SoftwareentwicklungFibre & Telecom
Eine Drohnen-Inspektionsplattform für Mobilfunkmasten
16 Mängelartenerkannt, am 3D-Mast verortet und mit der vorherigen Befliegung verglichen
Eine Geo-Plattform, die Drohnenflüge um Mobilfunkmasten in Reparaturaufträge verwandelt. Jeder Mast im Netz liegt auf einer Karte, jeder Mast hat ein 3D-Modell aus seiner letzten Befliegung, und jeder Mangel hat eine Position an der Struktur, einen Schweregrad, einen Fotobeleg und eine Historie über alle Inspektionen. Erkennungsmodelle schlagen die Mängel vor; eine Prüferin oder ein Prüfer bestätigt sie, bevor daraus ein Arbeitsauftrag wird.
Projektüberblick
Entwickelt für Turmgesellschaften, Mobilfunkbetreiber und die Inspektionsdienstleister, die für sie arbeiten. Sie befliegen Tausende von Gittermasten, Monopolen und abgespannten Masten mit Drohnen, und zurück kommt ein Ordner mit tausend Fotos pro Mast, den jemand von Hand durchsehen muss, während die Befunde in eine Tabelle oder einen PDF-Bericht getippt werden.
- Standort
- Remote geliefert, in jeder Region
- Dauer
- 2 Wochen Discovery, danach ein Pilot über 6 bis 8 Wochen an 15 Masten
- Zusammenarbeit
- Projektbasiert
- Team
- 2 Ingenieure
Stack
- Data & AI
- PyTorch, object detection and segmentation models, OpenCV
- Survey & CAD
- Photogrammetry, LiDAR point clouds, PDAL, Open3D
- Backend
- Python, FastAPI, PostgreSQL with PostGIS, background workers
- Frontend
- React, TypeScript, MapLibre GL, three.js
- Infrastructure
- Docker, S3-compatible object storage
Die Aufgabe und was sie gelöst hat
Geschäftliche Herausforderung
Der Drohnenflug ist schnell erledigt, alles danach nicht. Jeder Mast liefert 800 bis 1.500 Fotos, und daraus eine Liste von Reparaturen zu machen, ist manuelle Prüfarbeit, die mit der Größe des Netzes wächst. Die Befunde landen in Einzelberichten je Mast, die sich netzweit nicht vergleichen lassen, sodass niemand sagen kann, welche Masten zuerst einen Kletterertrupp brauchen.
Was wir gemacht haben
Die Plattform sitzt zwischen dem Drohnenteam und der Instandhaltung. Die Netzkarte färbt jeden Mast nach seinem schwersten offenen Mangel ein und summiert die Reparaturstunden je Einsatzgebiet, sodass die Planung auf der Karte beginnt statt bei einem Stapel Berichte. Bestätigte Mängel werden zu Arbeitsaufträgen mit Fristen nach Schweregrad, und Mieter am Mast sehen dieselbe Ansicht im Browser.
Technische Herausforderung
Ein Mangel ist nur mit einer Position an der Struktur nützlich, und ein Foto hat keine: Dieselbe korrodierte Stelle erscheint auf sechs Fotos aus sechs Blickwinkeln. Manche Mängel sind auf keinem einzelnen Foto sichtbar, etwa Antennenneigung, ein verbogenes Bauteil oder der Durchhang eines Abspannseils, und müssen stattdessen an der Geometrie gemessen werden.
Was wir gemacht haben
Fotos aus einem automatisierten Umflug werden zu einem georeferenzierten 3D-Modell. Erkennungsmodelle durchsuchen jedes Foto in voller Auflösung, und weil die Rekonstruktion weiß, von wo jedes Foto aufgenommen wurde, verschmelzen Erkennungen derselben Stelle aus verschiedenen Fotos zu einem Mangel mit 3D-Position. Mängel, die Geometrie statt Aussehen sind, also Antennenneigung und Azimut, verbogene Bauteile und der Durchhang von Abspannseilen, werden am 3D-Modell oder im LiDAR-Scan gemessen.
