KI-basierte Instanzsegmentierung von Kanaldeckeln aus hochaufgelösten Orthophotos

Die Detektion von Kanaldeckeln ist für den Aufbau, die Pflege und die Aktualisierung kommunaler Kanalkataster unerlässlich. Herkömmliche Erfassungsmethoden wie GNSS oder Tachymetrie stoßen bei großflächigen Anwendungen jedoch an wirtschaftliche und organisatorische Grenzen. Der Einsatz künstlicher Intelligenz (KI) in Verbindung mit hochaufgelösten Orthophotos bietet Potenzial zur Automatisierung dieses Prozesses.

In der vorliegenden Arbeit wurde Mask R-CNN, ein weit verbreitetes neuronales Netz zur Instanzsegmentierung, zur automatisierten Erkennung von Kanaldeckeln in hochaufgelösten Orthophotos verwendet. Dazu wurden Orthophotos mit einer Bodenauflösung von ca. 2-3 cm aus verschiedenen bayerischen Gemeinden kachelbasiert vorverarbeitet, manuell annotiert und in das COCO-Format überführt. Das Modell wurde im Framework Detectron2 mittels Transfer Learning (ResNet-50 backbone) auf Google Colab trainiert. Die Bewertung erfolgte anhand gängiger Metriken sowie qualitativer Analysen.

Das trainierte Modell zeigte insgesamt eine hohe Übertragbarkeit: so konnten im statistisch unabhängigen Testdatensatz in der Gemeinde Flintsbach am Inn (Landkreis Rosenheim) ca. 1200 Kanaldeckel detektiert und dabei ein F1-Score von 89% erreicht werden. Dieses Ergebnis konnte bei der Beschränkung der Detektionen auf den öffentlichen Verkehrsraum noch gesteigert werden (F1-Score von 95%; siehe Abb. 1). Ein Vergleich auf Basis von 49 per RTK-GNSS aufgenommenen Kanaldeckel im Untersuchungsgebiet zeigte einen mittleren 3D-Punktabstand von 8 cm (min = 0,5cm; max = 14cm).

Insgesamt zeigt die Arbeit, dass Mask R-CNN ber der automatisierten Detektion von Kanaldeckeln in hochaufgelösten Orthofotos eine praxistaugliche Genauigkeit und Zuverlässigkeit liefert (siehe Abb. 2). Lediglich einzelne Teilverdeckungen, seltene Deckeltypen und Bildstörungen führten zu Einbußen hinsichtlich der Performance (siehe Abb. 3) und erfordern eine manuelle Nachbearbeitung. Der Erfassungsaufwand gegenüber herkömmlichen Verfahren konnte bei gleichzeitig hoher Genauigkeit deutlich reduziert werden.