Oberflächenqualitätseinstufung (1-5-Skala) für den Fahrbahnzustand

Definitionen der 1-5-Qualitätsskala

Das TarmacView-Qualitätsstufensystem bildet den visuellen Zustand einer Fahrbahnoberfläche auf eine ordinale Skala von 1 bis 5 ab, wobei 1 einen hervorragenden Oberflächenzustand und 5 einen sehr schlechten Zustand darstellt. Diese fünfstufige Klassifikation folgt dem Prinzip geordneter kategorialer Bewertungen, wie sie in der etablierten Fahrbahnmanagementpraxis zu finden sind, ist jedoch speziell auf die Ausgabe eines Computer-Vision-Embedding-Raums und nicht auf ein manuelles schadensbasiertes Protokoll kalibriert.

Die fünf Qualitätsstufen sind wie folgt definiert:

Stufe 1 – Hervorragend (Sehr gut). Eine Fahrbahnoberfläche im Zustand Stufe 1 weist keinerlei sichtbare Mängel auf. Die Oberflächentextur ist gleichmäßig, die Farbe einheitlich, und es gibt keine Anzeichen von Rissen, Ablösungen, Schlaglöchern, Flickstellen, Ausblühungen oder anderen Formen der Oberflächenverschlechterung. Die Oberfläche erscheint wie eine frisch gebaute oder kürzlich sanierte Fahrbahn. Fugen (falls vorhanden) sind fest und gut abgedichtet. In der Praxis stellt Stufe 1 den idealen Referenzzustand dar, an dem alle anderen Stufen gemessen werden. Straßenabschnitte mit einer medianen Qualitätsstufe von 1 benötigen im aktuellen Planungszyklus keine Instandhaltungsmaßnahmen.

Stufe 2 – Gut. Oberflächen der Stufe 2 zeigen leichte Abnutzungserscheinungen, bleiben aber strukturell solide und funktional ausreichend. Sehr leichte Risse können vorhanden sein, sind jedoch schmal (haarfein, weniger als 1/8 Zoll breit) und nicht verzweigt. Es gibt keine Abplatzungen, keine nennenswerten Ablösungen und keine Flickstellen. Die Oberflächentextur kann leichte Oxidation oder Farbveränderungen durch Umwelteinflüsse aufweisen, aber die Fahrbahnintegrität ist vollständig intakt. Oberflächen der Stufe 2 eignen sich für routinemäßige vorbeugende Instandhaltung wie Rissversiegelung oder Nebelversiegelung, benötigen jedoch keine strukturellen Reparaturen.

Stufe 3 – Befriedigend. Eine Fahrbahn der Stufe 3 ist in befriedigendem Zustand, d. h. es sind sichtbare Schäden vorhanden, die Oberfläche bleibt jedoch nutzbar. Mäßige Rissbildung kann beobachtet werden, einschließlich querer, longitudinaler oder blockartiger Risse mit Rissbreiten von bis zu etwa 1/4 Zoll. Leichte Ablösungen können sichtbar sein. Flickstellen können einen kleinen Prozentsatz der Oberfläche bedecken (typischerweise unter 10 %). Die Oberfläche zeigt deutliche Alterungs- und Umwelteinflüsse, hat jedoch noch keinen Zustand erreicht, in dem die strukturelle Tragfähigkeit beeinträchtigt ist. Oberflächen der Stufe 3 sind Kandidaten für Erhaltungsmaßnahmen wie Schlämmen, Mikrobeläge oder dünne Überzüge.

Stufe 4 – Schlecht. Oberflächen der Stufe 4 weisen erhebliche sichtbare Schäden auf, die die Fahrqualität und die funktionale Leistung beeinträchtigen. Mäßige bis starke Rissbildung ist vorhanden, einschließlich Netzrissen (Ermüdungsrisse) in den Radspuren. Die Rissbreiten überschreiten 1/4 Zoll, und Abplatzungen entlang der Risskanten können beobachtet werden. Die Ablösung ist mäßig bis fortgeschritten, mit Verlust von Oberflächenzuschlagstoffen. Flickstellen können 10–30 % der Oberfläche bedecken. Spurrillen tiefer als 1/2 Zoll können vorhanden sein. Die Fahrbahn ist noch nutzbar, nähert sich jedoch dem Ende ihrer Nutzungsdauer und erfordert eine Sanierung anstelle routinemäßiger Instandhaltung. Straßen der Stufe 4 sind Kandidaten für strukturelle Überzüge oder Fräs- und Füllarbeiten.

Stufe 5 – Sehr schlecht (Versagt). Stufe 5 stellt die schlechteste Zustandskategorie dar. Ausgedehnte starke Rissbildung, einschließlich fortgeschrittener Netzrisse mit miteinander verbundenen Rissmustern, die lose Oberflächenstücke bilden. Schlaglöcher können vorhanden sein. Die Ablösung ist fortgeschritten mit erheblichem Verlust von Zuschlagstoffen. Flickstellen bedecken mehr als 30 % der Oberfläche, oder die Flickstellen selbst versagen. Spurrillen können 1 Zoll überschreiten. Die Oberfläche ist stark geschädigt und stellt eine unzureichende Fahrbahn dar, die Sicherheitsbedenken aufwerfen kann. Fahrbahnen der Stufe 5 erfordern einen Neubau oder eine grundlegende Sanierung.

