Problemstellung

Ein wesentlicher Baustein für eine effiziente Erhaltungsplanung von Straßen ist die kontinuierliche Prüfung und Bewertung ihres Zustandes. Daher wird der Zustand des Bundesfernstraßennetzes hinsichtlich Griffigkeit, Ebenheit sowie Substanzmerkmale (Oberfläche) mit schnellfahrenden Messsystemen in einem 4-Jahresrythmus erfasst und bewertet. Die Auswertung der hierbei aufgenommenen Fahrbahnoberflächenbilder, d. h. die Bestimmung der Art und Ausprägung der erkennbaren Oberflächenschäden, erfolgt optisch durch geschultes Personal. Je nach Erfahrungsgrad des eingesetzten Personals und Anzahl der zu detektierenden Oberflächenschäden werden bei diesem sehr zeitaufwändigen Verfahren z. B. auf Bundesautobahnen manuell pro Stunde 1 bis 8 km Erfassungslänge ausgewertet.

Projektziel

Ziel des Gemeinschaftsprojektes der Länder Deutschland, Österreich und Schweiz ist die vollständig automatisierte Lokalisation und Klassifikation von Schäden an der Straßeninfrastruktur basierend auf künstlichen neuronalen Netzen (Convolutional Neural Networks).

Dies führt zu einer deutlichen Beschleunigung des Auswerteverfahrens. Außerdem wird der Auswerteprozess objektiviert, da der Einfluss des eingesetzten Personals (Tagesform, Fehleranfälligkeit aufgrund hoher Arbeitsbelastung, subjektive Schadensbewertung) reduziert wird bzw. gegebenenfalls sogar komplett entfällt. Auch eine vereinfachte, aber gleichzeitig genauere Dokumentation der Schadensentwicklung (z. B. exakte Bestimmung von Risslängen bzw. Schadensausdehnungen) kann hiermit erreicht werden. Aufgrund einer schnelleren und exakteren Schadenserkennung kann so der Erhaltungsprozess unserer Straßen spürbar optimiert werden.

Durchführung

Um bei der Schadenstellenerkennung ein hohes Qualitätsmaß sicherzustellen, muss das System Unsicherheiten aus zwei zentralen Kriterien ableiten. Zum einen wird ermittelt, welche Ähnlichkeiten die aktuellen Daten zu den Trainingsdaten aufweisen, und zum anderen, wie sicher die Zuordnung zu einer Schadklasse möglich ist.

Im Sinne einer praxistauglichen Anwendung muss das System auf einer Vielzahl unterschiedlicher Datenquellen mit Hilfe von Deep-Learning-Techniken angelernt werden. Hierbei sind u. a. Bild- und Laserdaten von verschiedenen Messsystembetreibern sowie Daten unterschiedlicher Fahrbahnbeläge (Beton und Asphalt in unterschiedlichen Varianten) zu berücksichtigen. Um die Schadensentwicklung zu berücksichtigen und um die Sicherheit der Klassifikation zu erhöhen, sind Messungen aus vorangegangenen Messkampagnen einzubeziehen.

Darüber hinaus soll in dem Forschungsprojekt eruiert werden, wie die entwickelte Technologie auch in anderen Bereichen der Straßeninfrastruktur genutzt werden kann.