TY - BOOK

T1 - Schadenserkennung an Bauwerken mittels maschinellen Lernens

AU - Hake, Frederic

PY - 2025

Y1 - 2025

N2 - Der Güterumschlag in den 60 deutschen Seehäfen hat in den letzten Jahren zugenommen und soll bis 2030 auf etwa 468 Millionen Tonnen steigen. Der steigende Bedarf des Güterumschlags stellt eine erhebliche Belastung für die bestehende Infrastruktur dar. Die vorhandene Infrastruktur unterliegt bereits durch Überbelastung, Salzwassereinwirkung und dem Alter der Bauwerke einem hohen Verschleiß. Die Überprüfung der Verkehrswasserbauwerke ist für den Erhalt einer wettbewerbsfähigen Volkswirtschaft unerlässlich. Frühzeitige Schadenserkennung ist die Grundlage für kostengünstige Erhaltungsmaßnahmen, da frühzeitig erkannte Schäden in der Regel geringere Instandsetzungskosten verursachen. Infrastrukturbauwerke werden derzeit regelmäßig durch manuelle Kontrollen überprüft. Dies ist besonders unter Wasser mit erheblichem Aufwand verbunden, da Taucher eingesetzt und komplette Bereiche gesperrt werden müssen. Dies verdeutlicht den hohen Bedarf an automatisierten, digitalen Prozessen in der Bauwerksprüfung, um diese zukünftig vollständig, transparent und kosteneffizient gestalten zu können. Die vorliegende Dissertation konzentriert sich auf die automatisierte Erkennung von Schäden aus 3D-Punktwolken und Farbbildern. Die Daten werden mit einem kinematischen Multisensorsystem auf einer schwimmenden Plattform erfasst. Aufgrund der Plattformbewegungen durch Wellengang und Strömungen sind die entstehenden 3D-Punktwolken und Farbbilder sehr herausfordernd. Die automatisierte Segmentierung der Daten in beschädigte und unbeschädigte Bereiche stellt aufgrund der unterschiedlichen Schadenstrukturen und der Datenkomplexität eine große Herausforderung dar. Die automatisierte Schadenserkennung ist ein wichtiger Aspekt im Gesamtprozess der digitalen Bauwerksprüfung, da Schadensverdachtspläne erzeugt werden können, die von Bauwerksprüfern für eine schnellere und kosteneffizientere Prüfung genutzt werden. Durch die vollständige Erfassung der Infrastruktur und der automatisierten Schadenserkennung wird die Bauwerksprüfung auf ein völlig neues Niveau gebracht. Aufgrund der Komplexität des Gesamtprozesses ist die Lösung der Problemstellung als langfristige Aufgabe zu betrachten. Diese Dissertation zielt darauf ab, die Vorgehensweise durch zielgerichtete Beiträge konstruktiv zu unterstützen und bietet gleichzeitig eine Basis für zukünftige Forschungsarbeiten, die die Integration weiterer Sensordaten und fortschrittlicherer Algorithmen zur Schadenserkennung untersuchen könnten:1. Es wird ein Verfahren entwickelt, um geometrische Bauwerksschäden in 3D-Punktwolken mithilfe von Algorithmen des Machine Learning automatisiert zu erkennen. Dabei werden verschiedene Methoden zur Erzeugung von Höhenfeldern aus 3D-Punktwolken als Vorverarbeitungsschritt für die automatisierte Schadenserkennung analysiert. Hierfür werden CAD-Modelle oder aus den Daten bestmöglich geschätzte geometrische Modelle verwendet. Die darauf aufbauende automatisierte Schadenserkennung nutzt generische Merkmalsgeneratoren und Ausreißererkennungsmethoden. Die Methode erreichte einen F1-Score von 96,3 % für einen simulierten Datensatz und 72,4 % für einen realen Datensatz.2. Es wird ein Verfahren entwickelt, um Schäden, welche eine Farbänderung hervorrufen, automatisiert aus Bildern von Verkehrswasserbauwerken durch einen Deep Learning Ansatz zu erkennen. In diesem Kontext wird auch untersucht, ob sich automatisiert generierte, schwach überwachte Labelbilder für das Training der Algorithmen eignen. Zusätzlich zu den segmentierten Segmenten werden Unsicherheitswerte prädiziert. Dies wird am Beispiel von Fotos des JadeWeserPorts in Wilhelmshaven evaluiert. Für die Segmentierung der Bilder in Korrosion und unbeschädigte Bereiche wird ein F1-Score von 98,0 % für unbeschädigte Bereiche und von 71,7 % für die Korrosionsschäden erreicht. Die Ergebnisse dieser Arbeit zeigen, dass die gezielten Beiträge zur automatisierten Schadenserkennung den Prozess der digitalen Bauwerksprüfung vollständiger, transparenter und effizienter machen können. Dies trägt dazu bei, die Sicherheit und Lebensdauer der Infrastruktur zu erhöhen und die Betriebskosten zu senken. Die verbesserte Überwachung kann in die statische Beurteilung einfließen, was dazu führen kann, dass Bestandsbauwerke im Mittel länger genutzt werden und somit die Produktivität der Häfen dauerhaft erhöht werden kann. Zudem werden Inspektionsprozesse effizienter und kostengünstiger, was langfristig zur Nachhaltigkeit der Infrastruktur beiträgt.