Diese 1-5-Ordinalskala ist bewusst gröber als die kontinuierliche 0-100-PCI-Skala nach ASTM D6433. Die gröbere Granularität spiegelt die erreichbare Genauigkeit der automatisierten visuellen Klassifikation wider und entspricht den typischen Entscheidungsebenen des Fahrbahnmanagements auf Netzebene. Behörden können die fünf Qualitätsstufen auf ihre eigenen Auslöseschwellen für Instandhaltung und Sanierung abbilden.

Qualität als Cosine-kNN-Mehrheitsentscheidung

Die Qualitätsstufe wird nicht von einem traditionellen Klassifikationsneuronalnetz mit einer Softmax-Ausgabeschicht zugewiesen. Stattdessen wird sie durch eine Cosine-k-Nearest-Neighbors (kNN)-Mehrheitsentscheidung im Embedding-Raum eines feinabgestimmten DINOv3-Vision-Transformators berechnet. Dieser Ansatz unterscheidet sich grundlegend von der End-to-End-Klassifikation und bietet klare Vorteile in Bezug auf Interpretierbarkeit, Robustheit und die Fähigkeit, außerhalb der Verteilung liegende Oberflächen zu erkennen.

Der Prozess funktioniert wie folgt. Jede Fahrbahnbildkachel wird durch ein Vision Transformer (ViT)-Rückgrat auf Basis von DINOv3 geleitet. DINOv3 ist das dritte selbstüberwachte Lernmodell von Meta AI für Computer Vision, trainiert auf über 1,7 Milliarden Bildern mit bis zu 7 Milliarden Parametern. Es erzeugt dichte visuelle Merkmalsrepräsentationen, die sowohl lokale Texturinformationen (Oberflächenkörnung, Rissmuster, Zuschlagstoffexposition) als auch globalen strukturellen Kontext (Fugenabstände, Fahrspurgeometrie, Gesamtoberflächengleichmäßigkeit) erfassen. Die Ausgabe des ViT ist ein 768-dimensionaler Embedding-Vektor, der als kompakter numerischer Fingerabdruck des visuellen Inhalts der Kachel dient.

Dieser Embedding-Vektor wird dann mit einem kuratierten Referenzsatz verglichen – einer Sammlung von Fahrbahnkachel-Embeddings, für die bodenwahre Qualitätsstufen von menschlichen Fachexperten festgelegt wurden. Die Vergleichsmetrik ist die Cosine-Ähnlichkeit, definiert als:

cosine_similarity(A, B) = (A · B) / (||A|| × ||B||)

wobei A und B die beiden Embedding-Vektoren sind. Die Cosine-Ähnlichkeit reicht von -1 (vollständig entgegengesetzt) über 0 (orthogonal, unkorreliert) bis +1 (identische Richtung). Bei normalisierten Embeddings ist die Cosine-Ähnlichkeit gleich dem Skalarprodukt. In der Praxis sind Fahrbahnkachel-Embeddings tendenziell positiv und gut nach Qualitätsstufen geclustert, sodass Cosine-Ähnlichkeitswerte zwischen Kacheln derselben Stufe typischerweise zwischen 0,85 und 0,99 liegen, während stufenübergreifende Ähnlichkeiten niedriger sind.

Das System identifiziert die k nächsten Nachbarn (in der euklidischen Implementierung von kNN, jedoch mit Cosine-Ähnlichkeit als Distanzmetrik, also effektiv die k ähnlichsten Referenz-Embeddings). TarmacView verwendet k = 5 als Standard-Nachbarschaftsgröße. Jeder der fünf nächsten Nachbarn gibt eine Stimme für seine bodenwahre Qualitätsstufe ab. Die Stufe, die die Mehrheit der Stimmen (den Modalwert) erhält, wird der Eingabekachel zugewiesen. Im Falle eines Gleichstands (z. B. zwei Nachbarn stimmen für Stufe 2, zwei für Stufe 3 und einer für Stufe 4) entscheidet ein gewichtetes Abstimmungsschema basierend auf der Größe der Cosine-Ähnlichkeit, wobei Nachbarn mit höherer Ähnlichkeit proportional mehr Gewicht erhalten.

Die Verwendung von Cosine-kNN anstelle eines trainierten Klassifikationskopfes bietet mehrere Vorteile. Erstens kann das System auf natürliche Weise multimodale Klassenverteilungen verarbeiten – eine Oberfläche, die visuell sowohl Referenzkacheln der Stufe 3 als auch der Stufe 4 ähnelt, erhält eine Note, die diese Mehrdeutigkeit widerspiegelt, anstatt in eine einzelne lineare Entscheidungsgrenze gezwungen zu werden. Zweitens kann der Referenzsatz inkrementell aktualisiert werden, ohne das visuelle Rückgrat neu zu trainieren: Neue Referenzkacheln mit fachmännisch zugewiesenen Noten werden einfach zur Embedding-Datenbank hinzugefügt. Drittens: Wenn eine Eingabekachel eine niedrige Cosine-Ähnlichkeit zu allen Referenz-Embeddings aufweist (unter einem Schwellenwert wie 0,6), wird das System sie als außerhalb der Verteilung kennzeichnen, was auf einen Oberflächentyp oder -zustand hinweist, der im Referenzsatz nicht gut repräsentiert ist.

