Tunnelinspektion und -überwachung sind für die Gew?hrleistung einer sicheren Mobilit?t in st?dtischen Gebieten und Verkehrsinfrastrukturen von wesentlicher Bedeutung. Das Projekt ABOUT zielt darauf ab, ein fortschrittliches kamerabasiertes System zu entwickeln, das Bildverarbeitungstechnologien und KI-Algorithmen zusammenbringt, um hochaufl?sende Bilder von Tunneloberfl?chen automatisch und effizient zu erfassen. Die Daten werden weiter verarbeitet, um 3D-Modelle von Tunneloberfl?chen zu generieren. Darüber hinaus wird ein hochmoderner Deep-Learning-Algorithmus zur Schadenserkennung sowie zur Objekterkennung aus Tunnelbildern eingesetzt.

Das vorgeschlagene Tunnelinspektionssystem besteht aus verschiedenen Hardware- und Softwarekomponenten, die basierend auf den Projektanforderungen ausgew?hlt und zusammengestellt werden. Die Schlüsselfragen, die in diesem Projekt behandelt werden, lauten wie folgt:

• Welcher Kameratyp und wie viele Kameras bedarf es für die Hochgeschwindigkeits-Bildaufnahme in Tunneln mit schlechten Beleuchtungsbedingungen?
• Welche Art von LED Beleuchtung eignet sich, um ausreichend Licht für das Bildaufnahmesystem bereitzustellen?
• Wie k?nnen verschiedene Messger?te zeitsynchronisiert werden, um genaue Ergebnisse zu erhalten?
• Was ist eine optimale L?sung, um die anfallenden gro?en Datenmengen aus einem langen Tunnel zu verarbeiten?

Das vorgeschlagene System besteht in den Hauptkomponenten aus Kameras für die industrielle Bildverarbeitung, LED-Blitzleuchten sowie Steuer-/ Rechner- und Speichereinheit. Alle Subsysteme sind auf einem Kleintransporter installiert und werden über die Steuereinheit zeitsynchronisiert. Die vorgesehene Betriebsgeschwindigkeit betr?gt optimalerweise 60-65 km/h, was für Flie?verkehr und Hochgeschwindigkeitsüberwachung bei minimaler Bewegungsunsch?rfe in den endgültigen Bildern geeignet ist. Die aufgenommenen Bilder werden in einer Photogrammetrie-Software, wie z.B. Agisoft Metashape oder Pix4Dmapper, verarbeitet, um 3D-Punktwolken und Vermaschungen zu erzeugen. Darüber hinaus werden manuell zwei verschiedene Trainingsdatens?tze für die Schadenserkennungs- sowie die Objekterkennungsaufgaben generiert. Die aufgenommenen Tunnelbilder werden in CNNs (z. B. Deeplab V3 +) eingespeist, welche auf Basis der erstellten Trainingsdatens?tze vortrainiert werden, um verschiedene Schadensarten wie Risse, Abplatzungen, Rost sowie unterschiedliche Tunnelobjekte wie Schilder, Lichter, Kabel usw. zu erkennen.

Im Rahmen des Projektes wurde ein Mess- und Auswerteverfahren zur pr?zisen Digitalisierung der Oberfl?che eines Tunnels mit hohem Automationsgrad entwickelt. Für die angestrebte Inspektion und ?berwachung der Tunneloberfl?che werden Bilder und daraus generierte 3D Punktwolken analysiert, um verschiedene Arten von Verformungen und Ver?nderungen, insbesondere Risse, Abplatzungen, Tiefensprünge und Rostfahnen sowohl geometrisch wie auch semantisch zu erfassen. Die im Projekt konzipierte automatisierte photogrammetrische Auswertung der im Tunnel erfassten Bildverb?nde (Bündelorientierung zur Georeferenzierung und Erzeugung dichter Punktwolken durch Bildzuordnung) liefert die anvisierte relative Koordinatengenauigkeit bezüglich Lage- und Tiefe von ca. 1 mm. Lediglich Bereiche der Tunneloberfl?chen, die v?llig texturlos waren, bleiben in den bildbasierten Verfahren unberücksichtigt. Die automatische Objekterfassung erkennt zuverl?ssig über Deep-Learning-Methoden nicht nur Risse, Abplatzungen, etc. zur Schadensdokumentation, sondern auch alle Ausstattungsfeatures, insbesondere Schilder, Markierungen, Fahrstreifensignale, Beleuchtungseinrichtungen, Hydranten, Lautsprecher, etc. mit hoher Qualit?t. Es wird eine Erkennungsrate von knapp 80% erreicht. Da bei Deep Learning Ans?tzen mit zunehmenden Trainingsdaten die Erkennungsrate in der Regel steigt, kann mit jedem zus?tzlich bearbeiteten Tunnel auch der Umfang der Trainingsdatens?tze erweitert werden, so dass zukünftig ein Erkennungsniveau von gr??er 90% erreicht werden sollte. Die konzipierte Erfassungsgeschwindigkeit von bis zu 65 km/h ist in den Systemkomponenten (Belichtungszeit der Kameras, Pulsbreite des LED-Blitzes, Datenrate von Schnittstellen und Datenspeicher, etc.) vollumf?nglich berücksichtigt. Aufgrund Corona-bedingter Einschr?nkungen konnten w?hrend der Projektlaufzeit nicht alle Untersuchungen im angestrebten Umfang durchgeführt werden. Ein experimenteller Nachweis der generellen Funktionstüchtigkeit des Gesamtsystems zur Tunnelbestandsaufnahme konnte anhand umfangreicher Tests sowie der durchgeführten Tunnelexperimente jedoch grunds?tzlich erbracht werden. Perspektivisch sollen zudem die Hauptergebnisse (3D-Modelle, Schadenskarten und Objektklassifizierungskarten von Tunneloberfl?chen) in ein BIM-System (Building Information Modeling) integriert werden k?nnen.