Detailergebnis zu DOK-Nr. 74542
Einsatz von Deep Learning zur automatischen Detektion und Klassifikation von Fahrbahnschäden aus mobilen LiDAR-Daten
| Autoren |
M. Sesselmann R. Stricker M. Eisenbach |
|---|---|
| Sachgebiete |
11.1 Berechnung, Dimensionierung, Lebensdauer 12.0 Allgemeines, Management |
AGIT: Journal für Angewandte Geoinformatik (2019) Nr. 5, S. 100-114, 9 B, 3 T, zahlr. Q
Im Kontext automatisierter Datenauswertung sind künstliche neuronale Faltungsnetzwerke und der Einsatz von Deep-Learning-Ansätzen mittlerweile Stand der Technik. Im Bereich der Zustandserfassung und -bewertung von Straßen wurde die Leistungsfähigkeit tiefer neuronaler Netze zur Analyse von Kamerabilddaten bereits demonstriert. Im Beitrag soll diese Methodik nun erstmals auf hochgenaue mobile LiDAR-Daten des Fraunhofer Pavement Profile Scanners in Form von 2.5-D-Oberflächenmodellen übertragen werden, um eine automatische Schadensdetektion und -klassifikation auf Basis von radiometrischen und geometrischen Merkmalen zu realisieren. Damit ist eine automatisierte Erfassung von Fahrbahnschäden in Form von präzise verorteten Geoobjekten möglich.