7. Brückenkolloquium - September 2026 419 Potenziale und Grenzen bildbasierter und KI-gestützter Verfahren für die digitale Bauwerksprüfung Segmentierung, Verortung, Relokalisierung und qualifizierte Zustandsinformation im Prüfprozess Jessica Steinjan, B. Eng. HOCHTIEF Engineering GmbH, Essen Dipl.-Ing. Jan-Derrick Braun HOCHTIEF Engineering GmbH, Essen Patrick Herbers, M. Sc. Ruhr-Universität Bochum (RUB) Lisa Freifrau von Rössing, M. Sc. Ruhr-Universität Bochum (RUB) Bernhard Braun, M. Eng. Bundesanstalt für Straßen- und Verkehrswesen (BASt), Bergisch Gladbach Regina Panzer, M. Eng. Bundesanstalt für Straßen- und Verkehrswesen (BASt), Bergisch Gladbach Prof. Dr.-Ing. Markus König Ruhr-Universität Bochum (RUB) Zusammenfassung Bildbasierte und KI-gestützte Verfahren habe das Potenzial, bei der Zustandsfeststellung von Ingenieurbauwerken im Prozess der Bauwerksprüfung einen Beitrag leisten zu können. Im Mittelpunkt stehen die fachlich entscheidenden Zwischenschritte zwischen Bildaufnahme und nutzbarer Zustandsinformation: die Segmentierung sichtbarer Schäden in Bilddaten, ihre bauteilbezogene 3D-Verortung, die Zuordnung von Schäden über mehrere Prüfzyklen, die strukturierte Beschreibung als Schadensobjekte sowie die Bewertung der Aussagekraft bzgl. Dauerhaftigkeit unter realen Einsatzbedingungen. Die Ausführungen basieren auf den in den Forschungsarbeiten zu BRIX und BRIX2 entwickelten modularen Bausteinen für eine digitale Bauwerksprüfung. Fachlich betrachtet wurden Verfahren zur bildbasierten Schadenserkennung und -segmentierung mit Ansätzen zur 3D-Verortung in Bauwerksmodellen, zur Wiederauffindung identischer Schadstellen, zur Definition anwendungsbezogener Qualitätsmetriken und Toleranzen sowie Verfahren zur transparenten Darstellung algorithmischer Ergebnisse kombiniert. Ergänzend wurden nutzerorientierte Interaktionskonzepte für AR-gestützte Prüfprozesse und die Einbindung in bestehende Datenstrukturen wie SIB-BW bzw. modellbasierte Informationsräume untersucht. Der Mehrwert dieser Verfahren liegt nicht in einer automatisierten Zustandsbewertung, sondern in der Erzeugung räumlich und semantisch referenzierter Schadensinformationen, die Prüfende bei Dokumentation, Nachverfolgung und Bewertung unterstützen. Zugleich werden die Grenzen dort sichtbar, wo Kontextwissen, konstruktive Zusammenhänge und ingenieurmäßige Beurteilung unverzichtbar bleiben. 1. Einleitung und Motivation Die Erhaltung von Brücken- und Ingenieurbauwerken stellt die Infrastrukturbetreiber seit Jahren vor wachsende Herausforderungen. Ein zunehmender Anteil des Bestands erreicht hohe Nutzungsdauern, während vormals nicht absehbare Verkehrsbelastungen, Umwelteinwirkungen und steigende Anforderungen an Verfügbarkeit, Sicherheit und Wirtschaftlichkeit den Erhaltungsdruck weiter erhöhen. Die Bauwerksprüfung nach DIN 1076 bildet dabei eine zentrale Grundlage für die Bewertung von Dauerhaftigkeit, Standsicherheit und Verkehrssicherheit sowie für nachgelagerte Entscheidungen im Erhaltungsmanagement. Gleichzeitig ist dieser Prozess bis heute in hohem Maß von manuellen Arbeitsschritten, subjektiven Einschätzungen und heterogenen Dokumentationspraktiken geprägt. 