WoodF(ea)uture – Entwicklung eines automatisierten Verfahrens zur Zustandsanalyse verbauter historischer Hölzer
Projektdurchführung
Otto-Friedrich-Universität Bamberg
Digital Technologies in Heritage Conversation
Am Zwinger 4
96047 Bamberg
Zielsetzung
Im Kontext von Klimawandel und Energiekrise sind Fragen der Energiebilanz und -effizienz von Gebäuden besonders relevant. Die Baudenkmalpflege trägt durch ihre wirtschaftlichen, ökologischen und soziokulturellen Aspekte der nachhaltigen Ressourcenverwendung und damit direkt zum Klimaschutz bei. Historische Bauten, die überwiegend aus dauerhaften Materialien und Konstruktionen bestehen, sind ein gutes Beispiel für Green Culture durch energie-schonende Nutzung und bestandsorientierte Weiterentwicklung. Die beim Bau alter Gebäude bereits eingesetzte (graue) Energie muss bei sorgfältiger und schonender Erneuerung, u.a. durch Einsatz nachhaltiger Baustoffe, nicht noch einmal aufgewendet werden.
Holz war schon immer ein nachhaltiger, ressourcen- und energieschonender Werkstoff und gehört zu den ältesten Baukulturen weltweit. Allein in Deutschland gilt die Holzarchitektur (Fachwerkhäuser, Dachwerke) als prägend. Es ist daher sowohl im Sinne der Denkmalpflege als auch zur zukünftigen Nutzung von Holz als Baumaterial wichtig, Eigenschaften, Zustand und Veränderung dieses Materials zu beobachten und zu verstehen. Dazu stehen heute vielversprechende Technologien wie optische 3D-Messtechnik und KI-basierte Datenanalyse zur Verfügung, die in diesem Sektor bisher noch kaum eingesetzt werden.
Ziel dieses Vorhabens ist, ein Verfahren zur automatisierten Bauteildokumentation und
-kontrolle für Altholzbauten im Bestand zu entwickeln. Dies beinhaltet:
- Entwicklung eines prototyphaften optischen Messsystems zur Bestands- und Merkmalsaufnahme;
- Entwicklung eines Automatisierungsverfahrens zur Merkmalsdetektion;
- Automatisierung des Informationstransfers in digitales 3D-Modell.
Im Laufe des Projektes werden folgende Ergebnisse angestrebt:
- Messverfahren bestehend aus innovativer Hardware (RTI-Sensor, patentiert) und Software (KI-gestützte Merkmalserkennung) zur objektiven und dokumentierten Festigkeitsanalyse von verbautem Altholz;
- Schnittstelle zur automatischen Übertragung von Holzkenngrößen an einen Digitalen Zwilling (basierend auf BauWolke-Software/BauCAD);
- Zukünftige Vermarktungsmöglichkeiten durch Sensor/Software und erweitertes Dienstleistungsangebot durch Gutachter.
Arbeitsschritte
Die Bearbeitung gliederte sich zeitlich in vier Phasen, die sich in den Zwischenberichten an die Deutsche Bundesstiftung Umwelt abbilden:
01/2024 – 06/2024 Aufbau der Bilddatenbank, erste KI-Modelle zur Astknotenerkennung; Konzeption und Bau des ersten RTI-Dome-Prototyps
07/2024 – 02/2025 Erweiterung der Datenbank um ca. 1.000 Beispiele; Optimierung des Erkennungsverfahrens; Neuentwicklung des RTI-Domes (Prototyp II); erste Feldaufnahmen im Dachstuhl der Dominikanerkirche Bamberg; erste SfM-Versuche aus RTI-Daten
03/2025 – 08/2025 Unabhängige Verfahrensvalidierung an 40 verbauten Balken (Karmelitenkloster Bamberg); Konzeption und Prototyp der Smartphone-Anwendung; Auswertung der RTI-basierten SfM-Modelle mit Vorabkalibrierung
09/2025 – 02/2026 Integration von RGB- und Infrarot-Stereodaten (mask-aware Framework); Beschaffung und Erprobung der aktiven Stereokamera OAK-D Pro; Ausbau der App um Bestandsplananbindung und Datentransfer nach BauCAD
03/2026 – 07/2026 Abschließende unabhängige Validierung des Gesamtverfahrens an 26 Balken mit 164 Referenzmaßen in RGB- und IR-Ansichten; Fehleranalyse und Priorisierung der Weiterentwicklung.
