Rost und Korrosion unter Wasser per KI bewerten: aus Inspektionsvideos werden messbare Zustandsdaten
Ein Inspektionsvideo aus einem gefüllten Sprinklertank ist zunächst nur Bild: trübes Wasser, Schwebstoffe, Reflexionen, wechselndes Licht. Wir entwickeln Technologien, die aus solchen visuellen Inspektionsdaten messbare, vergleichbare und nachvollziehbare Zustandsinformationen machen. In diesem Artikel zeigen wir das an einem Beispiel: Korrosion unter Wasser, erkannt von einer KI, Bild für Bild, und eingeordnet auf einer festen Skala von A bis F.
Umgangssprachlich sagt man Rost, fachlich heißt es Korrosion. Bei den Stahl- und Eisenteilen im Tank ist beides dasselbe; wir schreiben im Weiteren Korrosion.
Was wir entwickelt haben: eine KI, die Korrosion unter Wasser misst und einordnet
Den Anstoß gab unser Kunde, die Sprinklertank Inspect & Protect GmbH. Er wollte ein standardisiertes Bewertungssystem für die Bestandteile eines Sprinklertanks, gestützt von KI. Bewertet werden Behälterwand, Wasserlinie, Leiter, Leitungen, Überlauf, Probierleitung, Saugrohr, Antiwirbelplatte, Boden, Mannloch und Ablauf. Die Anforderungen:
- Dieselben Maßstäbe für jeden Tank: Jedes Bauteil bekommt eine Stufe von A bis F, unabhängig davon, wer inspiziert.
- Nachvollziehbar für Betreiber und Versicherer: Zu jeder Stufe gehören die Bilder, auf denen sie beruht, und eine Begründung.
- Vergleichbar über die Jahre: Wer dieselbe Skala bei der nächsten Inspektion wieder anlegt, sieht, ob sich ein Bauteil verändert hat.
Was wir dafür gebaut haben:
- Eine Segmentierungs-KI für Korrosion unter Wasser, trainiert mit Bildern aus über 150 Inspektionsvideos. Sie gibt für jeden Bildpunkt an, wie wahrscheinlich dort Korrosion zu sehen ist.
- Eine Videoauswertung, die ganze Inspektionsvideos mit zehn Auswertungen je Sekunde durchrechnet und daraus einen Zeitverlauf der Korrosionsfläche macht.
- Eine Bauteil-Erkennung im Video (Forschungsstand), die im Zeitverlauf anzeigt, welches Bauteil gerade zu sehen ist.
- Einen Stufenvorschlag von A bis F je Bauteil. Die Stufe legt der Inspekteur fest.
Alles läuft auf unserer eigenen Hardware, ohne Cloud. Wie die Sprinklertank-Inspektionen selbst ablaufen, steht auf sprinklertank-inspektion.de.
Wie das Ergebnis aussieht: Schraffur, Stufe und Beispiele je Bauteil
Die Schraffur lesen
- Schraffur: Hier erkennt die KI Korrosion. Je dichter die Schraffur, desto wahrscheinlicher: weite Linien bei 30 bis 60 % Wahrscheinlichkeit, enge Linien bei 60 bis 80 %, Kreuzschraffur über 80 %.
- Linie: die Grenze, ab der die KI eher Korrosion sieht als keine (50 %).
- Etikett „93 % wahrscheinlich“ (im Video ganz oben): wie wahrscheinlich an dieser Stelle Korrosion ist, gemittelt über die Fläche – nicht, wie schwer sie ist. Die Schwere beschreibt die Stufe A bis F.
- Korrosionsfläche in Prozent: welcher Anteil des Bildes jenseits der Grenze liegt.
Wir zeichnen in Cyan und mit Schraffur statt in Rot, weil Korrosion selbst rotbraun ist. Unter Wasser fällt sie oft kaum auf, Trübung und grünliches Licht nehmen ihr die Farbe. Gerade dort hilft die Schraffur.
