KI-gestützte Qualitätskontrolle im Bau: Ausführung prüfen und Mängel früher erkennen
Der Deep Dive erläutert, wie KI auffällige Oberflächenstellen erkennt und weshalb ein Bildhinweis anschließend fachlich eingeordnet werden muss.
Deep Dive öffnenInnovation Scout · Quellenprofil
Betonrisse auf Fotos erkennen: Wie ein angepasstes KI-Modell Fehlmeldungen und übersehene Risse verringert
Wenhao Ren und Zuowei Zhong erweitern ein Bildmodell, damit es feine und unterschiedlich große Rissmerkmale besser zusammenführt. Der Vergleich erfolgt an beschrifteten Aufnahmen freiliegender Betonoberflächen.
Auf dieser Seite
Ein Bildmodell für unterschiedlich große Rissmerkmale anpassen
Ein feiner Riss kann auf einem Foto neben rauer Betontextur oder einem Schatten leicht untergehen. Wenhao Ren und Zuowei Zhong untersuchen deshalb, wie sich ein KI-Modell für die Erkennung solcher Stellen verbessern lässt. Ihr BCCD-YOLO genanntes Verfahren baut auf YOLOv8n auf, einem kompakten Modell, das gesuchte Objekte in Bildern findet und mit einem umschließenden Rechteck markiert.
Die Änderungen verbinden Bildmerkmale aus unterschiedlichen Größenstufen und gewichten, welche Merkmale und Bildbereiche für die Erkennung besonders wichtig sind. So sollen sowohl feine Einzelheiten als auch der größere Bildzusammenhang besser in die Entscheidung eingehen. Die Forschenden verwendeten 800 Aufnahmen freiliegender Betonoberflächen, unter anderem an Wänden, Decken und Stützen. Risse wurden von Hand gekennzeichnet; 80 Prozent der Bilder dienten dem Lernen, 20 Prozent der anschließenden Prüfung.
Zwei Kennzahlen zeigen unterschiedliche Fehler
Die Forschenden verglichen das angepasste Modell mit dem unveränderten YOLOv8n an denselben Prüfbildern. Eine Kennzahl beschreibt, wie viele der ausgegebenen Rissmeldungen richtig sind. Dieser als Precision bezeichnete Anteil stieg von 89,2 auf 92,5 Prozent. Die zweite Kennzahl, Recall, gibt an, wie viele der von Hand markierten Risse das Modell findet. Sie stieg von 83,8 auf 87,5 Prozent. Beide Werte helfen, den späteren Prüfaufwand einzuschätzen: Falsche Meldungen müssen aussortiert werden, übersehene Risse fehlen in der vorgeschlagenen Auswahl.
Eine solche Auswertung könnte Qualitätsteams bei der Sichtung vieler Betonaufnahmen unterstützen und auffällige Stellen für eine gezielte Prüfung markieren. Der Vergleich zeigt die Verbesserung am untersuchten Bildbestand. Für den Einsatz bei Nacht, stark wechselnden Blickwinkeln oder extremem Wetter sind weitere Untersuchungen nötig. Die markierten Bildstellen liefern einen Ausgangspunkt für die Fachprüfung am Bauteil; dort ist zu klären, welche Bedeutung der Riss hat und welche Untersuchung folgt.
Bibliografie
- Originaltitel
- Building construction crack detection with BCCD YOLO enhanced feature fusion and attention mechanisms
- Autoren
- Wenhao Ren und Zuowei Zhong
- Verantwortliche Einrichtung
- Inner Mongolia University of Technology, School of Civil Engineering (Autorenaffiliation)
- Quellenart
- Wissenschaftlicher Zeitschriftenartikel
- Veröffentlicht in/auf
- Scientific Reports, Band 15, Artikel 23167
- Herausgeber/Verlag
- Nature Publishing Group (Verlagsangabe der Publikationsmetadaten)
- Veröffentlichungsdatum
- 2. Juli 2025
- Originalzugang
- Original (öffnet in neuem Tab)
- Zugang
- Open Access
Weiterführendes in der Wissenswelt KI im Bau
Hier wird die Quelle verwendet
Deep Dives
Verknüpfte Fachbegriffe und Detailthemen
- Computer Vision
- Das KI-Modell wertet Fotos freiliegender Betonoberflächen aus und verbindet feine Rissmerkmale mit dem größeren Bildzusammenhang.
- Objekterkennung
- Erkannte Rissstellen werden in den Bildern mit umschließenden Rechtecken markiert.
- Modellvalidierung
- Das Ausgangsmodell und die veränderte Architektur werden an zurückgehaltenen, von Hand beschrifteten Bildern verglichen.