Strukturmerkmale

Im europäischen Binnenmarkt findet der Transport von Personen, Waren und Rohstoffen zum Großteil auf der Straße statt. In den drei D-A-CH-Ländern ist das alternde Verkehrswegenetz durch ein rasant steigendes Verkehrsaufkommen stark belastet. Überprüfungen müssen engmaschiger durchgeführt werden – intensive Instandhaltungsmaßnahmen sind die Folge, idealerweise systematisch geplant in Pavement Management Systemen.

Die Zustandserfassung einer Straße bildet die Basis für die Planung der Unterhaltsmaßnahmen. Spezielle Messwagen – ausgestattet mit Flächen- und Zeilenkameras, aber auch zunehmend mit Laserscannern – erfassen im Rahmen von Messkampagnen die Substanzmerkmale von Fahrbahnoberflächen. Während die Erfassung schnell erfolgt, erweist sich die bis heute manuell durchgeführte Auswertung der erfassten Daten immer mehr als Flaschenhals in der Prozesskette.

3D-AI: Fraunhofer IPM nutzt KI für eine effiziente Datenauswertung

Das von Fraunhofer IPM entwickelte Deep Learning Framework 3D-AI wertet Strukturmerkmale in Messdaten schneller, effizienter und objektiver aus, als dies mit bisherigen Methoden möglich ist. Die automatisierte Detektion von Strukturmerkmalen in den Messdaten nutzt moderne Verfahren des maschinellen Lernens, basierend auf einem künstlichen neuronalen Netzwerk (KNN). Die Auswertung der Daten übernehmen dabei komplexe Lernalgorithmen, die auf dem Konzept des »Deep Learning« mit KNN basieren. Diese Algorithmen sind den klassischen Methoden der Objekterkennung inzwischen überlegen.

Fraunhofer IPM stellt neben dem Deep Learning Framework 3D-AI selbst verschiedene Tools – z. B. zum Annotieren von 2D- und 3D-Daten – zur Verfügung. Nach Erstellen eines Trainingsdatensatzes in Zusammenarbeit mit unseren Kunden wird das KNN auf die konkreten Strukturmerkmalsklassen trainiert. Nach und nach erlernt es so diese Klassen und erkennt sie am Ende zuverlässig selbst.