DETECT: Die FfE-Software zur automatischen Objekterkennung

Wofür wird DETECT verwendet?

DETECT ist unsere Softwarelösung zur großflächigen Objekterkennung in Bilddaten mittels Fernerkundung, Luftbildern und Drohnenaufnahmen.

Die gewonnenen Daten decken eine Vielzahl von Anwendungsfällen ab, wie z. B.:

die Netzausbauplanung von Verteilnetz- und Übertragungsnetzbetreibern
die kommunale Energieplanung indem sie Gemeinden und Stadtwerken helfen, ihr Gebiet besser zu verstehen und die Energietransformation zu planen.
die Identifikation von Prosumer-Verhalten zur Marktanalyse, für den Vertrieb und datenbasierte Strategien
für die Forschung und Szenarioberechnungen

In den letzten Jahren sind in Deutschland und Europa zunehmend hochauflösende Luftbilder (von Flugzeugen oder Satelliten aufgenommen) öffentlich verfügbar gemacht worden. Die höhere Auflösung ermöglicht KI-basierte Ansätze zur automatischen Erkennung von Strukturen wie Fahrzeugen, Gebäuden und sogar kleineren Objekten wie Solaranlagen und Bäumen.

Ein Beispiel für die Datenerfassung mit DETECT ist die Anwendung auf öffentlich verfügbare Orthofotos zur Objekterkennung für verschiedene Anwendungsfälle:

Erkennung bestehender Solaranlagen
Erkennung von LKWs zur Bewertung der Kapazität von Logistikzentren

Software-Komponenten

DETECT besteht aus drei übergeordneten Verarbeitungsschritten: Datenerfassung, Objekterkennung und Ergebnisauswertung.

Abbildung 1: Die drei Hauptverarbeitungsschritte der DETECT Softwarelösung

Datenerfassung

Die Objekterkennung erfolgt mittels Fernerkundungsdaten wie Satellitenbildern oder Luftaufnahmen. Der erste Schritt vor der eigentlichen Erkennung ist die Beschaffung geeigneter Bilder. Wir beziehen solche Daten über sogenannte Web Map Services (WMS), mit denen Bilder für ein bestimmtes Untersuchungsgebiet angefordert werden können. Oft gibt es mehrere Datenanbieter, die jeweils Bilder für unterschiedliche Regionen (z. B. einzelne Bundesländer) bereitstellen, was die Analyse erschwert, wenn sich das Untersuchungsgebiet z. B. mit mehreren Bundesländern überlappt. Die FfE hat bereits einen Teil der Datenerfassungs-Komponente von DETECT als Open Source Veröffentlichung bereitgestellt, um den Zugriff auf verschiedene WMS-Dienste zu erleichtern. Das Tool ermöglicht einen schnellen, parallelen und automatisierten Download der Bilder für das gewünschte Gebiet und verbessert so die Effizienz der Lösung. Um unnötige Datenverarbeitung zu vermeiden, kann das Untersuchungsgebiet zusätzlich mit einer Maske gefiltert werden, sodass ausschließlich relevante Bereiche innerhalb des Untersuchungsgebiets verarbeitet werden. Beispielsweise kann bei der Erkennung von PV-Anlagen ein Besiedlungs-Layer verwendet werden, sodass nur Bilder von besiedeltem Gebiet verarbeitet werden.

Objekterkennung

Als zentrale Komponente der DETECT-Software wendet das Erkennungsmodul KI-basierte Bildverarbeitungsmodelle auf die Bilder an, um die gewünschten Objekte zu erkennen.

Diese Modelle werden typischerweise auf Bilddatensätzen trainiert, die zuvor manuell annotiert wurden. So lernen die Modelle, die richtigen Objekte auf neuen Bildern, welche nicht Teil des Trainingsprozesses waren, zu erkennen.

Abbildung 2: Beispiel eines manuell annotierten Luftbildes als Teil des Trainingsdatensatzes für Solar DETECT

Die verwendeten KI-Modelle sind verschiedene Varianten von sogenannten Convolutional Neural Networks (CNNs), deren Architektur und Implementierung vom jeweiligen Anwendungsfall abhängen.

Das Erkennungsmodul ermöglicht es, effizient die am besten geeignete Modellarchitektur für einen neuen Anwendungsfall zu bestimmen und bei Bedarf eine neue Architektur zum Modellbestand hinzuzufügen.

Integration von Open-Source-Ressourcen

KI-basierte Bildverarbeitung ist derzeit ein sehr aktives Forschungsfeld mit zahlreichen Beiträgen aus der Open-Source-Community. Diese reichen von Machine-Learning-Frameworks wie PyTorch oder TensorFlow über Implementierungen von neuronalen Netzwerkarchitekturen, Open-Source-annotierten Datensätzen bis hin zu vollständig trainierten Gewichten neuronaler Netzwerke, die entweder zur Lösung spezifischer Aufgaben oder zur Extraktion universell relevanter Merkmale aus Bildern optimiert wurden.

Da das Training mit großen und vielfältigen Datensätzen entscheidend für gute Ergebnisse ist, verwenden wir typischerweise eine Kombination aus verschiedenen öffentlich verfügbaren Datensätzen, um unsere Modelle zu trainieren. Dies vermittelt dem Modell ein gutes „Grundverständnis“ für die jeweilige Aufgabe (z. B. Erkennung von PV-Modulen auf Luftbildern).

