INNOVATION SCOUT · IMPULSPROFIL

KI-gestützte Drohnen und mobile Inspektionssysteme

KI-gestützte Drohnen und mobile Inspektionssysteme verbinden bewegliche Sensoren mit lernender Wahrnehmung oder Auswertung. Sie liefern räumlich zugeordnete Hinweise, die Fachleute für die Prüfung von Baustellen und Bauwerken nutzen.

Um was geht es bei KI-gestützte Drohnen und mobile Inspektionssysteme?

Drohnen, Boden- und Kletterroboter können Sensoren an schwer zugängliche Stellen bringen. KI kann anschließend Auffälligkeiten erkennen und zur Prüfung vorlegen. Erst der nachvollziehbare Zusammenhang von Aufnahme, Ort, Datenstand und bestätigtem Befund macht die Ergebnisse für Planung oder Instandhaltung nutzbar.

Quelle 3: Coverage-path-planned autonomous UAV inspection for deep learning-based corrosion grading of steel railway bridges, Fundstelle(n): Methodology Quelle 4: Autonomous Construction-Site Safety Inspection Using Mobile Robots: A Multilayer VLM-LLM Pipeline, Fundstelle(n): System architecture Quelle 15: Evaluation of a UAS-based Bridge Inspection Framework with Automated Damage Candidate Suggestion and Human-in-the-loop Damage Assessment, Fundstelle(n): Methodology · 3D-Zuordnung und human revision Quelle 7: America Has 600,000 Bridges. Engineers Using AI Just Found a Better Way to Inspect Them., Fundstelle(n): Collins, Michael Baker, MnDOT und field validation Quelle 9: KI in der Kanalinspektion, Fundstelle(n): Aufnahme durch Personal und KI-Kodierung

Einordnung im Impulsradar

Mobile KI-Inspektion wird für abgegrenzte Aufgaben kommerziell eingesetzt. Ihr Nutzen hängt von vollständigen Aufnahmen, richtiger Objektzuordnung und fachlicher Nachprüfung ab. Autonome Navigation, automatische Erkennung und verantwortliche Zustandsbewertung haben unterschiedliche Einsatzgrenzen.

Quelle 7: America Has 600,000 Bridges. Engineers Using AI Just Found a Better Way to Inspect Them., Fundstelle(n): The Digital Twin as Foundation; AI Takes the Lead Quelle 15: Evaluation of a UAS-based Bridge Inspection Framework with Automated Damage Candidate Suggestion and Human-in-the-loop Damage Assessment, Fundstelle(n): S.193–195, Results/Discussion

Vom mobilen Bild zum geprüften Befund

Die Inspektionskette umfasst Missionsplanung, Lokalisierung, Aufnahme, Auswertung und Fachprüfung. Einzelne Schritte können automatisiert sein, während Menschen Ziele vorgeben, die Plattform bedienen oder Befunde bestätigen. Gleichzeitige Kartierung und Positionsbestimmung (SLAM), geometrische Routenplanung und räumliche Rekonstruktion aus Bildern (Photogrammetrie) sind dabei nicht automatisch lernende KI-Verfahren.

Aktuelle Arbeiten verbinden Bildmodelle mit räumlicher Zuordnung und teilweise mit Nachaufnahmen. Benannte Anwendungen zeigen die fachlich begleitete Nutzung an Brücken und Kanälen. Zugleich bleiben Fehlalarme, Anpassung an neue Bauwerke und die Erfassung übersehener Schäden zentrale Prüfaufgaben.

Quelle 7: America Has 600,000 Bridges. Engineers Using AI Just Found a Better Way to Inspect Them., Fundstelle(n): AI Takes the Lead Quelle 9: KI in der Kanalinspektion, Fundstelle(n): Pilotprojekt Quelle 15: Evaluation of a UAS-based Bridge Inspection Framework with Automated Damage Candidate Suggestion and Human-in-the-loop Damage Assessment, Fundstelle(n): S.193–195

Worauf es bei KI-gestützte Drohnen und mobile Inspektionssysteme fachlich ankommt

Mobile Aufnahme, Navigation und Auswertung verbinden

Studien-/Praxisbefund

Das Forschungssystem RustScan verbindet geometrische Flugplanung und Positionsbestimmung aus Satellitensignalen (GNSS), Kamerabildern und Bewegungssensoren (VIO) mit pilotüberwachter Durchführung und lernender Korrosionsklassifikation. Im mobilen Sicherheitsversuch von Naderi und Kollegen kommen dagegen SLAM-Navigation und Auswertung durch Bild-Sprach-Modelle (VLM) und große Sprachmodelle (LLM) zusammen; Menschen geben Ziele vor.

Quelle 3: Coverage-path-planned autonomous UAV inspection for deep learning-based corrosion grading of steel railway bridges, Fundstelle(n): Methodology: coverage planning, onboard inference, closed-loop re-inspection; Feldkampagne Chumphon Quelle 4: Autonomous Construction-Site Safety Inspection Using Mobile Robots: A Multilayer VLM-LLM Pipeline, Fundstelle(n): Abschnitte 4–7: hardware, navigation, experiments

Fachliche Einordnung

Flug- und Routenplanung führen den Sensor zu den vorgesehenen Beobachtungspunkten; die lernende Auswertung bearbeitet anschließend einen anderen Teil der Aufgabe. Menschen können die Bewegung überwachen, Ziele vorgeben oder Aufnahmen fernsteuern und die erzeugten Hinweise fachlich prüfen. Die Richtigkeit des Zustandsurteils muss unabhängig vom Automatisierungsgrad der Bewegung bewertet werden.

Schadensmasken benötigen passende Auswertung

Studien-/Praxisbefund

Cabral und Kollegen kombinieren das Segmentierungsmodell YOLO11x-seg, die Aufteilung in Bildkacheln mit SAHI und eine klassenabhängige Verfeinerung durch das Bildmodell SAM für Drohnenaufnahmen (UAV). Eine universelle SAM-Nachbearbeitung verbessert nicht jede Schadensklasse. Die 161 Validierungsbilder dienen zugleich dem Vergleich von Konfigurationen.

Quelle 1: A Hybrid YOLO and Segment Anything Model Pipeline for Multi-Damage Segmentation in UAV Inspection Imagery, Fundstelle(n): Abschnitte 2.2.2–2.2.3, Tabellen 2–5, Diskussion

Fachliche Einordnung

Die Studie stützt die gezielte Auswertung mobiler Bilder, nicht eine autonome Mission. Ohne klar ausgewiesenen unabhängigen abschließenden Test und getrennte Testbauwerke bleibt die Übertragbarkeit begrenzt. Ein komplexeres Verfahren ist nicht für jeden Schaden besser.

Quelle 1: A Hybrid YOLO and Segment Anything Model Pipeline for Multi-Damage Segmentation in UAV Inspection Imagery, Fundstelle(n): Abschnitte 2.2.2–2.2.3, Tabellen 2–5, Diskussion

Neue Bauwerke verändern die Bildbedingungen

Studien-/Praxisbefund

Ghosh Mondal und Kollegen untersuchen die Abgrenzung von Brückenbauteilen in Farbbildern (RGB) der Drohne Elios 2 an drei US-Stahlträgerbrücken. Die Anpassung an die Bildbedingungen des Zielbauwerks (Domänenanpassung) verwendet Histogramme und manuell gewählte Ausschnitte aus Zielbildern; untersucht werden zwei Übertragungsfälle.

