Die Verwendung von Building Information Modeling (BIM) bietet in der Bau- und Immobilienwirtschaft ein erhebliches Optimierungspotenzial für Bau- und Betriebsprozesse. Insbesondere im Bereich der technischen Gebäudeausrüstung (TGA) eröffnet der Einsatz von Künstlicher Intelligenz (KI) neue Möglichkeiten – etwa bei der Wartung und Inspektion von Brandschutzsystemen. Trotz BIM-basierter Planungsmethoden erfolgen diese Inspektionen bislang meist manuell, was sowohl zeitaufwendig als auch fehleranfällig ist. Das Projekt verfolgt das Ziel, die Erfassung und Aktualisierung von Bestandsinformationen zu automatisieren und direkt in BIM-Modelle zu integrieren. Durch den Einsatz von KI- und Cloud-Technologien soll die automatisierte Erstellung und Pflege der Bestandsmodelle die Effizienz steigern und zur nachhaltigen Optimierung von Bau- und Betriebsprozessen beitragen.
Themen
Zielsetzung
Im Rahmen des Projekts erfolgt die Entwicklung von KI-Verfahren zur Analyse von heterogenen Datenquellen (u. a. 2D-Pläne, Bilder, Punktwolken und Textdokumente). Das Ziel besteht in der Integration der gewonnenen Erkenntnisse in BIM-Bestandsmodelle.
In der Disziplin der Gebäudetechnik eröffnet die Implementierung von künstlicher Intelligenz (KI) signifikante Potenziale für die Optimierung von Wartungsprozessen im Kontext technischer Gebäudeausrüstung. Trotz der Anwendung von Building Information Modeling (BIM) erfolgt die Durchführung von Brandschutzinspektionen nach wie vor manuell, was mit einem hohen zeitlichen Aufwand verbunden ist und zu Fehlern führen kann. Typischerweise sind Brandschutzbeauftragte an Bestandsprojekten beteiligt, um die Einhaltung der Brandschutzmaßnahmen zu gewährleisten und zu dokumentieren.
In der vorliegenden Untersuchung wurde ein Use Case entwickelt, welcher den Einsatz von KI zur automatischen Erkennung und Inspektion von Brandschutzanlagen in Bildern untersuchte. Zu diesem Zweck wurde eine Analyse der Bilddaten mittels Bilderkennungstechnologien durchgeführt, um relevante Informationen zu extrahieren. Ferner wurde die Integration von Expertenwissen berücksichtigt, um die Vorhersagegenauigkeit zu optimieren.
Vorgehensweise
Die automatisierte visuelle Erkennung von Brandschutzanlagen und zugehörigen Zusatzinformationen in Form von Bildern wird durch den Einsatz neuronaler Modelle ermöglicht. Es wurden insgesamt vier KI-Dienste entwickelt (siehe Abbildung 1 „Übersicht der KI-Dienste zur Erkennung von Brandschutzanlagen und wichtigen Inspektionsdetails.“):
- Erkennung von Brandschutzanlagen (z. B. Feuerlöscher, Löschdecke, Rauchwarnmelder, Brandmelder) in Bildern
- Erkennung von Sicherheitskennzeichnung in Bildern
- Erkennung von Prüfplaketten-Aufkleber in Bildern
- Erkennung und Extraktion von Prüfplaketteninformationen (z. B. das Datum der nächsten Wartung) in Bildern
Die Kombination dieser KI-Dienste ermöglicht nicht nur die automatisierte Erkennung von Brandschutzanlagen, sondern auch die Extraktion relevanter Informationen, die in ein BIM-Modell integriert werden können. Dies hat das Potenzial, den Aufwand für Brandschutzbeauftragte, der in der Regel mit der Durchführung von Brandschutzbegehungen betraut sind, zu reduzieren. Die Funktionsweise ist wie folgt: Zunächst werden Bilder erfasst. Anschließend wertet die KI diese automatisch aus und hinterlegt die erkannten Elemente sowie Zusatzinformationen im BIM-Modell.
Im Folgenden werden die für die KI und die Bilderkennung relevanten technischen Aspekte erörtert.
