Kanal- und Rohr-CCTV-Inspektion mit automatischer Schadenskodierung (EN 13508-2)

Kommunale und industrielle Netzbetreiber müssen ihre Entwässerungsleitungen und Kanäle in einem regelmäßigen Turnus inspizieren, und jede Inspektion erzeugt Stunden an Kamerafahrtvideo, das eine ausgebildete Fachkraft von Hand sichtet und kodiert. Computer Vision erkennt Schäden vor, schlägt den genormten EN-13508-2-Code mit Position vor und füllt den Bericht vorab aus. Die Fachkraft bestätigt oder korrigiert, statt von Grund auf zu kodieren; das verkürzt die Durchlaufzeit und macht die Zustandsdaten über verschiedene Auftragnehmer hinweg einheitlicher.

Problem & Nutzen

• Heute: Ein Kanalfahrzeug-Bediener fährt eine Haltung ab, sieht den Live-Feed und diktiert oder erfasst Beobachtungen; die Kodierung wird danach von einer zertifizierten Fachkraft geprüft oder neu gemacht. Die Qualität schwankt zwischen Bedienern und Auftragnehmern, ein Rückstau baut sich auf, und Berichte kommen Monate nach der Befahrung.
• Pflicht (DACH): Deutsche Länder verlangen von Betreibern, ihre Netze zu inspizieren und zu dokumentieren (Selbstüberwachung, z. B. die hessische „Eigenkontrollverordnung“, die NRW-„SüwVO Abw“ und gleichwertige Landesregeln). Die Kodierung folgt der europäischen Norm EN 13508-2 und in Deutschland der Reihe DWA-M 149 (DWA-M 149-2 für Zustandsklassifizierung und -bewertung) [1][2].
• KI-Nutzen: automatische Vorerkennung und Vorkodierung von Schäden, Suche und Sichtung des Videos nach Schadenstyp, einheitliche Klassifizierung, schnellere Berichte und sauberere Eingangsdaten für die Sanierungsplanung (PRED-033). Begutachtete Arbeiten zur automatischen Klassifizierung von Kanalschäden berichten starke Ergebnisse auf Benchmark-Daten wie dem Sewer-ML-Datensatz; der Transfer in die Praxis bleibt aber das offene Problem [3].

Varianten

• Kommunale Selbstüberwachung: Netz einer Stadt oder eines Verbands, inspiziert im 10–15-Jahres-Turnus.
• Inspektionsunternehmen: Dienstleister, die mit KI Durchsatz und Einheitlichkeit je Fachkraft steigern.
• Industrie- und Privatentwässerung: Werke, Grundstücksentwässerung, Hausanschlüsse mit Schiebekameras.
• Abnahmeinspektion: neu gebaute oder nach der Sanierung ausgekleidete Rohre.
• Live-Assistenz: Erkennung auf dem Gerät während der Fahrt, sodass der Bediener bei jedem Befund einen Hinweis erhält.

So funktioniert es

1. Video von Fahrwagen-/Schubkamera + Stationierung + Rohrstammdaten
2. Vorverarbeitung (Deinterlacing, Schärfung, Beleuchtungsnormalisierung, Frame-Auswahl)
3. Erkennung & Segmentierung je Einzelbild (Riss, Wurzel, Ablagerung, Infiltration, Muffenversatz, ...)
4. Verfolgung entlang des Rohrs
5. Einzelbilder zu einem Schadensereignis mit Stationierung & Uhrzeigerposition zusammenführen
6. Quantifizierung (Ausdehnung in %, Rissbreitenklasse, Verformung in %) aus Geometrie oder Laser/Sonar
7. Code-Zuordnung nach EN 13508-2 (Hauptcode, Charakterisierungen, Quantifizierung)
8. Haltungsbewertung (Zustandsklasse nach DWA-M 149-2 / nationalem Schema)
9. menschliche Prüfung (Kodierer bestätigt, korrigiert, ergänzt fehlende Beobachtungen)
10. Bericht + Austauschdatei
11. GIS / Anlagenmanagement / Sanierungsplanung

• Erkennung: CNN- oder Transformer-Klassifikatoren für die Multi-Label-Klassifikation einzelner Bilder (Aufgabe im Stil von Sewer-ML) sowie Objektdetektoren (YOLO-Familie, RT-DETR) und Segmentierung für die Ausdehnung.
• Position und Größe: Die Stationierung kommt vom Kabelzähler; Rohrwandgeometrie oder kalibrierte Laser liefern Rissbreite und Verformung; ohne Kalibrierung sind Größen nur Schätzungen.
• Regelebene: deterministische Zuordnung von erkannter Klasse und Attributen zum Kodekatalog und zur Zustandsklasse; dieser Teil besteht aus Regeln, nicht aus einem neuronalen Netz, und muss prüfbar sein.
• Rolle der VLM: Vision-Language-Modelle helfen bei Freitextbemerkungen, Berichtsentwürfen und der Suche in natürlicher Sprache („alle Wurzeleinwüchse an Muffen in Steinzeugrohren DN300 zeigen“), nicht als alleinige Kodierer.
• Mensch-in-der-Schleife (Human-in-the-Loop): Jeder automatische Code ist ein Vorschlag; zertifizierte Kodierer geben den Bericht frei, und der Betreiber bleibt für die Zustandsbewertung verantwortlich.