Modellgenauigkeit

Das Qualitätsstufenmodell erreicht eine gemessene exakte Übereinstimmungsgenauigkeit von etwa 0,666 (66,6 %). Dies bedeutet, dass das Modell für jede beliebige Fahrbahnkachel in etwa zwei Dritteln der Fälle die exakt korrekte Qualitätsstufe zuweist. Obwohl 66,6 % auf den ersten Blick bescheiden erscheinen mögen, führt die ordinale Natur der Skala dazu, dass selbst eine ungenaue Vorhersage selten katastrophal falsch ist – eine Kachel der Stufe 2, die als Stufe 3 vorhergesagt wird, ist weit weniger folgenreich als ein binärer Klassifikator, der „Bestanden" mit „Nicht bestanden" verwechselt.

Die betrieblich aussagekräftigere Metrik ist die Genauigkeit bei Abweichung um eins, die 0,999 (99,9 %) erreicht. Die Genauigkeit bei Abweichung um eins misst den Anteil der Vorhersagen, die innerhalb einer Stufe der Bodenwahrheit liegen. Ein Wert von 0,999 bedeutet, dass praktisch jede Kachel entweder korrekt oder nur eine Stufe von der korrekten entfernt klassifiziert wird. Vorhersagen, die um zwei oder mehr Stufen abweichen, treten mit einer Rate von etwa 0,1 % auf – etwa eine von tausend Kacheln. Dieses Leistungsniveau ist für eine ordinale 5-Klassen-Visualklassifikationsaufgabe außergewöhnlich und spiegelt sowohl die Qualität der DINOv3-Embeddings als auch die sorgfältige Kuratierung des Referenzsatzes wider.

Der mittlere absolute Fehler (MAE) des Modells beträgt etwa 0,34 auf der 1-5-Skala. Der MAE wird als Durchschnitt von |vorhergesagte_Stufe - wahre_Stufe| über alle Kacheln berechnet. Ein MAE von 0,34 bedeutet, dass der durchschnittliche Vorhersagefehler weniger als eine halbe Stufe beträgt. In der Praxis würde ein Straßenabschnitt aus 100 Kacheln mit einer wahren medianen Qualität von 2,5 eine vorhergesagte mediane Qualität zwischen etwa 2,2 und 2,8 erhalten – gut innerhalb der akzeptablen Toleranz für Entscheidungen im Fahrbahnmanagement auf Netzebene.

Diese Genauigkeitsmetriken werden durch k-fache Kreuzvalidierung (typischerweise 5-fach) gegen den Referenzsatz validiert, um sicherzustellen, dass die Leistung nicht auf eine bestimmte Trainings-/Testaufteilung überangepasst ist. Der Referenzsatz selbst wird von mehreren Fachexperten bewertet, und die Inter-Rater-Übereinstimmung (Cohens Kappa) wird gemessen, um eine Obergrenze für die erreichbare Modellleistung festzulegen – wenn sich menschliche Experten bei der Bewertung einer Kachel um durchschnittlich 0,4 uneinig sind, dann arbeitet ein Modell mit einem MAE von 0,34 vermutlich auf oder nahe der menschlichen Obergrenze.

Die Konfusionsmatrix für das Qualitätsstufenmodell zeigt, dass die meisten Fehler zwischen benachbarten Stufen auftreten (Stufe 1↔Stufe 2, Stufe 2↔Stufe 3, Stufe 3↔Stufe 4, Stufe 4↔Stufe 5). Fehler, die eine Stufe überspringen (Stufe 1↔Stufe 3, Stufe 2↔Stufe 4, Stufe 3↔Stufe 5), sind äußerst selten. Diagonal-dominante Konfusionsmatrizen dieser Art sind charakteristisch für gut trainierte ordinale Klassifikatoren und bestätigen, dass der Embedding-Raum ein aussagekräftiges Qualitätskontinuum und keine willkürliche Kategorisierung erfasst.

Qualität und Unabhängigkeit vom Oberflächentyp

Eine kritische Eigenschaft des Qualitätsstufensystems ist seine Unabhängigkeit vom Oberflächentyp. Die Qualitätsstufe beschreibt den Zustand einer Fahrbahnoberfläche unabhängig davon, ob es sich um Asphalt (flexible Fahrbahn), Beton (starre Fahrbahn), Verbundfahrbahn oder eine Oberflächenbehandlung wie Chip Seal oder Mikrobelag handelt. Diese Unabhängigkeit wird durch das Design des DINOv3-Embedding-Trainingsprozesses und die Zusammensetzung des Referenzsatzes erreicht.

Das DINOv3-Rückgrat ist auf 1,7 Milliarden verschiedenen Bildern mit selbstüberwachten Lernzielen (Selbstdestillation ohne Labels, Masked Image Modeling und kontrastives Lernen) vortrainiert. Dieser massive Vortrainingskorpus enthält Bilder vieler verschiedener Oberflächentypen, Texturen und Materialien. Das Modell lernt, zustandsrelevante Merkmale (Risse, Ablösungen, Flickstellen, Texturverlust) zu beachten, während es gegenüber typspezifischen Merkmalen (der Farbunterschied zwischen dunklem Asphalt und hellem Beton, das Fugenabstandsmuster von Beton gegenüber der nahtlosen Oberfläche von Asphalt) invariant ist.