420 7. Brückenkolloquium - September 2026 Potenziale und Grenzen bildbasierter und KI-gestützter Verfahren für die digitale Bauwerksprüfung Vor diesem Hintergrund gewinnen digitale Verfahren an Relevanz, weil sie neue Informationszugänge für die Zustandsfeststellung eröffnen. Hochaufgelöste Bilddaten, mobile Erfassungssysteme, Punktwolken, digitale Bauwerksmodelle und KI-Methoden ermöglichen es, sichtbare Schäden systematisch zu erfassen und algorithmisch auszuwerten. Für die Bauwerksprüfung ist dabei insbesondere die Kombination mehrerer Verarbeitungsschritte von Interesse: die Segmentierung von Schadensbereichen in Bilddaten, ihre geometrische Zuordnung zu einem Bauwerksmodell, die strukturierte Beschreibung als digitale Schadensobjekte und die Verknüpfung mit bestehenden Dokumentations- und Erhaltungsprozessen. Der fachliche Wert solcher Verfahren ergibt sich damit nicht aus einer einzelnen Modellentscheidung, sondern aus der Qualität der gesamten Informationskette. Die weiterführende Forschungsfrage lautet daher nicht, ob KI-basierte Systeme Schäden grundsätzlich erkennen können, sondern welche fachlich belastbaren Informationen aus Bilddaten tatsächlich gewonnen werden können. Für eine Nutzung im Prüfprozess müssen erkannte Schadensbereiche einem Bauteil zugeordnet, räumlich verortet, in ihrer Identität über die Zeit wiedergefunden und in einer Form dokumentiert werden, die an bestehende Erhaltungs- und Bewertungssysteme anschlussfähig ist. Dabei muss auch die Abgrenzung relevanter Informationen hinsichtlich der Weiterverarbeitung und Vorhaltung beachtet werden. Hinzu kommt die Frage, mit welchen Genauigkeiten, Unsicherheiten und Toleranzen solche Informationen versehen werden müssen, damit sie im ingenieurmäßigen Kontext sachgerecht interpretiert werden können. Genau an dieser Stelle verläuft die Grenze zwischen einer guten Bildauswertung und einem praxistauglichen Beitrag zur Bauwerksprüfung. Die Projekte BRIX und BRIX2 setzen an dieser Schnittstelle an. Sie betrachten bildbasierte und KI-gestützte Verfahren nicht isoliert als algorithmisches Problem, sondern im Zusammenhang mit den Anforderungen realer Bauwerksprüfungen, bestehender Regelwerke, der Dokumentation in Erhaltungssystemen und der Einbindung in digitale Bauwerksmodelle. Damit verschiebt sich der Fokus von der reinen technischen Machbarkeit hin zur fachlichen Verwendbarkeit: Welche Informationen lassen sich aus Bilddaten tatsächlich zuverlässig gewinnen? Welche Qualitätsgrenzen müssen beachtet werden? Welche zusätzlichen Kontextinformationen sind notwendig, um Ergebnisse sachgerecht zu interpretieren? Und wie können diese Informationen so auf bereitet werden, dass sie Prüfende bei der Bewertung und Nachverfolgung von Schäden wirksam unterstützen [1], [6], [7]? Der vorliegende Beitrag greift diese Fragen auf und ordnet die Potenziale und Grenzen bildbasierter Verfahren in der Zustandserfassung von Bauwerken am Beispiel der Projekte BRIX und BRIX2 ein. Ziel ist, den Mehrwert digitaler Verfahren dort herauszuarbeiten, wo sie einen substanziellen Beitrag zur Bauwerksprüfung leisten können, und zugleich ihre Grenzen klar zu benennen. Der wissenschaftliche Beitrag liegt damit in einer differenzierten Betrachtung der Schnittstelle zwischen automatisierter Schadenserfassung und ingenieurmäßiger Bewertung. 