Datenaufbereitung

Benötigt werden Inspektionsvideos, die kodierten Beobachtungen des Bedieners mit Stationierung und Uhrzeitlage sowie Rohr-Stammdaten (ID, Material, Durchmesser, Baujahr). In der Praxis liegen Videos auf Festplatten der Kanalfahrzeuge, USB-Sticks und Dateiablagen, Beobachtungsdaten in der Inspektionssoftware und Stammdaten in einem GIS oder Kanalkataster. Ältere Inspektionen gibt es nur als Papierprotokolle oder DVDs.

Typische Lücken: uneinheitliche oder fehlende Stationierung, Videos ohne Verknüpfung zur Rohr-ID, gemischte Codes (ältere DWA-M 149-2 gegenüber EN 13508-2), doppelte oder abgeschnittene Aufnahmen und stark schwankende Bildqualität (Nebel, Wasser, Beleuchtung). Schadenscodes werden zwischen Bedienern oft uneinheitlich vergeben, die Labels sind daher verrauscht.

Schritte der Aufbereitung: (1) jedes Video über das Kataster mit einer Rohr-ID verknüpfen, siehe PREP-005; (2) Papierprotokolle digitalisieren und ältere Videoformate umwandeln, siehe PREP-006 und PREP-007; (3) ein Kategorienschema und die Kodeverwendung abstimmen, siehe PREP-019; (4) Labels aus vorhandenen kodierten Berichten gewinnen, siehe PREP-020; (5) einen Testdatensatz aufbauen, der von zwei erfahrenen Inspekteuren neu kodiert wird, siehe PREP-018. Werkzeuge: ffmpeg zur Umwandlung, CVAT oder Label Studio zum Labeln, QGIS für Stammdaten. Rechnen Sie mit etwa der Hälfte des Projektaufwands für Datenarbeit, überwiegend Nachlabeln und Qualitätskontrolle. Nutzen Sie GUIDE-003 für den Readiness-Check.

Umsetzungswege

Welcher Weg für wen

• Public: Weg A, weil kommunale Netzbetreiber zertifizierte Inspektionssoftware brauchen, die die genormten Austauschformate der Kodierung exportiert und mit vorhandenen Inspektionsunternehmen zusammenarbeitet.
• Enterprise: Weg A, weil ausgereifte Kanalinspektions-Suiten existieren und der Prozess durch EN 13508-2 standardisiert ist.
• KMU: Weg A, weil Inspektionsfirmen ein fertiges Produkt mit Schadenserkennung zu bezahlbaren Projektpreisen erhalten, während eigene Modelle weit mehr gelabeltes Video erfordern, als ein kleiner Betrieb hat.
• Developer: Weg C, weil offene Erkennungsmodelle, auf eigenen gelabelten Bildern feingetunt, auf bescheidenen GPUs (HW2) laufen und in die Werkzeuge mehrerer Kunden eingebettet werden können.

Weg A — Kaufen (Standardsoftware) (empfohlen)

• Inspektions- und Kodiersoftware mit KI-Unterstützung (EU/DACH-Markt): Pallon (CH, Zürich; ETH-Spin-off, früher Hades; KI-Schadenserkennung und Kodierung nach EN 13508-2 aus hochgeladenen Inspektionsvideos), IBAK (DE) und IPEK (DE) Kanalfahrzeug-Hardware mit eigener Software, RedZone Robotics (US). Prüfen Sie bei jedem Anbieter das aktuelle KI-Modul und die Unterstützung der Codes.
• A wählen, wenn: Sie Betreiber oder Auftragnehmer sind und EN-13508-2-Export, ISYBAU-/XML-Austausch, GIS-Anbindung und Herstellersupport brauchen. Prüfen Sie die unterstützte Code-Version, die Austauschformate, EU-Hosting und ob die KI in einer Cloud oder auf einem Arbeitsplatzrechner läuft.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Stichprobenbilder zur Triage und Berichtsentwurf an ein multimodales Modell senden; die Code-Zuordnung in der eigenen Regel-Engine belassen. Angebote in EU-Regionen nutzen (Azure AI Foundry, Google Vertex AI, Mistral).
• Verwaltetes Vision-Training (Google Vertex AI AutoML, AWS Rekognition Custom Labels) kann einen auf eigenem Material trainierten Klassifikator hosten.
• B wählen, wenn: Sie bereits gelabeltes Video besitzen und einen günstigen Piloten wollen; streamen Sie kein rohes Fremdmaterial von öffentlichen Straßen ohne Datenschutzprüfung.