Während der Feinabstimmung mit überwachtem kontrastivem Lernen erzwingt der Trainingsprozess explizit, dass Kacheln derselben Qualitätsstufe, aber unterschiedlicher Oberflächentypen auf nahe Positionen im Embedding-Raum abgebildet werden. Die überwachte kontrastive Verlustfunktion zieht Embeddings von Kacheln, die dasselbe Qualitätslabel teilen (die „Anchor-Positive"-Paare), zusammen und drückt Embeddings von Kacheln mit unterschiedlichen Labels auseinander. Wenn der Referenzsatz sowohl Asphalt-Stufe-3-Kacheln als auch Beton-Stufe-3-Kacheln enthält, lernt der Trainingsprozess, die gemeinsamen visuellen Merkmale von Stufe-3-Verschlechterung (mäßige Rissbildung, etwas Ablösung, sichtbare Alterung) zu kodieren, während das oberflächentypspezifische Erscheinungsbild unterdrückt wird.

Die praktische Konsequenz ist, dass ein einziges Qualitätsstufenmodell auf ein heterogenes Straßennetz angewendet werden kann. Eine Straßenbaubehörde, die eine Mischung aus Asphaltstraßen, Betonautobahnen, Verbundfahrbahnen und versiegelten ländlichen Straßen verwaltet, benötigt keine separaten Modelle pro Oberflächentyp. Derselbe DINOv3-Encoder und derselbe Referenzsatz liefern gültige Qualitätsstufen für alle Oberflächen.

Validierungstests bestätigen die Unabhängigkeit vom Oberflächentyp. Wenn das Modell auf einem Referenzsatz trainiert wird, der zu 80 % aus Asphalt- und zu 20 % aus Betonkacheln besteht, und dann auf einem Testsatz aus reinen Betonkacheln evaluiert wird, unterscheiden sich die Genauigkeitsmetriken (exakte Übereinstimmung, Abweichung um eins, MAE) nicht statistisch signifikant von den Metriken auf Asphaltkacheln. Der Embedding-Raum verallgemeinert über Materialien hinweg, ohne dass während der Inferenz explizite Oberflächentyplabels erforderlich sind.

Aggregation der Qualitätsstufe (Median der Straßenkacheln)

Einzelne Fahrbahnbildkacheln erhalten Qualitätsstufen pro Kachel, aber operative Entscheidungen erfordern Noten auf Straßenabschnittsebene. TarmacView aggregiert die Qualitätsstufen pro Kachel auf Abschnittsebene unter Verwendung des Medians, berechnet über alle Kacheln, die zu einem Straßenabschnitt gehören.

Die Wahl des Medians gegenüber dem Mittelwert ist bewusst und mathematisch gerechtfertigt. Der Median ist eine robuste Statistik, die gegenüber Ausreißern unempfindlich ist. Eine einzelne Kachel, die um zwei Stufen falsch klassifiziert wurde (ein seltenes Ereignis angesichts der 0,999-Genauigkeit bei Abweichung um eins), würde den Mittelwert verschieben, aber den Median nicht verändern. Ebenso werden vorübergehende Oberflächenartefakte wie Öltropfen, Reifenspuren, Wasserpfützen oder Schmutz, die dazu führen, dass eine Kachel eine anomale Note erhält, durch die Median-Aggregation herausgefiltert.

Der Aggregationsprozess folgt dieser Pipeline:

1. Ein Straßenabschnitt (typischerweise ein 0,1-Meilen- oder 0,5-Meilen-Abschnitt, definiert durch das Lagebezugssystem der Behörde) wird aufgenommen. Das Aufnahmefahrzeug erfasst überlappende oder zusammenhängende Bildframes entlang der Abschnittslänge.

2. Jeder Bildframe wird zentriert beschnitten und in Kacheln unterteilt – typischerweise 4 bis 12 Kacheln pro Bild, abhängig von der Kameraauflösung und der gewünschten Kachelgröße (üblicherweise 224×224 Pixel, entsprechend der DINOv3-Eingabegröße).

3. Jede Kachel wird unabhängig durch die Qualitätsstufen-Pipeline (DINOv3-Encoder → Cosine-kNN → Mehrheitsentscheidung) verarbeitet, was eine Qualitätsstufe pro Kachel von 1 bis 5 ergibt.

4. Der Median aller Qualitätsstufen pro Kachel im Abschnitt wird berechnet. Bei einer geraden Anzahl von Kacheln wird der niedrigere der beiden mittleren Werte genommen (konservativer Ansatz).

5. Die Qualitätsstufe auf Abschnittsebene ist der Medianwert, der bei Verwendung von Interpolation eine nicht-ganze Zahl sein kann, obwohl TarmacView für Entscheidungen typischerweise den ganzzahligen Boden oder die modale Kategorie meldet.

Die Anzahl der Kacheln pro Abschnitt hängt von der Aufnahmekonfiguration ab. Bei einer typischen Aufnahmerate von 10 Bildern pro Sekunde bei Autobahngeschwindigkeit produziert ein 0,5-Meilen-Abschnitt 200–400 Kacheln (bei 4 Kacheln pro Bild und 10–15 Bildern pro 0,1 Meile). Der Median von 200–400 unabhängigen Noten bietet hohe statistische Sicherheit. Der Standardfehler des Medians nimmt mit der Quadratwurzel der Anzahl der Kacheln ab, sodass längere Abschnitte (mehr Kacheln) stabilere Noten liefern.

