>> KI-ALLIANZ RLP > KI-FORSCHUNG > KI-PROJEKTE > BAM: BIG-DATA-ANALYTICS IN ENVIRONMENTAL AND STRUCTURAL MONITORING


BAM: Big-Data-Analytics in Environmental and Structural Monitoring

  • Laufzeit: 01.04.2019 - 31.03.2023
    Zuwendungsgeber: Carl-Zeiss-Stiftung

    Prof. Dr.-Ing. Martin Schlüter
    Hochschule Mainz

    Logo BAM: Big-Data-Analytics in Environmental and Structural Monitoring

    Ein interdisziplinäres Team der Hochschule Mainz erforscht im Hinblick auf Big-Data die Potentiale aktueller Data Mining- und Machine Learning Verfahren für Fragestellungen mit Raum-Zeit-Bezug.

    Beteiligte Personen

    • Klaus Böhm
    • Nicole Bruhn
    • Jörg Klonowski
    • Gunther Piller (ab 15 März 2022 Präsident der Hochschule für Wirtschaft und Gesellschaft in Ludwigshafen)
    • Martin Schlüter (Sprecher)
    • Denise Becker (bis Ende 2022)
    • Alexander Rolwes
    • Kira Zschiesche

    Motivation

    Ziel des Forschungsvorhabens ist es, Verfahren bereitzustellen, die den Nutzen stark wachsender Datenmengen mit Raumbezug erhöhen. So werden im Bereich Smart City auf Machine Learning basierende Informationssysteme entwickelt, welche mittels Analyse und Visualisierung Entscheidungsfindungen erleichtern. Ferner wird der Autonomiegrad optischer Monitoringsysteme auf der Basis von Bildanalyse mithilfe von Deep-Learning-Systemen gesteigert.

    Aktivitäten

    Durch Interessensaustausch mit verschiedenen Projektpartnern aus dem Mobilitätssektor konnten Schnittmengen entdeckt, Use Cases entwickelt und vielversprechende Daten zusammengeführt werden. Auf dieser Basis implementieren Alexander Rolwes und Thomas Müller eine prototypische Anwendung zur Vorhersage der Parkhausauslastung in Mainz. Aktuell widmen sie sich der Weiterentwicklung der Vorhersage sowie der Integration in ein ganzheitliches Steuerungsmodell zur Nutzung von Off-Street Parkflächen. Darüber hinaus untersuchen sie die Zusammenhänge zwischen räumlichen Einflussfaktoren und dem Parkverhalten.

    Kira Zschiesche und Denise Becker realisieren vielversprechende Verfahren zum Monitoring von Veränderungen an Bauwerken. Unter anderem erlangen sie Erkenntnisse in Verbindung mit Methoden aus dem Structural Health Monitoring, indem sie optische Schwingungsmessung an Bauwerken vornehmen und erste Ansätze zur automatischen Rissdetektion erproben. Um die Sicherheit im Gleisbereich zu erweitern, entwickeln sie mittels eines Deep Learning Ansatzes eine Softwarelösung, welche durch den Einsatz von Künstlicher Intelligenz Züge in Bildern identifiziert. Zukünftig wird das Team Verfahren zur automatischen Targetdetektion erforschen, um den Automatisierungsgrad bei verschiedenen Prozessen zu steigern.

    Ablaufschema des Projekts

    Ablaufschema des Projekts




    https://i3mainz.hs-mainz.de/projekte/bam/

KI-Schwerpunktfelder des Forschungsprojekts

  • Anwendungsbezogene Forschung

    • Intelligente Assistenzsysteme / Virtuelle Assistenten: Virtuelle Assistenten, Vorausschauende Analyse, Vorausschauende Wartung, Digitale Zwillinge