Die Stufen A bis F
Jedes Bauteil bekommt eine Stufe. So steht es im Zustandsausweis:
| Stufe | Bedeutung |
|---|---|
| A | frei von sichtbarer Korrosion |
| B | erste Anzeichen / beginnende Korrosion |
| C | deutliche, flächige Korrosion |
| D | fortgeschritten: Schuppenrost, Knollen, Materialabtrag |
| E | kritisch: Lebensdauer überschritten, Durchrostung wahrscheinlich |
| F | Funktionsverlust: durchgerostet, zerstört, abgefallen, fehlt |
Für die Behälterwand mit Beschichtung und für den Boden (Ablagerungen) gibt es eigene Skalen.
KI-Prüfstand: selbst ausprobieren
23 Beispiele zu acht Bauteilen, alle aus Inspektionen, die das Modell nie im Training gesehen hat. Jedes Beispiel ist ein Ausschnitt von 4 Sekunden aus dem echten Inspektionsvideo. Die Schraffur zeichnet Ihr Browser Bild für Bild aus der Wahrscheinlichkeitskarte der KI.
- Grenze verschieben: Ab welcher Wahrscheinlichkeit zählt eine Stelle als Korrosion? Nach links zählt die KI mehr Fläche, nach rechts nur, was sie sicher erkennt. Linie und Korrosionsfläche rechnen sofort mit.
- Zeitverlauf: Die Kurve unter dem Bild zeigt die Korrosionsfläche über die 4 Sekunden. Antippen oder ziehen springt an diese Stelle. Die gestrichelte Linie ist das Befundbild, das der Inspekteur bewertet hat.
- Markierung des Inspekteurs: springt zum Befundbild und zeigt seine Umrandung in Weiß.
Je mehr Fläche die KI schraffiert, desto schlechter ist in der Regel die Stufe. Zwischen A, B und C trennt die Fläche deutlich. Ab D reicht sie nicht mehr. Im Prüfstand zeigt das der Überlauf: Stufe C und Stufe F haben am Befundbild fast dieselbe KI-Fläche (9,6 % und 9,5 %). Ob Schuppenrost oder Durchrostung vorliegt, erkennt der Inspekteur am Bild. Deshalb schlägt die KI eine Stufe vor, und der Inspekteur legt sie fest.
Was die Beispiele außerdem zeigen:
- Saugrohr und Probierleitung trifft die KI am genauesten: Überlappung bis 0,97.
- Behälterwand, Stufe D: Die KI erfasst die kräftigen Streifen, nicht die schwächeren Flächen daneben.
- Leitungen sind in der Prüfmenge dünn belegt: fast nur Stufe A und B, eine einzige Stufe C, keine D bis F. Bei dieser Stufe C markiert die KI die Korrosion praktisch nicht.
- Behälterboden: Die KI-Fläche bleibt auch bei schlechteren Stufen oft niedrig. In der Prüfmenge liegt der Median bei Stufe C bei 0 % und bei Stufe D bei 0,1 %. In den Stufenvergleichen weiter unten ist der Boden nicht enthalten.
- Wasserlinie, Mannloch und Ablauf: Dafür gibt es in der Prüfmenge noch keine vom Inspekteur bewerteten Bilder. Beispiele zeigen wir, sobald welche vorliegen.
Wie es funktioniert: Segmentierung, Training, Auswertung
Segmentierung
Die KI ordnet jedem Bildpunkt eine Wahrscheinlichkeit zu, dass dort Korrosion zu sehen ist (semantische Segmentierung). Daraus entstehen Schraffur, Korrosionsfläche und Wahrscheinlichkeit im Bild.
- Netz: DeepLabV3+ mit ResNet-101 [1].
- Ausgangspunkt: ein öffentlich verfügbares Modell der Virginia Tech, trainiert auf Korrosion an Stahlbrücken [2, 3]. An Land funktioniert es, unter Wasser nicht ausreichend. Wir haben es auf unsere eigenen Aufnahmen nachtrainiert.
