Eine Vergleichsstudie von Deep Learning Architekturen für die automatische Symboldetektion in Bauwerksplänen

Der Einsatz von Building Information Modeling kann die Planung von Sanierungs- und Erhaltungsmaßnahmen effektiv unterstützen. Dafür werden digitale Bestandsmodelle benötigt, die automatisiert mithilfe von Künstlichen Neuronalen Netzen (KNN) nachträglich erstellt werden können. Bei dieser Erstellung spielt die Lokalisation und Klassifikation von Symbolen auf pixelbasierten Bauwerksplänen eine entscheidende Rolle, da Symbole essenzielle Informationen liefern. Für die Symbollokalisation und -klassifikation können verschiedene KNNs verwendet werden, wobei insbesondere die Einführung der Transformer-Architektur zu einer Erweiterung der Auswahlmöglichkeiten geführt hat. Daher ist es in der Praxis schwer zu entscheiden, welches KNN für den jeweiligen Anwendungsfall am besten geeignet ist. In dieser Arbeit wird eine Orientierungshilfe zur Auswahl von KNNs für die Symbolerkennung auf pixelbasierten Plänen vorgestellt. Dazu werden die Faltungsnetz-basierten neuronalen Netze Faster R-CNN und ConvNeXt mit dem Transformer-basierten neuronalen Netz Swin verglichen. Die Modelle werden auf Brückenbauplänen trainiert und anhand anwendungsorientierter Bewertungskriterien evaluiert und verglichen. Die Ergebnisse des Vergleichs zeigen, dass ConvNeXt die beste Detektionsgenauigkeit erzielt. Jedoch weisen alle KNNs Vor- und Nachteile in den verschiedenen Bewertungskriterien auf