Betonrisse pixelgenau erkennen: 97 % True-Positive-Rate

Bauwerksprüfung ist heute überwiegend Sichtprüfung mit anschließender Dokumentation. Das Ergebnis ist qualitativ: Ein Riss wird beschrieben, fotografiert, in eine Kategorie eingeordnet. Die Frage, ob er sich seit der letzten Prüfung verändert hat, lässt sich daraus nur schwer beantworten, weil kein Maß vorliegt, das über Prüfungen hinweg vergleichbar ist.

Genau daran hängt die Bewertung. Ein stabiler Riss ist ein anderer Sachverhalt als ein wachsender. Ohne Messung bleibt die Unterscheidung eine Einschätzung.

Ein Datensatz aus 458 hochauflösenden RGB-Bildern mit verschiedenen Betonrissen.

Das ist eine kleine Datenbasis für ein Segmentierungsmodell – und der Grund, warum die Datenaufbereitung in diesem Projekt besonderes Gewicht hatte.

Wenig Trainingsdaten für eine schwierige Aufgabe. Ein neuronales Netz für pixelgenaue Segmentierung braucht normalerweise deutlich mehr Beispiele. Erschwerend kommt hinzu, dass die zu erkennenden Strukturen je Anwendung sehr unterschiedlich aussehen: Ein Haarriss in Sichtbeton und ein Riss in einer verwitterten Brückenkappe haben wenig gemeinsam.

Beleuchtung ist ein zentraler Störfaktor. Ein Riss zeigt sich im Bild als dunkle Linie. Schatten, Kanten und Verschmutzungen zeigen sich genauso. Was einen Riss von einem Schatten unterscheidet, ist nicht der Kontrast, sondern der Verlauf – und ein Modell, das auf gleichmäßig beleuchteten Aufnahmen trainiert wurde, verwechselt beides zuverlässig.

Eine Erkennung allein ist noch keine Messung. Für die Prüfpraxis reicht es nicht, Risspixel zu markieren. Gebraucht werden Anzahl, Breite und Länge – und die entstehen erst, wenn die einzelnen Vorhersagen zu einem Gesamtbild zusammengesetzt sind.

Augmentation gegen den Beleuchtungseffekt. Die Trainingsbilder wurden systematisch verändert, um unterschiedliche Lichtverhältnisse und strukturelle Abweichungen zu simulieren. Das ist der wirksamste Hebel bei kleiner Datenbasis: Statt mehr Bilder zu beschaffen, wird die vorhandene Vielfalt künstlich erhöht – gezielt in den Dimensionen, die im Einsatz die Probleme machen.

Segmentierung mit DeepLab v3, umgesetzt in PyTorch. Die Architektur war zum Projektzeitpunkt Stand der Technik in der Bildsegmentierung.

Zwei Metriken statt einer. Bewertet wurde über den Dice-Koeffizienten – die Übereinstimmung der vorhergesagten Risspixel mit der Referenz – und über die True-Positive-Rate, also den Anteil tatsächlich erkannter Risspixel. Beide zusammen sind nötig: Ein Modell mit hoher True-Positive-Rate und niedrigem Dice-Koeffizienten findet alle Risse, malt sie aber zu breit.

Nachbearbeitung und Zusammensetzung. Morphologische Öffnung entrauscht die Vorhersagen. Anschließend werden die Bildkacheln zusammengesetzt, sodass Rissanzahl, Rissbreite und Risslänge im Gesamtbild ausgewertet werden können.

Das Modell erreichte auf dem Validierungsdatensatz einen Dice-Koeffizienten von 88 % und eine True-Positive-Rate von 97 % – geeignet für automatisierte Rissprüfung.

Der praktische Nutzen liegt in der Wiederholung: Bei gleichbleibender Aufnahmesituation erkennt das Werkzeug Veränderungen bestehender Risse und neue Risse frühzeitig. Damit wird aus einer Zustandsbeschreibung eine Verlaufsbeobachtung.

Pixelgenaue Segmentierung feiner, linienförmiger Strukturen bei starken Beleuchtungsunterschieden ist eine eigene Klasse von Aufgaben – und sie tritt weit außerhalb der Bauwerksprüfung auf: Risse in Fahrbahndecken und Beschichtungen, Schweißnahtfehler, Materialfehler in Oberflächen, feine Strukturen in mikroskopischen Aufnahmen. Genau diese methodische Nähe ist der Grund, warum dieses Projekt auch in unserem Pharma-Bereich als Beleg für bildbasierte Auswertung steht: kleine Objekte in großen Aufnahmen, uneinheitliche Beleuchtung, überlappende Strukturen.

Bei der Architektur ist DeepLab v3 nicht mehr der Referenzpunkt; für feine Strukturen arbeiten wir mit Transformer-basierten Segmentierungsmodellen, und der Annotationsaufwand lässt sich durch promptbare Vorsegmentierung deutlich senken. Bei 458 Bildern wäre heute außerdem ein Foundation-Modell als Ausgangspunkt naheliegend, das mit wenigen Beispielen auskommt. Der größere Sprung liegt in der Aufnahme. Wo Risse an Bauwerken gemessen werden sollen, liefern Drohnenbefliegungen mit fester Flugroute und photogrammetrische Auswertung eine Aufnahmesituation, die über Jahre vergleichbar bleibt – und Vergleichbarkeit ist die Voraussetzung dafür, dass aus Rissbreiten ein Verlauf wird. Ohne sie bleibt jede Messung ein Einzelwert.