Quelle 2: Class-wise histogram matching-based domain adaptation in deep learning-based bridge element segmentation, Fundstelle(n): Methodik HM-UDA, Dataset description, zwei Cross-domain case studies und Conclusions

Fachliche Einordnung

Das Ergebnis zeigt eine konkrete Anpassungsmöglichkeit. Es ist weder eine völlig unbeeinflusste Prüfung unbekannter Zielbauwerke noch ein Test der Schadenserkennung. Datenauswahl und manuelle Anpassung gehören zum Aufwand eines neuen Einsatzortes.

Nachaufnahmen bei Korrosionshinweisen

Studien-/Praxisbefund

Die RustScan-Kampagne an einem thailändischen Eisenbahnbrückenstandort umfasst 14 Flüge und 48 Elemente. Vorläufige an Bord ermittelte Befunde können Nachaufnahmen auslösen; die Endauswertung erfolgt am Boden. Berichtet werden 98,4 Prozent vorhergesagte Abdeckung und 79 Prozent Präzision ausgelöster Nachinspektionen.

Quelle 3: Coverage-path-planned autonomous UAV inspection for deep learning-based corrosion grading of steel railway bridges, Fundstelle(n): Methodology: coverage planning, onboard inference, closed-loop re-inspection; Feldkampagne Chumphon · Dataset construction, splitting strategy und Limitations · Field validation, flight logs und closed-loop limitations

Fachliche Einordnung

Diese Kennzahlen haben verschiedene Bezugsgrößen. Abdeckung ist keine vollständig erkannte Schadensmenge. Nicht ausgelöste Nachprüfungen wurden nicht vollständig referenziert, sodass übersehene Auslöser unbestimmt bleiben. Der bildgruppierte Test ist zudem nicht durchgängig bauwerksexklusiv; der Feldversuch belegt keinen kommerziellen Regelbetrieb.

Quelle 3: Coverage-path-planned autonomous UAV inspection for deep learning-based corrosion grading of steel railway bridges, Fundstelle(n): Methodology: coverage planning, onboard inference, closed-loop re-inspection; Feldkampagne Chumphon · Dataset construction, splitting strategy und Limitations · Field validation, flight logs und closed-loop limitations

Sprachmodelle können falsche Sicherheitsbefunde fortschreiben

Studien-/Praxisbefund

Naderi und Kollegen koppeln den mobilen Roboter Unitree Go2 Edu mit Farbbildern und Lasermessung (LiDAR), der Kartierungs- und Navigationssoftware RTAB-Map/Nav2 und einer VLM/LLM-Auswertung auf externer Rechenhardware. Drei inszenierte Laborszenarien enthalten 20 Gefahren. Ein Wasserbehälter wird als Farbe und seine Lage falsch interpretiert; daraus entsteht ein falscher Gefahrenbericht.

Quelle 4: Autonomous Construction-Site Safety Inspection Using Mobile Robots: A Multilayer VLM-LLM Pipeline, Fundstelle(n): Abschnitte 4–7: hardware, navigation, experiments · Abschnitt 7.1, Fehlbeispiel blue container/paint can; 7.3 Grenzen

Fachliche Einordnung

Die Integration zeigt einen möglichen Zugang zur mobilen Sicherheitsprüfung. Der beobachtete Fehler macht zugleich deutlich, warum ein plausibler Bericht fachlich geprüft werden muss. Laborszenarien und externe Auswertung belegen keine autonome Baustellenroutine.

Ein Feldversuch macht Nachbearbeitung sichtbar

Studien-/Praxisbefund

An der belgischen Merendreebrug verbinden Bartczak und Kollegen Aufnahmen der Drohne DJI Mavic 3 Enterprise mit ergänzenden Handbildern, der Rekonstruktionssoftware Metashape, dem Erkennungsmodell YOLOv8n und räumlicher Zuordnung. Die Arbeit nennt 28,6 Stunden photogrammetrische Verarbeitung und 4,25 Stunden Befundrevision. Aus 1.813 gruppierten Kandidaten werden dabei 66 weitergeführte Befundknoten, darunter zwei unsichere Fälle.

Fachliche Einordnung

Rechenzeit und fachliche Arbeitszeit sind getrennt zu bewerten. Die Reduktion zeigt erheblichen Prüfbedarf, liefert aber ohne vollständige Referenz keine Fehlalarmquote. Parameter wurden am untersuchten Bauwerk gewählt; ein aktueller konventioneller Prüfbericht fehlt als Vergleich. GNSS-Verlust und Bildverwechslungen begrenzen die Übertragung.

Kommerzielle Brückeninspektion mit Fachprüfung

Studien-/Praxisbefund

Der Softwareanbieter Bentley beschreibt für die Robert Street Bridge in St. Paul eine vom Verkehrsministerium Minnesotas (MnDOT) beauftragte Kette mit Collins Engineers und Michael Baker International: Drohnenbilder werden zum räumlichen Modell verarbeitet, KI liefert Schadenshinweise, Ingenieure prüfen am Bauwerk. Der Bericht erschien im März 2026 und beschreibt einen älteren Auftrag.

Quelle 7: America Has 600,000 Bridges. Engineers Using AI Just Found a Better Way to Inspect Them., Fundstelle(n): Abschnitte zum Robert Street Bridge, Collins Engineers/Michael Baker International und field inspection · Passagen zu onsite inspection time, estimated construction savings und sharing with potential contractors

Fachliche Einordnung

Die KI-Hinweise unterstützen die Ingenieure dabei, Auffälligkeiten im räumlichen Modell und am Bauwerk zu prüfen. Angaben zu verringerter Vor-Ort-Arbeit stammen aus dem beteiligten Projektumfeld. Erwartete Baukosten- und Materialeinsparungen sind Prognosen. Der im März 2026 veröffentlichte Bericht beschreibt einen älteren Auftrag; genaue Missionstermine fehlen.

Historischer Mehrbauwerksfall in Wien

Studien-/Praxisbefund

Der Anbieter STRUCINSPECT beschreibt für Bonaventura einen Auftrag auf der S2 bei Wien aus dem Jahr 2020 mit mobiler Erfassung, KI-Schadensauswertung und BIM-Modell. Für 2019 nennt der Text zwei erfasste Brücken; für fünf weitere werden KI-Auswertung und 3D-Modelle ausdrücklich genannt.

Quelle 8: Überbrückung der Kluft zwischen Datenerfassung und digitaler Inspektion, Fundstelle(n): Ein maßgeschneidertes STRUCINSPECT-Projekt; Innovation, die zu Ergebnissen führt

Fachliche Einordnung

Die Aufnahmen und Modelle sollen die digitale Inspektion mehrerer Brücken unterstützen. Für die 2019 erfassten Brücken ist dieselbe KI-Auswertung wie für die fünf weiteren nicht eindeutig beschrieben; konkrete Drohne und autonome Navigation bleiben ebenfalls offen. Die zeitliche Ausweitung einer identischen KI-Inspektionsfunktion lässt sich mit dieser historischen Darstellung nicht vollständig rekonstruieren.