Eine Konfidenzmetrik kann zusammen mit der aggregierten Note gemeldet werden. Der Interquartilsabstand (IQR) der Qualitätsstufen pro Kachel innerhalb eines Abschnitts gibt Aufschluss über die Gleichmäßigkeit des Oberflächenzustands. Ein Abschnitt mit Medianstufe 2 und IQR von 0 (alle Kacheln Stufe 2) ist gleichmäßig gut. Ein Abschnitt mit Medianstufe 2 und IQR von 2 (Kacheln reichen von Stufe 1 bis Stufe 3) weist auf einen heterogenen Zustand mit lokalisierten Mängeln hin, die ein Median allein nicht abbilden würde.

Qualitätsstufe in der Zustandsbewertung

Die Qualitätsstufe dient als primäre Eingabe für die gesamte Fahrbahnzustandsbewertung von TarmacView. Die Zustandsbewertung wandelt rohe Qualitätsstufen in umsetzbare technische und finanzielle Entscheidungshilfen um.

Auf einfachster Ebene wird der Zustand einer Straße als ihre mediane Qualitätsstufe ausgedrückt. Behörden legen Auslöseschwellen fest, die bestimmen, wann ein Straßenabschnitt von einer Verwaltungskategorie in eine andere wechselt:

Diese Auslöser sind nicht festgelegt – Behörden kalibrieren sie basierend auf ihren Budgetzyklen, Leistungszielen und Risikotoleranz. Eine gut finanzierte Behörde könnte die Sanierung bereits bei Stufe 3 auslösen, um das gesamte Netz in einem hervorragenden/guten Zustand zu halten. Eine budgetbeschränkte Behörde könnte die Sanierung bis Stufe 4 hinausschieben und einen höheren Anteil an Straßen in befriedigendem Zustand akzeptieren.

Die Zustandsbewertung berechnet auch den Prozentsatz des Netzes in jeder Stufenkategorie. Diese Netzebenen-Statistiken liefern einen allgemeinen Gesundheitsindikator. Beispielsweise ist ein Netz mit 60 % der Fahrspurmeilen bei Stufe 1-2, 25 % bei Stufe 3 und 15 % bei Stufe 4-5 ein gesundes Netz mit überschaubarem Rückstau. Ein Netz mit 40 % bei Stufe 4-5 signalisiert ein erhebliches Problem mit aufgeschobener Instandhaltung.

Der jährliche Stufenübergang (die Änderung der Qualitätsstufe vom vorherigen Erhebungszyklus zum aktuellen) ist ein Maß für die Fahrbahnverschlechterungsrate. Abschnitte, die zwischen Erhebungszyklen um eine oder mehrere Stufen abfallen, werden zur vorrangigen Untersuchung markiert, da sie sich möglicherweise schneller verschlechtern als der Netzwerkdurchschnitt.

Zustandsbewertungsberichte von TarmacView kombinieren Qualitätsstufen mit anderen Datenströmen – Oberflächentyp, Verkehrsvolumen (AADT), Funktionsklasse (Hauptverkehrsstraße, Sammelstraße, Anliegerstraße) und Klimazone –, um risikogewichtete Zustandswerte zu erstellen. Eine Straße der Stufe 4 mit einem AADT von 50.000 erhält eine höhere Prioritätsbewertung als eine Straße der Stufe 4 mit einem AADT von 200, da die Schäden auf der stark befahrenen Straße mehr Nutzer betreffen und höhere Nutzerverzögerungskosten verursachen.

Qualitätsstufe in der Straßenerhebung

Straßenerhebungen sind systematische Inspektionen von Fahrbahnnetzen, die in festgelegten Zyklen durchgeführt werden (jährlich, zweijährlich oder dreijährlich, abhängig von den Ressourcen und der Netzgröße der Behörde). Die Qualitätsstufe wandelt den Straßenerhebungsprozess von einer manuellen, subjektiven, arbeitsintensiven Tätigkeit in einen vollautomatisierten, objektiven, skalierbaren Datenerfassungsbetrieb um.

Bei einer traditionellen visuellen Straßenerhebung befahren geschulte Prüfer das Netz mit 15-25 mph, bewerten jeden Abschnitt visuell und erfassen Schadensarten, Schweregrade und Ausmaß. Dieser Prozess ist langsam, teuer und unterliegt Schwankungen zwischen den Prüfern. Selbst mit strengen Schulungs- und Zertifizierungsprogrammen können zwei Prüfer, die denselben Abschnitt bewerten, unterschiedliche Bewertungen vergeben. Der FHWA-Practical Guide for Quality Management of Pavement Condition Data Collection dokumentiert, dass die Reproduzierbarkeit zwischen Prüfern einer der anspruchsvollsten Aspekte manueller Erhebungen ist.

Die automatisierte Straßenerhebung von TarmacView ersetzt die manuelle visuelle Bewertung durch die Qualitätsstufen-Pipeline. Das Erhebungsfahrzeug befährt das Netz mit normaler Verkehrsgeschwindigkeit (55-70 mph auf Autobahnen) und nimmt hochauflösende Bilder mit Raten von 10-30 Bildern pro Sekunde auf. Die Bilder werden nach der Erhebung durch die Qualitätsstufen-Pipeline verarbeitet. Ein 1.000 Meilen großes Netz, das 40-60 Stunden manuelle Erhebungszeit erfordern würde (bei 15-25 mph), kann in unter 20 Stunden bei Autobahngeschwindigkeit ohne menschlichen Bewertungsaufwand erhoben werden.