Weg C — Selbst betreiben (Open Source)

• Modelle: Detektoren der YOLO-Familie, RT-DETR, SAM 2 als Segmentierungshilfe, DINOv2 oder ähnliche Backbones zur Klassifikation, OpenCLIP für die Suche; Feintuning auf dem Sewer-ML-Datensatz plus eigenen Daten.
• Stack: PyTorch, ONNX Runtime oder TensorRT, CVAT oder Label Studio zur Annotation, FFmpeg, ein Videospeicher und PostGIS für das Netz.
• Hardware: HW2 (eine 24-GB-GPU) genügt für die Offline-Analyse von mehreren Stunden Video pro Tag; HW1 (Klasse Jetson Orin) für Live-Assistenz auf dem Roboter.
• Der Aufwand liegt überwiegend in der Datenaufbereitung und der Logik der Code-Zuordnung, nicht im Modell.

Weg D — Eigenes Training

Ist in irgendeiner Form meist nötig, weil das Schadensbild je nach Material (Beton, Steinzeug, PVC, Liner), Kamera und Beleuchtung variiert. Sie brauchen Hunderte bis Tausende von Kodierern gelabelte Haltungen pro Schadenstyp; historische Inspektionen mit geprüften Codes sind die natürliche Quelle. Das Klassenungleichgewicht ist stark (seltene Schäden wie Einsturz), kombinieren Sie daher Augmentierung, Sampling und Active Learning auf den Korrekturen der Prüfer. Halten Sie je Auftragnehmer und je Material einen separaten Testsatz zurück, um die Verallgemeinerung zu messen.

Stand der Technik (2026)

• Die Multi-Label-Klassifikation einzelner Bilder auf Daten vom Typ Sewer-ML ist gut erforscht; Transformer- und CNN-Baselines erreichen brauchbaren, aber nicht perfekten Recall, und Benchmark-Werte überschätzen die Genauigkeit im Feld [3].
• Produktive Werkzeuge verbinden Erkennung mit Stationierung und Uhrzeitlage und exportieren genormte Codes, doch die Quantifizierung (Rissbreite, Ausdehnung) und feine Beobachtungen (Wasserinfiltration, Zustand der Muffen, Wurzeldichte) bleiben die Schwachstellen.
• Open-Vocabulary-Detektoren und VLMs machen schnelle Piloten und Videosuche praktikabel, sind aber für die zertifizierte Kodierung noch nicht zuverlässig.
• Typische Fehlerbilder: Spiegelungen und Wasserstand, die die Sohle verdecken, Nebel oder Dampf, Linsenschmutz, Kameraneigung mit falschen Uhrzeitlagen, als Risse gelesene Schatten, übersehene seltene Schäden und Domänenverschiebung zwischen Kameramodellen.

Gemeinsame Bausteine & Kombinationen

• Gleicher Vision-Stack: VIS-003 (Drohneninspektion von Infrastruktur), VIS-004 (Straßenschäden), VIS-026 (Vermessen und Zählen); Annotations- und Detektor-Trainingspipelines sind wiederverwendbar.
• Nachgelagerte Planung: PRED-033 (Ausfallvorhersage und Erneuerungsplanung für erdverlegte Netze) verwendet die Zustandsklassen; ANOM-013 (Leckerkennung) und OPT-024 (Abwasseroptimierung) nutzen dieselben Netzstammdaten.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis zur Einführung; Lizenz pro Nutzer oder pro Meter; Kostentreiber ist die eingesparte Kodierzeit.
• Weg B/C: 3–9 Monate bis zu einem validierten Piloten einschließlich Labeln; Kostentreiber sind Annotation, GPU für das Training und das Prüfwerkzeug.
• Kennzahlen: Recall bei Strukturschäden (Vorrang vor Precision), Übereinstimmung der Codes mit dem zertifizierten Kodierer, Stationierungsfehler, Kodierminuten pro 100 m, Durchlaufzeit der Berichte, Anteil der Haltungen mit Nachinspektionsbedarf und Übereinstimmung der Zustandsklassen mit späteren Befunden im Feld.

Menschen & Veränderung

Binden Sie die Abteilungsleitung (Netzbetrieb) und die Inspekteure, die Schäden kodieren, von Anfang an ein; sie verantworten die Qualitätskriterien und prüfen jeden KI-Vorschlag. Die IT integriert das Werkzeug mit der Inspektionssoftware und dem GIS; Datenverantwortliche geben Archive alter Inspektionen frei; die Geschäftsleitung entscheidet über das Budget und die Verwendung der Ergebnisse für die Sanierungsplanung. Inspektionsunternehmen und Lieferanten müssen sich auf Austauschformate einigen und darauf, wer ihre Aufnahmen für das Training nutzen darf.

