Case Study · Computer Vision für Badenova

KI-Kanalinspektion für Badenova

SewerScan erkennt Kanalschäden in Inspektionsvideos — mit einem vortrainierten YOLO-Modell, geprüft auf reale Badenova-Inspektionsdaten, und einem Review-Cockpit mit Geokarte und Kanban.

SewerScan-Dashboard mit Wartungsprioritäten, Schadensklassen-Verteilung und Karte der Befunde — Screenshot aus dem Prototyp.

AUSGANGSLAGE

Problem

Kanalinspektion ist Handarbeit: Ein Techniker sichtet jedes Bild jedes Inspektionsvideos — bis ein kritischer Befund auf dem richtigen Schreibtisch landet, können bis zu sieben Tage vergehen.

SO FUNKTIONIERT ES

Lösung & Architektur

Lösung

Das Modell markiert, der Inspektor entscheidet

Ein vortrainiertes YOLO-Modell geht das Inspektionsvideo Bild für Bild durch und markiert Verdachtsstellen: Risse, Fugenfehler, Anschlüsse, Wurzeleinwuchs und Ablagerungen. Das Review-Cockpit zeigt Inspektoren nur noch diese Frames — sortiert nach Dringlichkeit, verortet auf einer Karte, mit Konfidenzwert je Fund. Bestätigen oder ablehnen entscheidet immer ein Mensch; das Modell gibt nichts frei. Gebaut habe ich das mit zwei weiteren Entwicklern, 143 der 192 Commits stammen von mir.

Kanban-Board mit den Spalten Offen, Bestätigt und Abgelehnt
Geokarte, die den Status jedes Auftrags zeigt
Jeder Fund mit Zeitstempel im Video und Konfidenzwert

SewerScan-Review-Board mit den Kanban-Spalten Offen, Bestätigt und Abgelehnt, Fundbildern und KI-Konfidenz

Ergebnis

Gemessen, nicht geschätzt

Gegenüber der manuellen Sichtung haben wir 90 % Zeitersparnis gemessen. Getestet wurde gegen zurückgehaltene Bilder: 138 beschriftete Aufnahmen, die das Modell nie gesehen hatte, dazu Frames ganz ohne Schaden — sonst sieht jedes Modell gut aus. Zwei an Badenova angepasste Varianten blieben unter der vorher festgelegten Schwelle und wurden verworfen; im Prototyp läuft deshalb das unveränderte Basismodell mit vorsichtig gesetzten Grenzwerten. Die Jury bewertete das Ergebnis mit 4,4 von 5.

Metriken je Schadensklasse, nicht nur ein Gesamtwert
Schwelle vorher festgelegt, nicht nachträglich an das Ergebnis angepasst
Ergebnis: das unveränderte Basismodell, mit vorsichtig gesetzten Grenzwerten

ARCHITEKTUR

Erst prüfen, dann einsetzen

Schaubild der SewerScan-Modellentwicklung: Ein vortrainiertes Basismodell wird mit zwei Fine-Tune-Kandidaten an Badenova angepasst und auf 138 beschrifteten Bildern sowie separaten Clean- und Background-Frames geprüft. Beide Kandidaten werden abgelehnt; das Basismodell bleibt im Einsatz.

Schaubild des SewerScan-Einsatzes: Aus dem Kanalvideo markiert die KI Verdachtsstellen, das Cockpit priorisiert die Befunde und ein Mensch bestätigt oder verwirft jeden Fund. — Schematische Darstellung, kein Screenshot.

Ergebnisse

gemessene Zeitersparnis bei der Sichtung: 90 %gemessene Zeitersparnis bei der Sichtung
erkannte Schadensklassen: 5erkannte Schadensklassen
Bilder im Eval-Set, inklusive Negativbeispielen: 138Bilder im Eval-Set, inklusive Negativbeispielen
Jury-Bewertung: 4,4/5Jury-Bewertung

NACHWEIS & EINORDNUNG

Was belegt ist – und wo die Aussage endet

Die vier Felder trennen meinen Beitrag, den Projektkontext, die Messgrundlage und die Grenzen der Ergebnisse.

Mein Anteil: Fullstack- und ML-Entwicklung im Dreierteam. 143 der 192 Repository-Commits stammen von mir; umgesetzt wurden unter anderem Modellintegration und das Review-Cockpit mit Karte, Kanban und menschlicher Freigabe.
Team & Kontext: SewerScan entstand mit zwei weiteren Entwicklern beim Badenova-Hackathon und blieb ein Prototyp. Badenova war Gastgeber und stellte die Inspektionsdaten bereit — das ist weder eine Produktfreigabe noch eine Empfehlung.
Messgrundlage: Die Evaluation nutzte 138 zurückgehaltene, beschriftete Bilder einschließlich Negativbeispielen. Zwei angepasste Varianten verfehlten die vorab festgelegte Schwelle; eingesetzt wurde deshalb das unveränderte Basismodell. Gegenüber der getesteten manuellen Sichtung wurden 90 % Zeitersparnis gemessen; die Jury vergab 4,4/5.
Grenzen: Die Ergebnisse stammen aus einem Hackathon-Prototyp und belegen keinen Produktivbetrieb. Die 90 % gelten für den getesteten Sichtungsablauf; es werden keine allgemeine Erkennungsquote und keine Übertragbarkeit auf andere Kanalnetze behauptet. Jeder Befund bleibt unter menschlicher Kontrolle.