Hake et al.: Automatische Schadenserkennung an Wasserbauwerken ... 
100 
200 
100 
790 
0 
Kein Schaden: 4.64% Schaden: 95.36% 
Kein Schaden: 2.36% Schaden: 97.64% 
n 
'96G 
100 
100 
200 
100 
200 
200 
_.l 
Spa in 
7rı 
Yalal 
300 
00 
700 
200 
100 
100 
100 200 
200 
100 
100 
100 
200 
200 
200 
100 200 
100 
200 
ü 
100 200 
100 200 
Abb. 2: Beispielhafte Ergebnisse einer Bildsegmentierung zur Erkennung von Aus- 
sinterungen 
Bereiche und unten rechts eine Überlagerung aus Originalbild und betrachteten 
Bereichen. Beide Beispiele wurden sehr eindeutig richtig als Schaden erkannt. 
Das überlagerte Bild unten rechts verdeutlicht zudem, dass der Algorithmus die 
Bildbereiche, in denen die Aussinterungen vorhanden sind, zur Entscheidungs- 
findung heranzieht. 
2.2 Schadenssegmentierung mit Local-Outlier-Factors 
Für die Erkennung von geometrischen Schäden wie Abplatzungen, Ausbrüche 
etc. in 3D-Scandaten von Hafenbauwerken wie z. B. Spundwänden, werden LOF 
verwendet. Dabei ist es das Ziel, Bereiche zu detektieren, welche nicht zum Rest 
der Daten passen. Hierbei handelt es sich nicht um grobe Messfehler, sondern 
um geschädigte Bereiche. In Abb. 3 sind beispielhafte Ergebnisse einer Scha- 
denserkennung an einer Betonkaimauer aus dem Stadthafen von Lübeck darge- 
stellt. Eine grüne Einfärbung steht für korrekt erkannte Schäden, eine gelbe Ein- 
färbung für Schäden, die vom Algorithmus erkannt wurden, aber keine Schäden 
sind, und rot steht für Schäden, die nicht erkannt wurden. Grenzen gelbe oder 
rote Bereiche an grüne an, so gilt der Schaden trotzdem als korrekt erkannt. 
Abb. 3: Beispielhafte Ergebnisse einer Schadenserkennung zur Erkennung von Ab- 
platzungen 
‚U 
DVW-SCHRIFTENREIHE = Band 102/2022 
5 Wißner-Verla.