@phdthesis{sesselmann2025_106528,
  title = {Deep Learning zur Analyse von Mobile Laserscanning Daten im Kontext der kommunalen Straßenerhaltung},
  author = {Sesselmann, Maximilian},
  year = {2025},
  publisher = {Otto-Friedrich-Universität},
  address = {Bamberg},
  doi = {10.20378/irb-106528},
  urn = {urn:nbn:de:bvb:473-irb-1065284},
  url = {https://fis.uni-bamberg.de/handle/uniba/106528},
  language = {deu},
  abstract = {Für eine systematische und effiziente Erhaltung der kommunalen Straßeninfrastruktur ist eine detaillierte Kenntnis des vorherrschenden Straßenzustandes von zentraler Bedeutung. In Deutschland wurden deshalb Standards etabliert, die ein objektives Erhaltungsmanagement sicherstellen sollen. Trotz innovativer technischer Entwicklungen und hoher Automation im Bereich der mobilen Datenerfassung dominiert im Bereich der Datenauswertung die manuell-visuelle Inspektion von Oberflächenschäden aus Kamerabilddaten. Dieser Prozess ist nicht nur zeit-, personal- und kostenintensiv, sondern nutzt darüber hinaus ausschließlich fotometrische Informationen für den Inspektionsvorgang. Mobil erfasste Laserscans werden lediglich zur Erfassung und Bewertung der Ebenheit einer Straße genutzt, obwohl ausreichend dichte Oberflächenscans eine gleichzeitige dreidimensionale Beschreibung der Oberfläche und ihrer Schädigungen zuließen. Eine solche Datenbasis wäre sowohl für eine manuelle Schadenserfassung als auch für eine Automatisierung des Inspektionsvorgangs von Vorteil. Studien zeigen, dass die manuelle Erfassung von Oberflächenschäden aus Kamerabilddaten die größte Fehlerquelle im Prozess der Zustandserfassung und -bewertung von Straßen ist und das Ziel gefährdet, eine objektive und vergleichbare Datengrundlage für das Erhaltungsmanagement zu schaffen.
Ziel der vorliegenden Arbeit ist es deshalb, eine automatische Erkennung, Klassifikation und Kartierung von Straßenoberflächenschäden aus den Daten eines speziellen Mobilen Laserscanning Systems zu realisieren sowie deren Potentiale und Grenzen im Kontext der kommunalen Straßenerhaltung zu untersuchen. Dabei kommen sowohl Methoden der Geoinformatik und der digitalen Geländeanalyse sowie Methoden aus dem Bereich der Mustererkennung und des maschinellen Lernens zum Einsatz. Um tiefe neuronale Netzwerkmodelle zur semantischen Segmentierung von Oberflächenmodellen trainieren zu können, werden umfangreiche Datensätze aufgebaut und eine Transfer Learning Strategie angewendet. Die Leistungsfähigkeit des entwickelten Analysesystems wird mithilfe von Vergleichsmessungen durch zwei Referenzsysteme evaluiert, die auf nationaler und internationaler Ebene den Stand der Technik im Bereich Straßenzustandserfassung repräsentieren.
Die Ergebnisse zeigen, dass es möglich ist, mit dem untersuchten LiDAR-System, eine ganzheitliche Datengrundlage (Ebenheit und Oberflächenschäden) für die kommunale Straßenzustandserfassung aufzunehmen und mit dem entwickelten Deep-Learning-Ansatz eine Zustandsbewertung zu erzeugen, die dasselbe Qualitätsniveau einer durch geschultes Personal durchgeführten Inspektion aufweist und dabei deutlich weniger Prozesszeit in Anspruch nimmt.},
  keywords = {Mobile Laserscanning, Deep Learning, GeoAI, LiDAR, Straßenzustand, Zustandserfassung- und bewertung, Mobile Mapping},
  school = {Otto-Friedrich-Universität Bamberg}
}