2. Stand der Technik und Herausforderungen Die aktuelle Forschung zur digitalen Bauwerksprüfung konzentriert sich im Wesentlichen auf vier methodische Ebenen: die Segmentierung sichtbarer Schäden in Bilddaten, ihre räumliche Zuordnung zu Bauwerk und Bauteil, die Verwaltung durch strukturierte Informationsmodelle sowie die Bereitstellung der Ergebnisse in nutzbaren Arbeitsumgebungen. Der Entwicklungsstand ist dabei heterogen. Während für die Bildauswertung inzwischen belastbare Ansätze und Datensätze vorliegen, sind Verortung, Relokalisierung und prozessuale Einbindung deutlich weniger ausgereift [2], [3], [5]. Für die bildbasierte Schadenserkennung ist insbesondere die Entwicklung differenzierter Segmentierungsansätze relevant. Mit dacl10k [2] steht ein Datensatz zur Verfügung, der reale Bauwerksschäden mit mehreren Schadens- und Bauteilklassen abbildet und damit eine deutlich realitätsnähere Grundlage bietet als frühere, stark auf Einzelschäden reduzierte Crack-Datensätze. Ergänzend zeigen neuere Arbeiten, dass Segmentierung im Prüfkontext vor allem dann fachlich anschlussfähig wird, wenn sie nicht als Endergebnis verstanden wird, sondern als Vorstufe für weiterführende Lokalisierungs-, Zuordnungs- und Bewertungsprozesse [3]. Genau an dieser Stelle zeigt sich die zentrale Grenze des bisherigen Stands der Technik: Gute Ergebnisse auf Bildebene bedeuten noch nicht, dass daraus prüf bare, wiederauffindbare und fachlich interpretierbare Schadensinformationen entstehen. Für den Einsatz in der Bauwerksprüfung müssen Bildbefunde einem Bauteil zugeordnet, räumlich verortet, über die Zeit wiedererkannt und in bestehende Dokumentationslogiken eingebettet werden. Diese Kopplung zwischen visueller Evidenz, räumlichem Bezug und fachlicher Bedeutung ist bislang nur in Ansätzen gelöst [3], [5], [7]. Ein wesentlicher Entwicklungsschritt besteht daher in Verfahren, die historische oder aktuelle Schadensbilder in einen 3D-Bezugsraum überführen. Zum Beispiel verdeutlichen 2D-3D-Fusionsverfahren, dass Verortung durch die Kombination visueller und räumlicher Informationen wesentlich verbessert werden kann [10]. Offen ist jedoch weiterhin, welche Genauigkeiten und Robustheiten für eine belastbare Relokalisierung im wiederkehrenden Prüfprozess erforderlich sind. Parallel dazu wird die Einbettung in modellbasierte Informationsräume zunehmend relevant. Arbeiten zu digitalen Zwillingen in der Betriebsphase und zu AR-/ VR-gestützten Prüfwerkzeugen zeigen, dass der Nutzen digitaler Verfahren insbesondere dann steigt, wenn Schadensinformationen nicht isoliert vorliegen, sondern mit Bauteilen, Historien, Dokumenten und Prüf kontexten verknüpft werden [6], [7] [Abb. 1: ARgestützte Brückenprüfung]. Der offene Punkt liegt weniger in der Visualisierung selbst als in der konsistenten Zusammenführung heterogener Bild-, Modell- und Bestandsdaten. 7. Brückenkolloquium - September 2026 421 Potenziale und Grenzen bildbasierter und KI-gestützter Verfahren für die digitale Bauwerksprüfung Abb. 1 - AR-gestützte Brückenprüfung Der Stand der Technik zeigt somit deutliche Fortschritte in der Segmentierung sichtbarer Schäden, aber weiterhin eine methodische Bruchstelle zwischen Bildanalyse und fachlich belastbarer Zustandsinformation. Genau diese Bruchstelle betrifft Verortung, Relokalisierung, strukturierte Schadensobjekte, Qualitätsangaben und die Einbindung in den Prüfprozess. 