Grundlage des Verfahrens ist ein KI-gestützter Algorithmus, der aus digitalen 2D-Bildern von Holzoberflächen zwei Klassen von Objekten ableitet: die Balken- bzw. Brettkanten und die Astknoten. Beide werden segmentiert und als Bounding Boxes ausgegeben. Die Ästigkeit wird anschließend numerisch als Verhältnis der größten Astabmessung zur Breite der zugehörigen Kante bestimmt und in einen Ästigkeitsfaktor – im Sprachgebrauch der Anwendung den A-Faktor – überführt, aus dem sich die Sortierklasse ableiten lässt. Auf dieser Grundlage wurde ein KI-gestützter Arbeitsablauf zur automatisierten Ästigkeitserkennung entwickelt, der auf Deep Learning mit Convolutional Neural Networks (CNN) beruht.
Für präzisere Erkennung der Äste wurde ein maskenbasiertes (mask-aware) Framework entwickelt, das RGB-Daten mit aktiven Infrarot-Stereobildern zur Tiefenverfeinerung und zur multimodalen Mikrooberflächen-Rekonstruktion verbindet. Um eine objektive und von der Entwicklung unabhängige Bewertung des Systems zu erhalten, wurde eine Validierung an realen, verbauten Hölzern durchgeführt.
Zur höhere Sichtbarkeit feinster Oberflächenstrukturen wurde RTI-Sensor entwickelt, der nachträgiche visuelle Inpektion erlaubt.
Für die Übergabe an die Planung wurde eine Schnittstelle als Smartphone-App-Prototyp (TRL 3) zur BIM-Software BauCAD entwickelt.
Ergebnisse
Gemessen an den vier Teilzielen des Vorhabens ergibt sich folgendes Bild:
Automatisierung des Informationstransfers in ein digitales 3D-Modell auf Basis KI-gestützter Merkmalserkennung – wurde erreicht. Die Erkennungspipeline ist implementiert, unabhängig validiert und publiziert; die Übergabe des Ergebnisses in das Bauwerksmodell ist über die entwickelte Schnittstelle realisiert.
Die Genauigkeit der Ästigkeitsschätzung wurde durch Anpassung des KI-basierten Erkennungsmodells sowie Einführung weiterer Sensorik (IR-RGB-Fusionskamera) optimiert.
Ein Messverfahren aus innovativer Hardware und Software – wurde erreicht und in Teilen übertroffen. Der RTI-Dome erfüllt alle gesetzten Anforderungen an Kosten, Mobilität, Erfassungsrate und Beleuchtungsstabilität. Über die ursprüngliche Zielsetzung hinaus wurde nachgewiesen, dass sich aus denselben Aufnahmen zusätzlich photogrammetrische 3D-Modelle erzeugen lassen.
Die Schnittstelle zum digitalen 3D Modell – wurde erreicht.
Der Datentransfer über die Balken-ID in die BIM-Software BauCAD funktioniert, und die Einbindung von Bestandsplänen in die Anwendung geht in der Handhabbarkeit über die ursprüngliche Planung hinaus.
In der Schlussphase wurde das Gesamtverfahren ein zweites Mal unabhängig überprüft, nun im vollständigen Zusammenspiel von Aufnahme-App, Segmentierung, Entzerrung und Ästigkeitsberechnung. Grundlage war eine manuelle Referenzaufnahme an 26 Balken, bei der 164 Einzelmaße der jeweils maßgebenden Astknoten bestimmt wurden. Die Leistungsfähigkeit der Erkennung liegt damit deutlich über die Quote von 70%.