Im zweiten Schritt erstellen wir einen eigenen, anwendungsspezifischen Datensatz, damit sich das Modell an die besonderen Eigenschaften der Datenquelle (z. B. frei verfügbare Orthofotos der einzelnen Bundesländer) und die spezifischen Anforderungen der Erkennungsergebnisse (z. B. Unterscheidung zwischen konventionellen PV-Modulen und sogenannten „All-Black“-Modulen, die in den letzten Jahren auf den Markt gekommen sind) anpassen kann. Anschließend trainieren wir das vortrainierte Modell weiter mit unseren eigenen Datensätzen, um eine gute Generalisierungsfähigkeit sowie präzise Ergebnisse zu erzielen.

Ergebnisauswertung

Die Ergebnisse der Objekterkennung sind Geodaten, welche die Position und Form der detektierten Objekte enthalten. Die Ergebnisauswertung bietet verschiedene Möglichkeiten, diese Geodaten zu aggregieren und zu visualisieren, um daraus Erkenntnisse zu gewinnen und bei Entscheidungsfindungsprozessen zu unterstützen. Einige dieser Möglichkeiten werden im folgenden Kapitel zu unseren Anwendungsfällen dargestellt.

Die Ergebnisse können in diversen Formaten (z. B. CSV, (Geo)JSON, Excel, …) ausgegeben werden. Darüber hinaus können daraus abgeleitete Daten erzeugt werden, welche die Inputs aus der umfangreichen Simulationsmodell-Landschaft der FfE und dem energiewirtschaftlichen Fachwissen der FfE-Expert:innen aus verschiedenen Themenbereichen enthalten.

Das Berichtsmodul ist hochgradig anpassbar und kann so konfiguriert werden, dass es neue Ausgabeformate entsprechend den Anforderungen der Kund:innen bereitstellt.

Einige Anwendungsfälle:

Solaranlagen-Erkennung

Eine der Anwendungen von DETECT ist die Erkennung von Solaranlagen auf Luftbildern. Dafür haben wir ein Modell sowohl mit bestehenden Datensätzen aus verschiedenen EU-Regionen als auch mit selbst annotierten Daten für Deutschland trainiert. Das Modell wurde anschließend in die DETECT-Software integriert, sodass wir bestehende Anlagen in beliebigen Gebieten identifizieren können.

Die resultierenden Daten auf Gebäudeebene sind für verschiedenste Anwendungen relevant, wie z. B. für die Erstellung sogenannter Digital Twins oder die Berechnung von gebäudescharfen PV-Einspeisungs-Lastgängen im Kontext der Netzplanung. Zudem werden sie von uns als Datengrundlage für energiewirtschaftliche Beratungsprojekte verwendet und in weitere unserer FfE-Produkte und -Tools integriert.

Beispielsweise werden im Rahmen unserer FfE-Lösungen gebäudescharfe Potenziale für weiteren PV-Zubau durch die Integration von 3D-Gebäudedaten berechnet. Die durch DETECT erkannten, bereits installierten PV-Module werden hier mit den exakten Geometrien der Hausdächer (inkl. Giebeln, Fenstern, Orientierung der Dachflächen, etc.) in einem Datensatz kombiniert. Dieser enthält gebäudescharf das bisher nicht genutzte Potenzial für die Solarstromerzeugung auf Gebäudedächern sowie Informationen zur Ausrichtung, dem Neigungswinkel und potenziellen Erzeugungslastgängen der noch zubaubaren PV-Module.

Weitere Informationen zum Datensatz und Möglichkeiten, uns hierzu zu kontaktieren, finden Sie in unserem Lösungsartikel.

Abbildung 3 (links): Durch Solar DETECT erkannte Solarmodule auf einem Luftbild von der Open-Data-Plattform Bayerns.
Abbildung 4 (rechts): **Installationsdichte von Solarmodulen** in Bayern, aggregiert aus Solar DETECT PV-Erkennungs-Daten

LKW-Erkennung

Ein weiterer Anwendungsfall der DETECT-Lösung ist die Erkennung von LKWs in Industriegebieten. Die Information, wie viele LKWs auf einem Gewerbegebiet geparkt sind, kann dazu dienen, Logistikzentren von sonstigen Industriestandorten zu unterscheiden und ihre Dimensionierung abzuschätzen. Dies ist wiederum entscheidend, um die Auswirkungen der Elektrifizierung des Schwerlastverkehrs auf die Verteilnetze zu untersuchen. Beispielsweise kann abgeschätzt werden, wie viele Schwerlastladepunkte bei einer Vollelektrifizierung der Standortflotte neu errichtet werden müssten und welche Netzanschlusskapazität hierfür an welchem Standort eingeplant werden muss.

Zur Klassifizierung werden zunächst Industriegebiete anhand von OpenStreetMap-Daten extrahiert und als Maske in DETECT verwendet, sodass nur diese Gebiete untersucht werden. Nach dem Training eines Modells zur Erkennung von LKWs bzw. Großfahrzeugen wurde das Modell in die DETECT-Software geladen, um LKWs in den relevanten Gebieten zu detektieren und somit eine Entscheidungsgrundlage für die Klassifizierung als Logistikzentrum zu schaffen.

Weitere Informationen zum Datensatz und Möglichkeiten, uns hierzu zu kontaktieren, finden Sie in unserem Lösungsartikel.

Abbildung 5 (links): Detektion von LKWs in der Luftbildaufnahme eines Logistikstandorts durch Logistik DETECT. Die Detektionskonfidenz wird neben den umrahmenden Boxen angezeigt.
Abbildung 6 (rechts): Die Verteilungsdichte der von Logistik DETECT erkannten LKWs lässt Rückschlüsse auf die **Nutzungsart des Gewerbegebiets** zu.