3. Forschungsansatz und Ziele Die Forschungsarbeiten BRIX und BRIX2 adressieren die digitale Bauwerksprüfung als gekoppelte Informationskette. Ziel ist es, ein digitalisierten Prüfprozess zu fördern, und die Integration von neuen Technologien zu prüfen. Darunter zählen KI-Verfahren, Augmented Reality, sowie Digitale Zwillinge. Der erste Schwerpunkt betrifft die Segmentierung und Klassifikation sichtbarer Oberflächenschäden, insbesondere im Hinblick auf ihre flächenhafte Beschreibung als Grundlage weiterer Verarbeitung. Der zweite Schwerpunkt betrifft die Verknüpfung dieser Bildinformationen mit Punktwolken, Laserscans und 3D-Bauwerksmodellen, um Schäden bauteilbezogen zu verorten und über mehrere Prüfzyklen hinweg wiederzufinden. Daran anknüpfend wurde untersucht, wie aus segmentierten Bildbefunden strukturierte Schadensobjekte mit Lagebezug, Bauteilreferenz, Zeitbezug und Unsicherheitsinformationen gebildet werden können und mit welchen Metriken sich Segmentierung, Verortung und Relokalisierung anwendungsbezogen bewerten lassen. Die weiterführenden Arbeiten vertiefen insbesondere die erklärbare Darstellung algorithmischer Ergebnisse, AR-gestützte Interaktionen im Bauwerkskontext und die Integration in modellbasierte Informationsräume. Ein autonomes Bewertungssystem ist dabei explizit nicht das Ziel, da die Bewertung bei den Fachexperten bleibt. Stattdessen wird ein Unterstützungssystem angestrebt, das räumlich referenzierte Schadensinformationen prüf bar, ergänzbar und in bestehende Arbeitsabläufe einbindbar macht. Die im Rahmen der Forschungsprojekte entwickelte Möglichkeit zur Darstellung einer Schadensentwicklung über mehrere Prüfzyklen hinweg, stellt hier eine enorme Hilfestellung bei der Begehung vor Ort dar. Übergreifend lassen sich drei Leitfragen formulieren: Welche sichtbaren Schadensinformationen lassen sich aus Bilddaten belastbar gewinnen? Unter welchen Bedingungen können sie räumlich und semantisch so eingebettet werden, dass sie im Prüfprozess nutzbar werden? Und wie müssen Ergebnisse qualifiziert und dargestellt werden, damit sie fachlich sinnvoll unterstützen, ohne eine nicht vorhandene Eindeutigkeit vorzugeben? 4. Methodik der bildbasierten Erfassung und KI-gestützten Auswertung Die methodische Kette beginnt mit der Erfassung hochaufgelöster Bilddaten von Bauwerksoberflächen. Für ihre fachliche Nutzung ist jedoch nicht nur die Verfügbarkeit der Bilder relevant, sondern ihre Eignung als Auswertungsgrundlage. Perspektive, Auflösung, Sichtbarkeit, Beleuchtung, Feuchte, Verschmutzung und Verdeckung bestimmen wesentlich, welche Schadensmerkmale erkennbar und algorithmisch weiter verarbeitbar sind. Darauf auf bauend werden Schäden detektiert, klassifiziert und segmentiert. Für den Prüfkontext ist insbesondere die Segmentierung relevant, weil sie sichtbare Schadensbereiche flächenhaft beschreibt und damit eine Grundlage für Zuordnung, Vergleich und Weiterverarbeitung schafft. Auch bewertungsrelevante Daten wie Rissbreiten lassen sich durch eine Segmentierung bestimmen, solange ein der Bildabstand oder ein Referenzmaß vorhanden sind. Fachlich entscheidend ist nicht allein das Erkennen eines Schadens, sondern die Stabilität und Interpretierbarkeit der Segmentierung unter wechselnden Aufnahmebedingungen. Der methodische Kern liegt in der Überführung segmentierter Bildbefunde in einen räumlichen