- Trainingsdaten: 578 Bilder, auf denen ein Inspekteur die Korrosion von Hand umrandet hat, dazu 5.110 benachbarte Videobilder, auf die das Werkzeug SAM 2 [4] diese Markierungen weitergetragen hat. Die markierten Bilder stammen aus 155 Inspektionsvideos von 143 Inspektionen.
- Gegenbeispiele: Beläge und Verschmutzungen haben wir eigens markiert und als „keine Korrosion“ ins Training gegeben.
- Zwei Auflösungen: Das Ergebnis ist der Mittelwert aus zwei Läufen, einer mit 512 × 512 Bildpunkten, einer mit 1.024 Bildpunkten Breite.
Vom Video zum Zustandsausweis
So setzen wir die Technologie in der Erprobung ein:
- Nach der Inspektion rechnet unser Rechner jedes Video durch, mit zehn Auswertungen je Sekunde Video.
- Ein Zeitstreifen unter dem Video zeigt, wo Korrosion vorkommt und welches Bauteil gerade zu sehen ist. Stellen mit viel Schraffur prüft der Inspekteur gezielt.
- Für jedes Bauteil schlägt die KI eine Stufe von A bis F vor. Der Inspekteur übernimmt sie oder legt eine andere fest und kann eine Anmerkung schreiben.
- Der Zustandsausweis entsteht aus den festgelegten Stufen und Anmerkungen. Er geht erst nach Freigabe durch den Inspekteur in den Bericht.
Markierungen und Korrekturen des Inspekteurs fließen in das nächste Training. Ein neues Modell setzen wir erst ein, nachdem wir es auf denselben Prüfdaten mit dem alten verglichen haben.
Bauteil-Erkennung im Video
Damit der Zeitstreifen sagt, was gerade zu sehen ist, vergleicht ein zweites Modell jede Sekunde Video mit Bildern, denen ein Inspekteur ein Bauteil zugeordnet hat (Bildmerkmale aus DINOv2 [5], Abstimmung über die 15 ähnlichsten Bilder, geglättet über ±3 s). Bilder aus derselben Inspektion sind dabei ausgeschlossen.
Gegenprobe an fünf Inspektionsvideos: An 130 von 157 Stellen, denen der Inspekteur ein Bauteil zugeordnet hat, erkennt die KI dasselbe Bauteil (83 %). Je Video schwankt das stark, von 33 von 39 und 49 von 56 bis 0 von 5 bei einem Tank, dessen Einbauten anders aussehen als die Vergleichsbilder. Das ist Forschungsstand, kein fertiges Werkzeug.
Darstellung
Die Wahrscheinlichkeitskarte wird erst auf das Seitenverhältnis des Videobilds skaliert und nicht zugeschnitten, damit Schraffur und Bild deckungsgleich bleiben. Im Video wird sie über aufeinanderfolgende Bilder geglättet; Etiketten und Prozentwerte werden alle 0,5 s nachgeführt.
Hardware: eigener Rechner statt Cloud
Training und Auswertung laufen lokal auf eigener Hardware, ohne Cloud-Dienst: einem NVIDIA DGX Spark mit dem Chip NVIDIA GB10 (Grace Blackwell), 20 Prozessorkernen und rund 120 GB Arbeitsspeicher, den sich Prozessor und Grafikeinheit teilen.
| Aufgabe | Dauer |
|---|---|
| Ein Videobild auswerten (beide Netze, volle Genauigkeit) | 137 ms |
| dasselbe in halber Genauigkeit (bf16) | 70 ms – Masken praktisch gleich wie in voller Genauigkeit (Überlappung im Median 0,99, mindestens 0,94, Flächenunterschied höchstens 0,2 Prozentpunkte; 42 Videobilder) |
| Ganze Inspektionsvideos vorrechnen | 10 Auswertungen je Sekunde Video |
| Training, eine Epoche, Netz 512 × 512 | etwa 6 min |
| Training, eine Epoche, Netz 1.024 Bildpunkte breit | etwa 8 min |
Quelle: eigene Messung, Stand 10.11.2026. Ein Trainingslauf umfasst 20 Epochen.
