KI-gestützte Objekterkennung für eine moderne Straßeninfrastruktur

RAG

Large Language Models (LLM)

Kunde:Bundesministerium für Verkehr und Digitales

Branche:Öffentliche Verwaltung

Für das Bundesministerium für Verkehr und Digitales entwickelte P&M eine KI-Plattform zur automatisierten Erkennung und Bewertung von Straßenschildern und Straßenschäden. Das System identifiziert und priorisiert Wartungsaufgaben, erleichtert die Arbeit der Straßenmeistereien und sorgt für mehr Effizienz, Qualität und Sicherheit im Straßenmanagement.

Automatisierte Objekterkennung

Mithilfe neuronaler Netze identifiziert das System Straßenschilder, Beschädigungen und Verschmutzungen automatisch. Die manuelle Kontrolle wurde dadurch um über 60 % reduziert – bei gleichzeitig höherer Erkennungsgenauigkeit.

Sichere Datenverarbeitung

Sämtliche Analyse- und Speichervorgänge erfolgen DSGVO-konform in einer abgesicherten Cloud-Umgebung. Datenschutz-Folgenabschätzungen (DSFA) garantieren höchste Standards in Datensicherheit und Governance.

Intuitive Visualisierung & Analyse

Eine benutzerfreundliche Weboberfläche visualisiert die Ergebnisse klar und übersichtlich. Schäden, Wartungsbedarf und Prioritäten lassen sich intuitiv nachvollziehen und gezielt bearbeiten.

Herausforderungen

Manuelle Prozesse, hohe Datenmengen, fehlende Transparenz

Vor Projektstart erfolgte die Kontrolle von Straßenschildern und Fahrbahnschäden vollständig manuell, ein zeitaufwendiger Prozess, der bei der schieren Menge an zu prüfenden Streckenabschnitten fehleranfällig war und eine gezielte Priorisierung von Wartungsmaßnahmen kaum ermöglichte. Fehlende Standardisierung bei der Datenerfassung führte zudem zu lückenhaften Informationen, auf deren Basis fundierte Entscheidungen nur schwer zu treffen waren. Ziel war daher eine intelligente, skalierbare Lösung, die diese Prozesse automatisiert, die Datenqualität nachhaltig verbessert und Entscheidungen für die Straßenmeistereien spürbar beschleunigt.

Umsetzung

Agile Entwicklung und KI-Integration

P&M setzte das Projekt in agilen Iterationen um, von der gemeinsamen Anforderungsanalyse mit den Fachabteilungen des Ministeriums über das Training der KI-Modelle bis zur Bereitstellung der produktiven Plattform. Dabei wurden modernste Technologien wie TensorFlow, Cloud-Infrastruktur und eine Angular-basierte Weboberfläche zu einem durchgängigen System verbunden, das präzise Objekterkennung mit intuitiver Bedienung vereint. Umfangreiche Tests unter realen Wetterbedingungen sowie eine konsequente Ausrichtung an ISO- und DSGVO-Standards stellten sicher, dass die Lösung höchsten Anforderungen an Zuverlässigkeit und Datensicherheit gerecht wird.

Analyse & Konzeptphase

Gemeinsame Workshops mit den Fachabteilungen des Ministeriums definierten Anforderungen, Datenquellen und Sicherheitsrichtlinien. Auf dieser Basis wurde das technische Konzept erstellt.

Modellentwicklung & Training

Mit TensorFlow wurden KI-Modelle für Objekterkennung und Schadensklassifikation trainiert. Dabei kamen eigens kuratierte Bilddatensätze und Tiefenerkennungsalgorithmen zum Einsatz.

Integration & Frontend-Entwicklung

Über Angular wurde eine nutzerfreundliche Webanwendung geschaffen, die KI-Ergebnisse in Echtzeit visualisiert und die Dateneingabe automatisiert.

Backend & Cloud-Architektur

Die Backend-Integration in C# ermöglicht skalierbare Verarbeitung großer Datenmengen. Cloud-Dienste sorgen für sichere Speicherung, Analyse und Bereitstellung der Ergebnisse.

Testing unter Realbedingungen

Um höchste Zuverlässigkeit zu gewährleisten, wurde das System unter verschiedenen Wetterbedingungen wie Regen, Schnee und Dunkelheit getestet und iterativ verbessert.

Optimierung & Qualitätssicherung

Die finale Plattform wurde nach ISO- und DSGVO-Standards geprüft und für den produktiven Einsatz freigegeben – mit kontinuierlicher Performance-Überwachung und Feedbackschleifen.