Aus der 3D- und der 2D-Geometrie eines Objekts lassen sich umfangreiche Informationen über dessen Gestalt oder Zustand gewinnen. Der Vergleich von Geometrie und Lage des Objekts über mehrere Messkampagnen hinweg gibt Aufschluss über die Dynamik der Veränderung über einen längeren Zeitraum: Sind beispielsweise die Pflastersteine einer Straße beschädigt, so senken sie sich langsam ab. Je nach Ausprägung der Absenkung sollte die Straße ausgebessert oder gar erneuert werden. Durch geschickte Auswertung geometrischer Daten wird dieser Art von Information bereitgestellt.
Zur Analyse der Messdaten verwenden wir sowohl angepasste Algorithmen als auch neuronale Netze zur Kantendetektion oder Soll-Ist-Vergleiche direkt im 3D-Modell. Verkehrsinfrastruktur wie z. B. Bahnstrecken kann so mitsamt ihren vielen Einzelobjekten – Masten, Bahnsteigen, Oberleitungen etc. – in regelmäßigen Abständen überprüft und hinsichtlich ihres Zustands automatisiert bewertet werden. Dadurch wird eine prädiktive Instandhaltung möglich.
Fusion von 2D- und 3D-Daten für die hochauflösende Rissdetektion
Im Rahmen von Bauwerksinspektionen müssen feine Strukturen wie z. B. Risse zuverlässig detektiert und vermessen werden. Zur Rissdetektion nutzen wir eine Kombination von 2D- und 3D Daten. Neuronale Netze bilden dabei die Basis für eine hochaufgelöste Schadenserkennung – auch in komplexen Umgebungen wie zum Beispiel an Brücken, Kanälen oder Schächten. Photogrammetrische und LiDAR-basierte Methoden helfen dabei, die genauen Abmaße und geometrische Veränderungen über lange Inspektionsintervalle in 3D zu bestimmen.
Weitere oberflächige Schadensklassen wie Abplatzungen, freiliegende Bewehrung oder reparierte Schadstellen können direkt auf Basis der Bilddaten miterkannt werden. Zur Detektion von Ablösungen und Abplatzungen setzen wir zusätzlich passive Thermographie ein.