KI-Risserkennung: Orthofotos in umsetzbare PCI-Werte umwandeln
Risse im Asphalt bleiben nicht lange klein. Wenn eine 3 mm breite Fissur auf Wasser, Kraftstoff oder Hydraulikflüssigkeit trifft, weitet sie sich schnell aus und schwächt die Fahrbahnstruktur. Flughafen- und Autobahnmanager inspizieren Oberflächen daher häufig und vergeben einen Pavement Condition Index (PCI)-Wert (Zustandsindex der Fahrbahn), der die Wartungsbudgets steuert. Bis vor Kurzem umfasste der Bewertungsprozess Teams zu Fuß, Klemmbretter und viele Fahrspursperrungen. Heute können hochauflösende Drohnen-Orthofotos plus künstliche Intelligenz (KI) denselben PCI-Wert – oft mit höherer Genauigkeit – an einem einzigen Arbeitstag liefern. Dieser Artikel zeigt, wie der Workflow funktioniert, welche Genauigkeit Sie erwarten können und wo die HALO AI-Plattform von Fadron zum Einsatz kommt.
Vom Flugplan zum Orthofoto
- Flughöhe und GSD. Um Haarrisse zu erfassen, benötigen Sie eine Bodenauflösung (GSD) von 1–3 mm pro Pixel. Ein 20 MP 1-Zoll-Sensor, der in 8–10 m Höhe geflogen wird, erfüllt dieses Ziel normalerweise. Bei breiten Rollwegen oder mehrspurigen Straßen können Sie den Bereich in überlappende Blöcke aufteilen, anstatt höher zu fliegen.
- Überlappung. Mindestens 80 Prozent Vorwärtsüberlappung und 70 Prozent Seitenüberlappung ermöglichen es der Photogrammetrie-Software, ein verzerrungsfreies Orthomosaik zu erstellen. Moderne Missionsplaner automatisieren diese Einstellungen.
- Kontrolle und Genauigkeit. Entweder Real-Time Kinematic (RTK)-Protokollierung oder Bodenkontrollpunkte halten den horizontalen Fehler unter 2 cm. Eine präzise Ausrichtung ist wichtig, da Rissvektoren mit historischen Karten übereinstimmen müssen, wenn Sie das Wachstum in der nächsten Saison messen.
- Radiometrische Qualität. Fliegen Sie bei hellem, trockenem Wetter. Feuchte Stellen verdecken Haarrisse, und tiefer Sonnenstand verursacht lange Schatten, die ein KI-Modell als Schaden interpretieren könnte. Halten Sie die Kamera auf ISO 100–200, um Rauschen zu reduzieren.
- Stitching. Software wie Agisoft Metashape, OpenDroneMap oder der Cloud-Stitcher von Fadron HALO fügt Hunderte von Fotos zu einem einzigen GeoTIFF zusammen. Das Ergebnis ist eine True-Ortho-Karte, bei der jedes Pixel einen einheitlichen Maßstab hat.
Was die KI-Engine tatsächlich leistet
Rohpixel allein geben keinen Aufschluss über den Zustand des Fahrbahnbelags. KI-Modelle, die auf konvolutionellen neuronalen Netzen basieren, scannen das Orthofoto Kachel für Kachel und klassifizieren jedes Pixel als Riss oder Hintergrund. Die gebräuchlichste Architektur für diese Aufgabe ist ein Encoder-Decoder im U-Net-Stil, der räumliche Details beibehält und gleichzeitig Kontext lernt. Trainingsdaten umfassen in der Regel Tausende von zugeschnittenen Bildern, die von Bauingenieuren beschriftet wurden, um Folgendes abzudecken:
- Längs-, Quer- und Blockrisse.
- Alligatorrisse (Stadien A1, A2, A3).
- Flickstellen, Schlaglöcher und Fahrbahnfugenbrüche.
