Dissertation, Otto-Friedrich-Universität Bamberg, 2024

Für eine systematische und effiziente Erhaltung der kommunalen Straßeninfrastruktur ist eine detaillierte Kenntnis des vorherrschenden Straßenzustandes von zentraler Bedeutung. In Deutschland wurden deshalb Standards etabliert, die ein objektives Erhaltungsmanagement sicherstellen sollen. Trotz innovativer technischer Entwicklungen und hoher Automation im Bereich der mobilen Datenerfassung dominiert im Bereich der Datenauswertung die manuell-visuelle Inspektion von Oberflächenschäden aus Kamerabilddaten. Dieser Prozess ist nicht nur zeit-, personal- und kostenintensiv, sondern nutzt darüber hinaus ausschließlich fotometrische Informationen für den Inspektionsvorgang. Mobil erfasste Laserscans werden lediglich zur Erfassung und Bewertung der Ebenheit einer Straße genutzt, obwohl ausreichend dichte Oberflächenscans eine gleichzeitige dreidimensionale Beschreibung der Oberfläche und ihrer Schädigungen zuließen. Eine solche Datenbasis wäre sowohl für eine manuelle Schadenserfassung als auch für eine Automatisierung des Inspektionsvorgangs von Vorteil. Studien zeigen, dass die manuelle Erfassung von Oberflächenschäden aus Kamerabilddaten die größte Fehlerquelle im Prozess der Zustandserfassung und -bewertung von Straßen ist und das Ziel gefährdet, eine objektive und vergleichbare Datengrundlage für das Erhaltungsmanagement zu schaffen.
Ziel der vorliegenden Arbeit ist es deshalb, eine automatische Erkennung, Klassifikation und Kartierung von Straßenoberflächenschäden aus den Daten eines speziellen Mobilen Laserscanning Systems zu realisieren sowie deren Potentiale und Grenzen im Kontext der kommunalen Straßenerhaltung zu untersuchen. Dabei kommen sowohl Methoden der Geoinformatik und der digitalen Geländeanalyse sowie Methoden aus dem Bereich der Mustererkennung und des maschinellen Lernens zum Einsatz. Um tiefe neuronale Netzwerkmodelle zur semantischen Segmentierung von Oberflächenmodellen trainieren zu können, werden umfangreiche Datensätze aufgebaut und eine Transfer Learning Strategie angewendet. Die Leistungsfähigkeit des entwickelten Analysesystems wird mithilfe von Vergleichsmessungen durch zwei Referenzsysteme evaluiert, die auf nationaler und internationaler Ebene den Stand der Technik im Bereich Straßenzustandserfassung repräsentieren.
Die Ergebnisse zeigen, dass es möglich ist, mit dem untersuchten LiDAR-System, eine ganzheitliche Datengrundlage (Ebenheit und Oberflächenschäden) für die kommunale Straßenzustandserfassung aufzunehmen und mit dem entwickelten Deep-Learning-Ansatz eine Zustandsbewertung zu erzeugen, die dasselbe Qualitätsniveau einer durch geschultes Personal durchgeführten Inspektion aufweist und dabei deutlich weniger Prozesszeit in Anspruch nimmt.

For a systematic and efficient maintenance of municipal road infrastructure, a detailed knowledge of the prevailing road condition is of central importance. Therefore, standards have been established in Germany to ensure objectivity in pavement management. Despite innovative technical developments and a high degree of automation in the field of mobile data acquisition, the manual-visual inspection of surface damage from camera image data dominates in the field of data evaluation. This process is not only time-, labour- and cost-intensive, but also uses exclusively photometric information for the inspection process. Mobile laser scans are only used to record and evaluate the evenness of a road, although sufficiently dense surface scans would allow a simultaneously three-dimensional description of the surface and its damage. Such a database would be beneficial for both manual damage detection and automation of the inspection process. Studies show that the manual recording of surface damage from camera image data is the greatest source of error in the process of road condition assessment and endangers the goal of creating an objective and comparable data basis for pavement management.
Therefore, the aim of the present work is to realise an automatic detection, classification and mapping of road surface damage from the data of a special mobile laser scanning system and to investigate its potentials and limitations in the context of municipal road maintenance. For this purpose, methods of geoinformatics and digital terrain analysis as well as methods from the field of pattern recognition and machine learning are used. In order to train deep neural network models for semantic segmentation of surface models, extensive data sets are built and a transfer learning strategy is applied. The performance of the developed analysis system is evaluated with the help of comparative measurements by two reference systems that represent the state of the art in the field of road condition monitoring on a national and international level.
The results show that it is possible to record a holistic data basis (evenness and surface damage) for the municipal road condition monitoring with the investigated LiDAR system and to generate a condition assessment with the presented deep learning approach, which has the same quality level as an conventional inspection carried out by trained operators and requires significantly less process time.