...von der schnellen Datenerfassung über die automatisierte Bildauswertung bis hin zur räumlichen Einordnung und Interpretation der Ergebnisse.
Die 3D-Erfassung des Bad Godesberger Tunnels in Bonn und der umliegenden Straßen lief tatsächlich wie im Flug: Mit dem auf dem Fahrzeugdach montierten Trimble MX9 Multisensorsystem hat ARC-GREENLAB den rund 1,9 Kilometer langen Tunnel und die angrenzenden Straßen in wenigen Minuten im fließenden Verkehr detailliert erfasst. Im nächsten Schritt wurden die erhobenen Bilddaten von unserem Partner Esri in ArcGIS Pro weiterverarbeitet und mithilfe von Deep-Learning-Funktionen ausgewertet.
Vom Mobile Mapping zur KI-gestützten Zustandsbewertung
Im Zentrum des Workflows standen die Kamerabilder des MX9. Die Bilder wurden in ArcGIS Pro mit Deep Learning Tools ausgewertet, um Straßenschäden auf Fotos zu klassifizieren. Anschließend kam der ArcGIS Pro KI-Assistant zum Einsatz, um aus den einzelnen, punktbezogenen Ergebnissen kontinuierliche Straßensegmente mit Bewertung abzuleiten.
Fotos der hinteren Kamera des MX9 (geringer Schaden)
Fotos der hinteren Kamera des MX9 (starker Schaden)
Genau darin liegt der große Mehrwert solcher Verfahren: Aus großen Mengen georeferenzierter Bilddaten entstehen in kurzer Zeit strukturierte Informationen. Statt Aufnahmen manuell zu sichten, können Teams Merkmale automatisiert erkennen, klassifizieren und direkt in den räumlichen Kontext überführen.
KI-Assistant in ArcGIS Pro – Start der Deep Learning Analyse
Was ArcGIS Pro beim Thema Deep Learning bietet
ArcGIS Pro unterstützt Deep-Learning-Workflows für die Bildanalyse durchgängig von der Vorbereitung von Trainingsdaten bis zur Anwendung trainierter Modelle auf neue Bildbestände. Dafür gibt es drei zentrale Werkzeuge:
- Detect Objects Using Deep Learning zur Erkennung und Lokalisierung einzelner Objekte in Bilddaten
- Classify Objects Using Deep Learning zur Klassifizierung bereits abgegrenzter Objekte oder Features
- Classify Pixels Using Deep Learning zur pixelgenauen Klassifikation von Rasterdaten
Ein Beispiel für den praktischen Einsatz von GeoAI
Besonders spannend ist bei diesem Beispielprojekt der Übergang von der reinen Bilderkennung zur fachlich verwertbaren Aussage: Die Ergebnisse wurden nicht nur punktuell betrachtet, sondern zu einer Zusammenfassung des Straßenzustands verdichtet und anschließend auf das gesamte Straßennetz übertragen.
Übertragung der Ergebnisse auf das gesamte Straßennetz
Gerade für Infrastrukturbetreiber, Kommunen und Planungsverantwortliche ist das ein entscheidender Schritt. Denn erst wenn erkannte Auffälligkeiten räumlich konsistent segmentiert, bewertet und übertragbar gemacht werden, entsteht ein wirklicher Mehrwert für Priorisierung, Zustandserfassung und weitere Planungsprozesse.
Das Bonner Beispiel macht deutlich, welches Potenzial in der Kombination aus schneller mobiler Erfassung und automatisierter KI-Auswertung steckt:
- hohe Erfassungsgeschwindigkeit auch im laufenden Verkehr,
- detaillierte, georeferenzierte Datengrundlage aus einem einzigen Befahrungsvorgang,
- automatisierte Klassifikation großer Bildmengen,
- räumliche Verdichtung der Ergebnisse in ArcGIS Pro,
- und damit eine schnellere Ableitung von Informationen für Zustandserfassung, Analyse und Kommunikation.
Das Ergebnis des Pilotprojekts ist ein praxisnaher Use Case für moderne Geoinformationsprozesse: Daten schnell und flexibel erfassen, mit Hilfe von KI automatisiert analysieren und vielfältige Ergebnisse ableiten.
Sie möchten wissen, wie sich Mobile Mapping, ArcGIS Pro und KI auch in Ihrem Projekt sinnvoll kombinieren lassen? Nehmen Sie gern Kontakt mit uns auf.