Bezugsrahmen. Dazu werden Bildmerkmale, Matching-Verfahren, Punktwolken und 3D-Bauwerksmodelle kombiniert, um Schäden aus dem Bildraum einem Bauteil und einer Lage im Bauwerk zuzuordnen. Erst dadurch entsteht aus einem visuellen Befund eine räumlich referenzierte Zustandsinformation. [Abb. 2 - Räumliche und historische Schadenskartierung an digitalen Zwilling]. Abb. 2 - Räumliche und historische Schadenskartierung an digitalen Zwilling 422 7. Brückenkolloquium - September 2026 Potenziale und Grenzen bildbasierter und KI-gestützter Verfahren für die digitale Bauwerksprüfung Damit ist die Bildauswertung jedoch noch nicht abgeschlossen. Ein segmentierter Schaden ist noch kein fachlich vollwertiges Schadensobjekt. Ein Anschluss an bestehende Schadensinformationen vorheriger Inspektionen ermöglicht erst eine langfristige Analyse und erzeugt so eine nachvollziehbare Schadenshistorie. Durch die Ergänzung von Attributen aus Bauwerksdatenbanken, wie Bauteilbezug, Lage, Zeitbezug und Unsicherheiten, wird aus einem Bildbefund eine dokumentierbare und vergleichbare Schadensinformation. Die methodische Relevanz liegt damit nicht primär in höheren Erkennungsraten, sondern in der belastbaren Ableitung strukturierter Zustandsinformationen aus Bilddaten [3], [5], [6]. 5. Verortung, Relokalisierung und bauteilbezogener Kontext Die bauteilbezogene 3D-Verortung verbindet visuell erkennbare Schäden mit dem konstruktiven Kontext des Bauwerks. Die bisher übliche Verortung über Text, Fotos und Skizzen ist funktional, bleibt aber häufig zu ungenau für ein sicheres Wiederfinden über mehrere Prüfzyklen hinweg. Besonders bei großen oder geometrisch ähnlichen Bauteilen führt dies zu Suchaufwand, Inkonsistenzen und Brüchen in der Schadenshistorie. In dem Projekt BRIX2 wurde deshalb das Verortungsmodul LiLoc entwickelt [5]. Das Modul beruht auf Bild- Matching-Verfahren und Laserscans um Schadensbilder in einem Referenzmodell verorten zu können. Mittels Keypoint Extraction [8] werden markante Bildpunkte in den Betonstrukturen der Fotos erkannt, welche eine Art Fingerabdruck bilden. Diese Fingerabdrücke werden mit Keypoint Matching [9] untereinander verglichen, und erlauben eine visuelle Überlagerung der Schadstellen über längere Zeiträume. Durch einen Abgleich mit Panoramabildern eines Laserscans lassen sich die Bilddaten auch auf ein Referenzmodell übertragen. Dadurch werden aus unstrukturierten Bilddaten eine historische Schadenskartierung, die in einem digitalen Zwilling eingebunden werden können [Abb. 3 - Abgleich eines Durchfeuchtungsschadens an einer Autobahnbrücke]. Abb. 3 - Abgleich eines Durchfeuchtungsschadens an einer Autobahnbrücke Zur geometrischen Verortung tritt die semantische Zuordnung zu Bauteiltyp, Material und Funktion hinzu. Erst diese Verknüpfung macht räumliche Schadensinformationen für Suche, Vergleich und Bewertung im Bauwerkskontext nutzbar [6], [10]. Für die bildbasierte Schadensentwicklung werden Schadensbilder aus verschiedenen Inspektionen untereinander verglichen. Somit kann auch aus historischen Daten ohne Laserscan oder Referenzmodell eine relative Schadensentwicklung erstellt werden. Die KI-Segmentierungen der Abplatzungen oder Risse aus unterschiedlichen Zeitpunkten können durch das Bildmatching überlagert werden, und so die Entwicklung des Schadens