May

Automatisierte Lösungen zur Erkennung von Straßenschäden und zur Effizienz interner Prozesse

Projektübersicht

May, ein technologieorientiertes Unternehmen, das sich auf die Instandhaltung von Straßen spezialisiert hat, wollte einen fortschrittlichen Bildklassifizierungsagenten entwickeln, um Straßenschäden zu erkennen und Produktempfehlungen für schnelle Lösungen zu geben, wodurch der Bedarf an Experten vor Ort minimiert werden sollte. Ziel war es, die Reparaturzeiten und die Gesamtkosten zu senken. Darüber hinaus wollte May die internen Arbeitsabläufe durch automatisierte Tools für die Softwareentwicklung, das Projektmanagement und die Erstellung von Ausschreibungen verbessern.

Diese Fallstudie befasst sich mit der Entwicklung des Systems zur Erkennung von Straßenschäden mithilfe von maschinellem Lernen (ML) und damit, wie May interne Prozesse mit automatisierten Tools optimiert und die Effizienz erheblich gesteigert hat.

Bildklassifizierungsagent zur Erkennung von Straßenschäden

Ziel:

May benötigte ein robustes Bildklassifizierungssystem, das in der Lage ist, verschiedene Arten von Straßenschäden (Schlaglöcher, Risse usw.) zu erkennen und den Arbeitern Empfehlungen für Reparaturprodukte zu geben. Dieses System musste schnell, genau und auch für Laien benutzbar sein.

Herausforderungen:

Genaue Erkennung von Straßenschäden: Das System musste zwischen verschiedenen Schadensarten unterscheiden können.
Produktempfehlungen: Es mussten automatisierte Vorschläge für geeignete Reparaturmaterialien gemacht werden.
Benutzerfreundlichkeit für Straßenarbeiter: Die Arbeiter benötigten eine unkomplizierte Benutzeroberfläche, die Vorschläge in Echtzeit bereitstellte.

Lösung:

Die Lösung bestand in der Entwicklung eines Bildklassifizierungsagenten unter Verwendung eines maschinellen Lernmodells, insbesondere einer YOLO (You Only Look Once)-Architektur, die auf einem ausgewogenen und erweiterten Datensatz zur Erkennung von Straßenschäden trainiert wurde. Das System integrierte Produktempfehlungen für schnelle Reparaturen.

Entwicklungs-Workflow:

Datensatz laden und vorverarbeiten: Bilder verschiedener Straßenschäden wurden aus organisierten Unterverzeichnissen basierend auf Klassenbezeichnungen geladen. Mit dem ImageDataGenerator von TensorFlow wurden die Bilder aus Gründen der Konsistenz auf 640 x 640 Pixel verkleinert.
Ausbalancieren des Datensatzes mit SMOTE: Um Klassenungleichgewichte (d. h. weniger Beispiele für seltene Schadensarten) auszugleichen, wurde die Synthetic Minority Over-sampling Technique (SMOTE) verwendet, um synthetische Bilder für unterrepräsentierte Klassen zu erzeugen. Diese synthetisierten Bilder wurden wieder auf 640 x 640 umgeformt, um eine einheitliche Größe zu gewährleisten.
Datensplitting: Der Datensatz wurde in 70 % Training, 20 % Validierung und 10 % Testsätze aufgeteilt, um eine ausgewogene Verteilung über jede Klasse für Training, Validierung und Tests zu gewährleisten.
Datenanreicherung: Der Trainingssatz wurde mithilfe der imgaug-Bibliothek einer umfassenden Datenanreicherung unterzogen. Dazu gehörten Transformationen wie Drehen, Spiegeln, Skalieren, Zuschneiden, Hinzufügen von Rauschen und Anpassen von Kontrast und Helligkeit. Diese Anreicherungen trugen dazu bei, die Modellverallgemeinerung durch Diversifizierung des Datensatzes zu verbessern.
YOLO-Modelltraining: Der erweiterte Datensatz wurde verwendet, um ein YOLOv8-Modell für die Bildklassifizierung zu trainieren. Die Feinabstimmung erfolgte auf einem vorab trainierten YOLO-Modell für 100 Epochen mit einer Stapelgröße von 32. Dropout wurde angewendet, um eine Überanpassung zu verhindern, und die Leistung des Modells wurde auf dem Validierungssatz überwacht.
Modellbewertung und -export: Nach dem Training wurde die Leistung des Modells anhand der Validierungs- und Testsätze bewertet. Das endgültige Modell wurde, sobald es als zufriedenstellend erachtet wurde, zur Bereitstellung im ONNX-Format exportiert.

Schlüsseltechnologien:

YOLOv8: Wird für eine effiziente Bildklassifizierung und Transferlernen verwendet.
SMOTE: Wird eingesetzt, um den Datensatz auszugleichen und synthetische Daten für Minderheitsklassen zu generieren.
imgaug: Verbesserte Trainingsdatenvielfalt durch Augmentierung.
TensorFlow/Keras: Wird für die Bildvorverarbeitung und das Modellmanagement verwendet.

Ergebnis:

Verbesserte Genauigkeit: Das endgültige Modell erreichte eine 95-prozentige Genauigkeit bei der Erkennung und Klassifizierung von Straßenschäden.
Schnellere Reparaturen: Straßenarbeiter erhielten Produktvorschläge in Echtzeit, sodass sie sofortige Reparaturen ohne fachkundige Anleitung durchführen konnten.
Kosteneffizienz: Der geringere Bedarf an Experten vor Ort führte zu einer 30-prozentigen Kostensenkung bei den Wartungsarbeiten.

Schlussfolgerung

Durch die Implementierung fortschrittlicher automatisierter Lösungen sowohl für externe Kunden als auch für interne Prozesse konnte May seine betriebliche Effizienz erheblich verbessern. Das YOLO-basierte Bildklassifizierungssystem zur Erkennung von Straßenschäden ermöglichte schnelle Lösungen ohne die Notwendigkeit einer fachkundigen Aufsicht und senkte die Kosten um 30 %. Intern optimierten Automatisierungstools die Softwareentwicklung, das Projektmanagement und die Angebotserstellung, was zu schnelleren Entwicklungszyklen und besseren Projektergebnissen führte.

Hauptvorteile:

95 % Genauigkeit bei der Erkennung von Straßenschäden.
40 % schnellere Software-Entwicklungszyklen.
70 % weniger Zeitaufwand für die manuelle Suche nach Ausschreibungen und die Erstellung von Angeboten.