AB - Der Güterumschlag in den 60 deutschen Seehäfen hat in den letzten Jahren zugenommen und soll bis 2030 auf etwa 468 Millionen Tonnen steigen. Der steigende Bedarf des Güterumschlags stellt eine erhebliche Belastung für die bestehende Infrastruktur dar. Die vorhandene Infrastruktur unterliegt bereits durch Überbelastung, Salzwassereinwirkung und dem Alter der Bauwerke einem hohen Verschleiß. Die Überprüfung der Verkehrswasserbauwerke ist für den Erhalt einer wettbewerbsfähigen Volkswirtschaft unerlässlich. Frühzeitige Schadenserkennung ist die Grundlage für kostengünstige Erhaltungsmaßnahmen, da frühzeitig erkannte Schäden in der Regel geringere Instandsetzungskosten verursachen. Infrastrukturbauwerke werden derzeit regelmäßig durch manuelle Kontrollen überprüft. Dies ist besonders unter Wasser mit erheblichem Aufwand verbunden, da Taucher eingesetzt und komplette Bereiche gesperrt werden müssen. Dies verdeutlicht den hohen Bedarf an automatisierten, digitalen Prozessen in der Bauwerksprüfung, um diese zukünftig vollständig, transparent und kosteneffizient gestalten zu können. Die vorliegende Dissertation konzentriert sich auf die automatisierte Erkennung von Schäden aus 3D-Punktwolken und Farbbildern. Die Daten werden mit einem kinematischen Multisensorsystem auf einer schwimmenden Plattform erfasst. Aufgrund der Plattformbewegungen durch Wellengang und Strömungen sind die entstehenden 3D-Punktwolken und Farbbilder sehr herausfordernd. Die automatisierte Segmentierung der Daten in beschädigte und unbeschädigte Bereiche stellt aufgrund der unterschiedlichen Schadenstrukturen und der Datenkomplexität eine große Herausforderung dar. Die automatisierte Schadenserkennung ist ein wichtiger Aspekt im Gesamtprozess der digitalen Bauwerksprüfung, da Schadensverdachtspläne erzeugt werden können, die von Bauwerksprüfern für eine schnellere und kosteneffizientere Prüfung genutzt werden. Durch die vollständige Erfassung der Infrastruktur und der automatisierten Schadenserkennung wird die Bauwerksprüfung auf ein völlig neues Niveau gebracht. Aufgrund der Komplexität des Gesamtprozesses ist die Lösung der Problemstellung als langfristige Aufgabe zu betrachten. Diese Dissertation zielt darauf ab, die Vorgehensweise durch zielgerichtete Beiträge konstruktiv zu unterstützen und bietet gleichzeitig eine Basis für zukünftige Forschungsarbeiten, die die Integration weiterer Sensordaten und fortschrittlicherer Algorithmen zur Schadenserkennung untersuchen könnten:1. Es wird ein Verfahren entwickelt, um geometrische Bauwerksschäden in 3D-Punktwolken mithilfe von Algorithmen des Machine Learning automatisiert zu erkennen. Dabei werden verschiedene Methoden zur Erzeugung von Höhenfeldern aus 3D-Punktwolken als Vorverarbeitungsschritt für die automatisierte Schadenserkennung analysiert. Hierfür werden CAD-Modelle oder aus den Daten bestmöglich geschätzte geometrische Modelle verwendet. Die darauf aufbauende automatisierte Schadenserkennung nutzt generische Merkmalsgeneratoren und Ausreißererkennungsmethoden. Die Methode erreichte einen F1-Score von 96,3 % für einen simulierten Datensatz und 72,4 % für einen realen Datensatz.2. Es wird ein Verfahren entwickelt, um Schäden, welche eine Farbänderung hervorrufen, automatisiert aus Bildern von Verkehrswasserbauwerken durch einen Deep Learning Ansatz zu erkennen. In diesem Kontext wird auch untersucht, ob sich automatisiert generierte, schwach überwachte Labelbilder für das Training der Algorithmen eignen. Zusätzlich zu den segmentierten Segmenten werden Unsicherheitswerte prädiziert. Dies wird am Beispiel von Fotos des JadeWeserPorts in Wilhelmshaven evaluiert. Für die Segmentierung der Bilder in Korrosion und unbeschädigte Bereiche wird ein F1-Score von 98,0 % für unbeschädigte Bereiche und von 71,7 % für die Korrosionsschäden erreicht. Die Ergebnisse dieser Arbeit zeigen, dass die gezielten Beiträge zur automatisierten Schadenserkennung den Prozess der digitalen Bauwerksprüfung vollständiger, transparenter und effizienter machen können. Dies trägt dazu bei, die Sicherheit und Lebensdauer der Infrastruktur zu erhöhen und die Betriebskosten zu senken. Die verbesserte Überwachung kann in die statische Beurteilung einfließen, was dazu führen kann, dass Bestandsbauwerke im Mittel länger genutzt werden und somit die Produktivität der Häfen dauerhaft erhöht werden kann. Zudem werden Inspektionsprozesse effizienter und kostengünstiger, was langfristig zur Nachhaltigkeit der Infrastruktur beiträgt.

U2 - 10.15488/18710

DO - 10.15488/18710

M3 - Dissertation

T3 - Wissenschaftliche Arbeiten der Fachrichtung Geodäsie und Geoinformatik der Leibniz Universität Hannover

ER -