Während der Inferenz gibt das Modell eine binäre Maske oder eine Reihe von Vektoren aus. Nachbearbeitungsmodule führen kurze Segmente zusammen, filtern Rauschen, das kleiner als ein paar Pixel ist, heraus und messen Risslänge, -breite und -ausrichtung. Schadensklassen folgen den Regeln von ASTM D5340 oder D6433. Die Zählungen fließen direkt in die PCI-Schadensmatrizen ein.
Typische Modellgenauigkeit
| Quelle | Präzision | Recall | F1-Score | Eingangs-GSD |
|---|---|---|---|---|
| FAA Tech Center (2023) | 0,97 | 0,95 | 0,96 | 2 mm |
| DGAC France (2022) | 0,95 | 0,94 | 0,95 | 1,8 mm |
| University of Texas (2024) | 0,96 | 0,94 | 0,95 | 1,5 mm |
Präzision zeigt, wie viele der erkannten Riss-Pixel korrekt sind. Recall zeigt, wie viele tatsächliche Riss-Pixel das Modell gefunden hat. Werte über 0,90 bedeuten sehr wenige Fehlalarme oder Übersehene.
KI-Ausgaben in PCI umwandeln
PCI ist ein Wert von 0–100, der aus der Art, dem Schweregrad und der Menge des Schadens abgeleitet wird. Eine automatisierte Pipeline durchläuft vier Schritte:
- Bereichszuweisung. Teilen Sie die Start- oder Landebahn bzw. die Straße in Managementabschnitte (z. B. 50 m mal 50 m große Probeeinheiten) auf.
- Schadenserfassung. Addieren Sie Risslängen und -flächen pro Abschnitt und ordnen Sie diese den ASTM-Schadenstabellen zu.
- Abzugswert. Jeder Schaden erzeugt einen Abzugswert. Die Summe der von 100 abgezogenen Abzugswerte ergibt den Roh-PCI.
- Korrigierter PCI. Wenden Sie Korrekturregeln an, wenn mehrere schwere Schäden gleichzeitig auftreten. Die Ausgabe ist eine Tabelle und eine Heatmap, wobei grün = gut, rot = kritisch bedeutet.
Ein mittelgroßer Drehkreuzflughafen berichtete, dass die KI-Pipeline von Menschen generierte PCI-Werte innerhalb von ±2 Punkten bei 92 Prozent seiner Probeeinheiten reproduzierte – ein Unterschied, der weit innerhalb des von der FAA akzeptierten Fehlerbereichs liegt.
Wo HALO AI Mehrwert schafft
HALO AI ist die End-to-End-Fahrbahnanalysesuite von Fadron, die die gesamte Kette verbindet.
- Cloud-Stitching. Laden Sie Fotos direkt von der Drohnen-SD-Karte hoch. HALO betreibt eine parallele Photogrammetrie-Engine und liefert ein GeoTIFF in wenigen Minuten. Keine lokale GPU erforderlich.
- Auto-QC. Die Plattform erkennt unscharfe oder unterbelichtete Bilder und markiert sie vor der Analyse, um fehlende Risse zu vermeiden.
- KI-Risserkennung. Das neueste Modell von HALO enthält 1,8 Millionen beschriftete Proben von Flughäfen, Autobahnen und Parkplätzen. Es identifiziert 18 Schadensklassen und liefert Shapefiles oder GeoJSON.
- Sofort-PCI. Ein integrierter PCI-Rechner folgt den ASTM-Nachschlagetabellen. Sie erhalten Abschnittswerte, einen vollständigen Bericht und eine CSV-Datei, die für MicroPAVER oder Stoneleigh PMS bereit ist.
- API-Schnittstellen. Ingenieurbüros können die HALO REST API aufrufen, um Ergebnisse in ihre BI-Dashboards oder Wartungs-Ticketsysteme zu übertragen.
