Problemstellung

Modellierungen und Routings für Radverkehr sind zwei Beispiele für relevante Anwendungen, die flächendeckende Daten zu Straßenbelag und -qualität in einem einheitlichen Format benötigen. Jedoch gibt es hierzu kaum offen verfügbare Datenquellen.
Sofern Kommunen hierzu Open Data bereitstellen, geschieht dies nicht mittels standardisierter Formate und nicht alle relevanten Informationen sind enthalten. Auch Ressourcen wie OpenStreetMap (OSM) weisen große Datenlücken auf.

Projektziel

Ziel des Projekts „SurfaceAI“ ist es, auf bestehenden offen verfügbaren Daten ein Machine Learning Modell zu trainieren, das den Belag und die Qualität der Straßenoberfläche anhand eines entsprechenden Fotos mit hoher Genauigkeit erkennt. Das Modell bildet die Grundlage, um Straßenbilder, insbesondere bestehende umfassende Bildbestände in der Plattform für Straßenbilder Mapillary mit entsprechenden Informationen anzureichern. Daraus lassen sich neue offene Daten zu Straßenbeschaffenheit für verschiedene Städte und Kommunen generieren.

Durchführung

• Verknüpfung der Straßenabschnitte in OpenStreetMap (OSM) mit Bildern in Mapillary, um Straßenbelag-Label der Bildsegmente zu erhalten.
• Manuelle Überprüfung des erzeugten gelabelten Datensatzes.
• Training und Evaluation von Machine Learning (ML) basierten Klassifizierungs-Modellen.
• Klassifikation von Mapillary Bildern durch das trainierte Modell.
• Entwicklung eines Algorithmus zur Verknüpfung der Informationen über Straßenbeschaffenheit aus einzelnen Bildern zu georeferenzierten Datensätzen auf Straßenebene.