Quelle 8: Überbrückung der Kluft zwischen Datenerfassung und digitaler Inspektion, Fundstelle(n): Ein maßgeschneidertes STRUCINSPECT-Projekt; Innovation, die zu Ergebnissen führt

Kamerawagen und nachgelagerte KI-Kodierung

Studien-/Praxisbefund

Die Wirtschaftsbetriebe Duisburg berichten einen Pilot über zehn Kilometer Kanal: Beschäftigte steuern den Kamerawagen, anschließend wertet der Anbieter Pallon die Videos aus. Genannt werden 94 Prozent Übereinstimmung mit geschultem Personal. Der Anbieter beschreibt Aufnahme, Upload, KI-Analyse und Ergebnisbereitstellung als getrennte Schritte.

Quelle 9: KI in der Kanalinspektion, Fundstelle(n): Projektbeschreibung, Pilotstrecke, Vergleich mit Fachpersonal Quelle 10: Workflow, Fundstelle(n): Workflow: inspection, upload, AI analysis, results

Fachliche Einordnung

Der Kamerawagen erschließt die Kanalstrecke, die nachgelagerte KI-Kodierung bereitet das Video für die weitere Fachprüfung auf. Die berichtete Übereinstimmung ist ohne vollständige Testdefinition keine Aussage darüber, welcher Anteil aller tatsächlichen Schäden erkannt wurde (Recall). Einsatzzeit und aktuelle Ausweitung bleiben wegen der undatierten Berichte offen. Fachkontrolle und Sanierungsentscheidung sind eigene Aufgaben.

Mobile Erfassung und Sensorintegration abgrenzen

Studien-/Praxisbefund

Der Anbieter Karelics beschreibt mit BauMotor eine mobile Deckenaufnahme in den Barbarossa Thermen Göppingen mit menschlicher Sichtung. Die kalifornische Verkehrsbehörde Caltrans nutzt laut Boston Dynamics einen bedienten Roboter Spot mit LiDAR und Kamera für Durchlass- und Hohlraumaufnahmen. Die Schweizer Fachhochschule SUPSI meldet einen ersten realen Brückenversuch eines Kletterroboters. Ein Schweizer Forschungsabstract beschreibt zusätzlich einen fliegenden Kontaktsensor für Korrosionsmessungen.

Quelle 5: Automated Bridge Inspection: Integrating UAVs, AI, and a Flying Robot for Corrosion Assessment, Fundstelle(n): Abstract, Author information, Acknowledgements Quelle 6: Infrastructure Safety: ARM Laboratory Robot Completes First Real-World Bridge Inspection, Fundstelle(n): Projektmeldung vom 20.08.2025, ARM/TALPA, Brückeninneres Quelle 11: Roof and ceiling Inspection, Fundstelle(n): Inspection Process und Reference Project Barbarossa Thermen/SWG Quelle 12: Spot Inspects Confined Spaces for Caltrans, Fundstelle(n): 3D Scanning in Motion; Problem Found in Minutes; Inspecting Bridge Cavities; Early Results Promising

Fachliche Einordnung

Die Plattformen ermöglichen Decken-, Durchlass-, Hohlraum- oder Kontaktaufnahmen an schwer zugänglichen Stellen. In den genannten Plattformfällen ist eine lernende Schadensdiagnose nicht ausreichend beschrieben. Zum fliegenden Kontaktsensor liegt die Grundlage ausschließlich im Originalabstract; der Funktionsumfang einer vollständigen KI-Inspektionskette ist damit nicht abgesichert.

Befunde mit Herkunft und Prüfstatus übergeben

Studien-/Praxisbefund

Die dokumentierten Ketten verbinden Aufnahmen mit räumlichen Modellen, Plattformen oder beziehungsorientierten Datenstrukturen im Format RDF. Im belgischen Feldversuch sind Modellverarbeitung und menschliche Revision getrennte Schritte; auch der kommerzielle Brückenfall enthält eine Vor-Ort-Bestätigung.

Quelle 15: Evaluation of a UAS-based Bridge Inspection Framework with Automated Damage Candidate Suggestion and Human-in-the-loop Damage Assessment, Fundstelle(n): S. 191–194, Methodology, Case study, Results; RDF graph in Fig. 4 · S. 193 Tabelle 3; S. 194 Results; S. 195 Discussion · 3D-Zuordnung und human revision Quelle 7: America Has 600,000 Bridges. Engineers Using AI Just Found a Better Way to Inspect Them., Fundstelle(n): Collins, Michael Baker, MnDOT und field validation Quelle 9: KI in der Kanalinspektion, Fundstelle(n): Aufnahme durch Personal und KI-Kodierung

Fachliche Einordnung

Für einen belastbaren Übergang in Planung und Betrieb müssen Objekt, Koordinate, Aufnahmezeit, Modellstand und Befundstatus zusammenbleiben. Zum Aufwand gehören Vorbereitung, Bedienung, Rekonstruktion, Modellanpassung, Nachprüfung und Integration. Eine schnelle Aufnahme allein belegt keine geringeren Gesamtkosten; vollständige Abläufe in einer gemeinsamen Datenumgebung (CDE) sowie Rechte- und Löschprozesse sind in den Fallberichten nicht durchgehend nachgewiesen.

Technische Funktion und zulässiger Betrieb getrennt prüfen

Studien-/Praxisbefund

Die Agentur der Europäischen Union für Flugsicherheit (EASA) beschreibt für die europäische specific category eine Betriebsautorisierung mit ausdrücklich genannten Ausnahmen, etwa bei abgedecktem Standardszenario oder entsprechenden LUC-Rechten. Die Entscheidung 2025/018/R aktualisiert den Risikobewertungsrahmen einschließlich SORA 2.5.

Quelle 13: Operational authorisation, Fundstelle(n): Operational authorisation, STS/LUC exceptions Quelle 14: ED Decision 2025/018/R, Fundstelle(n): Decision date und SORA 2.5

Fachliche Einordnung

Die Verantwortlichen müssen für die konkrete Mission klären, welcher Betriebsrahmen gilt und welche Autorisierung beziehungsweise Ausnahme einschlägig ist. Diese betriebliche Prüfung betrifft die Durchführung des Flugs. Die technische Erkennung und die anschließende fachliche Bauwerksbewertung haben eigene Prüfgegenstände.

Quelle 13: Operational authorisation, Fundstelle(n): Operational authorisation, STS/LUC exceptions Quelle 14: ED Decision 2025/018/R, Fundstelle(n): Decision date und SORA 2.5

Erkennen, Abdecken und Entscheiden getrennt bewerten

Studien-/Praxisbefund

Die untersuchten Arbeiten zeigen klassenspezifische Modellnachteile, Anpassungsbedarf an neue Bilder, fehlende Referenzen übersehener Auslöser und falsche semantische Gefahrenberichte. Wetter-, Funk-, Batterie- und thermische Bedingungen sind nicht über alle Systeme hinweg empirisch quantifiziert.

