KIVIS – KI-basierte visuelle Strassenzustandsbewertung

Zusammenfassung

Eine gut unterhaltene kommunale Strasseninfrastruktur ist ein Kernelement moderner Volkswirtschaften, aber auch ein wesentlicher Kostenfaktor. Das zeigt sich am Beispiel der Schweiz, in der ¾ des gesamten Strassennetzes aus kommunalen Strassen besteht. Gemäss Strasseninfrastrukturrechnung CH 2019 des BfS betragen die jährlichen Ausgaben für Gemeindestrassen insgesamt 3.2 Mrd. CHF bzw. 374 CHF pro Einwohner/in. Davon entfallen rund 2.7 Mrd. CHF auf Erneuerung und Unterhalt. Mit Blick auf die zahlreichen finanziellen Herausforderungen für die öffentliche Hand sind aktuelle, vergleichbare, reproduzierbare und kostengünstige Zustandsinformationen essenziell für ein effektives und ressourcenschonendes Erhaltungsmanagement. Die heutige visuelle Zustandsbewertung durch Fachpersonen im Büro und Feld ist zeitaufwändig, kostspielig und potenziell gefährlich. Sie bindet auch Fachkräfte, die dringend für anspruchsvollere Aufgaben benötigt würden.

Mit den KIVIS-Entwicklungen soll die visuelle Zustandsbewertung ganzer kommunaler Strassennetze durch maschinelle Lernverfahren (ML) übernommen werden, prioritär in der Form neuronaler Netze. Dabei unterscheidet sich der KIVIS Use Case signifikant von etablierten ML Use Cases. Eine der zahlreichen Herausforderungen des Projekts besteht in der robusten, wiederholbaren Abbildung der realen Situation mit ihren komplexen, vielschichtigen Schadensbildern in diskrete Zustandsklassen, die der gängigen Praxis und Normung entsprechen und damit eine rasche Akzeptanz des neuen Verfahrens sicherstellen sollen.

Management Summary

The aim of the KIVIS project is to develop a cloud-based software framework and workflows for AI-based visual road condition assessment from mobile mapping imagery for municipal road maintenance management.
A well-maintained municipal road infrastructure is a core element of modern economies, but also a significant cost factor. This is demonstrated by the example of Switzerland, where ¾ of the entire road network consists of municipal roads. According to the Swiss Road Infrastructure Report 2019 published by the Federal Statistical Office, annual expenditure on municipal roads totalled CHF 3.2 billion or CHF 374 per inhabitant. Around CHF 2.7 billion of this is spent on renewal and maintenance. In view of the numerous financial challenges facing the public sector, up-to-date, comparable, reproducible and cost-effective condition information is essential for effective and resource-efficient maintenance management. Today's visual condition assessment by professionals in the office and field is time-consuming, costly and potentially dangerous. It also ties up skilled labour that is urgently needed for more demanding tasks.
With the KIVIS developments, the visual condition assessment of entire municipal road networks is to be taken over by machine learning methods (ML), primarily in the form of neural networks. The KIVIS use case differs significantly from established ML use cases. One of the numerous challenges of the project is the robust, repeatable mapping of the real situation with its complex, multi-layered damage patterns into discrete condition classes that correspond to current practice and standardisation and should therefore ensure rapid acceptance of the new procedure.

Projektziele

Ziel des Projekts KIVIS ist die Entwicklung eines cloud-basierten Softwareframeworks und Workflows zur KI-basierten visuellen Strassenzustandsbewertung aus Befahrungsbilddaten für ein bedarfsgerechtes kommunales Strassenerhaltungsmanagement.

Grundlagedaten

In alle KI-basierte Projekte spielen die Grundlagedaten eine entscheidende Rolle. Daher nutzt KIVIS hochwertige mobil erfassten Daten mit Tiefeninformationen und höhen Bildüberdeckung sowie geprüfte visuelle Zustandsbewertungen, die von erfahrenen Strassenzustandsprofis erzeugt wurden. Diese dienen als Trainings- und Testdaten für das für das maschinelle Lernverfahren, welches mit fortschrittliche Deep-Learning-Architekturen das Zustandsindex genau und robust vorhersagen muss.

Datenvorbereitung

Die Vorbereitung und Analyse der Rohdaten ist ein wesentlicher Bestandteil des Trainingsprozesses im Bereich maschinelles Lernen. Während einfache numerische Daten wie z.B. die Strassenzustandsindizes leicht zu verarbeiten sind, stellen Bilddaten eine grössere Herausforderung dar. In diesem Fall werden verschiedene Photogrammetrie- und Computer Vision-Methoden auf mobile Mapping-Daten angewendet, um Objekte bzw. Bildbereiche auszuschliessen, die für die Anwendung nicht relevant sind. Im Projekt werden beispielsweise Fahrzeuge oder Bereiche ausserhalb der eigentlichen Fahrbahn automatisch detektiert und ausmaskiert. Als Resultat werden nur die relevanten Bereiche der Strassenoberfläche und die entsprechenden Zustandsindizes dem neuralen Netzwerk vorgelegt.

Methoden

Für das prädiktive Modell werden fortschrittliche Algorithmen kombiniert, die beispielweise Convolutional Neural Networks und Regression Networks umfassen. Zusätzlich werden statistische Methoden für das Clustering und die Detektion von Abschnittsgrenzen verwendet. Damit werden aus den einzelnen Patches homogene Strassensegmente mit einer genauen und robusten Zustandsbewertung abgeleitet. Die Ergebnisse werden anschliessend in einen GIS-Datensatz für eine benutzerfreundliche Visualisierung und Analyse transformiert.

Um das System flexibel zu gestalten und die Qualität der Ergebnisse laufend zu optimieren, wird eine iterative und inkrementelle Methode integriert. Auf der einen Seite werden allfällige Korrekturen der Ergebnisse von Strassenzustandsprofis als neue Trainingsdaten verwendet, auf der anderen Seite integriert die Architektur zusätzliche Daten wie z.B. automatisch detektierte Einzelschäden.Um das System flexibel zu gestalten und die Qualität der Ergebnisse laufend zu optimieren, wird eine iterative und inkrementelle Methode integriert. Auf der einen Seite werden allfällige Korrekturen der Ergebnisse von Strassenzustandsprofis als neue Trainingsdaten verwendet, auf der anderen Seite integriert die Architektur zusätzliche Daten wie z.B. automatisch detektierte Einzelschäden.

Eckdaten des Projekts