UAV-gestützte Vermessung im Bergbau – Zur Frage der Genauigkeit unter Verwendung von Structure from Motion

Auch in der bergmännischen Vermessung zählen unbemannte Flugsysteme, vor allem zur Nachtragung des Bergbaukartenwerks (§42 [4]), zur Massenermittlung, sowie zur Erhebung des Ist-Zustandes bereits zum erweiterten Stand der Technik. Der Möglichkeit zur hochauflösenden und vor allem tagesaktuellen Herstellung von optisch realistischen 3D-Modellen aus Bildern kommt, insbesondere vor dem Hintergrund der fortschreitenden Digitalisierung und Automatisierung im Bergbau, besondere Bedeutung zu.

Die automatisierten Verfahren stellen jedoch hohe Anforderungen an die Qualität und vor allem an die geometrische Aufnahmekonfiguration der Bilder. Ist die Genauigkeit der klassischen Photogrammetrie hinlänglich untersucht, so gab es zu den neuen UAV-gestützten Anwendungen keine grundlegenden wissenschaftlichen Untersuchungen, welche Parameter in welchem Ausmaß für die erreichte Genauigkeit verantwortlich zeichnen. Im Gegensatz zur analogen und analytischen Photogrammetrie basiert SfM auf einer Vielzahl an automatischen und teilweise fehlerbehafteten Bildmessungen (Beobachtungen), was eine robuste Ausreißerelimination und nichtlineare Optimierung innerhalb der Auswertung notwendig macht. Entsprechend ist eine deterministische Fehlerbetrachtung im Sinne des Varianzfortpflanzungsgesetzes nur bedingt, bzw. gar nicht, möglich und quantitativ belastbare Aussagen zur erreichbaren Genauigkeit können auf diese Weise nicht wirklich gegeben werden [5].

Nichtsdestotrotz und auch obwohl der theoretische Unterbau oft nicht in ausreichendem Maße vorhanden ist, kommen UAVs in nahezu allen Bereichen der Geodatenerfassung immer häufiger zum Einsatz und werden dabei auch sehr oft von fachfremdem und nicht vermessungstechnisch geschultem Personal eingesetzt. Neben der gebotenen Sorgfalt zur Vermeidung grober und zufälliger Fehler müssen – ähnlich dem Nivellieren aus der Mitte oder dem Messen in zwei Kreislagen bei klassischen geodätischen Vermessungen – auch unbemannte Flugsysteme bzw. insbesondere die installierten Kameras „richtig“ verwendet werden, um die Auswirkung etwaig vorhandener systematischer Fehler zu vermeiden. Die „richtige Verwendung“ zielt hier allerdings nicht nur auf die fotografische Güte der Bilder ab, sondern vielmehr auf die geometrische Qualität der dreidimensionalen Ergebnisse bzw. Punktwolken, die signifikant von der Erfahrung und den Fähigkeiten des Piloten beeinflusst wird. Vor diesem Hintergrund muss die Datenaufnahme in engem Zusammenhang mit der nachgeschalteten Auswertung betrachtet werden, was insbesondere bei unerfahrenen und ungeschulten Anwendern nicht immer gegeben ist. Um eine definierte Genauigkeit und auch Vollständigkeit im Sinne einer markscheiderischen Ergebnisverantwortlichkeit zu gewährleisten, wäre es wahrscheinlich von Vorteil, den Faktor Mensch bzw. Anwender durch eine weitestgehend autonome Flugplanung zu eliminieren. Die theoretischen und mathematischen Grundlagen hierfür zu liefern war das Ziel der hier vorgestellten Dissertation und sollte vordergründig durch eine reproduzierbare Identifizierung und Quantifizierung der relevanten Einflussparameter erreicht werden.

Wie bereits erwähnt, dienen unbemannte Fluggeräte heute als Trägerplattformen für verschiedenste Sensorik. Neben den für die Fluglageregelung notwendigen On-Board Sensoren existiert auch eine große Vielzahl an unterschiedlichen „‚Sensing-Units‘“, die von herkömmlichen RGB (Rot, Grün, Blau) Kameras über Multi- bzw. Hyperspektralkameras bis hin zu RADAR (Radio Detection and Ranging) und LiDAR (Light Detection and Ranging) Sensoren reichen [6‐8].