Herausforderung in der Umsetzung
Ein Mangel, der schon letztes Jahr da war, und einer, der seitdem hinzugekommen ist, sehen auf einem Foto gleich aus. Ohne den Abgleich jedes Befunds mit der vorherigen Inspektion beginnt jede Befliegung bei null, und niemand kann sagen, ob sich ein Mast verschlechtert.
Was wir gemacht haben
Jeder Mangel wird nach Art und Position am Mast der vorherigen Inspektion zugeordnet und als neu, verschlechtert, unverändert oder behoben markiert. Kein Mangel gelangt in einen Arbeitsauftrag oder Bericht, bevor ihn eine Prüferin oder ein Prüfer bestätigt hat, und jede Bestätigung oder Ablehnung wird als gelabeltes Beispiel für die nächste Trainingsrunde gespeichert, sodass die Modelle die Masten des Kunden kennenlernen.
Warum wir
Der schwierige Teil ist meist nicht das Erkennungsmodell, sondern eine Erkennung an die richtige Stelle zu setzen und zu wissen, ob sie neu ist. Das ist Photogrammetrie, Punktwolken und Änderungserkennung, also die Geodatenarbeit, die wir täglich machen, von der LiDAR-Vektorisierung von Freileitungen bis zu 3D-Punktwolken-Viewern im Browser. Das maschinelle Lernen ist um eine prüfende Person herum gebaut, die die Kontrolle behält, denn bei sicherheitskritischen Bauwerken ist die nützliche Frage nicht, wie oft ein Modell richtig liegt, sondern ob ein Mensch es geprüft hat.
- Wochen 1-2
Discovery
Mängelkatalog und Regeln für den Schweregrad mit den bestehenden Mängelcodes des Kunden abstimmen, das Mastregister importieren und eine Stichprobe früherer Inspektionsfotos labeln, um die Modelle anzupassen.
- Wochen 3-10
Pilot
15 Masten in zwei Einsatzgebieten befliegen. 3D-Modelle, geprüfte Mängel und die ersten Arbeitsaufträge liefern und die Genauigkeit der Modelle an einer vollständigen manuellen Prüfung derselben Masten messen.
- Danach
Rollout nach Regionen
Die übrigen Masten in einem jährlichen Inspektionszyklus aufnehmen, Arbeitsaufträge an das Instandhaltungssystem anbinden und Mietern Lesezugriff geben.
Ergebnisse
Was die Plattform von Haus aus abdeckt. Die Erkennungsgenauigkeit steht hier bewusst nicht: Sie hängt von den Masten, den Kameras und den Mängelcodes ab. Deshalb misst der Pilot sie an den eigenen Masten des Kunden gegen eine vollständige manuelle Prüfung: den Anteil gefundener echter Mängel, den Anteil bestätigter Vorschläge und die Prüfzeit je Mast.
16Mängelarten an Struktur, Antennen, Sicherheit und Standort
5Erkennungsmethoden: Fotomodelle, 3D-Modell, LiDAR, kalibrierte Fotos, Dämmerungsflug
800-1.500georeferenzierte Fotos je Mast, rund 40 Minuten vor Ort
7 / 30 TageReparaturfristen für kritische und schwere Mängel
Was wir geliefert haben
Netzkarte
Jeder Mast eingefärbt nach seinem schwersten offenen Mangel aus der letzten Befliegung, mit Versorgungsbereich, Einsatzgebieten und den Reparaturstunden, die sich je Gebiet summieren.
3D-Mastansicht
Das Modell der letzten Befliegung umkreisen, per Klick auf eine Markierung den Mangel mit Fotobeleg lesen und zwischen datierten Inspektionen wechseln, um zu sehen, was neu, schlechter oder behoben ist.