Die automatisierte Erhebung produziert Qualitätsstufen, die objektiv reproduzierbar sind. Derselbe Abschnitt, der an zwei verschiedenen Tagen, mit zwei verschiedenen Fahrzeugen und mit zwei verschiedenen Geschwindigkeiten erhoben wird, erhält dieselbe Qualitätsstufe (unter der Annahme eines stabilen Oberflächenzustands). Diese Reproduzierbarkeit ist eine entscheidende Verbesserung gegenüber manuellen Erhebungen, bei denen Ermüdung der Prüfer, Aufmerksamkeitsschwankungen und subjektive Beurteilungen Messrauschen verursachen.

Straßenerhebungsdaten fließen direkt in Fahrbahnmanagementsysteme (PMS) ein. Die meisten PMS-Software erwartet Zustandsdaten in einem bestimmten Format – typischerweise einen Zustandsindexwert und/oder eine Reihe von Schadensmessungen. Die Qualitätsstufen von TarmacView werden in Formaten exportiert, die mit AASHTOWare, dTIMS und anderen großen PMS-Plattformen kompatibel sind. Die Integration ermöglicht es Behörden, Qualitätsstufen als Zustandseingabe für Leistungsmodellierung, Lebenszykluskostenanalyse und Projektpriorisierung zu verwenden.

Die Erhebung erkennt auch Probleme – lokalisierte Mängel, die vor dem nächsten geplanten Erhebungszyklus Aufmerksamkeit erfordern. Wenn eine Kachel mit Qualitätsstufe 4 oder 5 in einem Abschnitt mit Medianstufe 2 erkannt wird, markiert das System den Ort als Hotspot. Erhebungsberichte enthalten sowohl die aggregierte Note auf Abschnittsebene als auch die genauen GPS-Koordinaten einzelner Problemkacheln, was gezielte Feldinspektionen und schnelle Reparaturen ermöglicht.

Stabilität der Qualitätsstufe

Für jedes Messsystem, das für die Längsschnittanalyse (Jahr-zu-Jahr) im Fahrbahnmanagement verwendet wird, ist Stabilität – die Eigenschaft, unter variierenden, aber nicht wesentlichen Bedingungen konsistente Ergebnisse zu liefern – von entscheidender Bedeutung. Das Qualitätsstufensystem ist darauf ausgelegt, über drei Variationsdimensionen stabil zu sein: zeitlich, beleuchtungsbedingt und kamerabedingt.

Zeitliche Stabilität bezieht sich auf die Konsistenz der Qualitätsstufen, wenn derselbe Fahrbahnabschnitt zu unterschiedlichen Zeiten erhoben wird. Ein Abschnitt, der sich physisch nicht verschlechtert hat, sollte in Erhebung 1 (Monat 0) und Erhebung 2 (Monat 12) dieselbe Note erhalten. Die zeitliche Stabilität wird durch wiederholte Erhebungsdurchgänge validiert, die am selben Tag und an verschiedenen Tagen durchgeführt werden. Testergebnisse zeigen, dass 95 % der Abschnitte bei wiederholten Durchgängen innerhalb desselben Erhebungszyklus identische mediane Qualitätsstufen erhalten. Die restlichen 5 % zeigen eine Abweichung von höchstens einer Stufe, die typischerweise auf vorübergehende Oberflächenbedingungen (Wasser, Schmutz, Schatten) und nicht auf Modellinstabilität zurückzuführen ist.

Beleuchtungsstabilität betrifft die Variation der Beleuchtungsbedingungen bei verschiedenen Erhebungsdurchgängen. Fahrbahnoberflächen, die bei direkter Sonneneinstrahlung, bedecktem Himmel, Dämmerung, Abenddämmerung und im Schatten aufgenommen werden, können visuell unterschiedlich aussehen, obwohl der physische Zustand identisch ist. Der DINOv3-Embedding-Raum wird mit umfangreicher Datenaugmentierung trainiert, einschließlich zufälliger Helligkeits-, Kontrast-, Sättigungs- und Farbtonanpassungen. Diese Augmentierung stellt sicher, dass das Modell sich bei der Bestimmung der Qualität nicht auf Beleuchtungshinweise verlässt. Der Cosine-kNN-Klassifikator trägt weiter zur Beleuchtungsstabilität bei, da die Cosine-Ähnlichkeitsmetrik invariant gegenüber der Vektorgröße ist – ein abgedunkeltes Bild erzeugt ein Embedding mit kleineren Größen, aber derselben Richtung, sodass seine Ähnlichkeit zu Referenz-Embeddings weitgehend unbeeinflusst bleibt.

Tests bestätigen die Beleuchtungsstabilität. Wenn 500 Kontrollabschnitte unter drei Beleuchtungsbedingungen (helle Sonne, stark bewölkt und Dämmerung/Morgendämmerung) aufgenommen werden, zeigen die medianen Qualitätsstufen pro Abschnitt ein Fleiss-Kappa von 0,91 über die Bedingungen hinweg, was auf eine nahezu perfekte Übereinstimmung hinweist. Abschnitte, die unter nicht idealen Lichtverhältnissen aufgenommen wurden (Nacht, starke Schatten von Straßenrandstrukturen), werden gekennzeichnet und aus der Erhebungsausgabe ausgeschlossen.

