Automatisierte Klassifizierung von Schäden an Massivbrücken mittels Neuronaler Netze

Abstract Vor dem Hintergrund eines alternden Bauwerksbestands sowie des stetigen Anstiegs des Schwerverkehrs ist eine regelmäßige und qualitativ hochwertige Bauwerksprüfung unabdingbar. Bei der Bewältigung dieser Aufgabe birgt die Zuhilfenahme digitaler Methoden im Rahmen der digitalisierten Inspektion (DI) großes Verbesserungspotenzial in Hinblick auf Wirtschaftlichkeit und Qualität. Ein wesentlicher Bestandteil der DI ist das automatisierte Erkennen von Schäden mit Künstlichen Neuronalen Netzen. Im Rahmen des Forschungsprojekts „Modellbasierte digitale Bauwerksprüfung – MoBaP“ werden an der Universität der Bundeswehr München Neuronale Netze für die Klassifizierung von Schäden an Massivbrücken trainiert. Auf dem derzeit größten Open‐Source‐Datensatz (CODEBRIM) dieser Domäne erzielt das im Folgenden dargestellte Netz eine Exact Match Ratio von 74 % und definiert damit das aktuell beste Modell zur Multi‐Target‐Klassifizierung. Um auch Neuronale Netze für die Objektdetektion und semantische Segmentierung dieser Domäne zu trainieren, wird ein eigener Datensatz erstellt. Dadurch wird neben dem Klassifizieren auch das Lokalisieren der Schäden auf Bildern ermöglicht. In diesem Aufsatz erörtern die Autoren das Vorgehen zum Trainieren Neuronaler Netze für die Klassifizierung von Schäden an Massivbrücken und eine detaillierte Analyse von Testergebnissen. Außerdem werden die Entwicklung und der aktuelle Stand eines eigenen Datensatzes vorgestellt.