Im Kontext des Straßeninfrastrukturmonitorings werden mit schnellfahrenden Mobile-Mapping-Systemen Kamera- und Laser­scannerdaten des Straßenraums aufgenommen. Die georeferenzierende Zustands- und Objekterfassung aus solchen Bilddaten ist noch immer ein mehrheitlich manueller und damit ein zeit- und kostenintensiver Prozess. Dabei haben Deep-Learning-basierte Ansätze unter Einsatz künstlicher neuronaler Faltungsnetzwerke ihre Leistungsfähigkeit hinsichtlich automatisierter Bildanalyse bereits in verschiedensten Anwendungsdomänen bewiesen. In diesem Beitrag wird einerseits gezeigt, wie Fahrbahnschäden mithilfe tiefer neuronaler Netze aus Bildern automatisiert detektiert und klassifiziert werden können und andererseits, wie die erkannten Schad­stellen objektscharf und mit einer absoluten Genauigkeit besser 10 cm georeferenziert werden können.
Schlüsselwörter: Mobile Mapping, Straßenzustand, Deep Learning, automatische Schadstellenkartierung