Automated recognition and valuation of reusable building components using state-of-the-art object detection : a case study on multi-family redevelopment properties

Abstract

Der Bau- und Immobiliensektor erzeugt ca. 39% der globalen Treibhausgasemissionen und 36% des festen Abfalls. EU-Vorgaben fordern mittelfristig eine 70%-ige Wiederverwendung oder das Recycling von Bau- und Abbruchabfällen, doch Vorab-Auditierungen sind langsam, teuer und von wenigen Experten abhängig. Diese Arbeit untersucht, ob moderne Objekterkennung und Regression die Inventarisierung wiederverwendbarer Gebäudekomponenten automatisieren und deren Wert schätzen können. Videos von elf klassischen Wiener Zinshäusern mit Sanierungsbedarf wurden von Fachexperten für sieben Objektklassen annotiert. YOLOv11 und Mask R-CNN wurden mit identischem Labelraum trainiert und auf einem Test-Split evaluiert. Ein Regressionsmodell sagte den Komponentenwert basierend auf Klassenzugehörigkeit und Vorhersagekonfidenz voraus. Bewertet wurden Objekterkennung (AP@0.5, mAP@0.5:0.95, F1-Kurven, Konfusionsmatrizen), Kalibrierung (ECE) sowie Wertermittlung (ME, MAE, RMSE, Bland–Altman). Eine Fallstudie verglich Aufwand und Kosten von Mensch und KI. Mask R-CNN erreichte AP50 = 0.046 und YOLOv11 AP50 = 0.019; die maximalen F1-Werte lagen bei ca. 0.104 bzw. ca. 0.144. Die Kalibrierung verringerte den ECE von 0.779 auf 0.609. Bei 44 abgeglichenen Gegenständen betrug der mittlere Fehler –14,77€, MAE=19,32€ und RMSE=32,42€, wobei 90.9% der Residuen innerhalb der Limits of Agreement lagen. Menschliche Experten bewerteten im Durchschnitt ca. 1,925€ pro Immobilie, die KI ca. 1,275€ (33% Bias). Die KI-Pipeline erzielte einen Zeitgewinn von ca. 22.5x (ca. 20 min. vs 450 min. pro Immobilie). Unsere Forschungsarbeit zeigt somit, dass Computer-Vision-Modelle wiederverwendbare Gebäudekomponenten trotz niedriger mAP zuverlässig erkennen und bewerten können. Die KI neigt zur Unterbewertung, doch lassen sich Bias mittels Kalibrierung reduzieren. Die Pipeline reduziert den Aufwand drastisch und ermöglicht die Erfassung durch Laien, was die Circular Economy fördert. Zukünftige Arbeiten sollten temporale Verfolgung, eine größere Datensammlung und reichere Annotationen untersuchen, um Genauigkeit und Generalisierbarkeit zu verbessern.

The construction and real estate sector produces approx. 39% of global greenhouse-gas emissions and 36% of solid waste. EU regulations mandate in the medium-term 70% reuse or recycling of construction and demolition waste, but pre-demolition audits are slow, costly and reliant on scarce domain experts. This thesis investigates whether state-of-the-art object detection and regression models can automate the inventorying of reusable building components and estimate their recoverable value. Videos of eleven Viennese multi-family buildings in need of renovation were annotated by domain experts for seven object classes. YOLOv11 and Mask R-CNN were trained with identical label spaces and evaluated on a held-out test split. A regression model predicted component value based on detection confidence and class. We assessed detection performance (AP@0.5, mAP@0.5:0.95, F1 sweeps, confusion matrices), calibration (ECE) and value estimation (ME, MAE, RMSE, Bland–Altman). A human–vs-AI case study compared time and cost efficiency. Mask R-CNN reached AP50 = 0.046 and YOLOv11 AP50 = 0.019; F1 maxima were ca. 0.104 and ca. 0.144. Calibration reduced ECE from 0.779 to 0.609. On 44 matched items the mean error was –14.77€, MAE=19.32€ and RMSE=32.42€, with 90.9% of residuals within the limits of agreement. Human experts recovered ca. 1,925€ per property whereas AI recovered ca. 1,275€, a 33% bias. The AI pipeline achieved a ca. 22.5x speed-up (ca. 20 min. vs 450 min. per property). Our research demonstrates that computer-vision models can reliably detect and value reusable building components despite low frame-level mAP. While the AI tends to undervalue assets, calibration and post-processing mitigate bias. The pipeline dramatically reduces time and cost, enabling layperson captures and democratizing circular-economy audits. Future work should explore temporal tracking, dataset expansion and richer annotations to improve accuracy and generalization.