Quelle 1: A Hybrid YOLO and Segment Anything Model Pipeline for Multi-Damage Segmentation in UAV Inspection Imagery, Fundstelle(n): Abschnitte 2.2.2–2.2.3, Tabellen 2–5, Diskussion Quelle 2: Class-wise histogram matching-based domain adaptation in deep learning-based bridge element segmentation, Fundstelle(n): Methodik HM-UDA, Dataset description, zwei Cross-domain case studies und Conclusions Quelle 3: Coverage-path-planned autonomous UAV inspection for deep learning-based corrosion grading of steel railway bridges, Fundstelle(n): Dataset construction, splitting strategy und Limitations · Field validation, flight logs und closed-loop limitations Quelle 4: Autonomous Construction-Site Safety Inspection Using Mobile Robots: A Multilayer VLM-LLM Pipeline, Fundstelle(n): Abschnitt 7.1, Fehlbeispiel blue container/paint can; 7.3 Grenzen Quelle 15: Evaluation of a UAS-based Bridge Inspection Framework with Automated Damage Candidate Suggestion and Human-in-the-loop Damage Assessment, Fundstelle(n): S. 193 Tabelle 3; S. 194 Results; S. 195 Discussion

Fachliche Einordnung

Ein belastbarer Vergleich braucht getrennte Größen für Aufnahmeabdeckung, Ortsbezug, Schadensgüte und fachliche Entscheidung. Fehlende Aufnahmebereiche dürfen nicht aus der Bewertung verschwinden. Kennzahlen verschiedener Datensätze lassen sich nicht als Rangliste verwenden; Einsatzgrenzen müssen am konkreten System geprüft werden.

Inspektionsbefunde in Sanierungs- und Prüfplanung überführen

Studien-/Praxisbefund

Der Wiener Fall ordnet Inspektionsdaten einem BIM-Modell zu; der belgische Versuch verknüpft Schadenskandidaten räumlich. Der Bentley-Bericht nennt erwartete Folgevorteile für Sanierung und Materialeinsatz.

Quelle 8: Überbrückung der Kluft zwischen Datenerfassung und digitaler Inspektion, Fundstelle(n): BIM-Modell für Instandhaltungs-/Baumaßnahmen Quelle 15: Evaluation of a UAS-based Bridge Inspection Framework with Automated Damage Candidate Suggestion and Human-in-the-loop Damage Assessment, Fundstelle(n): RDF und damage nodes Quelle 7: America Has 600,000 Bridges. Engineers Using AI Just Found a Better Way to Inspect Them., Fundstelle(n): prognostizierte Materialeinsparung

Fachliche Einordnung

Räumlich zugeordnete und fachlich bestätigte Befunde unterstützen die Auswahl weiterer Untersuchungen und die Sanierungsplanung. Dafür müssen Bauteile, Schäden und Modellstand zusammenpassen. Für Fortschrittsvergleich, integriertes Baustellenmonitoring oder eine Ausfallprognose sind jeweils zusätzliche Daten und fachliche Schritte nötig. Erwartete Materialeinsparungen bleiben bis zu einer entsprechenden Bilanz Prognosen.

Quelle 8: Überbrückung der Kluft zwischen Datenerfassung und digitaler Inspektion, Fundstelle(n): BIM-Modell für Instandhaltungs-/Baumaßnahmen · BIM und Befundplattform · mobiler Scan, BIM, Inspektion Quelle 7: America Has 600,000 Bridges. Engineers Using AI Just Found a Better Way to Inspect Them., Fundstelle(n): Ingenieurprüfung und Rehabilitation · prognostizierte Materialeinsparung Quelle 9: KI in der Kanalinspektion, Fundstelle(n): Kanalinspektion Quelle 15: Evaluation of a UAS-based Bridge Inspection Framework with Automated Damage Candidate Suggestion and Human-in-the-loop Damage Assessment, Fundstelle(n): RDF und damage nodes Quelle 3: Coverage-path-planned autonomous UAV inspection for deep learning-based corrosion grading of steel railway bridges, Fundstelle(n): corrosion grades, limitations · Planung, Navigation und Korrosionshinweise Quelle 4: Autonomous Construction-Site Safety Inspection Using Mobile Robots: A Multilayer VLM-LLM Pipeline, Fundstelle(n): Baustellensicherheitsversuch

Warum KI-gestützte Drohnen und mobile Inspektionssysteme relevant ist

Reifegraderste Marktanwendung bis wachsender Praxiseinsatz

Die erste Marktanwendung ist für mobile Aufnahme mit KI-Schadenshinweisen und menschlicher Bestätigung konkret dokumentiert. Der historische Wiener Mehrbauwerksfall bildet die Grundlage der oberen Stufe; er dokumentiert die wiederholte und ausgeweitete Nutzung derselben KI-Funktion jedoch nicht vollständig. Die Spanne gilt für abgegrenzte Inspektionsketten und nicht pauschal für autonome Navigation, Laborroboter oder fachliche Freigaben.

Quelle 7: America Has 600,000 Bridges. Engineers Using AI Just Found a Better Way to Inspect Them., Fundstelle(n): Robert Street Bridge-Auftragsfall Quelle 8: Überbrückung der Kluft zwischen Datenerfassung und digitaler Inspektion, Fundstelle(n): Auftrag 2020 und zwei/fünf Brücken

Evidenzbelastbare Praxis- oder Forschungsbelege

Mehrere unabhängige Forschungsgruppen liefern prüfbare Befunde zu Erkennung, Integration, Anpassung und Fehlern. Der europäische Feldversuch legt auch Nachbearbeitungsaufwand offen. Diese Evidenz trägt ausdrücklich begrenzte Funktionsaussagen; sie ist kein allgemeiner Nachweis vollständiger Schadenserfassung, unabhängiger Übertragbarkeit oder wirtschaftlicher Überlegenheit.

Quelle 1: A Hybrid YOLO and Segment Anything Model Pipeline for Multi-Damage Segmentation in UAV Inspection Imagery, Fundstelle(n): Versuchstabellen und Grenzen Quelle 3: Coverage-path-planned autonomous UAV inspection for deep learning-based corrosion grading of steel railway bridges, Fundstelle(n): Split und Feldprüfung Quelle 15: Evaluation of a UAS-based Bridge Inspection Framework with Automated Damage Candidate Suggestion and Human-in-the-loop Damage Assessment, Fundstelle(n): Case study und Discussion

EntwicklungsdynamikAktive Weiterentwicklung

Aktuelle Arbeiten verbinden bessere Auswertung mit mobilen Inspektionsabläufen und Fachkontrolle.

Arbeiten von 2025 und 2026 untersuchen klassenabhängige Segmentierung, beaufsichtigte Korrosionsprüfung und die Kopplung mobiler Navigation mit Sprachmodellen. Unterschiedliche Forschungsgruppen bearbeiten konkrete Methoden- und Integrationsfragen. Die Weiterentwicklung betrifft diese einzelnen Funktionen; eine beschleunigte Entwicklungsrate ist nicht nachgewiesen.

Quelle 1: A Hybrid YOLO and Segment Anything Model Pipeline for Multi-Damage Segmentation in UAV Inspection Imagery, Fundstelle(n): Publikation 25.10.2025 und Methodenvergleich Quelle 3: Coverage-path-planned autonomous UAV inspection for deep learning-based corrosion grading of steel railway bridges, Fundstelle(n): Publikation 25.08.2026 und Systemintegration Quelle 4: Autonomous Construction-Site Safety Inspection Using Mobile Robots: A Multilayer VLM-LLM Pipeline, Fundstelle(n): v1 16.12.2025

MarktdynamikBegrenzte Marktbewegung

Benannte Inspektionsanwendungen sind berichtet; aktuelle Ausweitung bleibt unzureichend datiert.

Der kommerzielle Brückenfall und der kommunale Kanalpilot beschreiben punktuelle Nutzung mobiler KI-Auswertung. Genaue Einsatzzeiten und Wiederholungen sind teilweise offen. Der Wiener Mehrbauwerksfall betrifft Ereignisse von 2019/2020 und lässt die Ausweitung derselben KI-Funktion nicht vollständig erkennen. Eine aktuelle zeitlich nachvollziehbare Ausweitungsfolge ist deshalb nicht dokumentiert.