darstellen. [Abb. 4 - Visualisierung der Schadensentwicklung am Schadensfoto]. Abb. 4 - Visualisierung der Schadensentwicklung am Schadensfoto 6. Strukturierte Schadensinformationen und Grenzen der Automatisierung Ein zentrales Ergebnis ist die Betrachtung von Schäden als strukturierte digitale Objekte. Solche Schadensobjekte umfassen mindestens Schadensbeschreibung, Lage- oder Bauteilbezug, Referenzen auf die zugrunde liegenden Bilddaten, und Zeitbezug. Um die Erkennung der KI-Systeme nachvollziehbar zu machen, werden außerdem Unsicherheitsinformationen der Segmentierung, sowie der Lokalisierung angegeben. Gerade hierbei zeigen sich die Grenzen der Automatisierung. Visuell erkennbare Muster erlauben Aussagen über Ausdehnung, Lage und Zuordnung sichtbarer Schäden, nicht jedoch automatisch über Ursache, konstruktive Relevanz oder Dringlichkeit. Für die fachliche Einordnung müssen zusätzliche Informationen zu Bauteilfunktion, Material, Exposition, Vorschädigungen, Instandsetzungen und Beobachtungshistorien berücksichtigt werden. Die automatisierte Bildanalyse kann diese Einordnung vorbereiten und strukturieren, sie ersetzt aber nicht die ingenieurmäßige Bewertung. Wissenschaftlich relevant ist daher weniger die Vorstellung einer Vollautomatisierung als die Frage, welche Schritte mit vertretbarer Verlässlichkeit automatisierbar sind und an welchen Übergängen menschliche Interpretation unverzichtbar bleibt. 7. Brückenkolloquium - September 2026 423 Potenziale und Grenzen bildbasierter und KI-gestützter Verfahren für die digitale Bauwerksprüfung Hinzu kommt, dass historische Datenbestände oft heterogen und nur eingeschränkt maschinenlesbar sind. Schadensentwicklungen lassen sich deshalb nur dann belastbar interpretieren, wenn Herkunft und Dokumentationskontext der Daten mitgeführt werden. Der Mehrwert der Automatisierung liegt damit vor allem in Vorstrukturierung und Reproduzierbarkeit; die fachliche Einordnung bleibt an Kontextwissen und ingenieurmäßige Verantwortung gebunden [1], [6], [7]. 7. Bewertung der Ergebnisqualität und fachlichen Aussagekraft Ergebnisqualität ist im Prüfkontext mehrdimensional. Zu bewerten sind Segmentierung, Klassifikation, 3D- Verortung, Relokalisierung und die fachliche Interpretierbarkeit der resultierenden Informationen. Qualität ergibt sich damit aus dem Zusammenspiel von technischer Güte, Datengrundlage, Toleranzen und Nutzungskontext. Ebenso relevant ist, wie diese Qualität kommuniziert wird. Konfidenzwerte oder präzise Visualisierungen können eine Eindeutigkeit suggerieren, die fachlich nicht gedeckt ist. Deshalb müssen Unsicherheiten, Zuordnungsschritte und Begründungsgrundlagen sichtbar bleiben. Dabei ist stets zwischen visuell erkennbaren Phänomenen und ihrer fachlichen Bewertung zu unterscheiden. Ein segmentierter Riss beschreibt zunächst ein Bildmerkmal, nicht automatisch seine Ursache, Relevanz oder Dringlichkeit [3], [7]. Für eine sachgerechte Bewertung sind daher zusätzliche Informationen zu Bauteilfunktion, Material, Bauwerkszusammenhang, Vorschädigungen oder Instandsetzungen erforderlich. Ohne diese Kontextualisierung bleibt die Aussagekraft vieler KI-Ergebnisse begrenzt. Die weiterführenden Arbeiten betonen deshalb Transparenz und Erklärbarkeit als Qualitätsdimensionen: Prüfende müssen erkennen können, worauf sich ein Ergebnis stützt, wie belastbar es ist und an welcher Stelle fachliche Prüfung erforderlich bleibt [7], [8], [9]. Die Bewertung der Ergebnisqualität ist somit Teil der methodischen Entwicklung selbst. 