Die meisten Benutzer schließen die Erfassung am Morgen ab und laden einen signierten PDF-Bericht vor Arbeitsende herunter.
Zeit- und Kostenersparnis
| Aufgabe | Herkömmlicher manueller Workflow | Drohnen- + HALO-Workflow |
|---|---|---|
| Feldaufnahme (3 000 m Startbahn) |
4 h Sperrung, 5 Mitarbeiter | 40 min Sperrung, 2 Mitarbeiter |
| Datenverarbeitung | 24 h manuelle Digitalisierung | 3 h automatisiert |
| Berichtserstellung | 4 h Ingenieurzeit | Automatisch generiert |
Einsparungen ergeben sich aus kürzeren Sperrungen, weniger Personalstunden und keiner manuellen Nachverfolgung. Bei langen Autobahnabschnitten ist das Verhältnis ähnlich: etwa 40 Prozent geringere Kosten pro Kilometer bei gleicher oder höherer Datenqualität.
Praktische Tipps für zuverlässige Ergebnisse
- Fokus kalibrieren. Überprüfen Sie den ersten Flugstreifen bei 200 Prozent Zoom. Haarrisse sollten scharf sein.
- Reflexion beachten. Sehr neuer Asphalt kann ölig und glänzend sein. Ein Polarisationsfilter reduziert spiegelnde Blendung, die Kantendetektoren verwirrt.
- Schatten vermeiden. Planen Sie Flüge, wenn die Sonne mindestens 30 Grad über dem Horizont steht, oder nutzen Sie Wolkenbedeckung, um das Licht zu streuen.
- Nasse Stellen prüfen. Wenn Teile der Oberfläche feucht sind, verschieben Sie den Termin. Wasser füllt kleine Risse, und die KI wird sie übersehen.
- Validieren. Überprüfen Sie 5 Prozent der Probeeinheiten mit manuellen Messungen, um Vertrauen aufzubauen und Auditregeln einzuhalten.
Zukünftige Entwicklungen
Die KI-Risserkennung geht über die einfache Segmentierung hinaus. Forschungsteams führen thermische Schichten zusammen, um feuchtigkeitsinduzierte Ablösungen aufzudecken, und LiDAR, um die Spurrinnentiefe millimetergenau zu messen. Prädiktive Modelle, die mit mehrjährigen Daten trainiert wurden, könnten bald das Risswachstum vorhersagen und Behandlungszeiten automatisch empfehlen. HALO AI speichert bereits temporale Schichten pro Standort, sodass Benutzer zukünftige prädiktive Module einbinden können, ohne neue Baselines zu erfassen.
Fazit
Drohnen in Kombination mit KI verkürzen die Inspektionszeit von Tagen auf Stunden und verwandeln Orthofotos in PCI-Werte, denen Fachleute vertrauen können. Eine GSD von 1–3 mm pro Pixel ist der aktuelle Idealbereich und liefert eine Erkennungsgenauigkeit von 95 Prozent oder höher. Mit Plattformen wie Fadron’s HALO AI, die Stitching, Risskartierung und PCI-Berechnungen automatisieren, können sich Ingenieurteams auf die Planung von Reparaturen konzentrieren, anstatt Linien nachzuzeichnen. Erstanwender berichten von Kosteneinsparungen von fast 50 Prozent und einem starken Rückgang der Sperrstunden für Start- oder Landebahnen – greifbare Erfolge sowohl im Budget als auch in der Sicherheit.
Referenzen
- FAA Technical Center. Small UAS Pavement Inspection Accuracy Study, 2023.
- DGAC France. Drone-Based Runway Distress Mapping, 2022.
- Texas Advanced Computing Center. Deep Crack: CNN for Asphalt Distress Detection, 2024.
- ASTM D5340 und D6433 Standard Practices for PCI Surveys, 2022.
- Halford, R. Orthophoto Resolution and Crack Detection Thresholds, Journal of Transportation Engineering, 2023.
