FIND - Objekten im Leitungskataster
Erkennung und Geolokalisierung von Schächten (Leitungskataster) mithilfe von Deep-Learning-Methoden, die auf sogenannte Street-View-Bilder angewendet werden. Begünstigte Verwaltungen: Stadt Zürich und Kanton Neuenburg.
Kontext
Unterirdische Infrastrukturnetze – wie Abwasser, Wasser, Energie oder Telekommunikation – sind über Schächte im öffentlichen Raum zugänglich. Um eine effiziente Unterhaltung dieser Netze zu gewährleisten, sind zuverlässige und vollständige Bestandsaufnahmen unerlässlich. Diese Bestandsaufnahmen werden jedoch oft manuell durchgeführt, was insbesondere in dicht besiedelten städtischen Gebieten zeitaufwändig, kostspielig und schwer auf dem neuesten Stand zu halten ist.
In der Stadt Zürich übernehmen die öffentlichen Dienste die Verantwortung für die Richtigkeit der Daten des Leitungskatasters, für den eine hohe Qualität erwartet wird. Im Kanton Neuenburg muss das Amt für Brücken und Strassen ein Inventar der sichtbaren Punktobjekte auf den Kantonsstrassen erstellen, welche das Strassenentwässerungssystem betreffen. In diesem Zusammenhang sind die Stadt Zürich und der Kanton Neuenburg daran interessiert, die Qualität des Katasters (Positionsgenauigkeit und Vollständigkeit) für sichtbare Objekte wie Schachteinstiege zu prüfen.
Das Projekt untersucht eine auf Street-View-Bildern basierende Lösung in Verbindung mit künstlicher Intelligenz. Ziel ist es, festzustellen, inwieweit es möglich ist, bestimmte Arten von Schächten automatisch auf den Bildern zu identifizieren und ihre Position im Gelände zu schätzen, um bestehende Verzeichnisse zu ergänzen oder zu vervollständigen.
Beide Pilotregionen verfügen über Street-View-Aufnahmen aus mobilen Kartierungskampagnen: 360°-Bilder und GPS-Daten.
Die Methodik wurde gemeinsam vom Institut für Raumplanung der HEIG-VD und dem STDL entwickelt.
Methodik
Das Projekt basiert auf der Analyse von Street-View-Bildern, die in zwei Pilotgebieten (Kanton Neuenburg und Stadt Zürich) gesammelt wurden. Diese Gebiete bestehen aus einer Vielzahl unterschiedlicher Kontexte, von ländlichen Regionen bis hin zu sehr dicht bebauten städtischen Umgebungen.
Die Bilder, die aus mobilen Kartierungskampagnen stammen, werden zunächst mit fortschrittlichen Objekterkennungsmodellen verarbeitet, die in der Lage sind, Schächte auf der Fahrbahn visuell zu erkennen. Sobald die Schächte in den Bildern identifiziert sind, wird ihre Position anhand der Geolokalisierungs- und Ausrichtungsinformationen der Kamera geschätzt. Durch die Kombination mehrerer Ansichten desselben Elements ist es möglich, dessen tatsächlichen Standort durch Reprojektion zu bestimmen.
Die ermittelten Positionen werden anschliessend mit den vorhandenen Bestandsaufnahmen verglichen, um die Genauigkeit des Verfahrens zu bewerten und eventuell fehlende oder falsch positionierte Schächte zu identifizieren. In dieser Phase kann auch die Robustheit der Methode unter verschiedenen Aufnahmebedingungen gemessen werden.
Ergebnisse
Die durchgeführten Tests zeigen, dass KI-Modelle die überwiegende Mehrheit der sichtbaren Blickrichtungen in den Bildern erkennen und dabei eine gute Zuverlässigkeit aufweisen. Wenn der Algorithmus mit den kombinierten Daten von Neuenburg und Zürich trainiert wird, erhalten wir einen F1-Score von 0,89 für Neuenburg und 0,86 für die Stadt Zürich. Die nach der Reprojektion erzielte Lokalisierung erreicht eine Präzision, die ausreicht, um in geographische Datenbanken integriert zu werden.
Einige Einschränkungen bleiben jedoch bestehen, insbesondere in Situationen, in denen Schächte teilweise verdeckt sind, nur schwer sichtbar sind oder mit anderen runden Elementen auf der Fahrbahn verwechselt werden. Trotz dieser Herausforderungen zeigt das Gesamtergebnis, dass die kombinierte Verwendung von Street-View-Bildern und künstlicher Intelligenz eine vielversprechende Lösung zur Verbesserung und Aktualisierung des Bestandsverzeichnisses der unterirdischen Infrastruktur darstellt.
Dokumentierte Ressourcen
Alle Arbeiten des STDL werden unter einer offenen Lizenz veröffentlicht und wir ermutigen Sie, diese in Ihren Projekten zu verwenden.
Inhaltsverzeichnis
Zurück zur Startseite von STDL
Swiss Territorial Data Lab
Das Swiss Territorial Data Lab (STDL) wurde im Jahr 2020 im Rahmen der Schweizer Geoinformationsstrategie (SGS) ins Leben gerufen und ist Teil des Aktionsfelds Nr. 5 «Innovationsförderung». Das Lab bietet öffentlichen Verwaltungen einen Raum zum Experimentieren, in dem sie neue Ansätze zur Bewältigung ihrer konkreten Herausforderungen testen können. Das STDL fördert die Zusammenarbeit zwischen Fachexperten und technischen Experten, um gemeinsam effiziente und geeignete Lösungen zu entwickeln.
Office fédéral de topographie swisstopo
Seftigenstrasse 264
3084 Wabern