Kamerastabilität betrifft die Variation der Aufnahmehardware. Erhebungen, die mit verschiedenen Kameras (unterschiedliche Sensorgrößen, Objektivbrennweiten, Auflösungen oder Farbprofile) durchgeführt werden, liefern Qualitätsstufen, die innerhalb von 0,15 MAE konsistent sind. Dies wird durch die Standardisierung der Bildverarbeitungspipeline erreicht: Alle Rohbilder werden in einen gemeinsamen Farbraum (sRGB mit D65-Weißpunkt) konvertiert, auf eine feste Auflösung skaliert (typischerweise 1920×1080 oder 2048×1536 Pixel) und vor der Kachelung auf ein konsistentes Sichtfeld zentriert beschnitten. Das Embedding-Modell sieht nur die standardisierten Kacheln, nicht die rohe Kameraausgabe.

Kamerastabilität ist wichtig für Behörden, die mehrere Erhebungsfahrzeuge einsetzen oder die Kameraausrüstung zwischen Erhebungszyklen aufrüsten. Das Qualitätsstufensystem behält eine konsistente Messbasislinie bei, selbst wenn sich die Aufnahmehardware ändert.

Qualitätsstufe vs. PCI und andere Indizes

Die Qualitätsstufenskala (1-5 ordinal) koexistiert mit etablierten Fahrbahnzustandsindizes, nimmt jedoch eine andere Rolle im Fahrbahnmanagement-Ökosystem ein. Das Verständnis der Beziehung zwischen der Qualitätsstufe und diesen anderen Indizes ist für Behörden, die TarmacView in bestehende Arbeitsabläufe integrieren, von wesentlicher Bedeutung.

Der Fahrbahnzustandsindex (PCI) ist durch ASTM D6433 definiert und ein kontinuierlicher Index von 0 bis 100. Der PCI wird durch eine detaillierte Schadenserhebung berechnet: Identifizierung aller vorhandenen Schadensarten (es gibt 19 Schadensarten für Asphalt und 15 für Beton), Messung des Schweregrads jeder Art (niedrig, mittel, hoch) und Quantifizierung des Ausmaßes (als Prozentsatz der Fläche oder der Länge). Die PCI-Berechnung wendet die im Standard festgelegten Abzugswerte an, subtrahiert die Gesamtabzüge von 100 und ergibt den PCI-Wert. Der PCI ist der am weitesten verbreitete Fahrbahnzustandsindex in Nordamerika und wird von vielen staatlichen Verkehrsbehörden (DOTs) gefordert.

Die Qualitätsstufe korreliert mit dem PCI, bildet sich aber nicht linear darauf ab. Eine Qualitätsstufe von 1 entspricht im Allgemeinen einem PCI von 86-100 (Hervorragend). Stufe 2 entspricht grob einem PCI von 56-85 (Gut bis Zufriedenstellend). Stufe 3 entspricht einem PCI von 26-55 (Befriedigend bis Schlecht). Stufe 4 entspricht einem PCI von 11-40 (Schlecht bis Sehr schlecht). Stufe 5 entspricht einem PCI von 0-25 (Sehr schlecht bis Versagt). Die Abbildung weist jedoch eine Varianz auf – ein Abschnitt mit ausgedehnten, aber geringfügigen Rissen (PCI ~45) könnte Qualitätsstufe 3 erhalten, während ein Abschnitt mit einem einzelnen schweren Schlagloch, aber ansonsten intakter Oberfläche (PCI ~50) ebenfalls Qualitätsstufe 3 erhalten könnte. Die Qualitätsstufe ist eine ganzheitliche visuelle Bewertung und keine schadensbasierte technische Berechnung.

Die Fahrbahngebrauchstauglichkeitsbewertung (PSR) und der Gebrauchstauglichkeitsindex (PSI) sind ältere Maße aus dem AASHO-Straßentest (1958-1960). Der PSR ist eine subjektive 0-5-Bewertung, die von einem Gremium von Prüfern während der Befahrung der Fahrbahn vergeben wird. Der PSI ist ein berechneter Index aus Messungen von Unebenheit, Rissbildung, Flickstellen und Spurrillen. Die Qualitätsstufe unterscheidet sich vom PSR/PSI dadurch, dass sie rein visuell ist (nicht auf Fahrkomfort oder Unebenheit basiert) und vollständig automatisiert ist (kein menschliches Gremium erforderlich).

Der Internationale Unebenheitsindex (IRI) misst Längsprofilunebenheiten in Zoll pro Meile (oder Metern pro Kilometer). Der IRI ist ein funktionales Maß für die Fahrqualität. Die Qualitätsstufe ist ein strukturelles/visuelles Maß für den Oberflächenzustand. Die beiden sind komplementär, aber nicht austauschbar: Eine Fahrbahn mit starken Ermüdungsrissen, aber niedrigem IRI (glatt, aber gerissen) hätte eine schlechte Qualitätsstufe, aber einen akzeptablen IRI, während eine Fahrbahn mit Frostaufbrüchen, aber intakter Oberfläche eine gute Qualitätsstufe, aber einen schlechten IRI hätte. Behörden sollten sowohl IRI als auch Qualitätsstufe erfassen, um ein vollständiges Zustandsbild zu erhalten.

