KI-gestützte Analyse von Tiefbauleistungen im Glasfaserausbau

Projektfakten:

• Kunde: OXG Glasfaser GmbH, Anbieter von Telekommunikationsinfrastruktur und Glasfaserausbau

• Projektziel: Automatisierung der Teilaufmaßprüfung für Tiefbauarbeiten mithilfe von künstlicher Intelligenz

• Team: bis zu vier TNG Expertinnen und Experten

• Implementierung: Proof of Concept ab Mai 2025, Umsetzung ab Juli 2025

• Erfolge: objektive und vollständige Prüfung von Tiefbauteilaufmaßen hinsichtlich Streckenlängen und Oberflächenklassifikationen statt stichprobenartiger Kontrollen

Die Ausgangssituation

OXG plant, in den kommenden Jahren rund sieben Millionen Haushalte an ein Glasfasernetz anzubinden. Dafür müssen Glasfaserleitungen über viele zehntausend Kilometer verlegt werden.

Mit dem Start der Tiefbauarbeiten rückte die Prüfung der Leistungen der Baudienstleister zunehmend in den Fokus. Die Abrechnung erfolgt unter anderem nach verlegter Streckenlänge sowie nach der Art der Oberflächen, beispielsweise Asphalt oder Pflaster. Bisher haben Mitarbeiterinnen und Mitarbeiter von OXG die in den Teilaufmaßen angegebenen Strecken zu Fuß mit einem Messrad überprüft. Ein solcher Prozess skaliert jedoch nicht auf den großflächigen Ausbau.

Unser Ziel

OXG hat uns zunächst damit beauftragt zu evaluieren, ob sich die Teilaufmaßprüfung mit Hilfe künstlicher Intelligenz automatisieren lässt. Ziel war es, die tatsächlich erbrachten Bauleistungen nachvollziehbar und vollständig zu belegen und gleichzeitig den manuellen Prüfaufwand deutlich zu reduzieren.

Unser Vorgehen

In einem ersten Schritt haben wir in einem Proof of Concept die technische Machbarkeit nachgewiesen. Auf dieser Grundlage konnten wir zwei Monate später mit der Entwicklung einer produktiven Lösung beginnen.

Für die Dokumentation der Tiefbauarbeiten erstellen die Baudienstleister während der Bauausführung digitale Scans der Trassen. Diese Bilddaten bilden die Grundlage unserer Lösung. Zur automatischen Erkennung und Klassifizierung unterschiedlicher Straßen- und Gehwegoberflächen haben wir ein neuronales Netz für die Bildsegmentierung trainiert.

Für die Erstellung der Trainingsdaten setzen wir LabelMe als Annotationstool ein. Die Trainingspipeline implementieren wir in Python mit PyTorch und werten den Trainingsfortschritt mit TensorBoard aus.

Ergänzend haben wir eine Webanwendung entwickelt, die die Scans in einer Kartenansicht visualisiert. Dafür verarbeiten wir die Geokoordinaten mit GDAL und stellen die Bilddaten als Cloud Optimized GeoTIFFs (COG) bereit. Baudienstleister können dort:

• den Verlauf der gegrabenen Trasse einsehen,

• die automatisch ermittelten Streckenlängen übernehmen und

• bei Bedarf Oberflächenklassifikationen manuell korrigieren, zum Beispiel wenn Scans fehlen, verschoben oder verdeckt sind.

Alle Anpassungen fließen direkt in die Grundlage für die spätere Rechnungsprüfung ein.

Technologisch setzen wir dafür auf Python im Backend sowie TypeScript, React und OpenLayers im Frontend. Die Lösung wird in AWS betrieben.

Das Ergebnis

Mit der neuen Lösung können Baudienstleister die ermittelten Trassenverläufe und Streckenlängen direkt bei der Teilaufmaßeinreichung einsehen und übernehmen. OXG verfügt damit über eine transparente und gut nachvollziehbare Basis für die Prüfung der eingereichten Leistungen.

Ein wesentlicher Mehrwert liegt in der Skalierbarkeit des Prozesses: Statt aufwendiger Vor-Ort-Kontrollen oder stichprobenartiger Prüfungen ist nun eine durchgängige Bewertung der abgerechneten Leistungen möglich.

Auch nach dem erfolgreichen Go-live im Mai 2026 entwickeln wir die Anwendung gemeinsam mit OXG weiter. Im Fokus stehen die Erweiterung um Zeichenwerkzeuge in der Webanwendung, um fehlende Trassenstücke direkt ergänzen zu können sowie die Auswertung von Grabentiefe und -breite für eine noch genauere Abrechnung.

Im Rahmen des Big Techdays 26 hat unser Kunde zusammen mit uns einen Vortrag über dieses Projekt gehalten. Die gesamte Aufzeichnung können Sie hier sehen.