Big-Data-Analytics in Environmental and Structural Monitoring (BAM)
Laufzeit: 01.04.2019 - 31.03.2023
Partner: Interner Verbund aus i3mainz und Fachbereich Wirtschaft, Fachgruppe Wirtschaftsinformatik, Forschungsgruppe Big-Data-Analytics
Förderung durch: Carl Zeiss Stiftung - Förderlinie „Transfer“ an Hochschulen für angewandte Wissenschaften
Projektmittel (€): 750.000
Kurzfassung
Ziel des Forschungsvorhabens ist es, innovative Verfahren bereitzustellen, die den Nutzen stark wachsender Datenmengen mit Raumbezug für Wirtschaft und Gesellschaft wesentlich erhöhen. So wird etwa ein Big-Data-Analytics-System für Fragestellungen aus dem Bereich Smart-City entwickelt, das sich auf Analysen unterschiedlicher Sensordaten zu Umwelt- und Gesundheitsfragen konzentriert. Ferner wird der Autonomiegrad optischer Monitoringsysteme für die Präzisionsüberwachung großer Strukturen, wie...Ziel des Forschungsvorhabens ist es, innovative Verfahren bereitzustellen, die den Nutzen stark wachsender Datenmengen mit Raumbezug für Wirtschaft und Gesellschaft wesentlich erhöhen. So wird etwa ein Big-Data-Analytics-System für Fragestellungen aus dem Bereich Smart-City entwickelt, das sich auf Analysen unterschiedlicher Sensordaten zu Umwelt- und Gesundheitsfragen konzentriert. Ferner wird der Autonomiegrad optischer Monitoringsysteme für die Präzisionsüberwachung großer Strukturen, wie Windenergieanlagen oder Brücken, auf der Basis von Bildanalyse mithilfe von Deep-Learning-Systemen gesteigert, auf Zuverlässigkeit untersucht und auf Praxistauglichkeit hin getrimmt. Die Anwendbarkeit der Resultate soll durch die Bereitstellung von Prototypen gewährleistet werden.» weiterlesen» einklappen
Medien
BAM – Big-Data-Analytics in Environmental and Structural Monitoring, i3mainz-Jahresbericht 2020
Veröffentlichungen
- Schlüter, Martin; Zschiesche, Kira
- Bewegungsmuster von Brückenbauwerken bei laufendem Verkehr messen und auswerten
- Zschiesche, Kira; Schlüter, Martin
- Classification and object detection with image assisted total station and machine learning
- Zschiesche, Kira; Schlüter, Martin
- Machine Learning for Classification and Detection in Image Assisted Total Station Applications
- Rolwes, Alexander; Böhm, Klaus
- Analyse und Bewertung von räumlichen Kontextfaktoren in Smart Cities: Eine Studie über Parkhäuser in Mainz, Deutschland
- Rolwes, Alexander; Radu, Pauline; Böhm, Klaus
- Analysing and Identifying Geospatial Key Factors in Smart Cities: Model Enhancements in the Use Case of Carpark Occupancy
- Roussel, Cédric; Rolwes, Alexander; Böhm, Klaus
- Analyzing Geospatial Key Factors and Predicting Bike Activity in Hamburg
- Zschiesche, Kira; Fitzke, Marvin; Schlüter, Martin
- Self‑Calibration and Crosshair Tracking with Modular Digital Imaging: Total Station
- Rolwes, Alexander; Böhm, Klaus
- ANALYSIS AND EVALUATION OF GEOSPATIAL FACTORS IN SMART CITIES: A STUDY OF OFF-STREET PARKING IN MAINZ, GERMANY
- Zschiesche, Kira; Becker, Denise
- Application of deep learning for image-based pattern recognition in surveying engineering
- Zschiesche, Kira; Schlüter, Martin; Rau, Linda
- BIM in der Praxis − Ansätze zur Integration von Structural Health Monitoring in ein Bestands-BIM
- Rolwes, Alexander; Müller, Thomas; Böhm, Klaus et al.
- 8. Deutsches GeoForum 2020. Ein Smart City Dashboard für die räumliche Analyse Machine Learning basierter Parkplatz-Vorhersagen
- Plaß, Bastian; Zschiesche, Kira; Altinbas, Tamer et al.
- Künstliche Intelligenz als Strategie in der Ingenieurgeodäsie: Erste Schritte im Bahnumfeld
- Zschiesche, Kira; Rau, Linda; Schlüter, Martin
- Optische Schwingungsmessungen: Status, Integration, Pros und Contras
- Ruthmann, Svenja; Rolwes, Alexander; Böhm, Klaus
- Räumliche Verortung von textbasierten Social-Media-Einträgen am Beispiel von Polizei-Tweets
Projektteam
- Gunther Piller
- Professor
(Fachbereich Wirtschaft)
- Thomas Müller
- Mitarbeiter/in
(Forschungsgruppe Digitale Innovation)