Quelle 7: America Has 600,000 Bridges. Engineers Using AI Just Found a Better Way to Inspect Them., Fundstelle(n): Anwendungsbericht 2026, älterer Auftrag Quelle 9: KI in der Kanalinspektion, Fundstelle(n): Nutzerpilot Quelle 8: Überbrückung der Kluft zwischen Datenerfassung und digitaler Inspektion, Fundstelle(n): Ereignisse 2019/2020

Für welche Bauprozesse KI-gestützte Drohnen und mobile Inspektionssysteme relevant ist

Strategie & Projektentwicklung

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Geprüfte Bestands- und Zustandsdaten können Standort- und Investitionsüberlegungen vorbereiten. Bauherren prüfen dafür, welche Bauwerksbereiche erfasst wurden, welche Befunde bestätigt sind und wo weitere Untersuchung nötig ist. Der Beitrag liegt in dieser Informationsgrundlage für spätere Entscheidungen.

Quelle 8: Überbrückung der Kluft zwischen Datenerfassung und digitaler Inspektion, Fundstelle(n): BIM-Modell für Instandhaltung und Baumaßnahmen

Planung & Design

Relevanz: 2 von 3 Punkten, Mittlere Relevanz

Räumlich zugeordnete Aufnahmen und bestätigte Befunde liefern Grundlagen für Bestands- und Instandsetzungsplanung. Planer müssen Maßhaltigkeit, Abdeckung und Datenstand prüfen. Eine Aufnahme allein ersetzt keine vollständige Planungsgrundlage.

Quelle 8: Überbrückung der Kluft zwischen Datenerfassung und digitaler Inspektion, Fundstelle(n): BIM-Modell Quelle 15: Evaluation of a UAS-based Bridge Inspection Framework with Automated Damage Candidate Suggestion and Human-in-the-loop Damage Assessment, Fundstelle(n): S.191–195

Ausschreibung & Vergabe

Relevanz: 0 von 3 Punkten, Keine unmittelbare Relevanz

Im Brückenfall ist die Weitergabe von Modellen an potenzielle Bieter als Folgeverwendung vorgesehen; eine tatsächlich ausgeführte KI-gestützte Vergabeunterstützung ist damit noch nicht belegt. Aus Inspektionsdaten allein folgt keine Bewertung von Angeboten.

Quelle 7: America Has 600,000 Bridges. Engineers Using AI Just Found a Better Way to Inspect Them., Fundstelle(n): Follow the money

Bauausführung & Baustellenmanagement

Relevanz: 3 von 3 Punkten, Hohe oder strategische Relevanz

Mobile Aufnahmen und KI-Hinweise können Qualitäts- und Sicherheitskontrollen unterstützen. Der fachliche Bezug zu diesen Kontrollaufgaben ist zentral. Der aktuelle mobile Sicherheitsversuch stammt aus dem Labor; er bestätigt keine umfassende Baustellenroutine. Bauleitung und Fachkräfte müssen Hinweise vor Maßnahmen prüfen.

Quelle 4: Autonomous Construction-Site Safety Inspection Using Mobile Robots: A Multilayer VLM-LLM Pipeline, Fundstelle(n): Abs.4–7

Betrieb & Instandhaltung

Relevanz: 3 von 3 Punkten, Hohe oder strategische Relevanz

Brücken- und Kanalinspektionen zeigen konkrete Aufgaben im Betrieb: Aufnahmen werden zu Schadenskandidaten und anschließend zu fachlich bestätigten Befunden. Betreiber und Prüfverantwortliche entscheiden über weitere Untersuchung und Wartung. Eine Ausfallprognose benötigt über die Zustandsaufnahme hinaus zusätzliche Daten und ein passendes Prognoseverfahren.

Quelle 7: America Has 600,000 Bridges. Engineers Using AI Just Found a Better Way to Inspect Them., Fundstelle(n): AI Takes the Lead Quelle 9: KI in der Kanalinspektion, Fundstelle(n): Pilotprojekt

Rückbau & Kreislaufwirtschaft

Relevanz: 2 von 3 Punkten, Mittlere Relevanz

Mobile Erkundung schwer zugänglicher Bereiche kann Rückbau vorbereiten. Der Caltrans-Fall liefert einen Erfassungsbezug, aber keine lernende Material- oder Schadstoffdiagnose. Für Rückbaubarkeit, Gefahrenstoffe und Wiederverwendung sind eigene Prüfungen nötig.

Quelle 12: Spot Inspects Confined Spaces for Caltrans, Fundstelle(n): Inspecting Bridge Cavities

Für wen KI-gestützte Drohnen und mobile Inspektionssysteme relevant ist

Bauherren und Auftraggeber

Bauherren können prüfbare Bestandsinformationen beauftragen und Untersuchungsbedarf priorisieren. Sie müssen relevante Flächen, Abdeckung und Fachstatus festlegen sowie Zusatzprüfungen einplanen. Die Maßnahmenentscheidung bleibt bei den zuständigen Verantwortlichen; ein automatisch erzeugter Hinweis ist noch kein abgenommener Befund.

Quelle 7: America Has 600,000 Bridges. Engineers Using AI Just Found a Better Way to Inspect Them., Fundstelle(n): MnDOT-Auftrag; AI Takes the Lead

Architektur-, Ingenieur- und Planungsbüros

Planungs- und Ingenieurbüros können räumlich zugeordnete Hinweise in Fachbefunde und Instandsetzungsplanung überführen. Dafür prüfen sie Referenzgeometrie, Bildmaßstab, Datenstand und Fehlalarme. Ergänzende Untersuchungen bleiben nötig, wenn Bilder die Materialeigenschaft oder Schadensursache nicht klären.

Quelle 15: Evaluation of a UAS-based Bridge Inspection Framework with Automated Damage Candidate Suggestion and Human-in-the-loop Damage Assessment, Fundstelle(n): S.193–195; Fachrevision

Bauunternehmen und Generalunternehmer

Bauunternehmen können Aufnahmezugang organisieren und Hinweise in bestehende Qualitäts- oder Sicherheitskontrollen einbinden. Betrieb, Bedienpersonal und Nachprüfung müssen abgestimmt werden. Die Übertragung des Laboransatzes in den Baustellenablauf benötigt eine Prüfung unter den örtlichen Bedingungen, einschließlich der fachlichen Behandlung falscher Hinweise.

Quelle 4: Autonomous Construction-Site Safety Inspection Using Mobile Robots: A Multilayer VLM-LLM Pipeline, Fundstelle(n): Abs.4–7

Betreiber, Facility- und Asset-Management

Betreiber können bestätigte Befunde mit Anlagenidentitäten verbinden und Prüf- oder Wartungsaufträge verfolgen. Wiederholbare Aufnahme und eindeutiger Prüfstatus sind dafür erforderlich. Die Kanalnutzung zeigt diesen unterstützenden Ablauf; Umfang und Qualität jeder Übergabe an das Bestandssystem sind separat zu prüfen.

Quelle 9: KI in der Kanalinspektion, Fundstelle(n): Pilotprojekt; Qualitätssicherung

Technologieanbieter und Systemintegratoren

Anbieter und Integratoren verbinden Sensorik, Navigation, Auswertung und Datenübergabe. Ihr Beitrag liegt in nachvollziehbaren Objekt-IDs, Modellständen, Schnittstellen und Fehlerbehandlung. Die Verantwortung umfasst auch unvollständige Aufnahmen und falsch zugeordnete Hinweise, nicht nur ein funktionierendes Modell.

