ASFaLT - Automatisierte Schadstellenerkennung für unterschiedliche Fahrbahnbeläge mittels Deep Learning Techniken


 

Das Straßennetz in D-A-CH-Länder (Deutschland, Österreich und der Schweiz) unterliegt einem stetigem Alterungsprozess und benötigt regelmäßige Zustandserfassungen und -bewertungen um rechtzeitig Maßnahmen zur Instandhaltung ergreifen zu können. Daher ist eine häufige, netzweite Analyse des Straßenbelagszustands erforderlich. Auch im Rahmen der Abnahme von Bauarbeiten bei Großprojekten ist die Zustandsbewertung unerlässlich. Die bildbasierte Erfassung durch Messfahrzeuge im regulären Verkehr ist bereits weitestgehend automatisiert. Die visuelle Beurteilung erfolgt jedoch bisher manuell durch menschliche Experten, die alle aufgenommenen Bilder sichten und auswerten. Dieser Prozess ist zeitaufwändig, ermüdend und damit fehleranfällig. Eine objektive Beurteilung ist daher nur eingeschränkt möglich. Die Automatisierung der Bewertung ist daher erstrebenswert und ein aktueller Forschungsgegenstand. Klassische maschinelle Lernansätze sind nur bedingt geeignet, um Schadstellen robust automatisch zu erkennen. Das Forschungsprojekt ASINVOS hat jedoch gezeigt, dass Convolutional Neural Networks vielversprechende Erkennungsergebnisse erzielen können.

Aufbauend auf den Ergebnissen des Forschungsprojekts ASINVOS werden im Rahmen des Projekts ASFaLT folgende Schwerpunkte bearbeitet:

Generalisierung: Um die Generalisierungsfähigkeit zu verbessern, soll eine breitere Datenbasis zum Training der neuronalen Netze gewonnen werden. Sie soll verschiedene Messsysteme und Straßenoberflächen umfassen, die für Deutschland, Österreich und die Schweiz hinsichtlich der Zustandserfassung typisch sind. Mit Hilfe von Machine-Learning-Ansätzen soll ermittelt werden, welche Daten für die Verbesserung der Generalisierungsfähigkeiten entscheidend sind.

Qualitätsmaß: Um den Prozess vollständig zu automatisieren, ist eine grundlegende Notwendigkeit, die Sicherheit der Entscheidungen des Klassifikators abzuschätzen, was bisher von keinem der State-of-the-Art-Systeme berücksichtigt wird. Das Qualitätsmaß wird sowohl die heteroskedastische als auch die epistemische Unsicherheit einbeziehen. Daher wird es möglich sein zu bewerten, ob eine vollautomatische Bewertung für auszuwertende Daten möglich ist.

Zeitliche Entwicklung von Straßenschäden: Wir werden prototypische Ansätze realisieren, um zeitliche Veränderungen einzelner Schäden auf der Basis von Mehrfacherfassungen zu bewerten. Im Gegensatz zur derzeitigen makroskopischen Sichtweise werden wir uns auf die Trends einzelner Schadensstellen konzentrieren.

Die Automatisierung wird eine konsistente, objektive, schnelle und kosteneffiziente Bewertung ermöglichen. Dies wird die Bewertungen beschleunigen und somit den Wartungsplan verbessern.