich Lidar ausgezeichnet. Die Aktualisierungen in Version 26.0 etablieren Global Mapper Pro weiterhin als die Lösung der Wahl für Lidar- und Punktwolken-Workflows.

Die Identifizierung von Modell-Key-Points ist ein wichtiger Prozess, der dazu dient, die Größe eines Datensatzes sowohl in Bezug auf die Anzahl der Punkte als auch auf die Dateigröße zu reduzieren, während wichtige strukturelle Eigenschaften der Daten erhalten bleiben. Modell-Key-Points werden häufig verwendet, wenn eine nachfolgende Analyse außerhalb einer traditionellen Geodatenanwendung erforderlich ist, wie z. B. in CAD-Umgebungen oder in Spiel- und Simulationsszenarien.

Als neuer Abschnitt des Werkzeuges Automatische Punktwolkenanalyse ermöglicht Modell-Key-Points Benutzern, diese Punkte entweder als Flag oder Klassifizierung gemäß den ASPRS-Richtlinien zu identifizieren. Benutzer können optional eine neue Ebene dieser Punkte und/oder ein abgeleitetes TIN erstellen.

Mit Version 25.0 von Global Mapper Pro wurde das Training benutzerdefinierter Punktwolken-Klassifizierungsmodelle für die Verwendung im Werkzeug Automatische Punktwolkenanalyse eingeführt. Diese Analyse, die auf Segmentierung und der Erstellung eines benutzerdefinierten Element-Models basiert, wurde in Version 26.0 um die Option zum Speichern und Laden trainierter benutzerdefinierter Klassen erweitert.

Diese neuen Optionen in der automatischen Punktwolkenanalyse ermöglichen es Benutzern, eine trainierte Klasse aus Global Mapper Pro in einer Datei zu speichern, die auf einem anderen Computer oder für einen anderen Global Mapper-Benutzer freigegeben werden kann, um sie in das Werkzeug zu laden.

Pixels to Points ist ein unschätzbares Werkzeug für Benutzer von Global Mapper Pro, die mit von Drohnen gesammelten Daten arbeiten. Angesichts der zunehmenden Verbreitung von Drohnen, von der professionellen bis zur Verbraucherebene, der einfachen Bilderfassung durch Drohnenflüge und des Werts der daraus abgeleiteten Produkte ist die photogrammetrische Analyse für viele Arbeitsabläufe unerlässlich und bietet eine Vielzahl von Anwendungen für Anwender, die vor Ort arbeiten.

In Version 26 erweitert Global Mapper Pro diese leistungsstarken Werkzeuges um eine noch leistungsfähigere automatische Platzierung von Bodenkontrollpunkten (GCP) und weitere Geschwindigkeitsverbesserungen.

Die automatische GCP-Platzierung war eine spannende neue Funktion, die dem Werkzeug Pixels to Points in Version 25.1 hinzugefügt wurde. Natürlich wollten wir diesen Prozess für unsere Benutzer in Global Mapper Pro v26.0 weiter verbessern. Neue Updates für dieses Werkzeug verfeinern den Identifizierungsprozess in Szenarien mit extremem Gelände weiter. Nicht standardisierte Ziele lassen sich jetzt leichter identifizieren, und eine verbesserte Bewertung ermöglicht eine genauere Platzierung, wenn mehrere Ziele in einem Bild sichtbar sein könnten.

Die photogrammetrische Verarbeitung und Analyse kann aufgrund ihrer rechenintensiven Natur langwierige Aufgaben sein. Wir haben unsere Verarbeitungspipeline weiter verbessert, was der CPU- und GPU-basierten Verarbeitung zugutekommt. Wir sind stolz darauf, berichten zu können, dass diese Version der Software in einigen Szenarien im Vergleich zur vorherigen Version des Werkzeuges, Geschwindigkeitsverbesserungen von bis zu 50 % aufweist. Wir empfehlen allen, die Erfahrung mit photogrammetrischer Verarbeitung haben, sich die Geschwindigkeitsverbesserungen in Global Mapper Pro v26.0 anzusehen.