Quelle 15: Evaluation of a UAS-based Bridge Inspection Framework with Automated Damage Candidate Suggestion and Human-in-the-loop Damage Assessment, Fundstelle(n): S.191–194; RDF-Zuordnung

Öffentliche Hand, Kommunen und Vergabestellen

Öffentliche Auftraggeber und kommunale Betreiber können Inspektionsleistungen genauer spezifizieren und Zustandsentscheidungen nachvollziehbar dokumentieren. Fachprüfung, Zugangsrechte und Abnahmeumfang müssen geklärt sein. Im Auftrag muss erkennbar sein, welche Aufnahme-, Auswerte- und Prüfschritte geliefert und wie deren Ergebnisse abgenommen werden.

Quelle 9: KI in der Kanalinspektion, Fundstelle(n): Projektbeschreibung Quelle 7: America Has 600,000 Bridges. Engineers Using AI Just Found a Better Way to Inspect Them., Fundstelle(n): MnDOT-Auftrag

Mit welchen Technologie- und Anwendungsfeldern KI-gestützte Drohnen und mobile Inspektionssysteme verknüpft ist

Hauptbezug

Robotik, Automatisierung & Physical AI

Bewegliche Sensorplattformen und automatisierte Aufnahme oder Navigation begründen den mobilen Zuschnitt. Die betrachteten Ketten kombinieren physische Bewegung mit lernender Auswertung. Der Autonomiegrad bleibt je Komponente zu benennen; Robotik allein weist noch keine KI-Diagnose nach.

Verknüpftes Feld

BIM & Digitaler Zwilling

Räumliche Modelle verorten Bilder und Befunde am Bauwerk. BIM- und Modellbezüge sind in konkreten Inspektionsfällen dokumentiert. Geometrie, Semantik und Aktualisierung müssen jedoch getrennt geprüft werden; nicht jede Punktwolke ist ein digitaler Zwilling.

Verknüpftes Feld

Datenplattformen & KI-Infrastruktur

Bild- und Sensordaten, räumliche Referenz und Befundstatus benötigen gemeinsame Identitäten und nachvollziehbare Versionen. Die Plattform- und RDF-Beispiele zeigen Integrationswege. Für die Übergabe an CDE oder Asset-Management muss feststehen, wie diese Identitäten, Versionen und Prüfstände im Zielsystem weitergeführt werden.

Quelle 15: Evaluation of a UAS-based Bridge Inspection Framework with Automated Damage Candidate Suggestion and Human-in-the-loop Damage Assessment, Fundstelle(n): Fig.4; RDF-Zuordnung Quelle 7: America Has 600,000 Bridges. Engineers Using AI Just Found a Better Way to Inspect Them., Fundstelle(n): AI Takes the Lead

Verknüpftes Feld

Predictive Analytics & Entscheidungen

Zustands- und Risikohinweise unterstützen die Auswahl weiterer Untersuchungen und die Priorisierung von Maßnahmen. Fachleute bestätigen und interpretieren sie. Die Hinweise bestimmen zunächst den weiteren Prüfbedarf. Restlebensdauer und Tragfähigkeit verlangen zusätzliche Untersuchungen und die zuständige fachliche Bewertung.

Quelle 3: Coverage-path-planned autonomous UAV inspection for deep learning-based corrosion grading of steel railway bridges, Fundstelle(n): Corrosion grades; Limitations Quelle 7: America Has 600,000 Bridges. Engineers Using AI Just Found a Better Way to Inspect Them., Fundstelle(n): Fachprüfung; Rehabilitation

Verknüpfte Fachbegriffe und Detailthemen

Autonome Drohne: Autonome Drohnenfunktionen übernehmen abgegrenzte Schritte der Flug- und Aufnahmeaufgabe innerhalb einer geplanten Inspektionsmission.
Computer Vision: Computer Vision wertet Inspektionsaufnahmen aus und markiert sichtbare Merkmale für die anschließende Fachprüfung.
Defekterkennung: Die Defekterkennung grenzt mögliche Schäden in den Aufnahmen ein und bereitet sie als prüfbare Inspektionshinweise auf.
Drohne: Drohnen bringen Aufnahmegeräte an geeignete Beobachtungspunkte für die Inspektion von Baustellen und Bauwerken.
LiDAR: LiDAR liefert räumliche Messdaten für Navigation und geometrische Erfassung während einer mobilen Inspektion.
Mobiler Roboter: Bodengebundene mobile Roboter tragen Sensoren durch Bauwerke und liefern wiederholbare Beobachtungen für die Inspektion.
Pfadplanung: Die Pfadplanung legt geeignete Wege und Beobachtungspunkte für die Aufnahmeaufgabe der mobilen Inspektionsplattform fest.
Photogrammetrie: Photogrammetrie gewinnt räumliche Informationen aus Inspektionsbildern und unterstützt die geometrische Dokumentation des Bauwerks.
Simultaneous Localization and Mapping (SLAM): SLAM unterstützt die Lokalisierung der mobilen Plattform und die räumliche Zuordnung ihrer Inspektionsaufnahmen.
Thermografie: Thermografie ergänzt sichtbare Aufnahmen um Temperaturinformationen für die fachliche Untersuchung eines Bauteils oder einer Anlage.

Quellen und Evidenz zu KI-gestützte Drohnen und mobile Inspektionssysteme

Die Quellenangaben dokumentieren die fachliche Grundlage des Impulsprofils. Öffnen Sie bei Bedarf die Verwendung im Profil, um zu den belegten Textstellen zurückzukehren.

