SurfaceAI: mittels KI (Bildklassifizierung) klassifizierte Straßennetze bezüglich Oberflächenbelag und -qualität in den Städten München, Berlin-Neukölln, Osnabrück und Dresden

Im Rahmen des Forschungsprojekts SurfaceAI wurde eine Pipeline entwickelt, die auf der Grundlage von offen verfügbaren Straßenbildern ganze Straßennetze mittels neuronaler Netze bezüglich Oberflächenbelag und dessen Qualität klassifiziert. Der Quellcode kann hier eingesehen werden: https://github.com/SurfaceAI/road_network_classification. Das Projekt wird von November 2023 bis Ende Februar 2025 vom Programm mFUND des Bundesministeriums für Digitales und Verkehr (BMDV) gefördert. Ziel des Projekts ist es, eine datengestützte Grundlage zur Bewertung und Verbesserung der Straßeninfrastruktur zu schaffen. Der hier veröffentlichte Datensatz enthält beispielhaft die Ergebnisse für vier ausgewählte Städte/Stadtteile: München, Berlin-Neukölln, Osnabrück und Dresden. Die Pipeline verwendet Bilder von der Crowdsourcing-Plattform Mapillary (https://www.mapillary.com) und klassifiziert diese mittels Convolutional Neural Networks (CNN). Panoramabilder wurden hierbei nicht berücksichtigt. Für die Oberflächenklassifizierung stehen folgende Kategorien für den Belag zur Verfügung: Asphalt, Beton, Kopfsteinpflaster, Pflasterstein, unbefestigt (asphalt, concrete, sett, paving_stones, unpaved). Desweiteren wird die Oberflächenqualität auf einer kontinuierlichen Skala von 1 (exzellent) bis 5 (sehr schlecht) bewertet. Detaillierte Informationen zu den Klassen stehen hier zur Verfügung: https://github.com/SurfaceAI/dataset_creation/blob/main/documentation/labeling_guide.md. (Anmerkung: die Skala von 1 bis 5 wurde für den Trainingsdatensatz verwendet. Das CNN-Modell kann potenziell Werte < 1 und > 5 zurückgeben. Diese wurden *nicht* bereinigt.) Die einzeln klassifizierten Bilder werden anschließend dem OpenStreetMap(OSM)-Straßennetz zugeordnet und auf den OSM Segmenten aggregiert. Zusätzlich wurde in einer zweiten Variante feingliedriger aggregiert, indem OSM-Segmente in (max.) 60m-Subsegmente zerteilt wurden. Somit werden hier für jede Stadt/jeden Stadtteil zwei Datensätze zur Verfügung gestellt. Die hier veröffentlichten Shapefiles enthalten entsprechende Liniengeometrien mit den aggregierten Oberflächenklassifikationen. Informationen zu einzelnen Attributen des Datensatzes sind in der Datenmodell-Beschreibung (Tab: Dateien und Inhalte) hinterlegt. Die Datensätze wurden am 16.12.2024 erstellt. Detaillierte Informationen zur Pipeline sind im GitHub Repository (https://github.com/SurfaceAI/road_network_classification) sowie in dieser Publikation zu finden: Alexandra Kapp, Edith Hoffmann, Esther Weigmann, and Helena Mihaljević. 2024. SurfaceAI: Automated creation of cohesive road surface quality datasets based on open street-level imagery. In Proceedings of the 2nd ACM SIGSPATIAL International Workshop on Advances in Urban-AI (UrbanAI ‘24). Association for Computing Machinery, New York, NY, USA, 54–57.\ https://dl.acm.org/doi/abs/10.1145/3681780.3697277 Weitere Informationen zum Trainingsdatensatz der CNN Modelle sind hier zu finden: Alexandra Kapp, Edith Hoffmann, Esther Weigmann, and Helena Mihaljević. 2024. StreetSurfaceVis: a dataset of crowdsourced street-level imagery annotated by road surface type and quality. arXiv preprint arXiv:2407.21454. https://arxiv.org/abs/2407.21454 Trainingsdatensatz StreetSurfaceVis: https://zenodo.org/records/11449977