Im Projektverlauf ergaben sich einige Abweichungen vom ursprünglich geplanten Vorgehen. Die gingen auf im Vorhaben gewonnene Erkenntnisse zurück und wurden als Anpassungen der Methodik umgesetzt. Dazu gehören:
- Neuentwurf des RTI-Sensors mit eigener Platine und und 3D-gedruckter Kuppel;
- Vorabkalibrierung des RTI-Sensors über ein Testfeld statt Simultankalibrierung;
- Erweiterung des Erkennungsverfahren durch Einbindung der Infrarot-Stereokomponente und ein maskenbasiertes Fusionsframework für exakte Bestimmung der Astgrenzen.
Öffentlichkeitsarbeit
Die Projektergebnisse wurden über die Publikationsreihen der International Society for Photogrammetry and Remote Sensing (ISPRS) verbreitet, die für das Feld der Kulturguterfassung einschlägig und international zugänglich sind (s. Publikationsliste, Bericht, Teil 6 Öffentlichkeitsarbeit). Unter anderem wurden die mehodische Ansätze in den Fachcommunities diskutiert (ICOMOS, Oldenburger 3D Tage und BIM, Denkmalmesse in Leipzig). Zwischenergebnisse wurden fortlaufend intern an der Universität Bamberg im Rahmen der Tagungen des Zentrums für innovative Anwendungen der Informatik (ZIAI) vorgestellt und in der Fachcommunity diskutiert. Über die Plattform LinkedIn wurde unter dem Hashtag #woodfeauture kontinuierlich über den Projektfortschritt berichtet. Das Vorhaben ist zudem auf den Webseiten der Universität Bamberg öffentlich dargestellt (https://fis.uni-bamberg.de/entities/project/06de3460-d195-4a50-9cda-02df3e544842). Ergänzend informiert das Institut für Angewandte Photogrammetrie und Geoinformatik (IAPG) der Jade Hochschule Oldenburg auf seiner Webseite über das Vorhaben.
Programmcode zur End-to-end KI-Pipeline zur Ästigkeitserkennung wurde auf der Plattform Github veröffentlicht (https://woodknot-cipa25.github.io/)
Fazit
Das Vorhaben WoodF(ea)uture hat gezeigt, dass die zerstörungsfreie, bildbasierte Nachsortierung verbauter historischer Hölzer technisch möglich und mit Mitteln umsetzbar ist, die für die Praxis erreichbar sind. Am Ende der Laufzeit liegt ein durchgängiger Arbeitsablauf vor, der von der Aufnahme am Balken über die automatisierte Auswertung bis zur bauteilscharfen Übergabe in das Bauwerksmodell läuft und an realen, bis zu 700 Jahre alten Hölzern erprobt wurde. Die eingeschlagene Vorgehensweise hat sich bewährt. Ausschlaggebend war die frühe und konsequente Arbeit am realen Objekt.
Im Projektfokus stand zuverlässige Detektion der Balken-Ästigkeit als zentrale Herausforderung, die im Laufe des Projekte gelöst sowie durch Einsatz weiterer Sensorik optimiert wurde. Das entwickelte Verfahren wurde in Form eines Smartphone-App-Prototypen entwickelt. Für die Erfassung schwer zugänglicher Bereiche im Bestand – nicht nur an Holz – liegt darin ein eigenständiges Anwendungspotenzial für Handwerker.
Hervorzuheben ist schließlich die durchweg gute und fruchtbare Zusammenarbeit aller Beteiligten. Die Verbindung von denkmalfachlicher und holzkundlicher Expertise, photogrammetrischer Sensorentwicklung, KI-gestützter Bildauswertung sowie praktischer Software- und Planungserfahrung hat das Vorhaben in jeder Phase getragen. Dieser Verbund bildet zugleich die Grundlage für die gemeinsame Bearbeitung Bearbeitung der angrenzenden Forschungsfragen über das Projektende hinaus.