Laden...
Laden...
Wir entwickeln Computer-Vision-Pipelines, die aus Bild- und Geodaten strukturierte, prüfbare Ergebnisse machen. Diese Seite zeigt, wie das funktioniert: welche Daten wir verarbeiten, was unsere Modelle leisten und wie die Ergebnisse in Ihre Systeme kommen.
Wir arbeiten mit dem Material, das Ihr Prozess ohnehin erzeugt. Drohnenaufnahmen für die Fläche, Smartphone- und Kamerabilder für das Detail, mit oder ohne RTK-Ortung. Laserscans und Punktwolken, wo sie vorhanden sind. Dazu Bestandsdaten: CAD-Modelle, DXF-Pläne, GIS-Bestände, auch Leitungsdokumentationen aus PDF-Archiven. Teure Spezial-Hardware ist in vielen Fällen nicht nötig.
Unsere Modelle erkennen, klassifizieren, vermessen und verorten Objekte in Orthomosaiken, Punktwolken, Fotos und Videos. Sie gleichen den erfassten Zustand mit Plänen und Modellen ab: reale Baustelle gegen DXF-Plan, gefertigtes Bauteil gegen CAD-Modell. Jedes erkannte Objekt erhält eine Erkennungssicherheit. Ergebnisse werden als georeferenzierte Polygone gespeichert, nicht als lose Markierungen.
Ergebnisse liefern wir strukturiert dorthin, wo gearbeitet wird: als GeoJSON in Ihr Geoinformationssystem, in BIM-Workflows oder an die Warenwirtschaft. Wir bedienen die Schnittstellen, die Sie bereits haben. Keine Insellösung, kein Parallelbetrieb.
Automatische Erkennung ist nur so viel wert wie ihre Prüfbarkeit. Deshalb ist der Fachanwender fester Teil der Pipeline.
Erkennen: Das Modell erkennt und klassifiziert Objekte, mit Erkennungssicherheit je Objekt.
Markieren: Unsichere Fälle werden sichtbar gekennzeichnet, zum Beispiel als Ampel.
Prüfen: Ihr Fachanwender bestätigt oder korrigiert: wählt das richtige Bauteil, verschiebt Punkte.
Lernen: Korrekturen fließen an uns zurück und verbessern das Modell.
So entsteht Verlässlichkeit ohne blinden Automatismus. Und das Modell wird mit jedem Projekt besser.
Generische Bildmodelle sind auf häufige Objekte in sauberen Aufnahmen trainiert. Baustellen, offene Gräben und Industrieumgebungen sehen anders aus: Verdeckungen, Schatten, Verschmutzung, Perspektivverzerrung. Dazu Objektklassen, die in öffentlichen Datensätzen kaum vorkommen. Spezifische Bauteile europäischer Hersteller, die im Infrastrukturbereich verwendet werden, sind dort in der Regel nicht enthalten.
Genau dafür entwickeln wir eigene Modellarchitekturen und Geometrie-Abgleichsverfahren. Das zugrunde liegende Long-Tail-Problem, die zuverlässige Klassifikation seltener Klassen, ist Gegenstand unserer eigenen, peer-reviewed publizierten Forschung.1 Im Projekt heißt das: verwertbare Ergebnisse auch bei wenigen Trainingsdaten und seltenen Ereignissen.
Unsere Lösungen sind DSGVO-konform und auf Wunsch on-premise oder lokal ausführbar. Trainierte Modelle und Datensätze gehören Ihnen. Für kommunale Auftraggeber und Netzbetreiber ist das nicht nur eine Vertrauensfrage, sondern häufig ein Vergabekriterium.
Ihr Format ist nicht dabei? Fragen Sie uns, die Liste wächst mit den Projekten.
Punktwolken-Analyse als eigenständige Lösung ist in Entwicklung. Satelliten-Bildanalyse ist im Konzeptstadium. Gaussian Splatting beobachten wir als Erfassungs- und Darstellungsverfahren für künftige Anwendungen.
1 Melsbach, J., Haase, F., Stahlmann, S., Hirschmeier, S., & Schoder, D. (2025). Contrastive transformer network for long tail classification. Knowledge-Based Systems, 320, Article 113607. https://doi.org/10.1016/j.knosys.2025.113607