8. Potenziale für die Bauwerksprüfung und Grenzen im praktischen Einsatz Der praktische Nutzen der Verfahren liegt vor allem in einer konsistenteren Dokumentation und Nachverfolgung von Schadstellen und -informationen. Segmentierte Bildbefunde, räumlich referenzierte Schadensobjekte und ihre Verknüpfung mit Bauteilen und historischen Beobachtungen verbessern insbesondere bei komplexen Bauwerken die Wiederauffindung und den Vergleich über mehrere Prüfzyklen hinweg. Ein weiterer Vorteil der Schadenskartierung liegt in der Verbesserung der Datengrundlage: Eine Verortung bleibt auch nach der Prüfung bestehen, und erleichtert eine Auswertung später im Büro. Bilddaten können nachträglich erneut ausgewertet und mit vorherigen Prüfungen verglichen werden, was die Datensammlung robuster und die Bewertung begründeter macht. Zusätzlicher Mehrwert entsteht, wenn verortete Schadensinformationen im Prüfprozess direkt verfügbar sind, etwa über AR-gestützte Interaktionen oder modellbasierte Informationsräume, in denen Erfassung, Dokumentation und Nachverfolgung zusammengeführt werden. Die Grenzen liegen dort, wo visuelle Beobachtbarkeit oder fachliche Bedeutung als Verarbeitungsinformation nicht verfügbar und ein Einbezug in Interpretation nicht gewährleistet werden kann. Nicht jeder relevante Bauwerkszustand ist oberflächlich sichtbar, und nicht jedes sichtbare Phänomen lässt sich ohne Zusatzwissen sachgerecht bewerten. Hinzu kommt die starke Abhängigkeit von realen Aufnahmebedingungen wie Sichtbarkeit von, Beleuchtung, Feuchte oder Verschmutzung im Schadensbereich. Die Eignung der Verfahren muss deshalb unter realistischen Prüf bedingungen und nicht nur auf kuratierten Datensätzen bewertet werden [2], [3], [4]. Präzise Visualisierungen und Konfidenzwerte können zudem eine fachliche Eindeutigkeit vorgeben, die tatsächlich nicht vorliegt. Der praktische Einsatz erfordert daher Schnittstellen, in denen Unsicherheiten wie Herleitungen sichtbar bleiben und fachliche Prüfung unterstützt statt ersetzt wird [1], [6], [7]. Der fachliche Fortschritt bildbasierter Verfahren für die Bauwerksprüfung liegt in der Kopplung von Segmentierung, Verortung, Relokalisierung, Objektbildung und qualifizierter Ergebnisdarstellung. Verbesserungen in der Schadenserkennung allein reichen daher nicht aus. Entscheidend ist, ob die resultierenden Informationen räumlich und semantisch belastbar eingebettet, mit Qualitätsangaben versehen und im Prüfprozess sinnvoll nutzbar gemacht werden können [1], [6], [7]. Für einen belastbaren Praxiseinsatz sind insbesondere vier Komponenten maßgeblich: erklärbare KI, Relokalisierung mit anwendungsbezogenen Toleranzen, modellbasierte Kontextualisierung und nutzerorientierte Interaktion im Bauwerkskontext. Die Bewertung solcher Verfahren muss deshalb mehrdimensional erfolgen: zu prüfen sind nicht nur Modellleistungen auf Bildebene, sondern der fachliche Informationsgehalt, die Belastbarkeit der Zuordnung und die mitzuführenden Unsicherheiten. Die weitere Entwicklung zielt daher nicht auf den Ersatz fachlicher Expertise, sondern auf belastbare Mensch-System-Kopplungen, die Schadensinformationen konsistenter verfügbar machen und die ingenieurmäßige Bewertung fundierter unterstützen. 