Im Rahmen des Trainings der KI wurde sowohl auf bereits vorhandene Open-Source Bilddatensätze als auch auf eigens hierfür gesammelte Bilder zurückgegriffen. Die Anzahl der gesammelten Einzelbilder belief sich auf über 3.000, welche manuell mit Hilfe eines Open-Source-Annotationstools beschriftet worden sind. Das Tool generiert automatisch für jede annotierte Bilddatei eine Textdatei, die Informationen zu Position, Breite und Höhe sowie der Objektklasse des Rechtecks enthält. Die Position des Rechtecks wird dabei durch die Angabe der x- und y-Koordinaten des Mittelpunkts sowie der Breite (w) und der Höhe (h) beschrieben (siehe Abbildung 2 „Annotation eines Feuerlöschers (rote Fläche) mit Bounding Box.“). Die KI nutzt diese annotierten Bilddatensätze als Ausgangspunkt für die Extraktion individueller Merkmale, die zur Klassifikation der Objektklassen erforderlich sind.
Im Hinblick auf Deep-Learning-Methoden für die Objekterkennung ist grundsätzlich eine zweistufige Einteilung der Detektoren in Hauptkategorien erforderlich. Der Fokus dieser Untersuchung liegt auf dem Einsatz der einstufigen Objekterkennungsmodule YOLOv5 und YOLOv7, da Zwei-Schritt-Modelle, die sequenziell vorgehen, diesbezüglich keine signifikanten Vorteile bieten. Einstufige Detektoren zeichnen sich im Allgemeinen durch einen schnellen Verarbeitungsspielraum aus und eignen sich daher insbesondere für Echtzeitanwendungen. Im vorliegenden Kontext umfassen die Trainingsprozesse jedes KI-Dienstes 300 Durchgänge über den jeweiligen Bilddatensatz, wobei die Eingabebildgröße auf 640 x 640 Pixel festgelegt wird (siehe Abbildung 3 „Visualisierung eines einstufigen Detektors“).
Gegenwärtiger Stand
Die Genauigkeit der entwickelten Dienste ist als hoch zu bezeichnen. Somit ist eine robuste Objekterkennung mit Bounding Box gewährleistet.Um eine Validierung der Ergebnisse zu erreichen, wurde ein Post-Processing-Schritt mit Expertenwissen implementiert. Dieser dient der Korrektur der Vorhersagen der Models, beispielsweise durch die Berücksichtigung von unplausiblen Kombinationen von Brandklassensymbolen auf Feuerlöschern als Fehldetektionen, und zieht die wahrscheinlichste Option heran. Die Integration von Expertenwissen in den Prozess führt somit zu einer präziseren Bestimmung, wodurch potenzielle Fehler der KI-Vorhersagen korrigiert werden. Dies resultiert in einer erhöhten Zuverlässigkeit und optimierten Anwendbarkeit der entwickelten Dienste in der Praxis.
Obwohl die bisherigen Ergebnisse vielversprechend sind, bestehen noch einige Herausforderungen. Einerseits kann die Fehleranfälligkeit der Modelle durch eine größere und vielfältigere Trainingsdatenmenge weiter reduziert werden. Andererseits kann die Integration von kontinuierlichem Lernen, engl. Active Learning, dazu beitragen, die Modelle an neue Brandschutzanlagen und Inspektionsgegenstände anzupassen und ihre Leistungsfähigkeit im Laufe der Zeit zu verbessern.
Dieses Projekt demonstriert das Potenzial von KI und Computer Vision für die Automatisierung von Brandschutzinspektionen. Die Kombination von Detektionsalgorithmen, wie den YOLO-Modellen, mit Expertenwissen ermöglicht die Generierung präziser und zuverlässiger Inspektionsergebnisse. Dies führt zu einer gesteigerten Effizienz im Bauwesen und trägt zur Erhöhung der Sicherheit und Qualität von Gebäuden bei.
Fragen zum Projekt „Bestandserfassung mit KI - Die automatisierte visuelle Erkennung von Brandschutzanlagen“ können Sie an Angelina Aziz richten.
Weitere Lösungsansätze zum Thema „Bestandserfassung mit KI“ liefert das Forschungsprojekt BIMKIT.