Quelle 1
A Hybrid YOLO and Segment Anything Model Pipeline for Multi-Damage Segmentation in UAV Inspection Imagery
Herausgeber
Rafael Cabral, Ricardo Santos, José A. F. O. Correia, Diogo Ribeiro; Sensors 25(21), 6568
Publiziert
25.10.2025
Quellentyp
Originaler Forschungsbeitrag
Geltungsbereich
Grundlage ist die Originalverlagsfassung über ResearchGate. Nachvollziehbare Modellvergleiche, privater UAV-Datensatz und begrenzte unabhängige Testabsicherung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (6 Textstellen)
- Abschnitte 2.2.2–2.2.3, Tabellen 2–5, DiskussionTextstelle 8 Textstelle 9 Textstelle 30 Textstelle 31
- Versuchstabellen und GrenzenTextstelle 35
- Publikation 25.10.2025 und MethodenvergleichTextstelle 36
Quelle 2
Class-wise histogram matching-based domain adaptation in deep learning-based bridge element segmentation
Herausgeber
Tarutal Ghosh Mondal, Zhenhua Shi, Haibin Zhang, Genda Chen; Journal of Civil Structural Health Monitoring 15, 1973–1989
Publiziert
03.05.2025
Quellentyp
Originaler Forschungsbeitrag
Geltungsbereich
Originalvolltext zur expliziten Domänenanpassung für Bauteilsegmentierung; keine unabhängige Defekt- oder Wirtschaftlichkeitsstudie.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (4 Textstellen)
- Methodik HM-UDA, Dataset description, zwei Cross-domain case studies und ConclusionsTextstelle 10 Textstelle 11 Textstelle 30 Textstelle 31
Quelle 3
Coverage-path-planned autonomous UAV inspection for deep learning-based corrosion grading of steel railway bridges
Herausgeber
Wiwat Rintrawong, Pobporn Danvirutai, Chavis Srichan, Korb Srinavin; Scientific Reports 16, 29279
Publiziert
25.08.2026
Quellentyp
Originaler Forschungsbeitrag
Geltungsbereich
Original-PDF mit Methoden, Tabellen und Grenzen. Ein Feldstandort, nicht bauwerksexklusiver Gesamtsplit und fehlende vollständige Referenz nicht ausgelöster Nachinspektionen begrenzen die Sicherheitsaussage. Die HTML-Seite bezeichnet eine frühe akzeptierte Fassung; ein darüber hinausgehendes Versionsdatum des PDF ist unbekannt.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (14 Textstellen)
- MethodologyTextstelle 1 Textstelle 2 Textstelle 4 Textstelle 50
- Methodology: coverage planning, onboard inference, closed-loop re-inspection; Feldkampagne ChumphonTextstelle 6 Textstelle 7 Textstelle 12 Textstelle 13
- Dataset construction, splitting strategy und LimitationsTextstelle 12 Textstelle 13 Textstelle 30 Textstelle 31
- Field validation, flight logs und closed-loop limitationsTextstelle 12 Textstelle 13 Textstelle 30 Textstelle 31
- corrosion grades, limitationsTextstelle 33
- Planung, Navigation und KorrosionshinweiseTextstelle 33
- Split und FeldprüfungTextstelle 35
- Publikation 25.08.2026 und SystemintegrationTextstelle 36
- Corrosion grades; LimitationsTextstelle 53
Quelle 4
Autonomous Construction-Site Safety Inspection Using Mobile Robots: A Multilayer VLM-LLM Pipeline
Herausgeber
Hossein Naderi, Alireza Shojaei, Philip Agee, Kereshmeh Afsari, Abiola Akanmu; arXiv
Publiziert
16.12.2025
Quellentyp
Originaler Forschungsbeitrag
Geltungsbereich
Grundlage sind arXiv-v1-Metadaten und Autorenmanuskript über ResearchGate. Preprint mit drei inszenierten Laborszenarien, kein Baustellenregelbetrieb.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (14 Textstellen)
- System architectureTextstelle 1 Textstelle 2 Textstelle 4 Textstelle 50
- Abschnitte 4–7: hardware, navigation, experimentsTextstelle 6 Textstelle 7 Textstelle 14 Textstelle 15
- Abschnitt 7.1, Fehlbeispiel blue container/paint can; 7.3 GrenzenTextstelle 14 Textstelle 15 Textstelle 30 Textstelle 31
- BaustellensicherheitsversuchTextstelle 33
- v1 16.12.2025Textstelle 36
- Abs.4–7Textstelle 41 Textstelle 46
Quelle 5
Automated Bridge Inspection: Integrating UAVs, AI, and a Flying Robot for Corrosion Assessment
Herausgeber
Patrick Pfändler, Amir Rezaie, Ueli Angst; RILEM Bookseries 66, 18–27, Springer
Publiziert
02.01.2026
Quellentyp
Forschungsabstract
Geltungsbereich
Grundlage sind ausschließlich Originalabstract, bibliografische Angaben und Danksagung. SwissInspect-Mitautor und ASTRA-Unterstützung; keine vollständige Methodenbasis oder unabhängiger Leistungsnachweis.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Abstract, Author information, AcknowledgementsTextstelle 24 Textstelle 25
Quelle 6
Infrastructure Safety: ARM Laboratory Robot Completes First Real-World Bridge Inspection
Herausgeber
SUPSI
Publiziert
20.08.2025
Quellentyp
Forschungsprojektmeldung
Geltungsbereich
Originalprojektmeldung über ersten Feldversuch; keine offen dokumentierte lernende Diagnose oder unabhängige Güteprüfung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Projektmeldung vom 20.08.2025, ARM/TALPA, BrückeninneresTextstelle 24 Textstelle 25
Quelle 7
America Has 600,000 Bridges. Engineers Using AI Just Found a Better Way to Inspect Them.
Herausgeber
Oana Crisan; Bentley Systems
Publiziert
25.03.2026
Quellentyp
Anbieterfall oder Produktbeschreibung
Geltungsbereich
Original-Anbieterbericht mit benannten Anwendern Collins Engineers/Michael Baker International und Auftraggeber MnDOT; wirtschaftliche Angaben nicht unabhängig validiert. Ereignis älter als Meldedatum, genaue Missionstermine fehlen.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (17 Textstellen)
- Collins, Michael Baker, MnDOT und field validationTextstelle 2 Textstelle 26 Textstelle 27
- The Digital Twin as Foundation; AI Takes the LeadTextstelle 3
- AI Takes the LeadTextstelle 5 Textstelle 42 Textstelle 52
- Abschnitte zum Robert Street Bridge, Collins Engineers/Michael Baker International und field inspectionTextstelle 18 Textstelle 19
- Passagen zu onsite inspection time, estimated construction savings und sharing with potential contractorsTextstelle 18 Textstelle 19
- prognostizierte MaterialeinsparungTextstelle 32 Textstelle 33
- Ingenieurprüfung und RehabilitationTextstelle 33
- Robert Street Bridge-AuftragsfallTextstelle 34
- Anwendungsbericht 2026, älterer AuftragTextstelle 37
- Follow the moneyTextstelle 40
- MnDOT-Auftrag; AI Takes the LeadTextstelle 44
- MnDOT-AuftragTextstelle 49
- Fachprüfung; RehabilitationTextstelle 53
Quelle 8
Überbrückung der Kluft zwischen Datenerfassung und digitaler Inspektion
Herausgeber
STRUCINSPECT
Publiziert
undatiert
Quellentyp
Anbieterfall oder Produktbeschreibung
Geltungsbereich
Undatierter Original-Anbieterbericht über Ereignisse 2019/2020. Unterschiedlicher Funktionsumfang der zwei früher erfassten und fünf weiteren Brücken; Anbieter und JV-Partner VCE sind keine unabhängigen Bestätigungen.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (9 Textstellen)
- Ein maßgeschneidertes STRUCINSPECT-Projekt; Innovation, die zu Ergebnissen führtTextstelle 20 Textstelle 21
- BIM-Modell für Instandhaltungs-/BaumaßnahmenTextstelle 32 Textstelle 33
- BIM und BefundplattformTextstelle 33
- mobiler Scan, BIM, InspektionTextstelle 33
- Auftrag 2020 und zwei/fünf BrückenTextstelle 34
- Ereignisse 2019/2020Textstelle 37
- BIM-Modell für Instandhaltung und BaumaßnahmenTextstelle 38
- BIM-ModellTextstelle 39 Textstelle 51
Quelle 9
KI in der Kanalinspektion
Herausgeber
Wirtschaftsbetriebe Duisburg
Publiziert
undatiert
Quellentyp
Behörden- oder Anwenderquelle
Geltungsbereich
Original-Nutzerbericht eines kommunalen Betriebs, undatiert. Begrenzter Pilot, Vergleichsmetrik ohne vollständig offengelegte Testdefinition.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (11 Textstellen)
- Aufnahme durch Personal und KI-KodierungTextstelle 2 Textstelle 26 Textstelle 27
- PilotprojektTextstelle 5 Textstelle 42
- Projektbeschreibung, Pilotstrecke, Vergleich mit FachpersonalTextstelle 22 Textstelle 23
- KanalinspektionTextstelle 33
- NutzerpilotTextstelle 37
- Pilotprojekt; QualitätssicherungTextstelle 47
- ProjektbeschreibungTextstelle 49
Quelle 10
Workflow
Herausgeber
Pallon
Publiziert
undatiert
Quellentyp
Anbieterfall oder Produktbeschreibung
Geltungsbereich
Originalproduktbeschreibung zu angebotenen Verarbeitungsschritten, ohne Nutzungsumfang oder Effektmessung. Derselbe Pallon-Produktzusammenhang wie beim Duisburger Pilot.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Workflow: inspection, upload, AI analysis, resultsTextstelle 22 Textstelle 23
Quelle 11
Roof and ceiling Inspection
Herausgeber
Karelics
Publiziert
undatiert
Quellentyp
Anbieterfall oder Produktbeschreibung
Geltungsbereich
Original-Anbieterfall mit BauMotor und Barbarossa Thermen Göppingen/SWG. Automatisierte Erfassung; konkrete lernende Schadenserkennung und Softwareversion nicht nachgewiesen.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Inspection Process und Reference Project Barbarossa Thermen/SWGTextstelle 24 Textstelle 25
Quelle 12
Spot Inspects Confined Spaces for Caltrans
Herausgeber
Boston Dynamics
Publiziert
undatiert
Quellentyp
Anbieterfall oder Produktbeschreibung
Geltungsbereich
Originalfall nennt 2025-Ereignis und verantwortliche Caltrans-Mitarbeiter; manuell gesteuerte Erfassung, keine dokumentierte lernende Befundauswertung. Nutzen ist Nutzerschätzung im Anbieterkanal.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- 3D Scanning in Motion; Problem Found in Minutes; Inspecting Bridge Cavities; Early Results PromisingTextstelle 24 Textstelle 25
- Inspecting Bridge CavitiesTextstelle 43
Quelle 13
Operational authorisation
Herausgeber
European Union Aviation Safety Agency (EASA)
Publiziert
undatiert
Quellentyp
Behörden- oder Anwenderquelle
Geltungsbereich
Originalbehördeninformation zum allgemeinen Rahmen der specific category, keine Einzelfallfreigabe.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Operational authorisation, STS/LUC exceptionsTextstelle 28 Textstelle 29
Quelle 14
ED Decision 2025/018/R
Herausgeber
European Union Aviation Safety Agency (EASA)
Publiziert
29.09.2025
Quellentyp
Behörden- oder Anwenderquelle
Geltungsbereich
Originalentscheidung zu AMC/GM und SORA 2.5; datierte Rahmenentwicklung, kein Beleg für Einsatz oder Marktverbreitung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Decision date und SORA 2.5Textstelle 28 Textstelle 29
Quelle 15
Evaluation of a UAS-based Bridge Inspection Framework with Automated Damage Candidate Suggestion and Human-in-the-loop Damage Assessment
Herausgeber
Erkki T. Bartczak, Maarten Bassier, Maarten Vergauwen; ISPRS Archives XLVIII-G-2025, 189–196
Publiziert
28.07.2025
Quellentyp
Originaler Forschungsbeitrag
Geltungsbereich
Original-PDF eines begutachteten Konferenzbeitrags: ein reales belgisches Bauwerk, eigener Parametertest und Fachsichtung, kein Vergleich mit aktuellem konventionellem Prüfbericht.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (19 Textstellen)
- MethodologyTextstelle 1 Textstelle 2 Textstelle 4
- 3D-Zuordnung und human revisionTextstelle 2 Textstelle 26 Textstelle 27
- S.193–195, Results/DiscussionTextstelle 3
- S.193–195Textstelle 5
- S. 191–194, Methodology, Case study, Results; RDF graph in Fig. 4Textstelle 16 Textstelle 17 Textstelle 26 Textstelle 27
- S. 193 Tabelle 3; S. 194 Results; S. 195 DiscussionTextstelle 16 Textstelle 17 Textstelle 26 Textstelle 27 Textstelle 30 Textstelle 31
- RDF und damage nodesTextstelle 32 Textstelle 33
- Case study und DiscussionTextstelle 35
- S.191–195Textstelle 39
- S.193–195; FachrevisionTextstelle 45
- S.191–194; RDF-ZuordnungTextstelle 48
- S.191–194Textstelle 51
- Fig.4; RDF-ZuordnungTextstelle 52

