In Deutschland gibt es ca. 30.000 km Autobahnen und Fernstraßen. Um eine rechtzeitige Ausbesserung von Schäden zu ermöglichen, ist eine regelmäßige Kontrolle notwendig, bei der Risse gefunden und bewertet werden. Zu diesem Zweck wurde in dieser Arbeit ein Mustererkennungssystem aufgebaut, welches mit Mitteln der digitalen Bildbearbeitung und durch den Einsatz neuronaler Netze, ausgehend von digitalen Bildern, eine systematische, objektive und automatisierte Bildauswertung ermöglicht. Ein Mensch, der ein Bild betrachtet, sieht scheinbar spontan und mühelos Strukturen und Muster. Allerdings handelt es sich hierbei bereits um eine sehr komplexe Analyse. Sie basiert auf der Fähigkeit des menschlichen Gehirns visuelle Daten zu erfassen, zu abstrahieren und Muster wiederzuerkennen sowie jahrelanger Erfahrung. Für den Aufbau eines automatisierten Systems, welches dies leistet, wurde ein entsprechender Mustererkennungsprozess entwickelt. Hierfür standen 924 Bilder eines 250 m langen asphaltierten Straßenabschnittes zur Verfügung. Die Bewertung des Bildmaterials wurde von Ingenieuren aus dem Straßenbau vorgenommen. Ein einzelnes Bild (ca. 1 m x 1,4 m) besteht aus 5 Millionen Pixel. Dies kann nicht in dieser Form direkt ausgewertet werden. Zunächst erfolgt eine Bildbearbeitung. Diese beinhaltet eine Reduktion der Farbtiefe und eine Korrektur der Ausleuchtung. Darauf folgt die Bildverarbeitung, beginnend mit der Segmentierung des Bildes. Potenziell interessante Strukturen und Objekte werden als solche erkannt, identifiziert und vom Hintergrund isoliert. Ist dies geschehen, werden die so gefundenen Objekte näher analysiert, um Kenngrößen zu extrahieren, welche die Objekte in knapper Form charakterisieren. Auf der Basis dieser Kenngrößen erfolgt dann im letzten Schritt eine Klassifizierung durch ein neuronales Netz. Hierbei wurden im Mittel Fehlerquoten von 15-20 % Prozent erreicht. Durch eine weitere Optimierung des Systems konnte bei der Erkennung von Schäden ein Fehler von unter 10 % erreicht werden.

In Germany there are approximately 30.000 km of highways. In order to maintain and to repair these roads, they have to be monitored regularly in order to find and judge fissures in time. For this task a pattern recognition system was established, based on digital image processing and neuronal networks. It provides a systematic, objective and automated analysis for digital images. When humans look at images they seem to recognize pattern and structures spontaneously without any effort. However this is a very complex analysis. lt is based on the ability of the human brain to understand visual data, to abstract and to recognize patterns and on many years of experience. In order to build a system providing these abilities, a suitable pattem recognition system was designed. For this task 924 images of a 250 m long road section were available. The evaluation of these images was done by road construction engineers. One images has a resolution of 5 million pixels. This amount of data cannot be evaluated directly. Preprocessing is needed such as reducing the color depth and correcting the lightning of the images. Further the images have to be segmented. This means that potentially interesting structures and objects that might represent fissures, have to be found and isolated from the background. When this is done the objects found have to be analyzed in order to extract features, characteristic values describing these objects in a lean form. Based on these extracted features a classification is done in the last step, using a neuronal feedforward network. This way a mean error rate of 15-20 % was achieved. With further optimization error rates below 10 % were achieved for the detection of damages.