Bookshelf

In der Eisenbahninfrastrukturplanung wird bisher ein weitgehend papierbasierter Prozess genutzt. Dieser soll zur Effizienzsteigerung digitalisiert werden, wobei domänenspezifische Dateiformate wie PlanPro genutzt werden. Insbesondere für Umbauten an bestehenden Bahnanlagen ist das Vorliegen digitaler Bestandsplanungen essenziell, weshalb in bisherigen Projekten eine vollständig manuelle Digitalisierung der papierbasierten Bestandspläne erfolgte.

Zur Beschleunigung dieses Prozesses wird in dieser Arbeit ein Softwaresystem zur automatisierten Digitalisierung von Bestandsplänen entworfen und prototypisch implementiert. Die Informationen werden dabei, wo möglich, aus den Plantabellen entnommen.

Zunächst wird ein Algorithmus zur Topologieerkennung im Gleisplan entwickelt, welcher auf der Hough-Transformation zur Linienerkennung sowie Heuristiken zur Entfernung nicht zum Gleisplan gehörender Linien basiert. Aus den erkannten Linien wird dann ein Topologiegraph erstellt. Um die Signalstandorte im Gleisplan zu ermitteln, wird die Nutzung von maschinellem Lernen zur Symbolerkennung vorgeschlagen. Beim Training des Verfahrens muss die Vielzahl an möglichen Darstellungsvarianten berücksichtigt werden. Zur Digitalisierung der Plantabellen wird Optical Character Recognition unter Nutzung von maschinellem Lernen verwendet. Dabei ließ sich die Erkennungsqualität der Algorithmen durch das Zuschneiden des Dokuments auf die eigentliche Tabelle stark verbessern. Für die Erkennung der Tabellenstruktur kommt erneut die Hough-Transformation in Kombination mit Clustering-Algorithmen zum Einsatz. Um aus der Tabelle nun ein digitales PlanPro-Modell zu erstellen, wird am Beispiel eines Tabellentyps eine Parsing-Logik implementiert. Zur Verknüpfung dieses digitalen Modells mit der Gleistopologie wird ein Verfahren vorgeschlagen, bei dem die Signalstandorte als Bindeglied dienen. Da das Auftreten von fehlerhaft erkannten Elementen im Digitalisierungsprozess sehr wahrscheinlich ist, wird ein regelbasiertes Fehlererkennungsverfahren implementiert, welches insbesondere einfache fachliche Inkonsistenzen finden soll.

Die Fehlerrate der implementierten Teilschritte wird anhand eines Datensatzes aus drei Übersichtsplänen und zwölf Tabellen evaluiert. Die Topologieerkennung erkennt durchschnittlich 64 % der Gleise korrekt, wobei Überlappungen von Symbolen und Gleisen problematisch sind. Bei der Tabellendigitalisierung werden im Median 60 bis 65 % der Texte korrekt erkannt. Hier gestaltet sich die korrekte Erkennung der in den Tabellen verwendeten Abkürzungen und Zahlen schwierig.

Insgesamt werden jedoch die grundsätzliche Machbarkeit einer automatisierten Digitalisierung von Bestandsplänen gezeigt sowie dabei zu bewältigende Herausforderungen identifiziert.