Klassifizierung von Straßenzuständen mithilfe von IoT und Data Science

Low-cost Infrastruktur Klassifizierung

Ausgangslage & Zielsetzung

Die Klassifizierung von Straße und Fahrradwegen im herkömmlichen, manuellen Verfahren gilt als sehr personal- und kostenaufwändig. Ziel dieses Projektes war es einen Prototypen zur automatischen Klassifizierung von Fahrradwegen zu entwickeln. Dies umfasste die Aufzeichnung von Sensordaten beim Befahren von Fahrradwegen und deren Prozessierung mit dem Ergebnis einer realtime Klassifizierung des befahrenen Weges.

Leistungsbeschreibung

  • Konzeption und Aufbau der erforderlichen IoT- und Machine-Learning-Pipeline
  • Erfassung von Beschleunigung, Winkelgeschwindigkeit und weiteren relevanten Daten zur Klassifizierung von Fahrradwegen
  • Entwicklung von State-of-the-Art-Machine-Learning-Modellen sowie Visualisierung der Ergebnisse innerhalb der IoT-Plattform Thingsboard

Ergebnis

Mithilfe von vernetzter Sensorik und Machine Learning wurde ein automatisiertes Setup zur Evaluierung des Straßenzustandes erstellt, welches nahezu perfekte Validierungsergebnisse liefert. Erfassung und Verarbeitung der Daten erfolgen nebenher, sodass für den Radfahrer keine weiteren Aufgaben anfallen.

Projekt Details


Branche: Infrastruktur

Topic: Data Science, Machine Learning

Tools: python, keras, BoschXDK, Thingsboard

Projektlaufzeit: 6 Monate

Weitere Unterlagen zum Use Case:

Esentri
Simon Kneller Data Science Consultant