Kern der gegenständlichen Forschung ist der Einsatz von Drohnen im Bergbau zur Erfüllung bzw. Ergänzung der markscheiderischen Aufgaben und Tätigkeiten. Dabei wird insbesondere auf die markscheiderischen Aufgaben im Tagbau abgestellt, die vom Anfertigen und Führen des Bergbaukartenwerks über die Beaufsichtigung der Vermessungen im Bergbau und Aufgaben der bergbaulichen Raumordnung und Sicherungspflicht bis hin zu bergschadenkundlichen Aufgaben, vor allem zum Schutz der Oberfläche und zur Sicherung der Oberflächennutzung nach Beendigung der Bergbautätigkeit, reichen [4, 9].

Unter Berücksichtigung der Verbreitung verfügbarer Sensoren beziehen sich die angestellten Untersuchungen auf „herkömmliche“ RGB Bilder unter Verwendung handelsüblicher Digitalkameras. Die Verwendung von Laserscanning Systemen in Kombination mit UAVs wird genauso wenig in die Betrachtung einbezogen wie etwaige Anwendungen mit Multi- oder Hyperspektralkameras.

Außerdem lag der Fokus auf der üblicherweise gewählten 3D-Rekonstruktion mittels automatisierter Mehrbildauswertung bzw. „‚Structure from Motion (SfM)‘“ [10]. SfM ist in der Lage, aus einem zunächst ungeordneten Set an Bildern die äußere Orientierung sowie eine punktbasierte Szenenrekonstruktion zu errechnen. Da die Aufnahmepositionen bei der UAV-Befliegung systembedingt unregelmäßig und nicht hochgenau bestimmbar sind, fußen nahezu alle Anwendungen auf dieser ursprünglich aus dem Bereich Computer Vision stammenden Algorithmik. Etwaige Einfluss- und Steuerparameter der Datenprozessierung und Bildauswertung wurden allerdings nicht in die Betrachtungen miteinbezogen. Die Auswertung mittels SfM erfolgte nach den immer gleichen Mustern und wurde in der Arbeit weitestgehend als „‚Black Box‘“ betrachtet. Vielmehr lag der Fokus auf einer Analyse aus Sicht des markscheiderischen bzw. geodätischen Anwenders und zielte entsprechend auf die im Feld steuerbaren Einflussgrößen ab.

Bedingt durch den immer häufigeren Einsatz unbemannter Flugsysteme in den verschiedensten Bereichen der Vermessung gewinnt auch die Frage nach der tatsächlich erreichten Genauigkeit zusehends an Bedeutung. Die konkrete Zielsetzung der präsentierten Dissertation war daher eine robuste Identifizierung genauigkeitsrelevanter Einflussparameter bei der bildbasierten Vermessung unter Verwendung von Structure from Motion.

Auf Basis realmaßstäblicher, modellhafter und teilweise numerischer Überlegungen sollten die relevanten Parameter – genauigkeitswirksam, allerdings auch vom Anwender unmittelbar beeinflussbar – identifiziert, sowie deren Einfluss und insbesondere auch Wechselwirkung quantifiziert werden. Konkret sollte Antwort auf die folgenden Fragen gegeben werden [11]:

Um die Beurteilung der Genauigkeit zu ermöglichen, wurden zunächst geeignete Testobjekte ausgewählt und vorbereitet sowie Evaluierungsmöglichkeiten geschaffen, wobei eine objektive Analyse nur über ein mit übergeordneter Genauigkeit hergestelltes Referenzmodell möglich ist. Da es sich bei der Photogrammetrie um ein flächiges Messverfahren handelt, das die Objektoberfläche in hohem Detailgrad in Form einer 3D-Punktwolke wiedergibt, wäre auch beim Referenzmodell eine Punktwolke eine geeignete Möglichkeit. Diese könnte zum Beispiel mit terrestrischem Laserscan in ausreichender Genauigkeit erzeugt werden, und die auftretenden Differenzen könnten flächig visualisiert und analysiert werden. Eine weitere Möglichkeit wäre ein dichtes Netz an sowohl in den Bildern als auch in der Örtlichkeit eindeutig identifizierbaren Referenzpunkten, was auch im gegenständlichen Fall zur Anwendung kam. Signalisierte Pass- und Kontrollpunkte können sowohl mit herkömmlichen Vermessungsmethoden im Feld (z. B. Tachymetrie) als auch durch Bildmessung eindeutig erkannt werden, was eine eindeutige Gegenüberstellung identer Objektpunkte ermöglicht und die Evaluierung von systematischen Einflüssen der Referenzvermessung befreit. Da die Bildmessgenauigkeit für signalisierte Punkte in einer ähnlichen Größenordnung liegt wie für Natural Features, ist davon auszugehen, dass die Genauigkeit der speziell signalisierten Punkte auf jeden einzelnen Verknüpfungspunkt und somit auf die Punktwolke übertragbar ist.

