Detailergebnis zu DOK-Nr. 75032
Einsatz von Tiefenlernen zur automatischen Risserkennung in Tunneln (Orig. engl.: Use of deep learning for automatic detection of cracks in tunnels: prototype-2 developed in the 2017-2018 time period)
| Autoren |
F. Daneshgaran L. Zaches F. Distasia M. Mondin |
|---|---|
| Sachgebiete |
15.8 Straßentunnel 0.11 Daten (EDV, IT, Internetanwendungen und Verkehrsdaten) 15.0 Allgemeines, Erhaltung |
Transportation Research Record: Journal of the Transportation Research Board Vol. 2673, H. 9, 2019, S. 44-50, 4 B, 1 T, 11 Q. - Online-Ressource: Verfügbar unter: http://journals.sagepub.com/home/trr
Das Rissmonitoring in der Innenschale von Straßentunneln ist ein wichtiger Bestandteil der Unterhaltung von Verkehrswegen. Eine kostengünstige Automatisierung auf der Basis von digitaler Bilderkennung und informationstechnischem Bildverstehen wäre ein großer Fortschritt. Eine der Anwendungen von künstlicher Intelligenz ist das Tiefenlernen, bei dem mit angepassten Algorithmen Daten automatisch abstrahiert werden, um komplexe Strukturen zu klassifizieren. Die Autoren beschreiben in dem Beitrag die Weiterentwicklung und den Praxistest eines Prototyps, mit dem anhand von hochaufgelösten Fotografien in der Innenschale von Tunneln Risse erkannt und Veränderungen festgestellt werden können. Die Rohdaten werden mit einer handelsüblichen digitalen Spiegelreflexkamera erfasst, die auf ein Fahrzeug montiert ist, das langsam durch den Tunnel fährt. In der automatischen Auswertung werden dann neben neuronalen Netzen auf der Basis einer kommerziellen Google-Anwendung diverse Filter- und Transferfunktionen sowie maschinelles Lernen durch ein Training und eine Validierung eingesetzt. Die Ergebnisse dieser aus der Gesichtserkennung adaptierten Methode sind beachtlich. Der Praxistest ergab eine Präzision von 94,5 % beim Erkennen und Lokalisieren von Rissen. Als Fehler treten das Ausweisen von tatsächlich nicht vorhandenen Rissen und das Nichterkennen von tatsächlich vorhandenen Rissen auf. Beide Fehler können durch wiederholtes Monitoring identifiziert und eliminiert werden.