Keine Aufnahme geht für Training oder Auswertung in eine Cloud oder an einen KI-Dienst. Für Betreiber kritischer Infrastruktur (KRITIS) stimmen wir den Übertragungsweg der Aufnahmen vorab ab.
Wie gut es funktioniert: Validierung und Grenzen
Wir prüfen die KI nur an Inspektionen, die sie aus dem Training nicht kennt. Das Ergebnis in Alltagssprache:
- Wie genau deckt sich die Schraffur mit der Markierung des Inspekteurs? Im Mittel zu 0,56 (1 hieße deckungsgleich). Das klingt nach wenig. Unter Wasser ist der Rand einer Korrosionsfläche aber selten scharf, auch zwei Inspekteure umranden ihn nicht gleich. Bei den Beispielen in diesem Artikel reicht der Wert von 0,31 bis 0,97.
- Wie oft meldet sie Korrosion, wo keine ist? Von 146 korrosionsfreien Bildern meldet die KI bei 15 fälschlich etwas, also bei etwa jedem zehnten.
- Passt die Rangfolge? Sortiert man die Bilder nach KI-Fläche und nach Stufe des Inspekteurs, stimmen beide Reihenfolgen gut überein (Rangkorrelation 0,71; 1 wäre gleich, 0 hieße kein Zusammenhang).
- Trifft der Stufenvorschlag? Auf eine Stufe genau bei 83 bis 91 % der Bilder, je nach Bauteil. Genau die richtige Stufe nur bei 37 bis 69 %. Deshalb bleibt der Vorschlag ein Vorschlag.
Messwerte im Detail
Wir trennen nach Inspektionen: Jede fünfte Inspektion kommt ausschließlich in die Prüfmenge, kein Tank daraus taucht im Training auf.
| Messgröße | Ergebnis | Was sie bedeutet |
|---|---|---|
| Überlappung (IoU) mit der Markierung des Inspekteurs | 0,56 | Anteil der gemeinsamen Fläche an der Gesamtfläche beider Markierungen |
| Fehlalarm auf Bildern ohne Korrosion | 15 von 146 | die KI markiert mehr als 2 % des Bildes |
| Rangkorrelation (Spearman ρ) zur Stufe des Inspekteurs | 0,71 | wie gut die Rangfolge nach KI-Fläche zur Rangfolge der Stufen passt |
Geprüft auf 298 markierten Bildern, davon 146 ohne Korrosion; die Rangkorrelation auf 193 bewerteten Bildern, die nie markiert wurden. Schwelle für die Fläche: Wahrscheinlichkeit ab 0,3. Quelle: eigene Messung, Stand 10.11.2026.
Mittlere KI-Fläche je Stufe des Inspekteurs (1.481 bewertete Bilder, ohne Boden):
| Stufe | A | B | C | D | E | F |
|---|---|---|---|---|---|---|
| mittlere KI-Fläche (Median) | 0 % | ≈ 0 % | 6 % | 12 % | 17 % | 17 % |
Quelle: eigene Messung, Stand November 2026.
Stufenvorschlag je Bauteil, Kreuzvalidierung nach Inspektionen. „Raten“ heißt: immer die häufigste Stufe des Bauteils vorschlagen.
| Bauteil | Bilder | Stufe exakt | Stufe ± 1 | Raten ± 1 |
|---|---|---|---|---|
| Saugrohr | 419 | 38 % | 84 % | 55 % |
| Probierleitung | 283 | 37 % | 85 % | 60 % |
| Stahlwand | 412 | 43 % | 90 % | 67 % |
| Anti-Wirbel-Platte | 92 | 49 % | 91 % | 62 % |
| Leitungen | 124 | 52 % | 89 % | 81 % |
| Überlauf | 74 | 69 % | 89 % | 81 % |
| Leiter | 77 | 57 % | 83 % | 18 % |
Quelle: eigene Messung, Kreuzvalidierung nach Inspektionen, Stand November 2026.
