In dieser Untersuchung werden Unmanned Aeria Vehicle (UAV) Aufnahmen unter Verwendung von Convolutional Neural Networks (CNNs) automatisch zu Lageplänen verarbeitet. Dafür werden die CNNs mit öffentlich verfügbaren Datensätzen trainiert, welche zuvor vereinheitlicht, um die Klasse Schacht erweitert und kombiniert wurden. Es werden Untersuchungen hinsichtlich geeigneter Hyperparameter und Augmentationparameter durchgeführt. Die Netze, welche auf den Testdaten und den Daten des Kreisvermessungsamtes am besten performen werden vorgestellt und hinsichtlich des Segmentierungsergebnisses, der Zuverlässigkeit, der Genauigkeit und der Anwendung auf Orthophotos untersucht. Die resultierenden Segmentierungsergebnisse werden vektorisiert und als geodätische Lagepläne im DXF-Format gespeichert.

In der Untersuchung wird herausgefunden, dass online Augmentation mit einem Beginn ab Epoche 0 im Schnitt zur besten Intersection over Union (IoU) mit einem Wert von 0,608 für die Straßen und 0,312 für die Schächte führt. Weiterhin werden geeignete Hyperparameter und Augmentationparameter vorgestellt, welche für nachfolgende Untersuchungen verwendet werden können. Insgesamt wird eine Abhängigkeit der Performance der CNNs von der Ground Sample Distance festgestellt, wobei die Ursache in der Auswahl der Trainings- und Testdaten liegt. Für die Straßen wird in beiden Datensätzen eine bessere Zuverlässigkeit erreicht, als für die Schächte. Dafür ist die Genauigkeit der richtig segmentierten Schächte besser, als die Genauigkeit der Straßen. Eine Anwendung der CNNs auf Orthophotos wird nicht empfohlen, da verdeckte Bereiche in den Orthophotos vorkommen. In der Arbeit wird ein Workflow erarbeitet, welcher die segmentierten Masken vektorisiert und in das DXF-Format konvertiert.