Betriebsrat: kommt darauf an. Wo der Betreiber einen gewählten Betriebsrat hat, ist er wahrscheinlich beteiligt, denn die Software erfasst, welcher Inspekteur was kodiert oder korrigiert hat, und die objektive Eignung zur Leistungsüberwachung genügt nach § 87 Abs. 1 Nr. 6 BetrVG (BAG). Unterrichten Sie ihn rechtzeitig nach § 90 Abs. 1 Nr. 3; in Kommunen gilt der Personalrat. Personenbezogene Daten sind begrenzt (vereinzelt Personen oder Kfz-Kennzeichen in Schachtvideos), daher den Datenschutzbeauftragten einbinden, prüfen, ob eine DSFA nötig ist, und mit Auftragsverarbeitern einen AVV (Art. 28 DSGVO) abschließen.

KI-Kompetenz: Unterstützen Sie Inspekteure mit Schulungen zu den Grenzen der Erkennung und zum Korrigieren von Vorschlägen (Art. 4 KI-Verordnung (AI Act), GUIDE-006). Beginnen Sie mit einer Pilotkolonne und einigen hundert Metern Rohr, siehe GUIDE-009. Typische Sorge: Das Werkzeug ersetzt den Inspekteur oder beurteilt seine Arbeit. Stellen Sie klar, dass der Inspekteur jeden Code bestätigt und dass Statistiken nicht zur individuellen Beurteilung verwendet werden. Tipps zur Kommunikation in GUIDE-008; Schritte zum Betriebsrat in GUIDE-004.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): typischerweise minimales Risiko. Ein Werkzeug, das nur Rohrvideos analysiert, steht nicht in Anhang III. Abwasser- und Entwässerungsnetze sind in der Regel nicht die „Sicherheitskomponente kritischer digitaler Infrastruktur oder der Wasserversorgung“ nach Anhang III Nr. 2, doch ein System, das eine Sicherheitskomponente der Verwaltung und des Betriebs kritischer Infrastruktur ist, sollte im Einzelfall geprüft werden, besonders bei Trinkwassernetzen [4]. KI-Kompetenz (Art. 4) gilt.
• DSGVO: Video ist überwiegend nicht personenbezogen, doch Aufnahmen von Privatgrundstücken, Hausanschlüssen oder offenen Schächten können Personen, Kfz-Kennzeichen oder Details aus Gebäuden erfassen; wenden Sie Datenminimierung, Aufbewahrungsfristen und Vertragsbedingungen für Auftragnehmer an [5].
• Technische Normen: EN 13508-2 (Kodiersystem der optischen Inspektion), EN 13508-1 (allgemeine Anforderungen), Reihe DWA-M 149 in Deutschland; nationale oder Landesregeln legen Inspektionsturnus und fest, wer kodieren darf [1][2].
• Haftung und Beschaffung: Der Betreiber bleibt für die Bewertung verantwortlich; Verträge sollten die akzeptierte Code-Version, die QS-Stichproben und den geforderten Recall festlegen.
• Gegenmaßnahmen: menschliche Freigabe jedes Berichts, Stichprobenaudits, versionierte Modelle, aufbewahrtes Originalvideo und Transparenz über die Grenzen des Werkzeugs gegenüber dem Auftraggeber.

Erste Schritte

1. 50–100 bereits kodierte Haltungen je Materialtyp sammeln und die Konsistenz der Codes prüfen.
2. Ziel-Codes und das Austauschformat festlegen, das Ihr GIS-/Asset-System braucht.
3. 2–3 Anbieter-Tests aus Weg A am selben Blindsatz von Haltungen durchführen.
4. Den Recall je Schadensklasse und die eingesparten Kodierminuten messen, nicht nur die Gesamtgenauigkeit.
5. Eine Korrekturschleife einrichten, damit Änderungen der Prüfer in das Nachtraining einfließen.

Quellen

1. CEN — EN 13508-2 Investigation and assessment of drain and sewer systems outside buildings, visual inspection coding system — https://standards.cencenelec.eu/
2. DWA — Merkblatt DWA-M 149 series (condition recording and assessment of drain and sewer systems) — https://de.dwa.de/
3. Haurum & Moeslund — Sewer-ML: A Multi-Label Sewer Defect Classification Dataset and Benchmark (CVPR 2021) — https://vap.aau.dk/sewer-ml/
4. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
5. Regulation (EU) 2016/679 (GDPR) — https://eur-lex.europa.eu/eli/reg/2016/679/oj
6. Ultralytics YOLO documentation — https://docs.ultralytics.com/