Zurück Vor

Detailergebnis zu DOK-Nr. 75425

Verbesserung der Qualität der visuellen Zustandserfassung von Straßen durch Deep Learning (Orig. engl.: Enhancing the quality of visual road condition assessment by deep learning)

Autoren	M. Eisenbach R. Stricker M. Sesselmann D. Seichter H.-M. Groß
Sachgebiete	11.1 Berechnung, Dimensionierung, Lebensdauer 12.0 Allgemeines, Management

XXVIth World Road Congress, Abu Dhabi, 2019: Pre-Proceedings. La Défense: Association mondiale de la Route (AIPCR) / World Road Association (PIARC), 2019, USB-Stick, Individual Papers, Part 27, Paper IP0154, 13 S., 11 B, 2 T, 26 Q

Öffentliche Infrastrukturen wie Straßen unterliegen einer Alterung. Sie müssen deshalb einer regelmäßigen Überwachung unterworfen werden, um ihre ständige Nutzbarkeit zu gewährleisten. Visuelle Zustandserfassungen des Oberflächenzustands sind teuer und zeitintensiv. Durch Wechsel des aufnehmenden Personals entstehen große Streuungen. Deshalb sollte durch die im Bericht dargestellten komplexen Untersuchungen ein Bildanalysesystem auf der Basis von Deep Learning, einer Methode des maschinellen Lernens, entwickelt werden. Dabei wird jedes Bild durch neuronale Netze analysiert, die darauf "trainiert“ sind, Oberflächenschäden zu identifizieren. Das tiefe neuronale Netzwerk ist vielseitig anwendbar. Es kann deshalb auch an die Schadenstypen gemäß den deutschen Richtlinien angepasst werden. Es wurden umfangreiche Untersuchungen zur Anpassung durchgeführt. Vergleichende Tests auf Versuchsstrecken haben ergeben, dass dieses erarbeitete System das Fachpersonal in die Lage versetzt, die Bildanalyse doppelt so schnell und mit höherer Präzision als herkömmlich vorzunehmen.