Auch die Wahrscheinlichkeit in der schraffierten Fläche steigt mit jeder Stufe: Ausgeprägte Korrosion wie Schuppenrost oder Durchrostung erkennt die KI eindeutiger.
| Stufe des Inspekteurs | A | B | C | D | E | F |
|---|---|---|---|---|---|---|
| mittlere Wahrscheinlichkeit in der erkannten Fläche (Median) | 66 % | 75 % | 80 % | 83 % | 88 % | 95 % |
| Bilder | 11 | 33 | 52 | 44 | 45 | 30 |
Quelle: eigene Messung, 11.11.2026, nur Inspektionen, die nie im Training waren, ohne Boden.
Die Fläche bleibt aber das stärkere Maß: Auf denselben 215 Bildern passt die Rangfolge nach Fläche besser zur Stufe (Rangkorrelation 0,62) als die nach Wahrscheinlichkeit (0,53). Und die Wahrscheinlichkeit sagt nichts über die Tiefe einer Korrosionsstelle.
Wo die KI Korrosion verwechselt oder übersieht
- Trübes Wasser: Je trüber das Wasser, desto unschärfer der Rand einer Korrosionsfläche. Ein Saugrohr bei starker Trübung trifft die KI trotzdem gut (Überlappung 0,89). Wie stark Trübung über alle Bilder wirkt, haben wir nicht gesondert gemessen. Ziel ist, dass das System Bilder, auf denen nichts zu erkennen ist, als „nicht bewertbar“ kennzeichnet, statt zu raten.
- Beläge und Ablagerungen: Brauner Belag sieht Korrosion ähnlich. Wir trainieren ihn als Gegenbeispiel, ganz verschwunden sind die Verwechslungen nicht. Was Beläge und mikrobiell beeinflusste Korrosion im Tank bedeuten, erklärt der Wissensartikel Korrosion und MIC im Sprinklertank.
- Kunststoff-Innenhüllen (Inliner): Braune Ablagerungen auf einer Folie können aussehen wie Korrosion, sind aber keine – Kunststoff korrodiert nicht. Hier bewertet der Inspekteur den Zustand der Folie, nicht die Farbe.
- Kein Blick unter die Oberfläche: Wie bei jeder Sichtprüfung zeigt die KI nur, was an der Oberfläche zu sehen ist. Wanddicke und Tiefe einer Korrosionsstelle zeigt kein Videobild.
Zwei Beispiele aus der Prüfmenge, in denen die KI danebenliegt:
Trennlinie ziehen · Maus aufs Bild oder antippen: Markierung des Inspekteurs (weiß)
Der Inspekteur entscheidet
Die KI dokumentiert und schlägt vor. Die Bewertung trifft der Inspekteur, die formale Prüfung bleibt bei den dafür befähigten Personen. Der Zustandsausweis ist eine Grundlage für Instandhaltung und Gespräch mit Errichter oder Versicherer, kein Gutachten.
Was als Nächstes möglich ist: andere Anlagen, Vergleiche über die Jahre
Korrosion im Sprinklertank ist der erste Anwendungsfall. Die Bausteine dahinter – Segmentierung, Auswertung ganzer Videos, Erkennung von Bauteilen, Einordnung auf einer festen Skala – sind nicht an den Tank gebunden.
- Andere Anlagen: Kessel, Rohrleitungen, Silos oder Behälter anderer Bauart, sofern wir dafür eigene Modelle trainieren und an unabhängigen Inspektionen prüfen. Ohne diese Prüfung übertragen wir keine Aussage.
- Zustand über die Zeit: Dieselbe Skala bei jeder Wiederholungsinspektion macht sichtbar, ob ein Bauteil schlechter wird und um wie viele Stufen zwischen zwei Inspektionen.
- Bauteil-Spur weiterentwickeln: mehr Vergleichsbilder für Tanks, die anders aussehen, und Vorschläge für Bildstellen je Bauteil direkt aus dem Video.