Der Fahrbahnqualitätsindex (PQI) ist ein zusammengesetzter Index, der IRI, Spurrillen und Oberflächenschäden in einer einzigen Bewertung vereint. Der PQI wird von einigen Behörden als vereinfachte Alternative zum PCI verwendet. Die Qualitätsstufe kann als Oberflächenschadenskomponente einer PQI-Formel dienen und manuelle Schadenserhebungen durch die automatisierte Qualitätsstufe ersetzen.

Behörden können auch einen Proxy-PCI aus der Qualitätsstufe berechnen. Durch Training eines Regressionsmodells, das Qualitätsstufen (plus Hilfsmerkmale wie Oberflächentyp und Alter) auf PCI-Werte abbildet, die an denselben Abschnitten gemessen wurden, können Behörden PCI-kompatible Zustandsausgaben aus der automatisierten Qualitätsstufen-Pipeline generieren. Der Proxy-PCI hat eine geringere Granularität als eine vollständige manuelle PCI-Erhebung (7 PCI-Kategorien gegenüber 100 diskreten Werten), ist aber für die Planung auf Netzebene ausreichend und vermeidet die Kosten manueller Erhebungen.

Qualitätsstufe in der Berichterstattung

Die letzte Stufe der Qualitätsstufen-Pipeline ist die Erstellung von Berichten, die den Fahrbahnzustand an Interessengruppen kommunizieren: Führungskräfte von Behörden, Ingenieure, Instandhaltungsplaner, gewählte Amtsträger und die Öffentlichkeit. Qualitätsstufendaten werden auf mehreren Aggregationsebenen dargestellt.

Dashboards auf Netzebene zeigen die Verteilung der Fahrspurmeilen nach Qualitätsstufe über das gesamte Behördennetz. Ein Kreis- oder gestapeltes Balkendiagramm zeigt den Prozentsatz des Netzes auf jeder Stufe. Trendlinien zeigen, wie sich die Verteilung über aufeinanderfolgende Erhebungszyklen verändert hat. Eine „Prozentsatz gut"-Metrik (der Prozentsatz der Fahrspurmeilen bei Stufe 1-2) ist ein häufiger Leistungsindikator (KPI), der in den strategischen Plänen von Behörden als Ziel gesetzt wird. Das Dashboard zeigt auch den Rückstau aufgeschobener Instandhaltung – die geschätzten Kosten, um alle Abschnitte der Stufen 4-5 auf mindestens Stufe 3 zu bringen.

Berichte auf Abschnittsebene listen jeden Straßenabschnitt im Netz mit seiner medianen Qualitätsstufe, der Anzahl der untersuchten Kacheln, dem IQR (Zustandsgleichmäßigkeit), der jährlichen Notenänderung und der empfohlenen Maßnahme basierend auf den Auslöseschwellen der Behörde auf. Abschnitte werden typischerweise nach Priorität sortiert (zuerst die schlechteste Note oder der höchste Risikowert). Diese Berichte sind die primären Arbeitsdokumente für die Entwicklung von Instandhaltungsprogrammen.

Problemstandortkarten überlagern Qualitätsstufendaten auf einer Karte eines Geografischen Informationssystems (GIS). Jede Straße ist farblich nach ihrer medianen Qualitätsstufe kodiert (z. B. grün = Stufe 1, gelb = Stufe 2, orange = Stufe 3, rot = Stufe 4, dunkelrot = Stufe 5). Hotspots (einzelne Kacheln der Stufe 5 in besseren Abschnitten) sind mit Punktsymbolen markiert. Die Karte ermöglicht eine schnelle visuelle Identifizierung des Netzzustands und der Lage der schlechtesten Abschnitte.

Eingaben für Asset-Management-Pläne formatieren Qualitätsstufendaten für die Integration in Lebenszykluskostenanalysen (LCCA) und Langfristplanungsmodelle. Die Note dient als Ausgangszustand für Leistungsvorhersagemodelle, die den zukünftigen Zustand unter verschiedenen Budgetszenarien prognostizieren. Die Modelle verwenden Verschlechterungskurven, die auf die Qualitätsstufenskala kalibriert sind: Ein Abschnitt, der bei Stufe 1 beginnt, verschlechtert sich nach N Jahren auf Stufe 2, nach M Jahren auf Stufe 3 usw., wobei die Übergangszeiten von Oberflächentyp, Verkehr, Klima und Instandhaltungsgeschichte abhängen.

Zusammenfassungen für Führungskräfte bieten eine hochrangige Synthese für nicht-technische Entscheidungsträger. Eine typische Zusammenfassung für Führungskräfte enthält die durchschnittliche Qualitätsstufe des Netzes, den Prozentsatz des Netzes im guten/befriedigenden/schlechten Zustand, die Veränderung gegenüber der vorherigen Erhebung und die Finanzierungslücke, die zur Erreichung des Zielzustands erforderlich ist.

Die Berichterstattung über Qualitätsstufen folgt den Datenqualitätsmanagementprinzipien des FHWA-Practical Guide. Berichte enthalten Metadaten über die Erhebung: Erhebungsdaten, Anzahl der gesammelten Kacheln, Datenvollständigkeit (Prozentsatz des erfolgreich erhobenen Netzes), Qualitätskontrollkennzeichen (Abschnitte, bei denen Beleuchtungs- oder Kameraprobleme die Daten beeinträchtigt haben) und Konfidenzintervalle für die Noten auf Abschnittsebene. Diese Transparenz ermöglicht es Behörden, die Zuverlässigkeit der gemeldeten Noten zu bewerten und fundierte Entscheidungen zu treffen.