Alle Impulse im Radar entdecken

KI-gestützte Drohnen und mobile Inspektionssysteme

Um was geht es bei KI-gestützte Drohnen und mobile Inspektionssysteme?

Einordnung im Impulsradar

Vom mobilen Bild zum geprüften Befund

Worauf es bei KI-gestützte Drohnen und mobile Inspektionssysteme fachlich ankommt

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Warum KI-gestützte Drohnen und mobile Inspektionssysteme relevant ist

Für welche Bauprozesse KI-gestützte Drohnen und mobile Inspektionssysteme relevant ist

Strategie & Projektentwicklung

Planung & Design

Ausschreibung & Vergabe

Bauausführung & Baustellenmanagement

Betrieb & Instandhaltung

Rückbau & Kreislaufwirtschaft

Für wen KI-gestützte Drohnen und mobile Inspektionssysteme relevant ist

Bauherren und Auftraggeber

Architektur-, Ingenieur- und Planungsbüros

Bauunternehmen und Generalunternehmer

Betreiber, Facility- und Asset-Management

Technologieanbieter und Systemintegratoren

Öffentliche Hand, Kommunen und Vergabestellen

Mit welchen Technologie- und Anwendungsfeldern KI-gestützte Drohnen und mobile Inspektionssysteme verknüpft ist

Robotik, Automatisierung & Physical AI

BIM & Digitaler Zwilling

Datenplattformen & KI-Infrastruktur

Predictive Analytics & Entscheidungen

Verknüpfte Fachbegriffe und Detailthemen

Verwandte Innovationsimpulse zu KI-gestützte Drohnen und mobile Inspektionssysteme

Quellen und Evidenz zu KI-gestützte Drohnen und mobile Inspektionssysteme

A Hybrid YOLO and Segment Anything Model Pipeline for Multi-Damage Segmentation in UAV Inspection Imagery

Class-wise histogram matching-based domain adaptation in deep learning-based bridge element segmentation

Coverage-path-planned autonomous UAV inspection for deep learning-based corrosion grading of steel railway bridges

Autonomous Construction-Site Safety Inspection Using Mobile Robots: A Multilayer VLM-LLM Pipeline

Automated Bridge Inspection: Integrating UAVs, AI, and a Flying Robot for Corrosion Assessment

Infrastructure Safety: ARM Laboratory Robot Completes First Real-World Bridge Inspection

America Has 600,000 Bridges. Engineers Using AI Just Found a Better Way to Inspect Them.

Überbrückung der Kluft zwischen Datenerfassung und digitaler Inspektion

KI in der Kanalinspektion

Workflow

Roof and ceiling Inspection

Spot Inspects Confined Spaces for Caltrans

Operational authorisation

ED Decision 2025/018/R

Evaluation of a UAS-based Bridge Inspection Framework with Automated Damage Candidate Suggestion and Human-in-the-loop Damage Assessment

Passende Deep Dives