Wie bereits erwähnt, erfolgte die Bildaufnahme unter Realbedingungen und zusätzlich auch im Modellmaßstab. Einerseits kann es durchaus als gültige wissenschaftliche Praxis betrachtet werden, grundsätzliche Zusammenhänge zunächst am Modell zu erforschen und anschließend die Gültigkeit der getroffenen Aussagen in der Realität zu verifizieren [23, 24]. Andererseits bieten modellhafte Versuche oftmals die Möglichkeit, Faktorstellungen mit höherer Genauigkeit zu steuern, bzw. sind auch Faktorkombinationen, die in der Natur nur schwer realisierbar sind, zumeist einfach herzustellen. Außerdem können im Labor die Umgebungsbedingungen weitestgehend konstant gehalten werden, und nicht kontrollierbare Störeinflüsse (z. B. Wind) werden minimiert. Da die photogrammetrisch erzeugten Modelle zunächst maßstabsfrei und geometrisch ähnlich sind (nur aus den Bildern ist die metrische Größe der aufgenommenen Objekte nicht definiert), werden die Versuchsergebnisse durch die Skalierung auch in keiner Weise verfälscht und die Versuche sollten unabhängig vom gewählten Maßstab zu vergleichbaren Ergebnissen führen.

Bereits aus den gewählten Faktoren und den zugehörigen Stufen geht hervor, dass die Bildaufnahme, wie bei den meisten UAV-Einsätzen üblich, in regelmäßigem Raster und parallelen Bahnen in einer definierten Höhe über dem Gebiet erfolgte. Um die statistische Aussagekraft der Ergebnisse zu erhöhen und auch Aussagen zur Reproduzierbarkeit und Belastbarkeit der Ergebnisse treffen zu können, wurde außerdem jeder Bildverband zweimal unter den exakt selben Bedingungen getestet. Ebenso wurden alle Aufnahmen unter Verwendung desselben Kameramodells durchgeführt. Auf diese Weise konnten Einflüsse des Aufnahmesystems zwar nicht gänzlich ausgeschlossen, aber zumindest konstant gehalten werden.

Die Auswertung erfolgte unter Verwendung der SfM-Pipeline des Instituts für maschinelles Sehen und Darstellen (ICG) an der TU Graz (TUG) in der Windows Version vom 08.04.2016. Der wesentliche Vorteil gegenüber kommerziellen Softwareprodukten wie z. B. Agisoft Metashape [25] besteht in der Zugänglichkeit zum Source Code und somit in der eindeutigen Festlegung der Auswerteparameter. Auf diese Weise konnten vorhandene Einflüsse der Auswerteroutine weitestgehend ausgeschaltet und die angestrebten Analysen zielgerichtet durchgeführt werden.

Werden alle Datensätze zusammengefasst betrachtet, so zeigt sich zunächst einmal, dass die erreichte mittlere Genauigkeit zwischen 1,9 und 27,5 GSD liegt, wobei eine markante Sprungstelle mit der Flughöhe erkennbar ist. Entgegen der ursprünglichen Erwartung, dass eine höhere Auflösung bzw. geringere Flughöhe zu einer höheren Genauigkeit führt, zeigt sich anhand der durchgeführten Flüge genau das Gegenteil. Die „150 m Flüge“ sind auffallend genauer als jene, die in 30 m Höhe aufgenommen wurden, was auch in Abb. 2 deutlich erkannt werden kann, wo die Datensätze nach aufsteigender Flughöhe geordnet dargestellt sind.

Wird der Verlauf der Kurven in Abb. 2 noch stärker hinsichtlich Korrelation mit den Faktorstufen analysiert, so zeigt sich, dass Schrägsicht zu höheren Genauigkeiten führen kann als Nadiraufnahmen, und dass ein höherer Überlapp naturgemäß die Genauigkeit erhöht, wobei der laterale Überlapp einen stärkeren Einfluss aufweist als jener in longitudinaler Richtung. In Abb. 2 kann dies an den „Höckern“ im Linienverlauf erkannt werden, wobei die Schwankungen bei geringer Flughöhe (Dataset ID 1‑32) deutlicher zu erkennen sind als bei den Aufnahmen aus großer Höhe, was allerdings vordergründig auf die größeren Fehlerbeträge zurückzuführen ist.

Deutlicher werden die erwähnten Effekte anhand der Box-Plot Diagramme in Abb. 3, wo bei a der Einfluss der Flughöhe, bei b jener des Blickwinkels, bei c und d der Einfluss der Bildüberlappung, bei e jener der Passpunktanordnung und bei f der Einfluss der Versuchswiederholung dargestellt ist.

