Problemstellung

Brückenentwürfe basieren oft auf dem Erfahrungswissen von Ingenieuren, was zu Qualitätsunterschieden führen kann. Es mangelt an öffentlich zugänglichen Brückendaten und effizienten Analysemethoden, um aus bestehenden Bauwerken zu lernen. Einzige Datenquelle sind häufig Bilddaten, die jedoch erst in entwurfsrelevante Informationen überführt werden müssen.

Ziel des Projekts war es, Methoden zur Extraktion semantischer und geometrischer Informationen aus Brückenbildern zu entwickeln und diese zu strukturieren.  Hierzu wurde die Machbarkeit einer bildbasierten 3D-Rekonstruktion auf Basis begrenzter Bilddaten untersucht, um daraus Informationen abzuleiten und in einer Datenbank zu sammeln.

Ergebnisse und Wirkungen

Im Projekt entstand eine brückenspezifische Wissensgraph-Datenbank, die auf Ontologien basiert und mit Bild- sowie Metadaten von 28.000 Brücken angereichert wurde. Ergänzend wurde ein Trainingsdatensatz für die semantische Brückensegmentierung erstellt. Damit trainierte Modelle können semantische Informationen aus Brückenbildern extrahieren und die 3D-Rekonstruktion unterstützen. Eine Machbarkeitsstudie zeigte, dass ein Deep-Learning-Modell mit weniger Bildern effizientere 3D-Rekonstruktionen ermöglicht als herkömmliche Verfahren. Zudem wurde demonstriert, wie sich die Talsituation – ein zentraler Einflussfaktor bei der Brückenplanung – aus 3D-Modellen ableiten und in der Datenbank ablegen lässt.

Die Ergebnisse ermöglichen es, weitere entwurfsrelevante Brückenparameter aus Bildern und 3D-Modellen zu gewinnen. Perspektivisch können daraus automatisierte Planungswerkzeuge entwickelt werden, die Brückenentwürfe effizienter, objektiver und weniger abhängig vom individuellen Erfahrungswissen machen.