Mobiles Laserscanning und Deep Learning zur automatischen Erfassung des Oberflächenzustands kommunaler Straßen
Mobile Laser Scanning and Deep Learning Based Condition Assessment for Municipal Roads
Maximilian Sesselmann, Thorsten Naber, Ronny Stricker, Steffen Scheller
Der vorliegende Beitrag präsentiert einen neuen Entwicklungsstand im Bereich Mobile Laser Scanning (MLS). Es wird dargestellt, wie mit dem MLS-System Integrated Road Information System (I. R. I. S) anhand von Fahrbahnoberflächenscans nicht nur Ebenheiten bewertet, sondern unter Anwendung von Deep Learning auch Oberflächenschäden einer Straße konturscharf und hochautomatisiert kartiert werden können. Damit können messdatenbasierte Informationen zum Zustand kommunaler Straßen schneller, genauer und objektiver bereitgestellt werden, als es mit derzeit üblichen Verfahren und Sensoren (manuelle Erfassung aus Kamerabilddaten) möglich ist.
This article presents a new state of development in the field of Mobile Laser Scanning (MLS). Essentially, it shows how the MLS System I. R. I. S (Integrated Road Information System) can not only assess evenness using road surface scans, but also map surface damage with high contour accuracy and in a highly automated way using Deep Learning. This means that measurement-based information on the condition of municipal roads can be provided faster, more accurately and more objectively than is currently possible with conventional methods and sensors (manual capture from camera image data).
Schlüsselwörter: Mobiles Laserscanning, Deep Learning, Straßenzustandserfassung, kommunale Straßen
Keywords: Mobile laser scanning, deep learning, pavement distress detection, municipal roads
Download PDF