Obwohl bei nahezu allen untersuchten Größen der inneren Genauigkeit ein Zusammenhang mit den Parametern der Bildaufnahme erkannt werden konnte, soll an dieser Stelle die Anzahl der gültigen Verknüpfungen zwischen den Bildern besonders hervorgehoben werden. Je höher die Anzahl an gefundenen und gültigen Punktkorrespondenzen, desto stärker überbestimmt ist die Schätzung der relativen Orientierung der Bilder zueinander, und zumindest rein mathematisch müsste dies auch zu höherer Genauigkeit im Ergebnis führen.

Wird die entsprechende Kurve in Abb. 4 (die Ordnung der Datensätze ist ident mit jener in Abb. 2) betrachtet, kann ein deutlicher systematischer Zusammenhang erkannt werden. Auch hier ist die sprunghafte Veränderung mit der Flughöhe deutlich zu erkennen. Bei größerer Flughöhe existiert eine größere Anzahl an gültigen Verknüpfungen zwischen den Bildern als bei geringerer Aufnahmedistanz, was zwar zunächst durch den größeren Bildausschnitt logisch erscheint, allerdings dürfte dieser Umstand aufgrund des konstanten und prozentuell ermittelten Überlapps in beiden Höhen nicht von Bedeutung sein.

Noch deutlicher wird die angesprochene Systematik, wenn die äußere Genauigkeit mit der mittleren Anzahl an gültigen Verknüpfungen in Zusammenhang gebracht wird. (siehe Abb. 4). Die rote Kurve, die die mittlere Verknüpfungsanzahl zeigt, verläuft nahezu gespiegelt zu den Ergebnissen der äußeren Genauigkeit, die in diesem Fall wieder als Vielfaches der GSD dargestellt ist. Es ist zwar zu erwarten, dass die Aufnahmeanordnung Auswirkung auf die Anzahl der Verknüpfungen zwischen den Bildern und damit auf die Stabilität des Bildverbands hat, dass diese Anzahl aber in unmittelbarem Zusammenhang mit der erreichten äußeren Genauigkeit steht, war so eindeutig nicht vorhersehbar.

Die mittlere Anzahl an gültigen Bildverknüpfungen erscheint klar geeignet, um Rückschlüsse auf die erreichte äußere Genauigkeit zu ziehen, und außerdem legen die Ergebnisse nahe, dass die äußere Genauigkeit vordergründig durch die Verknüpfungspunktanzahl beeinflusst wird, die wiederum starke Abhängigkeit von den geometrischen Parametern der Aufnahmeanordnung zeigt.

Neben der wissenschaftlichen Befassung und Analyse soll allerdings auch eine Handlungsempfehlung und Unterstützung für UAV-Anwender gegeben werden. Kurz und prägnant sollen im Folgenden die wichtigsten „Regeln“ für den Piloten im Feld zusammengefasst werden, wobei für die theoretische und experimentelle Begründung zu den getätigten Aussagen auf die dem Beitrag zu Grunde liegende Dissertation verwiesen wird [11]. Der Unterschied zu etwaig bereits vorhandenem „Erfahrungswissen“ besteht somit in der wissenschaftlichen Grundlage der getroffenen Empfehlungen, was diesen stärkeres Gewicht verleiht.

Einschränkend muss jedoch angemerkt werden, dass auch an dieser Stelle die Grenzen des definierten Untersuchungsgegenstands aufrecht bleiben, die vorgebrachten Empfehlungen sich somit auf die vom Piloten im Feld beeinflussbaren Größen beschränken und beispielsweise das Aufnahmesystem als solches nicht betrachtet wird.

Wird der Blick in die Zukunft gewagt, bilden die Erkenntnisse der präsentierten Dissertation zunächst einmal die notwendige Basis, um das Anwendungsfeld für UAVs weiter zu vergrößern. Das bessere Verständnis der erreichbaren Genauigkeiten und im Besonderen auch das tiefere Wissen über deren Zustandekommen erlauben einen Blick über den aktuellen Tellerrand und eröffnen neue – bisher noch nicht erreichbare – Möglichkeiten. Im markscheiderischen Umfeld ist hier mit Sicherheit die Beobachtung von geogenen und anthropogenen Veränderungen zu nennen, wo die flächige Analyse einerseits zur Erhöhung der Sicherheit und andererseits auch zu einem besseren Verständnis der Versagensmechanismen beitragen könnte. Vor allem für hochgenaue Beobachtungsmessungen müssen die eingesetzten Instrumente „wirklich beherrscht“ werden und alle möglichen Störeinflüsse schon in der Planung berücksichtigt werden.