Bildbasierte Erkennung von Kiesnestern in Beton während der Bauphase

Mängel erhöhen die Kosten und die Dauer von Bauprojekten, da sie einen erheblichen Untersuchungs- und Dokumentationsaufwand erfordern. Die Automatisierung der Fehlererkennung könnte diesen Aufwand erheblich reduzieren. Diese Arbeit konzentriert sich daher auf die Erkennung von Kiesnestern, einem wesentlichen Fehler in Betonstrukturen, der die strukturelle Integrität beeinträchtigen kann. Wir haben Bilder von Kiesnestern aus dem Internet mit Bildern verglichen, die bei echten Bauwerksinspektionen aufgenommen wurden. Dabei haben wir festgestellt, dass Web-Bilder nicht die gesamte Varianz erfassen, die in realen Szenarien vorkommt, und dass es in diesem Bereich immer noch einen Mangel an Daten gibt. Unser Datensatz ist daher für weitere Forschungsarbeit frei verfügbar. Ein Mask R-CNN und EfficientNet-B0 wurden für die Erkennung von Kiesnestern trainiert. Das Mask R-CNN-Modell ermöglicht die Erkennung von Kiesnestern auf der Grundlage der Segmentierung von Instanzen, während das EfficientNet-B0-Modell eine Patch-basierte Klassifizierung ermöglicht. Unsere Experimente zeigen, dass beide Ansätze geeignet sind, die Kiesnestererkennung zu lösen und zu automatisieren.