- Bilder, die nichts zeigen, erkennen: Bei starker Trübung soll das System „nicht bewertbar“ melden, statt zu raten.
Weitere Teile der Reihe Inspectomatic Technologie-Einblicke greifen andere Themen auf, etwa die Auswertung von 3D-Punktwolken oder den Vergleich von Zuständen über die Zeit.
Fragen zur Technologie? Rufen Sie an unter +49 421 408 937 98 oder schreiben Sie uns. Für die Inspektion Ihres Sprinklertanks geht es direkt zu sprinklertank-inspektion.de.
Häufige Fragen zur KI-Korrosionserkennung unter Wasser
Kann KI Rost und Korrosion unter Wasser erkennen?
Ja, soweit sie im Video an der Oberfläche zu sehen ist. Unsere KI markiert in jedem Videobild, wo sie Korrosion erkennt, und gibt an, wie wahrscheinlich dort Korrosion ist. Wanddicke oder Tiefe einer Korrosionsstelle zeigt kein Videobild.
Wie genau ist die KI-Korrosionserkennung?
Geprüft an Inspektionen, die die KI aus dem Training nicht kennt: Ihre Markierung deckt sich im Mittel zu 0,56 mit der des Inspekteurs (1 wäre deckungsgleich). Von 146 korrosionsfreien Bildern meldet sie bei 15 fälschlich etwas. Ihr Stufenvorschlag liegt bei 83 bis 91 % der Bilder höchstens eine Stufe neben der des Inspekteurs.
Ersetzt die KI den Inspekteur?
Nein. Die KI findet Korrosion im Video und schlägt eine Stufe vor. Der Inspekteur sieht sich die Stellen an und legt die Stufe fest. Die formale Prüfung bleibt bei den dafür befähigten Personen.
Was bedeuten die Stufen A bis F?
A: frei von sichtbarer Korrosion. B: erste Anzeichen / beginnende Korrosion. C: deutliche, flächige Korrosion. D: fortgeschritten: Schuppenrost, Knollen, Materialabtrag. E: kritisch: Lebensdauer überschritten, Durchrostung wahrscheinlich. F: Funktionsverlust: durchgerostet, zerstört, abgefallen, fehlt.
Was bedeutet „93 % wahrscheinlich“ im Bild?
Wie wahrscheinlich an dieser Stelle Korrosion ist, gemittelt über die markierte Fläche. Es sagt nichts darüber, wie schwer die Korrosion ist; das beschreibt die Stufe A bis F, die der Inspekteur festlegt.
Werden die Videos in einer Cloud ausgewertet?
Nein. Training und Auswertung laufen auf unserem eigenen Rechner, keine Aufnahme geht dafür an einen KI-Dienst. Für Betreiber kritischer Infrastruktur (KRITIS) stimmen wir den Übertragungsweg vorab ab.
Quellen
- Chen, L.-C.; Zhu, Y.; Papandreou, G.; Schroff, F.; Adam, H.: „Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation“ (DeepLabV3+) · ECCV 2018 · arxiv.org/abs/1802.02611
- Bianchi, E.; Hebdon, M.: „Trained Model for the Semantic Segmentation of Corrosion Condition States“ · Virginia Tech, University Libraries · DOI 10.7294/16628668 · data.lib.vt.edu · abgerufen 10.11.2026
- Bianchi, E.; Hebdon, M.: „Development of Extendable Open-Source Structural Inspection Datasets“ · Journal of Computing in Civil Engineering (ASCE) · DOI 10.1061/(ASCE)CP.1943-5487.0001045 · ascelibrary.com
- Ravi, N. u. a.: „SAM 2: Segment Anything in Images and Videos“ · Meta AI, 2024 · arxiv.org/abs/2408.00714
- Oquab, M. u. a.: „DINOv2: Learning Robust Visual Features without Supervision“ · Meta AI, 2023 · arxiv.org/abs/2304.07193
Themen Inspektion Dokumentation
