KI-gestützte Baufortschrittsanalyse
Der Deep Dive beschreibt die Auswertung erfasster Baustellenzustände. Die Studie untersucht die vorher nötige Zuordnung von Scanpunkten zu Bauteilklassen.
Deep Dive öffnenInnovation Scout · Quellenprofil
Rohbauscans auswerten: KI lernt, Wände, Decken und Öffnungen zu erkennen
KI-Modelle lernen zunächst aus Innenraumdaten und werden mit Rohbauscans eines Wohnbauprojekts weitertrainiert. Ihre Bauteilerkennung könnte helfen, weitere Scans für die anschließende Prüfung durch Fachleute vorzubeschriften.
Auf dieser Seite
Messpunkte Wänden, Decken und Öffnungen zuordnen
Ein Laserscan bildet die Baustelle als Punktwolke ab: Millionen räumlicher Messpunkte beschreiben Oberflächen, tragen aber zunächst noch keine Bauteilnamen. Für die Bauwerksdokumentation müssen sie etwa Wänden, Decken oder Fensteröffnungen zugeordnet werden. Diese Aufgabe heißt semantische Segmentierung. Lukas Rauch und Thomas Braml untersuchen, wie KI sie vorbereiten kann, wenn nur wenige passend beschriftete Rohbauscans zum Lernen vorliegen.
Die Forschenden erfassten 36 Szenen eines mehrgeschossigen Wohnbauprojekts und ordneten die Messpunkte von Hand Bauteilklassen zu. Sie trainierten drei KI-Modelle mit einem Teil dieser Daten und prüften sie an weiteren Szenen aus demselben Projekt. Außerdem untersuchten sie Modelle, die aus allgemeinen Innenraumdaten gelernt hatten. Deren Wissen passte nur bedingt zum Rohbau: Raue Oberflächen und Messfehler unterscheiden sich von den Lernbeispielen. Auch gleiche Bauteilnamen können etwas anderes bezeichnen. Die Klasse „Tür“ steht im fertigen Innenraum für ein eingebautes Bauteil, im untersuchten Rohbau für die noch leere Öffnung.
Mit Rohbauszenen weiterlernen und neue Scans vorbeschriften
Die besten Ergebnisse lieferte die Kombination beider Datenquellen: erst aus umfangreichen Innenraumdaten lernen, dann mit beschrifteten Rohbauszenen weitertrainieren. Dieses Transferlernen verbesserte besonders die Erkennung kleinerer oder seltenerer Elemente wie Fensteröffnungen und technischer Installationen. Innerhalb des untersuchten Wohnbauprojekts brachte die Ergänzung von zwölf bis achtzehn Rohbauszenen bereits den größten Lerngewinn.
Als nächster praktischer Schritt bietet sich die Vorbeschriftung weiterer Scans an: Das Modell würde Bauteilzuordnungen vorschlagen, Fachleute würden sie prüfen und korrigieren. Das könnte die Herstellung weiterer Trainingsdaten erleichtern und Auswertungen für Bestandsmodelle oder Baufortschrittsanalysen vorbereiten. Wo Messpunkte fehlen oder Bauteilgrenzen unklar sind, bleibt die Prüfung besonders wichtig. Im untersuchten Treppenhaus erschwerten beispielsweise provisorische Geländer die Erkennung.
Bibliografie
- Originaltitel
- Limited-data transfer learning for semantic segmentation and pre-labeling of 3D shell construction LiDAR scans
- Autoren
- Lukas Rauch und Thomas Braml
- Verantwortliche Einrichtung
- Universität der Bundeswehr München, Institut für Konstruktiven Ingenieurbau
- Quellenart
- Wissenschaftlicher Zeitschriftenartikel
- Veröffentlicht in/auf
- Journal of Information Technology in Construction (ITcon), Band 31, Seiten 477–506
- Veröffentlichungsdatum
- April 2026
- Originalzugang
- Artikelseite (öffnet in neuem Tab) · PDF (öffnet in neuem Tab)
- Zugang
- Open Access
Weiterführendes in der Wissenswelt KI im Bau
Hier wird die Quelle verwendet
Deep Dives
Innovationsimpulse
KI-gestützte Baufortschritts- und Soll-Ist-Analyse
Die Erkennung von Bauteilen in Laserscans kann die Daten für Baufortschritts- und Soll-Ist-Analysen vorbereiten.
Impuls öffnenComputer Vision im Bau
Die Studie zeigt eine Aufgabe der Computer Vision im Bau: räumliche Messpunkte trotz Rohbauoberflächen und Scanfehlern Bauteilklassen zuordnen.
Impuls öffnenOrganisationen
Verantwortliche Organisationen
- Universität der Bundeswehr München: Rohbauszenen mit 3D-Lernverfahren erschließen
Verantwortliche Einrichtung
Lukas Rauch und Thomas Braml von der Universität der Bundeswehr München untersuchen die Bauteilerkennung in Rohbauscans bei knappen Trainingsdaten.
Verknüpfte Fachbegriffe und Detailthemen
- Semantische Segmentierung
- Die Modelle ordnen Messpunkte Bauteilklassen wie Wand, Decke oder Fensteröffnung zu.
- Punktwolke
- Die Studie verarbeitet räumliche Messpunkte aus Laserscans eines Wohnbauprojekts im Rohbau.
- Menschliche Mitwirkung im KI-Ablauf
- Bei einer anschließenden Vorbeschriftung würde die KI Zuordnungen vorschlagen, die Fachleute prüfen und korrigieren.
- Transferlernen
- Auf Innenraumdaten vortrainierte Modelle werden mit wenigen beschrifteten Rohbauscans an die Zielaufgabe angepasst.