Home › 
Use Cases › 
Reetdacherkennung für die Risikoeinschätzung

Reetdacherkennung für die Risikoeinschätzung

Use Case
Versicherungen

Hintergrund

Die Risikoeinschätzung von Reetdächern wird von vielen unterschiedlichen Faktoren beeinflusst, wie z.B. Fläche des Daches, Nähe zu anderen Dächern, Dichte von Dächern in einem Gebiet etc. Solche Faktoren manuell und durch Begutachtungen zu bestimmen ist ein sehr zeitaufwendiger Prozess und kann ungenaue Ergebnisse liefern.

Die automatisierte Erkennung von Reetdächern und die Bestimmung der Flächen, Distanzen etc. kann die Underwriting-Abteilung unterstützen. Sie können dadurch schnellere und genauere Risikobewertungen abgeben, wodurch sowohl die Kundenzufriedenheit erhöht als auch der Underwriting-Prozess effizienter gemacht werden können.

Herausforderungen

Die Erkennung von Reetdächern für die Risikoeinschätzung kann durch die automatische Analyse von Satellitenbildern erreicht werden. Dafür kann ein Machine Learning (ML) Modell trainiert werden, das anhand eines gelabelten Datensatzes Muster in Satellitenbildern erkennt und darauf basierend ein Dach als Reetdach identifiziert.

Die größte Herausforderung dürfte sein, aktuelle Bilddaten mit einer ausreichend hohen Qualität zur Verfügung zu haben. Open Source Satellitendaten, wie z.B. die Sentinel-Daten der ESA, liefern zwar regelmäßig aktuelle Daten, könnten aber für die Reetdacherkennung eine zu niedrige Qualität haben. Google Maps Daten beispielsweise haben dagegen eine sehr viel bessere Auflösung, sind aber für manche Regionen nicht aktuell.

Lösungsansatz

Die Aufgabe der Objektdetektion und -klassifikation in Bildern kann durch ein Bildsegmentierungsmodell gelöst werden, wofür in der Regel ein Convolutional Neural Network (CNN) verwendet wird, wie z.B. eine U-Net Architektur. Ein solches Netz ermöglicht die Klassifizierung jedes einzelnen Bildpixels, sodass Dachbereiche von Nicht-Dachbereichen unterschieden werden können.

Die Steilheit des Reetdaches kann mit Hilfe von projektiver Geometrie abgeschätzt werden, da die gelieferten Bilddaten 2-dimensionale Darstellungen der Dächer sind. Dadurch lassen sich die Abmessungen und die Fläche des Daches abschätzen. Durch einfache Metriken lassen sich außerdem noch die Distanzen zu anderen Dächern bestimmen, oder die Dichte von Dächern in einer vorher definierten Region.

KI-News jedes Quartal

Erhalten Sie Nachrichten über Machine Learning und Neuigkeiten rund um dida.

Erfolgreich angemeldet.

Gültige Email-Adresse benötigt.

Email-Adresse bereits registriert.

Etwas ist schiefgelaufen. Bitte versuchen Sie es nochmal.

Mit dem Klick auf "Anmelden" erklären Sie sich mit unserer Datenschutzerklärung einverstanden.

dida Logo