Mobile Datenerfassung mit unbemannten, autonom fliegenden Systemen (UAS) eignet sich auch zur Luftbildfotografie. Derartige Flugroboter sind häufig mit vielen Sensoren ausgestattet. Um Piloten die Kontrolle über das Gesamtsystem zu erleichtern, scheint es daher sinnvoll, bekannte Objekte automatisch im Flug zu erkennen und daraufhin die Umgebung und diese Objekte zu erkunden. Hier bietet sich die semantische Objekterkennung an, die den Roboter autonomer agieren lässt. Bei der semantischen Objekterkennung in digitalen Bildern werden die Eigenschaften der zu erkennenden Objekte zunächst aus einer Reihe von Beispielbildern gelernt, denen die darin enthaltenen Objekte zugeordnet sind. Um die Objekteigenschaften zu bestimmen, wird jedes Bild in seine Segmente zerlegt. Ein Segment ist hierbei eine zusammenhängende Fläche benachbarter Pixel, die einem bestimmten Homogenitätskriterium entsprechen, z.B. dieselbe Farbe. Jedes Objekt in einem digitalen Bild ist aus Segmenten unterschiedlicher Form und Farbe zusammengesetzt. Um ein Objekt zu erkennen, ist es notwendig, herauszufinden, welche Segmente im Bild typisch für das Objekt sind und in welcher Umgebung anderer Segmente diese auftauchen. Aus den Segmenten werden normierte Eigenschaftsvektoren berechnet, die mit Methoden des Maschinellen Lernens in ihrer Anzahl reduziert und zu Modellen der zu erkennenden Objekte verarbeitet werden. Mit Hilfe dieser Modelle sind die Objekte auch in unbekannten digitalen Bildern identifizierbar. Ein Ansatz verwendet Methoden des Maschinellen Lernens (Entscheidungsbäume, Clustering) und der Bildverarbeitung (Segmentierung, Kontursignaturen). Die Sensorik der Multikopter kann dabei durch Stereo-Kameras, die u.a. zur Entfernungsmessung benutzt werden können, und Infrarot-Kameras, die z.B. landwirtschaftliche Flächen oder archäologische Fundstätten genauer zu analysieren erlauben, ergänzt werden.

Data acquisition with semi-autonomous flying robots, e.g. multicopters, which are offen equipped with multiple sensors, has several advantages over conventional inspections or aerial photographs. However, in order to facilitate the handling of the flying robot for the pilot, it seems to be appropriate to employ semantic object recognition, making the robot more autonomous. In this paper, we therefore report ongoing work an semantic object recognition, where the image recognition procedure works as follows: Each object in an image is composed of segments with different shapes and colors. In order to recognize an object, e.g. a plane, it is necessary to find out which segments are typical for this object and in which neighborhood of other segments they occur. Typical adjacent segments for a certain object define the whole object in the Image. A hierarchical composition of segment clusters enables model building, taking into account the spatial relations of the segments in the image. The procedure employs methods from machine learning, namely clustering and decision trees, and from Computer vision, e.g. image pyramid segmentation and contour signatures. The overall capability of multicopters can be enhanced by stereo cameras, which are among others useful for measuring distances, and infrared cameras, which e.g. allow to analyze agricultural areas or archaeological places more precisely.