Training und Anwendung eines KI-Modells zur Erkennung von Gehsteigbreiten

Abstract

Diese Arbeit untersucht die Möglichkeiten und Grenzen einer KI-gestützten Klassifizierung von Gehsteigbreiten auf Basis frei verfügbarer Street-View-Bilder am Beispiel Wiens. Ausgangspunkt ist die eingeschränkte Verfügbarkeit flächendeckender, aktueller und konsistenter Daten zu Gehsteigbreiten. Ziel der Arbeit ist es, zu prüfen, ob Gehsteigbreitenklassen mithilfe von Deep-Learning-Verfahren aus Straßenraumbildern abgeleitet werden können. Methodisch wurde zunächst ein direkter Bildklassifikationsansatz getestet, der jedoch aufgrund mangelnder Nachvollziehbarkeit der Modellentscheidungen verworfen wurde. Darauf aufbauend entstand ein modularer Workflow, der semantische Segmentierung, monokulare Tiefenschätzung und eine abschnittsbasierte Breitenableitung kombiniert.Die Evaluierung erfolgte qualitativ anhand ausgewählter Fallbeispiele sowie quantitativ durch einen Vergleich mit dem Wiener Referenzdatensatz zu Gehsteigbreiten. Insgesamt wurden 23 418 Bilder verarbeitet, von denen 8525 einem Referenzdatensatz zugeordnet werden konnten. Die Gesamtübereinstimmung lag bei 64 %. Die Ergebnisse zeigen, dass der Ansatz bei klar sichtbaren Gehsteigflächen, erkennbaren Gehsteigkanten und geeigneter Perspektive plausible Resultate liefert. Fehler treten vor allem bei Verdeckungen, Kreuzungsbereichen, fragmentierter Segmentierung und ungeeigneten Kamerapositionen auf.Die Methode eignet sich daher derzeit nicht als Ersatz für präzise Vermessungen, kann aber als skalierbares Screening-Werkzeug dienen, um potenzielle Engstellen zu identifizieren und vertiefende Erhebungen gezielter vorzubereiten.

This thesis examines the possibilities and limitations of AI-supported classification regarding sidewalk widths based on freely available street-view imagery, using Vienna as an example. The starting point is the limited availability of comprehensive, up-to-date, and consistent data on sidewalk widths.The aim of the thesis is to assess whether sidewalk width classes can be derived from streetscape images using deep learning methods. First, a direct image classification approach was tested. However, it was rejected because the model’s decision-making process lacked transparency. Building on this, a modular workflow was developed that combines semantic segmentation, monocular depth estimation, and section-based width derivation.The evaluation was conducted qualitatively using selected case studies and quantitatively through comparison with the Vienna reference dataset on sidewalk widths. A total of 23 418 images were processed and 8525 could be matched to the reference dataset. The overall agreement was 64%. The results show that the approach produces plausible outcomes when sidewalk surfaces are clearly visible, curb edges are identifiable, and the camera perspective is suitable. Errors occur primarily in cases of occlusion, intersection areas, fragmented segmentation, and unsuitable camera positions.At its current stage, the method is therefore not suitable as a replacement for precise surveying. However, it can serve as a scalable screening tool to identify potential bottlenecks and to support more targeted follow-up surveys.