Im Kontext des Bedarfs an digitaler Betriebsführung von Brücken über den gesamten Lebenszyklus hinweg ist die Technologie des schnellen umgekehrten Modellierens von Brücken zu einem Schlüsselelement für den Aufbau einer Betriebsdatenbank geworden. Die gesammelten 3D-Punktwolken-Daten sind ein wesentlicher Bestandteil für die Bildung von Betriebsprotokollen und dem digitalen Zwilling. Die Genauigkeit der semantischen Informationen von Bauteilen im Rahmen der digitalen Steuerung hängt von der Genauigkeit der semantischen Segmentierung von Punktwolkeninstanzen ab. Um eine hochpräzise und interpretierbare Segmentierung von typischen Brückenelementen zu erreichen, wird Wissen als semantische Information eingeführt und Methoden zur punktweise Segmentierung unter Verwendung von Wissen untersucht. Zunächst kann durch die Verarbeitung von Optimierungsdaten basierend auf der Klassifizierung von Segmentierung auf Kategorieniveau die Genauigkeit der Instanzenextraktion verbessert werden. Anschließend können auf der Basis von geometrischen Beziehungen zwischen den Bauteilen, die durch die Entwurfskriterien vorgegeben sind, die Grenzen der Brückenplatte und die Verteilung der Balkenachsen bestimmt werden. Schließlich werden auf der Grundlage formaler Regeln für die Mittellinie der Brückenpfeiler und die kreuzweise und längs verlaufende Anordnung der Balken dynamische Begrenzungsrahmen erstellt, um eine Segmentierung von Brückenplatten- und Balkeninstanzen zu erreichen. Die Ergebnisse auf echten Punktwolkendaten zeigen, dass diese Methode eine gute Leistung bei der Instanzsegmentierung aufweist, die Abhängigkeit von semantischen Segmentierungsalgorithmen von Daten reduziert und die automatisierte Modellierungstechnologie von Brücken von Punktwolken bis zum digitalen Zwilling unterstützen kann.

3D-Punktwolke; Brückenelemente; semantische Segmentierung; wissensgesteuert; Instanzsegmentierung