Projektdaten

---

Automatisierte Schadstellenerkennung für unterschiedliche Fahrbahnbeläge mittels Deep-Learning-Techniken (ASFALT)

---

Problematik und Motivation: Das Straßennetz der drei DACH-Länder unterliegt einem permanenten Alterungsprozess und benötigt eine möglichst lückenlose Zustandserfassung und -bewertung um notwendige bauliche Maßnahmen zur Erhaltung frühzeitig durchführen zu können. Dazu ist eine regelmäßige, netzweite Erfassung der Fahrbahnoberfläche notwendig. Außer für die Erhaltungsplanung wird diese Erfassung auch für Abnahme bei Großprojekten eingesetzt. Bei der bildhaften Erfassung mit Messfahrzeugen wird bereits ein hoher Automatisierungsgrad erreicht. Die Auswertung des Bildmaterials erfolgt jedoch bisher nur durch menschliche Experten. Dieser Prozess ist zettintensiv, ermüdend und damit fehleranfällig. Im Forschungsprojekt ASINVOS konnte gezeigt werden, dass unter Einsatz von Convolutional Neural Networks vielversprechende automatisierte Erkennungsleistungen erreicht werden. Die erzielten Ergebnisse sind bereits auf einem hohen Niveau, jedoch sind für einen Praxiseinsatz noch Erweiterungen notwendig. Ziele / angestrebte Ergebnisse: Generalisierung: Zur Erhöhung der Generalisierungsfähigkeit soll eine breitere Datenbasis eingesetzt werden, die unterschiedliche Aufnahmesysteme und Straßenoberflächen im D-A-CH - Raum abdeckt. Dabei soll mittels Maschineller Lernverfahren gezielt untersucht werden, welche Daten den größten Beitrag zu guter Generalisierung leisten. Qualitätsmaß: Zu Erreichung einer vollständigen Automatisierung ist die Beurteilung der Sicherheit der Entscheidungen des automatischen Detektionssystems entscheidend, die bisher von noch keinem existierenden System berücksichtig wird. Das abgeleitete Qualitätsmaß soll sowohl die Daten- als auch die Modellunsicherheit berücksichtigen. Schadensentwicklung: Es sollen erste Ansätze zur Beurteilung der zeitlichen Schadensentwicklung basierend auf Messfahrten zu unterschiedlichen Zeitpunkten realisiert werden. Dabei liegt der Fokus nicht der makroskopischen Betrachtung sondern auf der Entwicklung einzelner Schadstellen.