Mängel an der Struktur verortet
Erkennungen derselben Stelle aus verschiedenen Fotos verschmelzen zu einem Mangel mit Eckstiel, Höhe und Seite, statt sechs getrennter Befunde auf sechs Fotos.
Gemessen, nicht nur markiert
Korrosionsfläche in cm², gefundene gegenüber erwarteten Schrauben, Antennenneigung in Grad, Abweichung von Bauteilen in Millimetern, Risslänge, Durchhang der Abspannseile im Vergleich.
Prüfung und Lernschleife
Jede Mängelart hat ihre eigene Konfidenzschwelle. Eine prüfende Person bestätigt oder verwirft jeden Vorschlag, und jede Entscheidung wird zum Trainingsbeispiel für die nächste Runde.
Arbeitsaufträge und Berichte
Bestätigte Mängel werden zu Arbeitsaufträgen für Kletterertrupps mit Fristen nach Schweregrad, dazu ein Bericht je Mast und eine Leseansicht für Mieter.
Fotoprüfung vor Ort
Unscharfe, überbelichtete oder schlecht überlappende Fotos werden markiert, solange das Team noch am Mast ist, sodass ein Nachflug Minuten dauert statt eines zweiten Einsatzes.
Im Detail
Eine Drohne befliegt einen Mobilfunkmast in rund vierzig Minuten. Zurück bringt sie 800 bis 1.500 Fotos, und irgendwo darin stecken die lockeren Schrauben, die Korrosion an einem Diagonalanschluss und die Antenne, die aus ihrer geplanten Neigung gewandert ist. Diese Befunde Mast für Mast von Hand zu finden, ist der Punkt, an dem Inspektionsprogramme ihre Zeit verbringen.
TowerView macht aus dem Flug eine datierte Inspektion. Die Fotos werden zu einem georeferenzierten 3D-Modell des Masts. Erkennungsmodelle, jedes für eine Mängelart trainiert, durchsuchen jedes Foto in voller Auflösung und umranden alles Verdächtige mit einem Konfidenzwert. Weil die Rekonstruktion weiß, von wo jedes Foto aufgenommen wurde, ergeben die sechs Fotos derselben korrodierten Stelle an Eckstiel B einen Mangel auf einer Höhe, nicht sechs Befunde.
Nicht jeder Mangel lässt sich am besten auf einem Foto finden. Antennenneigung und Azimut werden am 3D-Modell gemessen, verbogene Bauteile im Vergleich mit einer Geraden, die Spannung der Abspannseile im LiDAR-Scan. Die Flugsicherungsmarkierung wird gegen eine Farbreferenz geprüft, die Hindernisbefeuerung in einem Dämmerungsflug. Die Plattform misst jeden Mangel und wendet die eigenen Schweregrad-Regeln des Kunden an, um eine Einstufung vorzuschlagen.
Dann vergleicht sie. Jeder Mangel wird nach Art und Position der vorherigen Inspektion zugeordnet, sodass die prüfende Person auf einen Blick sieht, dass die Korrosion an Eckstiel B seit letztem Juni gewachsen ist, dass die fehlenden Schrauben am Stoß von Eckstiel C behoben wurden und welche drei Mängel neu sind.
Nichts gelangt in einen Arbeitsauftrag, bevor ein Mensch es bestätigt hat. Die Schwellen werden je Mängelart gesetzt, niedrig, wo ein übersehener Mangel gefährlich ist, und hoch, wo er nur kosmetisch ist, und jede Bestätigung oder Ablehnung fließt zurück ins Training. Die Netzkarte zeigt dann jeden Mast nach seinem schwersten offenen Mangel und die Reparaturstunden je Einsatzgebiet, sodass die Instandhaltung von einem Bildschirm aus plant.
Projektgalerie
Sie befliegen Masten und prüfen die Fotos von Hand?
Schicken Sie uns ein Mastregister und frühere Inspektionsfotos. Wir zeigen Ihnen, was die Plattform an Ihren eigenen Masten findet, und planen einen Pilot entlang Ihrer Mängelcodes.