9. Dank Diesem Beitrag liegen Teile der im Auftrag des Bundesministeriums für Verkehr (BMV), vertreten durch die Bundesanstalt für Straßen- und Verkehrswesen (BASt), unter der FE 15.0666/ 2019, FE-Nr. 69.0008/ 2020 und FE- Nr. 69.0017/ 2023 abgeschlossenen sowie unter der FE- Nr. 15.0740/ 2025/ LRB laufenden Forschungsprojekte zugrunde. Die Verantwortung für den Inhalt liegt allein bei den Autorinnen und Autoren. Wir bedanken uns bei den 424 7. Brückenkolloquium - September 2026 Potenziale und Grenzen bildbasierter und KI-gestützter Verfahren für die digitale Bauwerksprüfung Mitgliedern des Betreuerkreises für ihre hilfreichen Hinweise und Rückmeldungen. Literatur [1] von Rössing, L.; Herbers, P.; Steinjan, J.; Braun, J.- D.; König, M.: Towards Damage Prediction: Mapping Inspection History of Concrete Bridges. In: Proceedings of the 2025 European Conference on Computing in Construction & 42nd International CIB W78 Conference on Information Technology in Construction, Porto, 2025. doi: 10.35490/ EC3.2025.259 [2] Flotzinger, J.; Rösch, P. J.; Braml, T.: dacl10k: Benchmark for Semantic Bridge Damage Segmentation. In: Proceedings of the IEEE/ CVF Winter Conference on Applications of Computer Vision (WACV), 2024, S. 8626-8635. doi: 10.48550/ arXiv.2309.00460 [3] Çelik, F.; Herbers, P.; König, M.: Image Segmentation on Concrete Damage for Augmented Reality Supported Inspection Tasks. In: Advances in Information Technology in Civil and Building Engineering, Lecture Notes in Civil Engineering. Cham: Springer, 2024, S. 237-252. doi: 10.1007/ 978-3- 031-35399-4_19 [4] Tanveer, M.; Kim, B.; Hong, J.; Sim, S.-H.; Cho, S.: Comparative Study of Lightweight Deep Semantic Segmentation Models for Concrete Damage Detection. Applied Sciences 12 (2022), H. 24, 12786. doi: 10.3390/ app122412786 [5] Herbers, P.; von Rössing, L.; König, M.: LiLoc - Defect Image Localization in Laser Scans. In: Proceedings of the 42nd International Symposium on Automation and Robotics in Construction (ISARC), 2025, S. 1522-1529. doi: 10.22260/ IS- ARC2025/ 0198 [6] Collin, F.; Ulbrich, L.; Jesse, F.: Konzept eines Digitalen Zwillings für Brückenbauwerke in der Betriebsphase. Bautechnik 101 (2024), H. 3, S. 199- 205. doi: 10.1002/ bate.202400003 [7] Hill, M.; Bahlau, S.; Butenhof, F.; Degener, L.; Klein, F.; Kukushkin, A.; Riedlinger, U.; Oppermann, L.; Lambracht, C.; Mertens, M.: Bauwerksprüfung mittels 3D-Bauwerksmodellen und erweiterter/ virtueller Realität. BASt-Bericht B 185, Bergisch Gladbach, 2022. [8] Potje, G.; Cadar, F.; Araujo, A.; Martins, R.; Nascimento, E. R.: XFeat: Accelerated Features for Lightweight Image Matching. In: Proceedings of the IEEE/ CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2024, S. 2682-2691. [9] Lindenberger, P.-E.; Sarlin, P.-E.; Pollefeys, M.: LightGlue: Local Feature Matching at Light Speed. In: Proceedings of the IEEE/ CVF International Conference on Computer Vision (ICCV), 2023, S. 17627-17638. [10] Zhang, W.-J.; Wan, H.-P.; Todd, M. D.: An efficient 2D-3D fusion method for bridge damage detection under complex backgrounds with imbalanced training data. Advanced Engineering Informatics 65 (2025), 103373. doi: 10.1016/ j. aei.2025.103373