Machine Learning zur Verbesserung der Straßeninstandhaltung

Es gibt eine neue Möglichkeit, nach Schlaglöchern auf Straßen zu suchen. Dabei handelt es sich aber nicht um eine bessere Brille oder den Einsatz teurer Reparaturteams. Vielmehr hat die Stadt Memphis festgestellt, dass an Bussen montierte Kameras sowie Machine Learning diese Aufgabe übernehmen können.

Einen Überblick über marode Straßen zu behalten, wenn kein zusätzliches Personal dafür eingesetzt werden kann, ist ein endloser Kreislauf, bei dem lediglich Löcher ausgebessert werden und sich das Problem durch den zunehmenden Verkehr nur noch verschlimmert.

Unser Partner SpringML arbeitete mit der Stadt Memphis zusammen, um dieses Problem anzugehen. Im Rahmen dieser Kooperation wurden 63.000 Schlaglöcher in einem Jahr repariert – eine massive Verbesserung der Erkennung von Schlaglöchern im Vergleich zu vorherigen manuellen Bemühungen.

Fortschritte bei der Analyse und im Machine Learning ermöglichen es den Behörden, nicht nur die Straßen schneller zu reparieren, sondern auch zu verhindern, dass Schäden überhaupt erst entstehen.

Machine Learning zur Straßeninstandhaltung

Memphis musste mit einem Problem kämpfen, dem sich viele Städte stellen müssen: die kontinuierliche Verschlechterung asphaltierter Straßen und die Bildung von Schlaglöchern aufgrund der Abnutzung und Witterung. Diese Löcher in den Straßen sind nicht nur beim Fahren frustrierend, sondern verlangsamen auch den Verkehr, was zu Verzögerungen für Pendlerinnen und Pendler und den Nahverkehr führt. Außerdem verursachen sie einen höheren Verschleiß der Fahrzeuge. Sie sind also wirklich ein Ärgernis.

Schlaglöcher sind unvermeidbar. Daher besteht für Memphis und andere Städte die Herausforderung darin, die Situation bestmöglich zu meistern und Ressourcen für Reparaturen am sinnvollsten einzusetzen. Aufgrund begrenzter Hardware und begrenztem Personal kann nicht jede Meldung von Bürgerinnen und Bürgern abgearbeitet werden. Außerdem geben diese Meldungen nicht immer ein vollständiges Bild des Problems wieder.

Hier kommt SpringML ins Spiel. Das Unternehmen schließt sich mit Kundinnen und Kunden aus dem öffentlichen Sektor zusammen, um Probleme mithilfe von Technologie kreativ zu lösen. Als sich das SpringML-Team zusammen mit der Stadt Memphis auf die Suche machte, ermittelten sie zuerst, auf welche Arten von Daten sie Zugriff bekommen konnten. Die Lösung: Buskameras!

„Suchen Sie nach Daten, die bereits vorliegen und die Entscheidungsfindung unterstützen können, ehe Sie losziehen und versuchen, neue Datasets zu erwerben.“, so Eric Clark, AI Practice bei SpringML.

Die Linienbusse in Memphis sind alle mit Frontkameras ausgestattet, mit denen während der Fahrten Daten – meist zu Verkehrszwecken – gesammelt werden. Mit jedem Bus in der Stadt wurden demnach jeden Tag die Straßen überwacht!

Das Team hatte sofort einen wahren Datenschatz zur Verfügung: Für jede vom Nahverkehrssystem bediente Straße wurden täglich Daten erfasst. Die Busstrecken sind gut definiert und jeder Bus ist mit GPS ausgestattet, sodass die Videos mit genauen Standorten in Verbindung gebracht werden konnten. Das Team machte sich also an die Arbeit.

Am Ende eines Tages riefen sie Videos von allen Bussen ab und luden diese in einen lokalen Speicher hoch – ein eher manueller Prozess.

Mithilfe eines Skripts wurden nachts neue Dateien im Videoverzeichnis ermittelt. Die neuen Videos wurden dann in Google Cloud Storage hochgeladen, um mit der Verarbeitung zu beginnen.

Von dort aus konnte mit der Google Cloud Video Intelligence API die Arbeit aufgenommen und mit ihrem Erkennungsmodell in den neuen Videos nach möglichen Bildern von Schlaglöchern gesucht werden. Für das erste KI-Modell zur Erkennung von Schlaglöchern nutzte das SpringML-Team vorhandene Bilder und wählte Schlaglöcher manuell aus. Ebenfalls nutzte das Team Daten aus höherwertigen Kameras, um die Erkennung und Genauigkeit des Modells zu verbessern. Um das Modell im Laufe der Zeit zu präzisieren, wurden weiterhin neue Daten von den Busstrecken eingespeist.

Die erkannten Anwendungsfälle wurden im Videoformat an BigQuery gesendet, wo die Bilder, Annotationen, Datei-Metadaten, Standorte und Bewertungen aufbewahrt wurden und problemlos sortiert oder abgefragt werden konnten.

In der kundenspezifischen Webanwendung wurden den Mitarbeiterinnen und Mitarbeitern des öffentlichen Bauwesens mögliche Schlaglöcher angezeigt. Die Mitarbeitenden konnten das Modell bei Fehlern, die oft durch Flecken, Schatten oder Tiere verursacht wurden, korrigieren oder ein Schlagloch bestätigen und so den nächsten automatisierten Ablauf auslösen. Sobald ein Schlagloch erkannt und bestätigt wird, benötigt das Team eine Referenz für das jeweilige Problem, um die eigentliche Reparatur nachzuverfolgen. Mit der Webanwendung werden demnach Informationen zu bestätigten Schlaglöchern an das öffentliche Informationssystem der Stadt gesendet, das im Anschluss ein Ticket generiert. Daraufhin wird ein Team mit einem Reparaturfahrzeug ausgesendet, das Reparaturen an der Straße vornimmt.

Einwandfreie Straßen am Horizont

Neben dem schnelleren Erkennen und Ausbessern von Schlaglöchern hat dieses Vorhaben den Weg für künftige Projekte zur Verbesserung der öffentlichen Infrastruktur geebnet, da immer mehr Daten erfasst und in die Entscheidungsfindung eingebunden werden.

Wenn Sie zu diesem Thema mehr erfahren möchten, lesen Sie diese Video Intelligence API-Kurzanleitung, oder hören Sie sich im GCP Podcast das Interview mit Eric Clark von SpringML an. Auf unserer AI Platform finden Sie weitere Machine Learning-Tools.