Project Details
Projekt Print View

Distributed sensing and assessment of visual surface conditions for regional road networks

Applicant Professor Dr.-Ing. Markus König, since 1/2017
Subject Area Structural Engineering, Building Informatics and Construction Operation
City Planning, Spatial Planning, Transportation and Infrastructure Planning, Landscape Planning
Term from 2013 to 2021
Project identifier Deutsche Forschungsgemeinschaft (DFG) - Project number 233324858
 
Final Report Year 2021

Final Report Abstract

Um die Lebensdauer kommunaler Straßen zu verlängern, müssen Straßenschäden wie Risse und Schlaglöcher frühzeitig erkannt werden. Die Erkennung erfolgt meistens manuell oder mithilfe von speziell ausgestatteten Fahrzeugen. Dieses Verfahren ist zeit- und kostenaufwändig und die meisten Kommunen verfügen nicht über eine ausreichende Anzahl von Fahrzeugen. Des Weiteren werden die Schadensdaten meistens offline verarbeitet, was dazu führt, dass eine beträchtliche Datenmenge persistent bis zur eigentlichen Verarbeitung gespeichert wird. In diesem Projekt wurde eine Methodik zur automatisierten Erkennung von Straßenschäden auf Basis von maschinellem Sehen entwickelt. Bilder der Straßenoberfläche werden in Echtzeit auf Grafikprozessoren (GPU) analysiert, die anstelle von dedizierten Fahrzeugen mit Hilfe von Fahrzeugen wie PKWs, Busse und Taxis auf ihren gewöhnlichen Routen aufgenommen werden. Um die Menge der gespeicherten Daten zu reduzieren, werden die Bilder in Echtzeit analysiert, während die Fahrzeuge mit ihrer üblichen Geschwindigkeit fahren. Dazu wurden entsprechende Methoden entwickelt und implementiert. Darüber hinaus wurden Bildvorverarbeitungsmethoden wie Median-Filterung und Top-Hat Transformation umgesetzt, um eine Rauschentfernung und eine Korrektur der ungleichmäßigen Hintergrundbeleuchtung in Echtzeit zu ermöglichen. Da Straßen durch unterschiedliche Oberflächentypen gekennzeichnet sind, wurden Texturmerkmale berechnet und in die Methodik integriert, um bei der Analyse der Bilder zwischen Oberflächentypen zu unterscheiden. Um die Art der Schäden (d. h. Risse, Schlaglöcher oder Flickstellen) zu erkennen wurden zusätzlich Deep Learning Ansätze angewandt. Die entwickelte Methodik wurde mittels von zwei Fallstudien validiert. Hierzu wurden mehr als 50.000 Bilder auf deutschen kommunalen Straßen aufgenommen und zum Nachweis der Klassifikationsfähigkeit des erarbeiteten Ansatzes verwendet. Eine Klassifikationsgenauigkeit von 93% konnte erreicht werden. Die Bilder wurden mithilfe eines im Fahrzeug installierten GPS-Empfängers mit Geotags versehen. Die Ergebnisse der Analysen mit der Wavelet-Transformation und den Texturmerkmalen wurden auf Basis der Verortung der Schäden mit den Ergebnissen der Deep Learning basierten Analyse kombiniert. Darüber hinaus wurden die von verschiedenen Fahrzeugen gewonnenen Ergebnisse aggregiert, um ein Ensemble-Verfahren zur Straßenschadenerkennung zu entwickeln und die Zuverlässigkeit der Erkennung zu steigern. Die Ergebnisse dieses Projektes zeigen, dass auf Basis von dezentralisierten Systemen, die Straßenoberflächen kostengünstig und in Echtzeit analysiert werden können. Somit bietet die Methodik den Kommunen die Möglichkeit mit bezahlbarer technischen Ausstattung Straßenschäden zu erfassen und infolgedessen die Lebensdauer der Straßen deutlich zu verlängern.

Publications

 
 

Additional Information

Textvergrößerung und Kontrastanpassung