Im Kontext automatisierter Datenauswertung sind künstliche neuronale Faltungsnetzwerke und der Einsatz von Deep-Learning-Ansätzen mittlerweile Stand der Technik. Im Bereich der Zustandserfassung und -bewertung von Straßen wurde die Leistungsfähigkeit tiefer neuronalerNetze zur Analyse von Kamerabilddaten bereits demonstriert. Im vorliegenden Beitrag soll diese Methodik nun erstmals auf hochgenaue mobile LiDAR-Daten des Fraunhofer Pavement Profile Scanners in Form von 2.5D-Oberflächenmodellen übertragen werden, um eine automatische Schadensdetektion und -klassifikation auf Basis von radiometrischen und geometrischen Merkmalen zu realisieren. Damit ist eine automatisierte Erfassung von Fahrbahnschäden in Form von präzise verorteten Geoobjekten möglich.

In the context of automated data analysis, convolutional neural networks and the use of deep learning approaches have become state of the art. In the field of road condition assessment and evaluation, the performance of deep neural networks for the analysis of camera image data has already been demonstrated. For the first time, this methodology is to be applied to high-precision mobile LiDAR data of the Fraunhofer Pavement Profile Scanner in the form of 2.5D surface models in order to realize automatic road damage detection and classification on the basis of radiometric and geometric features. Thus, an automated detection of road damage in the form of precisely located geo objects is possible.